MVTec Software GmbH
 

Neueste HALCON-Features

HALCON 20.11

HALCON 20.11 ist ab sofort verfügbar und kommt mit vielen neuen Funktionen. Entdecken Sie die vielen neuen Features hier, laden Sie sich das englischsprachige New Features-Leaflet herunter und vergessen Sie nicht:

Jetzt HALCON 20.11 downloaden

Verbesserungen beim oberflächenbasierten 3D-Matching

Oberflächenbasiertes Matching
Szene mit vielen Objekten und Kanten

In HALCON 20.11 ist die Kerntechnologie des kantenunterstützten oberflächenbasierten 3D-Matchings bei 3D-Szenen mit vielen Objekten und Kanten deutlich schneller.

Zusätzlich zu dieser Beschleunigung wurde die Benutzerfreundlichkeit verbessert, da nun die Notwendigkeit, einen Blickpunkt festzulegen, entfällt.

 

 

DotCode und Data Matrix Rectangular Extension

Bild eines DotCodes
DotCode

In HALCON 20.11 wurde der Datacode-Leser um den neuen Codetyp DotCode erweitert. Diese Art von 2D-Code basiert auf einer Punktematrix und kann sehr schnell gedruckt werden. Er eigenet sich daher besonders für Hochgeschwindigkeitsanwendungen, wie zum Beispiel in der Tabakindustrie.

Darüber hinaus unterstützt der ECC-200-Code-Leser jetzt die rechteckige Erweiterung des Data-Matrix-Codes (DMRE).

Deep OCR

Ergebnis von Deep OCR: Lokalisierte Gruppen von Ziffern
Automatische Gruppierung von Zeichen

Deep OCR ist ein ganzheitlich Deep-Learning-basierter Ansatz für OCR. Diese neue Technologie bringt die industrielle Bildverarbeitung dem menschlichen Lesen einen Schritt näher.

Im Vergleich zu bestehenden Algorithmen kann Deep OCR Zeichen viel robuster lokalisieren, sogar unabhängig von ihrer Ausrichtung, Schriftart und Polarität. Die Fähigkeit, Zeichen automatisch zu gruppieren, ermöglicht die Identifizierung ganzer Wörter. Dadurch wird die Erkennungsleistung stark erhöht, da z.B. Fehlinterpretationen von Zeichen mit ähnlichem Aussehen vermieden werden können.

Verbessertes formbasiertes Matching

Ergebnisse des formbasiertem Matchings mit HALCON
Gute Ergebnisse trotz niedrigem Kontrast

In HALCON 20.11 wurde die Kerntechnologie "formbasiertes Matching" insbesondere für Szenarien mit geringem Kontrast und starkem Rauschen verbessert.

Es werden nun mehr Parameter automatisch geschätzt. Dies erhöht die Benutzerfreundlichkeit sowie die Matching-Rate und Robustheit in Situationen mit geringem Kontrast und starkem Rauschen.

HDevelop Facelift

Screenshot von HDevelop im dunklen Modus
Screenshot von HDevelop

Um die Benutzerfreundlichkeit zu verbessern, wurde HDevelop, die in HALCON integrierte Entwicklungsumgebung, einem Facelifting unterzogen.

HALCON 20.11 bringt weitere Optionen zur individuellen Konfiguration, z.B. ein neues modernes Window-Docking-Konzept. Außerdem stehen für eine bessere visuelle Ergonomie nun Themes zur Verfügung, mit denen sich HDevelop an die individuellen Bedürfnisse anpassen lässt.

Kantenextraktion mit Deep Learning

Unterscheidung zwischen Parkettfugen und der Holzmaserung mit MVTec HALCON.
HALCON's Kantenextraktion mit Deep Learning kann zwischen Parkettfugen und der Holzmaserung unterscheiden.

Die Kantenextraktion mit Deep Learning ist eine neue und einzigartige Methode zum robusten Extrahieren von Kanten (z.B. Objektgrenzen), die hauptsächlich in zwei Anwendungsfällen genutzt wird.

Insbesondere für Szenarien, in denen eine Vielzahl von Kanten in einem Bild sichtbar ist, kann die Kantenextraktion mit nur wenigen Bildern trainiert werden, um die gewünschten Kanten zuverlässig zu extrahieren. Daher wird der Programmieraufwand stark reduziert. Außerdem ist das vorab trainierte Netzwerk von Haus aus in der Lage, Kanten bei geringem Kontrast und hohem Rauschen robust zu erkennen. Dies ermöglicht das Extrahieren von Kanten, die mit herkömmlichen Kantenerkennungsfiltern nicht identifiziert werden können.

HALCON/Python

Mit HALCON 20.11 wird die neue HALCON/Python-Schnittstelle eingeführt. Auf diese Weise können Entwickler, die mit Python arbeiten, problemlos auf das leistungsstarke Operatorset von HALCON zugreifen.

Zusätzliche Features

Die folgenden Funktionen sind jetzt auch für HALCON Steady-Benutzer verfügbar, die von Version 18.11 upgraden:

HALCON 20.05-Features

Subpixel-Barcode-Leser

Vergleich des Subpixel-Barcode-Lesers in HALCON 19.11 und 20.05

Der Barcode-Leser verfügt nun über einen weiterentwickelten Dekodieralgorithmus. Dadurch kann der Barcode-Leser in HALCON 20.05 von nun an auch Barcodes mit einer Modulgröße von unter 1 Pixel lesen.

Oberflächenbasiertes 3D-Matching

Verbessertes oberflächenbasiertes 3D-Matching bei HALCON 20.05

Vor allem in der Fertigungsindustrie müssen Werkstücke für die Bearbeitung besonders robust und genau lokalisiert werden. Oft sind dabei Eigenschaften wie kleine Löcher das einzig auffällige Merkmal, um die korrekte Orientierung des Objekts zu finden.

Das oberflächenbasierte 3D-Matching in HALCON kann nun solche Merkmale nutzen, um die Genauigkeit und Robustheit des Matching-Ergebnisses zu erhöhen.

Training für Deep Learning auf CPU

HALCON 20.05 bietet nun Training für Deep Learning auch auf einer CPU.

Mit HALCON 20.05 kann das Training für alle Deep-Learning-Technologien jetzt auch auf einer CPU (Central Processing Unit) anstatt auf einer GPU (Graphics Processing Unit) durchgeführt werden.

Damit lassen sich nun auch Standard-Industrie-PCs ohne leistungsfähige GPU für das Training einsetzen. Kunden profitieren damit von erheblich mehr Flexibilität bei der Nutzung von Deep Learning, da das Training direkt an der Produktionslinie ausführbar ist und sich die Anwendung damit "on the fly" an sich ändernde Umgebungsbedingungen anpassen lässt.

Weitere Verbesserungen

Erhöhte Robustheit beim Generischen Box Finder

Der mit HALCON 19.11 veröffentlichte generische Box Finder ermöglicht es Nutzern, Boxen unterschiedlicher Größe innerhalb eines vordefinierten Bereichs von Höhe, Breite und Tiefe zu finden, wodurch das Trainieren eines Modells überflüssig wird. In HALCON 20.05 wurde er hinsichtlich Robustheit, Leistung, Geschwindigkeit und Benutzerfreundlichkeit verbessert. Es ist nun deutlich einfacher, Boxen unterschiedlichster Form und Größe zuverlässig zu finden.

Verbesserte Anomalieerkennung mit Deep Learning

Die Anomalieerkennung erleichtert die automatisierte Oberflächeninspektion erheblich, da nur eine geringe Anzahl von qualitativ hochwertigen "guten" Bildern für das Training benötigt wird.

In HALCON 20.05 ist das Trainieren eines Netzwerks für die Anomalieerkennung nun bis zu zehn Mal so schnell. Zusammen mit einer ebenfalls beschleunigten Inferenz eröffnet dies völlig neue Möglichkeiten, Deep Learning in bestehenden und neuen Anwendungen auszuprobieren: Das Trainieren eines neuen Netzes ist jetzt meist in wenigen Sekunden abgeschlossen, so dass die Benutzer viele Iterationen zur Feinabstimmung ihrer Anwendung durchführen können, ohne viel kostbare Zeit zu verlieren.

Überdies benötigen trainierte Netze nun weniger Speicher und Festplattenkapazität, was HALCONs Anomalieerkennung für den Einsatz auf Embedded-Geräten praktikabler macht.

Grad-CAM-based Heatmap nun auch für CPU

Die Grad-CAM-basierte Heatmap (Gradient-Weighted Class Activation Mapping) unterstützt Sie bei der Analyse, welche Teile eines Bildes die Klassifizierungsentscheidung beeinflussen. In HALCON 20.05 kann die Heatmap nun ohne signifikante Geschwindig­keitseinbußen auch auf der CPU berechnet werden. Damit können Kunden direkt im laufenden Betrieb die Klassenvorhersage ihres Deep-Learning-Netzes analysieren.

HALCON 19.11-Features

Anomalieerkennung mit Deep Learning

Bild eines Flaschenhalses mit erkannter Anomalie

Die automatisierte Oberflächeninspektion ist eine wichtige Aufgabe in der industriellen Fertigung und deep-learning-basierte Lösungen werden zu Standardwerkzeugen, mit dem sich Teile unterscheiden sowie Defekte erkennen und segmentieren lassen. Allerdings ist es oft nicht einfach, genügend Bilder eines Defekts zu erhalten oder der Aufwand für das Labeln der verfügbaren Daten ist sehr hoch.

HALCONs neue Funktion zur Erkennung von Anomalien mittels Deep Learning bietet nun die Möglichkeit, Inspektionsaufgaben durchzuführen, wenn nur eine relativ geringe Anzahl von "guten" Bildern für das Training verfügbar ist. Das Ergebnis der Inferenz ist hierbei die "Anomalie", die im geprüften Bild im Vergleich zu den trainierten Bildern festgestellt wurde. Rechts ist als Beispiel ein defektbehafteter Flaschenhals inkl. Markierung der erkannten Anomalie zu sehen.

Beschleunigter ECC-200-Datacode-Leser

Bild eines Drucker-Chips mit ECC200 Code

In HALCON 19.11 wurde die Geschwindigkeit des Datacode-Lesers für ECC-200 Codes bei Multicore-Systemen signifikant erhöht. Dies wirkt sich vor allem bei besonders schwer erkenn- und lesbaren Codes positiv aus. Für solche Codes kann eine bis zu 200%ige Beschleunigung erreicht werden. Diese Beschleunigung steigert auch die Nutzbarkeit von auf Embedded-Systemen basierenden Code-Lesern, da die vorhandenen Hardware-Kapazitäten voll ausgeschöpft werden können.

Generischer Box Finder

Der generische Box Finder von MVTec HALCON

In HALCON 19.11 ist eine neue Funktionalität für Pick-and-Place-Anwendungen verfügbar: Der generische Box Finder ermöglicht es, Boxen verschiedener Größen auf Basis des dreidimensionalen Raums zu finden, sodass nicht mehr für jede benötigte Boxgröße ein Modell trainiert werden muss. Dies macht viele Anwendungen deutlich effizienter – vor allem in der Logistik- und Pharmaindustrie, wo in der Regel Kisten und Schachteln unterschiedlichster Größen eingesetzt werden.

ONNX-Unterstützung

ONNX Logo

Viele Unternehmen arbeiten mit Open-Source-Frameworks, um Klassi­fikatoren für Deep-Learning-Modelle (CNN) zu trainieren. Diese CNNs können in das ONNX-Format (Open Neural Network Exchange) exportiert werden. HALCON 19.11 ist in der Lage, Daten im ONNX-Format zu lesen, sodass zuvor erstellte Drittanbieter-Netzwerke auch innerhalb von HALCON verwendet werden können.

HALCON 19.05-Features

Nachfolgend finden Sie einen Überblick über die wichtigsten Features dieser Version. Eine detaillierte Übersicht finden Sie in den Release Notes

Inferenz auf Arm Prozessoren

Deep-Learning-Inferenz

Mit HALCON 19.05 können Kunden die Deep-Learning-Inferenz direkt auf Arm®-Prozessoren ausführen. Dies ermöglicht es, Deep-Learning-Anwendungen auf Embedded-Geräten einzusetzen, ohne dass weitere dedizierte Hardware erforderlich ist. Alle drei Deep-Learning-Technologien (Bildklassifikation, Objektdetektion und semantische Segmentierung) werden unterstützt und laufen somit "out-of-the-box" auf Arm-basierten Embedded-Geräten.

Erweiterte Objektdetektion

Objektdetektion mit HALCON 19.05

HALCONs deep-learning-basierte Objektdetektion lokalisiert trainierte Objektklassen und identifiziert sie mit einem umschreibenden Rechteck (sog. Bounding Box). HALCON 19.05 gibt Anwendern nun auch die Option, diese Rechtecke an der Orientierung des Objekts ausrichten zu lassen. Dies ermöglicht eine präzisere Erkennung, da Rechtecke nun optimaler an die Form des Objekts angepasst sind.

Verbessertes oberflächenbasiertes Matching

Das kantengestützte oberflächenbasierte Matching ist nun robuster bei verrauschten Punktwolken: Benutzer können die Auswirkungen von Oberflächen- und Kanteninformationen jetzt mittels mehrerer Score-Werte kontrollieren. Falls keine XYZ-Bilder verfügbar sind, kann die 3D-Kantenausrichtung mit einem neuen Parameter nun vollständig abgeschaltet werden. Dies ermöglicht es dem Anwender, den Einfluss unzureichender 3D-Daten auf die Matching-Ergebnisse zu eliminieren und gleichzeitig die wertvollen 2D-Informationen für die Oberflächen- und 2D-Kantenausrichtung zu erhalten.

Erweitertes formbasiertes Matching

Mit HALCON 19.05 können Anwender beim formbasierten Matching nun gezielt so genannte "Clutter"-Bereiche definieren. Dies sind Bereiche innerhalb eines Suchmodells, die keine Konturen enthalten sollten. Das Hinzufügen solcher Clutter-Informationen zu dem Suchmodell führt zu robusteren Matching-Ergebnissen, beispielsweise bei repetitiven Strukturen.

Arm is a registered trademark of Arm Limited (or its subsidiaries) in the EU and/or elsewhere. All rights reserved.

Was möchten Sie als Nächstes tun?

HALCON kaufen Bei MVTec registrieren HALCON herunterladen