企业官网建设流程全解析

1. Halcon深度学习分类模型到底是个什么东西

1.1 从产线质检的痛点说起

我在做视觉项目这些年，被问得最多的问题之一就是：“Halcon里那个深度学习分类，到底跟OpenCV那一套有什么区别？”要回答这个问题，得先回到实际产线上。传统视觉做缺陷检测，基本靠特征工程——边缘、灰度、纹理、面积、圆度，一堆算子叠起来，阈值调得人头皮发麻。产品换一批、光照变一点、来料批次有差异，整套参数就得重调。我见过一条线，工程师为了一个划痕检测，调了三天阈值，结果换了个供应商的料，全部推倒重来。

Halcon的深度学习分类模型，本质上就是来解决这类“规则写不清楚、但人眼一看就知道”的问题。它不需要你告诉它“划痕是灰度低于多少、长度大于多少像素”，你只需要给它一堆标注好的图片，告诉它“这张是OK，那张是NG”，它自己从像素里学出判别边界。Halcon把这件事封装成了几个算子，配合它自带的标注工具和训练引擎，让一个没写过PyTorch的视觉工程师也能跑通整套流程。

这里要区分清楚：Halcon的深度学习模块分三大类——分类（Classification）、目标检测（Detection）、语义分割（Segmentation）。分类模型解决的是“这张图整体属于哪一类”的问题，比如整张图是良品还是不良品、这个零件是A型号还是B型号。它不告诉你缺陷在哪，只给一个类别标签和置信度。目标检测会框出位置，语义分割会标出每个像素的类别。很多人一上来就想做检测，结果发现标注成本高、训练周期长，其实如果只是判断“有没有问题”，分类模型往往是最快落地的方案。

1.2 分类模型在Halcon里的技术底座

Halcon的深度学习分类模型，底层用的是卷积神经网络（CNN）。具体来说，Halcon提供了几种预置网络结构，比如pretrained_dl_classifier_compact.hdl、pretrained_dl_classifier_enhanced.hdl、pretrained_dl_classifier_advanced.hdl等。这些网络在ImageNet上做过预训练，你拿过来做迁移学习，用自己少量的行业图片微调就能达到不错的效果。

为什么用预训练模型而不是从零训练？因为工业场景的标注数据通常很少。一条产线一天可能就攒几百张图，其中NG样本更少。从零训练一个CNN，几千张图都不一定收敛。迁移学习的逻辑是：网络的前几层已经学会了提取边缘、纹理、颜色这些通用特征，你只需要让它学会“在这个场景下，什么样的纹理组合代表NG”。这就像招一个已经会画画的人来学画电路板，比教一个完全不会画画的人快得多。

Halcon的create_dl_classifier算子就是用来创建分类模型的。你需要指定Backbone（骨干网络）和NumClasses（类别数）。比如：

create_dl_classifier ('pretrained_dl_classifier_enhanced.hdl', 2, 'my_classifier', DLClassifierHandle)

这行代码创建了一个二分类模型，用的是增强版预训练网络。2就是类别数，比如OK和NG。my_classifier是你给模型起的名字，后面保存和加载都用它。

1.3 分类模型适合谁、不适合谁

分类模型最适合的场景是：整图判别、缺陷类型单一或不需要定位、标注成本敏感、产线节拍要求高。比如注塑件的缺料检测、印刷品的整版字符识别、食品包装的封口完整性判断。这些场景下，你只需要知道“这张图行不行”，不需要知道“哪里不行”。

不适合的场景也很明确：需要输出缺陷坐标、需要区分多个缺陷实例、需要像素级轮廓。这些得用检测或分割模型。我见过有人硬拿分类模型去做“找出图里所有划痕”，结果只能得到“这张图有划痕”的结论，定位还得靠传统算子补，反而更麻烦。

还有一个容易被忽略的点：分类模型对图像采集一致性要求很高。训练时的光照、焦距、工件姿态，推理时必须保持一致。如果训练用的是正面打光，推理时换成侧面打光，准确率会断崖式下跌。这不是模型的问题，是数据分布变了。所以做分类项目，第一步永远是先把成像方案定死，再谈训练。

2. 训练一个Halcon分类模型的完整思路拆解

2.1 数据准备：标注比训练更耗精力

Halcon分类模型的数据准备，核心是文件夹结构。它不像检测模型需要XML或JSON标注文件，分类模型只认文件夹名。你建一个数据集根目录，下面按类别建子文件夹，每个子文件夹里放对应类别的图片。比如：

dataset/ ├── ok/ │ ├── 001.png │ ├── 002.png │ └── ... └── ng/ ├── 001.png ├── 002.png └── ...

文件夹名就是类别名，Halcon读取时会自动映射成类别索引。这里有个坑：类别名不要用中文，也不要用特殊字符。我试过用“良品”“不良品”做文件夹名，read_dl_classifier_data读出来是乱码，后面标签全错。老老实实用英文或拼音，省事。

每个类别需要多少张图？官方文档说每类至少几十张，但实际项目里，我建议每类至少200张起步，NG类尽量多。因为产线上NG是少数，你攒数据时往往OK一大堆、NG没几张。这时候要么主动去制造NG（比如人为划伤、缺料），要么用数据增强。Halcon自带增强算子，比如augment_dl_samples，可以旋转、缩放、加噪声、调亮度。但增强不能替代真实样本，它只是让模型对轻微变化更鲁棒。

还有一个关键点：训练集、验证集、测试集要分开。Halcon的read_dl_classifier_data可以按比例拆分，比如70%训练、15%验证、15%测试。验证集用来监控训练过程是否过拟合，测试集用来最终评估。千万别拿训练集当测试集，那样准确率虚高，上线就翻车。

2.2 网络选型：Compact、Enhanced还是Advanced

Halcon提供三种预训练分类网络，选哪个取决于你的数据量、类别数、精度要求、推理速度要求。我整理了一个对比表：

我的经验是：二分类、缺陷明显、节拍要求高，选Compact；多分类、缺陷细微、有GPU，选Enhanced或Advanced。别一上来就Advanced，训练慢、推理慢，产线等不起。我做过一个连接器引脚检测，二分类，Compact网络训练20轮就到99.2%准确率，推理单张图3毫秒，完全够用。

另外，Halcon 20.11之后的版本支持自定义骨干网络，但需要你自己用其他框架训练好再转成HDL格式。这条路我没走过，因为Halcon自带的三个网络已经覆盖了大部分场景，没必要折腾。

2.3 训练参数：轮数、学习率、批量大小的取舍

Halcon分类模型的训练参数主要在train_dl_classifier算子里设置。关键参数有：

• NumEpochs：训练轮数。太少欠拟合，太多过拟合。我一般从20轮开始，看验证集准确率曲线，如果还在涨就加到50轮，如果震荡就减。
• LearningRate：学习率。默认0.001，如果损失不下降就调小到0.0001，如果下降太慢就调到0.01。但别太大，否则震荡不收敛。
• BatchSize：批量大小。受显存限制，一般设8、16、32。显存不够就调小，但太小会导致梯度不稳定。
• WeightPrior：权重先验，相当于正则化。默认0.0001，过拟合时调大到0.001。

这些参数没有万能公式，得根据验证集表现调。我习惯先跑一组默认参数，看训练日志里的损失和准确率，再针对性调整。Halcon的训练日志会输出每轮的loss和accuracy，你可以在HDevelop的变量窗口里看，也可以存成文件画曲线。

注意：训练时一定要开GPU。Halcon的深度学习训练在CPU上慢到怀疑人生，一张图几秒钟，几千张图要跑几天。用NVIDIA显卡，装好对应版本的CUDA和cuDNN，Halcon会自动调用。我试过用CPU训练一个二分类模型，200张图跑了6小时，换GPU后10分钟搞定。

3. 手把手实操：从零训练一个Halcon分类模型

3.1 环境确认与License检查

动手之前，先确认两件事：Halcon版本和License。深度学习模块需要单独的License授权，不是所有Halcon License都包含。你可以在HDevelop里执行get_system ('dl_device', Device)，如果返回'gpu'或'cpu'，说明深度学习可用；如果报错，就是License没授权。

Halcon 23.11是目前比较稳定的版本，深度学习算子比较全。老版本比如18.11也有，但网络结构和算子有差异。我建议用20.11之后的版本，支持train_dl_classifier的增量训练和更细的参数控制。

CUDA版本要和Halcon版本匹配。比如Halcon 23.11一般配CUDA 11.x。装完CUDA后，在HDevelop里执行get_system ('cuda_version', CudaVersion)确认。如果显示为空，说明CUDA没装好或版本不对。

3.2 数据集读取与预处理

假设你已经按文件夹结构准备好了数据，路径是D:/dataset。读取数据的代码：

read_dl_classifier_data ('D:/dataset', 'my_classifier', DLDataset)

这行代码会扫描D:/dataset下的所有子文件夹，把文件夹名作为类别名，图片路径和标签存到DLDataset字典里。你可以用get_dict_param查看类别数和每类样本数：

get_dict_param (DLDataset, 'class_names', ClassNames) get_dict_param (DLDataset, 'num_samples', NumSamples)

如果发现某类样本太少，可以用augment_dl_samples做增强：

augment_dl_samples (DLDataset, 'rotation', [-10, 10], AugmentedDataset)

这会把每张图旋转-10到10度，生成额外样本。但注意，增强后的样本要重新拆分训练集和验证集，别让增强样本混进测试集。

3.3 模型创建与训练

创建模型：

create_dl_classifier ('pretrained_dl_classifier_enhanced.hdl', 2, 'my_classifier', DLClassifierHandle)

设置训练参数：

set_dl_classifier_param (DLClassifierHandle, 'batch_size', 16) set_dl_classifier_param (DLClassifierHandle, 'learning_rate', 0.001) set_dl_classifier_param (DLClassifierHandle, 'num_epochs', 30) set_dl_classifier_param (DLClassifierHandle, 'weight_prior', 0.0001)

开始训练：

train_dl_classifier (DLDataset, DLClassifierHandle, [], [], [])

训练过程中，Halcon会输出每轮的损失和准确率。你可以用get_dl_classifier_param实时查看：

get_dl_classifier_param (DLClassifierHandle, 'loss', Loss) get_dl_classifier_param (DLClassifierHandle, 'accuracy', Accuracy)

训练完成后，保存模型：

write_dl_classifier (DLClassifierHandle, 'my_classifier.hdl')

下次用的时候直接read_dl_classifier加载，不用重新训练。

3.4 模型评估与推理

评估模型在测试集上的表现：

evaluate_dl_classifier (DLDataset, DLClassifierHandle, 'test', EvaluationResult)

EvaluationResult里包含混淆矩阵、准确率、召回率等指标。重点看混淆矩阵：如果OK被误判成NG多，说明模型太激进；如果NG被误判成OK多，说明模型太保守。根据业务需求调整阈值。

推理单张图：

read_image (Image, 'test.png') apply_dl_classifier (Image, DLClassifierHandle, DLClassifierResult) get_dl_classifier_result (DLClassifierResult, 'predicted_class', PredictedClass) get_dl_classifier_result (DLClassifierResult, 'confidence', Confidence)

PredictedClass是预测类别名，Confidence是置信度。我一般设一个阈值，比如置信度低于0.8就转人工复检，避免误判。

4. 踩坑实录：Halcon分类模型常见问题与排查

4.1 训练不收敛、准确率上不去

这是最常见的问题。原因通常有三个：数据量太少、标注错误、学习率不当。先检查数据：每类是不是只有几十张？NG样本是不是和OK长得太像？我遇到过一次，NG文件夹里混了几张OK图，模型怎么训都只有70%准确率，后来把错标图挑出来，直接跳到95%。

学习率方面，如果损失曲线一直震荡，把学习率调小10倍；如果损失下降极慢，调大10倍。Halcon默认0.001，但不同数据集差异很大。我试过一个小数据集，0.001太大，调到0.0001才收敛。

还有一个隐藏坑：图像尺寸不一致。Halcon分类模型要求输入图像尺寸固定，如果你训练时图片是640x480，推理时来了1280x960，会报错或自动缩放导致精度下降。最好在预处理阶段统一zoom_image_size到网络要求的尺寸。Enhanced网络一般要求224x224或320x320，具体看文档。

4.2 过拟合：训练集准、测试集崩

过拟合的典型表现是训练集准确率99%，测试集只有80%。解决办法：增加数据增强、调大WeightPrior、减少网络复杂度、早停。我一般先加增强，旋转、缩放、亮度变化都加上；如果还过拟合，把WeightPrior从0.0001调到0.001；再不行就换Compact网络，参数少，不容易过拟合。

早停也很实用。Halcon没有内置早停，但你可以每轮训练后手动评估验证集，如果连续5轮验证集准确率不涨，就停止训练。我写过一个循环，用train_dl_classifier的增量训练模式，每轮保存模型，最后挑验证集最好的那个。

4.3 推理速度慢、产线等不起

推理速度取决于网络类型、图像尺寸、GPU性能。Compact网络在GTX 1660上单张图2-3毫秒，Enhanced大概5-8毫秒，Advanced可能15-20毫秒。如果产线节拍是100毫秒，Enhanced完全够用。如果不够，换Compact，或者把图像尺寸从320x320降到224x224。

还有一个优化点：批量推理。Halcon支持一次传多张图，apply_dl_classifier可以接受图像数组，批量推理比单张循环快很多。我做过测试，批量16张比单张循环快3倍。

4.4 常见问题速查表

5. 几个让项目少走弯路的实操心得

5.1 数据采集阶段就要考虑训练需求

很多项目失败不是模型不行，是数据不行。我在做第一个Halcon分类项目时，拿产线随手拍的图去训练，结果发现光照忽明忽暗、工件姿态五花八门，模型根本学不到稳定特征。后来重新搭了成像棚，固定光源、固定焦距、固定工件位置，再采集数据，准确率直接从75%跳到98%。

所以我的建议是：先定成像方案，再采数据，最后训练。成像方案包括光源类型（环形光、条形光、同轴光）、相机参数（曝光、增益）、工件夹具。这些定死了，数据分布才稳定，模型才学得准。

5.2 类别不平衡的处理技巧

产线上NG样本天然少，OK和NG可能1:100。这种不平衡数据直接训练，模型会倾向于把一切都判成OK，因为这样准确率也有99%。解决办法：过采样NG、欠采样OK、加权损失。Halcon的train_dl_classifier支持类别权重，你可以给NG类设更高的权重，让模型更关注NG。

我一般用组合拳：先把NG过采样到OK的1/3，再设类别权重，最后看混淆矩阵调阈值。这样既能保证NG召回率，又不会让OK误判太多。

5.3 模型迭代与版本管理

分类模型不是训一次就完事。产线换料、换批次、换季节，数据分布都会变。我习惯每月用新数据微调一次模型，保留旧模型作为备份。Halcon支持增量训练，加载已有模型继续训，不用从头来。

版本管理方面，我建了一个文件夹，按日期存模型文件，比如model_20240115.hdl、model_20240215.hdl。每次上线新模型前，用测试集跑一遍，对比新旧模型的准确率和召回率，确认有提升再切换。别直接覆盖旧模型，万一新模型翻车，还能回滚。

5.4 与传统视觉的配合使用

分类模型不是万能的。有些场景下，传统算子反而更稳。比如尺寸测量、圆度检测、直线拟合，这些有明确几何定义的任务，用Halcon的measure_pos、fit_circle、fit_line比深度学习准得多，而且可解释性强。我通常把分类模型和传统算子串起来用：先用传统算子做定位和ROI提取，再用分类模型做ROI内的缺陷判别。这样既利用了深度学习的泛化能力，又保留了传统视觉的精度和速度。

提示：Halcon的apply_dl_classifier可以只对ROI区域推理，不用整图跑。先用reduce_domain把ROI抠出来，再传给分类模型，能显著减少计算量。

5.5 关于Halcon版本和License的提醒

Halcon的深度学习模块对版本和License比较敏感。我遇到过用23.11训练的模型，在20.11上加载报错，因为网络结构不兼容。所以训练和推理最好用同一版本。如果产线部署的是老版本，训练时就用老版本，别用新版本训完再降级。

License方面，深度学习授权分训练和推理两种。有些License只允许推理，不允许训练。你可以在HDevelop里执行get_system ('dl_license', LicenseType)查看。如果只有推理授权，训练就得换机器或升级License。

最后分享一个小技巧：Halcon的深度学习模型文件（.hdl）本质是个压缩包，你可以用解压工具打开，里面是网络结构和权重文件。有时候模型加载报错，解压看看文件是否完整，能快速定位是文件损坏还是版本不兼容。这个技巧官方文档没写，是我踩坑踩出来的。