自动从 SBM 模型中移除不稳定边缘，以实现更快速且更稳健的匹配。
借助 HALCON 26.05，基于形状的匹配（SBM）的自动轮廓优化功能使用户能够自动从 SBM 模型中移除不稳定或具有误导性的轮廓。反射、阴影或随机纹理通常会引入不可靠的轮廓，从而降低匹配的稳健性，并需要耗费大量人力进行手动清理。借助这一新功能，用户只需提供真实对象实例的样本图像。系统基于这些样本分析哪些轮廓在不同变化条件下始终一致出现，并仅保留稳定的轮廓，同时移除不可靠的部分。
通过使模型仅关注稳健的轮廓，匹配过程变得更快速、更稳定且更精确。该功能在模型训练阶段以数据驱动的优化步骤取代了耗时的手动轮廓编辑。对于具有反光或复杂纹理的对象（例如机械或电子元件），以及诸如基于送料器的拾取与放置系统等对匹配稳定性要求极高的自动化应用场景而言，这一功能尤为重要。自动化优化还降低了在引入新对象时重新训练模型的工作量，使得在生产环境中进行在线换型更加可行。
HALCON 26.05 通过引入 Data Matrix 校正功能扩展了其代码读取器，使其即使在曲面或变形表面上的 Data Matrix 码也能实现可靠读取。在许多工业应用中，代码通常印刷在非平面材料上，这会导致符号几何形状发生畸变，从而降低读取可靠性。借助这一新的校正能力，HALCON 在解码之前对这些畸变进行补偿，从而在此类场景中显著提升稳健性。
该校正步骤可以在代码读取器中按需启用，并可无缝集成到现有工作流程中。尽管处理时间相较于标准 Data Matrix 读取略有增加，但更高的解码可靠性使其能够在严苛环境中实现稳定运行。典型应用包括印刷在圆柱形部件、曲面包装或制造与物流中使用的柔性材料上的编码。
灵活的数据增强流水线，可提升深度学习的稳健性并降低训练数据需求。
HALCON 26.05 为深度学习工作流程引入了增强型数据增强。该新方法以可配置算子取代了以往基于流程的数据增强和预处理步骤，并可直接集成到 HALCON 的深度学习流水线中。
用户可以以编程方式定义数据增强流水线，应用诸如几何变换、颜色变化和模糊处理等变换技术，并预览生成的图像变化。这使开发人员能够在现有工作流程中快速测试和优化数据增强策略。通过这种方式生成的训练样本有助于提升模型的稳健性和泛化能力，从而减少对大规模训练数据集的依赖。
该功能初期适用于目标检测和实例分割任务，支持更可靠的训练，并在光照变化、视角变化、遮挡或图像噪声等具有挑战性的条件下提升模型的泛化性能。
HALCON 26.05 提供了新一代基于深度学习的目标检测，在保持高检测精度的同时，实现了最高可达 5 倍的推理速度提升。全新的架构支持高效的目标检测，并针对对速度和精度要求都极高的严苛机器视觉场景进行了优化。
用户可以直接在 HALCON 中训练和运行检测模型，并可基于 MVTec 提供的预训练模型进行微调，以适配具体应用。无锚框（anchor-free）的检测方法提升了边界框定位精度，即使对于小目标和不同尺寸的目标也能实现可靠检测。集成的数据增强技术进一步增强了模型在光照变化、旋转、畸变和部分遮挡等情况下的稳健性。该功能可直接集成到 HALCON 工作流程中，支持工业自动化应用中的检测、定位和分拣任务。
