halcon多层感知器MLP的使用

step1：准备数据

在图像选择区域作为训练集，可以是矩形，也可以是任意形状的区域。

step2：创建一个MLP

step3：添加训练数据

step4：查看训练样本数量（非必须）

step5：训练

step6：映射颜色表

step7：使用

step8：看效果

参考：classify_image_class_luthdev，texture_laws_mlphdev，segment_citrus_fruitshdev

参考：create_class_mlp (Operator)

1、将MLP模型写入文件

write_class_mlp( : : MLPHandle, FileName : )

2、从文件中读入一个MLP模型

read_class_mlp( : : FileName : MLPHandle)

3、清除MLP

clear_class_mlp( : : MLPHandle : )

halcon摄像机初始参数设置

StartCamParam (input_control)数阵-> (实数/整数) Camer type 为: 'area_scan_division' 'area_scan_polynomial,

Halcon对三角形进行开运算的算子是"opening_shape"。它可以对二值图像中的三角形进行开运算 *** 作，即先进行腐蚀 *** 作，再进行膨胀 *** 作，用于去除小的噪点和连接不完整的三角形。

对于规则形状的识别，可以使用不同的特征值来描述不同的形状。对于圆形，可以使用圆形度（circularity）作为特征值，圆形度定义为轮廓面积除以其最小外接圆面积。而对于三角形，可以使用诸如边长、内角、周长、面积等特征值来描述。Halcon中可以使用函数"shape_features"来计算形状的特征值，该函数可以计算诸如面积、周长、中心、方向、最小外接矩形等多种特征值。

最近看到一个例子，来自一个论坛，提问者想要计算图中木头的数量，悬赏了分值但是没人回复，我看到的时候这帖子已经过去好几年了。作为一个肤浅的初学者，我觉得这问题很有趣，所以打算从这个例子入手，研究下Halcon中的图像处理。

首先，从二值化开始，这张图在刚开始二值化之后出现一些问题。阈值设的高了，会弱化边角一些木头的局部区域，设的低了，会造成一些粘连。而且图像中还有一些干扰。如何在保留边角局部信息的情况下尽可能的防止粘连，是个问题。

结合这个问题，我的思路是分两步走。先把边角一些小的木头区域提取出来，再专门解决粘连的问题，问题得到了解决。

区分大小的依据主要是面积，在做了一些基本的预处理之后，可以把较小的一部分区域图像，如靠近四个边的部分木头，先分割出来了。这个过程中，需要对木头边缘做一些处理，去掉外圈的树皮，和一些干扰的区域，提取出木头截面的大块部分。

得到下图：

这一步就比较简单了，没有小面积区域的顾虑，可以做下腐蚀，让边缘更加清晰。这样就分割开来了。

把上一部分割出的大小区域分别合并，即得到木头的总数了。

btw：这个例子我也做过分水岭算法的测试，但是效果不尽如人意，主要是分割出来的区域太多了，比如图中那片白色的干扰物、右小方的竹棍等，也分割出来了。而边角一些木头的边缘区域又很难顾及到。也可能是参数设置的不够好，所以这个算法我还在研究。

以上是我自己的一些浅薄的思路，希望随着学习的深入，能发现更好的方式。

在上一步，完成了网络的创建和数据的预处理。接下来准备对这个网络进行训练，通过训练得到一个可以用于目标检测的深度学习网络模型。这里首先要确定上一步输出的模型和数据集的存放路径是可用的，否则训练环节会因为缺少输入而报错。

Halcon的参考样例detect_pills_deep_learning_2_trainhdev详述了这一过程，这里做一些学习记录。

设置输入路径，主要是两个，一是上一步的预训练的以hdl结尾的模型，另一个是数据集和样本数据字典的存放路径。

输出路径也是两个，一是存放最佳评估模型的路径，一个是最终训练完成的模型路径。

首先用check_files_availability验证预处理模型和数据集路径是否正确。没有问题的话可以开始读取。

使用read_dl_model读取前一步初始化后的网络模型，得到模型的句柄DLModelHandle。

接着用read_dict读取预处理后的数据集，得到数据字典句柄DLDataset。

设置模型参数主要通过set_dl_model_param算子，以修改属性值的方式改变关键参数的值。该算子原型如下：

set_dl_model_param( : : DLModelHandle, GenParamName, GenParamValue : )

输入三个参数：

注意，如果将'runtime'的值改为了’gpu’，则要确定cuDNN和cuBLAS已经成功安装了。

通过set_dl_model_param算子，可以将本文开头提到的设置的模型的基本参数传递给模型句柄DLModelHandle。如将'batch_size'设为之前的batch_size的值等等。

1）创建训练参数。

这里使用create_dl_train_param算子创建一个训练参数的字典，用于存放训练参数和训练效果可视化的参数。这些参数可以做个说明：

2）训练网络

接下来是最耗时的部分，即使用train_dl_model算子进行深度学习网络模型的训练。算子如下：

train_dl_model( : : DLDataset, DLModelHandle, TrainParam, StartEpoch : TrainResults, TrainInfos,EvaluationInfos)

前四个参数是输入参数，后三个是输出参数。

接着到了第三步，即验证模型的部分。

以上就是关于halcon多层感知器MLP的使用全部的内容，包括:halcon多层感知器MLP的使用、Halcon中提取二维码的参数有哪些、halcon对三角形进行开运算的算子是什么，对规则形状进行识别，圆用圆形度，三角形应该用什么特征值等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！