Halcon progress 19.11新功能介绍

目录

 

一、深度学习异常值检测算法

二、支持ONNX开源模型导入

三、提供更全面的可视化接口

四、通用箱体定位算法

五、更加优秀的读码算法

六、增强的线阵相机标定方法

七、基于标记点的分水岭图像分割算法

---

一、深度学习异常值检测算法

MVTec自HALCON 17.12 Progress版本就已加入深度学习分类功能，在后续版本中，HALCON又在原有分类功能基础上增加了目标检测以及语义分割的功能。此前的HALCON可使用有监督式的深度学习方法来完成图像分类、目标检测、语义分割三项视觉任务。在新版本的HALCON中将加入基于深度学习的异常值检测算法，该算法属于无监督式的深度学习方法，使用该算法可以在只有正样本的情况下训练模型。 

通过该方法训练得到的模型可自动推断出有缺陷物体中异常位置所在区域：

该方法相较于之前的深度学习算法具有以下优点：

1. 无需标注
2. 只需少量正样本即可进行训练
3. 可以在CPU下进行训练
4. 具有较快的推断速度

二、支持ONNX开源模型导入

HALCON 19.11可以支持开源ONNX模型导入，并支持其在HALCON框架下进行训练及推断，用户可通过该方式在HALCON中无缝集成其他开源框架下（如tensorflow，pytorch等）训练好的深度学习模型。

同时，HALCON 19.11还提供了开源网络模型拓扑结构的可视化算子，通过使用HALCON 19.11提供的可视化接口，用户可以轻松可视化开源模型的内部网络结构。

三、提供更全面的可视化接口

Halcon19.11 progress还加入了针对网络任意层、任意卷积核特征图及热度图的可视化算子。通过该技术用户可以更加全面的了解网络模型的学习过程，及当前模型更加关注的区域。

     

 

四、通用箱体定位算法

在HALCON19.11之前如果要完成复杂场景下的箱体查找，则需要对查找的箱体创建模板，如果查找的种类较多则需要创建多种模板。HALCON19.11的通用箱体定位算法无需创建模板，可直接在复杂场景下定位任意尺寸的箱体，该算法可适用于多种复杂3D场景，具有良好的适用性及鲁棒性。适用该技术可以提升物流、制药行业箱体分拣的效率。

五、更加优秀的读码算法

MVTec在HALCON每一个版本迭代中，都会花费很多精力去提高算法的速度。在新版HALCON中，ECC200的读码速度较上一版本提升了三倍，并且在多核环境下提速效果更加明显。同时HALCON19.11的一维码解码算法能够返回条码更加精确的旋转角度。另外，在新版本中HALCON可以解码低分辨率的条码图像，在条码间隙小于1像素的情况下仍然能够稳定的进行解码。

六、增强的线阵相机标定方法

针对线阵相机标定，增加了远心镜头支持及多项式畸变的校正。新版本支持使用线阵相机配合远心镜头进行标定测量，同时多项式模型能够校正更加复杂的畸变。

七、基于标记点的分水岭图像分割算法

 

　　图像分割一直是视觉领域的重要内容，HALCON19.11提供基于标记点的分水岭图像分割算法，该算法通过用户提供的标记区域来分割图像中的物体，分割效果比传统的分水岭算法有着明显的提升。