Halcon二维计量模型实战：手把手教你用create_metrology_model测量圆和直线（附完整代码）

Halcon二维计量模型实战：从零到精通的圆与直线测量指南

如果你正在工业视觉检测领域摸索，尤其是涉及到精密尺寸测量，那么Halcon的二维计量模型（create_metrology_model）绝对是你绕不开的核心工具。它不像简单的边缘查找那样“碰运气”，而是提供了一套系统化、参数化的测量框架，能稳定地应对光照不均、边缘模糊、背景复杂等工业现场常见挑战。很多工程师初次接触时，会被它众多的参数吓退，或者仅仅停留在调用示例代码的阶段，一旦遇到实际产品图像，测量结果就飘忽不定。这篇文章，我将结合多个实战项目中的经验，抛开官方手册的刻板流程，带你深入理解如何用create_metrology_model精准测量圆和直线。我们不止步于“跑通代码”，更要探究参数背后的逻辑，以及如何根据不同的图像特征进行调优，最终实现稳定、可靠的自动化测量。

1. 理解二维计量模型：为何它比传统方法更可靠？

在深入代码之前，我们得先搞清楚，为什么需要这个看似复杂的计量模型。传统测量方法，比如使用edges_sub_pix找边缘再用fit_circle_contour_xld拟合，在理想图像上效果不错。但在实际产线上，你会遇到各种问题：零件表面有油污、反光，边缘对比度低，或者图像中存在大量干扰纹理。这时，传统方法可能找到错误的边缘点，导致拟合出的圆或直线严重偏离真实位置。

Halcon的二维计量模型引入了一个**“测量区域”**的概念。你可以把它想象成一把精心设计的“智能卡尺”。不是在整个图像里盲目搜索，而是先根据你的先验知识（比如大致圆心和半径），在待测特征周围布置一系列小的测量窗口（卡尺）。每个卡尺只在其狭窄的区域内执行高精度的亚像素边缘检测。模型会收集所有卡尺找到的有效边缘点，最后使用鲁棒性算法（如RANSAC）拟合出最终的几何形状。

这种方法的优势显而易见：

• 抗干扰性强：测量范围被约束，避免了无关区域的干扰。
• 精度高：每个卡尺内可进行亚像素插值计算。
• 鲁棒性好：通过min_score等参数可以剔除 outliers（离群点），确保拟合结果只基于高质量的边缘点。
• 参数化：几乎所有环节都可控，便于针对特定应用进行微调。

下面这个表格对比了传统边缘拟合与计量模型方法的核心差异：

理解了“为什么”之后，我们再动手时就不会觉得参数是负担，而是精准控制的利器。

2. 核心实战：圆的测量全流程拆解与参数深潜

让我们从一个具体的圆测量案例开始。假设我们需要测量一个金属垫片的内孔直径，图像可能存在轻微的阴影和噪声。

2.1 模型创建与对象添加

首先，是最基础的创建和设置步骤。这里的关键是获取一个相对准确的初始圆心和半径估计值。这个初始值不需要像素级精确，但偏差太大会导致测量区域完全覆盖不到真实边缘，导致测量失败。通常可以通过简单的阈值分割、区域选择（select_shape）和area_center来获取。

* 1. 读取图像并预处理
read_image (Image, 'washer.png')
* 进行一些基本的预处理，例如均值滤波去噪
mean_image (Image, ImageMean, 5, 5)
* 2. 粗略定位圆区域（例如通过阈值和形状筛选）
threshold (ImageMean, Region, 0, 120)
connection (Region, Conn