Machine-Vision-Standardsoftware mit neuen Funktionen: MVTec präsentiert HALCON 19.11

So lassen sich etwa durch HALCONs Anomalieerkennung deep-learning-basierte Inspektionsaufgaben noch effizienter realisieren. Denn für das Training des Deep-Learning-Netzes wird dann nur eine Handvoll Bilder von defektfreien Objekten benötigt. Das Verfahren ist anschließend eigenständig in der Lage, Abweichungen in weiteren Bildern, also Defekte verschiedenster Art, zielsicher zu lokalisieren. Für diese Defekterkennung ist es also nicht mehr notwendig, vorab Trainingsbilder von defektbehafteten Objekten labeln zu müssen.
Zudem lassen sich dank des neuen generischen Box Finders Schachteln und Kisten beliebiger Größen innerhalb von 3D-Punktwolken verlässlich erkennen und lokalisieren sowie deren Abmessungen bestimmen. So muss nicht mehr für jede Boxgröße ein Modell trainiert werden, was die Effizienz vieler Anwendungen vor allem in der Logistik- und Pharmaindustrie deutlich erhöht.

Datacodes um bis zu dreimal schneller lesen
Eine weitere Neuerung: Das Lesen von ECC-200-Datacodes wurde für Multicore-Systeme signifikant beschleunigt. Die größte Verbesserung wurde bei Codes erzielt, die besonders schwer zu erkennen und zu lesen sind. Die Lesevorgänge sind bis zu dreimal schneller, was auch die Nutzbarkeit auf Embedded-Systemen steigert.
Neu in HALCON 19.11 ist auch die Fähigkeit, Deep-Learning-Modelle im ONNX (Open Neural Network Exchange)-Format zu importieren. Dies ermöglicht es Entwicklern, eine noch breitere Palette an Deep-Learning-Netzen innerhalb von HALCON zu nutzen.
Zudem haben die MVTec-Experten HALCON um ein neues Modell für Line-Scan-Kameras mit telezentrischen Objektiven erweitert.

Zeitnahe Verfügbarkeit neuer Machine-Vision-Features
„Mit HALCON 19.11 als neuestem Release der HALCON Progress Edition bieten wir nach nur sechs Monaten wieder viele neue und verbesserte Machine-Vision-Features. Wir haben großen Wert auf die weitere Integration wegweisender Deep-Learning-Funktionen gelegt. Zusätzlich haben wir ebenso unsere bewährten Technologien, zum Beispiel für das Lesen von Datacodes oder die 3D-Bildverarbeitung erheblich verbessert“, erklärt Johannes Hiltner, Produktmanager HALCON bei MVTec.

Für die ideale Vorbereitung von Bilddaten für das Training neuronaler Netze mit HALCON stellt MVTec seit Kurzem ein eigenes Deep Learning Tool zur Verfügung (https://www.mvtec.com/de/produkte/deep-learning-tool/).