Halcon颜色检测实战：从HSV阈值到MLP分类，手把手教你搞定工业品颜色分选-编程实验室

Halcon工业视觉颜色分选实战：从传统方法到智能分类的完整解决方案

在工业自动化领域，颜色分选一直是视觉检测系统中的关键环节。无论是电子元器件的色环识别、食品品质分级，还是塑料制品的颜色分类，准确高效的颜色检测技术都能显著提升生产效率和产品质量。Halcon作为工业视觉领域的标杆软件，提供了从传统阈值分割到机器学习分类的完整颜色处理工具链。

1. 颜色检测基础与图像预处理

工业场景中的颜色检测远非简单的"看颜色"那么简单。光照条件、物体表面反光、环境干扰等因素都会对检测结果产生显著影响。一个鲁棒的工业视觉系统必须从图像采集阶段就开始考虑这些变量。

典型工业颜色检测流程包括：

图像采集（考虑光源类型、角度和强度）
颜色空间转换（RGB到HSV/HSL等）
特征提取与区域分割
分类决策与结果输出

在Halcon中，最基本的颜色空间转换操作可以通过trans_from_rgb算子实现：

* 读取RGB图像并转换为HSV空间 read_image(Image, 'color_fuses_00') decompose3(Image, Red, Green, Blue) trans_from_rgb(Red, Green, Blue, Hue, Saturation, Intensity, 'hsv')

提示：工业场景推荐使用环形LED光源，它能提供均匀照明并减少反光干扰。对于高反光物体，可以考虑使用偏振滤镜。

实际项目中，我们常遇到以下典型问题及解决方案：

问题现象	可能原因	解决方案
颜色分类不稳定	光照波动	使用恒流光源驱动器
边缘区域误判	镜头畸变	进行相机标定和图像校正
小面积区域漏检	阈值设置过高	动态阈值+形态学处理

2. 传统颜色检测方法实战

2.1 HSV阈值分割法

HSV颜色空间将颜色信息分解为色调(H)、饱和度(S)和明度(V)三个分量，更贴近人类对颜色的感知方式。这种方法计算效率高，适合对实时性要求严格的场景。

* 电缆颜色分选示例 dev_open_window(0, 0, 640, 480, 'black', WindowHandle) read_image(Image, 'cable1') * RGB转HSV decompose3(Image, Red, Green, Blue) trans_from_rgb(Red, Green, Blue, Hue, Saturation, Intensity, 'hsv') * 提取高饱和度区域(排除灰暗部分) threshold(Saturation, HighSaturation, 100, 255) * 在色调通道中分割黄色区域(20-50) reduce_domain(Hue, HighSaturation, HueHighSaturation) threshold(HueHighSaturation, Yellow, 20, 50) * 后处理 connection(Yellow, ConnectedRegions) select_shape_std(ConnectedRegions, SelectedRegions, 'max_area', 0) closing_circle(SelectedRegions, FinalRegions, 3.5)

2.2 颜色查找表方法

对于固定颜色的产品分选，颜色查找表(Color LUT)能提供更高的处理效率。Halcon中的实现流程：

创建颜色转换查找表
应用查找表转换图像
在目标颜色空间进行阈值分割

* 创建HSV颜色查找表 create_color_trans_lut('hsv', 'from_rgb', 8, ColorTransLUTHandle) * 应用查找表转换 apply_color_trans_lut(Red, Green, Blue, Hue, Saturation, Intensity, ColorTransLUTHandle) * 颜色分类处理 threshold(Hue, RedRegion, 0, 10) threshold(Hue, BlueRegion, 125, 162)

注意：查找表方法需要提前确定各类别的颜色范围，适合颜色变化较少的场景。对于复杂颜色变化，建议采用机器学习方法。

3. 基于机器学习的智能颜色分类

当产品颜色种类多或存在颜色渐变时，传统阈值方法往往力不从心。Halcon提供了多种机器学习分类器，其中MLP（多层感知器）在颜色分类中表现尤为出色。

3.1 MLP分类器全流程实现

训练阶段：

* 创建MLP分类器(3输入-7隐藏-4输出) create_class_mlp(3, 7, 4, 'softmax', 'normalization', 3, 42, MLPHandle) * 添加训练样本 dev_display(Image) draw_rectangle1(WindowHandle, Row1, Column1, Row2, Column2) gen_rectangle1(TrainingRegion, Row1, Column1, Row2, Column2) add_samples_image_class_mlp(Image, TrainingRegion, MLPHandle) * 训练分类器 train_class_mlp(MLPHandle, 400, 0.5, 0.01, Error, ErrorLog)

应用阶段：

* 加载测试图像并分类 read_image(TestImage, 'test_pieces') classify_image_class_mlp(TestImage, ClassRegions, MLPHandle, 0.5) * 结果后处理 copy_obj(ClassRegions, YellowRegions, 1, 1) connection(YellowRegions, ConnectedRegions) select_shape(ConnectedRegions, FinalRegions, 'area', 'and', 400, 99999)

3.2 高斯混合模型(GMM)方法

对于颜色分布复杂的场景，GMM能更好地建模颜色的概率分布。Halcon中GMM与LUT结合的流程：

* 创建并训练GMM模型 create_class_gmm(3, 5, 1, 'full', 'none', 3, 42, GMMHandle) add_samples_image_class_gmm(TrainingImage, TrainingRegions, GMMHandle, 0) train_class_gmm(GMMHandle, 100, 0.001, 'training', 0.001, Centers, Iter) * 创建GMM-based LUT分类器 create_class_lut_gmm(GMMHandle, ['bit_depth','rejection_threshold'], [6,0.03], ClassLUTHandle) * 应用分类 classify_image_class_lut(TestImage, ClassRegions, ClassLUTHandle)

4. 工业实践中的优化策略

在实际产线部署颜色分选系统时，有几个关键因素会直接影响系统性能：

4.1 光照一致性控制

使用积分球光源消除方向性反射
添加红外截止滤镜抑制环境光干扰
定期清洁光源和镜头避免灰尘影响

4.2 算法参数优化

动态调整分类阈值：set_class_mlp_param(MLPHandle, 'rejection_threshold', 0.3)
多帧验证机制降低误判率
引入形态学处理消除小面积噪声

4.3 性能提升技巧

使用ROI减少处理区域
预生成颜色查找表加速处理
并行化处理流水线

* 性能优化示例：ROI处理+并行化 dev_get_window(WindowHandle) get_mposition(WindowHandle, Row, Column, Button) gen_circle(ROI, Row, Column, 150) reduce_domain(Image, ROI, ImageReduced) par_start<region>: classify_image_class_mlp(ImageReduced, ClassRegions, MLPHandle, 0.5)

在最近一个汽车零件颜色分选项目中，我们对比了不同方法的实际表现：