2D算法 Halcon GMM分类器检测网格缺陷

最新推荐文章于 2024-07-25 11:25:10 发布
最新推荐文章于 2024-07-25 11:25:10 发布
阅读量281 收藏
点赞数 3
分类专栏： Halcon 文章标签： 算法 计算机视觉 人工智能 图像处理 视觉检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37302966/article/details/140432104
版权

在这里插入图片描述
在这里插入图片描述

create_class_gmm (5, 1, [1,5], ‘spherical’, ‘normalization’, 5, 42, GMMHandle)

add_samples_image_class_gmm (ImageTexture, Rectangle, GMMHandle, 2.0)

train_class_gmm (GMMHandle, 100, 0.1, ‘training’, 0.0001, Centers, Iter)

classify_image_class_gmm (ImageTextureReduced, Correct, GMMHandle, 0.000002)

【halcon案例】novelty_detection_gmm.hdev、novelty_detection_mlp.hdev、novelty_detection_svm.hdev

MATLAB算法实战应用案例精讲-【图像处理】缺陷检测（补充篇）（附matlab实现代码）
qq_36130719的博客
12-15 5804
差异模型（Variation Model）使用标准图像与待检测图像灰度值相比较，来判断产品是否OK，适用于印刷品检测及产品表面检测。
视觉成长之路Halcon——颜色检测：GMM分类器
weixin_49326739的博客
09-21 2271
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 视觉成长之路Halcon——颜色检测：GMM分类器前言一、算子介绍二、程序总结 前言 通过系统案例学习GMM分类器在颜色识别中的应用 一、算子介绍 1、gen_rectangle1通过两个坐标生成矩形——程序中通过该算子生成矩形框区域，该区域为分类器样本。 1.1、rectangle：存放区域 1.2、Row1：左上角点X坐标 1.3、Column1：左上角点Y坐标 1.4、Row
Halcon:网格缺陷检测
yangsen001122的博客
01-06 1166
图像处理结果： 主要思想： Blob（局部二值化）+特征 Blob:使用均值滤波加动态阈值分割，选取了待测区域 特征：计算出NG区域的像素值，经过经验值的判定，选择>500像素值的区域为NG区域 dev_update_window (‘off’) *读取图像 read_image (Image, ‘plastic_mesh/plastic_mesh_01’) dev_close_window () *获取图像的大小 get_image_size (Image, Width, Height) *打开
HAlCON案例学习----背景网格产品刮伤缺陷检测
m0_68682618的博客
04-05 735
背景网格产品刮伤缺陷检测，学习资料与图片均来自网络。
halcon脚本-机器学习【SVM】
ctu_sue的博客
10-13 660
利用halcon实现基于机器学习的SVM算法的分类器实现了基于svm的分类器。
halcon实现棋盘检测
05-03
halcon实现检测围棋棋盘和棋子，并判断棋子的位置，判断棋子是否落在棋线上。
HALCON进阶指南：精通工业视觉算法的5大策略
本文系统地介绍了HALCON软件平台在视觉系统中的应用，涵盖了图像处理、视觉检测与测量以及深度学习与智能识别等多个核心领域。文章首先对HALCON进行了基础性介绍，并探讨了图像预处理、特征提取、图像匹配等关键技术...
Halcon算子解释大全
shfuif3w87dsf7的博客
09-30 2023
                                         Halcon算子解释大全 Halcon/Visionpro视频教程和资料,请访问 重码网,网址: http://www.211code.com Chapter 1 :Classification 1.1 Gaussian-Mixture-Models 1.add_sample_class_gmm 功能：把一个训...
【Halcon测量案例】：工业测量问题解决实录
![【Halcon测量案例】：工业测量问题解决实录]...通过具体的案例分析，我们深入了解了尺寸测量、表面缺陷检测和立体视觉测量等应用场景，并探讨了测量系统的部署、调试
HALCON基础教程：轻松掌握23.05版本HDevelop操作符（专家级指南）
![HALCON基础教程：轻松掌握23.05版本HDevelop操作符（专家级指南）]...第三章聚焦于图像分析与识别技术，包括边缘和轮廓检测、图像分割与区域分析、特征提取与匹配。在第四章中，本文转向三维视觉处理，介绍三维
halcon中的分类器之GMM算子全讲解
余辉亮的学习笔记
06-24 1万+
强大的Halcon的分类器有三种MLP、SVM、GMM，在这里为大家详细介绍GMM，原理的东西自己百度吧，这里主要讲GMM库怎么用，希望对大家有用 creat_class_gmm(); 含义：创建高斯混合模型； 输入参数：   NumDim：几个特征； NumClasses:样本分类个数； NumCenters:类中心的个数； CovarType:协方差矩阵（'Spherical',
Halcon机器视觉15种缺陷检测案例_9找出所有网格顶点的位置
StevenChen的博客
07-25 479
Halcon机器视觉15种缺陷检测案例_9找出所有网格顶点的位置
基于halcon的保险丝颜色识别（GMM）
qq_39467811的博客
10-20 972
GMM分类器颜色识别原图（1）训练图（2）颜色分类目标图代码结果 原图 （1）训练图 （2）颜色分类目标图 代码 dev_close_window () read_image (Image, 'color_fuses_00.png') dev_open_window_fit_image (Image, 0, 0, -1, -1, WindowHandle) *颜色类型数组 FuseColors := ['Orange','Red','Blue','Yellow','Green'] *颜色类型所对应
Halcon视觉检测——使用分类器分类
热门推荐
akadiao的博客
04-25 1万+
分类器简介 机器学习在Helcon中的一个重要应用就是用于图像分类任务。Halcon中常用的分类器有GMM（高斯混合模型）、Neural Nets（神经网络）、SVM（支持向量机）等。一般应付常见的分类问题，这些就足够了。 使用方法 一般使用过程： 创建分类器（create_class_…） 获取各个类别的特征向量 将各个类别训练样本的特征向量添加到分类器中（add_sample_c...
Halcon机器视觉-15种常用缺陷检测实例
weixin_45488182的博客
07-19 1万+
缺陷检测是一种通过计算机视觉技术来检测产品制造过程中的缺陷的方法。该技术可以检测出产品表面的缺陷，如裂纹、凹陷、划痕、气泡等，并且可以实时监测和诊断制造过程中的问题。在制造业中，机器视觉缺陷检测技术已经被广泛应用于各种产品的质量控制和检测工作中，如电子产品、汽车零部件、医疗器械等。一、Halcon 15种常用缺陷检测实例分享。11.手机摄像头图像表面的轻微缺陷检测。1.背景网格产品刮伤缺陷检测。10.皮革纹理表面缺陷检测。12.网状产品表面破损检测。3.产品表面三角缺陷检测。6.产品周围缺口检测。
HALCON示例程序classify_image_class_gmm.hdev使用GMM分类器分割彩色图片
CSDN博客
06-28 1250
HALCON示例程序classify_image_class_gmm.hdev使用GMM分类器分割彩色图片 这个例子介绍了使用GMM分类器对彩色图片进行分类的例子，选取多通道图片的感兴趣区域与背景可以对多通道图片进行快速分类。使用GMM分类器流程create_class_gmm 、add_samples_image_class_gmm 、train_class_gmm 、classify_image_class_gmm
Halcon 背景网格产品刮伤缺陷检测
钢铁男儿
07-07 345
【代码】Halcon 背景网格产品刮伤缺陷检测。
halcon系列：高斯混合模型之create_class_gmm 算子
gongdiwudu的专栏
07-10 7659
混合高斯模型是比较难以理解的数学模型；需要数学原理，其中包含多维高斯分布、EM算法原理等。本篇针对Halcon的gmm算子中，较难理解的一个算子create_class_gmm进行分解、讲解；希望将最难的那个环节功克。.........
Halcon分类----高斯混合模型GMM
手写不期而遇的博客
12-29 2785
前言 现有的图像中目标的分类常用深度学习模型处理，但是深度学习需要大量模型处理。对于明显提取的目标，常常有几个明显特征，利用这几个明显特征使用少量图片便可以完成图像目标分类工作。这里介绍使用高斯混合模型GMM处理图像。 常用算子及流程 先提取特征,提取区域特征（或者边缘，灰度特征等） *计算区域圆度 circularity(区域，圆度值) *计算区域面积 area_center(区域，面积) *将两个特征转化为一个向量中 FeatureVector:=real([Circularity,Are
halcon GMM异常值检测
最新发布
03-12
<think>嗯，用户想知道如何在Halcon中使用GMM进行异常值检测。首先，我需要回忆一下Halcon中GMM的相关函数和使用流程。根据之前提供的引用资料，Halcon的GMM主要用于分类任务，比如例程中的橘子和柠檬分类。但异常检测可能需要不同的方法，因为通常异常检测是无监督的，而分类是有监督的。不过，或许可以利用GMM的概率模型来判断样本是否为异常。 首先，用户需要了解GMM在Halcon中的基本操作步骤。根据引用[4]，使用GMM的过程包括创建模型、添加样本、训练模型和保存模型。正常分类的话需要训练多个类别，但异常检测可能只需要训练正常样本的分布，然后计算新样本的概率，低于某个阈值则视为异常。 接下来，我需要查看是否有相关的函数支持这种应用。例如，是否有函数可以获取样本的概率值。根据引用[5]，分类时可能使用概率最大的类别，所以可能有函数返回每个样本的概率值。比如classify_class_gmm可能返回概率，但需要确认参数设置。 然后，用户需要设置一个阈值来判断异常。这可能需要通过实验确定，比如在训练集上计算正常样本的概率分布，找到合适的阈值。如果测试样本的概率低于该阈值，则视为异常。 另外，引用[3]提到GMM的参数是通过EM算法优化的，可能需要足够的数据来训练模型。异常检测需要确保正常样本的数据足够覆盖其分布，否则模型可能不准确。 可能的问题：Halcon的GMM分类器是否支持单类别的训练，即只训练正常样本，然后检测异常。根据引用[4]，add_sample_class_gmm需要指定类ID，所以可能需要至少两个类别。但或许可以将异常视为另一个类别，不过这可能不符合标准的异常检测流程。 可能的解决方案：即使Halcon的GMM主要用于多分类，可以将所有训练数据视为正常类（类别1），然后创建另一个虚拟类别，但可能无法有效训练。或者，使用单类别GMM，但需要确认Halcon是否支持。如果不行，可能需要调整方法，例如计算样本的对数似然，并与训练数据的平均似然比较，设定阈值。 另外，引用[5]的例程中分类是基于不同类之间的明显区别，异常检测可能需要更细致的概率判断。可能需要调整GMM的参数，如组件数量，来更好地拟合正常数据的分布。 总结步骤可能包括：创建GMM模型，添加正常样本数据，训练模型，对新样本计算其属于正常类的概率，设定阈值判断异常。需要具体查看Halcon的函数是否支持获取概率值，以及如何设置单类别训练。</think>在Halcon中实现基于GMM的异常值检测，需结合分类器训练与概率阈值判断。以下是具体步骤和代码示例： --- ### **步骤1：创建GMM分类器** 使用`create_class_gmm`定义高斯混合模型参数： - `NumDim`：特征向量的维度（如颜色、纹理等） - `NumClasses`：异常检测通常设为**1类**（仅正常样本） - `NumCenters`：高斯分量的数量（需根据数据复杂度调整） ```python create_class_gmm(NumDim, 1, NumCenters, 'full', 'none', 0, 42, GMMHandle) ``` --- ### **步骤2：添加训练样本** 通过`add_sample_class_gmm`加载**正常样本**特征向量： ```python * 假设Features是正常样本的特征向量数组 for i := 0 to |Features| - 1 by 1 add_sample_class_gmm(GMMHandle, Features[i], 0, 0) // 类别ID固定为0（正常类） endfor ``` --- ### **步骤3：训练GMM模型** 调用`train_class_gmm`优化参数，最大化正常样本的似然概率： ```python train_class_gmm(GMMHandle, 0.001, 'training', 0.0001, 100, ClassIDs, Error) ``` --- ### **步骤4：计算测试样本概率** 使用`get_sample_class_gmm`获取测试样本的对数似然值： ```python get_sample_class_gmm(GMMHandle, TestFeature, 0, _, LogLikelihood) ``` - `LogLikelihood`值**越低**，样本偏离正常分布的可能性越大[^3] --- ### **步骤5：设定异常阈值** 通过统计正常样本的似然分布确定阈值： ```python * 计算正常样本的平均对数似然 get_sample_class_gmm(GMMHandle, TrainingFeatures, 0, _, TrainingLogLike) mean_loglike := mean(TrainingLogLike) threshold := mean_loglike - 3 * dev(TrainingLogLike) // 3σ原则 ``` --- ### **步骤6：异常判断** 比较测试样本的似然值与阈值： ```python if (LogLikelihood < threshold) * 判定为异常 endif ``` --- ### **完整代码示例** ```python * 创建GMM模型（单类别） create_class_gmm(3, 1, 5, 'full', 'none', 0, 42, GMMHandle) * 加载正常样本特征 read_image(NormalImage, 'normal.png') extract_features(NormalImage, Features) // 自定义特征提取函数 * 添加训练数据 for i := 0 to |Features| - 1 by 1 add_sample_class_gmm(GMMHandle, Features[i], 0, 0) endfor * 训练模型 train_class_gmm(GMMHandle, 0.001, 'training', 0.0001, 100, ClassIDs, Error) * 测试样本评估 read_image(TestImage, 'test.png') extract_features(TestImage, TestFeature) get_sample_class_gmm(GMMHandle, TestFeature, 0, _, LogLikelihood) * 异常判定 if (LogLikelihood < threshold) dev_display(TestImage) stop() endif ``` --- ### **关键优化点** 1. **特征选择**：需提取与异常相关的特征（如纹理、形状参数）[^5] 2. **分量数调整**：通过交叉验证选择最佳`NumCenters`，避免过拟合 3. **在线更新**：使用`write_class_gmm`保存模型，`read_class_gmm`加载以持续学习新样本[^2] ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值