《Halcon深度学习语义分割实战指南》

4. Halcon深度学习架构概览：功能模块、网络类型与工作流程

在开始编写第一行语义分割代码之前，我们必须先建立对 Halcon 深度学习架构的整体认知。Halcon 的深度学习能力并非一个孤立的“黑盒”，而是一套与经典机器视觉方法深度耦合的工程化体系。本章将系统梳理 Halcon 中深度学习模块的功能边界、支持的网络类型，以及从数据准备到模型部署的完整工作流程。理解这一架构，能帮助你在实际项目中避免“模型训练成功但无法落地”的常见困境。

4.1 深度学习模块的功能定位：不是替代，而是增强

Halcon 自 19.11 版本起将深度学习功能集成到主发行版中，其核心设计理念是：深度学习是经典视觉算法的补充，而非替代品。在 Halcon 中，深度学习模块主要承担以下三类功能：

  • 目标检测（Object Detection）：定位图像中物体的边界框与类别，适用于缺陷定位、零件计数等场景。
  • 语义分割（Semantic Segmentation）：对图像中的每个像素进行分类，输出像素级掩膜，适用于精密缺陷分割、道路区域提取等。
  • 分类（Classification）：对整幅图像或感兴趣区域（ROI）进行类别判定，适用于产品分拣、质量等级评定。

此外，Halcon 还提供了 异常检测（Anomaly Detection） 和 OCR/物体识别 的深度学习变体，但语义分割是其中对像素精度要求最高、训练数据标注成本也最高的任务。值得注意的是，Halcon 的深度学习模块并不提供“从零训练一个全新网络架构”的能力——它不允许你自定义网络层结构，而是让你在预定义的网络骨架（Backbone）上进行微调（Fine-tuning）或重新训练（Training from scratch，仅限特定网络）。

架构理解要点：Halcon 的深度学习模块与传统的 HALCON 算子（如 threshold、blob 分析）共享同一内存管理和图像处理管线。这意味着你可以将深度学习模型的输出（如分割掩膜）直接传递给后续的形态学算子进行后处理，而无需进行数据格式转换。这种紧密集成是 Halcon 区别于 OpenCV+PyTorch 组合方案的最大优势。

4.2 支持的网络类型与选择策略

Halcon 针对不同任务预置了若干网络架构，这些网络在深度、参数量和推理速度上各有取舍。对于语义分割任务，Halcon 主要提供以下两类网络：

网络名称 任务类型 输入尺寸（典型值） 特点与适用场景
DL Segmentation (U-Net 变体) 语义分割 512×512 或 256×256 编码器-解码器结构，适合中小尺寸缺陷分割；对内存占用友好，训练速度较快。
DL Segmentation (ResNet-50 编码器) 语义分割 512×512 更深层的编码器，对复杂背景下的细小目标分割精度更高，但需要更多训练数据和显存。
DL Object Detection (YOLO 变体) 目标检测 512×512 用于缺陷定位而非像素分割，输出边界框，速度极快。

在实际工程中，选择网络类型不能只看精度指标。Halcon 的 read_dl_model 算子会加载预训练模型，而 set_dl_model_param 允许你调整输入尺寸、批大小等超参数。对于语义分割，输入尺寸的选择直接影响感受野与细节保留的平衡。例如，在检测 PCB 板上 0.5mm 的微小划痕时，若输入尺寸被压缩到 256×256，小目标可能仅占几个像素，导致分割掩膜断裂；而盲目增大到 1024×1024 又会显著增加显存占用和推理延迟。

常见误区：初学者常误以为“网络越深越好”。在 Halcon 中，ResNet-50 编码器的分割网络虽然精度上限更高，但其对训练样本量的要求也呈指数级增长。如果你的标注样本不足 200 张，U-Net 变体往往能取得更稳定的验证精度。请务必根据你的数据规模选择网络，而不是根据论文中的 SOTA 指标。

4.3 标准工作流程：从数据到部署的六阶段

Halcon 的深度学习工作流程被封装为一系列高层算子，但底层逻辑遵循一个清晰的六阶段管线。理解这一管线，是后续章节所有实战操作的基础。

  1. 数据准备与标注：使用 read_image 读取图像，通过 gen_dl_segmentation_dataset 创建数据集，并利用 Halcon 的标注工具（或外部导入 COCO 格式）生成像素级标签。此阶段输出为 .hdict 格式的字典，包含图像路径、标签路径和类别映射。
  2. 数据预处理与增强：调用 preprocess_dl_training_data 将原始图像和标签缩放到网络输入尺寸，并执行归一化。Halcon 内置了随机裁剪、旋转、缩放等数据增强策略，通过 set_dl_model_param 的 augmentation 参数控制。
  3. 模型初始化与配置：使用 create_dl_model 创建模型，并通过 set_dl_model_param 设置 class_ids、batch_size、learning_rate 等关键超参数。此阶段决定了训练的效率与收敛性。
  4. 模型训练：调用 train_dl_model 执行训练。Halcon 支持在训练过程中通过 get_dl_model_status 实时监控损失值（loss）和验证精度（IoU）。训练产生的中间权重会自动保存为 .hd5 文件。
  5. 模型评估与优化：使用 evaluate_dl_model 在验证集上计算 IoU、Dice 系数等指标。若精度不达标，可调整超参数或增加数据增强强度，重新训练。
  6. 模型导出与推理部署：通过 optimize_dl_model 进行量化（如 INT8）和剪枝，然后使用 apply_dl_model 在推理阶段对单张图像执行分割。推理结果可直接转换为 Halcon 的 region 对象，供后续测量或决策使用。

以下是一个典型的训练配置代码片段，展示了 Halcon 中如何设置关键参数：

* 创建语义分割模型
create_dl_model ('dl_segmentation_compact.hdl', DLModelHandle)

* 设置类别ID（假设背景为0，缺陷为1）
set_dl_model_param (DLModelHandle, 'class_ids', [0, 1])

* 设置输入尺寸
set_dl_model_param (DLModelHandle, 'input_dimensions', [512, 512, 3])

* 设置批大小与学习率
set_dl_model_param (DLModelHandle, 'batch_size', 4)
set_dl_model_param (DLModelHandle, 'learning_rate', 0.0001)

* 启用数据增强（随机旋转和缩放）
set_dl_model_param (DLModelHandle, 'augmentation', 'rotation_scale')

* 开始训练，最大迭代次数为 500
train_dl_model (DLModelHandle, DLDataset, 500, 10, [], [], ExecutionMode)

4.4 案例场景：工业零件表面缺陷分割

让我们通过一个具体的案例来串联上述流程。假设我们需要检测金属垫圈表面的划痕和凹坑，图像分辨率为 1024×1024，缺陷面积最小为 50 像素。

第一步：数据准备。我们采集了 300 张正常零件图像和 300 张含缺陷图像。使用 Halcon 的标注工具逐像素绘制缺陷区域，生成标签图。由于原始图像过大，直接输入网络会导致显存溢出，因此我们在预处理阶段将图像裁剪为 512×512 的块（Patch），并确保每个 Patch 至少包含一个完整缺陷。

第二步：模型选择与训练。考虑到缺陷尺寸较小且样本量适中，我们选择 U-Net 变体网络。设置 class_ids 为 [0,1]（背景与缺陷），batch_size 为 4。训练过程中，我们观察到验证 IoU 在 300 个 epoch 后达到 0.82，继续训练出现轻微过拟合（训练 loss 下降但验证 loss 上升），于是提前终止。

第三步：推理与后处理。在推理阶段，我们将测试图像分割为 512×512 的 Patch 分别推理，再将结果拼接回原图尺寸。分割掩膜输出为 region 后，我们使用 connection 算子将连通域分离，并通过 select_shape 过滤掉面积小于 50 像素的噪声区域。最终，每个缺陷区域被转换为一个独立的 region，可直接用于计算面积、周长等几何参数。

以下代码展示了推理与后处理的关键步骤：

* 读取训练好的模型
read_dl_model ('trained_segmentation.hdl', DLModelHandle)

* 读取测试图像
read_image (Image, 'test_part_01.png')

* 执行推理
apply_dl_model (DLModelHandle, Image, [], DLResult)

* 提取分割掩膜（类别1为缺陷）
get_dl_model_result (DLResult, 'segmentation', ClassMask)

* 将掩膜转换为Halcon区域
threshold (ClassMask, DefectRegion, 1, 1)

* 分离连通域并过滤小区域
connection (DefectRegion, ConnectedDefects)
select_shape (ConnectedDefects, FinalDefects, 'area', 'and', 50, 99999)

* 计算缺陷总面积
area (FinalDefects, DefectArea)

4.5 常见误区与复盘：架构理解层面的三大陷阱

在指导学员进行 Halcon 深度学习项目时，我发现以下三个架构理解层面的误区最具破坏性，它们往往导致项目在后期返工。

误区一：混淆“训练”与“微调”的概念。Halcon 的 train_dl_model 默认会加载预训练权重（在 ImageNet 或 Halcon 内部数据集上预训练）。如果你在 create_dl_model 后直接训练，实际上是在做微调。但如果你将 set_dl_model_param 中的 init_train 设置为 from_scratch，则会随机初始化权重。对于语义分割，除非你有超过 10 万张的标注数据，否则永远不要使用 from_scratch，否则模型将难以收敛。
误区二：忽略输入尺寸对标注数据的影响。Halcon 的预处理算子 preprocess_dl_training_data 会将标签图同步缩放到网络输入尺寸。如果你的原始标注非常精细（例如 1 像素宽的裂纹），而输入尺寸被缩小到 256×256，那么标签中的裂纹可能被压缩成 0 像素，导致模型无法学习到该特征。务必在预处理后可视化检查标签图，确认关键特征仍然清晰可见。
误区三：将推理结果直接用于测量而不做后处理。深度学习分割掩膜是概率图经过 argmax 后的结果，天然带有椒盐噪声和边缘锯齿。直接使用 area 或 min_max_gray 等算子测量会导致误差。正确的做法是：先使用 opening_circle 或 closing_circle 进行形态学平滑，再使用 gen_contour_region_xld 生成亚像素轮廓进行测量。这一步骤在 Halcon 中至关重要，因为 Halcon 的测量算子（如 measure_pos）对轮廓的平滑度高度敏感。

4.6 架构总结：Halcon 深度学习模块的工程化优势

回顾本章内容，Halcon 的深度学习架构可以概括为“预训练模型 + 高层封装 + 无缝集成”三位一体。其核心优势在于：

  • 低代码门槛：所有深度学习操作均通过 HALCON 算子完成，无需编写 Python 或 C++ 代码，降低了团队的学习成本。
  • 内存与显存管理自动化：Halcon 自动处理数据加载、批处理队列和显存分配，开发者无需关心底层 CUDA 调用。
  • 与经典视觉算法协同：分割结果可以直接作为 region 或 XLD 对象参与 Blob 分析、边缘提取、模板匹配等经典流程，形成完整的视觉解决方案。

但这一架构也有其局限性：不支持自定义网络层、对超参数的解释性较弱（例如 learning_rate 的调整对收敛速度的影响不如 PyTorch 中直观）、以及训练过程的可视化工具相对简陋。理解这些边界，能帮助你在面对复杂需求时，合理判断是使用 Halcon 原生模块，还是通过 Halcon 的 inference 接口集成外部 ONNX 模型。

← 上一章 📖 返回目录 下一章 →