CN115443404A - 用于检查容器的填充高度的方法和设备 - Google Patents
用于检查容器的填充高度的方法和设备 Download PDFInfo
- Publication number
- CN115443404A CN115443404A CN202180030143.5A CN202180030143A CN115443404A CN 115443404 A CN115443404 A CN 115443404A CN 202180030143 A CN202180030143 A CN 202180030143A CN 115443404 A CN115443404 A CN 115443404A
- Authority
- CN
- China
- Prior art keywords
- container
- measurement data
- training
- filling level
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 87
- 238000011156 evaluation Methods 0.000 claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 74
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000007723 transport mechanism Effects 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims 2
- 238000002360 preparation method Methods 0.000 claims 1
- 239000007788 liquid Substances 0.000 description 19
- 238000012545 processing Methods 0.000 description 16
- 230000032258 transport Effects 0.000 description 9
- 230000005670 electromagnetic radiation Effects 0.000 description 8
- 239000006260 foam Substances 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 235000013361 beverage Nutrition 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 235000011837 pasties Nutrition 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 239000007799 cork Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000008258 liquid foam Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 235000014214 soft drink Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明涉及用于检查容器的填充高度的方法(100)，其中，利用运输机构运输容器来得到容器质量流(101)，并且利用传感器单元检测容器来得到测量数据(102)，并且其中，利用评估单元评估测量数据，并在此分别获知容器的填充高度，其中，由评估单元利用基于人工智能运行的评估方法来评估测量数据，以便获知填充高度(104)。
Description
技术领域
本发明涉及具有权利要求1或11的前序部分的特征的用于检查容器的填充高度的方法和设备。
背景技术
检查容器填充高度的方法和设备是已知的，其中，利用运输机构将容器作为容器质量流来运输，并利用传感器单元检测容器而得到测量数据。然后用评估单元对测量数据进行评估，并在此分别获知填容器的充高度。尤其地，为了获知填充高度，确定容器中的将填充物的液态或糊状相与布置在其上方的气体分界的液面。
DE 102018133602 A1公开了用于确定待填充液体的容器的料位的检查设备，其具有用于发出穿透容器的至少一个测量射束的发射单元和与该发射单元相配属的接收测量射束的接收单元。在所期望的料填充状态下，测量射束在液体与布置在其上方的气体层之间的界面上朝着接收单元改向所在的方向反射。
DE 102005009176 A1公开了用于测量容器料位的方法和设备，其中，容器沿运输方向运动穿过测量站，测量站具有用于测量射束的狭缝状的发射装置和与之平行的用于测量射束的狭缝状的接收装置。
WO 03/016886A1公开了用于利用相机查验被填充并被封闭的瓶子的方法和设备，相机通过远心的光学器件从光源的至少两个能周向位移的方向从侧面观察瓶子的头部区域和肩部区域，并产生至少两个图像，这些图像要经过图像分析和/或图像比较，其中，在识别到不允许的偏差时产生信号。
在已知的方法和设备中不利的是，它们必须依赖于容器类型和/或填充物由有经验的使用者借助参数进行调整。此外，在极少数情况下，例如在形成致密泡沫时，可能无法可靠地获知填充物的填充面来确定填充高度。此外，容器壁部方面发生的波动，例如增厚、彩色纹影或玻璃缺陷或者容器形状本身都可能会引起液面的扭曲呈现，这会使对填充高度的传统的算法评估变得困难甚至变得不可能。
发明内容
因此，本发明的任务是提供用于检查容器填充高度的方法和设备，其可以用较少的花费被设立成用于不同的容器类型和/或种类，并利用其可以更可靠地且节约成本地获知填充高度。
为了解决所提出的任务，本发明提供了具有权利要求1的特征的用于检查容器填充高度的方法。在从属权利要求中提到了本发明的有利实施方式。
通过由评估单元利用基于人工智能运行的评估方法来评估测量数据，以便获知填充高度，使得评估方法可以以相同的方式被设立成用于不同的容器类型和/或种类，而无需在进行变换时重新进行参数给定。因此，基于人工智能运行的评估方法不再需要为了专门针对容器类型和/或种类进行设定而由有经验的使用者耗费地进行参数给定和优化。此外，可以减少错误设定，由此使得该方法更可靠进而更节约成本地运行。
用于检查填充高度的方法可以被用在饮料加工设施中。尤其地，该方法可以后置于或配属给用于给容器填充填充物的填充方法和/或用于利用封闭件封闭容器的封闭方法。
容器可以被设置成用于容纳填充物，如饮料、食品、卫生用品、糊状物、化学的、生物的和/或医药的产品。容器可以构造为瓶子，尤其是塑料瓶或玻璃瓶。塑料瓶特别地可以是PET瓶、PEN瓶、HD-PE瓶或PP瓶。它们也可以是能生物降解的容器或瓶子，其主要成分由能再生的原料制成，例如甘蔗、小麦或玉米。容器可以在进行填充高度检查之前被设有封闭件，例如设有冠状软木塞、旋塞、撕开盖或类似物。也能想到的是，在进行填充高度检查时在没有封闭件的情况下对容器进行检测。
容器类型可以是特定的容器形状。种类可以是特定的填充物类型，例如不同于软饮料的啤酒。
能想到的是，该方法被用于确定容器中的将填充物的液相或糊状相与布置在其上方的气体分界的液面。例如，容器中的液面分别可以是饮料与位于其上方的气体之间的界限。也能想到的是，液面是填充物的液相或糊状相与布置在其上方的泡沫之间的界限。
可以用运输机构将容器作为容器质量流、优选作为单轨迹的容器质量流运输至传感器单元。然而也能想到多轨迹的容器质量流。运输机构可以包括转塔和/或线性运输机构。例如，运输机构可以包括传送带，容器在传送带上被直立地运输到传感器单元的检查区域中。同样能想到的是，在运输期间容纳一个或多个容器的容纳元件。
传感器单元可以构造为光学传感器单元，其尤其是具有传感器和用于电磁辐射的接收器，以便在目标液面的区域中借助电磁辐射对容器透视和/或照射和/或用传感器进行检测。电磁辐射可以是光，尤其是红外光或可见光。例如，因此可以用透射光和/或用反射光进行透视或照射容器。也能想到的是，电磁辐射是X射线，利用X射线来透视容器。发射器可以包括用于产生电磁辐射的一个或多个源，例如LED、激光器和/或X射线源。接收器可以包括用于电磁辐射的一个或多个探测器，例如一个或多个光电二极管、光电晶体管和/或光敏的线传感器或矩阵传感器，如CCD芯片或CMOS芯片。此外，传感器单元可以包括用于电磁辐射的一个或多个偏转元件，例如透镜和/或反射镜。
评估单元可以用信号处理器和/或用CPU(Central Processing Unit，中央处理单元)和/或GPU(Graphics Processing Unit，图形处理单元)和/或TPU(Tensor ProcessingUnit，张量处理单元)和/或VPU(Vision Processing Unit，视觉处理单元)来处理测量数据。也能想到的是，评估单元包括存储器单元、一个或多个数据接口，例如网络接口、显示器单元和/或输入单元。优选地，评估单元可以对测量数据进行数字处理，以便分别获知容器的填充高度。
测量数据可以是传感器单元的输出信号。测量数据可以以数字的或模拟的数据信号的形式存在。例如，测量数据可以作为时间分辨的和/或方位分辨的数字数据信号存在。
填充高度可以相应于液面相对于容器处的参考高度的相对高度。参考高度例如可以是容器口处的密封面或者是容器底部处的下方的承立面。也能想到的是，参考高度是填充高度标记。
基于人工智能运行的评估方法可以包括利用深度神经网络的至少一个方法步骤，其中，以深度神经网络评估测量数据来获知填充高度。由此，对不同的容器类型和/或种类的测量数据的处理可以被抽象化，并因此是特别高效的。此外，深度神经网络可以针对不同的容器类型和/或种类进行训练，而无需调整参数。深度神经网络可以包括输入层、多个隐藏层和输出层。深度神经网络可以包括所谓的卷积神经网络，其具有至少一个卷积层和池化层。然而也能想到的是，基于人工智能运行的评估方法包括使用神经网络的至少一个方法步骤，其中，以神经网络来评估测量数据来获知填充高度。
传感器单元可以包括相机，利用相机检测容器而得到图像数据，其中，测量数据包括图像数据。由此使得利用简单的器件能够实现的是，检测容器的范围特别广泛的测量数据，以用于获知填充高度。由此，例如可以更好地识别较复杂的液面，例如当填充物上面存在泡沫时，当填充液面由于晃动而不平坦且不水平，或者有必要区分容器是装满了还是没有填充时。在透明无色的容器情况下，通常只能经由观察折射率的变化和容器的轮廓区域中的伴随的变暗来区分空和满。相机可以包括线传感器或矩阵传感器和镜头，以便对容器进行成像检测。优选地，线传感器或矩阵传感器可以检测红外光辐射。能想到的是，在检测时，容器被布置在用于光辐射的发射器与接收器之间，其中，接收器包括相机。发射器可以被构造为照明单元并且包括一个或多个LED作为光源，尤其是红外的和/或可见光LED。图像数据可以是相机图像，例如是TIFF或JPEG文件。
传感器单元可以包括不同的传感器，它们分别以不同的测量方法运行，其中，用不同的传感器检测容器而得到测量数据。由于用不同的测量方法检测容器，使得获知填充高度是特别可靠的。不同的传感器可以包括相机、光栅，尤其是激光光栅、多个相叠布置的光栅、多个相叠布置的光电二极管或类似物。同样能想到的是，不同传感器中的一个传感器利用发射器发射出测量射束，该测量射束穿透容器并且该测量射束在期望的填充状态下在液面上偏离或偏向接收器地改向。用于借助高频或X射线束进行填充高度检测的传感器也是能想到的。
基于人工智能运行的评估方法可以用训练数据集进行训练，这些训练数据集分别包括训练容器的测量数据和可选的所配属的附加信息。由此，评估方法可以针对不同的容器类型和/或种类特别容易监控地被训练。训练测量数据可以是与测量数据、尤其是图像数据类型相同的数据。所配属的附加信息可以分别作为元数据嵌入到训练数据集中。例如，训练数据集可以分别是训练容器的作为训练测量数据被检测到的测量数据和作为所配属的附加信息的填充高度。训练容器可以是上文详细描述的容器。训练容器可以被填充有填充物，并且尤其是用封闭件进行封闭。能想到的是，训练数据集包括不同的容器类型和/或训练容器或填充物的种类的训练测量数据。训练数据优选包含边界情况，例如强烈晃动的料位、填充高度之上的产品滴液、产品中的气泡、空的或完全填充的容器、空的但被加载有减负雾的容器和/或具有扩散的液体泡沫界限的这种容器。由此，基于人工智能运行的评估方法可以针对特别多的不同的容器类型和/或种类进行训练，并且在对容器的测量数据进行评估时不再需要进行单独调整。
可以由使用者至少部分地评估训练测量数据，其中，在此人工获知附加信息。由此可以特别可靠地评估训练测量数据。
也能想到的是，附加或替选地利用另外的评估单元以传统运行的评估方法至少部分地评估训练测量数据，并且在此自动获知附加信息。由此可以自动创建不同的容器类型和/或种类的特别多的训练数据集。在此的“传统运行的评估方法”可以指不以人工智能为基础的评估方法。尤其地，传统运行的评估方法可以不具有利用神经网络或深度神经网络的方法步骤。也能想到的是，这意味着传统运行的评估方法利用变换操作、点操作、邻域操作、滤波器操作、直方图操作、阈值操作、亮度操作和/或对比度操作来评估测量数据和/或图像数据，以便因此间接在测量数据中获知液面。
可以用另外的传感器单元检测训练容器而得到训练测量数据。由此，训练容器可以例如在饮料加工设施的制造商的测试设施中进行检测，并据此创建训练数据集。然而，也能想到的是，利用与被用于检测容器质量流的容器而得到测量数据的同一传感器单元检测训练容器。
附加信息可以包括在训练测量数据中检测到的训练容器的填充高度、完全过填充状态和/或完全欠填充状态、种类信息和/或关于训练测量数据的可评价性信息。由此，训练容器的填充状态可以被特别精确地表征出来。在完全过填充状态和/或完全欠填充状态下，填充高度可能位于测量范围之外。可评价性信息可以是错误信息，即，是否能通过使用者或传统运行的评价方法对相应的训练测量数据进行评估。例如能想到的是，在某个训练容器中的液面不能清楚地识别并因此无法评估相应的训练测量数据。
可以检测分别具有不同的容器类型和/或种类的训练容器而得到训练测量数据，以便据此形成训练数据集。由此，可以考虑用特别多的不同容器形状和/或产品种类来训练基于人工智能运行的评估方法。因此，使得特别多的不同类型的容器和/或种类可以接受填充高度检查，而不需要对基于人工智能运行的评估方法进行另外调整。
此外，本发明还提供了具有权利要求11特征的用于检查容器填充高度的设备以解决所提出的任务。在从属权利要求中提到了本发明的有利实施方式。
通过将评估单元构造成用于利用基于人工智能运行的评估方法来评估测量数据，以便获知填充高度，使得评估单元可以以相同的方式被设立成用于不同的容器类型和/或种类，而不需要在变换时重新进行参数给定。因此，基于人工智能运行的评估方法不再需要为了专门针对容器类型和/或种类进行设定而由有经验的使用者耗费地进行参数给定和优化。此外，可以减少错误设定，由此使该方法更可靠进而更节约成本地运行。
设备可以被构造成用于执行根据权利要求1至10中任一项的方法。设备可以单独或以任意组合方式按意义地包括上述参照权利要求1至10所述的特征。
设备可以布置在饮料加工设施中。尤其地，设备可以后置于或配属给灌装机和/或封装机，以便检查被填充的填充物的填充高度。
基于人工智能运行的评估方法可以包括深度神经网络，以便以深度神经网络评估测量数据，用于获知填充高度。由此，使得不同的容器类型和/或种类的测量数据的处理可以被抽象化，并因此是特别高效的。此外，深度神经网络可以特别容易地针对不同的容器类型和/或种类进行训练。深度神经网络可以包括输入层、多个隐藏层和输出层。深度神经网络可以包括所谓的卷积神经网络，其具有至少一个卷积层和池化层。然而也能想到的是，基于人工智能运行的评估方法包括使用神经网络的至少一个方法步骤，其中，利用神经网络来评估测量数据，以用于获知填充高度。
传感器单元可以包括相机，以便对容器进行检测而得到图像数据，其中，测量数据包括图像数据。由此利用简单的器件能够实现的是，检测范围特别广泛的容器测量数据，以用于获知填充高度。由此，例如也可以更好地识别出较复杂的液面，例如当填充物上方存在泡沫时。相机可以包括线传感器或矩阵传感器和镜头，以便对容器进行成像检测。优选地，线传感器或矩阵传感器可以检测红外光辐射。能想到的是，在检测时，容器可以被布置在用于光辐射的发射器与接收器之间，其中，接收器包括相机。发射器可以被构造为照明装置并且包括一个或多个LED作为光源，尤其是红外LED。图像数据可以是相机图像，例如是TIFF或JPEG文件。
传感器单元可以包括不同的传感器，这些传感器分别被构造成利用不同的测量方法，以便检测容器而得到测量数据。由此用不同的测量方法来检测容器并且使填充高度的获知特别可靠。不同的传感器可以包括相机、光栅，尤其是激光光栅、多个相叠布置的光栅、多个相叠布置的LED和类似物。也能想到的是，不同的传感器中的一个传感器被构造成用于利用发射器发射测量射束，该测量射束穿透容器，并且该测量射束在期望的填充状态下在液面上偏离或偏向接收器地改向。也能想到的是，不同的传感器中的一个传感器被构造成用于借助高频或X射线辐射来检测填充高度。
设备可以包括具有评估单元的计算机系统。由此，评估单元可以作为计算机程序产品来实现。计算机系统可以包括信号处理器和/或CPU(Central Processing Unit，中央处理单元)和/或GPU(Graphics Processing Unit，图形处理单元)和/或TPU(TensorProcessing Unit，张量处理单元)和/或VPU(Vision Processing Unit，视觉处理单元)。也能想到的是，计算机系统包括存储器单元、一个或多个数据接口、网络接口、显示器单元和/或输入单元。能想到的是，评估单元和传感器单元被构造为集成的系统。例如，计算机系统可以被集成到相机中，或者相机可以被构造为“智能”相机。
附图说明
下面参照图中所示的实施例更详细地解释本发明的另外的特点和优点。其中：
图1示出用于检查容器填充高度的设备的根据本发明的实施例的俯视图；
图2示出针对在填充高度检查时检测到的测量数据的示例；以及
图3A～3B示出用于检查容器填充高度的方法的根据本发明的实施例的流程图。
具体实施方式
图1中示出了用于检查容器2填充高度的设备1的根据本发明的实施例的俯视图。设备1被构造成用于执行下面描述的图3A～3B中的方法100。
可以看到，首先用入口星轮9将容器2转送到灌装机6，并在那里用填充物，例如饮料进行填充。灌装机6例如包括转塔，其上布置有填充机构(此处未示出)，利用填充机构使得容器2在运输期间被填充了填充物。然后，容器2经由中间星轮10被转送给封装机7，并在那里给它们设有封闭件，例如软木塞、冠状软木塞或旋塞。由此保护容器2中的填充物免受环境影响，并可以防止它们不从容器2中漏出。
随后，容器2经由出口星轮11被转送给运输机构3，运输机构将容器2作为容器质量流运输至传感器单元4。运输机构在此示例性地被构造为传送带，容器2在传送带上被直立运输。布置在那里的传感器单元4包括第一传感器，第一传感器具有作为发射器的照明装置42和作为接收器的相机41，以便用透射光形式的电磁光辐射检测容器2。电磁光辐射例如是红外光。例如，照明装置42具有散射的出光盘，其用多个LED进行背光照明，并从相机41视角看形成针对容器2的发光的图像背景。然后，利用相机41检测容器2而得到测量数据，并将测量数据作为数字信号转发给计算机系统5。下面将参照图2更详细地解释针对相机41的这种测量数据的示例。
附加地能想到的是，容器2可选地用第二传感器43、44来检测，第二传感器以与第一传感器41、42不同的测量方法来运行。例如，第二传感器可以是作为发射器的X射线源44和作为接收器的X射线接收器43。如果X射线束穿过填充物，则X射线束将以与穿过液面上方的空气或泡沫时不同的方式衰减。因此，可以用不同的测量方法来检测容器2，从而在随后的评估中可以更可靠地针对不同的容器类型和/或种类获知填充高度。
此外，可以看到具有评估单元51、52的计算机系统5。计算机系统5例如包括CPU、存储器单元、输入和输出单元和网络接口。因此，评估单元51、52在计算机系统5中作为计算机程序产品实现。
评估单元51被构造成用于利用基于人工智能运行的评估方法对容器2的测量数据进行评估，以便获知填充高度。下面将参照图3A～3B更详细地描述这一点。
另外的评估单元52只是可选地存在，并被用于评估利用传感器单元4检测的来自训练容器(此处未示出)的训练测量数据。另外的评估单元52被构造成用于以传统运行的评估方法评估训练容器的训练测量数据，并在此自动获知与各自训练容器相配属的附加信息。附加信息是在训练测量数据中检测到的训练容器的填充高度、完全过填充状态和/或完全欠填充状态，和/或是关于训练测量数据的可评价性信息。因此，利用另外的评估单元52可以在传统的基础上自动提供大量的训练数据集，以便随后训练评估单元51的基于人工智能运行的评估方法。下文将参照图3A～3B对这一点进行更详细的解释。
在进行填充高度检查之后，将具有所期望的填充高度的容器2输送给另外的处理步骤，例如输送给贴标签机器和/或码垛机。而将具有有偏差的填充高度的容器2借助分岔器从容器质量流中剔出以进行回收或废物处理。
图2中示出了针对相机41的在进行填充高度检查时检测到的测量数据的示例。在这种情况下，测量数据是图像数据，在图像数据中以容器主体23、容器肩部22和容器口21的侧视图来成像出容器2。可以看出，容器2仍然被填充有填充物F，在填充物上面朝容器口21已经形成有泡沫S。
此外可以看出，在测量数据中，靠近容器肩部22的区域B2和容器主体23边缘处的区域B3.2暗地成像。相反，容器主体23的居中的区域B3.1显得很明亮。这是由于电磁光辐射在穿过容器2时被容器的透明材料(如玻璃或PET)和填充物F所折射，从而只有在容器主体23的居中的区域B3.1中才有从照明装置42到相机41的直接光路被准许。
此外可以看出，由于更强的光折射，使得容器肩部22的区域中的区域B2也不允许有或只有较少的直接光路。因此，根据种类，该区域B2或强或弱地被散射光穿透。此外，朝向相机41地，泡沫S同样只被散射光穿透，这是因为电磁光辐射在泡沫S的气泡处发生多次折射。
因此，图2的测量数据中的液面FS不能简单地通过亮度突变来鉴别。传统的图像处理算法在此首先必须耗费地通过适当的参数给定来与容器类型和填充物F的种类相匹配。这就是本发明的意义所在，以便获知填充高度H。
图3A～3B中示出了用于检查容器2的填充高度的方法100的根据本发明的示例的流程图。方法100仅示例性结合前面参照图1描述的设备1来描述。
首先，在步骤101中，利用运输机构3将容器2作为容器质量流来运输。例如，这借助传送带或转盘来发生。在此，容器2被运输至传感器单元4。
在随后的步骤102中，传感器单元4检测容器2而得到测量数据。例如，容器2被具有照明装置42和相机41的传感器穿透照射，并因此检测作为图像数据。
可选地，在步骤103中，附加地用与之不同的传感器检测容器2。例如，来自X射线源44的X射线束穿过容器2，并用X射线接收器43检测。由于利用传感器41、42或43、44的不同测量方法来检测容器2，使得获知填充高度H特别可靠。
紧接着，在步骤104中，用评估单元51利用基于人工智能运行的评估方法对测量数据进行评估，其中，分别获知容器2的填充高度H。为此，评估方法包括使用深度神经网络(例如卷积神经网络)的至少一个方法步骤。在此，测量数据首先经过输入层、多个卷积层和/或隐藏层、汇集层和输出层。利用输出层，例如将填充高度H直接输出。也能想到的是，测量数据中检测到的容器的完全过填充状态、完全欠填充状态和/或关于测量数据的可评价性信息被附加地输出。
根据随后的步骤106，如果以这种方式获知的填充高度H符合要求，则在步骤107将容器2输送给另外的加工步骤。否则，在步骤108中将容器剔出以进行回收或废物处理。
为了使步骤104的基于人工智能运行的评估方法进行学习，事先用大量的训练数据集进行训练(步骤105)。训练数据集分别包括训练容器的训练测量数据和所配属的附加信息。附加信息例如描述了训练测量数据中检测到的训练容器的填充高度、完全过填充状态、完全欠填充状态和/或关于训练测量数据的可评价性信息。因此，为了训练深度神经网络，已知形式为训练测量数据的输入层的数据和形式为相配属的附加信息的输出层的数据，并且深度神经网络可以相应地针对不同的容器类型和/或种类进行训练。因此，使用者不再需要耗费地针对不同的容器类型和/或种类对评估进行参数给定。
从图3B中可以看出，利用传感器单元4或在此未示出的另外的传感器单元检测训练容器而得到训练测量数据，以用于创建训练数据集(步骤109)。
此后，在步骤110中，可以由使用者至少部分地评估训练测量数据，以便人工获知附加信息。例如，使用者可以人工标记如图2中所示的图像数据中的填充高度H。
替选或附加地，利用另外的评估单元52以传统运行的评估方法至少部分地评估训练测量数据，并在此自动获知附加信息。由此，可以提供特别多的训练数据集。例如，这适用于已经知道的容器类型，对于这些容器类型，传统运行的评估方法特别良好且可靠地运行。
随后，在步骤112中形成训练数据集，这些训练数据集分别包括训练容器的训练测量数据和所配属的附加信息。然后，训练数据集被转送给步骤105，并利用这些训练数据集来训练基于人工智能运行的评估方法。
通过由评估单元51利用基于人工智能运行的评估方法评估测量数据来获知填充高度H，使得评估方法可以以相同的方式被设立成用于不同的容器类型和/或种类，而不需要在变换时重新进行参数给定。因此，基于人工智能运行的评估方法不再需要由有经验的使用者对其进行耗费的参数给定和优化来具体针对容器类型和/或种类进行设定。此外，可以减少错误设定，由此使方法100和设备1更可靠进而更节约成本地运行。
应理解，前述的实施例中提到的特征并不局限于这些特征组合，而是也能单独或以任意其他特征组合方式实现。
Claims (14)
1.用于检查容器的填充高度的方法(100)，其中，利用运输机构将所述容器作为容器质量流来运输(101)并利用传感器单元检测所述容器来得到测量数据(102)，并且其中，利用评估单元评估所述测量数据并在此分别获知所述容器的填充高度，其特征在于，
由所述评估单元利用基于人工智能运行的评估方法来评估所述测量数据，以便获知填充高度(104)。
2.根据权利要求1所述的方法(100)，其中，所述基于人工智能运行的评价方法包括利用深度神经网络的至少一个方法步骤，其中，以所述深度神经网络评估所述测量数据来获知填充高度。
3.根据权利要求1或2所述的方法(100)，其中，所述传感器单元包括相机，以所述相机检测所述容器来得到图像数据，并且其中，所述测量数据包括所述图像数据。
4.根据前述权利要求中任一项所述的方法(100)，其中，所述传感器单元包括不同的传感器，所述不同的传感器分别以不同的测量方法运行，并且其中，以所述不同的传感器检测所述容器来得到所述测量数据(103)。
5.根据前述权利要求中任一项所述的方法(100)，其中，以训练数据集对所述基于人工智能运行的评估方法进行训练(105)，所述训练数据集分别包括训练容器的训练测量数据和可选的相配属的附加信息。
6.根据权利要求5所述的方法(100)，其中，由使用者至少部分地评估所述训练测量数据，其中，在此人工获知所述附加信息(110)。
7.根据权利要求5或6中任一项所述的方法(100)，其中，利用另外的评估单元以传统运行的评估方法至少部分地评估所述训练测量数据，并且在此自动获知所述附加信息(111)。
8.根据权利要求5至7中任一项所述的方法(100)，其中，以另外的传感器单元检测所述训练容器来得到所述训练测量数据(109)。
9.根据权利要求5至8中任一项所述的方法(100)，其中，所述附加信息包括在所述训练测量数据中检测到的训练容器的填充高度、完全过填充状态和/或完全欠填充状态，和/或包括关于所述训练测量数据的可评价性信息。
10.根据权利要求5至9中任一项所述的方法(100)，其中，检测分别具有不同的容器类型和/或种类的训练容器来得到所述训练测量数据，以便据此形成所述训练数据集。
11.用于检查容器(2)的填充高度、尤其是用于执行根据权利要求1至10中任一项所述的方法(100)的设备(1)，所述设备具有
运输机构(3)，所述运输机构用于将所述容器(2)作为容器质量流来运输，
传感器单元(4)，以便检测所述容器来得到测量数据，和
评估单元(51)，所述评估单元被构造成用于评估所述测量数据并在此分别获知所述容器(2)的填充高度(H)，
其特征在于，
所述评估单元(51)被构造成用于利用基于人工智能运行的评估方法来评估所述测量数据，以便获知填充高度(H)。
12.根据权利要求11所述的设备(1)，其中，所述基于人工智能运行的评估方法包括深度神经网络，以便利用所述深度神经网络评估所述测量数据来获知所述填充高度(H)。
13.根据权利要求11或12所述的设备(1)，其中，所述传感器单元(4)包括相机(41)，以便对所述容器(2)进行检测来得到图像数据，并且其中，所述测量数据包括所述图像数据。
14.根据权利要求11至13中任一项所述的设备(1)，其中，所述传感器单元(4)包括不同的传感器(41、43)，所述不同的传感器分别被构造成具有不同的测量方法，以便检测所述容器(2)来得到所述测量数据。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020111254.8 | 2020-04-24 | ||
| DE102020111254.8A DE102020111254A1 (de) | 2020-04-24 | 2020-04-24 | Verfahren und Vorrichtung zur Füllhöhenkontrolle von Behältern |
| PCT/EP2021/059475 WO2021213832A1 (de) | 2020-04-24 | 2021-04-13 | Verfahren und vorrichtung zur füllhöhenkontrolle von behältern |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115443404A true CN115443404A (zh) | 2022-12-06 |
Family
ID=75539317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180030143.5A Pending CN115443404A (zh) | 2020-04-24 | 2021-04-13 | 用于检查容器的填充高度的方法和设备 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230236057A1 (zh) |
| EP (1) | EP4139638A1 (zh) |
| CN (1) | CN115443404A (zh) |
| DE (1) | DE102020111254A1 (zh) |
| WO (1) | WO2021213832A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102021133164B3 (de) | 2021-12-15 | 2023-02-23 | Krones Aktiengesellschaft | Verfahren zum Durchführen eines Einstellbetriebs einer Behältnisinspektionsvorrichtung und Behältnisinspektionsvorrichtung |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5602890A (en) | 1995-09-27 | 1997-02-11 | Thermedics Detection Inc. | Container fill level and pressurization inspection using multi-dimensional images |
| DE10140009B4 (de) | 2001-08-16 | 2004-04-15 | Krones Ag | Vorrichtung zur Inspektion gefüllter und verschlossener Flaschen |
| US7028723B1 (en) | 2003-11-03 | 2006-04-18 | Alouani Ali Tahar | Apparatus and method for automatic prescription verification |
| DE102005009176B4 (de) | 2005-02-17 | 2018-09-13 | Retec Elektronische Regeltechnik Gmbh | Verfahren und Vorrichtung zur Füllstandsmessung |
| US20070107801A1 (en) * | 2005-11-14 | 2007-05-17 | Sidel And Pressco Technology Inc. | Bottle filling machine with sensor and method thereof |
| DE102013207139A1 (de) * | 2013-04-19 | 2014-10-23 | Krones Ag | Verfahren zur Überwachung und Steuerung einer Abfüllanlage und Vorrichtung zur Durchführung des Verfahrens |
| EP3408653B1 (en) | 2016-01-28 | 2024-01-17 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus adapted to quantify a specimen from multiple lateral views |
| US20190197466A1 (en) | 2017-12-27 | 2019-06-27 | E-Commerce Exchange Solutions, Inc. | Inventory control for liquid containers |
| DE102018133602A1 (de) | 2017-12-29 | 2019-07-04 | dEE dieEntwickler Elektronik GmbH | Kontrollvorrichtung zum Bestimmen eines Füllstandes |
-
2020
- 2020-04-24 DE DE102020111254.8A patent/DE102020111254A1/de active Pending
-
2021
- 2021-04-13 CN CN202180030143.5A patent/CN115443404A/zh active Pending
- 2021-04-13 US US17/996,588 patent/US20230236057A1/en active Pending
- 2021-04-13 EP EP21719093.3A patent/EP4139638A1/de active Pending
- 2021-04-13 WO PCT/EP2021/059475 patent/WO2021213832A1/de unknown
Also Published As
| Publication number | Publication date |
|---|---|
| DE102020111254A1 (de) | 2021-10-28 |
| WO2021213832A1 (de) | 2021-10-28 |
| EP4139638A1 (de) | 2023-03-01 |
| US20230236057A1 (en) | 2023-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5276845B2 (ja) | 注入済みの複数の容器において異物または不良を検出する方法および装置 | |
| EP3459007B1 (en) | Systems, apparatus, and related methods for evaluating biological sample integrity | |
| US10262405B2 (en) | Optical inspection method and optical inspection device for containers | |
| US7339171B2 (en) | Method and apparatus for detecting presence of an ophthalmic lens in a package | |
| CN107076732A (zh) | 用于管检查和液位检测的方法及系统 | |
| JP5899553B1 (ja) | 容器に収容された卵の検査装置及び検査方法 | |
| CA2135470A1 (en) | Dynamic fluid level and bubble inspection for quality and process control | |
| JP5414707B2 (ja) | 分析装置 | |
| CN107923837A (zh) | 用于使用多个辐射源来检查容器的系统和方法 | |
| TW201736831A (zh) | 利用各容器之複數影像以檢測容器之系統及方法 | |
| US20220236193A1 (en) | Method and device for optically inspecting containers | |
| JP5591849B2 (ja) | 異物検査装置、異物検査プログラム、異物検査方法 | |
| US20230177671A1 (en) | Method and device for optically inspecting containers in a drinks processing system | |
| CN106030291A (zh) | 用于检查容器的设备和方法 | |
| JP4832607B1 (ja) | 充填装置 | |
| CN115461613A (zh) | 用于检查容器的方法和设备 | |
| CN115443404A (zh) | 用于检查容器的填充高度的方法和设备 | |
| CN112697810B (zh) | 用于容器的光学检查的方法和装置 | |
| JP2024077666A (ja) | 容器の検査方法及び検査装置 | |
| JP2002131116A (ja) | 容器内の内容量の検査方法及び装置 | |
| CN114341629A (zh) | 对中空体进行光学检查的方法和装置 | |
| CN118243632A (zh) | 用于检查填充容器及其填充材料的装置和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |