Mit der Score-Visualisierung für Shape Matching in HALCON 25.11 gewinnen Anwender mehr Transparenz beim Einrichten von Shape-Matching-Anwendungen. Anstelle eines Gesamtscores zeigt das Feature auf, wie verschiedene Modellbereiche zum Endergebnis beitragen. Durch das Konfigurieren farbcodierter Bins erkennen Anwender sofort, welche Bereiche gut matchen und welche schlechter abschneiden – etwa aufgrund von Schatten oder unerwünschten Texturen. Dieses visuelle Feedback erleichtert es erheblich, Modelle zu verfeinern, problematische Bereiche zu entfernen und Anwendungen zu optimieren – ein großer Usability-Vorteil insbesondere für weniger erfahrene Anwender.
Darüber hinaus unterstützt das Feature auch fortgeschrittene Szenarien in der Robotik. So lässt sich bestimmen, welches Objekt in einem Stapel am wenigsten verdeckt ist und daher zuerst gegriffen werden sollte.
Mit den neuen Deep-OCR-Texterkennungsmodellen in HALCON 25.11 wird das Lesen von Text schneller und ressourcenschonender, ohne an Genauigkeit einzubüßen. Die Modelle liefern bis zu 50-mal schnellere Inferenz auf Embedded-Geräten. Alle Modelle sind von MVTec auf industriellen Bilddaten vortrainiert und beinhalten die bewährte Alignment-Vorverarbeitung, die die Erkennung bei variierender Textposition oder -ausrichtung verbessert. Dank ihrer optimierten Architektur ermöglichen die Modelle Echtzeit-OCR-Anwendungen auf Geräten mit geringer Rechenleistung bei gleichzeitig hoher Genauigkeit. Damit eignen sie sich ideal für Anwendungen wie Seriennummernprüfung, Etiketteninspektion oder Losnummern-Tracking in Branchen wie Logistik, Verpackung, Pharma, Konsumgüter und Medizintechnik.
Mit HALCON 25.11 unterstützt MVTec erstmals MobileNetV4-Modelle, eine neue Generation effizienter Deep-Learning-Modelle, die für ressourcenbeschränkte Systeme und Embedded-Geräte optimiert sind. Diese Modelle unterstützen sowohl Klassifikation als auch Objekterkennung und bieten hohe Genauigkeit bei gleichzeitig geringen Rechenanforderungen. Anwender profitieren von kurzen Inferenzzeiten, niedrigeren Systemkosten und einer einfachen Integration in bestehende HALCON-Projekte. Alle Modelle sind von MVTec vortrainiert, was eine starke Leistung für verschiedenen Anwendungsfällen wie Qualitätsprüfung, Produktklassifikation, Anwesenheitserkennung und Oberflächenfehleranalyse. Typische Einsatzbereiche sind die Automatisierung, Elektronik, Verpackung, Lebensmittel- sowie die Medizintechnik.
Mit HALCON 25.11 werden das Codelesen und die Druckqualitätsprüfung (PQI) noch robuster und flexibler.
Die QR-Code-Erkennung wurde für anspruchsvolle Fälle wie gekrümmte oder verformte Oberflächen optimiert. Eine verbesserte Kandidatensuche steigert die Erkennungsrate deutlich, während die Laufzeit in Standardszenarien reduziert wurde – dies ermöglicht zuverlässiges Lesen in Branchen wie Logistik, Verpackung, Lebensmittelproduktion und Flaschenetikettierung.
Auch der Barcode-Leser wurde für Code 128 und GS1-128 erweitert und ist nun unempfindlicher gegenüber unregelmäßigen Strichbreiten durch Druckschwankungen oder lokale Verzerrungen. Dadurch steigt die Dekodierzuverlässigkeit in vielfältigen industriellen Anwendungen.
Darüber hinaus unterstützt HALCON die neuen Standards zur Druckqualitätsprüfung ISO/IEC 15415:2024 und ISO/IEC 29158:2025. Damit lässt sich die Codequalität nach den neuesten Anforderungen beispielsweise in der Pharma-, Lebensmittel- und Logistikbranche prüfen.
Diese Erweiterungen sichern Konformität, langfristige Prozessstabilität und höhere Robustheit bei einem breiten Spektrum industrieller Code-Lese-Anwendungen.
Mit HALCON 25.11 stellt MVTec Software Bills of Materials (SBOMs) bereit, die einen transparenten Überblick über die im Produkt enthaltenen Softwarekomponenten bieten. SBOMs entwickeln sich zu einer zentralen Anforderung neuer Vorschriften wie des EU Cyber Resilience Act und werden zunehmend in prozess- und sicherheitskritischen Branchen verlangt.
Indem SBOMs direkt mit HALCON ausgeliefert werden, erleichtert MVTec die Einhaltung von Vorgaben und reduziert den Aufwand für Kunden. In Form maschinenlesbarer SPDX-JSON-Dateien bereitgestellt, unterstützen SBOMs die Analyse von Schwachstellen und Lizenzen, die Erfüllung regulatorischer Pflichten sowie eine schnelle Reaktion auf neu entdeckte Risiken. Das Ergebnis sind weniger Integrationsaufwand, geringere langfristige Kosten und größeres Vertrauen in die Einhaltung sowohl regulatorischer als auch kundenspezifischer Anforderungen.
