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.