HALCON 20.05 wurde im Mai 2020 veröffentlicht. Hier finden Sie Informationen über die Features dieser Version:
Subpixel-Barcode-Leser
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
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
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.
Unsere Website verwendet Cookies, um Ihnen ideale Funktionalitäten zu bieten. Durch Nutzung unserer Website ohne die Cookie-Einstellungen in Ihrem Browser zu ändern, stimmen Sie der Verwendung von Cookies zu. Weitere Informationen erhalten Sie in unserer Datenschutzerklärung.
