HALCON OCR识别实战
简介：这一篇将训练，识别文字，将图片上的图案识别为字符串并存储
待处理图片：
1.ROI与预处理
视觉识别文字之前，需要首先使用一组文字来对神经网络进行训练，这里使用原图来划分ROI区域进行识别
训练时候为了减少数据过多的标注时间的消耗，只每个符号划分一个对应图案出来
在划分好后，做reduce_domain 得到的结果，在这一结果上使用threshold算子进行二值化即可
该部分的代码
#pre process
read_image (Ocrfind, 'C:/Users/xxxx/Desktop/halcon/class 2/ocrfind.bmp')
gen_rectangle1 (ROI_0, 502, 659.031, 772, 1142.79)
reduce_domain (Ocrfind, ROI_0, ImageReduced)
threshold (ImageReduced, Regions1, 0, 80)
erosion1(Regions1, Regions1, RegionErosion, 1)
connection (Regions1, ConnectedRegions)
2.标注与训练
在使用connection算子划分区域后，需要为区域打上标签，另外还需要调用count_obj算子来获取区域数量，用于之后循环的参数
ClassNames1 := ['1','0','1','1','3','7','5','6','7','6','-','-','.','.']区域的排序是从数字到符号，从左到右，第一排到最后一排
在调整参数准备妥当后，我们可以创建并且生成一个训练文件用于之后的训练，这里使用create_ocr_class_mlp算子和trainf_ocr_class_mlp算子
create_ocr_class_mlp算子需要自行进行修改的部分已经在图片中标注，分别是字符的宽度和高度，都有哪些字符，隐藏的MLP单元
示例代码：
create_ocr_class_mlp (100, 100, 'constant', 'default', ['0','1','2','3','4','5','6','7','8','9','.','-'], 80, 'none', 12, 42, OCRHandle)
trainf_ocr_class_mlp(OCRHandle, 'C:/Users/xxxx/Desktop/halcon/class 2 train/train_characters_ocr_manadj.trf', 200, 1, 0.01, Error, ErrorLog)
3.训练文件的修正
在完成训练文件生成后，可以在目录下找到该文件，打开HALCON主界面菜单栏的可视化一栏，选择工具-----OCR训练文件浏览器
在训练文件浏览器窗口，点击菜单栏文件----加载训练文件，打开刚才生成的训练文件
查看并对标签和图片进行修正，在完成修正后保存文件，用于后面创建和训练神经网络时候调用
4.验证
完成训练后，使用这一文件去识别训练过程中扣下来的文字
训练流程整体代码：
#pre process
read_image (Ocrfind, 'C:/Users/sinzo/Desktop/halcon/class 2/ocrfind.bmp')
gen_rectangle1 (ROI_0, 502, 659.031, 772, 1142.79)
reduce_domain (Ocrfind, ROI_0, ImageReduced)
threshold (ImageReduced, Regions1, 0, 80)
erosion1(Regions1, Regions1, RegionErosion, 1)
connection (Regions1, ConnectedRegions)
#get how many
count_obj (ConnectedRegions, Number)
ClassNames1 := ['1','0','1','1','3','7','5','6','7','6','-','-','.','.']
#generator NN Model
create_ocr_class_mlp (100, 100, 'constant', 'default', ['0','1','2','3','4','5','6','7','8','9','.','-'], 80, 'none', 12, 42, OCRHandle)
trainf_ocr_class_mlp(OCRHandle, 'C:/Users/sinzo/Desktop/halcon/class 2 train/train_characters_ocr_manadj.trf', 200, 1, 0.01, Error, ErrorLog)
#ocr
ocrNumbers[Number] := 0
for index:= 1 to Number by 1
select_obj (ConnectedRegions, testRegion, index)
do_ocr_multi_class_mlp (testRegion, ImageReduced, OCRHandle, Class, Confidence)
dev_clear_window()
dev_display (testRegion)
disp_message(200000, Class, 'window', 12, 12, 'red', 'true')
ocrNumbers[index-1] := Class
disp_message (200000, Class, 'window', 12, 12, 'black', 'true')
endfor
stop()