1. 课程导入与诊断思维建立

HALCON 项目从“能跑”到“稳定跑”之间，往往隔着一段很长的路。初学者最容易犯的错误，是看到结果不对就立刻改参数：阈值调一调、形态学核换一换、匹配分数降一降。参数确实变了，结果也可能“看起来好了”，但问题根源没有被定位，换一张图、换一批料、换一个光照时段，缺陷又冒出来。复杂视觉问题的诊断，本质上不是“调参”，而是建立一条从现象到根因的可验证推理链。

一、复杂视觉问题的典型表现

在 HALCON 工程中，所谓“复杂问题”通常不是单一算子报错，而是以下几类表现交织出现：

• 结果不稳定：同一批工件，A 图能检出、B 图漏检，或同一图重复运行结果偶发跳变。常见于阈值分割、边缘提取、模板匹配等对光照和噪声敏感的环节。
• 精度不达标：能检出但位置偏差大、尺寸测量重复性差。例如卡尺测量重复性标准差达到 0.08 pixel，而工艺要求 0.02 pixel。
• 速度不达标：单帧耗时 320 ms，节拍要求 80 ms。瓶颈可能在某算子、某 ROI 过大、或图像采集与处理未并行。
• 误检与漏检并存：降低阈值减少漏检，却引入大量误检，说明特征本身区分度不足，而非阈值问题。
• 换型即失效：新产品、新批次、新光照条件下算法崩溃，说明算法过度依赖当前样本的偶然特征。

这些表现的共同点是：它们都是“症状”，不是“病因”。诊断思维的第一步，就是拒绝把症状当病因处理。

二、诊断流程框架：从现象到根因

一个可复用的 HALCON 诊断流程，应当把问题分层定位。视觉系统的数据流是：光照与成像 → 采集与传输 → 预处理 → 特征提取 → 决策与输出。任何一层异常，都会在下游表现为“结果不对”。因此诊断必须逆流而上，先确认下游输入是否可信，再逐层回溯。

具体做法是：先固定输入，再隔离变量。例如怀疑匹配不稳定，不要直接改匹配参数，而是先把同一张图反复读入、反复执行同一段算子，确认结果是否可复现。若同一输入结果都不同，问题在算法内部（如随机初始化、并行竞争、未定义区域）；若同一输入结果一致、换图才异常，问题在成像或样本本身。这一步能把“算法问题”和“数据问题”彻底分开，是诊断效率的关键分水岭。

三、优化目标定义：把“好一点”变成可验收指标

诊断之后必须定义优化目标，否则“优化”没有终点。HALCON 项目中，目标应尽量量化到可测量、可复现的指标。常见的四类指标是：

指标之间往往互相牵制。提高匹配分数阈值可降低误检，却可能抬高漏检；缩小 ROI 可提速，却可能切掉目标边缘。因此优化目标必须排优先级：先满足工艺硬约束（如漏检率），再在剩余空间里优化速度与鲁棒性。把优先级写进验收标准，才能避免“改到哪算哪”。

四、评估指标选择：选对指标比调对参数更重要

指标选择要匹配问题类型。若目标是“找缺陷”，核心指标是漏检率与误检率的平衡，可用 ROC 曲线或 PR 曲线观察阈值移动带来的整体变化；若目标是“测尺寸”，核心指标是重复性与偏差，应固定同一工件多次测量，统计标准差与均值偏移；若目标是“定位”，核心指标是位置误差分布，而非单次最大误差。

一个常被忽略的细节是测试集代表性。如果测试图全部来自同一光照、同一批次，指标再漂亮也不能说明鲁棒性。合理的做法是：把数据按“批次/光照/型号”分组，分别统计指标，并单独保留一组从未参与调参的“盲测集”。只有盲测集上的指标，才接近真实产线表现。