바코드 판독기는 고급 디코딩 알고리즘에 의해 개선 되었습니다. 이로인해 HALCON 20.05의 바코드 판독기는 1픽셀 미만의 크기로 코드를 판독할 수 있습니다.

HALCON 20.05를 사용하면 대칭적인 물체의 경우 Surface-based 3D 매칭이 강력 합니다.
특히 조립 업계에서는 가공물을 정확하고 확실하게 배치하여 가공할 수 있도록 해야 합니다.
작은 구멍과 같은 부분이 개체의 올바른 방향을 찾을 수 있도록 하는 고유의 특징입니다.
HALCON의 Surface-based 3D 매칭은 이제 이러한 기능을 사용하여 일치 결과의 정확성과 견고성을 높일 수 있습니다.

HALCON 20.05에서는 모든 딥 러닝 기술에 대한 CPU 트레이닝이 가능해 집니다. 전용 GPU의 필요성을 없앰으로써 표준 산업용 PC(고사양의 GPU를 장착할 수 없었던)에서도 트레이닝을 할 수 있게 됩니다. 이는 생산 라인에서 딥러닝 트레이닝을 직접 실시할 수 있기 때문에 딥러닝 구현의 유연성을 크게 높여 주며, “즉시” 변화하는 외부 조건에 맞춰 애플리케이션을 조정할 수 있습니다.

HALCON 19.11과 함께 출시 된 Generic Box Finder는 높이, 너비, 깊이 등의 미리 정의된 범위 내에서 크기가 다른 박스를 찾을 수 있게 해 주므로 모델을 훈련시킬 필요가 없습니다. HALCON 20.05를 통해 성능, 속도 및 사용 편의성 측면에서 더욱 개선이 되었습니다.

Anomaly Detection은 트레이닝을 위해 고품질의 “양호한” 이미지를 적게 요구함으로써 자동화된 표면 검사를 상당히 편리하게 합니다. HALCON 20.05를 사용하면 Anomaly Detection을 위한 네트워크 트레이닝이 최대 10배 빨라집니다. 또한 더 빠른 추론과 결합하면 새로운 응용 프로그램과 기존 응용 프로그램에 대해 딥 러닝을 시도할 수 있는 완전히 새로운 가능성이 열립니다.

이제 새로운 네트워크 트레이닝을 몇 초 만에 완료할 수 있으므로 사용자는 많은 반복 작업을 수행하여 귀중한 시간을 낭비하지 않고도 애플리케이션을 미세 조정할 수 있습니다. 또한 트레이닝된 네트워크는 메모리와 디스크 공간을 적게 필요로 하기 때문에 내장된 기기에서 HALCON의 Anomaly Detection을 사용할 수 있습니다.

Grad-CAM-based Heatmap (Gradient-weighted Class Activation Mapping)을 사용하면 이미지의 어느 부분이 분류 결정에 영향을 미치는지 분석할 수 있습니다. HALCON 20.05에서는 Heatmap 계산을 CPU에서 수행할 수 있습니다. 속도 저하 없이 수행할 수 있기 때문에 고객들은 딥 러닝 네트워크 클래스 예측을 “즉시” 분석할 수 있습니다.