Halcon Variation_model 详解

介绍

使用Halcon 的差异模型进行检测，主要分为下面的四个步骤:

• create_shape_model 创建检测的区域匹配模板
  注: 这里使用形状匹配模板，当然也可以通过其它的匹配算法实现

• create_variation_model 创建差异模型

• rain_variation_model 训练正常图像

• prepare_variation_model 检测前配置差异模型的参数

• find_shape_model 查找图像中的匹配模板
  注: 这里匹配的算法和模型需要保持一直, 如形状匹配模板对应形状匹配算法

• 找到匹配的结果，通过仿射变换，抠图出匹配的那部分图像，用于差分检测

  • vector_angle_to_rigid
  • affine_trans_image
  • reduce_domain

• compare_variation_model 进行匹配区域和训练模板的一个差分处理，找到差异部分

• 后面的步骤主要是进行差异的特征过滤筛选，判定图像是否存在缺陷。

create_variation_model 说明

Type参数指定要创建的模型类型。例如，Type可以是"svm"、"knn"、"random_forest"等等。不同的模型类型适用于不同的问题和数据集。
Mode参数指定模型的训练模式。例如，Mode可以是"standard"、"incremental"或"online"。不同的训练模式适用于不同的数据集和计算资源。

模型的训练模式可以分为三种：标准模式（standard）、增量模式（incremental）和在线模式（online）。
标准模式是指在训练过程中，将所有的训练数据一次性输入模型进行训练。这种模式适用于数据量较小的情况，因为需要将所有数据都加载到内存中，所以可能会导致内存不足的问题。
增量模式是指在训练过程中，将数据分批次输入模型进行训练。每次输入一批数据，模型就会更新一次参数。这种模式适用于数据量较大的情况，因为可以避免将所有数据都加载到内存中，同时还可以在训练过程中动态地添加新的数据。
在线模式是指在训练过程中，将数据逐个输入模型进行训练。每输入一个数据，模型就会更新一次参数。这种模式适用于数据量非常大的情况，因为可以避免将所有数据都加载到内存中，同时还可以在训练过程中动态地添加新的数据。
总之，标准模式适用于数据量较小的情况，增量模式适用于数据量较大的情况，而在线模式适用于数据量非常大的情况。

train_variation_model 说明

训练差异模型可以得到差异模型的ID

prepare_variation_model 说明

在 prepare_variation_model 算子中，AbsThreshold 和 VarThreshold 是用于控制特征点筛选的参数。
AbsThreshold 是一个绝对阈值，用于筛选特征点。如果特征点的灰度值差异小于 AbsThreshold，则该特征点将被过滤掉。AbsThreshold 越大，筛选出的特征点越少。
VarThreshold 是一个相对阈值，用于筛选特征点。VarThreshold 的值越大，筛选出的特征点越少。VarThreshold 的计算方式为：VarThreshold = MeanGrayValue * VarThresholdFactor，其中 MeanGrayValue 是特征点周围像素的平均灰度值，VarThresholdFactor 是一个用户定义的参数，通常取值在 0.1 到 0.5 之间。
需要注意的是，AbsThreshold 和 VarThreshold 是互相独立的参数，它们都可以用于控制特征点的筛选。在实际应用中，可以根据具体情况选择合适的参数值，以达到最佳的特征点筛选效果。

compare_variation_model 说明

将检测区域和差异模型输入，得到的就是与标准模型不同的区域