CN115485636A - 容器处理机和用于对准容器处理机的容器容座中的容器的方法 - Google Patents

Abstract

本发明涉及一种容器处理机，该容器处理机用于处理诸如瓶、罐等的容器。容器处理机包括处理单元和容器容座，其中该处理单元用于处理容器，容器可以被接纳在该容器容座中，使得容器能够绕轴线旋转，容器处理机包括相机和对准模块，其中该相机用于捕获在处理单元上游被运送的在容器容座中的容器的图像，该对准模块被设计用以通过致动容器容座而使容器旋转到目标位置，其特征在于，对准模块包括神经网络，该神经网络能够通过处理在处理单元上游被运送的在容器容座中的容器的图像来确定容器从其当前位置到目标位置所需的旋转，并且对准模块能够基于所确定的旋转来控制容器容座的旋转。

Description

容器处理机和用于对准容器处理机的容器容座中的容器的 方法

技术领域

本发明涉及一种根据权利要求1所述的容器处理机以及一种根据权利要求8所述的用于对准容器处理机的容器容座中的容器的方法。

背景技术

从现有技术中已知，例如在容器离开冲洗机或吹塑机并被供给到一个机器(这些容器必须以限定的定向到达该机器)之后，将容器对准，之后可以将这些容器供给到下游的容器处理机中进行实际处理。

期望的定向也称为目标姿态，该期望的定向可以取决于例如容器表面的某些物理特征，诸如成型接缝、凹痕或凸起等。

从EP2251269和DE102011007520中已知了一些方法，利用这些方法，在完全旋转期间或至少在检测到产品特征之前的这样的长时间旋转期间，通过拾取容器并且通过相机来实现容器的对准。基于检测到的特征，使容器旋转，使得可以将容器置于目标姿态或目标位置。

然而，这需要精确地了解容器的表面并且识别这样的特定产品特征。

此外，必需由用户指定特定的目标姿态。这需要用户方有丰富的经验，这是因为相对于例如印刷头的实际目标姿态的稍微不正确的指定都可能会对印刷结果产生显著的不利影响。

此外，所描述的文献中提到的过程不适合从一系列已经检查并对准的容器中得出未来容器的结论，甚至不适合考虑先前未处理的对准特征，因此总是需要对容器进行全面的检查。

这确保了已知现有技术中的过程效率只能被提高到基本上由操作员的技能决定的极限。

发明内容

目的

基于已知的现有技术，因此要解决的目的是指定一种方法和容器处理机，用于在对容器执行处理步骤之前将容器对准，该方法和该容器处理机能够让操作员以高可靠性和低工作量实现容器的对准，其中该方法还尽可能可靠地响应于对准特征的变化。

解决方案

根据本发明，该目的通过根据权利要求1所述的容器处理机和根据权利要求8所述的用于对准容器处理机的容器容座中的容器的方法来解决。在从属权利要求中提及了本发明的有利的其它实施例。

根据本发明的用于处理诸如瓶、罐等的容器的容器处理机的特征在于，对准模块包括神经元网络，该神经元网络可以通过处理在处理单元上游的容器容座中被运送的容器的图像来确定容器从其当前位置到目标姿态所需的旋转，并且对准模块可以根据所确定的旋转来控制容器容座的旋转。

根据本发明，目标姿态是如下的容器的定向，容器将在该容器的定向下被处理。对容器的处理可以是例如施加装饰元件或检查过程等，其中所述处理基本上取决于容器的正确对准。具体而言，目标姿态可以由容器表面上的呈物理特点形式的对准特征限定。例如，这可以包括标签从容器的成型接缝处开始缠绕在容器周围。然而，为此目的，必须将具有成型接缝的容器移动到适合于贴标签单元的位置，因此成型接缝的合适位置限定目标姿态。

容器的当前位置是在容器被对准之前并且在容器在处理单元中接受处理之前容器占据的位置，因此可以在处理开始之前将容器从其当前位置对准到目标姿态。

这由于当前对准和目标姿态之间的差异角度而导致所需旋转。

根据本发明，神经网络被配置用以优选地基于图案识别来将当前位置与目标姿态进行比较，例如通过利用神经网络识别某些表面特点并将它们转化成与目标姿态相比的当前位置的识别。

然后，由神经网络和/或对准模块确定的差异角度可以用于通过对准模块来控制容器容座的旋转，其中，即使在容器的形状/颜色/尺寸的小偏差的情况下，神经网络对所需旋转的识别也是鲁棒的，并且此外基本不需要操作员的额外输入。

如果要旋转的容器在材料中具有压花，诸如在玻璃或塑料中压花的元件，诸如盾形纹章、符号、徽标等，特别是那些具有“手工制作”外观的元件(即，看起来它们好像是经过手动压花的元件)，则容器处理机以及特别是对神经网络的使用可以有利地用于确定所需旋转。由于容器材料的透明度和这样的压花的非恒定形状，用普通的图像处理程序来识别这样的压花是很难的并且是不可靠的。

通过使用具有根据本发明的特性的神经网络，对容器的所需旋转的确定也可以关于这样的压花或基于这样的压花来完成。独立于上述旋转，可以利用神经网络来识别容器上的压花，例如，以便独立于要执行的旋转而获得关于压花质量的进一步信息。

此外，通过使用一个学习神经网络，本发明的容器处理机可以考虑容器随时间稍微变化的特点，诸如由于吹塑模具的磨损而导致的成型接缝的变化的形状。神经网络的特殊优点是能够随着时间进行学习，并且因此灵活地使用变化的容器特点(例如，在一定的由于磨损的公差极限内)来确定所需旋转。

在一些实施例中，神经网络是深度神经网络(DNN)或卷积神经网络。深度神经网络，特别是卷积神经网络，特别适合于图像和/或表面的图案识别，因而它们可以用于特别好地识别特别是容器表面上的一个或多个对准特征的当前位置，这进一步改进了容器对准到其目标姿态。

此外，神经网络可以被配置用以从在容器处理机的运行期间获取的图像中学习容器相对于目标姿态的当前位置。

例如，如果所执行的旋转没有导致容器的正确对准，则神经网络可以例如通过拍摄容器在旋转之后的第二图像来从第一次尝试中学习以确定容器的对准和所需旋转，并且神经网络检查是否达到目标姿态。如果情况并非如此并且必须校正目标姿态，则这可能由于适当地设计神经网络而致使学习过程，这会改进对当前位置的识别并且改进在机器运行期间对所需旋转的连续确定。

在一个实施例中，基于容器的对准特征来确定目标姿态。

如上所述，对准特征特别地可以是物理特点，诸如成型接缝或材料凸起或材料凹痕，其可以决定对容器的进一步处理，例如对标签或印刷图像的施加。

因此，能够以简单的几何方式确定目标姿态。

在该实施例的另一变型中，容器处理机包括输入单元，该输入单元允许操作员输入容器的类型和/或对准特征的类型，神经网络可以基于容器的所述类型和/或对准特征的所述类型来确定目标姿态。

利用该实施例，操作员可以容易地确定期望的旋转结果，诸如目标姿态，而不需要操作员的精确输入，甚至不需要指定相对于容器的优选零姿态的精确角度姿态。例如，可以设计输入，使得操作员可以在不同类型的产品特征之间进行选择，诸如成型接缝、材料凸起、材料凹痕、凹口、点，并且将该项作为对准特征进行输入足以向容器处理机传达必要的信息，然后通过对准模块和神经网络将所述必要的信息基本独立地传递到容器的正确对准中。

此外，容器处理机可以包括贴标签机、印刷机、直接打印机、检验机、包装机中的至少一种。在这些机器中，将容器对准到特定的目标姿态通常是重要的，因而在这些机器上实施本发明是特别有利的。

还可以提供的是，容器容座包括转台和(能旋转的)定中心钟，其中，容器可以被夹持在该转台与该(能旋转的)定中心钟之间并且可以旋转。利用容器容座的该实施例，容器的有效且容易控制的旋转是可能的。

在另一变型中，通过能(绕平行于容器的纵向轴线的轴线)旋转的定中心钟(例如，可由伺服马达启动旋转的定中心钟)来运送容器，并且容器在(一个或多个)相机前面旋转。因此，容器可以以悬吊的方式被运送，从而也使底部暴露，以便在不受干扰的情况下被相机观察到。

在根据本发明的用于对准容器处理机的容器容座中的容器的方法中，容器被对准到目标姿态，所述方法的特征在于，对准模块包括神经网络，该神经网络可以通过处理在处理单元上游的容器容座中被运送的容器的图像来确定容器从其当前位置到目标姿态的所需旋转，并且对准模块可以根据所确定的旋转来控制容器容座的旋转。

根据本发明的方法，容器旋转到目标姿态发生在处理单元中执行处理之前。这并不一定意味着容器旋转到目标姿态也发生在到达处理单元之前。当已经将容器定位在处理单元的可触及范围内但是尚未开始对处理单元进行处理时，也可以使容器旋转。

该方法实现了容器的简单但可靠的对准。

在一个实施例中，神经网络是预先学习的神经网络。

使神经网络预先学习就是就容器的一个或多个对准特征和目标姿态或容器类型对神经网络进行训练，使神经网络预先学习确保即使当容器处理机被投入运行时，也可以将容器从任何位置开始基本上完全正确地对准到目标姿态。

此外，神经网络可以被设计用以从在容器处理机的运行期间拍摄的容器的图像中学习容器相对于目标姿态的当前位置。

即使利用预先学习的神经网络，该实施例也可以导致对容器表面的图案识别，并且因此进一步处理(诸如确定所需旋转)在操作时间方面进一步得到改进。因此，可以进一步最小化错误。

在一个实施例中，容器处理机包括输入单元，操作员利用该输入单元输入容器类型和/或对准特征类型，并且其中神经网络基于所输入的容器类型和/或所输入的对准特征来确定目标姿态。

该实施例以不易出错的方式提供了一种用于向容器处理机并且特别是向对准模块和神经网络提供用于确定目标姿态和所需旋转的必要信息的手段。

在一个实施例中，为了确定处于其当前位置的容器在正好一个图像中的旋转，神经网络在第一步骤中搜索对准特征，容器的目标姿态通过该对准特征被限定，并且如果在容器的图像中至少部分地找到该对准特征，则神经网络根据该准特征在图像中的位置以及该对准特征的目标姿态来确定所述旋转；并且其中在第二步骤中，如果在所述正好一个图像中未至少部分地找到该对准特征，则神经网络基于图像中存在的信息来确定该对准特征的可能位置，并且对准模块基于对准特征的该可能位置致使容器在容器容座中旋转，其中在第三步骤中，拍摄处于旋转位置的容器的第二图像，并且神经网络在第二图像中搜索该对准特征，并且如果在容器的图像中至少部分地找到该对准特征，则神经网络根据该对准特征在图像中的位置和该对准特征的目标姿态来确定所述旋转。

通过该实施例，实现了神经网络的“自校正”，这是因为神经网络可以在第二步骤和第三步骤中检查其已经确定的结果，并且例如可以在随后的第一步骤中校正第一结果。这与神经网络的学习过程相结合，可以有利地有助于改进用于将容器对准的方法。

在该实施例的另一变型中，神经网络从第二步骤和第三步骤的结果中学习。由此，实现了上面讨论的优点。

附图说明

图1示出了根据一个实施例的容器处理机。

图2示出了根据一个实施例为了确定旋转角度而对容器的捕获的图像的处理。

图3示出了用于神经网络的训练方法的一个实施例。

具体实施方式

图1示出了根据本发明的一个实施例的容器处理机100。该容器处理机可以被配置为例如贴标签机或直接打印机。然而，关于对容器处理机100或其配置的具体选择，本发明并不受到限制。唯一的条件是容器处理机是这样的容器处理机：在容器被处理单元104处理之前，这样的容器处理机需要对容器进行具体对准。

例如，为了通过被配置为贴标签单元的处理单元104来施加标签，可以设想将标签的一侧施加到塑料容器(诸如由PET制成的容器)的成型接缝，并且将标签的剩余部分从该成型接缝开始至少部分地缠绕在容器周围。然而，容器通常以未对准的方式被供给到这样的贴标签机，因此在施加标签之前需要进行后续对准。

这也适用于容器处理机的其它实施方案，其中检验机也归于这一类别。

原则上，设计的是，除了包括处理单元之外，容器处理机还包括容器容座102。通过该容器容座，容器可以例如从供给装置105被卸下并且特别是被转移到处理单元104的有效区域，在该有效区域中，执行对容器的处理(例如，在容器上施加标签或印刷印刷图像)。

根据一个实施例，至少在将由处理单元104执行的实际处理步骤开始之前，使容器旋转到目标姿态(即，旋转到容器的期望位置)，其中，优选地使容器绕其纵向轴线旋转。

在这方面，纵向轴线是沿着容器的最长长度的轴线，并且纵向轴线特别是从通常放置容器的容器底部沿容器开口的方向延伸。例如，容器容座可以包括旋转板和与其相关联的定中心钟，容器被夹持在该旋转板和该定中心钟之间。这特别适用于塑料瓶或罐。然而，本发明在这方面不受到限制，并且用于运送容器和/或使容器旋转的其它变型在这里也是可以想到的，例如利用颈部处理设备，该颈部处理设备可以使容器在该颈部处理设备的支撑环上翻转。

为了将容器移动到期望的目标姿态，必须知道容器的当前对准，从而可以确定容器必须绕其轴线旋转多少。为此，容器处理机包括捕获装置，特别是相机103，当容器处于其当前位置或当前对准时，可以利用该捕获装置捕获容器的至少一个图像。

然后，将该捕获的图像从相机供给到对准模块130。可以将该对准模块理解为控制单元或至少包括控制单元，并且该对准模块被配置用以处理容器的捕获图像，以便确定容器从其当前位置开始到目标姿态的所需旋转。此外，对准模块优选地被配置用以根据以这种方式确定的所需旋转来控制容器容座的旋转，例如通过控制容器容座中的伺服驱动器并且促使该伺服驱动器使容器在容器容座中旋转特定角度。

根据本发明，对准模块包括神经网络，该神经网络处理由相机103拍摄的图像(或以某种方式预处理的图像，如下面将进一步描述的)，并且通过该处理，特别是图案识别，对准模块识别容器的当前位置并基于此来确定所需旋转。

因此，根据一个实施例，所需旋转最终由处于其当前位置的容器的表面上的某一对准特征的位置与处于目标姿态的该对准特征的位置相比来确定。

根据本发明，对神经网络进行训练以使用图像识别或图案识别来识别容器的对准特征或另一结构的当前位置，这允许得出关于对准特征的当前位置的结论并由此推导出用以将对准特征置于期望位置的所需的容器旋转。

如上面已经提及的，对准特征可以是例如一个成型接缝。然而，容器的其它物理特点，诸如材料凸起或凹痕、压花、某些标记(例如，在前一步骤中已经通过数字印刷技术施加)等的位置也是可以想到的。本发明在这方面不受限制。然而，原则上肯定能够基于容器的物理特性通过拍摄容器的图像并将其与目标姿态进行比较来确定容器的当前位置。

一旦已经确定了用以将容器从其当前位置旋转到对准特征具有期望位置的目标姿态的所需旋转或旋转角度，对准模块就如上文所提及的那样控制相关的容器固定装置或合适的装置以使容器旋转，使得容器从其当前位置移动到目标姿态。这里，然后可以由处理单元104进行处理。

图1中还示出了操作员终端107。该操作员终端允许操作员与容器处理机交互，并且该操作员终端可以例如作为整个容器处理机的控制单元。尽管这里示出的操作员终端107与对准模块130分开，但是也可以设置的是，将对准模块特别是与神经网络一起集成到控制单元或操作员终端107中。通过操作员终端107，操作员可以优选地向容器处理机传达并且特别是向对准模块传达关于神经网络将要确定当前位置和目标姿态所取决于的容器类型和/或对准特征的类型或物理特点的信息。这一点可以通过从列表中选择对准特征和/或容器类型来实现，并且这一点因此对于操作人员而言很容易做到，从而在这里减少了错误倾向。在这里，操作员也可以选择先前未经神经网络或对准模块处理的新容器作为容器类型。在这种情况下，可能会启动训练过程，其中例如通过神经网络学习新的对准特征或一般容器类型，如参考图3所描述的。

在图1所示的实施例中，仅提供了一个相机103。这里所示的容器处理机被配置为转盘101，并且配备有沿其周边布置的容器容座。为了在容器处理机的运行期间也实现神经网络的主动学习，可以沿着所述转盘的旋转方向在相机103的后面但在处理单元104的前面设置另一台相机，在容器从其当前位置旋转到如由神经网络确定的假定目标姿态之后，所述另一台相机优选地捕获处于“新的”当前位置的容器的另一图像。为了允许神经网络在容器处理机的运行期间学习，在一个实施例中，该新的图像可以由对准模块130的神经网络重新处理，以检查例如在第一次旋转之后实际上应该定位在目标姿态的特定对准特征是否被发现实际上处于目标姿态。如果情况就是如此，则神经网络可以从第二图像的处理中得知先前确定的旋转是正确的。如果情况不是如此，则神经网络也会从中学习并尝试对容器进行新的旋转以达到目标姿态。

在已经预先训练过的神经网络的情况下，预计可能产生的与实际目标姿态的任何偏差都将会非常小，以至于轻微的第二次旋转都很有可能将容器正确地定位在其目标姿态，从而可以由处理单元对容器进行相应的处理。因为神经网络由于学习过程而通常在容器处理机的运行期间随着时间的推移而越来越可靠地工作，所以也可以例如仅在容器处理机运行的初始阶段(例如在第一星期内)提供这里未示出的附加相机。替代地或附加地，如果尚未被神经网络处理的新类型的容器将要被容器处理机处理，则也可以提供这样的附加相机。利用充分预训练的神经网络，当指定用于识别的对准特征时，神经网络可能已经使新种类的容器或新类型的容器基本上正确地旋转了。在这里同样为了改进质量，可以使用第二相机来允许神经网络进行学习。

神经网络优选为深度神经网络，并且更优选为卷积神经网络。这些网络特别适合于图像的图案识别，并且因此可以有利地用于本发明。

图2仅示出了卷积神经网络中的图像处理的示意图，以用于确定容器的当前位置并导出对应的旋转角度。

图2基本上以流程图连同容器和相机的示意图的形式示出了该方法，但完全从根本上讲，该方法应理解为神经网络内的过程序列。

首先，用相机103捕获容器231的一个或多个图像，如已参考图1所描述的。优选地，这涉及将容器在相机前面旋转经过360°的角度(即，一次完全旋转)并且捕获容器的图像。特别是，可以规定容器在相机的捕获范围(也称为相机的视场)内旋转，在该捕获范围内捕获容器的图像，直至容器的多个图像232被相机捕获。例如，可以相对于初始位置以特定旋转角度对图像进行捕获，诸如从0°开始然后每90°(即90°、180°和270°)的旋转对图像进行捕获。也可以想到其它旋转角度，诸如旋转期间每45°拍摄一次。优选地，使容器在相机前方旋转，至少直到待识别的识别特征可以被成像至少一次为止。

优选地，使用常规图像处理的手段来纠正和/或处理图像(例如，改变清晰度或对比度)，和/或在一个实施例中，可以将图像进行组合以形成全景图像。

然后，这些图像232以合适的文件(诸如图像文件233)的形式被提供给对准模块，并且这里特别是提供给神经网络240，在这里所示的实施例中，神经网络240被配置为卷积神经网络。

卷积神经网络通过将表示图像的矩阵逐步乘以较小的矩阵来处理图像，从而各自形成点积。较小的矩阵通常被称为“内核(kernel)”并且下面将被缩写为K。

这一点可以如下理解。大小为S x T的矩阵M用作起点，并且乘以大小为P x Q的矩阵K(PCS，QCT)。从矩阵M的第一个元素开始，确定图像矩阵M的子矩阵U(其大小为P x Q)与矩阵K的内积。然后，用于形成内积的初始元素的指数增加1(例如，仅列和/或仅行)，并且再次用随后得到的子矩阵确定内积。这些内积的结果正好是每个内积一个数字。如果通过使用用于确定内积的对应指数将该数与剩余内积一起表示为新矩阵，则获得新的约简矩阵R，与原始矩阵M(S x T)的初始大小相比，约简矩阵R的大小为(S-P+1)x(T-Q+1)。假设这是矩阵R，则其元素R_ij各自具有对应内积的值，该值从原始矩阵或图像矩阵M和矩阵K得出。

矩阵K中的元素的值以及矩阵K的数量P和Q是神经网络的最终参数，并且通常通过训练程序例如基于已知的图像来训练。根据先前的实施例，当再次测量已经旋转的容器时，也可以对这些参数进行训练。

如图2所示，卷积神经网络通常包括几个层241至243(以及这里未单独显示的其它层)，每个层都用对应的矩阵K对输入到它们的矩阵执行对应的变换。原始图像相应地被训练。

因此，原始输入图像233由神经网络的层241至243进一步处理，产生相应的“中间图像”234至236，并且在卷积神经网络中的处理结束时，产生最终的缩小图像237。

该最终图像237最终允许得出关于对应对准特征的存在或不存在以及精确位置的结论，神经网络已经被训练以识别该对应对准特征。就本发明而言，这是容器的对准特征或其它物理特点。缩小图像237现在包括与通过神经网络的层相对应的缩小尺寸。然而，也可以将其放大回到初始尺寸，例如，以根据神经网络中的图案识别来确定容器的对准特征或物理特点在图像中的实际位置。

该最终图像237随后可以由神经网络或更一般地由对准模块使用，以确定物理特点或对准特征的当前位置，然后可以通过与目标姿态进行比较来从所述当前位置导出容器的所需旋转。

为此，可以虚拟地执行最终图像237的移动(即，图像中容器的旋转)，直到对准特征在其位置方面与处于目标姿态的该对准特征的位置匹配为止。因此，所执行的虚拟旋转是容器容座中容器从当前位置移动到目标姿态的所需旋转。

在图2中已经确定了最终图像237之后，可以确定容器的当前位置，如先前所描述的。一旦确定了当前位置，还可以确定将容器移动到目标姿态(或将对准特征定位在目标姿态)的所需旋转角度。在下一步骤中，对准模块然后控制容器容座，使得在步骤250中发生容器从其当前位置旋转到目标姿态。如已经描述的，这里还可以提供由第二相机执行关于容器是否实际定位在目标姿态的后续检查，之后可以进行后续校正，并且同时可以执行神经网络的进一步学习。

可以用来确定所需旋转的精度在很大程度上取决于神经网络的状态并且特别是其训练的状态。未经充分训练的神经网络通常不会以高精度确定对准特征的位置，并且因此在随后确定所需旋转角度时也不会正确确定所需旋转角度。类似地，训练不足的神经网络可能会将容器表面的特征错误地视为要搜索的对准特征，这也会导致确定角度方面的错误。

由于这个原因，有必要在容器处理机开始运行之前训练神经网络。还有利的是，在容器处理机的运行期间继续学习以便导致神经网络结果的质量的持续改进。

在容器处理机运行之前执行的学习过程，但最终也是在容器处理机运行期间执行的学习过程很基本地进行，使得在学习阶段期间容器的图像被提供给神经网络进行处理。例如，这些图像可以是来自运转操作的图像，也可以是来自大型数据库的图像，这些图像用于学习神经网络(例如，在调试容器处理机之前)。除了这些图像之外，神经网络还被告知在容器表面上寻找哪种对准特征或物理特点。此外，可以将该对准特征或物理特点的目标或目标姿态传递给神经网络，使得神经网络的任务是确定所需旋转角度。

根据图3，这一点在步骤301中完成。

神经网络现在对提供给它的图像进行处理，通常是一个接一个地进行处理，并且为每个图像确定对准特征的假定位置，并且如果必要的话，还从所述假定位置导出所需旋转角度。这一点在如图3所示的步骤302和303中完成。代替要确定旋转角度，神经网络还可以仅负责确定对准特征的准确位置。代替在步骤303中确定旋转角度，由神经网络进行处理的结果将是确定对准特征的位置。

对于要训练的神经网络而言，必须知道期望的结果(即，在图3的实施例的背景下，要确定的旋转角度)，以便能够将神经网络结果与正确的结果进行比较。因此，在下一步骤305中，将神经网络确定的旋转角度与可用作进一步输入的实际旋转角度304相互比较。例如，可以通过形成差异或执行对所确定的旋转角度与实际旋转角度的加权比较来进行该比较。

根据该比较，神经网络现在可以在步骤306中修改其参数(矩阵K的大小和/或其中包含的参数的值)，作为学习过程的一部分。利用这些新参数，现在再次处理最后处理过的图像或所有最后处理过的图像，并且确定所需的旋转角度。然后，在步骤305中，与实际旋转角度304进行新的比较，并且如果必要的话，在步骤306中再次修改参数。

该程序通常被执行，直到所有训练数据的确定旋转角度和实际旋转角度之间的偏差都落入某个阈值下方为止。然后在步骤307中使用所获得的参数作为在该训练之后神经网络的最终参数，直到(例如在容器处理机的运行中断期间)神经网络的下一个训练循环被执行为止。

Claims (13)

1.一种容器处理机，所述容器处理机用于处理诸如瓶、罐等的容器，所述容器处理机包括处理单元和容器容座，其中，所述处理单元用于处理容器，并且，容器能够被接纳在所述容器容座中以便能绕轴线旋转，所述容器处理机包括相机和对准模块，其中，所述相机用于捕获在所述处理单元的上游的容器容座中被运送的容器的图像，其中，所述对准模块被配置成通过控制所述容器容座而使容器旋转到目标姿态，其特征在于，所述对准模块包括神经网络，所述神经网络能够通过处理在所述处理单元的上游的容器容座中被运送的容器的图像来确定所述容器从其当前位置到所述目标姿态所需的旋转，并且所述对准模块能够根据所确定的旋转来控制所述容器容座的旋转。

2.根据权利要求1所述的容器处理机，其中，所述神经网络是深度神经网络(DNN)或卷积神经网络。

3.根据权利要求1或2所述的容器处理机，其中，所述神经网络适于从在所述容器处理机的运行期间获取的图像中学习容器相对于目标姿态的当前位置。

4.根据权利要求1至3中的任一项所述的容器处理机，其中，基于所述容器的对准特征来确定所述目标姿态。

5.根据权利要求4所述的容器处理机，其中，所述容器处理机包括输入单元，所述输入单元供操作员输入容器的类型和/或对准特征的类型，基于所述容器的类型和/或所述对准特征的类型，所述神经网络能够确定所述目标姿态。

6.根据权利要求1至5中的任一项所述的容器处理机，其中，所述容器处理机包括贴标签机、印刷机、直接打印机、检验机和包装机中的至少一种。

7.根据权利要求1至6中的任一项所述的容器处理机，其中，所述容器容座包括转台和能旋转的定中心钟，使得容器能够在所述转台和所述能旋转的定中心钟之间被夹持和旋转。

8.一种用于对准容器处理机的容器容座中的容器的方法，其中，在通过所述容器处理机的处理单元对容器执行处理步骤之前，将所述容器对准到目标姿态，其中，所述容器在容器容座中从当前位置绕轴线旋转到所述目标姿态，其中，所述容器处理机包括相机和对准模块，其中，所述相机捕获在所述处理单元的上游的容器容座中被运送的容器的图像，并且，所述对准模块通过控制所述容器容座而使容器旋转到目标姿态，其特征在于，所述对准模块包括神经网络，所述神经网络通过处理在所述处理单元的上游的容器容座中被运送的容器的图像来确定容器从其当前位置到所述目标姿态所需的旋转，并且所述对准模块根据所确定的旋转来控制所述容器容座的旋转。

9.根据权利要求8所述的方法，其中，所述神经网络是预先学习的神经网络。

10.根据权利要求8或9所述的方法，其中，所述神经网络适于从在所述容器处理机的运行期间捕获的容器的图像中学习容器相对于目标姿态的当前位置。

11.根据权利要求8至10中的任一项所述的方法，其中，所述容器处理机包括输入单元，操作员利用所述输入单元输入容器类型和/或对准特征的类型，并且其中，所述神经网络基于所输入的容器类型和/或所输入的对准特征来确定所述目标姿态。

12.根据权利要求8至11中的任一项所述的方法，其中，为了确定在容器的当前位置中在容器的正好一个图像中的旋转，所述神经网络在第一步骤中搜索对准特征，所述容器的所述目标姿态通过所述对准特征被限定，并且如果在所述容器的图像中至少部分地找到所述对准特征，则所述神经网络根据所述图像中的所述对准特征的位置以及所述对准特征的所述目标姿态来确定所述旋转；

并且其中，在第二步骤中，如果在所述正好一个图像中没有至少部分地找到所述对准特征，则所述神经网络基于所述图像中存在的信息来确定所述对准特征的可能位置，并且所述对准模块基于所述对准特征的所述可能位置促使所述容器容座中的容器旋转，其中，在第三步骤中，拍摄在旋转后的位置中的容器的第二图像，并且所述神经网络在所述第二图像中搜索所述对准特征，并且如果在所述容器的图像中至少部分地找到所述对准特征，则所述神经网络根据所述图像中的所述对准特征的位置以及根据所述对准特征的所述目标姿态来确定所述旋转。

13.根据权利要求12所述的方法，其中，所述神经网络从所述第二步骤和所述第三步骤的结果中进行学习。

Images