HALCON Steady
HALCON Steady steht für hohe Kompatibilität und ist die Edition der Wahl, wenn Sie langfristigen Support benötigen. Sie erhält alle zwei Jahre ein neues Release und ist als Standardversion erhältlich. Sie bietet einen ausgewogenen Funktionsumfang und profitiert von praxiserprobten und ausgereiften Technologien.
Out-of-Distribution Detection (OOD) für Klassifizierungsaufgaben
Mit diesem 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 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.
Benutzerfreundliches formbasiertes Matching
Das formbasierte Matching in HALCON wird dafür verwendet, Objekte schnell, akkurat und präzise zu finden.
HALCON enthält hierfür die 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.
Deep 3D Matching
Dieses Deep-Learning-basierte Feature im Bereich 3D-Vision ist insbesondere für Bin-Picking und Pick-and-Place-Anwendungen wichtig. Es 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.
Deep Counting
Mit Deep Counting steht Kunden ein Feature zur Verfügung, mit dem schnell und robust eine große Anzahl an Objekten gefunden und gezählt werden kann. Die Deep-Learning-basierte Technologie weist entscheidende Vorteile gegenüber bestehenden Bildverarbeitungsmethoden auf: Das Feature kann sehr schnell implementiert werden, da nur sehr wenige Objekte gelabelt und trainiert werden müssen – beide Schritte können problemlos in HALCON durchgeführt werden. Die Technologie liefert selbst bei Objekten aus stark reflektierendem oder amorphem Material zuverlässige Ergebnisse. Mit Deep Counting können große Mengen an Objekten wie Glasflaschen, Baumstämme oder Lebensmittel gezählt werden.
Multi-Label Klassifizierung
Mit der Multi-Label-Klassifizierung steht Kunden eine Deep-Learning-Methode zur Verfügung, welche es erlaubt, mehrere verschiedene Klassen in einem Bild zu erkennen. Solche Klassen können unterschiedliche Fehler, aber auch Eigenschaften wie Struktur oder Farbe sein. Solche Klassen können unterschiedliche Eigenschaften der Objekte im Bild umfassen, etwa verschiedene Arten von Fehlern, Farbe oder Struktur. In der Praxis kann die Methode beispielsweise aufzeigen, wenn verschiedene Arten von Fehlern auf einem Bild vorhanden sind und somit eine detailliertere Klassifizierung ermöglichen. Im Vergleich zu anderen Methoden ist diese Deep-Learning-Methode schneller in der Verarbeitung und auch der Aufwand für das Labeln ist geringer.
3D-Rekonstruktion basierend auf strukturiertem Licht
Das „structured light Modell“ liefert neben der Deflektometrie in kurzen Taktzeiten präzise 3D-Rekonstruktion für diffuse Oberflächen. Dieses Feature gibt Nutzern die Flexibilität, ihre eigenen anwendungsspezifischen 3D-Rekonstruktionssysteme unter Verwendung eines Musterprojektors und einer 2D-Kamera zu entwickeln. Das Feature eignet sich insbesondere für Anwendungen, in denen präzise räumliche Darstellungen erforderlich sind. Somit eignet es sich für die Optimierung von Fertigungsprozessen, der Qualitätskontrolle und der genauen Vermessung verschiedener Oberflächen.
Training für Deep OCR Detection
Deep OCR liest Texte auf sehr robuste Weise, sogar unabhängig von ihrer Ausrichtung und Schriftart. Die Technologie findet zu diesem Zweck zunächst den relevanten Text im Bild und liest diesen dann. Auch das Feintuning des Text-Findens ist möglich, indem das vortrainierte Netz mit anwendungsspezifischen Bildern nachtrainiert wird. Damit werden noch robustere Ergebnisse erzielt, aber auch neue Anwendungsmöglichkeiten erschlossen. Zum Beispiel: Finden von Text mit beliebiger Schriftart oder unbekannten Zeichentypen sowie eine verbesserte Lesbarkeit in verrauschten, kontrastarmen Umgebungen.
Training für 3D Gripping Point Detection
3D Gripping Point Detection kann zur robusten Erkennung von Oberflächen auf beliebigen Objekten verwendet werden, die sich für das Greifen mit Saugern eignen.
Es gibt die Möglichkeit, das vortrainierte Modell mit eigenen anwendungsspezifischen Bilddaten nachzutrainieren. Die greifbaren Flächen werden somit noch robuster erkannt. Das dazu notwendige Labeln erfolgt einfach und effizient über das MVTec Deep Learning Tool.
MVTec License Server Cloud-Ready
HALCON-Kunden steht die „Cloud-ready“-Variante des Lizenzservers zur Verfügung. Damit ist es möglich, HALCON sowohl innerhalb der Cloud von kommerziellen Anbietern als auch in unternehmenseigenen Cloud-Umgebungen ohne Hardware, nämlich über eine Netzwerkverbindung zu lizensieren.
Das bedeutet: HALCON kann nun einfach über sämtliche Cloud-Lösungen lizensiert werden. Durch das Nutzen von HALCON in der Cloud profitieren Kunden auf einfache Weise von den neuen Möglichkeiten, die die industrielle Bildverarbeitung in der Cloud bietet.