Halcon von MVTec Software GmbH unterstützt Entwickler durch aktive Nutzung von Multicore-Prozessoren sowie MMX, SSE2 und GPU-Beschleunigung. Zudem wird die Software ab der neuen Version 12 durch die Verwendung des AVX2-Befehlssatzes auf modernsten Prozessoren signifikant schneller. Darüber hinaus konnte die Leistung ausgesuchter Operatoren entscheidend verbessert und dadurch ihre Geschwindigkeit bis zum Fünffachen gesteigert werden. Weitere Beschleunigungen werden in HDevelop und der HDevEngine erreicht. Ein sogenannter JIT(Just-in-time)-Compiler übersetzt den HDevelop-Code automatisch in Maschinencode, der schneller ausgeführt werden kann. Darüber hinaus erlaubt die Software über ihre hoch interaktive Programmierumgebung (IDE) HDevelop parallele Programmierung für nebenläufige Anwendungen und unterstützt hierfür eine ereignisbasierte Verarbeitung. Eine entscheidende Funktion für Softwareentwickler ist die Visual Studio Extension. Damit können Tupel oder ikonische Variablen aus Halcon direkt in Visual Studio überprüft werden. Das erleichtert eine Fehlersuche erheblich. Ausserdem werden in HDevelop jetzt auch Vektorvariablen unterstützt und Tupel können als 1D- oder 2D-Plots aus dem Variablenfenster heraus dargestellt werden.
Die Software erleichtert mit einer neuen Technologie für die Textsegmentierung zudem die Umsetzung von Anwendungen für die optische Zeichenerkennung (OCR). Die neue Technologie überzeugt durch ihre hohe Leistungsfähigkeit beim Auffinden von Text vor unterschiedlichsten Hintergründen – auch unter erschwerten Bedingungen wie kursiven oder unscharfen Zeichen. Zusammen mit den Klassifikatoren der Software bildet die neue Textsegmentierung die Basis für eine zuverlässige optische Zeichenerkennung. Das Portfolio an 3D-Vision-Verfahren unterstützt alle Aspekte der 3D-Vision-Technologie wie 3D-Rekonstruktion, 3D-Registrierung und 3D-Objekverarbeitung. Zusätzlich wartet die Lösung mit einem neuen Verfahren auf: das lokal deformierbare, oberflächenbasierte Matching. Damit kann die 3D-Position und Orientierung von Objekten, deren Form variieren kann, zuverlässig bestimmt werden. Ein Beispiel für solche Objekte sind Bananen, die unterschiedlich lang und unterschiedlich stark gebogen sein können. Das erweitert die Möglichkeiten von 3D-Anwendungen. Darüber hinaus ist das oberflächenbasierte 3D-Matching bei verrauschten Bildern, wie z.B. von Time-of-Flight-Kameras, jetzt wesentlich stabiler. Verbessert wurde auch die samplebasierte Identifikation (SBI). Sie erkennt einmal trainierte Objekte an charakteristischen Merkmalen wie Farbe oder Textur. Aufgedruckte Merkmale, wie z.B. Barcodes, werden damit zur Identifizierung überflüssig. In der neuen Version wurde diese Technologie weiter optimiert, insbesondere für Anwendungen, bei denen verschiedene Objekte mit unterschiedlich vielen Beispielbildern trainiert werden. Auch die samplebasierte Identifikation von Objekten in Bildern mit unübersichtlichem Hintergrund oder wechselnden Lichtverhältnissen funktioniert nun noch zuverlässiger. Ein weiterer Schwerpunkt liegt auf der Verbesserung der Nutzerfreundlichkeit. Die überarbeitete Kamerakalibrierung benötigt erheblich weniger Bilder, um dieselbe Genauigkeit zu erreichen. Des Weiteren müssen die neuen Kalibrierplatten nicht mehr vollständig im Bild zu sehen sein.
Unsere Webinar-Empfehlung
Die Nutzung der 3D-Mess- und Prozessdaten bringt die Produktionssteuerung auf die nächste Stufe. Echte 3D-Messung ermöglicht KI-basierte Prozessmodellierung zur Vorhersage von Parameteränderungen und -defekten oder zur Ursachenanalyse bis hin zu einzelnen Werkzeugen und Best…
Teilen:
