CN117355465A - 用于运行贴标系统的方法 - Google Patents

Abstract

本发明涉及一种用于运行用于对各个包装(3)贴标签、特别是标记价格的具有至少一个贴标装置(2)的贴标系统(1)的方法，其中所述贴标装置(1)至少具有进给装置(4)，标签分配装置(5)、标签施加装置(6)和打印机装置(7)作为功能单元，所述功能单元在贴标例程中通过所述贴标系统(1)的控制装置(8)来操控，其中所述贴标装置(1)具有传感器装置(16)、优选相机，通过所述传感器装置记录相应包装(3)的图像(17)，其中，使用所述控制装置(8)在分析例程中分析相应包装(3)的图像(17)，其中通过所述分析而导出相应包装(3)到包装类别中的分类，并且其中在贴标例程中根据分类而执行所述贴标装置(2)的操控。提出的是，所述分析例程基于：使用所述控制装置(8)将经训练的机器学习模型应用于所述图像(17)。

Description

用于运行贴标系统的方法

技术领域

本发明涉及一种根据权利要求1的前序部分所述的用于运行贴标系统的方法、一种根据权利要求15的前序部分所述的具有至少一个贴标装置的贴标系统以及一种根据权利要求16所述的用于在这种方法中使用的具有训练数据集的数据载体。

背景技术

这里所讨论的用于对各个包装贴标签的贴标系统具有至少一个贴标装置，该贴标装置特别地被设计为价格标记装置。贴标装置至少配备有作为功能单元的进给装置、标签分配装置和标签施加装置，这些功能单元被设立用于在贴标例程中对各个包装贴标签。这些功能单元在贴标例程中通过控制装置来操控。

进给装置特别是用于移动相应包装的带式输送机或辊式输送机，其中能够在运行进行期间对被移动的包装进行贴标签。原则上，已知利用混乱的包装输送来执行贴标例程，其中不同类型的包装以任意顺序被输送至进给装置。混乱的包输送通常需要至少部分自动地识别具有分类的相应包装，以便能够基于相应的包装类别而贴标签。

例如，可以根据相应包装的重量值来执行自动的包装识别，其中为每个包装类别分派一个重量范围。此外，诸如相机之类的传感器装置也被用于对包装类别进行归类，其中基于所记录的包装的图像、例如基于包装几何形状来推断相应的包装类别。

一个挑战在于，通过混乱的包装输送而可能会出现包装的误识别。例如，在遵循重量值进行识别的情况下，因此可能有必要使不同包装类别的包装的重量值不重叠。原则上，即使在相机支持的分类中，也期望的是，对具有非常相似的外观的不同包装类别的包装进行输送，而并不发生误识别。

发明内容

本发明基于的问题是，说明一种用于运行用于对各个包装贴标签的贴标系统的方法，其中，能够实现特别灵活的包装输送。

上述问题在根据权利要求1的前序部分的方法中通过权利要求1的特征性部分的特征来解决。

假定为：通过控制装置在分析例程中分析相应包装的图像，其中通过该分析而导出相应包装到包装类别中的分类，并且其中在贴标例程中根据分类而执行贴标装置的操控。

重要的是如下基本考虑：在对具有相似外观的不同包装进行混乱包装输送时，传统的图像处理方法很快就会达到极限。同时，需要快速的图像识别，以便在运行进行期间进行分类。

具体地提出使分析例程基于：通过控制装置将经训练的机器学习模型应用于图像。

在混乱的包装输送的情况下，使用机器学习方法可以明显改善相应包装的分类。虽然基于机器学习模型而进行的任意图像信息的分类通常都是计算密集型的。然而，当前认识到了：通过贴标签而可以在尽可能受控的环境中记录图像，这即使在应用机器模型的情况下也明显降低了分析例程中对计算能力的要求，并且此外还允许有针对性地训练机器学习模型。应用机器学习模型甚至可以实现以高精度实时进行分类，从而即使在混乱的产品输送的情况下也可以实现高处理速度。

根据权利要求2和3的优选设计方案涉及根据在分析例程中导出的分类来打印标签。在此情况下特别优选的是，基于分派给包装类别的基本价格对相应包装进行与重量相关的价格标记。

在根据权利要求4和5的优选设计方案中，因此进一步利用了鉴于被输送的包装的多样性方面的灵活性，使得多种标签类型是可用的，根据针对相应包装的包装类别而施加这些标签类型。包装的传送速度和施加方式也可以根据包装类别而变化。该分类还使得包装能够根据其相应的包装类别而分类(权利要求6)。

在根据权利要求7的优选设计方案中，经训练的机器学习模型基于经训练的神经网络，例如卷积神经网络。卷积神经网络特别是在图像处理中取得了良好的成果。

根据权利要求8，特征提取器可以用于分类，其中该分类是基于所生成的特征空间来执行的。如果通过应用经训练的机器学习模型来实施这些步骤中的至少一个并且优选地实施这两个步骤，则在此情况下是特别有利的。

根据权利要求9，在分析例程中还设置了建议步骤，利用该建议步骤而标识图像中的建议区域，这些建议区域又被用在分类步骤中。这种设计方案特别是在单个产品至少部分可见的包装的情况下，例如具有透明覆盖物的包装的情况下导致分析例程的简化。

权利要求10和11涉及基于训练数据集的学习例程。在此情况下特别感兴趣的是根据权利要求11的设计方案，据此，训练数据集至少部分地从先前和/或正在进行的贴标例程的图像中导出。例如，没有混乱包装输送的贴标例程可用于构建大型且有充分根据的训练数据集。如果在此至少逐个时间段地对相同包装类别的相应包装贴标签，则可以明显简化对训练数据集的图像的注释。

此外特别有利的是，根据权利要求12，使用例如具有用于相应包装的引导元件的对准装置，由此包装可以在所记录的图像上出现在明确限定的且可再现的位置处。就此实现了分类的更高可靠性和训练数据集的进一步改进。

同样，根据权利要求13，可以在传感器装置和相应的包装之间设置预先限定的距离，从而例如减少与在分析例程中的图像缩放相关联的耗费。

在根据权利要求14的设计方案中还考虑到：也可以经由控制装置来操控多个贴标装置。控制装置在此情况下可以例如以基于云的方式而实施包装类别的中央管理和/或分析例程的中央执行。

按照有独立意义的根据权利要求15所述的另一教导，要求保护一种具有至少一个贴标装置的用于对各个包装贴标签的贴标系统本身。贴标系统特别是设立用于执行所提出的方法。请参阅有关所提出的方法的所有阐述。

按照有独立意义的根据权利要求16所述的另一教导，要求保护一种用于在所提出的方法中使用的具有训练数据集的数据载体。请参阅有关所提出的方法的所有阐述。

附图说明

下面使用仅示出实施例的附图更详细地解释本发明。在附图中：

图1示出了用于执行所提出的方法的所提出的贴标系统的示意图，

图2示出了在所提出的方法中基于经训练的机器学习模型的所使用的分析例程的示意图，和

图3示出了针对所提出的方法的学习例程的示意图。

具体实施方式

本发明涉及一种用于运行具有至少一个用于对各个包装3贴标签的贴标装置2的贴标系统1的方法。图1以示意图示出了作为价格标记装置的优选设计方案中的贴标装置2。

贴标装置2至少具有进给装置4、标签分配装置5、标签施加装置6和打印机装置7作为功能单元，它们被设立用于执行针对这些包装3的贴标例程。除了所提到的功能单元之外，还可以设置贴标装置2的另外的功能单元。这些功能单元在贴标例程中由贴标系统1的控制装置8来操控，其中所述贴标例程包括对各个包装3贴标签。

在贴标例程中规定：通过进给装置4传送相应的包装3，通过标签分配装置5而分配可从材料带9分离的标签，通过标签施加装置6将所分配的标签施加到相应的包装3上，并且通过打印机装置7打印可从材料带9上分离的或已被分离的标签。

进给装置4被设计成传送相应的包装。进给装置4优选地是带式输送机或辊式输送机，还可能是至少一个机器人臂，用于移动相应的包装3。进给装置4，这里是带式输送机，在此并且优选地具有至少一条传送带，通过该传送带沿传送方向传送相应的包装3。

此外，标签分配装置5被设立用于分配标签。优选地，通过标签分配装置5将标签从材料带9上分离。可从材料带9上分离的标签尤其是指通过其粘合面而可分离地施加在载体带上的标签，该载体带形成材料带9并且可由例如纸和/或塑料制成。同样可能的是，标签还可以通过分离可打印或已打印的材料带9的部分区段而产生，例如通过切割和/或撕断材料带9。在此并且根据优选设计方案应用被设计为黏性标签的标签，所述标签在材料带9上已经具有粘合面。材料带9经由分配边缘10而被引导，由此使标签被分离。也可以设想的是：使用无粘合剂的标签，其在之后才设有粘合面或被施加到在相应包装3处的粘合面上。

另外，贴标装置2在此在与标签分配装置5共同的壳体中具有标签施加装置6，用于将所分配的标签施加到相应的包装3上。如图1示意性地示出的，标签施加装置6为了将标签施加到包装3的顶侧而在此并且优选地具有印模11。印模11在施加运动中将标签转移到包装3的表面。

印模11在此优选地被设计为摆式印模，其不仅可以线性移动而且还可以枢转。特别地，印模11具有作为印模脚的吸脚，优选地具有吸脚和吹脚，用于抽吸并且特别是也吹动标签。这里被设计为摆式印模的印模11在转移标签时沿着传送方向执行施加运动，以便能够对借助进给装置4移动的包装3贴标签。这里优选的是，印模11还可在与传送方向正交的方向上调节，以便使得标签能够被施加到与传送方向正交的包装3的不同位置。

利用标签施加装置6，可以通过将标签压到包装3上来接触式施加标签，即机械式施加标签。附加或替代地，可以设想的是，标签以无接触的方式被施加，其方式例如为，印模11的吸脚和吹脚通过产生指向包装3的压缩空气冲击将标签吹到包装3上，即气动地施加到包装3上。然而，原则上印模11也可以是纯线性印模，其于是只能线性移动，可能在多个相互正交的方向上移动。

如图1示意性所示，在此设置标签抽吸装置12，其将被分离的标签转移至印模11。根据此处未示出的另一实施方式，基本上还可以设想：标签被直接转移到包装3的表面，特别是通过由标签抽吸装置12、优选由吹头施加在标签上的压缩空气冲击而转移到包装3的表面。在这种情况下，于是不需要印模11来转移标签。

此外，打印机装置7设置用于打印标签，其中，原则上在材料带9上的标签打印可以在标签已从材料带9分离之后以及在标签被施加到相应的包装3上之前和/或之后进行。在此并且优选地，设置被设立用于热敏打印的打印机装置7。打印机装置7还可以具有激光打印机和/或喷墨打印机。打印机装置7优选地如图所示地集成到标签分配装置5中，并且在分配之前、之后和/或期间打印标签。

控制装置8承担在贴标例程中出现的控制技术上的任务。控制装置8优选地具有至少一个被设立用于操控功能单元的计算机设备。图1中示例性地示出了贴标装置2的本地控制单元13，其经由有线和/或无线的网络、例如本地网络、移动无线电网络和/或互联网而与基于云的服务器14通信。此外，设置移动设备15，其还经由网络与控制装置8的其他组件通信。控制装置8的其他变型是可以设想的。例如，替代于所示出的具有多个组件的控制装置8，也可以在贴标装置2处仅设置本地的控制装置8。

贴标装置2还具有传感器装置16，其优选地被设计为光学传感器装置且在此并且优选地被设计为相机。通过传感器装置16记录相应包装3的图像17。因此，图像17优选地是相机图像，特别是相应包装3的二维或三维图像信息。相机可以被设计为彩色相机，并且特别是3D相机。传感器装置16的其他设计方案是可以设想的，例如具有IR传感器等。传感器装置16在此并且优选地布置在进给装置4上，使得优选地在包装3被移动的情况下，在进给装置4上的相应包装3的图像17被记录。传感器装置16的其他设计方案也是可以设想的，所述其他设计方案可以例如通过激光扫描等来记录代表包装3的外观形式的图像17。

正如开头提到的，所提出的方法侧重于混乱包装输送，其中，包装3在贴标例程中以不同要求而被处理。使用控制装置8，在分析例程中分析相应包装3的图像17。通过该分析而导出相应包装3到包装类别的分类。

一般而言，可以预给定多个包装类别并将其存储在控制装置8中。在分析例程的范畴内，相应的包装3被分类为这些预给定包装类别中的至少一个。如下文将变得清楚的，可以给这些包装类别分派相应的元数据，例如产品名称、标识码和与贴标例程相关的预定规定等。

在贴标例程中对贴标装置2的操控取决于分类来执行。因此，对于来自不同包装类别的包装3，可以以不同方式执行、添加和/或省略贴标例程的至少一个方面。优选地，对贴标装置2的取决于分类的操控通过控制装置8来执行，而无需操作者干预，并因此自动来执行。

现在重要的是，分析例程基于：通过控制装置8将经训练的机器学习模型应用于图像。因此，使用基于机器学习方法生成的模型，该模型被训练用于将图像17分类到预给定包装类别之一。

特别优选地，根据相应包装的包装类别而执行：通过打印机装置7来打印标签。优选地，在此情况下根据分派给包装类别的产品信息来执行打印。产品信息通常可以包含与产品相关的信息，例如产品名称、针对包装类别预给定的印刷图像等。进一步优选地，在用于对包装3进行价格标记的贴标系统1的设计方案中，基于所分派的价格信息来执行打印，该价格信息特别地作为数值被打印在标签上。

如图1所示，在此还设置称重装置18作为功能单元，通过该称重装置18确定针对各个包装3的重量值。在此，进一步地可以根据相应包装3的重量值而执行：通过打印机装置7来打印标签。例如，印上重量值或者可以基于包装类别而由此确定的多个值，例如净重、毛重、皮重和/或分派给重量的重量范围。被分派给包装类别的价格信息优选地包含基本价格，其用于计算取决于重量的包装价格，其中通过打印机装置7打印相应的标签，其具有由重量值和基本价格值而确定的包装价格。称重装置18可以根据相应的包装类别来运行。例如，诸如重量范围和/或分度值这样的称重参数被分派给包装类别，并且称重装置18基于所分派的称重参数来确定重量值。

标签分配装置5在此并且优选地配备有多个材料带9，用于分配不同的标签类型。可以给包装类别被分派标签类型和/或材料带9之一。对于相应的包装3，根据分派给包装类别的标签类型通过标签分配装置5来分配标签。因此，具有特定于包装类别的标签类型的标签经由标签施加装置6被施加到包装3上。

借助于标签施加装置6，可以根据被分派给该包装类别的施加预定规定将所分配的标签施加到相应的包装3上。施加预定规定优选地指示是以无接触的方式施加标签还是按压标签，特别是以预给定压力按压标签。可以为包装类别分派施加位置，应在该施加位置处将标签布置在包装3上。根据另一设计方式而规定，通过进给装置4根据被分派给包装类别的速度来传送相应的包装3。相应包装的速度特别适配于从传感器装置16到标签施加装置6和/或打印机装置7的传送路径。

根据此处未示出的另一设计方案，可以此外设置分拣装置作为功能单元，通过该分拣装置根据分类在进给装置上对各个包装3进行分拣。所述分拣可以是挑出各个包装3，例如将它们从进给装置4移除，这例如通过压缩空气冲击而引起。还可以使用多路分拣装置，其例如经由一个或多个转辙器而将包装3分配到不同的分拣路径上。

在图2中，以示意图示出分析例程。根据特别优选的设计方案，分析例程中使用的经训练的机器学习模型基于经训练的神经网络。神经网络在此情况下可以是卷积神经网络。卷积神经网络以术语“convolutional neural network(卷积神经网络)”而已知，并且在许多情况下允许特别有效的图像评估。

如图2所示，分析例程基于通过传感器装置16记录的图像17，利用该图像17检测包装3。优选地，通过传感器装置16记录进给装置4上的各个包装3的图像17，从而避免图像17上的不同包装3的重叠。

在分析例程中，特征提取器19在此并且优选地直接或间接地被应用于相应图像以生成特征空间20。在图2中，特征空间20(作为“feature space(特征空间)”而已知)仅以一个层面被示出，但是其优选地包括多个层面。在分析例程的分类步骤21中，基于特征空间20将相应的包装3分类为包装类别。优选地，根据基于特征空间20而到属于预给定包装类别(A、B、...X)的选择之一的包装类别的分派，对包装3进行分类。图2中示例性地示出：基于图像17而给包装3分派包装类别B，该包装类别B又被分派有已经提到的元数据(a，b，...x)。

在此情况下，优选地，特征提取器19和/或分类步骤21基于经训练的机器学习模型，优选地基于经训练的神经网络。在此仅示出了用于分类的经训练的神经网络22。然而，特别地，特征提取器19和分类步骤21还可以共同基于相同的经训练的神经网络。

在分析例程中，这里并且优选地在建议步骤23中，在图像17中标识建议区域24，这些建议区域潜在地包含包装3的部分区段。在此，可以经由建议区域24特别是在图像17中标识如下区域，这些区域包含在包装中所包含的单独产品或者其他部分区段，诸如边界、已经现有的标签等。优选地，通过应用经训练的机器学习模型来执行建议步骤23。适合于此的算法以术语“区域提议(region proposal)”而已知。

在分类步骤21中，分析建议区域24以进行分类。因此，在分类步骤21中，尤其可以将更复杂的计算应用于图像的有针对性的部分区段。用于实施建议步骤22和分类步骤20的合适算法的示例是R-CNN。

还可以规定，整个图像17在没有被划分成部分区段的情况下被用于分类，由此简化评估。这尤其可以通过训练数据集25的有效创建来实现。

在优选设计方案中，机器学习模型的训练在所提出的方法的范畴内来执行。根据优选设计方案，相应地在学习例程中使用控制装置8根据训练数据集25来训练机器学习模型，如图3中所示。机器学习模型在此并且优选地基于包装3的带注释的图像26被训练。在此，经训练的机器学习模型包含至少一个权重，优选地包含代表权重的参数集28，以及应如何在分析例程中实施权重的应用规则。在训练步骤27中，在此并且优选地经由神经网络确定针对该机器学习模型的参数集28。

在此情况下，特别优选的是，训练数据集25至少部分地从在先前和/或正在进行的贴标例程中的通过传感器装置16记录的图像17中导出。在该贴标例程中，可以预给定相应包装3的分类，通过该分类对图像17进行注释。

优选地，在针对该训练数据集25而采用的贴标例程中，至少逐时间段地对相同包装类别的相应包装3贴标签。对图像17的注释就此而可以得以明显简化并且甚至可以自动化地进行。图像17的注释也可以在混乱的包装输送的情况下进行，例如在开头提到的包装识别可能是基于重量值等的情况下。

图像17的自动注释优选地通过进一步的分类、优选地通过包装3的重量值来验证。在此情况下，只有那些重量值属于被分派给该包装类别的重量类别的图像17才会被自动注释。

根据图1中所示的同样优选的设计方案，此外设置对准装置29作为功能单元，通过该对准装置29将各个包装3定位在进给装置4上。对准装置29具有至少一个引导元件30，在此具有在进给装置4两侧布置的引导元件30，引导元件30至少逐区段地邻接和/或伸入进给装置4的输送区域。引导元件30通过接触包装3来对准包装3。引导元件30优选地是可移动的，以便允许调整定向。

传感器装置16可以设置在对准装置29处和/或进给装置4上的对准装置29的下游。因此，可以在经对准的包装上确定图像17，这简化了分析例程。然而，还可以设想的是，根据包装3的分类通过对准装置29来执行对准，其中对准装置29布置在传感器装置16的下游。

传感器装置16优选地具有距相应包装3的预先限定的距离，这也导致分析例程的简化。例如，传感器装置16被保持在距进给装置4恒定的距离处，并且因此与包装3的下侧保持预先限定的距离。进一步优选地，所述预先限定的距离对应于在针对所述训练数据集所采用的贴标例程中传感器装置16与相应包装3之间的距离。

在此并且优选地，机器学习模型的架构和/或训练步骤考虑到预先限定的距离和/或定向。在图像处理中的对象识别的情况下，通常在机器学习模型的训练和/或架构中考虑许多缩放，因为不清楚对象最终会以怎样的尺寸和位置而出现在图像17中。这个问题导致了各样的解决方案，但这些解决方案通常会带来计算复杂性的增加。在此可以至少部分地省去这种复杂性。

根据优选设计方案，控制装置8可以被设计为贴标装置2的一部分和/或基于云。贴标系统1优选地具有多个贴标装置2，通过控制装置8来操控这些贴标装置2。正如已经提到的，基于云的实施方案尤其能够实现对包装类别和/或经训练的机器学习模型的中央管理。例如，训练数据集25也可以基于其中一个或多个贴标装置2的图像17来生成。还可以设想的是，计算密集型的分析例程的至少一部分以基于云的方式而执行，在此是通过云服务器14而执行。

按照有独立意义的另一教导，要求保护所提及的贴标系统1本身。该贴标系统1配备有至少一个贴标装置2，用于对各个包装3贴标签，特别是用于标记价格。贴标装置2至少具有进给装置4、标签分配装置5、标签施加装置6和打印机装置7作为功能单元，其中贴标系统1的控制装置8在贴标例程中操控这些功能单元。在贴标例程中规定，进给装置4传送相应的包装3，标签分配装置5分配可从材料带9分离的标签，标签施加装置6将所分配的标签施加到相应的包装3上，并且打印机装置7打印可从材料带9上分离的或已被分离的标签。

贴标装置2具有传感器装置16，优选相机，其记录相应包装3的图像17，其中，控制装置8在分析例程中分析相应包装3的图像17，通过该分析来导出相应包装3到包装类别的分类，并且根据分类而执行：在贴标例程中对贴标装置2的操控。在此情况下重要的是，经训练的机器学习模型被存储在控制装置8中，并且分析例程基于通过控制装置8将经训练的机器学习模型应用到图像17。请参阅有关所提出的方法的阐述。

按照有独立意义的另一教导，要求保护一种具有训练数据集25的数据载体本身。该数据载体被设置用于在所提出的方法中使用并且使用所提及的学习例程来生成。训练数据集25优选地以非易失性方式存储在数据载体上。请参阅有关所提出的方法的阐述。

Claims (16)

1.一种用于运行用于对各个包装(3)贴标签、特别是标记价格的贴标系统(1)的方法，所述贴标系统(1)具有至少一个贴标装置(2)，其中所述贴标装置(1)至少具有进给装置(4)，标签分配装置(5)、标签施加装置(6)和打印机装置(7)作为功能单元，所述功能单元在贴标例程中通过所述贴标系统(1)的控制装置(8)来操控，

其中，在贴标例程中，通过所述进给装置(4)来传送相应的包装(3)，通过所述标签分配装置(5)来分配标签，通过所述标签施加装置(6)将所分配的标签施加到相应的包装(3)上，并且通过所述打印机装置(7)打印所述标签，

其中，所述贴标装置(1)具有传感器装置(16)、优选相机，通过所述传感器装置记录相应包装(3)的图像(17)，其中，通过所述控制装置(8)在分析例程中分析相应包装(3)的图像(17)，其中通过所述分析而导出相应包装(3)到包装类别中的分类，并且其中在贴标例程中根据分类而执行所述贴标装置(2)的操控，

其特征在于,

所述分析例程基于：通过所述控制装置(8)将经训练的机器学习模型应用于所述图像(17)。

2.根据权利要求1所述的方法，其特征在于，根据相应包装(3)的包装类别而执行：通过所述打印机装置(7)来打印标签，优选地，根据分派给包装类别的产品信息来执行打印，进一步优选地根据价格信息来执行打印。

3.根据权利要求1或2所述的方法，其特征在于，此外设置称重装置(18)作为功能单元，通过所述称重装置确定针对各个包装(3)的重量值，进一步地根据相应的包装(3)的重量值而执行：通过所述打印机装置(7)来打印所述标签，优选地，被分派给所述包装类别的价格信息包含基本价格，并且通过所述打印机装置(7)打印具有由重量值和基本价格值而确定的包装价格的相应标签。

4.根据前述权利要求中任一项所述的方法，其特征在于，所述标签分配装置(5)配备有多个材料带(9)，用于分配不同的标签类型，并且对于相应的包装(3)，根据分派给所述包装类别的标签类型通过所述标签分配装置(5)来分配所述标签。

5.根据前述权利要求中任一项所述的方法，其特征在于，借助于所述标签施加装置(6)根据被分派给所述包装类别的施加预定规定将所分配的标签施加到相应的包装(3)上，优选地在所分派的施加位置处施加，和/或通过所述进给装置(4)根据被分派给所述包装类别的速度来传送相应的包装(3)。

6.根据前述权利要求中任一项所述的方法，其特征在于，此外设置分拣装置作为功能单元，通过所述分拣装置根据分类在所述进给装置(4)上对各个包装(3)进行分拣。

7.根据前述权利要求中任一项所述的方法，其特征在于，所述经训练的机器学习模型基于经训练的神经网络，优选地，所述神经网络是卷积神经网络。

8.根据前述权利要求中任一项所述的方法，其特征在于，在所述分析例程中，特别是通过应用所述经训练的机器学习模型，特征提取器(19)直接或间接地被应用于所述相应图像(17)以生成特征空间(20)，并且在所述分析例程的分类步骤(21)中，优选地通过应用所述经训练的机器学习模型，基于所述特征空间(20)将相应的包装分类为包装类别。

9.根据前述权利要求中任一项所述的方法，其特征在于，在所述分析例程中，在建议步骤(23)中，优选地通过应用所述经训练的机器学习模型，在图像中标识建议区域(24)，所述建议区域潜在地包含所述包装(3)的部分区段，优选地包含在所述包装(3)中所包含的单独的产品，并且在分类步骤(21)中分析所述建议区域(24)以进行分类。

10.根据前述权利要求中任一项所述的方法，其特征在于，在学习例程中，通过所述控制装置(8)根据训练数据集(25)训练所述机器学习模型。

11.根据权利要求10所述的方法，其特征在于，所述训练数据集(25)至少部分地从在先前和/或正在进行的贴标例程中的通过所述传感器装置(16)记录的图像(17)中导出，在所述贴标例程中，预给定相应包装(3)的分类，优选地，在针对所述训练数据集(25)而采用的贴标例程中，至少逐时间段地对相同包装类别的相应包装(3)贴标签。

12.根据前述权利要求中任一项所述的方法，其特征在于，此外设置对准装置(29)作为功能单元，通过所述对准装置将各个包装(3)定位在所述进给装置(4)上，优选地，所述对准装置(29)具有至少一个引导元件(30)，所述引导元件至少逐区段地邻接和/或伸入所述进给装置(4)的输送区域，进一步优选地，所述引导元件(30)是可移动的。

13.根据权利要求12所述的方法，其特征在于，所述传感器装置(16)设置在所述对准装置(29)处和/或所述进给装置(4)上的对准装置(29)的下游，和/或所述传感器装置(16)具有距相应包装(3)的预先限定的距离，优选地，所述预先限定的距离对应于在针对所述训练数据集所采用的贴标例程中所述传感器装置(16)与相应包装(3)之间的距离。

14.根据前述权利要求中任一项所述的方法，其特征在于，所述控制装置(8)被设计为所述贴标装置(2)的一部分和/或基于云，优选地，所述贴标系统(1)具有多个贴标装置(2)，通过所述控制装置(8)来操控所述贴标装置。

15.一种具有至少一个贴标装置(2)的用于对各个包装(3)贴标签、特别是用于标记价格的贴标系统，其中所述贴标装置(2)至少具有进给装置(4)、标签分配装置(5)、标签施加装置(6)以及打印机装置(7)作为功能单元，其中所述贴标系统(1)的控制装置(8)在贴标例程中操控所述功能单元，

其中，在所述贴标例程中，所述进给装置(4)传送相应的包装(3)，所述标签分配装置(5)分配标签，所述标签施加装置(6)将所分配的标签施加到相应的包装(3)并且所述打印机装置(7)打印所述标签，

其中，所述贴标装置(2)具有传感器装置(16)、优选相机，所述传感器装置记录相应包装(3)的图像(17)，其中所述控制装置(8)在分析例程中分析相应包装(3)的图像(17)，其中通过所述分析而导出相应包装(3)到包装类别中的分类，并且在所述贴标例程中根据所述分类而执行所述贴标装置(2)的操控，

其特征在于,

经训练的机器学习模型被存储在所述控制装置(8)中，并且所述分析例程基于通过所述控制装置(8)将经训练的机器学习模型应用到所述图像(17)。

16.一种用于在根据权利要求1至14中任一项所述的方法中使用的具有训练数据集(25)的数据载体，所述训练数据集是通过根据权利要求10或11中任一项所述的学习例程所生成的。