Halcon实战：5个工业质检案例教你玩转机器视觉（附完整代码）

Halcon实战：5个工业质检案例教你玩转机器视觉（附完整代码）

在制造业的产线上，视觉质检早已不是“锦上添花”的选项，而是关乎良率、成本和效率的“生命线”。然而，许多工程师和集成商都面临一个共同的困境：手里握着像Halcon这样功能强大的视觉软件库，却感觉无从下手，或者只能实现一些基础功能，面对复杂的真实工业场景时，方案总是不够稳健。这背后，往往不是工具本身的问题，而是缺乏一套将强大算子与具体问题深度结合的“组合拳”思维。

这篇文章，我们就来打破这种“知道强大但不会用”的僵局。我不会泛泛而谈Halcon的2100多个算子有多厉害，而是直接切入五个在电子、机械、包装等行业中极具代表性的质检难题。每个案例，我都会像在现场调试一样，带你走一遍完整的流程：从拿到问题图像开始，分析难点在哪里，为什么常规方法会失效，然后一步步拆解，告诉你我为什么选择这几个特定的算子，它们的参数背后有什么物理意义，调优时我踩过哪些坑，最后用完整的代码把方案固化下来。我的目标是，你看完不仅能复现这五个案例，更能掌握一种解决视觉问题的通用方法论，下次遇到新项目时，能自己设计出可靠的方案。

1. 案例一：精密金属零件的亚像素尺寸测量与公差判定

在精密加工行业，零件的尺寸公差往往要求在微米级别。用传统的像素级边缘检测，一个像素的误差就可能让合格品被判为不良。这个案例，我们处理的是一个带有倒角的金属连接件，需要测量其内径、外径以及倒角的角度，公差带为±0.02mm。

核心挑战在于：金属表面可能存在反光，边缘并非理想的黑白过渡，而是带有渐变和噪声。直接二值化会丢失亚像素精度，而简单的边缘检测算子对光照变化又过于敏感。

我的思路是分三步走：首先用滤波抑制噪声但保留边缘，然后用亚像素边缘检测提取精准的边缘轮廓，最后通过几何拟合和坐标变换得到精确的尺寸。

第一步，图像预处理。我放弃了全局阈值，因为反光会导致局部过曝。这里采用动态阈值分割结合形态学来稳定区域。

* 读取图像
read_image (Image, 'metal_part_01.png')
* 转换为灰度图（如果原是彩色）
rgb1_to_gray (Image, GrayImage)
* 使用中值滤波去除椒盐噪声，同时较好保持边缘
median_image (GrayImage, ImageMedian, 'circle', 2, 'mirrored')
* 利用局部均值和标准差进行动态阈值分割，对光照不均鲁棒
var_threshold (ImageMedian, Region, 20, 20, 0.2, 2, 'dark')
* 将区域连通，并选择面积在合理范围内的区域
connection (Region, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500, 5000)

提示：var_threshold算子的Offset参数（这里为0.2）是关键，它决定了局部对比度的灵敏度。对于低对比度边缘，需要调小此值；对于噪声大的图像，则需要调大。

第二步，亚像素边缘提取。这是精度提升的核心。我使用edges_sub_pix算子，它基于Canny或Deriche等算法，能提供子像素精度的边缘轮廓。

* 在选定的区域内部，进行亚像素边缘检测
* 使用Deriche滤波器，它在噪声抑制和边缘定位间有较好平衡
edges_sub_pix (ImageMedian, Edges, 'deriche2', 0.5, 20, 40)
* 将边缘轮廓与之前选定的区域做交集，只保留零件边缘
intersection (Edges, SelectedRegions, EdgeInRegion)

现在，我们得到了一组亚像素精度的边缘点EdgeInRegion。第三步是几何拟合与测量。内径和外径是圆，倒角是直线。

* 将边缘轮廓分割为不同的弧段，便于分别拟合
segment_contours_xld (EdgeInRegion, ContoursSplit, 'lines_circles', 5, 4, 2)
* 选择可能是圆的弧段（基于特征如圆度）
select_shape_xld (ContoursSplit, CircularArcs, 'circularity', 'and', 0.8, 1.0)
* 拟合圆，得到圆心和半径
fit_circle_contour_xld (CircularArcs, 'algebraic', -1, 0, 0, 3, 2, RowCenter, ColumnCenter, Radius, StartPhi, EndPhi, PointOrder)
* 选择可能是直线的弧段（倒角边）
select_shape_xld (ContoursSplit, LineArcs, 'contlength', 'and', 50, 1000)
* 拟合直线
fit_line_contour_xld (LineArcs, 'drop', -1, 0, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist)

得到拟合的几何参数后，我们需要将其从像素单位转换到物理单位（毫米）。这需要事先进行相机标定，获取像素当量（例如，0.005 mm/pixel）。假设我们已经有了标定结果Scale。

* 物理尺寸计算
InnerDiameter := 2 * Radius[0] * Scale
OuterDiameter := 2 * Radius[1] * Scale
* 计算两条倒角线的夹角
angle_ll (RowBegin[0], ColBegin[0], RowEnd[0], ColEnd[0], RowBegin[1], ColBegin[1], RowEnd[1], ColEnd[1], Angle)
ChamferAngle := deg(Angle)  // 转换为角度制
* 公差判定
IsInnerDiaOK := (InnerDiameter >= 5.98) and (InnerDiameter <= 6.02)
IsOuterDiaOK := (OuterDiameter >= 10.98) and (OuterDiameter <= 11.02)
IsAngleOK := (ChamferAngle >= 44.5) and (ChamferAngle <=