HALCON Progress Key Visual shows a person running at high speed

HALCON 20.05

HALCON 20.05 已于2020年5月发布。在这里,您可以找到有关此版本 MVTec 的标准机器视觉软件的功能的信息:

HALCON 中的亚像素条形码读取器

HALCON 19.11和20.05中的条形码读数之间的比较。

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

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

在 CPU 上训练

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。