企业官网建设流程全解析

做机器视觉这行，十有八九都躲不过“找圆”这个需求。小到纽扣电池的极片定位，大到风电轴承的滚子分拣，圆形检测几乎是视觉引导、尺寸测量、缺陷判别的底层地基。但“用Halcon查找圆形”这个需求，实际落地时远不是调一个算子那么简单：同一个圆，在背光打光、同轴光打光、自然光漫反射条件下，处理路径完全不同；同一张图，是找镂空孔、找反光金属端面、还是找暗色橡胶圈，选型逻辑也完全不同。

这篇就结合我这些年用Halcon做项目积累的经验，把圆形检测从思路选型到工程落地的完整链路拆开讲一遍。里面所有代码都是HDevelop语法，我尽量写得能直接跑通，方便你拿着自己的图去验证。

1. 圆形查找的三条技术路线：先选对思路再动手

很多新手拿到一张图就急着往上堆算子，这是最容易翻车的做法。圆形检测在Halcon里表面上看是“一个函数的事”，实际上底层对应三条完全不同的技术路线，适用场景天差地别。选错了路线，后面调参调到怀疑人生也拿不到稳定结果。

第一条路线：阈值分割加Blob分析。这是最直观、也最“视觉工程师本能”的做法。核心逻辑是：目标圆和背景之间存在明显的灰度差，先用threshold算子把目标从背景里抠出来，再用connection把连通的像素块拆成独立区域，然后用select_shape按面积、圆度等几何特征筛掉杂讯，最后用smallest_circle或者fit_circle_contour_xld求圆心和半径。这条路线在背光照明下效果极好，因为背光打出来就是黑白分明的剪影，圆就是圆，干扰少得可怜。但如果目标圆和背景的灰度差不够大，或者图里有大量反光、纹理、脏污，单靠阈值分割就会崩。

第二条路线：Hough变换检测圆。hough_circles算子是很多教程里的“明星函数”，看着一行代码就把圆找出来了，但它的参数其实非常敏感。Hough变换的本质是把图像空间中的每一个边缘点映射到参数空间，然后在参数空间里做累加投票。圆在参数空间里是三维的（圆心x、圆心y、半径r），所以投票过程既消耗内存又消耗算力。Halcon里的hough_circles已经做了大量优化，但对噪声还是很敏感。边缘点一多、干扰一杂，投票结果就容易漂移。这条路线适合灰度差没那么明显、但边缘轮廓还算完整的场景，比如自然光下拍金属零件的外圆。

第三条路线：卡尺法加几何拟合。这条路线是工业项目里的“老油条”做法，也是精度最高、最抗干扰的做法。核心逻辑是：先确定一个大致的目标位置和半径范围，然后在圆弧上均匀分布若干卡尺（也就是测量矩形Region），每个卡尺沿法线方向扫描边缘，在边缘位置附近用亚像素精度找边缘点，最后把所有这些边缘点丢给fit_circle_contour_xld做圆拟合，输出亚像素精度的圆心和半径。这条路线不依赖全局阈值，对局部光照变化、边缘毛刺都有很强的鲁棒性，测量精度可以做到0.01个像素级别。代价是需要给一个初始位置和半径范围，本质上是一个“先粗定位、再精测量”的思路。

一句话总结选型逻辑：背景干净用阈值分割，边缘清晰但灰度杂乱用Hough，工业测量场景直接用卡尺法加拟合。下面我把这三条路线的具体实现一个个讲透。

2. 阈值分割快速实现：从读图到输出圆心坐标的完整流程

先讲最常用的Blob分析路线，毕竟很多初学项目的第一步都是从这张图开始的。

假设你手头有一张背光拍摄的垫片图，背景是亮的，圆形垫片是暗的，那么完整流程是这样的：

* 读取图像 read_image (Image, 'washer.png') * 灰度化，如果不是灰度图就转一下 rgb1_to_gray (Image, GrayImage) * 阈值分割，暗色目标在前景，所以选Dark参数 threshold (GrayImage, Region, 0, 128) * 拆分连通域 connection (Region, ConnectedRegions) * 按面积筛掉小噪点 select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500, 999999) * 按圆度筛选 select_shape (SelectedRegions, CircularRegions, 'circularity', 'and', 0.5, 1.0) * 对每个圆形区域拟合最小外接圆 smallest_circle (CircularRegions, Row, Column, Radius) * 在图上画出来看看效果 gen_circle_contour_xld (ContCircle, Row, Column, Radius, 0, 6.28318, 'positive', 1.0) dev_display (Image) dev_display (ContCircle)

这套流程跑下来，如果背景够干净，基本一次就能拿到满意的圆心和半径。但你实际项目里遇到的图大概率没这么乖巧，这时候就需要注意几个关键细节。

第一个细节：阈值分割时不要一上来就写死阈值。光照波动是产线常态，上午九点和下午三点的环境光都不一样，更别说设备开机预热后的光源衰减。如果直接threshold写死0到128，早晚要出事。靠谱的做法是用灰度直方图来确定阈值，或者用binary_threshold这个算子自动计算阈值。

binary_threshold (GrayImage, Region, 'max_separability', 'dark', UsedThreshold)

binary_threshold内部跑的是最大类间方差法，就是统计学里的OTSU算法。它会自动找一个阈值，让前景和背景两个类的类间方差最大，这样即使整体亮度偏移，阈值也会跟着偏移，鲁棒性好很多。

第二个细节：开运算去噪。阈值分割出来的区域边缘容易带毛刺，内部也容易有小孔洞。建议在threshold之后加一步开运算，用小半径的圆形结构元素把孤立噪点去掉：

* 圆形结构元素，半径3.5 opening_circle (Region, RegionOpening, 3.5) * 闭合内部孔洞 closing_circle (RegionOpening, RegionClosing, 3.5)

第三个细节：擅用select_shape的更多几何特征。area和circularity只是基本款，配合'width'、'height'、'anisometry'（长短轴比）可以更精准地锁定目标。比如要找一个圆环的外圆，可以先把圆环区域通过fill_up填满，再求外圆，否则smallest_circle拟合出来的可能是内圆边缘。

* 圆环区域填满成实心 fill_up (CircularRegions, RegionFillUp) smallest_circle (RegionFillUp, Row, Column, Radius)

这种“先填洞再拟合”的手法，在检测垫片、法兰、齿轮这类带孔零件时几乎每天都要用。

3. Hough变换检测圆：边缘复杂的场景怎么拿稳结果

接下来讲Hough变换。当你遇到的图没法靠阈值干净分割时，Hough往往是被寄予厚望的备选方案。比如自然光下拍一个磨砂金属外壳上的圆形Logo，目标和背景的灰度差不大，阈值分割一塌糊涂，但边缘轮廓还算能辨认，这时候hough_circles可以上来救场。

看一下基本用法：

read_image (Image, 'metal_logo.png') rgb1_to_gray (Image, GrayImage) * 提取边缘，Hough变换在边缘图上跑 edges_sub_pix (GrayImage, Edges, 'canny', 1.5, 20, 40) * Hough检测圆，半径范围要根据实际图像大致估一下 hough_circles (Edges, Circles, Radius, 0, 3.14159, 30, 50, 0.2, 0.4, 0.1) * 输出结果 area_center_xld (Circles, Area, Row, Column)

但这里我必须强调：hough_circles的参数非常拧巴，新手容易直接被参数搞崩溃。参数里包含半径上下限、角度步长、累加器阈值、边缘幅度阈值、圆心距离阈值等等。我实际用的经验是：

• 半径范围（Radius参数）不宜过大，最好把目标圆半径的波动范围压缩在正负10个像素以内，范围越大，参数空间的投票分布越稀疏，误检率越高。
• 累加器阈值（AccThreshold）不要默认，需要根据图像里边缘点的密度调试。调小了会检测出一堆假圆，调大了真圆也会被丢掉。经验值一般在0.2到0.5之间，具体用小步长去试。
• 边缘幅度阈值（EdgeThresh）和边缘宽度直接相关。图像边缘锐利时可以适当提高，把模糊的干扰边缘过滤掉；边缘发虚时就得降低，否则圆轮廓根本进不了投票池。

Hough变换虽然听着“自动化”，但它在工业场景里反而是最不省心的。因为它的参数和图像内容相关性太强，换一个产品就要重新调一轮，维护成本很高。所以我个人对Hough的定位是：适合做一次性分析、离线验证、或者目标圆特别规整的OCR/定位场景，不适合做产线上的长期稳定测量工具。

另外，如果圆是不完整的圆弧，比如机器人夹爪抓取的工件只露出一段弧，hough_circles也能用，但投票结果会变差。这时候可以考虑把整圆检测换成圆弧检测思路，或者直接转卡尺法——只在一段圆弧上布卡尺，拟合圆弧，输出圆心和半径。

4. 多目标筛选与轮廓拟合：工件上十几个孔怎么做到一个不落

实际项目里另一个高频需求是：一张图上有一堆圆，要把它们全部找出来，并且区分大小圆。比如PCB板上有不同直径的定位孔，或者注塑件上有多个安装孔位，这时候单纯跑一遍Blob分析或者Hough会漏检或误检。

处理这种场景，我的习惯是三步走：先分割，再筛选，最后逐类精定位。

第一步，分割。按灰度阈值把所有的孔区域都抠出来。这一步的要点是：宁可多抠，不能少抠。把阈值放宽一些，让边缘稍微过分割也没关系，后面有筛选兜底。

第二步，筛选。用select_shape把圆按面积分成几个区间。比如图上明显有直径5mm和直径8mm两类孔，那就统计一下两类孔的面积范围，分别筛：

* 筛小孔 select_shape (AllRegions, SmallHoles, 'area', 'and', 500, 1200) * 筛大孔 select_shape (AllRegions, LargeHoles, 'area', 'and', 1500, 3000)

第三步，对每一类孔做圆形度校验和轮廓拟合。圆形度校验用'circularity'特征就够用，一般要求0.8以上。但要注意，如果孔边缘有倒角或者毛刺，圆形度会偏低，阈值别卡太死。

* 先掏出来满足圆度要求的区域 select_shape (SmallHoles, SmallHolesCircles, 'circularity', 'and', 0.8, 1.0) * 为了亚像素精度，提取区域的轮廓，然后拟合成XLD圆 gen_contour_region_xld (SmallHolesCircles, Contours, 'border') fit_circle_contour_xld (Contours, 'algebraic', -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)

这里有个很重要的细节：fit_circle_contour_xld的拟合算法（第二个参数）有'algebraic'、'geometric'、'huber'等好几种。

• 'algebraic'是代数距离最小化，速度快，适合大多数规则圆。
• 'geometric'是几何距离最小化，精度更高，但对异常点敏感。
• 'huber'是带权重的鲁棒拟合，能有效抑制边缘毛刺的影响，是实测中最抗造的选择。

工业现场我通常直接用'huber'。它的思想是给偏离拟合圆的点设置一个误差权重，偏离太远的点会被降权，从而不影响整体拟合结果。应对倒角、毛刺、轻微缺损都很有效。

多目标场景还有一个常见问题：两个圆离得很近，连通域被粘连在一起。这种情况可以在connection之后加一步opening或watersheds分割。Halcon里有个很有用的算子叫opening_segmentation，专门处理粘连区域的分离，效果比单纯的开运算要好。

opening_segmentation (Region, RegionOpened, 5)

5. 从像素坐标到物理坐标：标定与测量精度控制

很多项目做完圆形查找不是画个圈看看就完了，而是要输出测量值、引导机械臂抓取，甚至是把像素坐标吐给下游PLC做定位。这时候你就必须面对一个绕不开的问题：像素坐标怎么换算成物理坐标。

最朴素的思路是像素当量法。用已知直径的标准件拍一张图，跑一遍圆形检测，得到像素直径，除以实际物理直径，就得到每个像素对应多少毫米。

* 已知标准件实际直径是10.00mm * 检测到的像素直径是2500像素 * 像素当量就是 PixelSize := 10.00 / 2500.0 * 单位：mm/像素

像素当量法简单粗暴，但只适合测量面与相机光轴完全垂直的场景。一旦镜头有透视、畸变，或者测量面有倾角，边缘位置的像素当量就变了，这时候必须上标定。

Halcon里做标定的标准流程是：

1. 用标定板拍十几张不同位姿的图。
2. 用find_calib_object算子提取标定板角点。
3. 用calibrate_cameras算子解算出相机内参和畸变系数。
4. 在运行时用change_radial_distortion_image对图像做畸变校正，或者用calibrate_camera_scara这类针对视觉引导的标定工具。

标定完之后的测量逻辑就变成：先在像素坐标系里找到圆心，然后用image_points_to_world_plane把像素坐标投影到世界坐标系的平面上，在世界坐标系里算半径和圆心距。

说句掏心窝的话：如果你做完标定之后发现测量结果还有0.1mm以上的跳动，先别怀疑算法，先去检查机械装配。这种精度漂移问题，十有八九是工件本身的位置没放平，或者夹具公差太大，而不是视觉定位算法的问题。

圆形定位做机械臂抓取时，除了圆心坐标，还有一个极其容易踩坑的点：机器人需要的是圆心在机器人基座坐标系里的三维坐标，不是相机视野里的二维坐标。这里面至少要过两次变换：相机坐标系到机械臂工具坐标系的标定（手眼标定），以及标定板平面到机械臂工作平面的对齐。Halcon里有hand_eye_calibration算子供你完成手眼标定，但标定过程涉及机械臂的示教运动，必须预留足够的时间来调试。

6. 从像素坐标到物理坐标的实用场景：Halcon里的实操经验

继续上面的坐标话题，分享一个特别实用的场景，也是圆形查找中最常见的真实需求：视觉引导机器人抓取圆形工件。很多刚接触视觉引导的工程师，以为找准圆心就万事大吉，但实际部署时却出现了各种“看起来算法没问题，但机器人就是抓不准”的怪现象。

这类问题的源头，往往出在坐标变换链路的顺序上。完整的链路是：像素坐标系 -> 图像坐标系 -> 相机坐标系 -> 机械臂基座坐标系。每一环都有对应矩阵，任何一个矩阵没有标定准确，最终抓取位置都偏。

我在项目里常用的做法是：先用Halcon的标定助手（Calibration Assistant）完成相机的内参标定和畸变校正，然后用calibrate_hand_eye完成手眼标定。标定完成后，把输出的齐次变换矩阵保存到文件里：

write_pose (PoseRobotToCam, 'robot_to_cam_pose.dat')

运行时直接读取，然后通过pose_to_hom_mat3d转换成矩阵，再和像素坐标换算出来的点做矩阵乘法，得到机器人能用的三维坐标。

有一个操作习惯建议养成：标定完成后，一定要用一个已知位置的基准点做一次全链路验证，把计算出来的机械臂坐标和实际示教坐标对比一下，偏差在允许范围内再批量使用。这个验证动作能帮你拦截掉大量后期调试的痛苦。

另外，如果在Halcon里处理圆形检测并集成到C#或C++程序里，强烈建议把整个视觉流程封装成一个类，对外只暴露一个“传入图像、返回圆心和半径列表”的接口。内部做到图像预处理、区域分割、轮廓拟合、坐标变换全链路封装。这样后续换相机、换光源、换工件尺寸，你只需要调整参数配置，不需要动主流程代码。这也是工程化落地和实验室跑通Demo的本质区别。

7. 参数与鲁棒性：圆检测里我踩过的那些坑

不管用哪条路线，圆形检测的坑基本都集中在几个地方。我把这些年反复踩过的坑集中列一下，你对照自己的项目排查一遍，能省不少无用功。

坑一：对比度不足导致边缘漂移。这是最常见的。如果你拍出来的圆边缘是一个渐变过渡带，而不是锐利的黑白交界，那么阈值分割时圆的边界就会随阈值变化而内外漂移，导致圆心和半径结果随亮度波动。解决思路有两个：一是光学上调整——换背光、调亮度、加偏振片，让边缘尽量锐利；二是算法上补偿——用亚像素边缘提取，比如edges_sub_pix配合fit_circle_contour_xld，精度能到1/10像素级，比纯像素级检测稳定得多。

坑二：圆心坐标出现系统性的偏移。如果同一个工件放十个位置，检测出的圆心相对工件的真实位置总往同一个方向偏零点几毫米，那基本可以判断是透视投影造成的视差问题。特别是相机没有正对工件平面、有个十几度的倾角时，圆的透视投影会变成椭圆，圆心会偏移。解决办法是尽量调整相机姿态让光轴垂直工件平面，如果机械结构不允许，就老老实实做标定和畸变校正，别想着靠算法扛过去。

坑三：图像里出现多个干扰圆。比如工件边上有个螺丝孔、有个沉头孔，或者背景里有圆形Logo，这些都会干扰Blob分析结果。我的习惯是先面积筛选，再圆度筛选，然后再加一个位置约束：如果知道目标圆大概在哪个区域，直接用reduce_domain把处理范围缩小到ROI内，干扰能少掉九成。

坑四：反光材质表面出现“假圆”。高光金属表面经常会把光源反射成一个亮斑，亮斑边缘看起来就是一个“圆”，而且灰度差还挺明显，阈值分割很容易把它误判成目标圆。这种场景建议改打光方式，用漫射光源或同轴光，减小镜面反射。如果打光没法改，就在算法上增加一个判断特征，比如检测圆内部区域的灰度均值是否符合预期，或者圆边缘的对比度方向是否符合预期（暗背景亮圆 vs 亮背景暗圆）。

坑五：一个圆被阴影切成两半。侧面打光常见的毛病，圆的一半是亮的，另一半沉在阴影里。阈值分割只能抠出半圆，拟合出来的圆心会偏向亮的那半边。这种坑的解法是：闭合运算先补洞，或者用connection之后把同圆的区域通过距离合并起来，再联合拟合。更推荐的做法是打光上做成无影效果，这比任何算法都可靠。

8. 从Halcon到C++/C#/Qt集成：把圆形检测部署到真正的软件里

最后说下工程部署。Halcon的算子再强大，最终也要集成到上位机软件里才能产线跑起来。我见过太多人HDevelop里调得飞起，一接到C#或C++就卡住了，问题几乎全出在三个地方。

第一，运行环境安装。Halcon的运行时（Runtime）必须在目标机器上正确安装，License也要对应配置。开发机上调试用的License是和HDevelop版本绑定的，部署到产线电脑上要用对应的Runtime License，不然程序起来就报错。

第二，图像数据的传递。Halcon里图像是用HObject表示的，从相机SDK拿到的图像数据往往是Byte数组，需要先封装成HObject。C#里的写法大概这样：

HObject image; HOperatorSet.GenImage1(out image, "byte", width, height, pointer);

这里的pointer要指向图像数据的内存首地址。相机SDK拿到的数据格式如果带通道对齐、行对齐之类的padding，要用gen_image1配合字节跳动的方式把数据按Halcon的期望排布好，不然图像就是花的。这一步细节非常多，强烈建议先用一张BMP图片跑通流程，再接相机。

第三，坐标数据回传的精度。Halcon里的HTuple转成C#的double时，要注意用ToString()再double.Parse，不要直接强转，避免文化区域设置导致的小数点解析错误。这个看起来很低级，但我真的遇到过同事因为系统区域是德语环境，小数点逗号解析出问题，定位结果差出十万八千里。

Qt集成的话，核心是图像显示控件的接法。Halcon提供了HalconCpp和QHalconWindow的封装，可以在Qt界面里嵌入Halcon的显示窗口。关键的步骤是：在Qt的窗口初始化时获取Halcon窗口的句柄，然后用HDevWindowStack或是OpenWindow去绑定显示。直接在VS里用面向对象方式封装Halcon、通过类实例调用算子的方式编排任务，代码会清爽很多。

// 初始化窗口 HTuple hv_WindowHandle; OpenWindow(0, 0, width, height, 0, "visible", "", &hv_WindowHandle); // 显示图像 DispObj(image, hv_WindowHandle);

9. 性能优化：几毫秒找完圆是这么做到的

产线节拍是硬指标，尤其是视觉引导场景，经常要求单次检测在100毫秒以内，有些高速装配线甚至要求30毫秒以内。圆形检测虽然不算重算法，但在分辨率和干扰都拉满的时候，性能优化依然是绕不开的话题。

第一，该裁剪时果断裁剪。用reduce_domain把检测区域限制在ROI里，既减少计算量，也减少干扰。比如只需要检测画面中央的一个圆，就别让算法去处理四角的杂物。这一步优化通常能把耗时砍掉一半以上。

gen_rectangle1 (RoiRect, Row1, Col1, Row2, Col2) reduce_domain (GrayImage, RoiRect, ImageReduced)

第二，金字塔参数帮大忙。Halcon很多算子都支持金字塔层数设置，在边缘提取阶段，可以先用低分辨率大尺度找圆的大概位置，再用原分辨率精确定位。这个思想在Halcon里体现为gauss_pyramid配合粗精两级检测。很多时候粗检测加上精检测的两级时间，比单次全分辨率检测还快，因为这个方案大幅降低了候选区域的数量。

第三，多用亚像素轮廓，少用区域操作。区域操作的像素级别计算往往比XLD轮廓计算要重。处理圆时，尽量走sub_pix路线，找边缘轮廓再拟合，不要在大面积Region上做各种形态学处理。

第四，多线程按相机或按工位拆分。如果一套软件同时管两个相机、四个工位，就把每个相机、每个工位的检测流程放到独立线程里。Halcon的算子大部分是线程安全的，只要你不在多线程里共享同一个HObject做写入，就没问题。我用过四个线程同时跑四路圆形检测，CPU占用依旧健康，单路耗时几乎不增加。

10. 写在最后的工程经验

这么多年用Halcon做圆形查找，最大的体会是：这活儿看着容易，做扎实了靠的是对“图像从哪里来、要到哪里去”的完整理解。很多人卡在Halcon的算子细节里出不来，其实算法之外的光学设计、机械结构、坐标标定、工程封装，占了一个视觉项目成败的七成。

我自己最常用的一套组合拳是：优先背光成像，阈值分割粗定位，卡尺法精拟合，通过标定矩阵输出物理坐标，最后把整个链路封装成接口干净的功能类。这套组合在电子元件、五金加工、汽车零部件项目里反复验证过，稳定性和精度都够用。

如果你现在手头就有一张圆形的图，建议先把上面第2节的代码跑通，再去对比第4节的卡尺法精定位，感受一下两种方式的精度差异。只有亲手把圆心坐标从“就这么回事”变成“一直在那里”，你才算真正把Halcon圆形检测这一课学扎实了。