Halcon 26.11: Präzisere Objekterkennung, weniger Aufwand beim Matching
Halcon 26.11 verbessert die KI-Objektdetektion, vereinfacht das Matching und erweitert die 3D-Verarbeitung sowie den Einsatz auf Edge-Geräten.
Bauteile verändern ihre Lage, Konturen weichen durch Fertigungstoleranzen ab, Messdaten sind unvollständig: Bildverarbeitungsanwendungen müssen im Produktionsalltag mit solchen Bedingungen zurechtkommen. MVTec Halcon verbindet klassische Bildverarbeitung mit Deep Learning, um etwa Bauteile zu lokalisieren, Abmessungen zu prüfen und Fehler zu erkennen. Version 26.11 verbessert dafür die Objektdetektion, das formbasierte Matching und die Verarbeitung von 3D-Daten. Hinzu kommen Erweiterungen für Deep Learning auf Edge-Geräten und die Pflege sicherer Software.
Gedrehte Objekte genauer lokalisieren
Halcon 26.11 erweitert die KI-Objektdetektion um orientierte Bounding Boxes. Diese umschließenden Rechtecke folgen der Ausrichtung des erkannten Objekts. Sie erfassen damit neben Position und Größe auch dessen Orientierung und schließen weniger irrelevanten Hintergrund ein. Davon profitieren Anwendungen mit gedrehten, länglichen oder eng beieinanderliegenden Objekten.
Zudem können Anwender für jede Objektklasse einen eigenen Konfidenzschwellenwert festlegen. So lässt sich pro Klasse abstimmen, wie die Detektionsrate und die Zahl falsch positiver Ergebnisse gegeneinander abgewogen werden.
Modellkonturen seltener manuell bearbeiten
Metall- oder Kunststoffteile sehen nicht auf jeder Aufnahme exakt gleich aus. Fertigungstoleranzen, perspektivische Effekte und leichte Verformungen können ihre Konturen verändern. Halcon 26.11 berücksichtigt solche Unterschiede nun auch bei der automatischen Konturoptimierung.
Die Software unterscheidet erwartete lokale Formabweichungen von instabilen Konturen und entfernt Letztere aus dem Modell. Mehrere repräsentative Trainingsbilder bilden die Grundlage für kompakte, robuste Formmodelle. Anwender müssen Modellkonturen dadurch weniger aufwendig von Hand bearbeiten und können die automatische Optimierung für mehr Matching-Aufgaben nutzen.
Vorwissen für die 3D-Auswertung nutzen
Beim Anpassen geometrischer Formen an 3D-Messdaten lassen sich nun bekannte Eigenschaften wie Größe oder Ausrichtung vorgeben. Dieses Vorwissen hilft, Mehrdeutigkeiten zu verringern, etwa wenn ein Objekt nur teilweise sichtbar ist oder die Daten Rauschen enthalten.
Ein neuer Operator vereinfacht außerdem die Berechnung von Schnittpunkten zwischen Geraden und Ebenen. Beim Sampling von XYZ-gemappten 3D-Daten bleiben Nachbarschaftsinformationen erhalten. Halcon behandelt die XYZ-Zuordnungen beim Zusammenführen von 3D-Objektmodellen konsistenter und gibt Anwendern mehr Kontrolle über die Berechnung von Oberflächennormalen.
Deep Learning auf Arm-basierten Edge-Geräten
Die neue ONNX Runtime AI²-Schnittstelle ermöglicht eine effizientere Deep-Learning-Inferenz auf Linux-basierten Edge-Geräten mit 64-Bit-Arm-Architektur. Damit erweitert Halcon 26.11 die Möglichkeiten, trainierte Modelle direkt auf Geräten nahe am Produktionsprozess auszuführen.
MVTec verbessert zudem die Prozesse zur Behandlung von Schwachstellen und für Sicherheitsupdates. Zusammen mit den verfügbaren Software-Stücklisten (Software Bills of Materials, SBOMs) erleichtert dies Herstellern, enthaltene Komponenten und Abhängigkeiten zu bewerten und ihre Produkte zu pflegen.
