Instabile Kanten aus SBM-Modellen automatisch entfernen – für schnelleres und robusteres Matching.
HALCON 26.05 ermöglicht es, instabile oder irreführende Konturen automatisch aus SBM-Modellen zu entfernen. Reflexionen, Schatten oder unregelmäßige Texturen führen häufig zu unzuverlässigen Konturen, die die Robustheit des Matchings beeinträchtigen und bisher mühsame manuelle Nacharbeit erforderten. Die neue Funktion zur automatischen Konturoptimierung für Shape-BasedMatching löst dieses Problem datengetrieben: Anwender stellen Beispielbilder realer Objektinstanzen bereit, das System erkennt daraufhin automatisch, welche Konturen über verschiedene Aufnahmebedingungen hinweg stabil sind, und entfernt unzuverlässige Konturen aus dem Modell.
Das Ergebnis ist ein schlankeres Modell, das schneller, stabiler und genauer arbeitet. Der aufwändige manuelle Eingriff in die Konturbearbeitung entfällt und wird durch einen automatisierten Schritt im Modelltraining ersetzt. Besonders profitieren Anwendungen mit reflektierenden oder texturierten Objekten – etwa mechanische oder elektronische Bauteile – sowie Automatisierungsszenarien wie förderbasierte Pick-and-Place-Systeme, bei denen zuverlässiges Matching entscheidend ist. Die automatisierte Optimierung reduziert zudem den Aufwand für das erneute Trainieren von Modellen bei der Einführung neuer Objekte und macht Inline-Umrüstungen in Produktionsumgebungen praktikabler.
HALCON 26.05 erweitert den Code-Reader um eine Rektifizierungsfunktion für Data-Matrix-Codes. In vielen industriellen Anwendungen werden Codes auf nicht-ebene Materialien aufgedruckt, was die Symbolgeometrie verzerrt und die Lesezuverlässigkeit mindert. Die neue Funktion gleicht solche Verzerrungen vor dem Dekodiervorgang aus und ermöglicht so ein zuverlässiges Lesen auch auf gekrümmten oder verformten Oberflächen.
Die Rektifizierung lässt sich optional im Code-Reader aktivieren und fügt sich nahtlos in bestehende Workflows ein. Die Verarbeitungszeit ist gegenüber dem Standard-Leseverfahren leicht erhöht, wird jedoch durch die deutlich verbesserte Dekodierzuverlässigkeit in anspruchsvollen Umgebungen aufgewogen. Typische Einsatzgebiete sind Codes auf zylindrischen Bauteilen, gekrümmten Verpackungen oder flexiblen Materialien in Fertigung und Logistik.
Flexible Augmentation-Pipelines für robustere Deep-Learning-Modelle bei geringerem Trainingsdatenaufwand.
HALCON 26.05 führt eine erweiterte Data-Augmentation für Deep-Learning-Workflows ein. Der bisherige prozedurbasierte Ansatz für Augmentation und Vorverarbeitung wird durch konfigurierbare Operatoren ersetzt, die sich direkt in HALCON-Deep-Learning-Pipelines integrieren.
Augmentation-Pipelines lassen sich programmatisch definieren, Transformationen wie geometrische Veränderungen, Farbvariationen oder Unschärfe lassen sich gezielt einsetzen, und die resultierenden Bildvariationen können in der Vorschau überprüft werden. So können Entwickler Augmentation-Strategien schnell testen und verfeinern, ohne den bestehenden Workflow zu verlassen. Die so erzeugten Trainingssamples verbessern Robustheit und Generalisierung der Modelle und verringern damit die Abhängigkeit von großen Trainingsdatensätzen.
Dieses Feature ist zunächst für Objekterkennung und Instanz-Segmentierung verfügbar und unterstützt ein robusteres Training sowie eine bessere Generalisierung der Modelle unter anspruchsvollen Bedingungen wie wechselnden Lichtverhältnissen, Perspektivänderungen, Verdeckungen oder verrauschten Bilddaten.
HALCON 26.05 bringt eine neue Generation der Deep-Learning-basierten Objekterkennung, die bis zu 5x schnellere Inferenz bei gleichbleibend hoher Erkennungsgenauigkeit bietet. Die neue Architektur ist für anspruchsvolle Machine-Vision-Szenarien optimiert, in denen sowohl Geschwindigkeit als auch Präzision entscheidend sind.
Detektionsmodelle lassen sich direkt in HALCON trainieren und ausführen. Als Ausgangspunkt stehen von MVTec bereitgestellte vortrainierte Modelle zur Verfügung, die sich an spezifische Anwendungen anpassen lassen. Der ankerfreie Detektionsansatz verbessert die Bounding-Box-Lokalisierung und arbeitet zuverlässig – auch bei kleinen Objekten und stark variierenden Objektgrößen. Integrierte Data-Augmentation-Techniken erhöhen zusätzlich die Robustheit gegenüber Beleuchtungswechseln, Rotationen, Verzerrungen und teilweisen Verdeckungen. Das Feature integriert sich direkt in HALCON-Workflows und unterstützt Inspektions-, Lokalisierungs- und Sortieraufgaben in der industriellen Automatisierung.
