HALCON Steady
HALCON 22.11 enthält viele neue und verbesserte Funktionen, mit denen Sie Ihre Bildverarbeitungsleistung weiter steigern können. Sie ist sowohl für die Steady- als auch für die Progress-Edition verfügbar. So haben HALCON Steady-Kunden zusätzlich zu diesen neuen Funktionen auf die zahlreichen neuen Funktionen zugreifen, die in den letzten Progress-Versionen seit HALCON 20.11 verfügbar wurden.
3D Gripping Point Detection
HALCON 22.11 verbindet erstmals 3D Vision und Deep Learning miteinander. Die 3D Gripping Point Detection ermöglicht es, Oberflächen, die sich für das Greifen mit Saugern eignen, auf beliebigen Objekten robust zu erkennen. Anders als klassische Bin-Picking-Anwendungen ist die 3D Gripping Point Detection ein CAD-unabhängiger Ansatz. Daher ist keinerlei Wissen über die jeweiligen Objekte erforderlich. Dieses Mehr an Flexibilität eröffnet völlig neue Anwendungsfelder - etwa in der Logistikbranche oder im Warenlager.
Neuer Datentyp: “Memory Block”
Ab HALCON 22.11 kann der Anwender in HALCON Binärdaten (zum Beispiel Bilder) speichern, übertragen und mit anderen Anwendungen weiterverarbeiten. Das steigert die Kompatibilität der Software mit Maschinenkommunikations-Protokollen wie OPC UA- oder Bildeinzugs-Schnittstellen.
Schutz von trainierten Deep-Learning-Modellen
Für die industrielle Bildverarbeitung wird der Schutz des geistigen Eigentums immer wichtiger. Das ist insbesondere im Bereich Deep Learning ein sensibles Thema. Hierbei liegt die Besonderheit darin, dass im Vergleich zu traditionellen Methoden die Qualität nicht nur vom Algorithmus, sondern maßgeblich von der Qualität der Trainingsdaten abhängt. Ein großer Teil des Aufwandes von Deep-Learning-Applikationen steckt im Sammeln der Daten sowie im Training der Modelle. Daher beinhaltet HALCON 22.11 einen neuen Verschlüsselungsmechanismus für HALCON Datentypen. Ein wichtiger Anwendungsfall ist die Verschlüsselung von Deep-Learning-Modellen. Das ermöglicht Kunden, ihre Investition sowie ihr Know-How zu schützen. Damit ist sichergestellt, dass nur der autorisierte Anwender sein DL-Modell nutzen und einsehen kann.
Bessere Nachvollziehbarkeit von Deep-Learning-Entscheidungen
Eine Heatmap gibt Hinweise darüber, welche Bereiche eines Bildes für das Ergebnis der Klassifikation des Deep-Learning-Modells ausschlaggebend waren. Das bringt mehr Licht in die Deep Learning Black Box und erhöht damit die Nachvollziehbarkeit entsprechender Prozesse. Die Guided Grad-CAM ist ein neues Verfahren, welches nun noch präzisere Anhaltspunkte hinsichtlich der relevanten Bildbereiche für die jeweilige Entscheidung des Deep-Learning-Netzes liefert. So können beispielsweise Fehlklassifizierungen in einem Nachbearbeitungsschritt genauer untersucht werden.
Netzwerk-Lizenzen
Mit HALCON 22.11 erweitert MVTec die Lizenzierungsmöglichkeiten um die Option, HALCON über ein Netzwerk zu lizenzieren. Ein Lizenzserver ermöglicht die Nutzung von Floating-Lizenzen. Dabei teilen sich Entwickler eine vordefinierte Anzahl von Lizenzen über eine Netzwerkverbindung. Kunden profitieren von größerer Flexibilität bei der Benutzerzuordnung, Entwickler von größerer Unabhängigkeit und Flexibilität hinsichtlich ihres Arbeitsortes. Gerade für dezentrale oder remote arbeitende Entwicklungsteams ist dies der perfekte Weg, um HALCONs leistungsstarke Machine-Vision-Algorithmen effektiv zu nutzen. Außerdem ermöglicht dieser neue Mechanismus das Arbeiten in virtuellen Umgebungen ohne permanente physikalische Host-ID.
Nennenswerte Quality-of-Life Verbesserungen und Speedups
Mit HALCON 22.05 werden verschiedene weitere Verbesserungen vorgenommen. Ein Beispiel ist ein neuer Operator, der eine adaptive Histogramm-Entzerrung durchführt, um den Kontrast in einem Bild lokal zu verbessern. Das hilft dabei, deutlich mehr Informationen aus Bildern mit geringem Kontrast zu extrahieren, insbesondere bei inhomogenen Grauwertverläufen. Außerdem wurde die HALCON Bibliothek um einen neuen Operator erweitert, der eine Bildglättung mit beliebig geformten Regionen ermöglicht. Darüber hinaus erlaubt ein weiterer neuer Operator die Transformation von 3D-Punkten unter Verwendung einer starren 3D-Transformation, die als duales Quaternion spezifiziert wird. Und schließlich generiert der Matching-Assistent von HDevelop jetzt den Code auf der Basis von Generic Shape Matching.
Global Context Anomaly Detection
HALCON 22.11 eröffnet mit dem Erkennen von logischen Anomalien in Bildern völlig neue Anwendungsbereiche. Dabei handelt es sich um eine Weiterentwicklung der Deep Learning Technologie Anomalie-Erkennung. Bislang war es möglich, lokal begrenzte, strukturelle Anomalien zu erkennen. Die neue „Global Context Anomaly Detection“ ist eine bislang einzigarte Technologie, die in der Lage ist, den logischen Inhalt des ganzen Bildes zu „verstehen“. Genau wie bei der bereits bestehenden Anomalie-Erkennung in HALCON, werden auch bei der „Global Context Anomaly Detection” nur Gut-Bilder zum Trainieren benötigt. Ein Labeln der Trainingsdaten ist nicht erforderlich.
Die neue Technologie erkennt vollkommen neue Varianten von Anomalien. Beispielsweise fehlende, verformte oder falsch angeordnete Bauteile. Dies eröffnet gänzlich neue Möglichkeiten: Beispielsweise das Überprüfen von Leiterplatten in der Halbleiterfertigung oder die Prüfung von Aufdrucken.
Deep Learning Instanz-Segmentierung
Mit HALCON 22.11 erweitert MVTec den Funktionsumfang von Deep Learning um die Technologie Instanz-Segmentierung. Diese kombiniert die Vorteile der semantischen Segmentierung und der Objektdetektion. Mit Hilfe der Instanz-Segmentierung können Objekte pixelgenau verschiedenen Klassen zugeordnet werden. Besonders hilfreich ist diese Technologie in Anwendungsfällen, in denen Objekte sehr nahe beieinander liegen, sich berühren oder überlappen. Typische Anwendungsfälle sind unter anderem das Greifen von zufällig angeordneten Objekten aus Kisten („Griff in die Kiste“) sowie das Identifizieren und Vermessen von natürlich gewachsenen Strukturen.
HALCON Deep Learning Framework
Mit HALCON 22.11 wird eine erste Version des HALCON Deep Learning Frameworks eingeführt. Dieses Framework ermöglicht es erfahrenen Anwendern, innerhalb von HALCON eigene Modelle zu erstellen. Mit diesem Feature können Experten nun auch die anspruchsvollsten und komplexesten Anwendungen in HALCON realisieren, ohne auf vortrainierte Netze oder Frameworks von Drittanbietern angewiesen zu sein.
Generic Shape Matching
Mit Generic Shape Matching bietet HALCON 22.11 einen nutzerfreundlicheren und zukunftssicheren Zugang zu MVTecs industrieerprobten Shape-Matching-Technologien. Dank deutlicher Reduzierung der Anzahl benötigter Operatoren können Anwender ihre Lösung nun viel einfacher und schneller implementieren. Darüber hinaus können Nutzer durch die Vereinigung der verschiedenen Shape-Matching-Methoden zu einem Operator-Satz entsprechende Features nun noch reibungsloser integrieren.
Deep OCR Training
HALCONs Deep OCR ermöglicht es Anwendern, OCR-Anwendungen für eine Vielzahl von Einsatzgebieten effizient zu lösen. Mit HALCON 22.11 wird diese Technologie um eine Trainingsfunktionalität erweitert, die es dem Nutzer ermöglicht, auf dem eigenen Anwendungsdatensatz ein individuelles Training vorzunehmen. Dadurch können auch komplexeste Anwendungen wie das Lesen von Text mit schlechtem Kontrast (z.B. auf Reifen) gelöst werden. Ein weiterer Vorteil ist, dass auch sehr selten verwendete Sonderzeichen oder Druckstile trainiert werden können. Das Training für Deep OCR verbessert die Leistung und Benutzerfreundlichkeit deutlich und macht Anwendungen noch robuster.
Verbesserter Barcode-Leser für Code-128
Mit HALCON 22.11 wurde der Barcodeleser von HALCON hinsichtlich der Robustheit bei Unschärfe des Code 128/GS1-128 verbessert. Jetzt können auch Codes mit einer größeren Unschärfe gelesen werden. Die Unschärfe kann durch Bewegung oder durch die Begrenzung der Tiefenschärfe entstehen. Der Code 128/GS1-128 ist ein weit verbreiteter Strichcodetyp, der aufgrund seiner kompakten Größe und hohen Datendichte häufig in der Logistik eingesetzt wird.
Verbesserte Druckqualitätsprüfung für Data-Matrix-ECC-200-Codes
Die Druckqualitätsprüfung (Print Quality Inspection, PQI) bezieht sich auf die Bewertung und Einstufung bestimmter Aspekte von gedruckten Bar- und Datacodes nach internationalen Standards. Sie gibt zum Beispiel an, wie zuverlässig ein Code von verschiedenen Codelesern gelesen werden kann oder wie stabil die Druckqualität in einem Produktionsprozess ist. HALCON unterstützt verschiedene Standards zur Bewertung der Druckqualität von 1D- und 2D-Codes. Mit HALCON 22.11 wurde die Druckqualitätsprüfung von Datencodes weiter verbessert. Sie ist nun bis zu 150% schneller. Darüber hinaus wurde die Modulrasterbestimmung für die Druckqualitätsinspektion von Data-Matrix-ECC-200-Codes verbessert. Und schließlich wurde die Benutzerfreundlichkeit der Druckqualitätsprüfung von Datencodes durch die Einführung eines neuen Verfahrens zur Bewertung verbessert.
Verbesserte Handhabung von Dictionaries
Mit Dictionaries lassen sich komplexe Daten in HALCON einfach und bequem verwalten. Beispielsweise können verschiedene Datentypen wie Bilder, ROIs und Parameter-Einstellungen in einem einzigen Dictionary gebündelt werden. So lassen sich Programme sinnvoll strukturieren, beispielsweise wenn viele Parameter an eine Prozedur übergeben werden.
HALCON 22.11 beinhaltet einige Verbesserungen, die die Handhabung von Dictionaries noch einfacher und schneller macht. So können Dictionaries nun mit einem einzigen Operator-Aufruf initialisiert werden und die Syntax zum Hinzufügen und Abrufen von Elementen wurde vereinfacht. Darüber hinaus schlägt die Auto-Vervollständigung nun auch die im Dictionary beinhalteten Schlüssel vor, was das Arbeiten mit Dictionaries zusätzlich beschleunigt und vereinfacht.