Halcon利用Mlp进行零件图像分类：从读取到特征提取

在本文档中，我们探讨了如何使用Halcon机器视觉库中的多层感知器（MLP）分类器对零件进行分类。Halcon是一款强大的图像处理工具，常用于工业自动化和计算机视觉应用中。本文主要流程包括以下几个步骤： 1. **初始化开发窗口**: 首先，通过调用`dev_close_window()`关闭任何现有的窗口，并使用`dev_open_window()`创建一个新的全屏黑色窗口，设置其大小为512x512像素。 2. **设置绘图参数**: 接下来，设置了一些绘图选项，如彩色模式（使用颜色6）、边框样式（'margin'），以及线条宽度（3像素）。 3. **创建MLP分类器**: 使用`create_class_mlp()`函数创建了一个具有6输入节点、5隐藏层、3输出节点的MLP，采用softmax激活函数，同时设置了归一化选项。这个分类器结构适合多类问题，且带有3个隐藏层神经元，参数包括42个学习速率和特定的MLP句柄（MLPHandle）。 4. **图像数据预处理**: 对每个输入图像（如'm1.jpg', 'm2.jpg', 'm3.jpg', 和 'm4.jpg'）进行操作，首先读取图像，然后转换为灰度图像，以便于后续处理。接下来，使用阈值处理和连接组件分析来识别感兴趣的区域。 5. **形状选择与对象填充**: 选择面积大于2000像素且小于99999像素的形状，填充这些形状到`Objects`变量中。然后在窗口上显示这些对象，并添加样本标签，如'AddSample0'，对应类别为0或1。 6. **特征提取**: 对每个选定的对象（Region），计算其圆度（Circularity）、圆周率（Roundness）、距离（Distance）等几何特性，以及矩形不变量（PSI1, PSI2, PSI3, PSI4），这些都是用于描述物体形状和结构的重要特征。 7. **样本标注与分类**: 使用`count_obj()`函数获取`Objects`中对象的数量，然后针对每个对象执行特征提取和可能的分类。对于每个对象，选择第N个对象并执行额外的形状分析和特征计算，以便MLP进行最终的分类决策。 这篇文档展示了Halcon如何通过一个多层感知器（MLP）模型对不同类别的零件图像进行特征提取和分类。整个过程包括图像预处理、形状识别、特征计算以及基于MLP的分类，这在实际的生产线监控或产品检测场景中非常实用。