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.

HALCON 17.12

Die neueste HALCON Version wurde im Dezember 2017 veröffentlicht und heißt – nach dem Erscheinungsdatum – HALCON 17.12. Im Folgenden sehen Sie eine Übersicht über die wichtigsten Features dieser Version.

HALCON 17.12 ist das erste Release der neuen HALCON Progress-Edition. Um mehr über die Unterschiede der verschiedenen HALCON-Editionen zu erfahren, klicken Sie bitte hier.

HALCON herunterladen & kostenlos testen

Deep Learning out of the Box

Mit HALCON 17.12 sind Nutzer in der Lage, ihre eigenen Klassifikator bzw. CNN (Convolutional Neural Network – „Verschlungene“ neurale Netzwerke) mit HALCON 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).

Inspektion von spiegelnden Oberflächen mit Deflektometrie

Deflektometrie mit MVTec HALCON

Die Inspektion von spiegelnden Oberflächen stellt eine besondere Herausforderung dar, da der Betrachter nicht die Oberfläche selbst, sondern das Spiegelbild der Umgebung sieht. Dies stellt für die meisten Methoden der Oberflächeninspektion, wie Triangulation oder Shape from Shading, eine erhebliche Schwierigkeit dar, da diese Methoden in der Regel auf diffuse Reflexion angewiesen sind.

HALCON 17.12 enthält neue Operatoren, die es dem Anwender ermöglichen, spiegelnde und teilweise spiegelnde Oberflächen nach dem Prinzip der Deflektometrie zu inspizieren, um so Defekte zu erkennen. Diese Methode macht sich die oben genannten Spiegelreflexionen zu Nutze, indem sie die Spiegelbilder bekannter Muster und deren Verformungen auf der Oberfläche betrachtet.

Die automatische Texterkennung liest sich berührende Schriftzeichen
Automatische Texterkennung
Oberflächenfusion für mehrere 3D-Punktwolken
Oberflächenfusion

Automatische Texterkennung

HALCON 17.12 verfügt über eine verbesserte Version der automatischen Texterkennung, die sich berührende Schriftzeichen nun noch robuster erkennt und trennt.

 

Oberflächenfusion für mehrere 3D-Punktwolken

HALCON bietet jetzt ein neues Verfahren, das mehrere 3D-Punktwolken zu einer wasserdichten Oberfläche verschmilzt. Diese neue Methode ist in der Lage, Daten von verschiedenen 3D-Sensoren zu kombinieren – sogar von verschiedenen Typen wie Stereo-Kameras, Time-of-Flight-Kameras oder Streifenprojektionssensoren. Diese Technologie ist insbesondere nützlich für Reverse Engineering.

 

HDevEngine-Verbesserungen

Mit dem neuen, in HALCON 17.12 enthaltenen Exportfunktion der Bibliothek ist das Aufrufen von HDevelop-Prozeduren aus C++ so einfach und intuitiv wie der Aufruf jeder beliebigen C++ Funktion. Dieser neue Export generiert auch CMake-Projekte, die sich leicht konfigurieren lassen, um Projektdateien für viele gängige IDEs, wie z.B. Visual Studio, zu erzeugen.

Vorgänger-Version – HALCON 13

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