14. April 2026 | Pressemitteilung | MVTec, HALCON
„Der Schwerpunkt des neuen Releases von HALCON ist Geschwindigkeit. Unser Ziel ist es, dass Machine-Vision-Applikationen in sämtlichen Industriebranchen und auch in anspruchsvollen Automatisierungsszenarien nicht nur robust und präzise arbeiten, sondern auch schnell. Für HALCON 26.05 haben wir sowohl für Deep-Learning-Methoden als auch für regelbasierte Verfahren die Geschwindigkeit und Performance verbessert“, erklärt Jan Gärtner, Produktmanager HALCON bei MVTec.
In die neue Version wurde beispielsweise eine neue Rektifizierungsfunktion in HALCON integriert. Diese ermöglicht es, Data-Matrix-Codes auf gekrümmten oder verformten Oberflächen schnell und zuverlässig zu lesen. Außerdem ist nun eine automatisierte Konturenoptimierung beim Shape Matching möglich. Die Optimierung entfernt instabile oder irreführende Konturen anhand von Beispielbildern und macht das Matching schneller, stabiler und genauer.
Auch im Bereich der KI-basierten Objekterkennung erweitert MVTec den Funktionsumfang. Die neue Generation der Deep-Learning-basierten Objekterkennung in HALCON 26.05 ermöglicht eine deutlich schnellere Inferenz bei weiterhin hoher Erkennungsgenauigkeit. Die Erkennung arbeitet zuverlässig auch bei kleinen Objekten und stark variierenden Objektgrößen. Integrierte Data-Augmentation-Techniken erhöhen zudem die Robustheit gegenüber Beleuchtungswechseln, Rotationen und Verdeckungen.
Im Rahmen von HALCON 26.05 steht auch eine neue Preview-Version der integrierten Entwicklungsumgebung HDevelopEVO von MVTec bereit. Mit dem neuen Release ist es nun auch möglich, in HDevelopEVO erstellte Skripte mittels .NET-Interface in eigene Applikationen einzubinden. Außerdem wurde die multimodale LLM-Unterstützung um Visual Prompting erweitert. Entwickler können Bilddaten nun direkt in Prompts an den KI-Assistenten einbinden.
Reflexionen, Schatten und Texturen erzeugen häufig instabile Konturen, die die Matching-Zuverlässigkeit mindern und bisher manuelle Nacharbeit erforderten. Die neue automatische Konturoptimierung in HALCON 26.05 entfernt diese unzuverlässigen Konturen anhand von Beispielbildern und macht das Matching schneller, stabiler und genauer – besonders bei reflektierenden oder texturierten Objekten in anspruchsvollen Automatisierungsszenarien.
Gekrümmte oder verformte Oberflächen verzerren die Codegeometrie und beeinträchtigen die Lesezuverlässigkeit. Die neue Rektifizierungsfunktion in HALCON 26.05 gleicht diese Verzerrungen vor dem Dekodiervorgang aus und lässt sich optional in bestehende Workflows integrieren – typische Einsatzgebiete sind zylindrische Bauteile, gekrümmte Verpackungen und flexible Materialien.
Ein neuer operatorbasierter Ansatz in HALCON 26.05 ersetzt die bisherige prozedurbasierte Augmentation und integriert sich direkt in Deep-Learning-Pipelines. Indem Augmentation-Pipelines nun programmatisch und flexibel definiert werden, lassen sich Robustheit und Generalisierung der Modelle verbessern und die Abhängigkeit von großen Trainingsdatensätzen verringern.
Eine neue Generation der Deep-Learning-basierten Objekterkennung in HALCON 26.05 bietet bis zu 5x schnellere Inferenz bei gleichbleibend hoher Erkennungsgenauigkeit. Sie arbeitet zuverlässig auch bei kleinen Objekten und stark variierenden Objektgrößen, und integrierte Data-Augmentation-Techniken erhöhen die Robustheit gegenüber Beleuchtungswechseln, Rotationen und Verdeckungen.
Jan Gärtner, Produktmanager HALCON (.jpg)
Faster inference for deep learning based object detection (.jpg)
Alle Rechte vorbehalten, Copyright ©MVTec Software GmbH. Das gesamte Bild- und Textmaterial darf ausschließlich für Presseberichte kostenlos verwendet werden. Jede kommerzielle Nutzung des Materials, die über die Berichterstattung in der Presse hinausgeht, ist untersagt.
Wir würden uns über ein Belegexemplar freuen.
