MVTec Software GmbH
 

Neueste HALCON-Features

Auf dieser Seite finden Sie Informationen über die neuesten Features von HALCON, MVTec’s Standardsoftware für die industrielle Bildverarbeitung. Neben Details über die Funktionen der neuesten Version erhalten Sie auch eine exklusive Vorschau darauf, was im nächsten Release enthalten sein wird.

HALCON 17.12

Die neue HALCON Version wird im Dezember dieses Jahres veröffentlicht und wird – nach dem Erscheinungsdatum – HALCON 17.12 genannt. Im Folgenden sehen Sie eine erste Vorschau auf diese kommende Version.

Deep Learning out of the Box

Mit HALCON 17.12 werden Nutzer in der Lage sein, ihren eigenen Klassifikator mit Hilfe eines CNN (Convolutional Neural Network – „Verschlungenes“ neurales Netzwerk) zu trainieren. Nachdem das CNN trainiert wurde, kann es für die Klassifizierung neuer Daten mit HALCON verwendet werden.

Trainieren eines Convolutional Neural Networks

Training eines CNN

Ein CNN kann in HALCON einfach trainiert werden, indem eine ausreichende Menge klassifizierter Beispielbilder bereitgestellt wird. Um beispielsweise zwischen Aufnahmen mit Kratzern oder Verunreinigungen und guten Samples unterscheiden zu können, müssen Trainingsbilder für alle drei Klassen bereitgestellt und eingelesen werden: Bilder die Kratzer zeigen müssen die Bezeichnung „Kratzer“ tragen, solche, die eine Verunreinigung zeigen erhalten die Bezeichnung „Kontamination“ und Bilder von guten Samples müssen zur Kategorie „OK“ gehören.

Daraufhin analysiert HALCON diese Bilder und lernt automatisch, welche Eigenschaften genutzt werden können, um gute von verkratzten und verunreinigten Werkstücken zu unterscheiden. Dies ist ein großer Vorteil gegenüber allen bisherigen Klassifikationsmethoden, bei denen diese Eigenschaften vom Nutzer manuell definiert werden mussten – eine komplexe und mühsame Aufgabe, die qualifizierte Ingenieure mit fortgeschrittenen Programmierkenntnissen und Erfahrung in der Bildverarbeitung erfordert.

Einsatz des trainierten Netzwerks

Sobald das Netzwerk gelernt hat zwischen den definierten Klassen zu unterscheiden, also bspw. feststellen kann, ob ein Bild ein zerkratztes, kontaminiertes oder gutes Werkstück zeigt, kann es eingesetzt werden. Nutzer können den neu erstellten CNN-Klassifikator nun auf neue Bilddateien anwenden, welche der Klassifikator dann den beim Training gelernten Kategorien zuordnet. Typische Anwendungsbereiche für Deep Learning sind Defektklassifizierung (z.B. für Leiterplatten, Flaschenmündungen, oder Tabletten) oder Objektklassifizierung (z.B. Erkennung verschiedener Pflanzenarten auf einem einzelnen Bild).

 

 

Die aktuelle Version – HALCON 13

Hier finden Sie mehr Informationen über die zahlreichen Funktionen und Verbesserungen unserer aktuellen Version HALCON 13.