HALCON 深度学习异常检测实例

异常值检测不同于语义分割的项目，异常值检测可以仅训练OK图像，不训练NG图像，但是使用NG图像训练可以显著提高准确度异常值检测通常运用在缺陷检测的项目里面，他的特点是，可以不训练NG图，训练速度快，多特殊缺陷可以快速识别。 其次，可以针对图像中的缺陷类型不固定，缺陷区域不固定，物体大小不一等语义分割无法准确识别的缺陷。

训练使用 MVTec Deep Learning Tool 22.10 (user) 工具，最后导出推理模型.

HALCON 20.11：深度学习笔记(9)---异常检测 HALCON 20.11.0.0中，实现了深度学习方法。 本章解释了如何使用基于深度学习的异常检测。 通过异常检测，我们想要检测图像是否包含异常。异常指的是偏离常规的、未知的东西。 异常检测的例子：输入图像的每个像素都被分配了一个值，该值表明该像素是异常的可能性有多大。 蠕虫不是模型在训练中看到的无虫苹果的一部分，因此它的像素得到了更高的分数。 一个异常检测模型学习没有异常的图像的共同特征。训练后的模型将推断出输入图像只包含学习过的

拆分样本集为训练集（50%），验证集（20%），测试集（剩余的30%）*复杂度，越大准确率越高，训练时间越长，代表模型处理更复杂缺陷的能力。*标准差因子（如果缺陷很小，推荐较大值）*获得样本集DLDataset中的样本。*设置评估参数，在test集上进行评估。*图像缩放之后的大小，是32的倍数。*读取异常检测的深度学习数据集。*设置预处理参数，并进行预处理。加载预训练的模型、设置参数。*设置阈值，模型训练后得到。*设置之前定义的模型参数。（2）第二阶段：训练阶段。（3）第三阶段：评估阶段。

必须要有Good或者是OK文件夹做标注,剩下两个为逻辑异常和结构异常。已经用 DLT做好标注，训练，和评估，只需修改推理代码。点击检查选择good可以获取所有good图像的照片。> 点击创建训练点击保存更改。通过阈值可以调整判定的区间。滑动热图可以看出误判结果。设置完成后点击开始训练。

引用：https://www.cnblogs.com/xixixing/p/13156875.html 该方法属于无监督式的深度学习方法，优点： 　　1 无需标注 　　2 只训练正样本 　　3 可以在CPU下进行训练 　　4 具有较快的推断速度 适用场景：适合缺陷较为明显的项目 注意：设置的ImageWidth、ImageHeight ，以及自己采的图，尽量是32的倍数 精确率和召回率说明 召回率(recall) == 92.1%，意味着ok图中7.9%被预测为ng 精确...

【代码】halcon深度学习-异常检测。

Halcon 深度学习，分类，异常检测，对象检测，分割的hdl模型调用

【代码】halcon异常检测。

机器视觉Halcon快速调试方法-异常判断，异常显示，异常监控，异常获取方法

Halcon参考手册异常检测知识总结

halcon异常检测（try catch）资料官方文档说明程序测试三级目录 资料 官方文档说明 程序测试 try i:=0 k:=5/i catch(exception) ErrorCode:=exception[0] endtry dev_get_exception_data (exception, 'error_code', Value) 通过监控 “控制变量”，即可查看错误的具体信息 双击查看 exception，即可看到 三级目录 ...

读取模型 read_dl_model (‘E:/整条/model_final.hdl’, DLModelHandle) 设置阈值（模型训练后得到） InferenceClassificationThreshold := 0.183618 InferenceSegmentationThreshold := 0.236205 用模型中已设定的尺寸缩放 get_dl_model_param (DLModelHandle, ‘image_width’, ImageWidth) get_dl_model_param.