在工业质检领域，金属工件表面缺陷检测一直是个难点。传统方法依赖阈值分割和形态学处理，但在实际产线中常常遇到各种挑战。今天就来分享一下我们用Halcon实现高效缺陷检测的实战经验。

传统方法的局限性

先说说为什么需要引入深度学习。我们之前用传统方法检测金属划伤时，遇到了几个棘手问题：

• 金属表面反光导致阈值分割不稳定，同一位置在不同光照下可能被误判
• 微小划伤（<0.1mm）在形态学处理时容易被平滑掉
• 需要针对每种新产品重新调整参数，调试周期长达2-3天

技术方案选型

我们对比了Halcon支持的几种机器学习方法在测试集上的表现：

| 方法 | F1-score | 单图推理耗时(ms) | |------------|----------|------------------| | SVM | 0.82 | 15 | | MLP | 0.86 | 22 | | CNN(自定义)| 0.93 | 28 | | ResNet18 | 0.95 | 35 |

最终选择了在精度和速度间平衡较好的ResNet18架构。

核心实现步骤

1. 模型创建与训练

# 创建深度学习模型
dev_set_check('~give_error')
read_dl_model('pretrained_resnet18.hdl', DLModelHandle)
set_dl_model_param(DLModelHandle, 'image_dimensions', [512, 512, 3])

# 数据增强配置
augment_params = dict([
    'rotation', 'true',
    'mirror', 'true',
    'contrast', [0.7, 1.3]
])
create_dict(GenParam)
set_dict_tuple(GenParam, 'augmentation', augment_params)

1. 关键预处理技巧

针对金属反光问题，我们开发了特殊的光照补偿方案：

# 非均匀光照补偿
get_image_size(Image, Width, Height)
gen_contour_region_xld(Image, Region, 'margin')
reduce_domain(Image, Region, ImageReduced)
emphasize(ImageReduced, ImageEmphasize, Width/10, Height/10, 1.0)

性能优化实战

通过以下方法将处理速度提升3倍：

1. 开启算子并行

set_system('parallelize_operators', 'true')
set_system('parallelize_operators_num', 4)  # 根据CPU核心数调整

1. 内存管理技巧

2. 及时释放中间变量：clear_obj(Region)

3. 使用inspect_shape_mode减少高分辨率图像内存占用
4. 分块处理超大图像

避坑经验分享

数据标注技巧

• 对于模糊边缘缺陷，标注时保留2-3像素过渡区
• 使用paint_region工具时设置合适的笔刷硬度
• 对每个缺陷类别至少准备200个样本

产线集成要点

1. 相机触发方案：
2. 硬件触发信号通过PLC同步
3. 使用grab_image_async实现连续采集
4. 部署checklist：
5. 检查光照稳定性（建议<5%波动）
6. 固定相机焦距和光圈
7. 建立标准测试件用于日常校准

效果验证

最终模型在测试集上达到： - 准确率：96.7% - 召回率：94.8% - 单图处理时间：≤50ms（满足产线60ms节拍要求）

开放讨论

在实际产线部署时，我们发现精度和速度需要动态平衡。比如： - 正常生产时可采用快速推理模式（牺牲2%精度换取30%速度提升） - 抽检时可启用高精度模式

大家在实际项目中是如何处理这个平衡问题的？欢迎在评论区分享经验。