MVTec Software GmbH
 

Neueste HALCON-Features

Erfahren Sie mehr über HALCON 20.11

Preview: HALCON 20.11

Hier veröffentlichen wir in den nächsten Wochen nach und nach die neuen Features der neuen Version von MVTec HALCON, die am 20. November 2020 veröffentlicht wird.

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

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.

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

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.

Aktuelle Version: HALCON 20.05

Auf dieser Seite finden Sie Informationen über die neuesten Features von HALCON, MVTec’s Standardsoftware für die industrielle Bildverarbeitung.

Die aktuellste HALCON Version wurde im Mai 2020 veröffentlicht:

HALCON kostenlos testen HALCON 20.05-Flyer ansehen

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.

Vorherige Versionen

Das letzte Progress Edition Release: HALCON 19.11

Das letzte Steady Edition Release: HALCON 18.11 – dies ist die neueste Version, die als Steady Edition erhältlich ist.

Klicken Sie hier, um mehr über die HALCON-Editionen zu erfahren.

Was möchten Sie als Nächstes tun?

HALCON kaufen Bei MVTec registrieren HALCON herunterladen