此外，新的 HALCON 版本还整合了对深度学习技术 3D 抓取点检测以及 Deep OCR 训练的改进。现在可以借助 HALCON 23.05 进一步优化底层的深度学习网络，这些网络已经针对用户自有应用，使用行业相关图像进行过预先训练。这可以让 Deep OCR 应用的识别率更加稳定，也可以帮助使用 3D 抓取点检测技术的应用更可靠地检测合适的抓取面。此外，还有许多其他有益的改进，例如，现在将外部代码集成到 HALCON 中时更加方便。
MVTec 通过新的深度学习功能进一步扩展 HALCON 功能
Deep Counting
从 HALCON 23.05 开始，客户可以使用“Deep Counting”功能，它可以快速可靠地对大量物体进行计数和位置检测。与现有的机器视觉方法相比，这种基于深度学习的技术具有明显的优势：功能部署非常迅速，因为需要标记和训练的物体很少，而且这两个步骤都可以在 HALCON 中轻松完成。即使是高反射率非晶材料制成的物体，这项技术也能提供可靠的结果。利用 Deep Counting 可以对大量物体进行计数，例如玻璃瓶、树干或食品等。
Deep OCR 的训练
Deep OCR 可以非常稳定地读取文字，甚至不会受到方向和字体的影响。这项技术会首先检测图像中的相关文本，然后进行读取。借助 HALCON 23.05，现在还可以通过使用特定于应用的图像重新训练预先训练过的网络，对文本检测进行微调。这样产生的结果更加稳定，同时还开启了新的可能性。例如：检测任意印刷类型或此前未见的字符类型的文本，以及提高低对比度嘈杂环境中的读取能力。
3D 抓取点检测的训练
3D 抓取点检测可以可靠地检测任何物体上适合用吸力抓取的表面。在 HALCON 23.05 中，现在可以用特定于应用的自有图像数据重新训练预先训练过的模型。这样就能更稳定地识别可抓取的表面。利用 MVTec 深度学习工具，可以轻松高效地完成必要的标注工作。
简易扩展接口
借助 HALCON 扩展包，可以集成外部编程语言。HALCON 23.05 中的外部代码集成更加方便。现在使用全新的 Easy Extensions Interface，用户只需几个步骤就可以在 HDevelop 和 HDevEngine 中使用自己用 .NET 代码编写的函数。甚至还可以使用 HALCON/.NET 语言界面中已知的数据类型和 HALCON 算子。客户收益：现在，HALCON 可以涵盖单纯图像处理之外的功能。这增加了 HALCON 的灵活性和应用可能性。