MVTec wird am 15. November die neueste Version 19.11 ihrer Standardsoftware Halcon veröffentlichen. Das Release wird mit vielen neuen und optimierten Funktionen die Bildverarbeitungstechnologien, welche OEMs, Integratoren und Endanwendern weltweit zur Verfügung stehen, verbessern.
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: ECC-200-Datacodes werden bei Multicore-Systemen nun wesentlich schneller gelesen. Die Lesevorgänge werden bis zu dreimal schneller, was auch die Nutzbarkeit auf Embedded-Systemen steigert. Ebenso lassen sich schwer lesbare Datacodes nun noch robuster erkennen.
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.