Halcon 深度学习与传统算法的融合，核心逻辑是让两者各干自己最擅长的事：传统算法守住“确定性”底线（定位、测量、基础检测），深度学习处理传统算法写不出规则的“模糊地带”（复杂缺陷分类、纹理异常判别）。
为什么必须融合
动力电池电极焊接的案例最能说明问题：良品表面有夹具接触留下的正常划痕，不良品有纤维异物残留，两者在图像上的差异极其微小。传统基于规则的算法反复调参，要么把正常划痕误判为缺陷（过杀），要么漏掉微小异物（漏杀）。
传统算法的问题在于：规则是人写的，而“正常痕迹”与“真实缺陷”的边界很难用阈值精确描述。深度学习的优势恰恰在这里——给它足够样本，它能自主学习这种“模糊边界”的判别逻辑。
融合的典型架构
工业现场成熟的融合方案通常采用**“传统定位 + 深度分类 + 传统测量”**的流水线：
第一层：传统算法做定位与 ROI 提取。先用 Halcon 的find_shape_model或 Blob 分析找到目标位置，建立跟随坐标系。这一步传统算法效率极高且确定性好——形状匹配能在 360° 旋转和 0.7-1.3 倍尺度空间内稳定定位。
第二层：深度学习做复杂缺陷判别。在定位后的 ROI 内，运行训练好的深度学习模型（如 Halcon 的apply_dl_model或集成的 YOLOv5-Halcon 引擎），对缺陷进行分类。巧克力包装案例中，YOLOv5-Halcon 在 640×640 ROI 内检测 30 类缺陷，单张推理仅 28ms。
第三层：传统算法做尺寸确认与后处理。对深度学习标记的缺陷区域，用传统边缘提取和拟合测量确认几何尺寸，用纹理特征（cooc_feature_matrix计算能量、熵、相关性）做二次校验，降低过杀率。
实战案例：焊缝瑕疵检测的融合逻辑
一个客车底盘焊缝检测系统展示了完整的融合链路：
3D 通道用传统算法：激光结构光重建 10μm 精度点云，用segment_contours_xld提取咬边、塌陷等几何量明确的缺陷，转换成高度-宽度-角度特征向量，输入 SVM 初筛。这类缺陷的判定标准是“几何超差”，传统算法又快又准。
2D 通道用深度学习：YOLOv5-Halcon 模型检测气孔、弧坑、表面裂纹等形态复杂的缺陷，这些缺陷的形态无法用规则穷举。
融合决策：两个通道的结果通过贝叶斯融合算法投票。3D 通道的几何超差与 2D 通道的视觉异常相互印证，整体漏检率低于 0.05%。
融合落地的三个关键约束
硬件是硬门槛。Halcon 深度学习依赖 NVIDIA GPU 的 CUDA 核心。实测 ResNet-18 训练，CPU 需 12 小时以上，RTX 3060 仅需 1 小时 15 分钟，加速约 10 倍。推理场景下，512×512 图像的前向传播 GPU 可在 0.2 秒内完成，CPU 可能超过 10 秒。
数据准备决定上限。Halcon 的标准流程要求将数据分为训练集、验证集、测试集三个独立子集。训练集用于网络优化，验证集用于训练过程中评估性能，测试集用于最终的应用性能评估。数据必须来自真实生产环境，不能是“完美的”实验室图片，否则模型在实际产线上会失效。
深度学习不需要“从零训练”。Halcon 提供预训练模型（如pretrained_dl_classifier_compact.hdl），你只需在自己的数据集上做微调（fine-tune）。对于工业缺陷检测这种特定任务，少量标注数据（数百张）就能达到可用的精度。
融合的核心原则
传统算法负责“确定性”，深度学习负责“模糊性”。凡是能用阈值、轮廓、拟合精确描述的，优先传统算法——快、可解释、可追溯。凡是规则写不出来的，交给深度学习——用样本教它判别。
两者不是替代，是分工。一个完整的融合系统里，传统算法通常承担 60-70% 的工作量（定位、基础测量、简单缺陷），深度学习处理剩下 30-40% 的“硬骨头”。这个比例因场景而异，但核心逻辑不变：能写清楚规则的，不交给黑箱；写不清楚的，才交给深度学习。
