STEMMER IMAGING

La version HALCON 21.05 offre de nouvelles possibilités de deep learning et de matching. Le lecteur de codes-barres Subpixel Barcode Reader, l’outil Deep OCR et l'environnement de développement HDevelop ont été améliorés. Avec HALCON 21.05 Progress, les processus de vision industrielle gagnent en robustesse et en convivialité.

• HDevelop, un environnement de développement plus convivial

La fonction d’ancrage des fenêtres a été améliorée. Il est désormais possible de choisir différents emplacements pour ouvrir une fenêtre flottante. L’ancrage n’était possible que dans le coin supérieur gauche de l'écran principal. Maintenant, vous pouvez choisir le coin supérieur gauche de l'écran où se trouve HDevelop, ou le coin supérieur gauche de HDevelop lui-même. Cela permet d’ouvrir les widgets au plus près de HDevelop.
HDevelop comprend également une nouvelle fonction appelée « auto-hide ». Elle permet de minimiser rapidement les widgets dans la barre latérale et de les réafficher en cas de besoin.
Et il est désormais plus facile de regrouper et d’organiser les fenêtres graphiques.

• Deep OCR amélioré

Les améliorations apportées au Deep OCR concernent la convivialité et les performances. Le traitement des images grand format est plus robuste. Le résultat contient une liste de caractères candidats avec un score de confiance qui peut être utilisé pour améliorer les résultats de reconnaissance. L’outil est par ailleurs beaucoup plus stable et permet de mettre en œuvre une plus grande variété d’applications, car de nouveaux caractères ont été ajoutés.

• Framework de deep learning

HALCON 21.05 contient une première version du HALCON Deep Learning Framework. Il permet aux utilisateurs expérimentés de créer leurs propres modèles dans HALCON. De cette façon, il est possible de mettre en œuvre des applications exigeantes et complexes directement dans HALCON sans recourir à des réseaux pré-entraînés ou à des frameworks d’autres fabricants.

• Generic Shape Matching

Avec le Generic Shape Matching, les technologies de correspondance de forme de MVTec deviennent encore plus conviviales et évolutives. Le nombre d’opérateurs nécessaires a été drastiquement réduit, ce qui fait gagner en rapidité et en simplicité la mise en œuvre de solutions. Par ailleurs, les différentes méthodes de matching de formes sont regroupées en un seul ensemble d’opérateurs : les utilisateurs peuvent ainsi intégrer de nouvelles fonctionnalités de façon plus fluide.

• Subpixel barcode reader

Le lecteur de codes-barres d'HALCON est capable de lire des codes aux barres très fines. Les améliorations apportées à cet outil dans HALCON 21.05 concernent surtout la lecture de codes à faible résolution, avec une augmentation du taux de décodage de 50%.

• Opérateurs de base 2D et 3D pour un prétraitement rapide et robuste

Dans HALCON 21.05, l'échantillonnage des nuages de points 3D intègre un nouveau mode appelé « furthest point » (point le plus éloigné) qui apporte plus d’uniformité à l’échantillonnage d'un objet 3D. La fonction de lissage des nuages de points 3D a été améliorée avec un nouveau mode qui utilise les informations des mappings XYZ. Le lissage de nuages de points 3D peut être utilisé comme étape de prétraitement pour lisser les nuages de points et éliminer le bruit. En général, ce mode accélère nettement le temps de traitement.

D'autres améliorations ont été apportées à HALCON 21.05, notamment une accélération des opérateurs de base de l'image.

Pour HALCON 20.11, MVTec a amélioré un grand nombre de technologies-clés.

• Lecture de codes DotCode
  Un nouveau code 2D, connu sous le nom de DotCode, a été ajouté. Il s’agit d’une matrice de points qui peut s’imprimer très rapidement. Un atout de taille pour les applications à grande vitesse, comme dans l’industrie du tabac par exemple.

• OCR et deep learning
  Avec une autre fonction appelée Deep OCR, MVTec introduit une approche globale de reconnaissance optique de caractère (OCR) par deep learning. Elle permet de localiser et de reconnaître les chiffres et les lettres de manière très fiable, indépendamment de leur orientation, type de police ou polarité. Le regroupement automatique de caractères permet ainsi d’identifier des mots entiers. Cela améliore les performances de reconnaissance et évite l'interprétation erronée de caractères d'apparence similaire.

• Matching plus rapide et convivial
  Le matching 2D basé sur les formes, au cœur de HALCON 20.11, a aussi été amélioré. Un plus grand nombre de paramètres peuvent être calculés de façon automatique, améliorant ainsi la convivialité et les performances de matching dans les situations de faible contraste et de bruit élevé.
  L’environnement 3D n’est pas en reste non plus : le matching 3D basé sur les contours et les formes est désormais plus rapide, notamment avec des images comportant de nombreux objets et contours. Autre point positif : vous n'avez plus besoin de définir de point de vue.

• Fonctionnalités améliorées pour les développeurs
  HALCON 20.11 facilite le travail des utilisateurs, et aussi celui des développeurs. Une nouvelle interface de langage permet en effet aux programmeurs travaillant avec Python d'accéder de manière transparente au puissant ensemble d'opérateurs d’HALCON. De plus, l'environnement de développement intégré HDevelop a été relooké. Il offre plus d’options de configuration, comme par exemple un nouveau concept d'ancrage de fenêtres. Pour une meilleure ergonomie visuelle, vous avez aussi la possibilité de choisir des thèmes afin d’adapter HDevelop à vos besoins.

• Détection de contours par deep learning
  HALCON 20.11 comprend une nouvelle méthode d’extraction des contours à l'aide du deep learning. Idéale notamment pour les images comportant un grand nombre de bordures, la fonction d'extraction de contours par deep learning ne demande qu’un faible corpus d’images de référence pour être fonctionnelle et n’extrait que les contours souhaités. L'effort de programmation s’en trouve fortement réduit.
  
  Dès le départ, le réseau préformé est capable de détecter de manière robuste les bords dans des situations de faible contraste et de bruit élevé. Cela permet d'extraire également les contours qui ne peuvent pas être identifiés avec des filtres conventionnels. En outre, le « Pruning for Deep Learning » permet aux utilisateurs d’optimiser ultérieurement un réseau de deep learning déjà formé. Ils peuvent désormais contrôler la priorité des paramètres vitesse, stockage et précision et modifier le réseau avec une grande exactitude en fonction des exigences spécifiques de l'application.

HALCON 19.11 offre un large éventail de nouvelles fonctionnalités, revisitées pour la vision industrielle. Les utilisateurs bénéficieront ainsi de simplifications massives pour leurs applications. Un accent particulier a été mis sur l'intégration de nouvelles fonctions de deep learning.

• Détection de défauts avec le deep learning
  L'inspection automatisée de surfaces est une tâche importante dans de nombreuses usines de fabrication. Les solutions basées sur le deep learning sont de plus en plus courantes. Elles servent à distinguer des pièces, détecter et segmenter des défauts. Cependant, il est souvent compliqué d'obtenir suffisamment d'images d'un défaut potentiel et d’étiqueter les données disponibles. HALCON propose une nouvelle fonction de détection de défauts basée sur le deep learning : celle-ci vous donne la possibilité d'effectuer une inspection en utilisant un nombre relativement faible d’images de pièces correctes pour entraîner le système. L'inférence permet de comparer l’ « anomalie » détectée dans l'image avec les images d’entraînement.

• Accélération du lecteur de code ECC 200
  Le lecteur de codes de type ECC 200 a été considérablement accéléré pour les systèmes multicœurs. La plus grande amélioration a été obtenue pour les codes particulièrement difficiles à détecter et à lire, avec une accélération d'environ 200 % de la vitesse habituelle. Cette accélération augmente également considérablement la viabilité des lecteurs de codes embarqués, car les capacités matérielles existantes sont utilisées de manière optimale.

• Recherche de boîtes génériques pour les applications de « pick and place »
  L’outil de recherche de boîtes génériques permet à l'utilisateur de trouver des boîtes de différentes tailles en fonction de l'espace 3D. Cette technique évite de devoir former un modèle pour chaque taille de boîte requise. Pour de nombreuses applications, cela signifie une efficacité accrue, en particulier dans les secteurs de la logistique et de l'industrie pharmaceutique qui utilisent généralement des boîtes de tailles très variées.

• Compatibilité ONNX
  De nombreuses entreprises travaillent avec des frameworks en open source afin de former des classifieurs pour les modèles de deep learning (CNN). Ces CNN peuvent être exportés au format ONNX (Open Neural Network Exchange). HALCON 19.11 peut désormais lire ces données au format ONNX, ce qui permet d'utiliser avec HALCON des réseaux tiers déjà créés.

HALCON 19.05 donne accès aux fonctionnalités de deep learning à un éventail encore plus large d'applications. Veuillez noter que la nouvelle version n'est disponible qu'avec le modèle de licence HALCON Progress.

• Une détection d'objets plus complexe
  Les utilisateurs ont désormais la possibilité d'aligner les rectangles de détection d'objets avec l'orientation de l'objet et de compléter les groupes d'objets localisés et entraînés.

• Inférence sur processeurs ARM
  Avec HALCON 19.05, l'inférence pour les trois technologies de deep learning (la classification d'images, la détection d'objets et la segmentation sémantique) peut être appliquée aux processeurs ARM. Le logiciel est prêt à être utilisé immédiatement. Comme aucun composant spécifique, tel qu'un GPU puissant ou un CPU de bureau, n'est nécessaire, les possibilités d’application du deep learning se multiplient. Les temps d'exécution sur plateformes ARM varient en fonction de la complexité et du type de matériel, mais les tests de référence de MVTec ont montré qu'elles convenaient à de très nombreuses applications.

• Correspondance de formes
  Le matching de formes est l'une des technologies de base les plus importantes d'HALCON. Il peut être considéré comme l'outil de matching le plus puissant du marché. MVTec améliore constamment cette technologie, afin d'étendre son champ d'application. Avec HALCON 19.05, les utilisateurs peuvent désormais définir de façon ciblée les zones dites « clutter ». Il s'agit de zones dans un modèle de recherche qui ne doivent pas contenir de contours.

• Correspondance de surfaces
  L’outil de matching des contours est désormais plus robuste avec des nuages de points bruyants : les utilisateurs peuvent contrôler l’impact des informations concernant la surface et les bords en utilisant plusieurs valeurs de résultat. Si aucune image XYZ n’est disponible, un nouveau paramètre permet désormais de désactiver complètement l'alignement 3D des bords. Si les données 3D sont insuffisantes pour la correspondance de formes, les utilisateurs peuvent supprimer leurs impact pour la recherche tout en préservant les précieuses informations 2D pour l'alignement des surfaces et des bords en 2D.

• Accélérations
  Plusieurs opérateurs de HALCON ont été accélérés : affine_trans_image, par exemple, peut atteindre 230% de sa vitesse sur les processeurs AVX2, selon le type d'image et les paramètres. L'exécution de polar_trans_image_ext peut quant à elle accélérer de 160% selon la méthode d'interpolation.

Deux éditions de HALCON 18.11 sont disponibles : Steady et Progress. HALCON Progress est disponible sous forme d'abonnement, avec des mises à jour prévues tous les six mois. L'édition Steady, qui fait suite à HALCON 13, s'achète quant à elle de façon régulière.

• Segmentation sémantique et détection d'objets grâce au deep learning
  HALCON 18.11 propose deux nouvelles fonctions d'apprentissage automatique (deep learning). La segmentation sémantique permet de segmenter au pixel près les types d'erreurs apprises afin de les localiser avec précision. La fonction de détection d'objets par deep learning permet quant à elle de localiser sur l'image les types d'objets appris par le système.

• « Dictionnary », une nouvelle structure de données
  HALCON 18.11 introduit une nouvelle structure de données sous forme de tableau associatif qui donne aux développeurs de nouvelles possibilités de travailler avec des données complexes.

• Handle Variable Inspect dans HDevelop
  HDevelop peut maintenant afficher des informations détaillées sur les variables Handle les plus importantes.

• Amélioration du lecteur de codes ECC 200
  Le lecteur de données codées pour les codes ECC 200 a été amélioré.

• HALCON dans votre réseau industriel
  HALCON 18.11 dispose de l'interface Hilscher-cifX. Cela permet à HALCON de communiquer avec la quasi totalité des protocoles de bus de terrain industriels via des cartes Hilscher.

• Lecture de codes-barres améliorée
  HALCON 18.05 offre une détection des contours optimisée, ce qui améliore la lisibilité des codes-barres avec de très petites largeurs de lignes ainsi que des codes fortement flous. De plus, la qualité des codes à barres est également vérifiée conformément à la version la plus récente de la norme ISO / IEC 15416.

• Déflectométrie améliorée
  La fonctionnalité de déflectométrie introduite dans HALCON 17.12 inclut désormais un nouveau type de modèle qui améliore la précision et la robustesse de la détection d'erreur, en particulier sur des surfaces partiellement spéculaires comme les tôles vernies.

• Améliorations 3D
  HALCON 18.05 offre des fonctions optimisées pour le matching 3D. Celles-ci peuvent être utilisés pour déterminer la position des objets dans l'espace 3D de manière plus fiable, ce qui facilite le développement d'applications 3D. En outre, HALCON inclut désormais une nouvelle procédure d'assistance qui permet aux développeurs d'inspecter et de déboguer rapidement les paramètres et les résultats d'une application de reconnaissance en surface.

• Suppression automatique des Handles
  HALCON 18.05 facilite également le travail avec les Handles en les « nettoyant » automatiquement dès qu’ils ne sont plus nécessaires. Cela réduit considérablement le risque de créer des fuites de mémoire et rend l'écriture de « code de sécurité » beaucoup plus simple.

• Améliorations de HDevEngine
  La fonction d'exportation de bibliothèque HDevelop a été étendue : les développeurs peuvent désormais accéder aux procédures HDevelop non seulement en C ++, mais également en .NET via un wrapper exporté, et ce aussi facilement et intuitivement qu'une fonction native. Cela facilite considérablement le processus de développement.

• Deep learning
  Avec MVTec HALCON 17.12, vous pouvez former votre propre classificateur CNN (Convolutional Neural Network). Après avoir configuré le CNN, le réseau peut être utilisé pour classer de nouvelles données avec HALCON.

• Déflectométrie
  Afin de relever les défis particuliers posés par l'inspection de surfaces réfléchissantes spéculaires et détecter des défauts tels que des bosses et des rayures, HALCON applique maintenant le principe de la déflectométrie. Cette méthode utilise les réflexions spéculaires en observant les images réfléchies des motifs appris et leurs déformations en surface.

• Lecteur de texte automatique
  HALCON 17.12 dispose d'une version améliorée du lecteur de texte automatique qui détecte et sépare les caractères tactiles de manière désormais plus robuste.

• Fusion de surface pour nuages de points 3D multiples
  HALCON offre maintenant une nouvelle méthode qui fusionne plusieurs nuages de points 3D en une seule surface étanche. Cette nouvelle méthode est capable de combiner les données de différents capteurs 3D, ces derniers pouvant même être de types différents, comme une caméra stéréoscopique, une caméra temps de vol ou à projection de franges. Cette technologie est particulièrement utile pour la rétro-ingénierie.

• Améliorations de HDevEngine
  Avec la nouvelle bibliothèque d'exportation HDevelop incluse dans HALCON 17.12, les développeurs peuvent désormais accéder aux procédures HDevelop à partir de C++ de façon aussi simple et intuitive que pour toute autre fonction C++. Cette nouvelle bibliothèque d'exportation génère également des projets CMake, qui peuvent facilement être configurés pour générer des fichiers de projet pour de nombreux EDI populaires, tels que Visual Studio.