Neue Version 23.11 von »Halcon«
Lizenzierung jetzt auch vollständig in der Cloud
»Halcon«-Cloud-Umgebungen ohne Hardware-Dongle lizenzieren - die neue Version 23.11 der Machine-Vision-Standardsoftware Halcon von MVTec Software macht’s erstmals möglich. Auf den Markt bringen will MVTec »Halcon 23.11« am 14. November.
»Der ‚License Server Cloud Ready‘ ermöglicht unseren Kunden die digitale Lizenzierung von Halcon in öffentlichen, aber auch in privaten Cloud-Umgebungen«, erläutert Jan Gärtner, Product Manager Halcon bei MVTec. »Damit eröffnen wir noch mehr Kunden die Möglichkeit, auf Halcon zuzugreifen und von den Vorteilen, die Halcon als leistungsstarke industrielle Bildverarbeitungssoftware bietet, zu profitieren.« Der halbjährliche Release-Zyklus von Halcon umfasse stets neue Features und zahlreiche Verbesserungen bestehender Methoden.
Konkret steht Kunden mit Halcon 23.11 eine weitere »Cloud-ready«-Variante des Lizenzservers zur Verfügung. Damit ist es nun möglich, Halcon sowohl innerhalb von Clouds kommerzieller Anbieter als auch in unternehmenseigenen Cloud-Umgebungen ohne einen Hardware-Dongle zu lizenzieren, sprich: über eine Netzwerkverbindung. Das bedeutet: Halcon lässt sich jetzt problemlos über sämtliche Cloud-Lösungen hinweg lizenzieren.
Indem Halcon jetzt auch rein digital in der Cloud betrieben werden kann, ergeben sich viele zusätzliche Anwendungschancen, etwa der Aufbau neuer Geschäftsmodelle, das rechenintensive Training von Deep-Learning-Modellen oder der Ablauf von CI/CD-Prozessen auf Cloud-Basis. Eine Möglichkeit ist beispielsweise, Bildverarbeitungsdienste in der Cloud anzubieten.
Die abgesehen vom Thema Cloud laut MVTec bedeutendste Weiterentwicklung in Halcon 23.11 ist die 3D-Rekonstruktion auf Basis strukturierten Lichts, das sogenannte »structured light model«. Neben der Deflektometrie liefert es jetzt auch präzise 3D-Rekonstruktionen für diffuse Oberflächen in kurzen Taktzeiten. Nutzern gibt es die Flexibilität, ihre eigenen anwendungsspezifischen 3D-Rekonstruktionssysteme mithilfe eines Musterprojektors und einer 2D-Kamera zu entwickeln. Die Funktion eignet sich besonders für Anwendungen, in denen präzise räumliche Darstellungen erforderlich sind, etwa die Optimierung von Fertigungsprozessen, die Qualitätskontrolle und die genaue Vermessung verschiedener Oberflächen.
Die wichtigste Neuheit im Bereich Deep Learning ist die Methode der Multi-Label-Klassifizierung, die es ermöglicht, mehrere verschiedene Klassen in einem Bild zu erkennen. Solche Klassen können unterschiedliche Eigenschaften der Objekte im Bild umfassen, etwa Farbe und Struktur oder auch Fehler. In der Praxis kann die Methode beispielsweise informieren, 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.
Weitere Verbesserungen
Darüber hinaus wurden in Halcon 23.11 eine Reihe von Verbesserungen für bestehende Methoden und Technologien umgesetzt. So wurde für »Global Context Anomaly Detection«, eine Methode zum Auffinden komplexer Anomalien, das dahinterstehende neuronale Netz weiter optimiert. Dies verbessert die Genauigkeit bei der Anomalieerkennung, ohne die Hardware-Anforderungen oder die Ausführungszeit zu erhöhen.
Außerdem verwendet Halcon jetzt das neueste Nvidia-Cuda-Toolkit. Benutzer können damit aus einer noch größeren Anzahl von KI-Beschleunigern wählen als bislang. Auch die neuen Nvidia-Jetson-Orin-Module werden jetzt unterstützt.
Und schließlich wurden in Halcon 23.11 verschiedene Leistungsoptimierungen der Kerntechnologien von Halcon umgesetzt. So laufen beispielsweise die Operatoren für das Template Matching (NCC Matching) in Arm-basierten Systemen nun bis zu 80 Prozent schneller.
Lesen Sie mehr zum Thema
