MVTec Software GmbH
 

HALCON 最新特性

了解更多 HALCON 20.11 相关内容

预览:HALCON 20.11

我们将逐步在此网页更新即将在2020年11月20日发布的 MVTec HALCON 最新版本的一些主要功能。

Deep OCR

通过 Deep OCR 定位到的字符组
使用 Deep OCR 的定位字符组

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

基于形状的匹配结果
在低对比度下也有好的结果反馈

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

HDevelop 截图
HDevelop 界面截图

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。

深度学习区分地板边缘
MVTec 的深度学习边缘提取功能可以区分地板边缘和木纹。

HALCON/Python

HALCON 20.11 引入了 HALCON / Python 接口。 这使使用 Python 的开发人员可以轻松访问 HALCON 强大的算法集。

简介 - 页面内容

您可在此页找到有关 MVTec 标准机器视觉软件 HALCON 最新特性的信息。

HALCON 的最新版本于 2020 年 05 月发布

下载 HALCON 并免费试用 查看 HALCON 20.05 宣传资料

亚像素条形码阅读器

Thecomparison between the bar code reading in HALCON 19.11 and 20.05.

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

HALCON's improved surface-based 3D matching

 

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

Training for deep learning can be performed on the CPU now.

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。

先前的发行版本

最新版 HALCON Progress: HALCON 19.11

最新版 HALCON Steady: HALCON 18.11 – 这是可购买的最新版 HALCON Steady。

了解更多 HALCON 版本的信息,请点击此处