《zw版·Halcon-delphi系列原创教程》酸奶自动分类脚本（机器学习、人工智能）
Halcon强大的图像处理能力，令人往往会忽视其内核，是更加彪悍的机器学习、人工智能。
分类，聚类分析，是机器学习、人工智能的核心算法之一，也是个典型的应用。
Halcon内置的聚类分析、机器学习模块，就有：knn邻近算法、向量机SVM、GMM高斯混合模型（Gaussian Mixture Model，或者混合高斯模型，也可以简写为MOG（Mixture of Gaussian）、MLP(多层神经网络)等等。
相关模块，基本上都是汇编级的高度优化，直接调用就可以。
目前国内、海外机器学习、人工智能方面的学者，没有几位重视这块。
国外，可能是版权问题，毕竟，Halcon是售价高达数万欧元（不是人民币）的商业软件，而且主要用于自控、机器视觉等工业领域，而不是大学。
国内，可能是对于Halcon的了解不够，halcon，虽然在自控领域一家独大（70%份额），本身非常低调，很少在行业外宣传自己，也许是国人的逆向工程、D版，把德国人，也吓坏了。
其实，图像处理的核心，图像识别、分类，都离不开机器学习、人工智能
大家看看opencv的发展路线就可以清楚看到，从cv1.0的图像，到cv2.0、2.4的机器学习，以及目前cv3.0的GPU、cuda人工智能模块，AI在其中所占据的份额越来越大。
Halcon因为面向一线生产线，所以很多机器学习、人工智能，都是黑箱式的，无需编程，直接调用，例如内置的ocr模块，可以识别99%的标准工业字符：超市、海关、流水线、零配件
不过，Halcon也提供了大量的机器学习模块，毕竟各种应用场合复杂，许多库，必须进行定制。
Halcon自带demo脚本：matching_multi_channel_yogurl.hdev
是一个简单的机器学习、人工智能分类应用，也是个典型的应用场景
效果还是蛮好的，大家可以看到，图2、图4，图像的角度不同，有旋转，Halcon能够轻轻松松识别。
这个脚本，AI方面不算复杂，建模就是先拍摄几张产品的照片，直接匹配。
通常，Halcon建模，需要进行200次（默认参数）迭代。
选这个脚本，其中一个原因，是因为前几天，有人在论坛询问，如何对企业生产线的产品（零食好像？）进行自动分类。
脚本80多行，很简单。
* This example demonstrates shape based matching
* with multi channel images
*
* Init display
dev_update_off ()
Mode := 'multi channel'
ModelColor := 'green'
CircleColor := 'white'
Names := ['Pear Apple Hazelnut','Cherry Currant','Strawberry']
read_image (Image, 'color/yogurt_model_01')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (, , Width, Height, 'black', WindowHandle)
set_display_font (WindowHandle, , 'mono', 'true', 'false')
*
* Part : create shape models
ModelIDs := []
for Index := to by
read_image (Image, 'color/yogurt_model_' + Index$'')
dev_display (Image)
*
* Create ROI automatically
access_channel (Image, Channel1, )
fast_threshold (Channel1, Region, , , )
fill_up (Region, RegionFillUp)
opening_circle (RegionFillUp, RegionOpening, 170.5)
gen_contour_region_xld (RegionOpening, Contours, 'border')
fit_circle_contour_xld (Contours, 'geotukey', -, , , , , Row, Column, Radius, StartPhi, EndPhi, PointOrder)
gen_circle (Circle, Row, Column, Radius / )
reduce_domain (Image, Circle, ImageReduced)
*
* Create model
create_shape_model (ImageReduced, , rad(), rad(), 'auto', 'auto', 'ignore_color_polarity', [,,], , ModelID)
ModelIDs := [ModelIDs,ModelID]
*
* Display model
dev_set_color (CircleColor)
dev_set_draw ('margin')
dev_set_line_width ()
dev_display (Circle)
get_shape_model_contours (Model1Contours, ModelID, )
dev_set_color (ModelColor)
dev_set_line_width ()
dev_display_shape_matching_results (ModelIDs, ModelColor, Row, Column, 0.0, , , ModelID)
disp_message (WindowHandle, 'Create shape model ' + Names[Index - ], 'window', , , 'black', 'true')
disp_message (WindowHandle, 'Press \'Run\' to continue', 'window', , , 'black', 'true')
stop ()
endfor
* Main loop: Find yogurt
for Index := to by
read_image (Image, 'color/yogurt_' + Index$'')
* Preprocessing: Reduce search domain to speed up matching
access_channel (Image, Channel1, )
fast_threshold (Channel1, Region, , , )
fill_up (Region, RegionFillUp)
erosion_rectangle1 (RegionFillUp, RegionErosion, , )
reduce_domain (Image, RegionErosion, ImageReduced)
* Find yogurt
find_shape_models (ImageReduced, ModelIDs, rad(), rad(), 0.80, , 0.5, 'least_squares', , 0.95, Row, Column, Angle, Score, Model)
*
* Display results
dev_display (Image)
gen_circle (Circle, Row, Column, Radius / )
dev_set_color (CircleColor)
dev_set_line_width ()
dev_display (Circle)
get_shape_model_contours (ModelContours, Model, )
dev_set_color (ModelColor)
dev_set_line_width ()
dev_display_shape_matching_results (ModelIDs, ModelColor, Row, Column, Angle, , , Model)
disp_message (WindowHandle, Names[find(ModelIDs,Model)] + ' found', 'window', , , 'black', 'true')
disp_message (WindowHandle, 'Score ' + Score, 'window', , , 'black', 'true')
if (Index < )
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
endif
endfor
*
* Cleanup memory
clear_shape_model (ModelIDs[])
clear_shape_model (ModelIDs[])
clear_shape_model (ModelIDs[])
【《zw版·Halcon-delphi系列原创教程》,网址，cnblogs.com/ziwang/】