圖像分類分佈外檢測 (OOD)

HALCON 的這項新功能可以更簡單的辨識生產過程中，因為錯誤分類而引發的異常行為。由此，使用者可以採取更有針對性且高效的應對措施，如暫停機器等。在機器視覺系統的分類過程中，未知物體通常會被歸類在系統已學習到的某個類別。然而，當缺陷產生或物體類型從未出現時，這可能會帶來問題。新的深度學習功能 “分佈外(OOD) 偵測” 可以提示用戶，此待檢物體是否超出訓練資料範圍。例如，如果系統只接受過紅色或黃色標籤瓶子的訓練，而實際檢測到的是一個綠色標籤的瓶子，HALCON 將提供 “分佈外” 警告，並給出一個 OOD 分數值，該值表示此物體與訓練資料的偏移程度。
 

此外，當使用者想要透過新增訓練影像來擴展其深度學習模型時，OOD 分數也同樣發揮重要作用。它有助於挑選對模型增益最高的訓練影像。 例如， 較高的 OOD 分數表示新訓練圖像與現有網路中的圖像偏差較大，意味著資訊量更高，從而為訓練帶來更大的增值效果。

全新 IDE HDevelopEVO 預覽版 

改進的基於形狀匹配

新的 HALCON 版本使得廣泛應用的 “基於形狀的匹配” 功能更加用戶友好。此技術用於快速、準確、精確地找到物體。為此，HALCON 24.11引入了新的技術“擴展參數估計”，該技術正在申請專利中。 此功能可以更細緻地估算參數，從而在某些應用中顯著加快執行速度。即便是沒有深厚機器視覺專業知識的用戶，也可以使用「擴展參數估計」預估參數。
 

優化的二維碼讀取功能

HALCON 的 QR Code Reader 效能顯著提升，特別是在複雜條件下表現特別突出。例如，當影像區域中需要辨識大量 QR Code，或影像中存在複雜紋理幹擾偵測時，最佳化後的讀取器能夠有效應對這些挑戰。辨識率進一步提高，同時在複雜場景下的評估時間也大幅縮短 。

3D 深度匹配

HALCON 24.11 引進了一項基於深度學習的 3D 視覺創新，特別適用於料箱抓取和拾取放置等應用。此功能在精確確定訓練物件的位置和旋轉方面表現非常穩定，具有參數設定簡單、執行速度快的優勢。根據不同的精度要求，使用者可以使用一個或多個經濟高效的標準 2D 相機來確定物體位置。訓練過程完全基於由 CAD 模型產生的合成數據，因此無需額外的訓練。使用者在 HALCON24.11 即可使用此功能，為此，請隨時聯絡 MVTec 關於模型訓練及應用評估事項。在 HALCON 的下一個版本中，我們將推出此功能的訓練與評估。
 

HALCON 的 GigE Vision 介面支援 RoCEv2
 

在此版本中，HALCON 的 GigE Vision 介面支援 RoCEv2 網路協議，從而提高了影像傳輸效能。

功能進階提升

HALCON Progress 現在已與 HALCON Steady 版本全面兼容，這意味著 Progress 和 Steady 用戶可以共同處理同一專案，進一步提升團隊協作效率。此外， HALCON Progress 用戶將獲得與 HALCON Steady用戶相同的更新，未來只需交換相應的許可文件即可輕鬆在 Steady和 Progress 之間切換。本次更新中，HALCON 的 GigE Vision 介面新增對 RoCEv2 網絡協議的支持，顯著提升影像傳輸性能。