EINBLICKE IN DIE NEUEN FUNKTIONEN VON HALCON 21.11.

17. November 2021 | Lesezeit: 2 min

Interview mit Stephan Hahn
Portfolio Manager bei STEMMER IMAGING

Unser Portfolio Manager Stephan Hahn gibt Ihnen interessante Einblicke in die neuen Features von HALCON 21.11. und wie diese Anwendungen in neuen Märkten ermöglichen.

Das neue Release HALCON 21.11 Progress von MVTec bietet einige neue und verbesserte Funktionen. Welche Branchen profitieren Ihrer Meinung nach am meisten von diesen Features?

Stephan Hahn: Durch die große Vielfalt an Features, die HALCON bietet, gibt es ein breites Spektrum an Einsatzmöglichkeiten in unzähligen Anwendungen in allen denkbaren Branchen. Konkret fällt mir aber die Landwirtschaft ein, die im Bereich der industriellen Bildverarbeitung sehr stark wächst und durch die Integration von HALCON und seinen Features einen großen Nutzen erzielt.

Gerade Agrarbereich gibt es viele verschiedene Anwendungsmöglichkeiten. Können Sie ein Beispiel nennen und welche neuen Features spielen hier eine Rolle?

Stephan Hahn: Gerade beim Identifizieren und Vermessen von natürlich gewachsenen Strukturen im Agrarbereich, z.B. direkt auf dem Landwirtschaftsanbau (Feld), bei denen das organische Material von Natur aus sehr nahe beieinander liegt oder gar berührt und sich teilweise überlappt, ermöglicht die Erweiterung des Deep-Learning Spektrums in HALCON 21.11 mittels Instance Segmentation eine pixelgenaue Zuordnung der verschiedenen Materialien/Objekte in ihre Klassen. Durch die Kombination semantischer Segmentierung und Objekterkennung bietet Vorteile bei der Unterstützung von Ackerbau und Ernte.

Ist es Ihrer Meinung nach ein großer Aufwand, eine bestehende Maschine schnell für Deep Learning fit zu machen?

Stephan Hahn: Nein, es ist kein großer Aufwand notwendig. Das ist eben das besondere, dass bereits vorhandene Maschinen mit einfacher Hardware wie einen USB-Stick in Kombination mit dem OpenVINO Toolkit nachgerüstet werden können. Somit lassen sich auf diese Weise auf Intel-Prozessoren einschließlich CPUs, GPUs und VPUs deutlich höhere Geschwindigkeiten bei Deep-Learning-Inferenzen realisieren. Einfacher geht es fast nicht.