Halcon纹理缺陷检测实战：基于GMM特征训练的工业应用指南

1. 从“找不同”到工业质检：为什么GMM纹理检测是你的新利器

在工厂的生产线上，质检员每天要盯着成千上万的产品表面，寻找那些微小的划痕、污渍、纹理不均。这活儿干久了，眼睛累，还容易出错。我干了十几年机器视觉，见过太多工厂想用自动化解决这个问题，但往往卡在第一步：面对复杂多变的纹理背景（比如布匹、皮革、木纹、金属拉丝），传统的“找茬”算法（比如简单的图像差分）直接就“瞎”了，把正常的纹理起伏也当成缺陷报出来，误检率高得没法用。

这时候，Halcon里的基于高斯混合模型（GMM）的特征训练方法，就像一位经验老道的老师傅。它不靠死记硬背模板，而是先去学习一批“完美样品”的纹理特征，总结出正常纹理应该长什么样，有什么样的统计规律。等它“学成出师”后，再去看新产品，就能一眼分辨出哪些是“正常波动”，哪些是“异常缺陷”。这种方法特别适合那些背景纹理有规律但又不完全重复的场景，可以说是为工业纹理缺陷检测量身定做的。

简单来说，它的核心思想是“先学习正常，再识别异常”。你不需要去定义缺陷具体是什么样子（因为缺陷千奇百怪），你只需要告诉系统“好的产品长这样”。系统通过GMM模型，从多个尺度（图像金字塔）去分析正常纹理的特征分布。在检测时，它会计算待测图像每个区域的“新奇分数”，分数越高，说明这个区域越偏离之前学到的正常模式，就越可能是缺陷。

我经手过一个汽车内饰皮革检测的项目，皮革表面的天然纹路每一块都不同，但又有其整体的一致性。用传统方法根本没法区分天然纹路和压伤、刮痕。上了GMM纹理检测后，我们只用了几十张无瑕疵的皮革图片训练模型，它就能稳定地揪出各种微小缺陷，误检率降到了千分之三以下，效果立竿见影。接下来，我就带你一步步拆解这个强大的工具，从零开始搞定一个实战项目。

2. 实战第一步：准备“教材”与搭建“教室”

任何机器学习方法，数据都是基石。对于GMM纹理检测来说，你的训练图像就是教给系统的“教材”。这一步没做好，后面模型再厉害也是白搭。

首先，关于“教材”（训练图像）的硬性要求：必须完美无瑕。 这句话要划重点。我见过不少工程师在这里栽跟头，觉得“差不多就行”，把一些看似微小瑕疵、或者对比度稍差的图片也塞进训练集。结果就是，模型把这些缺陷特征也当成了“正常”的一部分去学习，导致后续检测时对这些类似的缺陷“睁一只眼闭一只眼”，灵敏度严重下降。所以，挑选训练图像时，要像质检组长一样苛刻，确保每一张都是毫无争议的良品。通常准备20-50张覆盖不同光照、不同位置、但纹理一致的图像就足够了。

其次，搭建“教室”（Halcon程序框架）。 整个过程就像一套标准流程，我们先在Halcon中把架子搭起来。核心算子就那么几个，但顺序和参数理解是关键。

* 1. 创建模型
create_texture_inspection_model ('basic', TextureInspectionModel)

* 2. 读取并添加训练图像
for Index := 1 to |ImageFiles| by 1
    read_image (Image, ImageFiles[Index])
    * 这里可以加一些预处理，比如统一尺寸、转换色彩空间为灰度等
    * 但切记不要做任何改变纹理本质的处理，如强滤波。
    add_texture_inspection_model_image (Image, TextureInspectionModel, Indices)
endfor

* 3. 设置关键训练参数（先使用默认值，后续再调）
* set_texture_inspection_model_param (TextureInspectionModel, 'pat