MVTec Software GmbH
 

Machine Vision: MVTec HALCON setzt neue Standards für den Einsatz von Deep Learning

München, 31. Juli 2017 – Die MVTec Software GmbH (www.mvtec.de), führender Anbieter innovativer Machine-Vision-Technologien, kündigt eine neue Version ihrer Standard-Software HALCON an. Dabei setzt das am Jahresende erscheinende Release einen weiteren Meilenstein in der Verwendung neuartiger Technologien in Standard-Software: Die Lösung bietet eine große Auswahl an Funktionen für den Einsatz von Deep Learning out of the box. Dies ebnet den Weg zu einem breiten Einsatz von selbstlernender, auf künstlicher Intelligenz basierender Bildverarbeitung. Anwender kommen damit einfacher und schneller zu robusteren Klassifikations-Ergebnissen.

Neue HALCON-Version mit einer großen Auswahl an Funktionen für den Einsatz von Deep Learning out of the box.

So sind Kunden mit der neuen Version erstmals in der Lage, Convolutional Neural Networks (CNNs) auf Basis von Deep-Learning-Algorithmen in Eigenregie zu trainieren. Die vortrainierten Netze können dann zur Klassifizierung von Bilddaten eingesetzt werden. Das Beste: Diese zukunftsfähigen Deep-Learning-Features sind nahtlos in eine professionelle und seit langem bewährte Standard-Bildverarbeitungs-Bibliothek integriert. Nutzer profitieren dadurch auch von allen Vorteilen, die eine Standard-Software bietet, wie hoher Qualität, laufenden Updates und kompetentem Support.

Schon seit November 2016 können Anwender in der Version 13 von MVTec HALCON auf Deep Learning basierende OCR-Klassifikatoren einsetzen. Diese Technologie alleine führt bereits in zahlreichen Anwendungen zu beeindruckenden Erkennungsraten.

Durch selbst trainierte Netze Aufwand einsparen

Dazu Johannes Hiltner, Produktmanager HALCON bei MVTec: "Mit der neuen HALCON-Version bedienen wir passgenau ein Trendthema und starkes Marktbedürfnis der industriellen Bildverarbeitung. So sparen Kunden durch die Anwendung ihrer selbst trainierten Netze viel Aufwand, Zeit und Kosten ein. Defektklassen lassen sich beispielsweise allein durch Referenz-Bilder trainieren. Somit ist eine aufwändige Programmierung zur Erkennung unterschiedlicher Defektklassen nicht mehr erforderlich. Deep Learning wird in der Bildverarbeitung im industriellen Umfeld vor allem bei Klassifikationsaufgaben eingesetzt. Daraus ergibt sich ein breites Spektrum an Anwendungen, wie etwa in der Inspektion von Produktionsgütern oder der Unterscheidung von Bauteilen."