MVTec公司在2020年5月20日悄悄的完成了HALCON新版本HALCON20.05的发布，下面来看看相比于之前版本，新版本有那些值得注意的新特征：
亚像素级别的条码阅读器
条形码阅读器通过更先进的解码算法，其性能得到了很大的提高，在HALCON20.05的条码阅读器能够对元素大小小于1pixel的条码进行读取。
更稳定的基于表面的3D匹配
在HALCON20.05中，针对形状大体对称的目标，基于表面的3D匹配算法则更加稳定。尤其在装配行业，工件必须被稳定且准确的定位，进而做进一步的处理。通常，像小孔这样的属性是仅有的去判断目标正确朝向的独特特征。HALCON中基于表面的3D匹配现在能够利用这些特征去匹配结果的准确性和稳定性。
基于CPU的深度学习训练
在HALCON20.05中，所有深度学习技术的训练都能够基于CPU执行，通过移除只专注于GPU的需要，标准的工业PCs（没有足够的空间去安装有力的GPU）也能够直接被用来进行训练。这很大程度上提高了客户在深度学习利用上的灵活性，让其能够根据应用去灵活的调整外部的条件。
其他改进
更稳定的通用box查找器
通用box查找器是在19.11中被引入的，其允许用户能够在事先定义好宽度、高度和深度的范围内，去定位不同大小的boxes，避免了去训练一个模型。在HALCON20.05中，就其稳定性，性能，速度和使用上做了较大的提高。现在，能够以一种更稳定的方式，，更容易去查找大范围不同大小不同种类的boxes。
异常检测改进
异常检测通过少量高质量的好图像训练，能够大大帮助自动化表面检测。通过HLACON20.05， 训练一个异常检测的网络的速度要快10倍多，同时结合更快的推导，这将打开一个全新的可能去在新的或现有的应用中尝试使用深度学习：现在训练一个新网络几乎可以在几秒左右，允许用户去执行更多的迭代，在没有牺牲很大精度的情况下去微调他们的应用，训练好的网络也要求很小的内存和硬盘空间，其让HALCON的异常检测在嵌入式设备上的使用变得更加可行。
基于Grad-CAM热度图的CPU支持
基于Grad-CAM(Gradient-weighted Class Activation Mapping)的热度图支持你去分析图像中的那一部分影响分类的决定。在HALCON20.05中，热度图的计算也可以执行在CPU上。因为没有很大的速度损失，客户能够去分析深度学习网络的类别预测。
