保持更新

HALCON 25.11 的最新功能

MVTec HALCON 25.11已于2025年11月发布。
此次版本再次带来了多项优化与全新功能，其中包括全新的持续学习（Continual Learning）– 分类技术，使分类模型的训练与更新过程更加快速、灵活。

此外，全新的 HALCON 版本还引入了形状匹配得分可视化（Score Visualization for Shape Matching）功能，以及优化后的 Deep OCR 模型，在文本识别中实现更高速度与更高资源利用效率。
更多改进与增强，将为机器视觉应用带来更强大的性能与可用性。

前往下载

观看 HALCON 25.11 网络研讨会

你可以随时按需观看关于 HALCON 25.11 新功能的录播网络研讨会。

前往录播视频

Continual Learning（持续学习 – 分类)

Key Feature

HALCON 25.11 推出了持续学习 – 分类，这一技术使分类模型的训练与更新更加高效灵活。用户仅需少量每类图像即可创建模型，并可随时调整，例如优化现有类别或添加新类别。
不同于传统深度学习，该方法避免了灾难性遗忘，并显著降低维护成本。依托 MVTec 针对工业场景优化的预训练模型，应用无需完全重新训练即可快速更新。由于所需计算资源极少，更新甚至可直接在边缘设备上完成 —— 无需外部训练硬件，同时确保高效与长期稳定运行。
因此，这一灵活的解决方案能够适应不断变化的生产条件，并适用于嵌入式与边缘环境，例如智能相机、传感器和检测模块。

Score Visualization（分数可视化 – 形状匹配）在 HALCON 25.11 中

HALCON 25.11 引入了 Score Visualization（分数可视化 – 形状匹配），为用户在设置形状匹配应用时提供更高的透明度。该功能不仅返回总体分数，还显示不同模型区域对最终结果的贡献。通过配置彩色等级区间bins，用户可直观识别哪些区域匹配良好，哪些区域表现欠佳，例如由于阴影或多余纹理导致。
这种可视化反馈大大简化了模型优化、问题区域的移除与应用改进 —— 对非专业用户来说是显著的 Usability易用性优势。
此外，该功能还支持机器人中的高级应用，例如分析堆叠中哪一对象遮挡最少，应优先抓取。

HALCON 25.11 中的优化 Deep OCR 模型：更快、更高效的 OCR

HALCON 25.11 引入了新的 Deep OCR 文本识别模型，使文本读取更快、更节能且准确性不受影响。在边缘设备上推理速度可提升至 50 倍。所有模型均由 MVTec 基于工业图像数据预训练，并集成成熟的对齐预处理，在文本位置或方向变化时提升识别效果。凭借优化的架构，这些模型能够在低功耗设备上实现实时 OCR 应用，同时保持高精度。因此，它们非常适合高要求的在线应用，如序列号检测、标签验证或批次追踪 OCR 任务，广泛应用于物流、包装、制药、消费品和医疗技术等行业。

HALCON 25.11 中的 MobileNetV4 分类模型

HALCON 25.11 支持 MobileNetV4 系列，这是一代高效的深度学习模型，专为资源受限系统和边缘设备优化。它们支持分类与目标检测任务，在保持低计算需求的同时提供高精度。用户受益于更快的推理速度、更低的系统成本以及与现有 HALCON 项目的便捷集成。所有模型均由 MVTec 基于工业图像数据预训练，在多种应用中表现优异，例如质量检测、产品分类、存在检测和表面缺陷分析。典型应用行业包括自动化、电子、包装、食品和医疗技术。

HALCON 25.11 中的代码读取与印刷质量检测优化

在 HALCON 25.11 中，代码读取与印刷质量检测 (PQI) 得到了进一步增强，更加稳健且灵活。QR 码检测针对复杂情况进行了优化，例如弯曲或变形的表面。改进后的候选搜索显著提高了检测率，同时在标准场景下运行时间缩短——这使其在物流、包装、食品生产和瓶类贴标等行业中实现更可靠的读取。
条码读取器在 Code 128 和 GS1-128 上也得到了优化，对因印刷波动或局部畸变造成的不规则条宽更加容忍，从而提升了在多种工业应用中的解码可靠性。
此外，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，使代码质量能够按照最新要求进行验证，适用于制药、食品和物流等行业。

这些改进为工业代码读取应用提供了合规性、长期的过程稳定性和更高的鲁棒性。