HALCON
文章平均质量分 78
机器视觉001
熟悉Visual C++、HALCON、机器视觉;10 年开发经验!
展开
-
HALCON:Programming With HALCON/.NET
HALCON:Programming With HALCON/.NET原创 2022-08-06 19:33:50 · 884 阅读 · 0 评论 -
HALCON: 内存管理(Memory Management)
HALCON: 内存管理(Memory Management)原创 2022-07-28 11:16:15 · 3468 阅读 · 0 评论 -
HALCON: 对象(object)从声明(declaration)到结束(finalization)
HALCON对象(object)从声明(declaration)到结束(finalization)在对象的生命周期中,即从声明到结束,分配和释放的内存数量是不同的。原创 2022-07-28 09:52:46 · 683 阅读 · 0 评论 -
HALCON 21.11:学习笔记---OPC_UA(I/O)
HALCON 21.11:学习笔记---OPC_UA(I/O)本章主要提供有关OPC_UA的信息。系统要求Intel compatible PC with Windows 7 (32-bit or 64-bit) or newer that is also supported by the vendor-specific SDK, also WoW64 (using 32-bit HALCON on 64-bit Windows), Linux with kernel 2.6 (or highe原创 2021-11-28 22:15:36 · 2063 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---语义分割/边缘提取(12)
HALCON 21.11:深度学习笔记---语义分割/边缘提取(12)HALCON 21.11.0.0中,实现了深度学习方法。本章介绍了如何使用基于深度学习的语义分割,包括训练和推理阶段。通过语义分割,我们使用深度学习(DL)网络将输入图像的每个像素分配到一个类。语义分割的例子:输入图像的每个像素都被分配给一个类,但是类“apple”的三个不同实例和类“orange”的两个不同实例都不是可区分的对象语义分割的结果是一个输出图像,其中的像素值表示输入图像中对应像素的指定类别。因此,在.原创 2021-11-25 10:54:30 · 8192 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---对象检测, 实例分割(11)
HALCON 21.11:深度学习笔记---对象检测, 实例分割(11)HALCON 21.11.0.0中,实现了深度学习方法。本章介绍了如何使用基于深度学习的对象检测。通过对象检测,我们希望在图像中找到不同的实例,并将它们分配给一个类。实例可以部分重叠,但仍然可以区分为不同的。下面的模式说明了这一点。对象检测的例子: 在输入图像中找到三个实例并分配给一个类实例分割是对象检测的一种特殊情况,在这种情况下,模型还预测一个实例掩码,标记该实例在图像中的特定区域。下面的模式说明了这一点。.原创 2021-11-25 08:05:25 · 6324 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---分类(10)
HALCON 21.11:深度学习笔记---分类(10)HALCON 21.11.0.0中,实现了深度学习方法。本章介绍了如何在训练和推理阶段使用基于深度学习的分类。基于深度学习的分类是一种对一幅图像分配一组置信值的方法。这些置信度值表明图像属于每个可分辨类的可能性有多大。如果我们只考虑顶部的预测,分类就是在给定的类集合中指定一个特定的类给一幅图像。下面的模式说明了这一点。分类示例: 网络区分三个类别. 输入图像获得三个可分辨类的置信值:“apple”0.85、“lemon”0.03和.原创 2021-11-24 22:08:51 · 2142 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---异常检测(9)
HALCON 21.11:深度学习笔记---异常检测(9)HALCON 21.11.0.0中,实现了深度学习方法。本章介绍了如何使用基于深度学习的异常检测。通过异常检测,我们想要检测图像是否包含异常。异常指的是偏离常规的、未知的东西。异常检测的例子:输入图像的每个像素都被分配了一个值,该值表明该像素是异常的可能性有多大。蠕虫不是模型在训练中看到的无虫苹果的一部分,因此它的像素得到了更高的分数。一个异常检测模型学习没有异常的图像的共同特征。训练后的模型将推断出输入图像只包含学习过的原创 2021-11-24 21:23:01 · 2887 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---模型(8)
HALCON 21.11:深度学习笔记---模型(8)HALCON 21.11.0.0中,实现了深度学习方法。本章阐述了HALCON中深度学习(DL)模型的一般概念和数据处理。从概念上讲,HALCON中的深度学习模型是深度神经网络的内部表示。每个深度神经网络都有一个定义其功能的架构,即它可以用于的任务。一个功能可以有多个可能的网络架构。目前,以下功能的网络在HALCON中作为模型实现:异常检测,参见深度学习/异常检测。 分类,参见深度学习/分类。 对象检测,参见深度学习/对象原创 2021-11-24 20:46:35 · 5682 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---术语表(7)
HALCON 21.11:深度学习笔记---术语表(7)HALCON 21.11.0.0中,实现了深度学习方法。下面,我们将描述深度学习环境中使用的最重要的术语:anchor (锚)Anchors are fixed bounding boxes. They serve as reference boxes (参考框), with the aid of which the network proposes bounding boxes for the objects to be localize原创 2021-11-24 11:02:44 · 975 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---有监督训练(6)
HALCON 21.11:深度学习笔记---有监督训练(6)HALCON 21.11.0.0中,实现了深度学习方法。不同的DL方法有不同的结果。相应地,它们也使用不同的衡量标准来确定网络的“表现如何”。在训练一个网络时,不同的模型会有不同的行为和缺陷,我们将在这里进行描述。训练中的验证当涉及到网络性能验证时,需要注意的是,这不是一个纯粹的优化问题(参见上面的“网络和训练过程”和“设置训练参数”部分)。为了观察训练过程,通常可视化验证措施是有帮助的,例如,对于分类网络的训练,批样本的误差。由于原创 2021-11-24 10:55:03 · 939 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---设置超参数(5)
HALCON 21.11:深度学习笔记---设置超参数(5)HALCON 21.11.0.0中,实现了深度学习方法。关于超参数的有关设置内容如下:不同的DL方法是为不同的任务设计的,它们的构建方式也不同。它们都有一个共同点,即在模型的训练过程中都面临着一个最小化问题。训练网络或子网络,一个目标是努力使适当的损失函数最小化,参见“网络和训练过程”一节。为此,有一组参数是在开始训练之前设置的,在训练期间未进行优化。我们将这些参数称为超参数。对于DL模型,您可以设置更改策略,指定在训练期间更改这些超参数的原创 2021-11-24 08:48:52 · 1903 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---网络和训练过程(4)
HALCON 21.11:深度学习笔记---网络和训练过程(4)HALCON 21.11.0.0中,实现了深度学习方法。关于网络和训练过程如下:在深度学习中,任务是通过网络发送输入图像来执行的。整个网络的输出由许多预测组成。例如,对于一个分类任务,预测会得到每个类的置信度,表示图像显示该类实例的可能性有多大。具体的网络会有所不同,特别是从一种方法到另一种方法。一些方法,如对象检测,使用子网络生成特征图(参见下面和深度学习/对象检测, 实例分割中给出的解释)。在这里,我们将解释一个基本的卷积神经网原创 2021-11-24 08:32:56 · 1687 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记---Data(数据)(3)
HALCON 21.11:深度学习笔记---Data(数据)(3)HALCON 21.11.0.0中,实现了深度学习方法。其中,关于术语“数据”的介绍如下:术语“数据”一词在深度学习的语境中被用作图像和信息,以及其中的内容。这最后的信息必须以网络可以理解的方式提供。不同的DL方法对于必须提供什么信息以及如何提供这些信息有自己的要求。具体要求见相应章节。网络对图像的尺寸、灰度值范围和类型提出了进一步要求。具体的值取决于网络本身,可以用函数get_dl_model_param查询。此外,不同方法也有原创 2021-11-24 08:17:44 · 852 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记(2)
HALCON 21.11:深度学习笔记(2)HALCON 21.11.0.0中,实现了深度学习方法。由于上面提到的DL方法在它们做什么以及它们如何需要数据方面各不相同,所以您需要知道哪种方法最适合您的特定任务。一旦清楚了这一点,您就需要收集适当数量的数据,也就是图像和方法所需的信息。然后,所有这些DL方法都有一个通用工作流:1. 准备网络和数据(Prepare the Network and the Data)网络需要为您的任务和适合于特定网络的数据做好准备。建立关系网:读取一个预先训练好的原创 2021-11-24 08:17:08 · 990 阅读 · 0 评论 -
HALCON 21.11:深度学习笔记(1)
HALCON 21.11:深度学习笔记(1)HALCON 21.11.0.0中,实现了以下深度学习方法:1. Anomaly Detection(异常检测)给每个像素分配显示未知特征的可能性。更多信息请参见深度学习/异常检测一章。异常检测的某个例子:给输入图像的每个像素分配一个分数,表示它显示未知特征(即异常)的可能性有多大2. Classification(分类)将图像分类为给定类集合中的一个类。更多信息请参见深度学习/分类一章。分类的某个例子:将图像分配给一个类原创 2021-11-24 08:15:37 · 4874 阅读 · 0 评论 -
HALCON: 本地程序函数(.hdev或.dev)、HDevelop函数文件或外部函数(.hdvp)及库函数(.hdpl)使用详解
以Halcon17版本为例,其对算子的打包方式分为以下三种:本地程序函数,后缀名:.hdev或.dev HDevelop函数文件,后缀名:.hdvp 库函数,后缀名:.hdpl本地程序函数将可以实现某一个功能的一系列算子打包成一个函数,其作用域只是当前程序,不可被其它程序使用,该函数称为本地程序函数。当程序过于庞大时,通过将各个功能模块打包成本地函数的方式,可以使算法逻辑更加清晰。其打包方式为:选中所有要打包的算子——单击鼠标右键,选择“创建新函数”——“类型”一栏,选择“本地程序函数”—转载 2021-09-18 13:27:32 · 2765 阅读 · 0 评论 -
HALCON 20.11:学习笔记---一维测量(Measuring)
HALCON 20.11:学习笔记---一维测量(Measuring)本章主要提供有关一维测量的信息。一维测量的概念通过一维测量可以沿着预定义的线或弧定位从亮到暗或从暗到亮的过渡边缘。这使您可以快速、轻松地高精度测量零件的尺寸。注意,如果您想要测量几何图元(如圆、椭圆、矩形或线)的尺寸,并且位置、方向和几何形状的近似值是已知的,那么二维测量可能是一个合适的替代方法。沿着直线(1)或弧线(2)测量边缘和它们之间的距离下面简要介绍使用一维测量所需的步骤。生成测量对象首先,必须生成原创 2021-08-14 10:53:44 · 2402 阅读 · 0 评论 -
HALCON 20.11:如何处理标定助手品质问题
HALCON 20.11:如何处理标定助手品质问题在“品质问题”选项下,您可以得到每个图像的评估,其中包括缺陷图像特征描述以及问题严重程度的质量分数百分比。结果为0%表示图像特征有很大缺陷,而100%表示图像特征有理想质量。这可以帮助您通过删除质量不够好可能导致标定过程有较高错误率的图像,来提高您的标定结果。如果您需要某个质量级别,您可以设置“警告级别”,缺陷将列在“品质问题”下。通过“图像测试”和“序列测试”来检测品质问题。如果希望程序运行得更快,或者不需要质量反馈,可以将“图像测试”和“序列测试原创 2021-08-05 11:33:26 · 2162 阅读 · 0 评论 -
HALCON 20.11:标定助手使用注意事项
HALCON 20.11:标定助手使用注意事项标定过程中需要保持相机(光圈、焦距、位姿)固定。 标定板有两种:六角形排列标定板(.cpd文件)和矩形排列标定板(.descr文件)。 透明标定板可用于需要背光照明的应用场合。 六角形排列标定板应该填充整个图像,矩形排列标定板应该填充图像的四分之一。 标定过程中,首先需要改进的是图像质量。 标定助手中,相机参数指的是相机内部参数,如焦距,像元尺寸(宽/高)等;外部参数指的是相机相对于世界坐标系的位置和旋转角度等。 初次标定时,可以直接选择完全标定原创 2021-08-05 11:21:56 · 2031 阅读 · 0 评论 -
AdneneBoumessouer / MVTec-Anomaly-Detection学习笔记
AdneneBoumessouer/MVTec-Anomaly-Detection学习笔记GitHub: https://github.com/AdneneBoumessouer/MVTec-Anomaly-Detection本项目提出了一种基于深度学习的图像半监督异常检测和分割的端到端框架。方法概述该方法利用重建图像与输入图像之间的阈值差进行异常定位。The threshold is determined by first using a subset of anomalous-f..原创 2021-01-27 20:00:53 · 2650 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(12)---语义分割
HALCON 20.11:深度学习笔记(12)--- 语义分割HALCON 20.11.0.0中,实现了深度学习方法。本章解释了如何使用基于深度学习的语义分割,包括训练和推理阶段。通过语义分割,我们使用深度学习(DL)网络将输入图像的每个像素分配到一个类。语义分割的例子:输入图像的每个像素都被分配给一个类,但是类“apple”的三个不同实例和类“orange”的两个不同实例都不是不同的对象。语义分割的结果是一个输出图像,其中的像素值表示输入图像中对应像素的指定类别。因此,在HALCO原创 2020-12-24 19:18:03 · 8535 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(11)---目标检测
HALCON 20.11:深度学习笔记(11)---目标检测HALCON 20.11.0.0中,实现了深度学习方法。本章讲解了如何使用基于深度学习的对象检测。通过对象检测,我们希望在图像中找到不同的实例,并将它们分配给一个类。实例可以部分重叠,但仍然可以区分为不同的。下面的模式说明了这一点。对象检测的例子: 在输入图像中找到三个实例并分配给一个类对象检测导致两个不同的任务:查找实例并对它们进行分类。为了做到这一点,我们使用一个由三个主要部分组成的组合网络。第一部分,称为主干,由预先训原创 2020-12-23 22:25:04 · 11976 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(10)---分类
HALCON 20.11:深度学习笔记(10)---分类HALCON 20.11.0.0中,实现了深度学习方法。本章解释了如何在训练和推理阶段使用基于深度学习的分类。基于深度学习的分类是一种对一幅图像分配一组置信值的方法。这些置信度值表明图像属于每个可分辨类的可能性有多大。如果我们只考虑顶部的预测,分类就是在给定的类集合中指定一个特定的类给一幅图像。下面的模式说明了这一点。分类示例: 网络区分三个类别. 输入图像获得三个可分辨类的置信值:“apple”0.85、“lemon”0.03和“原创 2020-12-22 23:31:00 · 2209 阅读 · 1 评论 -
HALCON 20.11:深度学习笔记(9)---异常检测
HALCON 20.11:深度学习笔记(9)---异常检测HALCON 20.11.0.0中,实现了深度学习方法。本章解释了如何使用基于深度学习的异常检测。通过异常检测,我们想要检测图像是否包含异常。异常指的是偏离常规的、未知的东西。异常检测的例子:输入图像的每个像素都被分配了一个值,该值表明该像素是异常的可能性有多大。蠕虫不是模型在训练中看到的无虫苹果的一部分,因此它的像素得到了更高的分数。一个异常检测模型学习没有异常的图像的共同特征。训练后的模型将推断出输入图像只包含学习过的原创 2020-12-22 22:09:18 · 5756 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(8)---模型
HALCON 20.11:深度学习笔记(8)---模型HALCON 20.11.0.0中,实现了深度学习方法。本章解释HALCON中深度学习(DL)模型的一般概念和数据处理。从概念上讲,HALCON中的深度学习模型是深度神经网络的内部表示。每个深度神经网络都有一个定义其功能的架构,即它可以用于的任务。对于一个功能可以有多个可能的网络架构。目前,HALCON模型实现了用于以下功能的网络:异常检测,参见深度学习/异常检测。 分类,参见深度学习/分类。 对象检测,参见深度学习/对象原创 2020-12-20 21:42:56 · 3898 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(7)---术语表
HALCON 20.11:深度学习笔记(7)---术语表HALCON 20.11.0.0中,实现了深度学习方法。下面,我们将描述深度学习环境中使用的最重要的术语:anchor (锚)Anchors are fixed bounding boxes. They serve as reference boxes (参考框), with the aid of which the network proposes bounding boxes for the objects to be localize原创 2020-12-20 17:51:07 · 1608 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(6)---有监督训练
HALCON 20.11:深度学习笔记(6)---有监督训练HALCON 20.11.0.0中,实现了深度学习方法。不同的DL方法有不同的结果。相应地,它们也使用不同的测量方法来确定网络的“好坏”。在训练一个网络时,不同的模型会有不同的行为和缺陷,我们将在这里进行描述。训练中的验证当涉及到网络性能验证时,重要的是要注意,这不是一个纯粹的优化问题(参见上面的“网络和训练过程”和“设置训练参数”部分)。为了观察训练过程,通常可视化验证措施是有帮助的,如对于分类网络的训练,批样本的误差。由于样原创 2020-12-19 22:12:03 · 1682 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(5)---设置超参数
HALCON 20.11:深度学习笔记(5)---设置超参数HALCON 20.11.0.0中,实现了深度学习方法。关于超参数的有关设置内容如下:不同的DL方法被设计用于不同的任务,它们的构建方式也会有所不同。它们都有一个共同点,即在模型的训练过程中都面临着一个最小化问题。训练网络或子网络,一个目标是努力使适当的损失函数最小化,参见“网络和训练过程”一节。为此,有一组进一步的参数,这些参数是在开始训练之前设置的,在训练期间未进行优化。我们将这些参数称为超参数。对于DL模型,您可以设置更改原创 2020-12-19 21:25:25 · 3583 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(4)--- 网络和训练过程
HALCON 20.11:深度学习笔记(4)--- 网络和训练过程HALCON 20.11.0.0中,实现了深度学习方法。关于网络和训练过程如下:在深度学习中,任务是通过网络发送输入图像来执行的。整个网络的输出由许多预测组成。例如,对于一个分类任务,预测得到的每个类的置信度,表示图像显示该类实例的可能性有多大。具体的网络会有所不同,特别是从一种方法到另一种方法。一些方法,如对象检测,使用子网络生成特征图(参见下面和深度学习/对象检测中给出的解释)。在这里,我们将解释一个基本的卷积神经网络(CNN原创 2020-12-19 20:32:20 · 2596 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(3)---Data(数据)
HALCON 20.11:深度学习笔记(3)---Data(数据)HALCON 20.11.0.0中,实现了深度学习方法。其中,关于术语“数据”的介绍如下:术语“数据”是在深度学习的背景下使用的图像和信息。最后的信息必须以网络可以理解的方式提供。毫不奇怪,不同的DL方法对于必须提供什么信息以及如何提供这些信息有自己的要求。具体要求见相应章节。网络对图像的尺寸、灰度值范围和类型提出了进一步要求。具体的值取决于网络本身,可以用函数get_dl_model_param查询。此外,根据方法的原创 2020-12-19 20:07:20 · 1278 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(2)
HALCON 20.11:深度学习笔记(2)HALCON 20.11.0.0中,实现了深度学习方法。由于上面提到的DL方法在它们的作用和它们如何需要数据方面各不相同,所以您需要知道哪种方法最适合您的特定任务。一旦清楚了这一点,您就需要收集适当数量的数据,也就是图像和方法所需的信息。然后,所有这些DL方法都有一个通用工作流:1. 准备网络和数据(Prepare the Network and the Data)网络需要为您的任务和适合于特定网络的数据做好准备。建立关系网:读取一个预原创 2020-12-18 23:44:47 · 1660 阅读 · 0 评论 -
HALCON 20.11:深度学习笔记(1)
HALCON 20.11:深度学习笔记(1)HALCON 20.11.0.0中,实现了以下深度学习方法:1. Anomaly Detection(异常检测)给每个像素分配显示未知特征的可能性。更多信息请参见深度学习/异常检测一章。异常检测的一个可能的例子:给输入图像的每个像素分配一个分数,表示它显示未知特征(即异常)的可能性有多大2. Classification(分类)将图像从给定的类集合中分类为一个类。更多信息请参见深度学习/分类一章。分类的一个可能的例子:将图像分配原创 2020-12-18 23:28:36 · 4481 阅读 · 0 评论 -
HALCON: HALCON 20.11.0.0 Progress主要新特性
HALCON: HALCON 20.11.0.0 Progress主要新特性改进了基于形状的匹配在HALCON 20.11中,对基于形状匹配的核心技术进行了改进,尤其是针对低对比度和高噪声的场景。现在可以自动估计更多的参数。这增加了低对比度和高噪声的情况下的可用性、匹配率和鲁棒性在。DotCode解码在HALCON 20.11中,数据编码解码器已经扩展为新的编码类型DotCode。这种类型的2D代码基于一个点矩阵。因此,它可以打印的非常快,特别适用于高速应用,如在制药或烟草行业。深度OC原创 2020-12-18 21:17:00 · 1738 阅读 · 0 评论 -
图像处理中各种边缘检测的微分算子简单比较(Sobel,Robert, Prewitt,Laplacian,Canny)
图像处理中各种边缘检测的微分算子简单比较(Sobel,Robert,Prewitt,Laplacian,Canny)不同图像灰度不同,边界处一般会有明显边缘,利用此特征可以分割图像。需要说明的是:边缘和物体间的边界并不等同,边缘指的是图像中像素的值有突变的地方,而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界,也有可能边界的地方并无边缘,因为现实世界中的物体是...原创 2019-10-15 23:00:39 · 1639 阅读 · 0 评论 -
HALCON:lines_gauss用法解析
HALCON:lines_gauss用法解析lines_gauss:检测图像中的线条及其宽度,在视觉表面检测方面应用广泛。lines_gauss(Image:Lines:Sigma,Low,High,LightDark,ExtractWidth,LineModel,CompleteJunctions:)Image:输入图像; Lines:提取出的亚像素精度线...原创 2019-10-13 22:14:31 · 3848 阅读 · 0 评论 -
HALCON:Variation Model用法解析
HALCON:Variation Model用法解析Variation Model的主要原理是将待检测的图像与一张标准图像作比较,找出待检测图像与标准图像(ideal image)的明显差异(也就是不良)。标准图像可以采用几张OK品的图像训练(training)得到,也可以通过对一张OK品图像进行处理得到。训练后得到标准图像和一张variation图像(variation image),var...原创 2019-10-13 21:46:01 · 3935 阅读 · 0 评论 -
HALCON: texture_laws用法解析
HALCON: texture_laws用法解析纹理分析是图像处理中的一种典型任务,texture_laws是Halcon中纹理分析的重要算子,其本质原理是利用不同的kernel与图像进行卷积运算,提取出图像的高频部分或低频部分。纹理(texture)由纹理单元(texel)组成,纹理单元是纹理图像中最小的重复单元,texel是纹理的基本单元。纹理分析的第一种典型应用是利用纹理滤波器对...原创 2019-10-13 21:38:11 · 6069 阅读 · 0 评论 -
Halcon和Visionpro的对比
Halcon和Visionpro的对比1. 概括的对比1.1 Halcon优势Halcon有着更加低廉的Lisence,并且提供更好、更强大的2D和3D的视觉软件库; Halcon支持的视觉图像采集设备数量是Visionpro 的5倍; 支持更多的的位深度; GPU加速; 兼容Windows、Mac OS X,&Linux以及其他几个嵌入式的平台; 持续支持COM,....原创 2019-04-21 23:33:25 · 7580 阅读 · 0 评论 -
Ubuntu18.04+Halcon18.11安装教程
Ubuntu18.04+Halcon18.11安装教程HALCON下载建议到HALCON官方下载页选择linux版本下载,压缩包名为MVTec_HALCON_Progress-18.11.0.1-linux(x64-aarch64-armv7a)-FullVersion.tar.gz。下载前需要登录HALCON帐号,如果没有请自行注册,填写一些基本信息然后激活邮件,操作方便简易。下载许...原创 2019-02-28 22:10:53 · 24760 阅读 · 0 评论