HALCON 19.11
Anomalieerkennung mit Deep Learning
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
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
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
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.