Die Features von HALCON 25.05
HALCON 25.05 wird am 27. Mai 2025 veröffentlicht. Die neue Version enthält zahlreiche Verbesserungen sowie eine neue Technologie, die Deep-Learning-Algorithmen mit klassischen Methoden kombiniert.
Modelle für Deep 3D Matching selbst trainieren
Deep 3D Matching ist eine neue, Deep-Learning-basierte Technologie für die schnelle, robuste 3D-Objekterkennung und Lagebestimmung auf Basis von 2D-Bildern. Da sie nur minimale Parametrisierung erfordert und dafür mit hoher Leistungsfähigkeit punktet, ist die Technologie ideal für Anwendungen wie Bin Picking und Roboterhandling geeignet – auch unter schwierigen Bedingungen.
Mit HALCON 25.05 können Benutzer ihre 3D-Matching-Modelle nun eigenständig trainieren – ohne Unterstützung durch MVTec. Ein neuer Renderer erlaubt es, Trainingsdaten vom CAD-Modell des betreffenden Objekts zu generieren und ermöglicht damit das Training auch ausschließlich mit synthetisch erzeugten, gelabelten Daten. Dies erlaubt ein sehr flexibles Setup und kann unterschiedliche Objekteigenschaften wie Reflexionen und Transparenz abdecken.
Mit der neuen Trainingsfunktion können Kunden Deep-3D-Matching-Anwendungen erstellen, die genau auf ihre individuellen Anforderungen und Umgebungen zugeschnitten sind. Auf Wunsch kann das Modelltraining auch weiterhin als kostenpflichtige Dienstleistung über MVTec beauftragt werden.
Alignment-basierte Textkorrektur macht Deep OCR noch robuster
In einigen Anwendungen ist das Lokalisierungsmodell von Deep OCR, das Wortbereiche im Bild lokalisiert, aufgrund strenger Taktzeitvorgaben nicht praktikabel. Stattdessen definieren die Benutzer die entsprechenden Text-Regionen manuell oder mit regelbasierter Bildverarbeitung. Dies kann aufgrund von suboptimalen Bildbeschnitten zu ungenauen Erkennungsraten führen.
Ab HALCON 25.05 gibt es daher bei Deep OCR einen neuen Arbeitsschritt zum Bild-Alignment vor der Texterkennung. Dieser verfeinert ungenaue Wortbeschnitte und verbessert die Lesegenauigkeit erheblich, selbst wenn Text-Regionen ungenau platziert sind. So können Benutzer auf das Lokalisierungsmodell verzichten, ohne die Zuverlässigkeit der OCR-Ergebnisse zu beeinträchtigen – was die Verarbeitungszeit erheblich verkürzt.
Texterkennungs-Workflows werden damit nicht nur flexibler, sondern auch erheblich schneller, da keine präzise ROI-Platzierung mehr erforderlich ist. Der Alignment-Schritt selbst ist sehr effizient und verursacht nur minimalen Rechenaufwand.
Kernfunktionsverbesserungen
HALCON 25.05 beinhaltet auch verschiedene Verbesserungen für wichtige Kerntechnologien wie beispielsweise den Code-Leser oder Generic Shape Matching:
Verbesserter Code-Leser mit QR-Code-Rektifizierung
In Version 25.05 erweitert HALCON den Code-Leser um eine Rektifizierung für QR-Codes. Damit können Codes auch auf gewölbten oder deformierten Oberflächen zuverlässig gelesen werden. Das erweitert die Anwendungsmöglichkeiten in Industrien, wo QR-Codes oft auf nicht-ebenen Materialien vorkommen. Beispiele hierfür wären die Logistik, Verpackung, Lebensmittelproduktion sowie die Flaschenetikettierung.
Die Rektifizierung gewährleistet eine bessere Lesbarkeit, ohne dass eine vollkommen ebene Oberfläche erforderlich ist. Sie ist optional und kann je nach Bedarf aktiviert werden. Zwar ist die Verarbeitungszeit etwas länger als beim Standard-QR-Code-Lesen, aber die verbesserte Robustheit macht sie zu einer wertvollen Ergänzung für anspruchsvolle Anwendungen.
Unterbrechbares Training für Generic Shape Matching
HALCON 25.05 führt die Möglichkeit ein, das Training für Generic Shape Matching zu unterbrechen – und bietet Anwendern mehr Flexibilität und Kontrolle über den Prozess. Das Training kann nun manuell abgebrochen oder durch ein Timeout begrenzt werden (z.B. nach 1 Sekunde), was einen effizienten Betrieb ohne unnötige Wartezeiten ermöglicht.
Bislang musste das Training nach dem Start vollständig durchlaufen, was insbesondere bei Embedded-Applikationen mit limitierten Ressourcen zu Verzögerungen führen konnte. Jetzt können Benutzer das Training nahtlos in ihre Arbeitsabläufe integrieren – lange Laufzeiten werden vermieden und die Reaktionsfähigkeit verbessert.
Neue Bildeinzugs-Schnittstelle für moderne Kameratechnologien
HALCON 25.05 enthält ein neues Set an Bildeinzugsoperatoren, die für die nahtlose Integration moderner Kameratechnologien erstellt wurden. MVTec hat schon immer großen Wert auf eine effiziente Kameraanbindung gelegt –moderne Standards wie GigE Vision und USB3 Vision bringen jedoch sowohl neue Möglichkeiten als auch neue Herausforderungen mit sich. Die neue Schnittstelle vereinfacht das Kamerahandling und bietet gleichzeitig volle Kontrolle über erweiterte Konfigurationen.
Die neuen Operatoren bieten eine klarere, intuitivere Schnittstelle, die auf typische Anwendungsfälle optimiert ist und gleichzeitig die volle Kontrolle über die GenICam-GenTL-Architektur bewahrt. Darüber hinaus unterstützen sie mehrere Datenströme, sofern diese von GenICam-GenTL-Geräten bereitgestellt werden.
Neue Preview-Version von HDevelopEVO
Verwendung externer Prozedurdateien in HDevelopEVO
HDevelopEVO 25.05 unterstützt das Referenzieren von Prozeduren aus externen Dateien. Benutzer können nun ihre Programme in mehrere Dateien aufteilen und Prozeduren über Dateigrenzen hinweg referenzieren.
Graustufen-Histogramm: Das erste Bildverarbeitungs-Werkzeug in HDevelopEVO
Um einen häufigen Bedarf in Bildverarbeitungs-Workflows zu adressieren, beinhaltet HDevelopEVO 25.05 ein Grauwert-Histogramm – eines der am häufigsten genutzte Werkzeuge zur Bildanalyse. Es ermöglicht dem Nutzer, die Verteilung der Pixelintensitäten in einem Bild zu visualisieren und interaktiv Schwellenwerte zu setzen, um relevante Bereiche für die weitere Verarbeitung auszuwählen.
Integrierte KI-Assistenten für effizientere Entwicklungsabläufe
Zur besseren Unterstützung der Entwickler führt HDevelopEVO 25.05 KI-Assistenten ein. Diese umfassen einen interaktiven Chat, Agenten für z. B. IDE- und Shell-Befehle sowie eine automatische Codevervollständigung. Anwender können zwischen cloudbasierten, selbst gehosteten oder lokalen KI-Modellen wählen und behalten dabei die volle Kontrolle über Daten und Modellauswahl. Die KI-Assistenten müssen vom Nutzer explizit aktiviert werden.
