一、CNN 基础概念

什么是 CNN？

卷积神经网络（Convolutional Neural Network）是深度学习中最核心的架构，特别适合图像处理任务。

核心优势：

• 自动提取特征（无需手工设计）
• 平移/旋转/尺度不变性
• 端到端训练，精度高

---

二、HALCON CNN 模块架构

1. 网络类型支持

HALCON 支持 4 种 CNN 任务：
├── 图像分类 (Classification)
├── 目标检测 (Object Detection) 
├── 语义分割 (Semantic Segmentation)
└── 实例分割 (Instance Segmentation)

2. 内置网络模型

• 预训练模型：AlexNet、VGG-16、ResNet-18/50
• 自定义网络：用 create_cnn_structure 搭建
• 迁移学习：冻结部分层，微调顶层

---

三、完整工作流程

Step 1: 数据准备

* 创建训练数据列表
ImageFiles := []
Labels := []

* 读取图像和标注
for i := 1 to NumImages by 1
    ImageFiles[i] := 'data/class_' + i + '/*.jpg'
    Labels[i] := i
endfor

* 划分训练集/验证集
split_dataset(ImageFiles, Labels, 0.8, TrainData, ValData)

Step 2: 创建 CNN 结构

* 使用预训练网络（推荐）
create_cnn_structure('resnet50', 'classification', 
                     ImageWidth, ImageHeight, 3, 
                     NumClasses, CNNHandle)

* 或自定义网络
create_cnn_structure_from_layers([
    'conv1:64:3:1',
    'pool1:2:2',
    'conv2:128:3:1',
    'pool2:2:2',
    'fc1:512',
    'output:' + NumClasses
], CNNHandle)

Step 3: 设置训练参数

* 超参数配置
TrainingParams := [
    'batch_size', 32,
    'max_epochs', 100,
    'learning_rate', 0.001,
    'momentum', 0.9,
    'weight_decay', 0.0001,
    'lr_policy', 'step',
    'step_size', 30,
    'gamma', 0.1
]

* 数据增强（防止过拟合）
augmentation_params := [
    'rotation', [-15, 15],
    'scale', [0.9, 1.1],
    'flip', 'horizontal',
    'brightness', [-20, 20]
]

Step 4: 训练模型

* 开始训练
train_cnn(TrainData, ValData, CNNHandle, TrainingParams, 
          augmentation_params, 'checkpoint/', CNNTrained)

* 训练过程可视化
plot_training_progress(CNNTrained)

Step 5: 推理与部署

* 加载训练好的模型
read_cnn_model('model.hdl', CNNModel)

* 单张图像推理
apply_cnn_model(Image, CNNModel, ResultClass, ResultScore)

* 批量推理
for i := 1 to NumImages by 1
    read_image(Image, ImagePath[i])
    apply_cnn_model(Image, CNNModel, Results[i], Scores[i])
endfor

* 导出模型（部署到生产）
export_cnn_model(CNNModel, 'model.onnx', 'onnx')

---

四、实战案例：表面缺陷检测

场景描述

检测金属表面划痕、凹坑、氧化等缺陷

完整代码

* 初始化
dev_close_window()
create_cnn_structure('resnet18', 'classification', 
                     224, 224, 3, 5, CNNHandle)

* 5 个类别：OK、划痕、凹坑、氧化、异物
ClassNames := ['ok', 'scratch', 'dent', 'oxidation', 'contamination']

* 训练
train_cnn('defect_data/', CNNHandle, 
          ['batch_size', 16, 'max_epochs', 50],
          'defect_model.hdl')

* 在线检测
read_image(Image, 'test_sample.jpg')
apply_cnn_model(Image, 'defect_model.hdl', Class, Score)

* 结果展示
if (Class != 'ok' & Score > 0.9)
    disp_message('缺陷类型：' + ClassNames[Class])
    disp_message('置信度：' + Score)
endif

---

五、性能优化技巧

1. GPU 加速

* 启用 GPU 训练
set_cnn_param(CNNHandle, 'device', 'gpu', 0)

* 多 GPU 并行
set_cnn_param(CNNHandle, 'device', 'gpu', [0, 1, 2, 3])

2. 混合精度训练

set_cnn_param(CNNHandle, 'precision', 'mixed')  * FP16 + FP32

3. 模型压缩

* 量化（减少模型大小）
quantize_cnn_model(CNNModel, 'int8', 'model_quantized.hdl')

* 剪枝（加速推理）
prune_cnn_model(CNNModel, 0.5, 'model_pruned.hdl')  * 剪掉 50% 通道

---

六、常见问题与解决方案

问题	原因	解决方案
过拟合	数据太少	数据增强 + Dropout + 早停
欠拟合	网络太浅	增加层数 + 训练更多 epoch
训练慢	批次太大	减小 batch_size + 用 GPU
精度低	学习率不当	学习率预热 + 余弦退火
类别不平衡	样本不均	加权损失函数 + 过采样

---

七、HALCON vs 其他框架

特性	HALCON	OpenCV DNN	PyTorch
易用性	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐
工业部署	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐
灵活性	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
性能	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
生态	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐

结论： 工业场景首选 HALCON，研究场景用 PyTorch

---

八、最佳实践 Checklist

• 数据质量 > 数据数量（标注准确）
• 先用预训练模型微调（节省时间）
• 训练集/验证集/测试集 = 8:1:1
• 监控训练曲线（防止过拟合）
• 保存最佳模型（而非最后 epoch）
• 测试时增强（TTA）提升精度
• 导出 ONNX 便于跨平台部署

---

九、学习资源

官方文档：

• HALCON 深度学习用户指南
• MVTec 官网示例代码

数据集：

• ImageNet（预训练）
• COCO（目标检测）
• 自定义标注（HALCON 支持 XML/JSON）

进阶方向：

• 3D CNN（点云处理）
• 时序 CNN（视频分析）
• 多模态融合（图像 + 文本）

---

💡 核心总结：HALCON CNN = 预训练模型 + 迁移学习 + 工业部署。掌握这个公式，90% 的视觉任务都能搞定！