Das Hauptfeature ist Deep Counting, eine auf Deep Learning basierende Methode, die robust große Mengen an Objekten zählen kann. Außerdem wurden Verbesserungen für das Training der Deep-Learning-Technologien 3D Gripping Point Detection sowie Deep OCR in die neue Halcon-Version integriert. Mit Halcon 23.05 ist es nun möglich, die jeweils zugrunde liegenden Deep-Learning-Netze, die bereits auf industrienahen Bildern vortrainiert sind, für die eigene Applikation weiter zu verbessern. Damit können noch robustere Erkennungsraten bei Deep-OCR-Anwendungen erzielt sowie passende Greifflächen bei Anwendungen mit der Technologie 3D Gripping Point Detection noch sicherer erkannt werden. Daneben gibt es noch viele weitere hilfreiche Verbesserungen, etwa, dass externer Code in Halcon nun einfacher integriert werden kann.
„Wir sehen ein deutlich steigendes Interesse bei unseren Kunden, Deep-Learning-Methoden in die eigenen Lösungen zu integrieren. Bei der Entwicklung der neuen Halcon-Version haben wir uns genau daran orientiert. Herausgekommen sind neue Deep-Learning-Technologien sowie Weiterentwicklungen, mit denen wir den Kunden die Möglichkeit bieten, noch präzisere Ergebnisse zu erzielen“, erklärt Jan Gärtner, Product Manager Halcon bei MVTec.
Deep-Learning-basiertes Zählen
Mit Deep Counting steht Kunden ab Halcon 23.05 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.
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. Mit Halcon 23.05 ist nun auch das Feintuning des Text-Findens 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. In Halcon 23.05 gibt es nun 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.
Easy Extensions Interface
Mithilfe von Halcon Extension Packages ist die Integration von externen Programmiersprachen möglich. Der Vorteil für Kunden: Funktionalitäten, die über die reine Bildverarbeitung hinausgehen, können damit über Halcon abgedeckt werden.
In Halcon 23.05 wurde die Integration von externem Code mit dem Easy Extensions Interface deutlich erleichtert. Damit können Anwender ihre eigenen, in .NET-Code geschriebenen Funktionen in wenigen Schritten in HDevelop und der HDevEngine nutzbar machen und dabei von den vielfältigen Funktionalitäten des .NET-Frameworks profitieren. Dabei können sogar die von der Halcon/.NET-Sprachschnittstelle bekannten Datentypen und Halcon Operatoren verwendet werden. Das steigert sowohl die Flexibilität als auch die Anwendungsmöglichkeiten von Halcon.