发布者：大恒图像 发布时间：2018-07-09 分享：
一、 准备样本
我们以药片缺陷检测为例，假设样品可以分为三类，正常（Normal）、破损（Crack）以及脏污（Contamination）。我们需要根据样本类别名称创建3个文件夹，并将分割好的样本分别放置到相应文件夹中。
二、 修改例程
1、 打开例程
打开HALCON的集成开发环境HDevelop，在“文件”菜单中单击“示例程序”并选择“深度学习”中的第一个例程。
如果环境配置成功，例程是可以直接运行的，感兴趣的朋友也可以先浏览一下例程的运行效果。
2、 备份例程
将例程另存为到样本数据文件夹同级目录
3、修改路径
1) 修改样本路径为pilltest文件夹，并填充对应的子文件夹名称（类别名称）
2) 修改预处理图像保存路径为pill_preprocessed（可随意命名）
4、 修改图像预处理函数
1) 训练图像预处理
2) 分类图像预处理
三、 训练测试网络
1、 执行训练
点击“执行”按钮，会出现一些水果的图像，不用理会他们，毕竟我们改的是人家的例程，为了快捷起见我们并没有注释旧的样本展示代码。
继续点击“执行”会出现训练曲线图。如果在此期间弹出显存不足的错误，请大家适当调整单批样本的训练数目
显存不足错误信息
训练的时间跟你的样本数目和电脑配置有关，我们以NVIDIA 1050的显卡、i7CPU为例，如果你的样本在2000以内，一般20分钟左右就可以训练完毕。如果你的样本比较大，比如8000以上，那你可以先去睡一觉了，4小时以后再回来。图中横坐标为训练代数，纵坐标为训练误差。下面奉上小编的训练结果。
上图为从第0代得到第100带的训练曲线，我们可以看到最终训练和校验误差均为0。再来看看混淆矩阵，除了主对角线上其他位置也都是0。如果你也获得了跟我同样的处理结果，那么恭喜你(^_^)，你的分类器已经可以正常运作了。
分类器训练好后就到了我们享用劳动成果的时候，继续点击“执行”或者“F5”就可以看到处理结果。
处理结果
关于深度学习技术的介绍及应用我们就先聊到这里。希望本文能够让大家对深度学习有一个初步的认识，并能够快速的搭建自己的深度学习网络。
以上内容为大恒图像原创文章，如转载请注明出处。
地址：北京市海淀区苏州街3号大恒科技大厦北座12层
邮箱：sales@daheng-imaging.com
