Anwender dürfen sich auf wegweisende Technologien und Verbesserungen freuen. „In HALCON 24.11 legen wir den Fokus auf noch bessere KI-, d.h. Deep-Learning-Algorithmen. Unter anderem können Nutzer nun unvorhergesehenes Verhalten bei der Deep-Learning-basierten Klassifizierung erkennen und bewerten. Viele Kunden werden sich außerdem über den optimierten QR Code Reader freuen. Dieser ist jetzt, besonders unter schwierigen Bedingungen, noch leistungsfähiger“, erklärt Jan Gärtner, Product Manager HALCON bei MVTec.
Ebenso wird die Shape-based-Matching-Technologie noch benutzerfreundlicher und damit auch für Anwender ohne fundierte Bildverarbeitungsexpertise zugänglich. Auch das Lizensierungsmodell für die Software-Editionen von HALCON wird verbessert: Nutzer der HALCON Progress Edition können nun auch ohne Einschränkungen an HALCON-Steady-Projekten mitarbeiten. Die Editionen sind ab HALCON 24.11 miteinander kompatibel. Außerdem enthalten Entwickler in der neuen Version eine Vorschau auf die neue, HALCON-eigene Entwicklungsumgebung HDevelopEVO.
Out of Distribution Detection (OOD) für Klassifizierungsaufgaben
Mit diesem neuen HALCON-Feature lässt sich unvorhergesehenes Verhalten durch falsche Klassifizierungen in der Produktion einfach erkennen und entsprechende Maßnahmen, wie z.B. ein Maschinenstopp, können zielgerichtet und effizient eingeleitet werden. Bei der Verwendung eines Deep-Learning-Klassifikators werden unbekannte Objekte einer der vom System gelernten Klassen zugeordnet – dies kann zu Problemen führen, wenn es sich z.B. um noch nie aufgetretene Fehlertypen oder Fremdkörper handelt. Das neue Deep-Learning-Feature “Out of Distribution Detection (OOD)” zeigt den Nutzern an, wenn ein Objekt klassifiziert wird, das nicht in den Trainingsdaten enthalten war. Beispielsweise könnte das eine Flasche mit einem grünen Etikett sein, wenn das System nur auf Flaschen mit roten oder gelben Etiketten trainiert wurde. HALCON liefert in diesem Fall die Meldung „Out of Distribution“ zusammen mit einem OOD-Score, der anzeigt, wie stark die Abweichung von den trainierten Klassen ist.
Weiterer Vorteil: Wenn Anwender ihre Deep-Learning-Modelle mit neuen Trainingsbildern erweitern wollen, ist der OOD-Score auch hierfür nützlich. Denn er hilft, Trainingsbilder mit möglichst hohem Mehrwert für das Modell auszuwählen. So deutet beispielsweise ein hoher OOD-Score eines neuen Trainingsbildes auf eine größere Abweichung von den bereits im Netz vorhandenen Bildern hin – das bedeutet einen höheren Informationsgehalt und somit größeren Mehrwert für das Training.
Verbessertes Shape-based Matching
Das in vielen Anwendungen verwendete Feature „Shape-based Matching” wird mit der neuen HALCON-Version benutzerfreundlicher. Diese Technologie wird dafür verwendet, Objekte schnell, akkurat und präzise zu finden. HALCON 24.11 enthält hierfür die neue zum Patent angemeldete „Extended Parameter Estimation“. Damit lassen sich Parameter granularer schätzen, was die Ausführung in einigen Anwendungen erheblich beschleunigt. Die „Extended Parameter Estimation“ ermöglicht diese Schätzung auch Anwendern ohne fundierte Bildverarbeitungsexpertise.
Optimierter QR Code Reader
Die Leistungsfähigkeit von HALCONs QR Code Reader wurde deutlich gesteigert. Dies wird besonders unter schwierigen Bedingungen deutlich, beispielsweise wenn viele Codes im Bildbereich gefunden werden müssen oder viele Texturen im Bild die Detektion erschweren. Die Erkennungsrate wurde erhöht und die Auswertezeit bei anspruchsvollen Szenarien erheblich reduziert.
Preview der neuen Entwicklungsumgebung HDevelopEVO
Für alle Nutzer der HALCON-eigenen Entwicklungsumgebung (IDE) HDevelop hält HALCON 24.11 eine besondere Preview bereit: eine Vorschau auf die neue IDE HDevelopEVO. Diese zeichnet sich u.a. durch eine modernere, intuitivere Nutzerführung sowie durch einen verbesserten Editor (d.h. dem zentralen Programmierelement) aus. Letzterer ermöglicht ein schnelleres und effizienteres Programmieren bzw. Prototyping von Machine-Vision-Anwendungen. Nutzer können die neue Entwicklungsumgebung in HALCON 24.11. bereits umfassend testen. Der Funktionsumfang von HDevelopEVO wird in den kommenden Releases fortwährend erweitert und nach und nach wird es HALCONs Standard-Entwicklungsumgebung werden.
Deep 3D Matching
Mit diesem Feature enthält HALCON 24.11 eine Deep-Learning-basierte Marktneuheit für den Bereich 3D-Vision, insbesondere für Bin-Picking und Pick-and-Place-Anwendungen. Dieses Feature ist besonders robust bei der Bestimmung der genauen Position und Drehlage eines gelernten Objektes und zeichnet sich dabei durch sehr geringen Parametrisierungsaufwand und schnelle Ausführzeit aus. Je nach Anforderung an die Genauigkeit können für die Positionsbestimmung eine oder mehrere kosteneffiziente Standard-2D-Kameras verwendet werden. Das Training erfolgt ausschließlich auf synthetischen Daten, welche aus einem CAD-Modell generiert werden. Weiteres Training ist somit nicht erforderlich.
In HALCON 24.11 können Kunden dieses Feature bereits ausführen – um das Modell zu trainieren und Anwendungen zu evaluieren, können sie sich jederzeit an MVTec wenden. Training und Evaluierung innerhalb von HALCON werden im nächsten Release folgen.
HALCONs GigE-Vision-Interface unterstützt RoCEv2
Mit diesem Release unterstützt HALCONs GigE-Vision-Interface das Netzwerk-Protokoll RoCEv2, welches eine gesteigerte Performance bei der Bildübertragung ermöglicht.
Verbesserte HALCON-Progress Edition
HALCON Progress ist jetzt vollständig mit der HALCON Steady Edition kompatibel. Für Progress-Nutzer ist es nun möglich, gemeinsam mit Steady-Nutzern an denselben Projekten zu arbeiten. Auch bekommen HALCON-Progress-Nutzer nun dieselben Maintenance Updates wie HALCON-Steady-Nutzer und für einen Wechsel von Steady zu Progress reicht es in Zukunft aus, die jeweilige Lizenzdatei auszutauschen.