人工智能，尤其是深度学习，已经在众多机器视觉应用中得到广泛应用。总部位于德国慕尼黑的 MVTec Software GmbH 通过其标准机器视觉软件 HALCON，为客户提供了多种深度学习方法，帮助他们解决各类视觉检测任务。
全新 HALCON 25.11 版本将于 2025 年 11 月 12 日正式发布。该版本在深度学习功能方面实现重要升级，其中“速度”成为核心优化方向。MVTec HALCON 产品经理 Jan Gärtner 指出：“速度是确保深度学习应用在实际生产中高效运行并实现经济效益的关键。新版本中，我们优化了分类与码识别相关的深度学习模型，使推理速度实现数倍提升。”新引入的“持续学习（Continual Learning）”功能同样着眼于速度提升，特别是在生产工艺变动时的快速适应能力。新一代分类模型可便捷地添加新类别和图像数据进行再训练，同时有效避免“灾难性遗忘”问题。
与 HALCON 每半年发布的版本一样，HALCON 25.11 不仅增加了新功能，也对现有功能进行了优化。MVTec 持续收集用户反馈，将实际应用需求融入产品开发中。例如，此版本改进了匹配结果的可视化效果——系统将以不同颜色区分显示已检测与未检测的边缘区域，进一步提升了视觉分析的清晰度。
持续学习 — 分类
HALCON 25.11 新增“持续学习—分类”功能，可利用每类少量图像实现快速、灵活的模型训练与更新。用户可随时对已有类别进行细化或新增类别，无需完整重新训练模型。该方法有效规避了灾难性遗忘，并可在边缘设备上直接运行，无需额外硬件支持。这一灵活解决方案能够轻松适应生产条件变化，尤其适用于智能相机、工业传感器等嵌入式与边缘计算环境。
形状匹配得分可视化
在新版本中，HALCON 25.11 引入了“形状匹配得分可视化”功能，显著提高了应用设置的透明度。系统不仅返回整体匹配得分，还通过颜色编码展示各模型轮廓的匹配情况，直观区分匹配良好区域与受阴影或纹理影响未能检测到的部分。这一反馈机制有助于开发者更精准地优化模型与应用，同时可支持更复杂的机器人场景分析，例如识别堆叠物体中被遮挡最少的目标对象。
优化的深度 OCR 模型，实现更快、更高效的文字识别
HALCON 25.11 搭载了全新的 Deep OCR 识别模型，在保持高精度的同时，实现了更快速、更节能的文字识别。在嵌入式设备上，推理速度最高可提升 50 倍，且无需牺牲识别准确率。新模型基于工业数据预训练，并包含优化的对齐预处理流程，可在低功耗硬件上实现实时 OCR 功能，适用于序列号检测、标签验证和批次追溯等高要求的在线检测任务。
MobileNetV4 分类模型支持
HALCON 25.11 新增对 MobileNetV4 系列模型的支持。该系列是针对资源受限系统与边缘设备优化的高效深度学习模型，兼具分类与目标检测能力。该模型以极低计算开销实现高精度推理，有助于用户降低系统成本并简化集成流程。所有模型均基于工业数据预训练，可在质量检测、产品分类与缺陷分析等任务中提供优异性能。
码识别与印刷质量检测（PQI）增强
新版本对二维码与条码识别功能进行了显著优化，尤其在曲面或变形表面等复杂场景下，检测鲁棒性与运算速度均得到提升。条码读取功能在 Code 128 与 GS1-128 不规则条宽情况下的表现更加稳定。此外，HALCON 25.11 支持最新的印刷质量检测标准 ISO/IEC 15415:2024 与 ISO/IEC 29158:2025，确保在物流、食品与医药等行业中的合规性与检测可靠性。
内置 SBOM，简化合规管理
HALCON 25.11 内置软件物料清单（SBOMs），提升了软件组件的透明度。随着《欧盟网络韧性法案》等法规日益严格，SBOM 已成为合规要求的重要组成部分。HALCON 提供基于 SPDX JSON 格式的 SBOM 文件，帮助企业轻松开展漏洞检测、许可证审查与合规管理工作，从而有效降低风险与长期运营成本。
了解更多信息，请访问：www.mvtec.com
