4. HALCON深度学习模型选型与检测任务映射

在HALCON深度学习平台中，模型选型不是先挑网络结构，而是先把检测任务定义清楚。HALCON把工业视觉中常见的深度学习任务划分为四类：分类（Classification）、目标检测（Object Detection）、语义分割（Semantic Segmentation）和异常检测（Anomaly Detection）。这四类任务对应不同的标注方式、不同的推理输出、不同的评价指标，也对应不同的HALCON算子族。选错任务类型，往往不是精度差一点，而是整个数据标注和部署链路都要推倒重来。

四类任务的本质区别

分类回答的是“这张图整体是什么”。输入是一整幅图像，输出是一个类别标签和对应的置信度。它不关心目标在哪里、有几个。典型场景是表面缺陷的有无判断、产品等级分选、字符整体识别前的粗分类。HALCON中分类任务的核心算子包括 read_dl_classifier、apply_dl_classifier，训练侧使用 train_dl_classifier_batch，数据准备依赖 read_dl_classifier_data_set 或自定义的 DlClassifierSample 数据结构。

目标检测回答的是“有什么、在哪里”。输出是一组边界框，每个框带类别和置信度。它适合目标数量可变、位置需要定位的场景，例如零件计数、装配缺失检测、多类缺陷定位。HALCON中检测任务使用 read_dl_model 加载检测模型，推理用 apply_dl_model，后处理用 gen_dl_model_bbox_结果 一类的算子把网络输出转成可用的矩形框，训练侧使用 train_dl_model_batch。

语义分割回答的是“每个像素属于什么”。输出是与原图同尺寸的类别图，每个像素有一个类别标签。它适合缺陷区域需要精确轮廓、面积测量的场景，例如划痕、脏污、涂覆不均的区域提取。HALCON中分割任务同样走 read_dl_model 与 apply_dl_model，但输出是分割图，后处理常用 threshold、connection、select_shape 等传统算子把类别图转成区域并测量。

异常检测回答的是“这张图和正常样本比，哪里不对劲”。它只需要正常样本训练，输出异常分数或异常热力图。它适合缺陷形态无法穷举、正样本充足而负样本稀少的场景，例如新产品导入初期、罕见缺陷检测。HALCON中异常检测使用 read_dl_model 加载异常检测模型，推理后得到异常分数图，再用阈值提取异常区域。

任务映射与算子对应关系

下面这张图把四类任务的输入、输出、标注方式、HALCON算子族和典型场景放在同一张关系图中，便于在项目启动时快速定位。

选型时最容易踩的三个坑

第一个坑：用分类做定位。如果产线上需要知道缺陷在图像中的位置，分类只能给出“有缺陷”的结论，无法给出坐标。此时应选目标检测或语义分割。判断标准很简单：下游是否需要坐标、面积或轮廓。需要矩形框选检测，需要像素级轮廓选分割。

第二个坑：用检测做像素级测量。目标检测输出的是矩形框，框内包含背景像素。如果缺陷面积只有几个像素宽，或者需要计算缺陷的实际面积，矩形框的精度不够。此时应选语义分割，输出像素级类别图后再用 connection 和 select_shape 提取区域并计算面积。

第三个坑：负样本不足时硬做分类或检测。分类和检测都需要正负样本均衡。如果某类缺陷一年只出现几次，收集足够负样本不现实。此时异常检测是更务实的选择：只用正常样本训练，推理时输出异常分数，再用阈值判断。代价是异常检测通常无法区分缺陷的具体类别，只能回答“异常/正常”。

一个可执行的选型判断流程

实际项目中，可以按下面的顺序快速收敛：

1. 先问“输出需要什么”。只需要整体标签 → 分类；需要位置框 → 检测；需要像素轮廓 → 分割；只需要异常有无 → 异常检测。
2. 再问“标注成本能否承受”。分类标注最便宜，检测次之，分割最贵。异常检测只需正常样本，标注成本最低。
3. 再问“缺陷形态是否可穷举”。可穷举 → 分类/检测/分割；不可穷举或样本极少 → 异常检测。
4. 最后问“节拍和硬件是否满足”。分割模型通常比分类模型大，推理更慢；检测模型介于两者之间。需要在精度和速度之间做权衡。

算子对应关系速查

需要特别说明的是，HALCON的深度学习算子在不同版本中命名和参数会有差异。分类任务早期使用 DlClassifier 系列算子，较新版本逐步统一到 DlModel 体系。实际开发时应以当前安装版本的算子文档为准，不要凭记忆硬写算子名。选型阶段先把任务类型定下来，再查对应版本的算子接口，比先背算子再套任务要可靠得多。

总结来说，HALCON四类深度学习任务的选型逻辑可以压缩成一句话：看输出、看标注、看样本、看节拍。输出决定任务类型，标注决定成本，样本决定可行性，节拍决定模型规模。把这四个问题在项目启动时回答清楚，后续的算子选择、数据准备和部署方案都会顺理成章。