CN115461613A - 用于检查容器的方法和设备 - Google Patents

Abstract

一种用于检查容器的方法(100)，其中，通过运输机将所述容器以容器质量流的形式进行运输(101)，并且通过第一检查单元将所述容器记录为第一测量数据并且通过第二检查单元将所述容器记录为第二测量数据(102、103)，其中，由评估单元使用基于人工智能进行工作的评估方法将所述第一测量数据和所述第二测量数据一起评估，以给出输出数据，以便由所述输出数据来确定检查结果，诸如例如填充液位(104)。

Description

用于检查容器的方法和设备

技术领域

本发明涉及一种具有权利要求1和10的前序的特征的用于检查容器的方法和设备。

背景技术

已知用于检查容器的方法和设备，在该用于检查容器的方法和设备中，容器通过运输机被运输以作为容器质量流，并且通过第一检查单元被记录以作为第一测量数据并通过第二检查单元被记录以作为第二测量数据，以便传送关于相同检查结果(诸如例如容器的填充液位)的信息。通常，分开地评估第一测量数据和第二测量数据，并且将结果例如用模糊逻辑进行组合。

而且，第一测量数据和第二测量数据的评估通常通过评估单元来执行，该评估单元基于常规评估方法进行工作，并且必须适应于相应的容器类型和/或有多种参数的品种。而且，必须明确地和/或在设备的安装或开发期间确定和设定结果的组合。

DE 10 2010 004972 A1公开了一种用于检查容器的方法，其中，通过运输设备沿着预定路径运输容器，借助于第一检查设备来检查容器的第一区域，并借助于第二检查设备来检查容器的第二区域。第一检查设备和第二检查设备均输出作为被检查区域的特征的数据。第一数据和第二数据彼此相关联。

DE 10 2004 053567 A1公开了一种用于确定容器中的产品的完整性的方法，其中，借助于第一测量方法来确定容器中的产品的预定特征，在该第一测量方法中，检验产品的第一物理性质，所述预定特征被另外地至少直接地或借助于第二测量方法基于与第一物理性质不同的第二物理性质来确定，并且将借助于两种测量方法而获得的预定特征的值进行比较。

这样的缺点在于，必须首先通过测试以复杂的方式确定两个检查单元之间的关系。另外，所述关系对于不同的饮料处理设施、容器类型、品种和/或环境条件可能有不同的表现。因而，要找到对于所有饮料处理设施、容器类型、品种和/或环境条件均提供令人满意的检查结果的结果组合是很复杂的。

此外，可能在很少情况下，两个检查单元都传送刚好低于错误阈值的结果，因此容器被错误地归类为良好。

发明内容

因此，本发明的目标在于提供一种用于检查容器的方法和设备，所述方法和设备对于不同的饮料处理设施、容器类型、品种和/或环境条件更可靠地进行工作。

为了解决该目标，本发明提供了一种具有权利要求1的特征的用于检查容器的方法。有利实施例在从属权利要求中提到。

由于由评估单元通过基于人工智能进行工作的评估方法将第一测量数据和第二测量数据一起评估以形成输出数据，因此在评估期间已经一起考虑了第一测量数据和第二测量数据。结果，基于人工智能进行工作的评估方法能够识别第一测量数据和第二测量数据之间的关系，因而在确定期间将它们考虑在内。换言之，第一测量数据和第二测量数据中的不能被单独辨识的信息也能够被考虑在内。结果，根据本发明的方法能够更加可靠地工作。此外，基于人工智能进行工作的评估方法能够针对不同的饮料处理设施、容器类型、品种和/或环境条件被预先训练，所以该方法不必再被广泛地参数化。

用于检查容器的方法可以用于饮料处理设施中。该方法可以在容器制造、清洁、填充和/或封闭过程的上游、下游或与这些过程相关联。例如，该方法可以用于包括检查单元的满瓶或空瓶检查机器中。优选地，该方法可以在用于用填充材料填充容器的填充过程和/或用于用封闭件封闭容器的封闭过程的下游或与这些过程相关联，以便控制容器的填充液位。

容器可以被设计成保持填充材料，该填充材料诸如饮料、食品产品、保健产品、糊剂、化学、生物和/或药物产品。容器可以为瓶形式，特别是塑料瓶或玻璃瓶。特别地，塑料瓶可以为PET，PEN，HD-PE或PP瓶。类似地，容器可以是可生物降解的容器或瓶，其主要成分由可再生原料组成，诸如甘蔗、小麦或玉米。容器可以设置有封闭件，例如冠盖、螺旋盖、撕开盖等。类似地，容器可以作为空容器存在，优选地不具有封闭件。

容器可以是特定类型的容器，特别是特定形状的容器。一个品种可以具有特定类型的填充材料，例如啤酒而不是软饮料。

可以想到，该方法可以用于检查容器的侧壁、基部、口部、内容物和/或填充液位，例如以确定污染(诸如异物、产品残留物、来自标签的残留物等)或填充液位以作为检查结果。检查结果也可以与缺陷有关，诸如容器的损坏，特别是裂缝和/或碎玻璃。还可以想到，检查结果涉及缺陷产生的材料斑点，诸如局部材料变薄和/或增厚。还可以想到，该方法用于检查返回的可重复使用的容器和/或监测作为容器质量流的容器的运输和/或监测饮料处理设施中的容器的处理(例如检测运输机上的掉落的容器或果酱)以作为检查结果。

可以通过运输机将容器作为容器质量流、优选作为单行道容器质量流运输到第一检查单元和/或第二检查单元。然而，也可以想到多行道容器质量流。运输机可以包括转台和/或线性输送机。例如，运输机可以包括输送带，在该输送带上，容器以竖立姿态被运输到第一检查单元和/或第二检查单元的检查区域。也可以想到在运输期间接收一个或多个容器的接收元件。

通过该方法，能够通过第一检查单元将容器记录为第一测量数据并且通过至少第二检查单元将容器记录为第二测量数据。换言之，能够通过第一检查单元将容器记录为第一测量数据，并且通过第二检查单元将容器记录为第二测量数据，并且通过至少第三检查单元将容器记录为第三测量数据。也可以想到另外的检查单元，即，四个、五个、六个或甚至更多个检查单元，通过这些检查单元将容器记录为另外的测量数据。因而，能够由评估单元通过基于人工智能进行工作的评估方法将第一测量数据、第二测量数据、第三测量数据和/或另外的测量数据一起评估，以形成输出数据，以便根据该输出数据来确定检查结果，诸如填充液位。类似地可以想到，通过第一检查单元将容器记录为第一测量数据，并且恰好通过第二检查单元将容器记录为第二测量数据。第一检查单元和第二检查单元可以被设计成一体检查单元。因而，诸如一体检查单元的传感器的多个部件可以由第一检查单元和第二检查单元一起使用，其中，不同的物理测量变量仍可以由容器通过第一测量数据和第二测量数据来记录。

可以想到，第一检查单元、第二检查单元、第三检查单元和/或另外的检查单元均包括用于光、激光、电磁高频波、伽马辐射和/或用于彼此独立的X射线的发送器和/或接收器。换言之，第一检查单元和/或第二检查单元可以通过光、激光、电磁高频波、伽马辐射和/或通过X射线来记录容器。可以通过运输机将容器在发送器和接收器之间运输，以便记录容器。第一检查单元可以被设计成与第二检查单元分开的单元。

评估单元可以通过信号处理器和/或通过CPU(中央处理单元)和/或GPU(图形处理单元)和/或通过TPU(张量处理单元)和/或用VPU(视觉处理单元)处理测量数据。还可以想到，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)、显示单元和/或输入单元。优选地，评估单元可以数字地处理第一测量数据和/或第二测量数据，以便评估输出数据并确定检查结果。检查结果可以根据输出数据来确定，也可以包括输出数据或者是输出数据。

第一测量数据、第二测量数据、第三测量数据和/或另外的测量数据可以是分别来自第一检查单元、第二检查单元、第三检查单元和/或另外的检查单元的输出信号。第一测量数据、第二测量数据、第三测量数据和/或另外的测量数据均可以作为数字数据信号存在。例如，这些测量数据均可以作为时间和/或位置解析的数字数据信号存在。特别地，这些测量数据可以包括每个测量单元的图像数据和/或多个数据信号。

可以想到，基于检查结果被发现有缺陷的容器通过开关被从容器质量流中排出，以进行回收或处置，而被发现可接受的容器则被运输到随后的容器处理机器。

基于人工智能进行工作的评估方法可以包括至少一个利用深度神经网络的方法步骤，其中，通过深度神经网络将第一测量数据和第二测量数据一起评估，以确定输出数据。因而，能够通过深度神经网络将第一测量数据和第二测量数据的处理一起进行抽象，并且因此特别高效地处理第一测量数据和第二测量数据的处理。此外，深度神经网络可以特别容易地针对各种饮料处理设施、容器类型、品种和/或环境条件进行训练。深度神经网络可以包括输入层、若干个隐藏层以及输出层。深度神经网络可以包括所谓的卷积神经网络，该卷积神经网络具有至少一个卷积层并且具有池化层。然而，也可以想到，基于人工智能进行工作的评估方法包括至少一个具有神经网络的方法步骤，其中，通过深度神经网络将第一测量数据和第二测量数据一起评估，以确定输出数据。

第一检查单元和/或第二检查单元可以包括至少一个相机，所述至少一个相机将容器记录为第一测量数据和/或第二测量数据。因而，能够用简单装置记录来自容器的特别广泛的测量数据，以确定检查结果。因而，例如在查看填充液位时能够更好地识别更复杂的液面，例如在填充材料上方存在泡沫的情况下。相机可以包括线性或矩阵传感器以及镜头，以便将容器记录为图像。优选地，线性或矩阵传感器可以检测红外光辐射。第一测量数据和/或第二测量数据可以作为图像数据呈现，例如，作为TIFF或JPEG文件。换言之，第一检查单元和/或第二检查单元均可以被彼此独立地设计成具有照明设备且具有相机的光学检查单元，以便照射通过和/或照亮容器。在照明设备中，可以由至少一个光源产生光，例如由灯泡、荧光发光管和/或由至少一个LED产生光，以便为光出射表面打背光。光可以是可见光或红外光。优选地，光可以由LED矩阵产生，并且在光出射表面的方向上发出。光出射表面可以包括漫射盘，通过该漫射盘将来自至少一个光源的光朝向相机漫射在宽区域上。可以想到，光由照明设备产生，随后照射通过和/或反射离开容器，然后由相机记录。容器可以由运输机在照明设备和相机之间运输，以便被记录。

第二检查单元可以通过与第一检查单元的测量方法不同的测量方法来记录容器。因而，能够从容器记录特别广泛的信息，其中，能够特别可靠地确定检查结果。例如，容器可以由第一检查单元通过相机在红外光下记录，并且由第二检查单元通过相机在可见光下记录。还可以想到，容器由第一检查单元通过相机记录，并且由第二检查单元通过X射线记录。

特别地，第一检查单元可以包括第一传感器，并且第二检查单元可以包括不同的第二传感器。第一传感器和/或第二传感器可以均包括彼此独立的前文所述的发送器/或接收器。例如，发送器可以是照明设备、激光器、射频源、伽马源和/或X射线源。接收器可以是相机、光检测器、射频接收器、伽马检测器和/或X射线检测器。

还可以想到，在由评估单元进行评估期间，查看第一测量数据和第二测量数据的合理性。由此能够查看检查结果的可靠性。例如，第一测量数据和第二测量数据可以作为第一查看结果和作为第二查看结果被彼此分开地进行评估。如果检查结果中的第一查看结果和/或第二查看结果偏离超过预定阈值，则可以得出结论，在检查中存在可能的错误。还可以想到，比较和/或确定第一检查结果和/或第二检查结果的准确性。

第一测量数据和第二测量数据可以被组合，以形成用于检查单元的共同输入数据，其中，该共同输入数据然后由评估单元通过基于人工智能进行工作的评估方法来评估，以形成输出数据。因而，能够通过评估单元特别高效地处理第一测量数据和第二测量数据。

可以想到，通过训练数据集来训练基于人工智能进行工作的评估方法。因而，基于人工智能进行工作的评估方法可以特别容易地针对各种饮料处理设施、容器类型、品种和/或环境条件进行训练。训练数据集可以包括与第一检查单元相关联的第一训练测量数据和与第二检查单元相关联的第二训练测量数据。而且，训练数据集可以包括与第一训练测量数据和/或第二训练测量数据相关联的附加信息，特别地，其中，相关联的附加信息表征与第一训练测量数据和/或第二训练测量数据相关联的输出数据。换言之，相关联的附加信息可以表征和/或包含与相应的第一训练测量数据和/或第二训练测量数据相关联的检查结果。相关联的附加信息描述例如被记录在第一训练测量数据和第二训练测量数据中的训练容器的填充液位、完全过填充状态、完全未填充状态和/或关于训练测量数据的可评估性的信息。关于可评估性的信息例如可以是与泡沫的存在、材料缺陷、标签缺陷、封闭件缺陷等有关的信息。

第一检查单元可以记录训练容器的第一训练测量数据，并且第二检查单元可以记录训练容器的第二训练测量数据，并且将它们组合成一个数据训练集。因而，第一检查单元和第二检查单元可以用于产生数据训练集。然而，也可以想到，第一训练测量数据和/或第二训练测量数据通过分别与第一检查单元和第二检查单元兼容的另外的检查单元来记录。因而，可以由饮料处理设施的制造商产生训练测量数据。

可以记录各种训练容器来产生训练数据集。训练数据集可以包括若干种容器类型和/或品种，以形成训练数据集。因而，可以使用特别大量的不同容器形状和/或填充材料来训练基于人工智能进行工作的评估方法。因此，特别大量的不同容器类型和/或品种然后可以经受检查，而不需要进一步适应化基于人工智能进行工作的评估方法。

另外，为了解决所述目标，本发明提供一种具有权利要求10的特征的用于检查容器的设备。本发明的有利实施例在从属权利要求中提及。

由于评估单元被设计成通过基于人工智能进行工作的评估方法将第一测量数据和第二测量数据一起评估，以形成输出数据，因此已经在评估期间将第一测量数据和第二测量数据一起考虑。因而，基于人工智能进行工作的评估方法可以识别第一测量数据与第二测量数据之间的关系，由此在确定过程中考虑它们。换言之，第一测量数据和第二测量数据中的不能被单独辨识的信息也可以被考虑在内。结果，根据发明的设备可以更加可靠地工作。另外，基于人工智能进行工作的评估方法可以针对不同的饮料处理设施、容器类型、品种和/或环境条件被预先训练，使得设备不必再被广泛地参数化。

设备可以被设计成执行根据权利要求1-9中的任一项的方法。设备可以单独地或以任何组合而类似地包含先前关于权利要求1-9所述的特征。设备可以被布置在饮料处理设施中。设备可以在容器处理机器的上游、下游或与其相关联，该容器处理机器例如是容器制造机器，特别是吹塑机、冲洗机、填充机、封口机和/或包装机。

设备可以包括第一检查单元和至少第二检查单元。换言之，设备可以包括至少第三检查单元和/或另外的检查单元，以便将容器记录为第三测量数据和/或记录为另外的测量数据。相应地，评估单元可以被设计成通过基于人工智能进行工作的评估方法将第一测量数据、第二测量数据、第三测量数据和/或另外的测量数据一起评估，以形成输出数据，以便根据该输出数据来确定检查结果，诸如填充液位。还可以想到，设备仅包括第一检查单元和第二检查单元。

基于人工智能进行工作的评估方法可以包括深度神经网络，以便通过深度神经网络将第一测量数据和第二测量数据一起评估。因而，各种饮料处理设施、容器类型、品种和/或环境条件的第一测量数据和第二测量数据的联合处理能够被抽象化，并且因此是特别高效的。能够特别容易地对于各种饮料处理设施、容器类型、品种和/或环境条件来训练深度神经网络。深度神经网络可以包括输入层、一个或多个隐藏层以及输出层。深度神经网络可以包括所谓的卷积神经网络，该卷积神经网络具有至少一个卷积层并且具有一个池化层。然而，也可以想到，基于人工智能进行工作的评估方法包括至少一个具有神经网络的方法步骤，以便通过神经网络将第一测量数据和第二测量数据一起评估。

第一检查单元可以包括第一传感器，并且第二检查单元可以包括不同的第二传感器。因而，能够从容器记录特别大量的不同信息，其中，能够特别可靠地确定检查结果。第一传感器和/或第二传感器均可以彼此独立地包括上文描述的发送器和/或接收器。例如，发送器可以是照明设备、激光器、射频源、伽马源和/或X射线源。接收器可以是相机、光检测器、射频接收器、伽马检测器和/或X射线检测器。

第二传感器可以被设计成通过与第一传感器的测量方法不同的测量方法来记录容器。例如，容器可以由第一检查单元通过相机在红外光下记录，并且由第二检查单元通过相机在可见光下记录。还可以想到，容器由第一检查单元通过相机记录，并且由第二检查单元通过X射线记录。

设备可以包括具有评估单元的计算机系统。因而，评估单元可以被实现为计算机程序产品。计算机系统可以包括信号处理器和/或CPU(中央处理单元)和/或GPU(图形处理单元)和/或TPU(张量处理单元)和/或VPU(视觉处理单元)。还可以想到，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、显示单元和/或输入单元。

附图说明

随后参考附图中所示的示例性实施例更详细地解释本发明的另外的特征和优点。示出：

图1是根据本发明的用于检查容器的设备的示例性实施例的顶视图；并且

图2是根据本发明的用于检查容器的方法的示例性实施例的流程图。

具体实施方式

在图1中，以顶视图呈现了根据本发明的用于控制容器2的填充液位的设备1的示例性实施例。设备1被设计成执行随后在图2中所述的方法100。

可以看出，容器2最初通过进料星形轮7被转移到填充机7中并在该填充机7处被填充以填充材料，例如饮料。填充机7包括例如其上布置有填充构件的转台(这里未示出)，该填充构件在运输期间用填充材料来填充容器2。随后，容器2经由中间星形轮10被转移到封口机8，在该封口机8处为容器2提供封闭件，例如瓶塞、冠盖或螺旋盖。因而，填充材料被保护以不受环境影响，并且不再能泄漏出容器2。

随后，容器2经由出料星形轮11被转移到输送机3，该输送机3将容器2作为容器质量流运输到第一检查单元4和第二检查单元5。查看容器2的填充液位仅作为示例示出。在这里，运输机3例如被设计成将容器2以竖立姿态运输的输送带。

其上所布置的第一检查单元4包括第一传感器41、42，该第一传感器41、42具有照明设备42作为发送器，并且具有相机41作为接收器，以便以透射光记录容器2。例如，该透射光可以是红外光。照明设备42具有漫射发光盘，该漫射发光盘通过若干个LED来打背光，因而从相机的角度形成用于容器2的被照亮的背景图像。然后，相机41将容器2记录为第一测量数据，并将其作为数字信号转发到计算机系统6。

而且，可以看到第二检查单元5具有传感器51、52，该传感器51、52以与第一传感器41、42不同的测量方法进行工作。例如，发送器可以是X射线源52，并且接收器是X射线接收器51。X射线接收器51的信号被记录为第二测量数据，并且作为数字信号被转发到计算机系统6。当X射线穿过填充材料时，X射线会与在X射线穿过液面上方的空气或泡沫时相比不同地衰减。

因此，通过两种不同的测量方法来记录容器2，使得在随后的评估中，能够对于不同的饮料处理设施、容器类型、品种和/或环境条件更可靠地确定检查结果，例如填充液位。

此外，可以看到具有评估单元61的计算机系统6。例如，计算机系统6包括CPU、存储器单元、输入和输出单元以及网络接口。因而，评估单元61被实现为计算机系统6中的计算机程序产品。

评估单元61被设计成使用基于人工智能进行工作的评估方法来评估容器2的第一测量数据和第二测量数据，以产生输出数据，以便根据输出数据来确定检查结果，诸如填充液位。

如果容器2的检查结果是可接受的，则容器被引导到检查之后的进一步处理步骤，例如被引导到堆垛机。相反，有缺陷的容器2借助于开关被从容器质量流中排出，用于回收或处置。

在图2中，根据本发明的用于检查容器2的方法100的示例性实施例被示出为流程图。参考先前参考图1所述的设备1，方法100仅作为示例来描述。

首先，在步骤101中，通过运输机3将容器2作为容器质量流运输。例如，这借助于输送带或转台来完成。容器2被运输至第一检查单元4并被运输至第二检查单元5。

在之后的步骤102中，由检查单元4将容器2记录为第一测量数据。例如，具有照明设备42和相机41的第一传感器照射穿过容器2并将其记录为图像数据。

而且，在步骤103中，由除了检查单元以外的不同的传感器5来记录容器2。例如，来自X射线源52的X射线穿过容器2，并且由X射线接收器51记录。

由于容器2通过第一检查单元4和第二检查单元5的不同测量方法来记录，所以检查结果的确定尤其可靠。

之后，在步骤104中，由评估单元61通过基于人工智能进行工作的评估方法将第一测量数据和第二测量数据一起评估，以产生输出数据，以便根据输出数据来确定检查结果，例如填充液位。为此目的，评估方法包括至少一个利用深度神经网络的方法步骤，所述深度神经网络例如为卷积神经网络。由此，第一测量数据和第二测量数据首先经过输入层、一个或多个卷积层和/或隐藏层、池化层和输出层。通过输出层，输出数据(例如填充液位)作为检查结果被直接输出。然而，也可以想到，通过一个或多个进一步的方法步骤进一步处理输出数据，以形成检查结果。

而且，在步骤106中，对第一测量数据和第二测量数据进行合理性检查。这例如通过如下方式来完成：以常规评估方法单独地评估第一测量数据和第二测量数据，并将以这种方式获得的评估结果与基于人工智能的评估方法的输出数据进行比较。

如果根据之后的步骤107，所确定的检查结果是可接受的，则在步骤108中，引导容器2进行进一步的处理步骤。否则，容器在步骤109中被排出以用于回收或处置。

为了教导步骤104的基于人工智能进行工作的评估方法，预先通过各种训练数据集对其进行训练(步骤105)。训练数据集均包括通过第一检查单元记录的训练容器的第一训练测量数据、通过第二检查单元记录的训练容器的第二训练测量数据以及相关联的附加信息。然而，也可以想到，第一训练测量数据和/或第二训练测量数据源自相同类型的其它检查单元。附加信息描述例如被记录在第一训练测量数据和第二训练测量数据中的训练容器的填充液位、完全过填充状态、完全未填充状态和/或关于训练测量数据的可评估性的信息。因此，来自输入层的第一训练测量数据和第二训练测量数据的形式的数据以及来自输出层的相关联的附加信息的形式的数据是已知的，并且深度神经网络能够在不同的饮料处理设施、容器类型、品种和/或环境条件上被相应地训练。因而，用户不必再对关于各种饮料处理设施、容器类型、品种和/或环境条件的评价进行广泛地参数化。

由于在设备1和方法100中，第一测量数据和第二测量数据由评估单元61通过基于人工智能进行工作的评估方法一起评估，以形成输出数据，因此已经在评估期间将第一测量数据和第二测量数据一起考虑。因此，基于人工智能进行工作的评估方法能够识别第一测量数据与第二测量数据之间的关系，因而在确定期间考虑这些关系。换言之，第一测量数据和第二测量数据中的不能被单独辨识的信息也能够被考虑在内。因此，根据本发明的设备1和根据本发明的方法100能够更加可靠地工作。而且，基于人工智能进行工作的评估方法能够针对各种饮料处理设施、容器类型、品种和/或环境条件被预先训练，因此，设备1和方法100不必再被广泛地参数化。

应理解，在上述示例性实施例中提到的特征不限于这些特征组合，而是单独的特征或任何其它的特征组合也是可能的。

Claims (13)

1.一种用于检查容器的方法(100)，其中，通过运输机将所述容器作为容器质量流进行运输(101)，并且通过第一检查单元将所述容器记录为第一测量数据并且通过第二检查单元将所述容器记录为第二测量数据(102、103)，

其特征在于，

由评估单元通过基于人工智能进行工作的评估方法将所述第一测量数据和所述第二测量数据一起评估以形成输出数据，以便由所述输出数据来确定检查结果，例如填充液位(104)。

2.根据权利要求1所述的方法(100)，其中，基于人工智能进行工作的所述评估方法包括至少一个利用深度神经网络的方法步骤，其中，通过所述深度神经网络将所述第一测量数据和所述第二测量数据一起评估，以确定所述输出数据。

3.根据权利要求1或2所述的方法(100)，其中，所述第一检查单元和/或所述第二检查单元包括至少一个相机，通过所述至少一个相机将所述容器记录为所述第一测量数据和/或所述第二测量数据。

4.根据上述权利要求中的任一项所述的方法(100)，其中，所述第二检查单元通过与所述第一检查单元的测量方法不同的测量方法来记录所述容器。

5.根据权利要求4所述的方法(100)，其中，所述第一检查单元包括第一传感器，并且所述第二检查单元包括不同的第二传感器。

6.根据上述权利要求中的任一项所述的方法(100)，其中，在通过所述评估单元进行评估期间，查看所述第一测量数据和所述第二测量数据的合理性(106)。

7.根据上述权利要求中的任一项所述的方法(100)，其中，所述第一测量数据和所述第二测量数据被组合以形成用于所述评估单元的共同输入数据，并且其中，所述共同输入数据然后由所述评估单元通过基于人工智能进行工作的所述评估方法来评估，以形成所述输出数据。

8.根据上述权利要求中的任一项所述的方法(100)，其中，通过训练数据集来训练基于人工智能进行工作的所述评估方法(105)。

9.根据权利要求8所述的方法(100)，其中，通过所述第一检查单元来记录训练容器的第一训练测量数据，并且通过所述第二检查单元来记录训练容器的第二训练测量数据，并且所述第一训练测量数据和所述第二训练测量数据被组合以形成所述训练数据集中的一个训练数据集。

10.一种用于检查容器(2)的设备(1)，特别地，所述设备(1)用于执行根据权利要求1至9中的任一项所述的方法(100)，所述设备(1)具有：

运输机(3)，所述运输机(3)用于将所述容器作为容器质量流进行运输，

第一检查单元(4)，所述第一检查单元(4)将所述容器(2)记录为第一测量数据，以及

第二检查单元(5)，所述第二检查单元(5)将所述容器(2)记录为第二测量数据，

其特征在于，

评估单元(61)被设计成通过基于人工智能进行工作的评估方法将所述第一测量数据和所述第二测量数据一起评估以形成输出数据，以便由所述输出数据来确定检查结果，例如填充液位。

11.根据权利要求10所述的设备(1)，其中，基于人工智能进行工作的所述评估方法包括深度神经网络，以便通过所述深度神经网络将所述第一测量数据和所述第二测量数据一起评估。

12.根据权利要求10或11所述的设备(1)，其中，所述第一检查单元(4)包括第一传感器(41、42)，并且所述第二检查单元(5)包括不同的第二传感器(51、52)。

13.根据权利要求12所述的设备(1)，其中，所述第二传感器(51、52)被设计成通过与所述第一传感器(41、42)的测量方法不同的测量方法来记录所述容器(2)。

Images