
HALCON 最新特性
基于表面的 3D 匹配得到了提升

在 HALCON 20.11中,针对具有许多对象和边缘的 3D 场景,支持边缘、基于表面的 3D 匹配速度得到了明显的提升。
除此之外,由于不再需要设置视点,还提高了可用性。
DotCode 和数据矩阵矩形扩展

在 HALCON 20.11 中,数据代码读取器扩展了新的代码类型。 此类 2D 代码是基于点的矩阵。 因此,它可以非常快速地被打印,特别适用于制药或烟草行业等高速应用场景。
此外,ECC 200 代码读取器现在支持数据矩阵矩形扩展(DMRE)。
Deep OCR

Deep OCR,是一种基于整体深度学习的 OCR 方法。 这项新技术使机器视觉距人类阅读更近了一步。
与现有算法相比,Deep OCR 在字符方向、字体类型和极性是任意的情况下也可以稳健地定位字符。 自动对字符进行分组的功能实现了识别整个单词。 由于避免了例如对具有相似外观的字符的误解,因此极大地提高了识别性能。
基于形状的匹配得到改进

在 HALCON 20.11 中,基于形状的匹配的核心技术已得到改进。
尤其是在低对比度和高噪声的情况下。 现在可以自动估计更多参数, 这提高了在低对比度和高噪声情况下的可用性、匹配率以及鲁棒性。
HDevelop Facelift

为了提升用户体验,HALCON 的集成开发环境 HDevelop 进行了改头换面。
在 HALCON 20.11 中,实现了更多用于单独配置的选项,例如新的现代窗户对接概念。 而且,现在可以使用主题来改善视觉人体工程学,并更符合个人喜好。
深度学习边缘提取

深度学习边缘提取是一种全新且独特的方法,可以可靠地提取边缘(例如物体边界)。
特别是对于在图像中可见各种边缘的场景,可以仅用很少的图像对其进行训练,便能可靠地提取所需的边缘。 因此,使用该版本的 MVTec HALCON 可以大大减少提取特定种类边缘的编程工作。 此外,预训练神经网络本身就能够在低对比度和高噪声情况下稳健地检测边缘。 这使得提取"之前通过边缘检测过滤器无法检测到的边缘"成为可能。
亚像素条形码阅读器
HALCON 的条形码读取器通过高级解码算法得到了改进,该算法提高了读取小尺寸条形码时的解码速率。 因此,HALCON 20.05中的条形码读取器甚至能够精确读取小于1个像素的代码。
基于表面的 3D 匹配
在组装行业流水线上,需要稳固且精确地放置工件,以便进行进一步处理。通常,像小孔这样的属性是找到对象正确方向的唯一独特功能。
而使用 HALCON 20.05,对于几乎对称的对象,基于表面的 3D 匹配更加可靠。HALCON 基于表面的 3D 匹配现在可以利用这些升级的功能来提高匹配结果的准确性和鲁棒性。
在 CPU 上进行深度学习训练
HALCON 20.05 允许在 CPU 上进行所有深度学习技术的训练。 由此消除对深度学习对 GPU 的需求,即现在也可以将标准的工业 PC (无GPU)用于深度学习训练, 让用户可以直接在生产线上进行训练。因此可以根据实际情况随时更改应用程序,从而极大地提高了客户在实施深度学习中的灵活性。
各类进一步的改进
更强大的通用箱体定位算法Generic Box Finder
HALCON 19.11 发布的通用箱体定位算法,使用户可以在预定的长宽高范围内找到不同大小的盒,而无需训练模型。HALCON 20.05,在该算法的鲁棒性,性能,速度和可用性方面进行了改进。现在,可以更方便、鲁棒地查找各种尺寸不同的盒子。
异常值检测改进
异常值检测仅需要少量的高质量“完好”图像进行训练,已经极大地促进了自动表面检查。使用 HALCON 20.05,训练神经网络进行异常检测的速度比现在快了10倍。结合更快的推理能力,这为尝试在新的和现有的应用程序上进行深度学习提供了全新的可能性:现在,训练新的神经网络可以在几秒钟内完成,从而允许用户执行许多迭代来微调其应用程序而不会牺牲很多宝贵的时间。经过训练的神经网络也需要更少的内存和磁盘空间,这使得 HALCON 的异常值检测更适合在嵌入式设备上使用。
CPU 支持基于 Grad-CAM 的热度图
基于 Grad-CAM 的热度图(Gradient-weighted Class Activation Mapping)可帮助您分析图像的哪些部分影响了分类结果。在 HALCON 20.05 中,热度图计算也可以在 CPU 上执行。由于可以在不显着降低速度的情况下完成此操作,因此客户现在可以“即时”分析其深度学习网络的分类预测。
深度学习异常值检测
自动化表面检查是许多制造行业的重要任务,而基于深度学习的解决方案正成为区分零件、检测并分割缺陷的一种标准工具。但是,往往很难获得足够的缺陷图像,或者需要极大的工作量来标记可用数据。
借助 HALCON 全新的异常值检测功能,您只需使用相对较少的“良好”图像训练后即可进行检查。通过推断,得出在被检图像中检测到与训练图像相比存在的“异常值”。右图为一个有缺陷瓶颈的示例。
ECC 200 读码器加速
在 HALCON 19.11 中,EC C200 码的读码器已针对多核心系统大幅加速。最大的改进是针对特别难以检测和读取的代码。对于此类代码,可以实现大约 200% 的加速。这一加速还可以优化利用现有硬件功能,从而大大提高嵌入式读码器的生存能力。
通用箱盒查找器
HALCON 19.11 提供了一项针对拾取和放置应用的新功能:通用箱盒查找器可以帮助用户根据 3D 空间查找不同尺寸箱盒,无需为需要查找的每种箱盒尺寸训练一个模型。这会大大提高许多应用的效率,特别是经常使用各种不同尺寸箱盒的物流和制药行业。
支持 ONNX
有许多公司使用开源框架训练深度学习模型 (CNN) 的 分类器。这些 CNN 可以被导出成 ONNX (Open Neural Network Exchange) 格式。 从 HALCON 19.11 开始, HALCON 可以读取 ONNX 格式的数据,从而让在第三方 训练的神经网络可以应用于 HALCON。
在 Arm 处理器上执行深度学习推断
借助 HALCON 19.05,客户可以直接在 Arm® 处理器上执行深度学习推断。这样,客户无需任何其他专用硬件,即可在嵌入式设备上部署深度学习应用。三种深度学习技术图像分类、物体检测和语义分割全部支持,可即时在基于 Arm 的嵌入式设备上运行。
增强版的物体检测能力
HALCON 深度学习里的物体检测功能,可以使用矩形边框来识别和定位所训练过的物体类型。现在 HALCON 19.05也为用户提供了新选项,让矩形边框可以和物体方向平行对齐,这样让矩形边框更加贴合物体的形状,使得检测更加精准。
基于表面的匹配
支持边缘的表面匹配现在能更加鲁棒的去对抗嘈杂的点云: 用户可以通过多个 min-scores 来控制表面和边缘信息的影响。 此外, 如果没有 xyz-images 可用,一个新参数也可以完全关闭3D边缘对齐。这样用户就可以消除 3D 数据不足对匹配结果的影响,同时保留有价值的 2D 信息以便进行表面和 2D 边缘对齐。