十月 14, 2025 | 发布的新闻稿 | HALCON
在将于 2025 年 11 月 12 日发布的 HALCON 25.11 新版本中，软件将进一步扩展深度学习功能，重点提升运行速度。MVTec HALCON 产品经理 Jan Gärtner 表示：“速度是确保深度学习应用能够在实际生产中高效、经济运行的关键因素。针对新版本，我们优化了用于分类和码读取的深度学习模型，从而显著加快了推理速度。”速度同样是新功能“持续学习（Continual Learning）”的核心，尤其是在适应生产流程变化时。新的分类任务深度学习模型可快速、简便地添加新类别或新的训练图像数据，同时避免出现“灾难性遗忘”现象。
与每年两次发布的新版本一样，HALCON 25.11 不仅带来了全新的功能，还对现有功能进行了改进。除持续的技术开发与优化外，MVTec 还不断采纳客户反馈，并将相关需求融入 HALCON。
新版本中的一个示例是匹配方法的可视化增强：系统现在能够以不同颜色分别显示已检测和未检测到的边缘，从而显著提升结果的可读性与调试效率。
HALCON 25.11 引入了“持续学习 – 分类”功能，使分类模型的训练与更新更加快速和灵活。用户只需为每个类别提供少量图像，即可高效完成模型训练；同时，可随时对现有类别进行优化或新增类别，而无需进行完整的重新训练。该方法避免了“灾难性遗忘”问题，并可直接在边缘设备上运行，无需外部硬件支持。由此，HALCON 提供了一种灵活的解决方案，能够适应不断变化的生产环境，特别适用于智能相机、传感器等嵌入式与边缘计算场景。
HALCON 25.11 引入了“形状匹配数据可视化”功能，在设置应用时显著提升了透明度。该功能不仅返回整体匹配得分，还能展示不同模型轮廓对最终结果的具体贡献。通过颜色编码，用户可直观识别匹配良好和未能匹配的区域，例如因阴影或不期望纹理导致的差异。这种可视化反馈有助于优化模型并改进应用设置。此外，该功能还支持高级机器人应用场景，例如分析堆叠物体中哪一个覆盖最少，从而为复杂自动化任务提供更高的精度与可解释性。
HALCON 25.11 引入了全新的深度 OCR 识别模型，实现了在不降低精度的前提下更高速度与更高资源效率的文字读取。该模型在嵌入式设备上的推理速度最高可提升至原先的 50 倍。这些模型基于工业数据进行预训练，并结合经过验证的对齐预处理算法，即使在低功耗硬件上也能实现实时文字识别。因此，它们非常适用于对速度和稳定性要求极高的在线检测任务，如序列号识别、标签验证和批次追踪。
在 HALCON 25.11 中，MVTec 增加了对 MobileNetV4 系列的支持——这是一组专为资源受限系统和边缘设备优化的高效深度学习模型。它们可在低计算成本下实现高精度的分类与目标检测。用户因此能够获得更快的推理速度、更低的系统成本，并能轻松集成至现有项目中。所有模型均基于工业数据进行预训练，在质量检测、产品分类和缺陷分析等任务中表现出色。
HALCON 25.11 进一步增强了代码读取与印刷质量检测（PQI）的稳健性。QR 码检测在处理弯曲或变形表面等复杂情况时表现更优，在标准场景下运行速度也得到提升。条码读取器对 Code 128 和 GS1-128 中的不规则条宽具有更高的容错性。与此同时，HALCON 现已支持最新的印刷质量检测标准 ISO/IEC 15415:2024 和 ISO/IEC 29158:2025，确保在物流、食品及制药等行业中持续符合最新规范。
HALCON 25.11 提供了软件物料清单（SBOM），为用户清晰展示所包含的软件组件。根据欧盟《网络韧性法案》（Cyber Resilience Act）等法规的要求，SBOM 已逐渐成为合规的重要组成部分。HALCON 提供的 SBOM 以 SPDX JSON 文件格式呈现，可简化合规流程，支持漏洞与许可证检查，从而减少工作量并降低长期维护成本。
法律声明
版权所有。所有图像和文本材料仅可免费用于新闻报道。图片来源：MVTec Software GmbH。请向我们提供报道副本。除新闻报道外，这些材料禁止用于任何形式的商业用途。版权所有 © MVTec Software GmbH
发布日期： 十月 14, 2025
