DE102017126159A1 - Befülleinrichtung - Google Patents
Befülleinrichtung Download PDFInfo
- Publication number
- DE102017126159A1 DE102017126159A1 DE102017126159.1A DE102017126159A DE102017126159A1 DE 102017126159 A1 DE102017126159 A1 DE 102017126159A1 DE 102017126159 A DE102017126159 A DE 102017126159A DE 102017126159 A1 DE102017126159 A1 DE 102017126159A1
- Authority
- DE
- Germany
- Prior art keywords
- filling device
- trained
- filling
- controller
- coffee
- 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.)
- Granted
Links
- 235000016213 coffee Nutrition 0.000 claims abstract description 35
- 235000013353 coffee beverage Nutrition 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 235000013361 beverage Nutrition 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 10
- 239000011521 glass Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims 4
- 238000011156 evaluation Methods 0.000 claims 1
- 240000007154 Coffea arabica Species 0.000 description 29
- 238000012549 training Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 235000015114 espresso Nutrition 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 235000020307 latte macchiato Nutrition 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100298225 Caenorhabditis elegans pot-2 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
- B67D—DISPENSING, DELIVERING OR TRANSFERRING LIQUIDS, NOT OTHERWISE PROVIDED FOR
- B67D1/00—Apparatus or devices for dispensing beverages on draught
- B67D1/08—Details
- B67D1/0878—Safety, warning or controlling devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
Abstract
Die Erfindung betrifft ein Verfahren, damit Befülleinrichtungen wie Getränkeautomaten, insbesondere Kaffeeautomaten, intelligent auf Betriebsbedingungen reagieren können sowie eine Befülleinrichtung, die dieses Verfahren nutzt.
Description
- Gebiet der Erfindung
- Die Erfindung betrifft ein Verfahren, damit Befülleinrichtungen wie Getränkeautomaten, insbesondere Kaffeeautomaten, intelligent auf Betriebsbedingungen reagieren können sowie eine Befülleinrichtung, die dieses Verfahren nutzt.
- Stand der Technik
- Herkömmliche Getränkeautomaten, insbesondere Kaffeeautomaten bzw. Kaffeemaschinen, die zum Beispiel in Frühstückräumen von Hotels und in Tagungsräumen aufgestellt sind, überwachen üblicherweise nicht, ob die richtige Kaffeetasse bzw. das richtige Glas eingesetzt wurde. Als Ergebnis kann das Getränk (z.B. Kaffee) überlaufen.
-
DE 20 2008 015 525 U1 beschreibt ein elektrisches Haushaltsgerät, bespielweise eine elektrische Kaffeemaschine. Ein separat handhabbares Teil, wie z.B. eine Tasse ist mit einer Codierung versehen, wobei die Codierung von einer Erkennungseinheit erfasst wird und diese Information an die Steuereinheit übermittelt wird. -
DE 10 2014 017 490 A1 beschreibt eine Vorrichtung und das entsprechende Verfahren für die Erfassung der Größe des befüllbaren Behälters oder des Füllstandes der Flüssigkeit im Behälter. Dabei wird für diese Aufgabe eine Reflexionslichtschranke mit einer Strahlquelle und einem Sensor, wie eine Fotodiode eingesetzt. -
DE 10 2011 075 194 A1 beschreibt einen Getränkeautomaten und ein Getränkeabfüllverfahren, mit dem der Getränkeautomat das Füllvolumen des zu befüllenden Behälters sensoriell abschätzt. Dazu vermisst eine Bildverarbeitungseinrichtung die Geometrie der Kaffeetasse und die Flüssigkeitspegel. Daraus wird das Füllvolumen der Kaffeetasse berechnet. - Beschreibung der Erfindung
- Aufgabe der Erfindung ist, einer Befülleinrichtung zu ermöglichen, den aktuell eingesetzten Behälter zu erkennen und dementsprechend die Arbeitsweise der Einrichtung zu beeinflussen. Zum Beispiel im Falle eines Kaffeeautomaten kann so die vom Benutzer eingesetzte Tassen- oder Glassorte erkannt werden und dementsprechend die Wahlmöglichkeit für das gewünschte Getränk begrenzt werden.
- Lernende Maschinen sind bekanntlich in der Lage, verschiedene Objekte zu kategorisieren. Deshalb wird vorgeschlagen, dass mindestens ein Sensor, im Folgenden als Erkennungssensor bezeichnet, eingesetzt wird und die Signale des Erkennungssensors von mindestens einem Klassifikator ausgewertet werden.
- Der Erkennungssensor kann ein optischer Sensor (zum Beispiel eine Kamera) sein, es können aber auch Sensoren nach anderen physikalischen Prinzipien eingesetzt werden, die für die verschiedenen Behälter unterschiedliche Signale liefern. So ist es zum Beispiel möglich, einen kapazitiven oder induktiven Sensor einzusetzen. Andere Möglichkeit ist akustische Sensoren zu verwenden, zum Beispiel einen Ultraschallsensor, der mit dem Echoeffekt arbeitet. Es kann auch eine Kombination von mehreren Sensoren eingesetzt werden, die entweder auf denselben oder auf abweichenden physikalischen Effekten basieren.
- Der Klassifikator hat die Aufgabe, die verschiedenen Behälter in verschieden Kategorien einzusortieren. Eine Möglichkeit für die Realisierung dieses Klassifikators ist, dass der Entwickler die Signale des Erkennungssensors bei der Verwendung von unterschiedlichen Behältern analysiert, Unterscheidungsmerkmale definiert und den Klassifikator so gestaltet, dass dieser anhand der Merkmale die Behälter erfolgreich klassifizieren kann.
- Eine vielversprechende und einfachere Methode ist die Verwendung von lernfähigen Algorithmen. In diesem Fall muss der Entwickler nicht selber die Unterscheidungsmerkmale definieren. Der Entwickler kann stattdessen den lernfähigen Klassifikator mit unterschiedlichen Behältern trainieren und der Klassifikator lernt selber, die verschiedenen Behälter in Klassen einzuteilen.
- Bei einem so genannten unüberwachten Klassifikator („unsupervised classifier“), zum Beispiel nach dem „k-means clustering“ Verfahren, lernt der Klassifikator die Signale in Klassen einzuteilen, wobei diese Klassen nicht vom Entwickler selber definiert werden müssen.
- Da der Entwickler des Getränkeautomaten bzw. dessen Klassifikators die gewünschten Klassen meistens bereits in einer früher Phase der Entwicklung kennt, scheint es mehr Vorteil zu bringen, wenn überwachtes Lernen („supervised learning“) bei der Entwicklung verwendet wird. Hier muss der Lernalgorithmus aus den Signalen des Erkennungssensors lernen, die Behälter in vorher definierte Klassen einzuteilen. Dazu wird der Lernalgorithmus mit Hilfe von für das Training bereitgestellten, typischen Beispielbehältern trainiert.
Einige bekannte Methoden für des überwachte Lernen sind: „Decision Tree Learning“, „Logistic Regression“, „Artificial Neural Networks“, „Deep Learning“, „Naive Bayes“, „Bayesian Network“, „Support Vector Machine“, „Markov Chain“, „Hidden Markov Model“, „Boosting“. - Bei Bilderkennung bzw. Bildkategorisierung werden heutzutage insbesondere neuronale Netze („neural networks“) mit mehreren verborgenen Schichten („hidden layers“), also das so genannte „deep learning“ Verfahren, mit viel Erfolg eingesetzt. Eine der oft benutzten Verfahren ist ein „convolutional neural network“ (CNN, zu Deutsch etwa „faltendes neuronales Netzwerk“). Die Verwendung von neuralen Netzen ist deshalb vorteilhaft, weil hier keine Merkmale („features“) vom Entwickler selber definiert werden müssen. Stattdessen werden die Sensorsignale, zum Beispiel die Helligkeit und Farbe der einzelnen digitalen Bildmatrixelemente („pixel“) bei einer Kamera als ein Vektor zur Eingangsschicht des neuronalem Netzes zugeführt.
- Falls nur eine begrenzte Zahl von Behältern zum Betrieb zugelassen ist, reicht es aus zu testen, ob der Klassifikator nach dem Training diese Behälter sicher erkennt. Sind die verwendbaren Behälter jedoch in der Entwicklungsphase noch nicht in allen Details spezifiziert, ist es wichtig zu prüfen, ob der Klassifikator auch bei Behältern gut funktioniert, die er bei seinem Training noch nicht gesehen hat. Dazu muss man für Testzwecke weitere, beim Trainieren des Klassifikators noch nicht verwendete Behälter klassifizieren lassen und es muss kontrolliert werden, ob die Einstufung dieser zusätzlichen Behälter richtig ist. Sonst müssen die gegen die Überanpassung („overfitting“) üblicherweise eingesetzten Maßnahmen probiert werden.
- Eine weitere mögliche Lösung zur Vermeidung von Überlauf bei einem falsch eingesetzten Behälter durch maschinelles Lernen ist die Verwendung von Regressionsmethoden. Im Gegensatz zu Klassifikatoren, liefert die lernende Maschine hier eine reelle Zahl als Ausgangswert. Dieser Wert kann in diesem Fall eine Einschätzung des maximalen Füllvolumens sein. Statt die Geometrie des Behälters abzumessen und das Füllvolumen zu berechnen, lernt hier der Algorithmus auf direkte Weise die Zuordnung von Sensorsignalen zu den Füllvolumenwerten. Dazu muss beim Training zu jedem Behälter sein Füllvolumen angegeben werden. Neben klassischen Regressionsmethoden, wie zum Beispiel „Linear Regression“, „Winnow“, „LASSO“, „ARIMA“ oder „Ridge Regression“, können auch hier neuronale Netze eingesetzt werden.
- Unabhängig vom eingesetzten Lernverfahren bleibt noch die Frage offen, ob der Lernprozess mit der Entwicklungsphase abgeschlossen sein soll oder nicht. Wenn ja, kann die im Produkt eingesetzte Hardware einfacher gestaltet werden, da die notwendigen Rechen- und Speicherkapazitäten für eine Prognose (unabhängig davon, ob es sich um eine Klassifizierungs- oder um eine Regressionsaufgabe handelt) für die meisten Methoden wesentlich kleiner sind, als die für den Lernprozess notwendige Ressourcen. Dies gilt insbesondere für größere neuronale Netze. Weiterer Vorteil des in der Entwicklungsphase abgeschlossenen Lernverfahrens ist, dass sich das Verhalten des Geräts später nicht mehr ändert. Das Gerät kann deshalb in der Freigabeprozedur gründlich getestet werden. Lernt jedoch das Gerät im Betrieb weiter, können Betriebsprobleme in der späteren Betriebsphase trotz gründlicher Freigabeprozedur auftreten.
- Andererseits kann es vorteilhaft sein, wenn sich der Getränkeautomat auf zukünftige, in der Entwicklungsphase noch nicht gekannte Behälter anpassen kann. Der Betreiber der Automaten erhält dadurch die Möglichkeit, neuartige Behälter einzusetzen und die Getränkeautomaten dafür selber zu trainieren. Damit der Automat lernfähig bleibt, muss er über die entsprechenden Ressourcen verfügen. Entweder müssen die notwendige Recheneinheit und die erforderliche Speicherkapazität direkt im Getränkeautomaten integriert sein oder der Getränkeautomat muss über eine Verbindung zu externen Ressourcen verfügen. So kann er über einen Kommunikationskanal Cloud-Dienste in Anspruch nehmen und so die Einstufung der neuartigen Behälter erlernen.
- Figurenliste
-
-
1 stellt eine Kaffeemaschine11 , als Beispiel für die erfindungsgemäße Befülleinrichtung, dar. In die Kaffeemaschine11 ist ein Sensor, hier eine Kamera, integriert. Damit kann der eingesetzte Behälter, in diesem Fall eine Kaffeetasse13 , sensorisch, zum Beispiel optisch, erkannt werden. -
2 zeigt einige Beispiele für Behälter für die Kaffeemaschine11 , wie eine Espressotasse2a , eine Kaffeetasse2b und einen Glass2c . -
3 zeigt Skizzenhaft ein neuronales Netz, als Beispiel für eine in der Befülleinrichtung, wie die Kaffeemaschine11 , integrierte lernende Maschine. Die Sensorsignale, wie das von der Kamera11 erfasste Bild vom aktuell eingesetzten Behälter, werden Pixel für Pixel zu den Eingangsneuronen32 zugeführt. Die Pfeile zeigen einige Verbindungen in diesem neuronalen Netz.33 symbolisiert eine verborgene Schicht von Neuronen („hidden layer“), wobei auch mehrere Schichten vorkommen können, die hier auf dem Bild nicht weiter dargestellt sind. Die letzte Reihe sind die Ausgangsneuronen34 . Die Ausgänge liefern die Wahrscheinlichkeit, dass das vom Kamera gelieferte Bild in bestimmte, vordefinierte Klassen, wie zum Beispiel Espressotasse2a , Kaffeetasse2b oder Glas2c , eingeordnet werden können. -
4 zeigt einige mögliche Gesten für die Bedienung der Kaffeemaschine11 , die von der integrierten lernenden Maschine zusätzlich erkannt werden können. Die beispielhaften Gesten sind: „ein wenig“41 , „viel“42 und „stopp“43 . - Beispielhafte Ausführung der Erfindung
- Nach dem erfindungsgemäßen Prinzip kann jede mit geeigneten Sensoren versehene Befülleinrichtung intelligent gestaltet werden. Dazu soll die Befülleinrichtung den aktuell eingesetzten Behälter, der mit dem gewünschten Material (Gas, Pulver, Granulat oder Flüssigkeit) befüllt werden soll, kategorisieren. Anhand der erkannten Behälterkategorie passt die Befülleinrichtung ihr Verhalten rational an. So kann die Befülleinrichtung zum Beispiel eine Warnung ausgeben, die zur Verfügung stehenden Auswahlmöglichkeiten begrenzen, die zur Befüllung verwendete Menge anpassen oder mit einer Fehlermeldung den Befüllvorgang stoppen. In einer beispielhaften Ausführung wird das Prinzip anhand eines Kaffeeautomaten mit integrierter Kamera erklärt.
- Die Kamera muss im Kaffeeautomaten so integriert werden, dass sie möglichst gute Aufnahmen von dem Behälter machen kann. Abhängig von der Konstruktion der Kaffeemaschine kann es sinnvoll sein, mehrere Kameras einzusetzen. Eine oder mehrere Lichtquellen können die Lichtverhältnisse verbessern, sind jedoch für die Erkennung von Behältern nicht unbedingt notwendig.
- Die verwendete Kamera kann zum Beispiel aus Komponenten bestehen, die in großen Stückzahlen in Smartphones platzsparend und kostengünstig eingesetzt werden. Die Kamera muss dabei keine besonders hohe Auflösung besitzen. Ihr Ausgang liefert vorteilhafterweise die Helligkeit in den Pixeln in drei Farben nach dem RGB-Farbenmodell. Diese Daten werden zum Klassifikator geführt, dessen Aufgabe ist es, den Behälter in vorher definierte Klassen einzuteilen, zum Beispiel: Espressotasse, kleine oder große Kaffeetasse, Kaffeekanne, Glas für Latte Macchiato. Es scheint sinnvoll zu sein, mindestens zwei weitere Ausgänge zu definieren, für den Fall, dass kein Behälter erkannt wurde, also dass der überwachte Raum leer ist, und für den Fall, dass der in diesem Raum befindliche Körper nicht erkannt wurde.
- In einer vorteilhaften Ausführung ist der Klassifikator ein neuronales Netz, zum Beispiel ein CNN („convolutional neural network“). Als Eingang bekommt dieses Netzwerk einen Vektor mit dem Daten aus der Kamera. Der Ausgang ist ein Vektor, wobei die einzelnen Werte den Wahrscheinlichkeiten entsprechen, wie wahrscheinlich es ist, dass der Behälter zu den entsprechenden Klassen zugeordnet werden kann. Dementsprechend muss die Summe aller Werte den Wert
1 ergeben. Um dies zu erreichen, kann die letzte Schicht des neuronalen Netzwerks zum Beispiel mit der „Softmax“-Aktivierungsfunktion ausgestattet sein. - Die Ausgänge des Klassifikators werden zur Steuerung des Kaffeeautomaten geleitet. Dieser kann dann die Auswahl der Kaffeesorten dementsprechend begrenzen beziehungsweise eine falsche Auswahl verhindern. So wird zum Beispiel verhindert, dass Latte Macchiato in eine zu kleine Kaffeetasse gegossen wird. Die Steuerung kann mit dem zur Verfügung stehenden Mittel, wie LED, Klartextanzeige oder Sprachausgabe, den Bediener informieren bzw. warnen.
- Zum Training des neuronalen Netzes müssen die bekannten Behälter den üblichen Betriebsbedingungen entsprechend im Kaffeeautomaten platziert werden und die Kamera-Ausgangswerte und die dazugehörige kodierte Kennzeichnung (z.B. 1 = Espressotasse) gespeichert werden. Das Trainieren des Netzwerkes kann mit der „Backpropagation“-Methode realisiert werden. Als Optimierungsmethode kann zum Beispiel „Gradient Descent“, „RMSprop“ oder „Adam“ eingesetzt werden. Für die softwaremäßige Realisierung des Algorithmus stehen Bibliotheken und Tools zu Verfügung, wie zum Beispiel „Tensorflow“ von Google.
- Komplexe neuronale Netze mit vielen Schichten und Neuronen brauchen sehr viele Trainingsdaten, um „Overfitting“-Effekte zu vermeiden. Eine vorteilhafte Lösung ist deshalb die Nutzung vortrainierter Netze, die für die Bilderkennung mit sehr großen Datensätzen trainiert wurden. Für die erfindungsgemäße Klassifizierung reicht aus, wenn die obersten ein-zwei Schichten applikationsspezifisch neu trainiert werden, nach dem Prinzip „transfer learning“. Auf diesem Weg kann das Netzwerk aus relativ wenigen Trainingsdaten relativ schnell lernen, die Behälter zu klassifizieren.
- Beim Lernvorgang werden die Parameter des Netzwerks für die Klassifizierungsaufgabe optimal eingestellt („trainiert“). Das so trainierte Netzwerk kann danach die Einstufung der Behälter mit der Methode „forward propagation“ durchführen. Der Kaffeeautomat braucht deshalb nur relativ wenige Ressourcen für diese Aufgabe und kann deshalb verhältnismäßig kostengünstig gestaltet werden. Die hardwaremäßige Realisierung kann mit Bausteinen, wie Prozessoren (CPU), Mikrocontrollern (µC), Digitalen Signalprozessoren (DSP), Grafikprozessoren (GPU) oder Tensor Processing Units (TPU) durchgeführt werden. Es kommen aber auch andere programmierbare Bausteine, wie FPGAs, oder bei hohen Stückzahlen applikationsspezifische Bausteine (ASICs) in Frage. Am einfachsten ist die Aufgabe jedoch mit einem fertigen Einplatinen-Computer, wie zum Beispiel „Raspberry Pi“, zu lösen.
- Mit Adaption der hier beschriebenen beispielhaften Ausführung können auch beliebige Befüll- und Abfülleinrichtungen, Getränkeautomaten, Haushaltsgeräte und Verkaufsautomaten gestaltet werden, die mit unterschiedlichen Behältern arbeiten müssen.
- Zusätzlich zur Behältererkennung kann das System auch zur Erkennung von Fehlerzuständen trainiert werden. So kann zum Beispiel der Zustand „Kaffee ist übergelaufen“ erkannt werden. In diesem Fall stoppt die Kaffeemaschine den Vorgang um einen weiteren Überlauf zu verhindern.
- Neben der Erkennung von Behältern können die Kameras auch für andere Zwecke benutzt werden. So kann die Kamera erfindungsgemäß zusätzlich als Teil des Mensch-Maschine-Interfaces dienen.
- Durch Auswertung der Kamerasignale können zum Beispiel Gesten der Bediener interpretiert werden. Dazu kann entweder das gleiche neuronale Netzwerk erweitert („multi-task learning“) oder ein weiteres neuronales Netzwerk eingesetzt werden. Es könnten zum Beispiel folgende Handgesten definiert werden: „Einfüllen“, „Stopp“, „Wenig“, „Viel“ usw. Das neuronales Netz kann in ähnlicher Weise für die Erkennung dieser Gesten trainiert werden, wie es beim Trainieren für die Erkennung von Behältersorten durchgeführt wurde. Der Ausgang des Gestenerkennungsnetzwerks (oder im Allgemeinen des für die Gestenerkennung trainierten Klassifikators) wird zur Steuerung der Befülleinrichtung geführt. Diese Steuerung wird dadurch in die Lage versetzt, auf die Informationen über den eingesetzten Behälter und über die Geste des Bedieners zweckmäßig reagieren zu können.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- DE 202008015525 U1 [0003]
- DE 102014017490 A1 [0004]
- DE 102011075194 A1 [0005]
Claims (9)
- Verfahren zur Vermeidung einer Fehlfunktion einer Befülleinrichtung, insbesondere eines Getränkeautomaten, dadurch gekennzeichnet, dass die Befülleinrichtung mindestens einen Sensor besitzt, der auf unterschiedliche Behälter unterschiedliche Signale liefert, ein lernfähiger Algorithmus mit verschiedenen Behältern trainiert wird, für die Bewertung des aktuell verwendeten Behälters einen Skalar oder einen Vektor zu liefern, der trainierte lernfähige Algorithmus in der Befülleinrichtung hardware- und/oder softwaremäßig integriert wird, der vom besagten Algorithmus gelieferte skalare oder vektorielle Ausgangswert zur Steuerung der Befülleinrichtung zugeführt wird und die Steuerung der Befülleinrichtung anhand dieses Wertes in die Lage versetzt wird, eine Fehlfunktion zu verhindern.
- Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass der vektorielle Ausgang des lernfähigen Algorithmus ein Wahrscheinlichkeitsvektor ist, dessen einzelne Werte die Wahrscheinlichkeit darstellen, dass der aktuell eingesetzte Behälter in eine vorher definierte Kategorie zugeordnet werden kann. - Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass der skalare Ausgang des lernfähigen Algorithmus eine Zahl ist, die das maximal mögliche Füllvolumen des aktuell eingesetzten Behälters kennzeichnet. - Verfahren nach einem der vorhergehenden Ansprüchen, dadurch gekennzeichnet, dass der lernfähige Algorithmus ein mehrschichtiges künstliches neuronales Netz ist, das durch das Backpropagation-Verfahren trainiert wird.
- Verfahren nach einem der vorhergehenden Ansprüchen, dadurch gekennzeichnet, dass mindestens einer der Sensoren eine in der Befülleinrichtung integrierte optische Kamera ist, die auch für die Erkennung von Handgesten verwendet wird, wobei ein dafür trainiertes künstliches neuronales Netz aus den Signalen der Kamera verschiedene, vorher definierte Handgesten erkennt und an die Steuerung der Befülleinrichtung weiterleitet.
- Verfahren nach
Anspruch 6 , dadurch gekennzeichnet, dass der lernfähige Algorithmus zusätzlich trainiert wird, einen Überlauf aus den Signalen zu erkennen und im Falle eines Überlaufs ein entsprechendes Signal an die Steuerung der Befülleinrichtung gesendet wird, damit die Steuerung geeignete Maßnahmen ergreifen kann, um auf den Überlauf zu reagieren. - Verfahren nach einen der vorhergehenden Ansprüchen, dadurch gekennzeichnet, dass die Befülleinrichtung ein Kaffeeautomat ist, die zu befüllenden Behälter verschiedene Gläser, Tassen und Kannen sein können, die mit einem kaffeehaltigen Getränk zu befüllen sind und die zu vermeidende Fehlfunktion ein Überlauf des kaffeehaltigen Getränks ist.
- Befülleinrichtung für die Befüllung von wechselbaren Behältern, die folgende Komponente beinhaltet: - mindestens einen Sensor zur Bewertung des aktuell eingesetzten Behälters - eine elektronische Einheit, die die Signale der Sensoren erhält und in der ein für die in Frage kommenden Behälter trainierter lernfähiger Algorithmus realisiert wurde, - eine Steuerung, die den Ausgang des lernfähigen Algorithmus auswertet, um eine Fehlfunktion wie einen Überlauf zu verhindern.
- Eine Einrichtung nach
Anspruch 8 , dadurch gekennzeichnet, dass die Einrichtung ein Kaffeeautomat ist, mindestens einer der Sensoren eine optische Kamera ist, die elektronische Einheit mit dem lernfähigen Algorithmus ein auf die optische Erkennung von den in Frage kommenden Tassen, Gläser und Kannen trainiertes künstliches neuronales Netz besitzt, diese elektronische Einheit den aktuell eingesetzten Behälter in eine vorher definierte Klasse einteilt und sie diese Information an die Steuerung des Kaffeeautomaten weiterleitet.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017126159.1A DE102017126159B4 (de) | 2017-11-08 | 2017-11-08 | Befülleinrichtung |
US16/181,375 US10853701B2 (en) | 2017-11-08 | 2018-11-06 | Filling device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017126159.1A DE102017126159B4 (de) | 2017-11-08 | 2017-11-08 | Befülleinrichtung |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102017126159A1 true DE102017126159A1 (de) | 2019-05-09 |
DE102017126159B4 DE102017126159B4 (de) | 2019-08-14 |
Family
ID=66179269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017126159.1A Active DE102017126159B4 (de) | 2017-11-08 | 2017-11-08 | Befülleinrichtung |
Country Status (2)
Country | Link |
---|---|
US (1) | US10853701B2 (de) |
DE (1) | DE102017126159B4 (de) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021171762A1 (ja) * | 2020-02-26 | 2021-09-02 | 富士電機株式会社 | 飲料供給装置及び再学習済みモデル生成システム |
DE102020207693A1 (de) | 2020-06-22 | 2021-12-23 | BSH Hausgeräte GmbH | Verfahren zum Ansteuern einer Kaffeemaschine |
CN112754293A (zh) * | 2020-12-24 | 2021-05-07 | 佛山市顺德区美的饮水机制造有限公司 | 用于饮水机的装置、方法、饮水机及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10239595A1 (de) * | 2002-08-28 | 2004-03-18 | Niro-Plan Ag | Abgabevorrichtung für Getränke |
DE202008015525U1 (de) | 2008-11-22 | 2009-02-19 | SEVERIN ELEKTROGERÄTE GmbH | Elektrisches Haushaltsgerät |
DE102011075194A1 (de) | 2011-05-04 | 2012-11-08 | Robert Bosch Gmbh | Getränkeautomat und Getränkeabfüllverfahren |
DE102014017490A1 (de) | 2014-11-27 | 2016-06-02 | Jenoptik Optical Systems Gmbh | Vorrichtung und Verfahren zum Erfassen eines Inhaltes eines mit einer Flüssigkeit und/oder einem Granulat befüllbaren Behälters und/oder zur Erfassung der Größe eines befüllbaren Behälters, Befülleinrichtung zum Befüllen eines Behälters mit einer Flüssigkeit und/oder einem Granulat und Verwenden von Strahlung einer Reflexionslichtschranke zum Erfassen eines Füllstands einer Flüssigkeit und/oder eines Granulate in einem Behälter .... |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007027206A2 (en) * | 2005-04-11 | 2007-03-08 | Coffee Equipment Company | Machine for brewing a beverage such as coffee and related method |
US20070107801A1 (en) * | 2005-11-14 | 2007-05-17 | Sidel And Pressco Technology Inc. | Bottle filling machine with sensor and method thereof |
DE102007014802A1 (de) * | 2007-03-28 | 2008-10-09 | Khs Ag | Verfahren zur Überwachung, Steuerung und Optimierung von Abfüllanlagen für Lebensmittel, insbesondere für Getränkeflaschen |
US8322384B2 (en) * | 2010-03-05 | 2012-12-04 | Whirlpool Corporation | Select-fill dispensing system |
DE102013207139A1 (de) * | 2013-04-19 | 2014-10-23 | Krones Ag | Verfahren zur Überwachung und Steuerung einer Abfüllanlage und Vorrichtung zur Durchführung des Verfahrens |
US10301159B2 (en) * | 2013-08-27 | 2019-05-28 | Anthony V. Feola | Beverage dispensing machine |
US10674857B2 (en) * | 2014-12-05 | 2020-06-09 | LifeFuels, Inc. | Portable system for dispensing controlled quantities of additives into a beverage |
DE102016108053A1 (de) * | 2016-04-29 | 2017-11-02 | Khs Gmbh | Verfahren zum Optimieren des Abfüllens eines Behälters |
US11237036B2 (en) * | 2017-05-11 | 2022-02-01 | Nectar, Inc. | Base station and advertising packets of sensors detecting content level |
KR102284461B1 (ko) * | 2019-07-18 | 2021-07-30 | 엘지전자 주식회사 | 정수기 및 이의 제어방법 |
-
2017
- 2017-11-08 DE DE102017126159.1A patent/DE102017126159B4/de active Active
-
2018
- 2018-11-06 US US16/181,375 patent/US10853701B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10239595A1 (de) * | 2002-08-28 | 2004-03-18 | Niro-Plan Ag | Abgabevorrichtung für Getränke |
DE202008015525U1 (de) | 2008-11-22 | 2009-02-19 | SEVERIN ELEKTROGERÄTE GmbH | Elektrisches Haushaltsgerät |
DE102011075194A1 (de) | 2011-05-04 | 2012-11-08 | Robert Bosch Gmbh | Getränkeautomat und Getränkeabfüllverfahren |
DE102014017490A1 (de) | 2014-11-27 | 2016-06-02 | Jenoptik Optical Systems Gmbh | Vorrichtung und Verfahren zum Erfassen eines Inhaltes eines mit einer Flüssigkeit und/oder einem Granulat befüllbaren Behälters und/oder zur Erfassung der Größe eines befüllbaren Behälters, Befülleinrichtung zum Befüllen eines Behälters mit einer Flüssigkeit und/oder einem Granulat und Verwenden von Strahlung einer Reflexionslichtschranke zum Erfassen eines Füllstands einer Flüssigkeit und/oder eines Granulate in einem Behälter .... |
Also Published As
Publication number | Publication date |
---|---|
US10853701B2 (en) | 2020-12-01 |
US20190138858A1 (en) | 2019-05-09 |
DE102017126159B4 (de) | 2019-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jang et al. | Optimal policy for attention-modulated decisions explains human fixation behavior | |
DE102017126159B4 (de) | Befülleinrichtung | |
Pratt et al. | Convolutional neural networks for diabetic retinopathy | |
Ngo et al. | Multi‐level deep neural network for efficient segmentation of blood vessels in fundus images | |
CN110060228A (zh) | 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统 | |
CN107368892A (zh) | 基于机器学习的模型训练方法和装置 | |
DE102019008142A1 (de) | Lernen von Darstellungen unter Nutzung gemeinsamer semantischer Vektoren | |
CN107798277A (zh) | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 | |
Manohar et al. | Attention as foraging for information and value | |
DE112020000584T5 (de) | Verfahren für unüberwachte bild-zu-bild-übersetzung mit wenigen aufnahmen | |
CN104881683A (zh) | 基于组合分类器的白内障眼底图像分类方法及分类装置 | |
CN106982359A (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
WO2018219551A1 (de) | Verfahren und vorrichtung zur automatischen gestenerkennung | |
CN110516791A (zh) | 一种基于多重注意力的视觉问答方法及系统 | |
DE102017006155A1 (de) | Verfahren zum Betreiben eines Sensorsystems eines Fahrzeugs | |
DE202017007173U1 (de) | Befülleinrichtung | |
WO2021130340A1 (de) | System und verfahren zur qualitätszusicherung von datenbasierten modellen | |
DE102018127802A1 (de) | Hybrider klassifikator eines gepulsten neuronalen netzwerks und einer support-vektor-maschine | |
US20200401912A1 (en) | Granular binarization for extended reality | |
EP2890056A1 (de) | Unterstützung von Nutzern in einer intelligenten häuslichen Umgebung | |
CN110009038A (zh) | 筛查模型的训练方法、装置及存储介质 | |
DE102020101764A1 (de) | MACHINE-LEARNING BASIERTE BRECHKRAFTBESTIMMUNG FÜR MAßNAHMEN ZUR KORREKTUR DER SEHFÄHIGKEIT VON OCT BILDERN | |
DE102016210482A1 (de) | Optisches Sortiersystem sowie entsprechendes Sortierverfahren | |
DE102020106607A1 (de) | Maschinelles Lernsystem für eine Zustandserkennung einer Operation und Assistenzfunktion | |
DE102019209457A1 (de) | Verfahren zum Trainieren eines künstlichen neuronalen Netzes, künstliches neuronales Netz, Verwendung eines künstlichen neuronalen Netzes sowie entsprechendes Computerprogramm, maschinenlesbares Speichermedium und entsprechende Vorrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R086 | Non-binding declaration of licensing interest | ||
R138 | Derivation of utility model |
Ref document number: 202017007173 Country of ref document: DE |
|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final | ||
R081 | Change of applicant/patentee |
Owner name: BSH HAUSGERAETE GMBH, DE Free format text: FORMER OWNER: LELKES, ANDRAS, DR., 90491 NUERNBERG, DE |