DE102021106999A1 - Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage - Google Patents

Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage Download PDF

Info

Publication number
DE102021106999A1
DE102021106999A1 DE102021106999.8A DE102021106999A DE102021106999A1 DE 102021106999 A1 DE102021106999 A1 DE 102021106999A1 DE 102021106999 A DE102021106999 A DE 102021106999A DE 102021106999 A1 DE102021106999 A1 DE 102021106999A1
Authority
DE
Germany
Prior art keywords
images
evaluation unit
containers
error
image processing
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
Application number
DE102021106999.8A
Other languages
English (en)
Inventor
Herbert Kolb
Anton Niedermeier
Alexander Hewicker
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Krones AG
Original Assignee
Krones AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Krones AG filed Critical Krones AG
Priority to EP21716307.0A priority Critical patent/EP4139839A1/de
Priority to CN202180030074.8A priority patent/CN115428015A/zh
Priority to US17/997,010 priority patent/US20230177671A1/en
Priority to PCT/EP2021/058070 priority patent/WO2021213779A1/de
Publication of DE102021106999A1 publication Critical patent/DE102021106999A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
    • G01N21/9036—Investigating the presence of flaws or contamination in a container or its contents using arrays of emitters or receivers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

Verfahren (100) zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage, wobei die Behältermit einem Transporteur als Behältermassenstrom transportiert (101) und von einer in der Getränkeverarbeitungsanlage angeordneten Inspektionseinheit als Kamerabilder erfasst werden (102), und wobei die Kamerabilder von einer ersten Auswerteeinheit mit einem konventionell arbeitenden Bildverarbeitungsverfahren auf Fehler hin inspiziert werden (103), wobei diejenigen der Kamerabilder mit fehlerhaften Behältern als Fehlerbilder klassifiziert und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zugeordnet werden (104), wobei diejenigen der Kamerabilder mit für gut befunden Behältern als fehlerfreie Bilder klassifiziert werden (105), dass die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Bilder als spezifischer Trainingsdatensatz zusammengestellt werden (106), und wobei mit dem spezifischen Trainingsdatensatz vor Ort eine zweite Auswerteeinheit mit einem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren trainiert wird (108).

Description

  • Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage mit den Merkmalen des Oberbegriffs von Anspruch 1 bzw. 10.
  • Üblicherweise werden derartige Verfahren und Vorrichtungen dazu eingesetzt, die Behälter beispielsweise auf Verschmutzungen und/oder Fehler hin zu inspizieren. Dazu werden die Behälter mit einem Transporteur als Behältermassenstrom transportiert und von einer in der Getränkeverarbeitungsanlage angeordneten Inspektionseinheit als Kamerabilder erfasst. Die Kamerabilder werden dann von einer ersten Auswerteeinheit mit konventionell arbeitenden Bildverarbeitungsverfahren auf Fehler hin inspiziert. Wird nun ein Fehler, wie beispielsweise eine Verschmutzung oder ein Defekt an einem Behälter erkannt, so wird er gereinigt oder recycelt.
  • Beispielsweise kommen derartige Verfahren und Vorrichtungen zur optischen Inspektion von Behältern bei der Seitenwand-, Boden-und/oder Füllhöheninspektion von Leerbehältern oder bereits mit einem Produkt befüllten Behältern zum Einsatz. Denkbar ist auch, dass derartige Verfahren und Vorrichtungen zur optischen Inspektion von Behältern in Getränkeverarbeitungsanlagen dazu eingesetzt werden, um Verarbeitungsfehler während der Behandlung in der Getränkeverarbeitungsanlage zu erkennen. Beispielsweise, ob ein Behälter beim Transport umgefallen ist oder sich ein Stau bildet.
  • Die DE 10 2014 216188 A1 offenbart ein optisches Inspektionsverfahren und eine optische Inspektionsvorrichtung für Behälter.
  • Üblicherweise werden die Kamerabilder durch konventionell arbeitende Bildverarbeitungsverfahren mit Transformations-, Punkt-, Nachbarschafts-, Filter-, Histogramm-, Schwellwert-, Helligkeits- und/oder Kontrastoperationen ausgewertet, um damit unmittelbar in den Kamerabildern Bildbereiche zu detektierten, die die Verschmutzungen und/oder Fehler aufweisen.
  • Nachteilig dabei ist, dass konventionelle arbeitende Bildverarbeitungsverfahren üblicherweise durch Experten auf die verschiedenen Behältertypen eingerichtet werden müssen, die mit der Getränkeverarbeitungsanlage behandelt werden, was zeit- und kostenaufwändig ist.
  • Ferner werden zur Auswertung von Kamerabildern vermehrt Bildverarbeitungsverfahren eingesetzt, die auf künstlicher Intelligenz basieren, beispielsweise ein neuronales Netzwerk, insbesondere ein tiefes neuronales Netzwerk.
  • Nachteilig dabei ist, dass derartige neuronale bzw. tiefe neuronale Netzwerke mit einem Trainingsdatensatz trainiert werden müssen, der 1000 - 10000 oder sogar mehr markierte Bilder umfasst, in denen beispielsweise jeweils die Fehler markiert sind. Die Markierung erfolgt üblicherweise durch Bildverarbeitungsexperten und/oder geschulte Mitarbeiter beim Hersteller der Getränkeverarbeitungsanlage. Dies ist ebenfalls zeit- und kostenintensiv.
  • Aufgabe der vorliegenden Erfindung ist es daher, ein Verfahren und eine Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage bereitzustellen, bei der das Einrichten des Bildverarbeitungsverfahren weniger zeit- und kostenintensiv ist.
  • Zur Lösung dieser Aufgabenstellung stellt die Erfindung ein Verfahren zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage mit den Merkmalen des Anspruchs 1 bereit. Vorteilhafte Ausführungsformen sind in den Unteransprüchen genannt.
  • Dadurch, dass die Kamerabilder mit den fehlerhaften Behältern als Fehlerbilder klassifiziert und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zugeordnet werden, und dass diejenigen der Kamerabilder mit für gut befundenen Behältern als fehlerfrei Bilder klassifiziert werden, kann eine große Anzahl von Fehlerbildern und fehlerfreien Bildern auf Basis des konventionell arbeitenden Bildverarbeitungsverfahren bereitgestellt werden. Dies kann beispielsweise in der Getränkeverarbeitungsanlage mit Behältertypen geschehen, bei denen das konventionell arbeitende Bildverarbeitungsverfahren eingerichtet wurde und so besonders zuverlässig arbeitet. Anschließend wird aus den Fehlerbildern, den Fehlermarkierungen und den fehlerfreien Bildern ein spezifischer Trainingsdatensatz zusammengestellt und damit vor Ort die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren trainiert. Folglich kann der spezifische Trainingsdatensatz weitestgehend automatisch bereitgestellt werden, wodurch das Verfahren besonders zeit- und damit kosteneffektiv arbeitet.
  • Das Verfahren zur optischen Inspektion kann einem Behälterherstellungsverfahren, Reinigungsverfahren, Füll- und/oder Verschlussverfahren vor-, nach oder zugeordnet sein. Beispielsweise kann das Verfahren in einer Vollflaschen- oder Leerflascheninspektionsmaschine eingesetzt werden, die die Inspektionseinheit umfasst.
  • Die Behälter können dazu vorgesehen sein, Getränke, Nahrungsmittel, Hygieneartikel, Pasten, chemische, biologische und/oder pharmazeutische Produkte aufzunehmen. Die Behälter können als Flaschen, insbesondere als Kunststoffflaschen oder Glasflaschen ausgebildet sein. Bei Kunststoffflaschen kann es sich im speziellen um PET-, PEN-, HD-PE oder PP-Flaschen handeln. Denkbar ist auch, dass es sich bei den Behältern um Vorformlinge zur Herstellung der Kunststoffflaschen handelt. Ebenso kann es sich um biologisch abbaubare Behälter oder Flaschen handeln, deren Hauptbestandteile aus nachwachsenden Rohstoffen, wie zum Beispiel Zuckerrohr, Weizen oder Mais bestehen. Die Behälter können mit einem Verschluss versehen sein, beispielsweise mit einem Kronkorken, Schraubverschluss, Abreißverschluss oder dergleichen. Ebenso können die Behälter als Leergut vorzugsweise ohne Verschluss vorliegen.
  • Denkbar ist, dass das Verfahren zur Seitenwand-, Boden-, Mündungs-, Inhalts- und/oder Füllhöhenkontrolle der Behälter eingesetzt wird. Bei den Fehlern kann es sich um Verschmutzungen, wie beispielswese Fremdkörper, Produktreste, Reste von Etiketten und/oder dergleichen handeln. Es kann sich auch um Defekte, wie beispielsweise um Beschädigungen an den Behältern, insbesondere Risse und/oder abgeplatztes Glas handeln. Ebenso ist denkbar, dass es sich um fehlerhaft produzierte Materialstellen, wie beispielsweise lokale Materialverdünnungen und/oder -verdickungen handelt. Denkbar ist auch, dass das Verfahren zur Inspektion von zurückgenommenen Mehrwegbehältern und/oder zur Überwachung des Transports der Behälter als Behältermassenstrom und/oder zur Überwachung der Verarbeitung der Behälter in der Getränkeverarbeitungsanlage eingesetzt wird, beispielsweise um umgefallene Behälter auf dem Transporteur oder einen Stau zu erkennen.
  • Die Behälter können mit dem Transporteur zu der Inspektionseinheit als der Behältermassenstrom transportiert werden, vorzugsweise als einbahniger Behältermassenstrom. Denkbar ist jedoch auch ein mehrbahniger Behältermassenstrom. Der Transporteur kann ein Karussell und/oder einen Lineartransporteur umfassen. Denkbar ist beispielsweise, dass der Transporteur ein Förderband umfasst, auf dem die Behälter stehend in einem Inspektionsbereich der Inspektionseinheit transportiert werden. Denkbar sind auch Aufnahmeelemente, die ein oder mehrere Behälter während des Transports aufnehmen. Die Behälter können auch durch seitliche Riemen gehalten transportiert werden, wenn zum Beispiel die Beleuchtung den Behälterboden durchleuchtet und die Kamera durch die Behältermündung den Boden inspiziert.
  • Die Inspektionseinheit kann als optische Inspektionseinheit ausgebildet sein, insbesondere mit einer Beleuchtungseinrichtung und/oder mit einer Kamera, um die Behälter zu durch- und/oder zu beleuchten. Bei der Beleuchtungseinrichtung kann das Licht mit wenigstens einer Lichtquelle erzeugt werden, beispielsweise mit einer Glühbirne, einer Leuchtstoffröhre und/oder mit wenigstens einer LED, um eine Lichtaustrittsfläche zu hinterleuchten. Vorzugsweise kann das Licht mit einer Matrix aus LEDs erzeugt und in Richtung der Lichtaustrittsfläche abgestrahlt werden. Die Lichtaustrittsfläche kann größer ausgebildet sein, als die Kameraansicht des Behälters. Ebenso ist denkbar, dass die Lichtaustrittsfläche lediglich einen Teil der Kameraansicht des Behälters beleuchtet. Die Lichtaustrittsfläche kann das Licht teilweise oder vollständig diffus abstrahlen. Vorzugsweise kann die Lichtaustrittsfläche eine Streuscheibe umfassen, mit der das Licht von der wenigstens einen Lichtquelle zur Kamera hin flächig diffus gestreut wird. Denkbar ist, dass das Licht von der Beleuchtungseinrichtung erzeugt wird, anschließend die Behälter durchleuchtet und/oder davon reflektiert und dann von der Kamera erfasst wird.
  • Die Kamera kann jeweils einen Teilbereich eines Behälters, genau einen Behälter oder mehrere Behälter und optional das darüber transmittierte oder reflektierte Licht mit einem Objektiv und mit einem Bildsensor erfassen. Der Bildsensor kann beispielsweise ein CMOS oder ein CCD-Sensor sein. Denkbar ist, dass die Kamera die Kamerabilder mit einer Datenschnittstelle zur ersten und/oder zweiten Auswerteeinheit hin überträgt.
  • Die Behälter können jeweils in den Kamerabildern aus einer oder mehreren Bildperspektiven erfasst werden. Die Kamera kann für jeden Bildpunkt der Kamerabilder die Polarisationseigenschaft, die Intensitätseigenschaft, die Farbeigenschaft und/oder die Phaseneigenschaft des Lichts erfassen.
  • Die erste und/oder zweite Auswerteeinheit kann die Kamerabilder mit einem Signalprozessor und/oder mit einer CPU (Central Processing Unit) und/oder GPU (Graphics Processing Unit) und/oder mit einer TPU (Tensor Processing Unit) und/oder mit einer VPU (Vision Processing Unit) verarbeiten. Denkbar ist auch, dass die erste und/oder zweite Auswerteeinheit eine Speichereinheit, eine oder mehrere Datenschnittstellen, beispielsweise eine Netzwerkschnittstelle, eine Anzeigeeinheit und/oder eine Eingabeeinheit umfasst. Das konventionell arbeitende Bildverarbeitungsverfahren und/oder das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren kann als Computerprogrammprodukt in der ersten und/oder zweiten Auswerteeinheit vorhanden sein, insbesondere in der jeweiligen Speichereinheit.
  • „Konventionell arbeitendes Bildverarbeitungsverfahren“ kann hier bedeuten, dass das konventionell arbeitende Bildverarbeitungsverfahren nicht auf künstlicher Intelligenz basiert. Insbesondere kann dies bedeuten, dass das konventionell arbeitende Bildverarbeitungsverfahren keinen Verfahrensschritt mit einem neuronales Netzwerk umfasst, insbesondere keinen Verfahrensschritt mit einem tiefen neuronalen Netzwerk. Denkbar ist auch, dass dies bedeutet, dass das konventionell arbeitende Bildverarbeitungsverfahren die Kamerabilder mit Transformations-, Punkt-, Nachbarschafts-, Filter-, Histogramm-, Schwellwert-, Helligkeits- und/oder Kontrastoperationen auswertet, um damit unmittelbar in den Kamerabildern Bildbereiche zu erkennen, die die Fehler aufweisen.
  • Mit „fehlerhaften Behältern“ können Behälter gemeint sein, die einen Fehler umfassen. Mit „Fehlermarkierungen“ kann hier gemeint sein, dass eine Liste der Fehlerbilder mit zugeordneten Fehlerbeschreibung gestellt wird. Ebenso kann damit gemeint sein, dass die Fehlermarkierungen in den Metadaten der jeweiligen Fehlerbilder eingetragen werden. Ganz allgemein kann damit jeglicher Indikator gemeint sein, dass das Fehlerbild einen Fehler zeigt. Ebenso können damit Fehlerkoordinaten der Fehler in den Fehlerbildern gemeint sein, beispielsweise die Koordinate einer Verschmutzung. Mit „für gut befundenen Behältern“ können Behälter ohne Fehler oder mit einer tolerierbaren Abweichung gemeint sein.
  • „Auf Basis künstlicher Intelligenz arbeitendes Bildverarbeitungsverfahren“ kann hier bedeuten, dass das auf Basis künstliche Intelligenz arbeitende Bildverarbeitungsverfahren wenigstens einen Verfahrensschritt mit einem neuronalen Netzwerk, insbesondere mit einem tiefen neuronalen Netzwerk umfasst. Beispielsweise kann es sich um ein sogenanntes faltendes neuronales Netzwerk mit wenigstens einer faltenden Schicht und mit einer Poolingschicht handeln.
  • „Vor Ort“ kann bedeuten, dass die zweite Auswerteeinheit vor Ort beim Betreiber der Getränkeverarbeitungsanlage mit dem Trainingsdatensatz trainiert wird, insbesondere vor Ort in der Getränkeverarbeitungsanlage.
  • Denkbar ist, dass in einem ersten Schritt die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren bei einem Hersteller der Getränkeverarbeitungsanlage mit einem generischen Trainingsdatensatz trainiert und, dass danach in einem zweiten Schritt die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren vor Ort mit dem spezifischen Trainingsdatensatz trainiert wird. Dadurch kann die zweite Auswerteeinheit zunächst mit beim Hersteller der Getränkeverarbeitungsanlage vorhandenen Daten trainiert und anschließend vor Ort in der Getränkeverarbeitungsanlage weiter trainiert werden. Folglich stehen also besonders umfangreiche Daten zum Training zur Verfügung. Mit Hersteller der zweiten Auswerteeinheit kann auch der Hersteller der Getränkeverarbeitungsanlage, der Inspektionseinheit und/oder der ersten Auswerteeinheit gemeint sein. Mit dem „generischen Trainingsdatensatz“ kann eine Zusammenstellung von Fehlerbildern, Fehlermarkierungen und/oder fehlerfreien Bildern mit beim Hersteller der zweiten Auswerteeinheit bekannten Behältertypen gemeint sein. Demgegenüber kann es sich beim spezifischen Trainingsdatensatz um die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Behälter der beim Betreiber der Getränkeverarbeitungsanlage bekannten Behältertypen handelt.
  • Denkbar ist, dass das Trainieren der zweiten Auswerteeinheit mit niedrigerer Priorität erfolgt, als die Erfassung der Behälter mit der Inspektionseinheit und/oder die Inspektion der Kamerabilder mit der ersten Auswerteeinheit, um bei der Inspektion ungenutzte Ressourcen eines Computersystems zu nutzen. Dadurch kann das Trainieren während der Inspektion der Behälter erfolgen, ohne dass die Erfassung der Kamerabilder und/oder die bei der Inspektion mit der ersten Auswerteeinheit genutzten Ressourcen beeinträchtigt werden. Folglich kann so das Computersystem besonders effektiv benutzt werden. Bei dem Computersystem kann es sich um eine Maschinensteuerung oder einen PC handeln. Mit „niedrigerer Priorität“ kann eine Verarbeitungspriorität durch das Computersystem gemeint sein.
  • Denkbar ist, dass eine Erkennungsleistung der zweiten Auswerteeinheit auf Basis eines Überprüfungsdatensatzes ermittelt wird und falls die Erkennungsleistung einen vorbestimmten Schwellwert überschreitet, dass die Kamerabilder von der zweiten Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin inspiziert werden. Dadurch kann automatisch bei Erreichen des vorbestimmten Schwellwerts von der Inspektion durch die erste Auswerteeinheit auf die zweite Auswerteeinheit umgeschaltet werden. Der Überprüfungsdatensatz kann weitere Fehlerbilder, Fehlermarkierungen und/oder fehlerfreien Bilder enthalten, die nicht in dem spezifischen Trainingsdatensatz und/oder in dem generischen Trainingsdatensatz enthalten sind. Folglich kann überprüft werden, ob das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren auch für Behälter zuverlässig arbeitet, die nicht für den generischen bzw. spezifischen Trainingsdatensatz erfasst wurden.
  • Denkbar ist, dass die Kamerabilder anstelle von der ersten Auswerteeinheit von der zweiten Auswerteeinheit inspiziert werden. Dadurch können die Ressourcen besonders effizient für die zweite Auswerteeinheit genutzt werden.
  • Alternativ dazu ist denkbar, dass die Kamerabilder parallel zur zweiten Auswerteeinheit zusätzlich von der ersten Auswerteeinheit inspiziert werden, um mit Hilfe des konventionell arbeitenden Bildverarbeitungsverfahrens für das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren noch unbekannte Fehler zu erkennen. Dadurch ist es möglich, zusätzlich auch die unbekannten Fehler zu ermitteln und die Zuverlässigkeit der Auswertung zu erhöhen. Mit „für das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren noch unbekannte Fehler“ können Fehler gemeint sein, die für den spezifischen Trainingsdatensatz nicht als Fehlerbilder und/oder zugeordnete Fehlermarkierungen klassifiziert und zusammengestellt wurden. Die Auswerteempfindlichkeit der ersten Auswerteeinheit kann dabei vermindert oder auf Standardparameter gesetzt werden, um Fehlausleitungen zu verhindern.
  • Es können diejenigen der Kamerabilder mit Behältern mit den unbekannten Fehlern als weitere Fehlerbilder klassifiziert und die unbekannten Fehler entsprechend als weitere Fehlermarkierungen den weiteren Fehlerbildern zugeordnet werden, wobei die weiteren Fehlerbilder und die weiteren Fehlermarkierungen als weiterer spezifischer Trainingsdatensatz zusammengestellt werden können, und wobei mit dem weiteren spezifischen Trainingsdatensatz vor Ort die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren trainiert werden kann. Dadurch kann die Erkennungsleistung der zweiten Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren weiter erhöht werden. Denkbar ist, dass die parallele Inspektion der Kamerabilder mit der ersten Auswerteeinheit und der zweiten Auswerteeinheit, die Klassifikation derjenigen Kamerabilder mit den Behältern mit den unbekannten Fehler, das Zusammenstellen des weiteren spezifischen Trainingsdatensatz, und das weitere Training des auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahrens vor Ort iterativ weiter erfolgt, insbesondere bis eine weitere für die zweite Auswerteeinheit ermittelte Erkennungsleistung einen vorbestimmten weiteren Schwellwert überschreitet.
  • Denkbar ist, dass die fehlerhaften Behälter aus dem Behälterstrom aussortiert werden. Dadurch können Sie von weiteren Behandlungsschritten ausgeschlossen und recycelt oder entsorgt werden.
  • Des Weiteren stellt die Erfindung zur Lösung der oben genannten Aufgabenstellung eine Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage mit den Merkmalen des Anspruchs 10 bereit. Vorteilhafte Ausführungsformen der Erfindung sind in den Unteransprüchen genannt.
  • Die Vorrichtung kann zur Durchführung des Verfahrens nach einem der Ansprüche 1-9 ausgebildet sein. Insbesondere kann die Vorrichtung die zuvor in Bezug auf die Ansprüche 1-9 beschriebenen Merkmale einzelnen oder in beliebigen Kombinationen sinngemäß umfassen.
  • Dadurch, dass die Klassifizierungseinheit dazu ausgebildet ist, diejenigen der Kamerabilder mit den fehlerhaften Behältern als Fehlerbilder zu klassifizieren und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zuzuordnen, und diejenigen der Kamerabilder mit für gut befundenen Behältern als fehlerfrei Bilder zu klassifizieren, kann eine große Anzahl von Fehlerbildern und fehlerfreien Bildern auf Basis des konventionell arbeitenden Bildverarbeitungsverfahren bereitgestellt werden. Dies kann beispielsweise in der Getränkeverarbeitungsanlage mit Behältertypen geschehen, bei denen das konventionell arbeitende Bildverarbeitungsverfahren eingerichtet wurde und so besonders zuverlässig arbeitet. Dadurch dass die Klassifizierungseinheit dazu ausgebildet ist, die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Bilder als spezifischer Trainingsdatensatz zusammenzustellen, kann der spezifische Trainingsdatensatz zum Training der zweiten Auswerteeinheit weitestgehend automatisch bereitgestellt werden, wodurch das Verfahren besonders zeit- und damit kosteneffektiv arbeitet.
  • Die zweite Auswerteeinheit kann dazu ausgebildet sein, die Kamerabilder mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin zu inspizieren. Dadurch kann dann beim Überschreiten des zuvor beschriebenen, vorbestimmten Schwellwerts von der ersten Auswerteeinheit auf die zweite Auswerteeinheit automatisch umgeschaltet werden, um die Kamerabilder von der zweiten Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin zu inspizieren. Denkbar ist jedoch auch, dass die erste Auswerteeinheit und die zweite Auswerteeinheit parallel zueinander die Kamerabi-Ider inspizieren, um eine Gesamterkennungsrate zu erhöhen.
  • Die Vorrichtung kann in der Getränkeverarbeitungsanlage angeordnet sein. Folglich wird also die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren vor Ort beim Getränkehersteller trainiert. „Vor Ort“ kann also bedeuten, dass die zweite Auswerteeinheit vor Ort beim Getränkehersteller mit dem Trainingsdatensatz trainiert wird.
  • Die Vorrichtung kann ein Computersystem mit der ersten Auswerteeinheit und der zweiten Auswerteeinheit umfassen. Dadurch können die erste Auswerteeinheit und die zweite Auswerteeinheit als Computerprogrammprodukt implementiert sein. Denkbar ist auch, dass das Computersystem die Klassifizierungseinheit umfasst. Dadurch kann die Klassifizierungseinheit ebenfalls als Computerprogrammprodukt implementiert sein. Das Computersystem kann den Signalprozessor und/oder die CPU (Central Processing Unit) und/oder die GPU (Graphics Processing Unit) und/oder die TPU (Tensor Processing Unit) und/oder die VPU (Vision Processing Unit) umfassen. Denkbar ist auch, dass das Computersystem die Speichereinheit, die eine oder mehrere Datenschnittstellen, die Netzwerkschnittstelle, die Anzeigeeinheit und/oder die Eingabeeinheit umfasst.
  • Die Inspektionseinheit, die erste Auswerteeinheit, die zweite Auswerteeinheit und/oder die Klassifizierungseinheit können über eine digitale Datenverbindung miteinander verbunden sein, insbesondere um die Kamerabilder, die Fehlerbilder, die Fehlermarkierungen, die fehlerfreien Bilder, den spezifischen Trainingsdatensatz und/oder den generischen Trainingsdatensatz zu übertragen.
  • Weitere Merkmale und Vorteile der Erfindung werden nachfolgend anhand der in den Figuren dargestellten Ausführungsbeispiele näher erläutert. Dabei zeigt:
    • 1 ein erfindungsgemäßes Ausführungsbeispiel einer Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage als Draufsicht; und
    • 2A - 2B ein erfindungsgemäßes Ausführungsbeispiel eines Verfahrens zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage als Flussdiagramm.
  • In der 1 ist ein erfindungsgemäßes Ausführungsbeispiel einer Vorrichtung 1 zur optischen Inspektion von Behältern 2 in einer Getränkeverarbeitungsanlage A als Draufsicht dargestellt. Die Vorrichtung 1 ist zur Durchführung des Verfahrens 100 in den nachfolgend beschriebenen 2A - 2B ausgebildet.
  • Zu sehen ist, dass die Behälter 2 zunächst mit dem Einlaufstern 9 an den Füller 6 übergeben und dort mit einem fließfähigen Produkt befüllt werden. Der Füller 6 umfasst beispielsweise ein Karussell mit daran angeordneten Füllorganen (hier nicht dargestellt), mit denen die Behälter 2 während des Transports mit dem fließfähigen Produkt befüllt werden. Nachfolgend werden die Behälter 2 über den Zwischenstern 10 an den Verschließer 7 übergeben und dort mit einem Verschluss versehen, beispielsweise mit einem Korken, Kronkorken oder mit einem Schraubverschluss. Dadurch ist das fließfähige Produkt in den Behältern 2 vor Umgebungseinflüssen geschützt und kann nicht mehr aus den Behältern 2 auslaufen.
  • Nachfolgend werden die Behälter 2 über den Auslaufstern 11 an den Transporteur 3 übergeben, der die Behälter 2 als Behältermassenstrom zur Inspektionseinheit 4 transportiert. Der Transporteur ist hier beispielhaft als Förderband ausgebildet, auf dem die Behälter 2 stehend transportiert werden. Die daran angeordnete Inspektionseinheit 4 umfasst die Beleuchtungseinrichtung 42 und die Kamera 41, mit der die Behälter 2 im Durchlicht erfasst werden können. Die Beleuchtungseinrichtung 42 weist beispielsweise eine streuende Lichtaustrittsscheibe auf, die mit mehreren LEDs hinterleuchtet wird und die so einen leuchtenden Bildhintergrund für die Behälter 2 aus Sicht der Kamera 41 bildet. Mit der Kamera 41 werden die Behälter 2 dann als Kamerabilder erfasst und als digitales Datensignal an das Computersystem 5 weitergeleitet.
  • Alternativ oder zusätzlich ist denkbar, dass die Behälter 2 mit einer anderen Beleuchtungseinrichtung im Auflicht erfasst werden.
  • Des Weiteren ist das Computersystem 5 mit der ersten Auswerteeinheit 51, der zweiten Auswerteeinheit 52 und mit der Klassifizierungseinheit 53 zu sehen. Das Computersystem 5 umfasst beispielsweise eine CPU, eine Speichereinheit, eine Eingabe- und Ausgabeeinheit und eine Netzwerkschnittstelle. Dementsprechend sind die erste Auswerteeinheit 51, die zweite Auswerteeinheit 52 und die Klassifizierungseinheit 53 als Computerprogrammprodukt in dem Computersystem 5 implementiert.
  • Die erste Auswerteeinheit 51 ist dazu ausgebildet, die Kamerabilder mit einem konventionell arbeitenden Bildverarbeitungsverfahren auf Fehler hin zu inspizieren, beispielsweise auf die Füllhöhe und/oder Verschmutzungen.
  • Des Weiteren ist die Klassifizierungseinheit 53 dazu ausgebildet, diejenigen der Kamerabilder mit den fehlerhaften Behältern als Fehlerbilder zu klassifizieren, die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zuzuordnen und diejenigen der Kamerabilder mit für gut befunden Behältern als fehlerfreie Bilder zu klassifizieren. Zudem ist die Klassifizierungseinheit 53 dazu ausgebildet, die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Bilder als spezifischen Trainingsdatensatz zusammenzustellen.
  • Die zweite Auswerteeinheit 52 ist dazu ausgebildet, ein auf Basis künstlicher Intelligenz arbeitendes Bildverarbeitungsverfahren durchzuführen und es vor Ort mit dem spezifischen Trainingsdatensatz zu trainieren.
  • Bei der Inspektion werden zunächst mit der ersten Auswerteeinheit 51 die Kamerabilder der Behälter 2 erfasst und mittels der Klassifizierungseinheit 53 klassifiziert, sodass daraus der spezifische Trainingsdatensatz zusammengestellt werden kann. Anschließend wird dann die zweite Auswerteeinheit 52 mit dem spezifischen Trainingsdatensatz vor Ort in der Getränkeverarbeitungsanlage A trainiert.
  • Anschließend kann dann die Inspektion alternativ oder zusätzlich mithilfe der zweiten Auswerteeinheit 52 erfolgen. Entsprechend ist die zweite Auswerteeinheit 52 dazu ausgebildet, die Kamerabilder mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin zu inspizieren.
  • Die fehlerfreien Behälter 2 werden nachfolgend weiteren Verarbeitungsschritten zugeführt, beispielsweise einem Palettierer. Demgegenüber werden fehlerbehaftete Behälter mittels einer Weiche aus dem Behältermassenstrom ausgeschleust und dann recycelt oder entsorgt.
  • Die Arbeitsweise der ersten Auswerteeinheit 51, der zweiten Auswerteeinheit 52 und der Klassifizierungseinheit 53 werden nachfolgend anhand der 2A - 2B genauer beschrieben.
  • In den 2A - 2B ist ein erfindungsgemäßes Ausführungsbeispiel eines Verfahrens 100 zur optischen Inspektion von Behältern 2 in einer Getränkeverarbeitungsanlage A als Flussdiagramm dargestellt. Das Verfahren 100 wird lediglich beispielhaft anhand der zuvor in Bezug auf die 1 beschriebenen Vorrichtung 1 zur optischen Inspektion beschrieben.
  • Zunächst werden die Behälter 2 im Schritt 101 mit dem Transporteur 3 als Behältermassenstrom transportiert. Dies geschieht beispielsweise mittels eines Förderbands oder eines Karussells.
  • Im nachfolgenden Schritt 102 werden die Behälter 2 von der in der Getränkeverarbeitungsanlage angeordneten Inspektionseinheit 4 als Kamerabilder erfasst. Dabei werden die Behälter 2 beispielsweise mit der Beleuchtungseinheit 42 durchleuchtet und mit der Kamera 41 als Kamerabilder im Durchlicht erfasst. Denkbar ist jedoch auch, dass die Behälter 2 zusätzlich oder alternativ im Auflicht beleuchtet und mit der Kamera 41 als Kamerabilder erfasst werden.
  • Die Kamerabilder werden dann im Schritt 103 von der ersten Auswerteeinheit 51 mit einem konventionell arbeitenden Bildverarbeitungsverfahren auf Fehler hin inspiziert. Mit dem „konventionell arbeitenden Bildverarbeitungsverfahren“ ist hier ein Verfahren ohne künstliche Intelligenz gemeint, beispielsweise indem die Kamerabilder mittels Filter- und Schwellwertoperationen ausgewertet werden um Fehler zu erkennen, wie beispielsweise eine fehlerhafte Füllhöhe und/oder Verschmutzungen. Dazu wird beispielsweise ein Kantenfilter eingesetzt, mit dem die Oberfläche des flüssigen Produkts aus den Kamerabildern herausgefiltert werden kann.
  • Nachfolgend werden dann im Schritt 104 diejenigen der Kamerabilder mit den fehlerhaften Behältern 2 als Fehlerbilder klassifiziert und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zuordnet. Beispielsweise kann als Fehlermarkierung eine Füllstandshöhe und/oder ein Fehlerindikator in den Fehlerbildern, insbesondere in deren Metadaten eingetragen werden.
  • Des Weiteren werden im Schritt 105 mit der Klassifizierungseinheit 53 diejenigen der Kamerabilder mit für gut befunden Behältern 2 als fehlerfreie Bilder klassifiziert.
  • Entsprechend werden dann die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Bilder als spezifische Trainingsdatensatz zusammengestellt (Schritt 106).
  • Dies Schritte 104 - 106 werden beispielsweise mit der Klassifizierungseinheit 53 durchgeführt.
  • Anschließend wird dann im Schritt 108 die zweite Auswerteeinheit 52 mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren vor Ort mit dem spezifischen Trainingsdatensatz trainiert. Beispielsweise wird ein tiefes neuronales Netzwerk der zweiten Auswerteeinheit mit dem spezifischen Trainingsdatensatz trainiert.
  • Wie im Schritt 107 gezeigt, ist es zusätzlich denkbar, dass die zweite Auswerteeinheit 52 mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren bereits zuvor beim Hersteller der Getränkeverarbeitungsanlage mit einem dort vorhandenen, generischen Trainingsdatensatz trainiert wird. Dadurch können beim Hersteller der Getränkeverarbeitungsanlage bereits bekannte Behältertypen und Fehlerbilder eingespielt werden, um das auf Basis künstlicher Intelligenz arbeitende Bildbearbeitungsverfahren vorab zu trainieren und dann mit dem spezifischen Trainingsdatensatz vor Ort in der Getränkeverarbeitungsanlage A weiter zu trainieren. Dadurch wird das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren weiter auf die spezifisch beim Getränkehersteller vorhandenen Behältertypen trainiert.
  • Zudem wird im Schritt 109 die Erkennungsleistung der zweiten Auswerteeinheit 52 auf Basis eines Überprüfungsdatensatzes ermittelt. Der Überprüfungsdatensatz kann dazu weitere Fehlerbilder, Fehlermarkierungen und fehlerfreie Bilder umfassen, die weder in dem generischen Trainingsdatensatz noch in dem spezifischen Trainingsdatensatz vorhanden sind. Folglich kann also ermittelt werden, ob die zweite Auswerteeinheit zuverlässig arbeitet.
  • Überschreitet dann die Erkennungsleistung im Schritt 110 einen vorbestimmten Schwellwert, so können im Schritt 111 die Kamerabilder von der zweiten Auswerteeinheit 52 mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin inspiziert werden. Dies kann entweder alternativ oder zusätzlich zur Auswertung mit der ersten Auswerteeinheit 51 geschehen.
  • Durch die Auswertung alternativ mit der zweiten Auswerteeinheit ist es durch die künstliche Intelligenz möglich, ohne eine aufwändige Parametrisierung der klassischen Bildverarbeitungsverfahren durch einen Experten, eine zuverlässige Erkennungsleistung zu gewährleisten.
  • Falls dagegen die Kamerabilder parallel zur zweiten Auswerteeinheit 52 zusätzlich von der ersten Auswerteeinheit 51 inspiziert werden, können mit Hilfe des konventionell arbeitenden Bildverarbeitungsverfahrens für das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren noch unbekannte Fehler erkannt werden. Dadurch ist es möglich, die Zuverlässigkeit der Auswertung zu erhöhen. Die Auswerteempfindlichkeit der ersten Auswerteeinheit 51 kann dabei vermindert oder auf Standardparameter gesetzt werden, um Fehlausleitungen zu verhindern. Es ist denkbar, dass diejenigen der Kamerabilder mit Behältern 2 mit den unbekannten Fehlern als weitere Fehlerbilder klassifiziert und die unbekannten Fehler entsprechend als weitere Fehlermarkierungen den weiteren Fehlerbildern zugeordnet werden, wobei die weiteren Fehlerbilder und die weiteren Fehlermarkierungen als weiterer spezifischer Trainingsdatensatz zusammengestellt werden, und wobei mit dem weiteren spezifischen Trainingsdatensatz vor Ort die zweite Auswerteeinheit 52 mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren weiter trainiert wird. Dadurch kann die Erkennungsleistung der zweiten Auswerteeinheit 52 mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren weiter erhöht werden.
  • Überschreitet die Erkennungsleistung dagegen im Schritt 110 den vorbestimmten Schwellwert nicht, so werden die Kamerabilder gemäß Schritt 110 nach wie vor von der ersten Auswerteeinheit 51 mit dem konventionell arbeitenden Bildverarbeitungsverfahren auf die Fehler hin inspiziert. Dabei kann die Klassifizierungseinheit 53 weiterhin die Kamerabilder gemäß den Schritten 104 und 105 klassifizieren und weitere Fehlerbilder, Fehlermarkierungen und fehlerfreie Bilder dem spezifischen Trainingsdatensatz hinzufügen oder einen weiteren spezifischen Trainingsdatensatz erstellen. Damit kann dann entsprechend dem Schritt 108 die zweite Auswerteeinheit 52 weiter trainiert werden, bis die Erkennungsleistung im Schritt 110 den vorbestimmten Schwellwert überschreitet.
  • Denkbar ist auch, dass das Trainieren der zweiten Auswerteeinheit 52 im Schritt 108 mit niedrigerer Priorität erfolgt, als die Erfassung der Behälter mit der Inspektionseinheit 4 im Schritt 102 und/oder die Inspektion der Kamerabilder mit der ersten Auswerteeinheit 51 im Schritt 103, um bei der Inspektion ungenutzte Ressourcen eines Computersystems 5 zu nutzen.
  • Dadurch, dass die Kamerabilder mit den fehlerhaften Behältern 2 als Fehlerbilder klassifiziert und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zugeordnet werden, und dass diejenigen der Kamerabilder mit für gut befundenen Behältern 2 als fehlerfrei Bilder klassifiziert werden, kann eine große Anzahl von Fehlerbildern und fehlerfreien Bildern auf Basis des konventionell arbeitenden Bildverarbeitungsverfahren bereitgestellt werden. Dies kann beispielsweise in der Getränkeverarbeitungsanlage A mit Behältertypen geschehen, bei denen das konventionell arbeitende Bildverarbeitungsverfahren eingerichtet wurde und so besonders zuverlässig arbeitet. Anschließend wird aus den Fehlerbildern, den Fehlermarkierungen und den fehlerfreien Bildern ein spezifischer Trainingsdatensatz zusammengestellt und damit vor Ort die zweite Auswerteeinheit 52 mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren trainiert.
  • Folglich kann der spezifische Trainingsdatensatz weitestgehend automatisch bereitgestellt werden, wodurch das Verfahren 100 besonders zeit- und damit kosteneffektiv arbeitet.
  • Es versteht sich, dass in den zuvor beschriebenen Ausführungsbeispielen genannte Merkmal nicht auf diese Merkmalskombinationen beschränkt sind, sondern auch einzeln oder in beliebigen anderen Merkmalskombinationen möglich sind.
  • 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 102014216188 A1 [0004]

Claims (13)

  1. Verfahren (100) zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage, wobei die Behälter mit einem Transporteur als Behältermassenstrom transportiert (101) und von einer in der Getränkeverarbeitungsanlage angeordneten Inspektionseinheit als Kamerabilder erfasst werden (102), und wobei die Kamerabilder von einer ersten Auswerteeinheit mit einem konventionell arbeitenden Bildverarbeitungsverfahren auf Fehler hin inspiziert werden (103), dadurch gekennzeichnet, dass diejenigen der Kamerabilder mit fehlerhaften Behältern als Fehlerbilder klassifiziert und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zugeordnet werden (104), dass diejenigen der Kamerabilder mit für gut befunden Behältern als fehlerfreie Bilder klassifiziert werden (105), dass die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Bilder als spezifischer Trainingsdatensatz zusammengestellt werden (106), und dass mit dem spezifischen Trainingsdatensatz vor Ort eine zweite Auswerteeinheit mit einem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren trainiert wird (108).
  2. Verfahren (100) nach Anspruch 1, wobei in einem ersten Schritt die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren bei einem Hersteller der zweiten Auswerteeinheit mit einem generischen Trainingsdatensatz trainiert (107) und, wobei danach in einem zweiten Schritt die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren vor Ort mit dem spezifischen Trainingsdatensatz trainiert wird (108).
  3. Verfahren (100) nach Anspruch 1 oder 2, wobei das Trainieren der zweiten Auswerteeinheit (108) mit niedrigerer Priorität erfolgt, als die Erfassung der Behälter mit der Inspektionseinheit (102) und/oder die Inspektion der Kamerabilder mit der ersten Auswerteeinheit (103), um bei der Inspektion ungenutzte Ressourcen eines Computersystems zu nutzen.
  4. Verfahren (100) nach einem der vorangegangenen Ansprüche, wobei eine Erkennungsleistung der zweiten Auswerteeinheit auf Basis eines Überprüfungsdatensatzes ermittelt wird (109) und falls die Erkennungsleistung einen vorbestimmten Schwellwert überschreitet (110), dass dann die Kamerabilder von der zweiten Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin inspiziert werden (111).
  5. Verfahren (100) nach Anspruch 4, wobei die Kamerabilder anstelle von der ersten Auswerteeinheit von der zweiten Auswerteeinheit inspiziert werden.
  6. Verfahren (100) nach Anspruch 4, wobei die Kamerabilder parallel zur zweiten Auswerteeinheit zusätzlich von der ersten Auswerteeinheit inspiziert werden, um mit Hilfe des konventionell arbeitenden Bildverarbeitungsverfahrens für das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren noch unbekannte Fehler zu erkennen.
  7. Verfahren (100) nach Anspruch 6, wobei diejenigen der Kamerabilder mit Behältern mit den unbekannten Fehlern als weitere Fehlerbilder klassifiziert und die unbekannten Fehler entsprechend als weitere Fehlermarkierungen den weiteren Fehlerbildern zugeordnet werden, wobei die weiteren Fehlerbilder und die weiteren Fehlermarkierungen als weiterer spezifischer Trainingsdatensatz zusammengestellt werden, und wobei mit dem weiteren spezifischen Trainingsdatensatz vor Ort die zweite Auswerteeinheit mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren trainiert wird.
  8. Verfahren (100) nach Anspruch 6 oder 7, wobei eine Auswerteempfindlichkeit der ersten Auswerteeinheit vermindert oder auf Standardparameter gesetzt wird, um Fehlausleitungen zu verhindern.
  9. Verfahren (100) nach einem der vorangegangenen Ansprüche, wobei die fehlerhaften Behälter aus dem Behältermassenstrom aussortiert werden.
  10. Vorrichtung (1) zur optischen Inspektion von Behältern (2) in einer Getränkeverarbeitungsanlage (A), insbesondere zur Durchführung des Verfahrens nach einem der Ansprüche 1-9, mit einem Transporteur (3) zum Transport der Behälter (2) als Behältermassenstrom, einer in der Getränkeverarbeitungsanlage (1) angeordneten Inspektionseinheit (4), um die Behälter (2) als Kamerabilder zu erfassen, und mit einer ersten Auswerteeinheit (51), die dazu ausgebildet ist, die Kamerabilder mit einem konventionell arbeitenden Bildverarbeitungsverfahren auf Fehler hin zu inspizieren, dadurch gekennzeichnet, dass eine Klassifizierungseinheit (53) dazu ausgebildet ist, diejenigen der Kamerabilder mit fehlerhaften Behältern als Fehlerbilder zu klassifizieren und die Fehler entsprechend als Fehlermarkierungen den Fehlerbildern zuzuordnen, diejenigen der Kamerabilder mit für gut befunden Behältern als fehlerfreie Bilder zu klassifizieren, und die Fehlerbilder, die Fehlermarkierungen und die fehlerfreien Bilder als spezifischer Trainingsdatensatz zusammenzustellen, und dass eine zweite Auswerteeinheit (52) dazu ausgebildet ist, ein auf Basis künstlicher Intelligenz arbeitendes Bildverarbeitungsverfahren durchzuführen und mit dem spezifischen Trainingsdatensatz vor Ort das auf Basis künstlicher Intelligenz arbeitende Bildverarbeitungsverfahren zu trainieren.
  11. Vorrichtung (1) nach Anspruch 10, wobei die zweite Auswerteeinheit (52) dazu ausgebildet ist, die Kamerabilder mit dem auf Basis künstlicher Intelligenz arbeitenden Bildverarbeitungsverfahren auf die Fehler hin zu inspizieren.
  12. Vorrichtung (1) nach einem der Ansprüche 10 oder 11, wobei die Vorrichtung (1) in der Getränkeverarbeitungsanlage (A) angeordnet ist.
  13. Vorrichtung (1) nach einem der Ansprüche 10-12, wobei die Vorrichtung (1) ein Computersystem (5) mit der ersten Auswerteeinheit (51) und der zweiten Auswerteeinheit (52) umfasst.
DE102021106999.8A 2020-04-24 2021-03-22 Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage Pending DE102021106999A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21716307.0A EP4139839A1 (de) 2020-04-24 2021-03-29 Verfahren und vorrichtung zur optischen inspektion von behältern in einer getränkeverarbeitungsanlage
CN202180030074.8A CN115428015A (zh) 2020-04-24 2021-03-29 用于光学检查饮料处理系统中的容器的方法和设备
US17/997,010 US20230177671A1 (en) 2020-04-24 2021-03-29 Method and device for optically inspecting containers in a drinks processing system
PCT/EP2021/058070 WO2021213779A1 (de) 2020-04-24 2021-03-29 Verfahren und vorrichtung zur optischen inspektion von behältern in einer getränkeverarbeitungsanlage

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020111255 2020-04-24
DE102020111255.6 2020-04-24

Publications (1)

Publication Number Publication Date
DE102021106999A1 true DE102021106999A1 (de) 2021-10-28

Family

ID=78261000

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021106999.8A Pending DE102021106999A1 (de) 2020-04-24 2021-03-22 Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage

Country Status (5)

Country Link
US (1) US20230177671A1 (de)
EP (1) EP4139839A1 (de)
CN (1) CN115428015A (de)
DE (1) DE102021106999A1 (de)
WO (1) WO2021213779A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4224366A1 (de) * 2022-02-03 2023-08-09 AImotive Kft. Trainingsmethode für neuronale netze unter verwendung von semi-pseudo-labels

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021133159A1 (de) * 2021-12-15 2023-06-15 Krones Aktiengesellschaft Verfahren zum Durchführen eines Einstellbetriebs einer Behältnisinspektionsvorrichtung und Behältnisinspektionsvorrichtung
CH719706A2 (de) * 2022-05-19 2023-11-30 Finatec Holding Ag Verfahren und Vorrichtung zur optischen Prüfung von Formteilen.

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014216188A1 (de) 2014-08-14 2016-02-18 Krones Ag Optisches Inspektionsverfahren und optische Inspektionsvorrichtung für Behälter

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10360477B2 (en) * 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014216188A1 (de) 2014-08-14 2016-02-18 Krones Ag Optisches Inspektionsverfahren und optische Inspektionsvorrichtung für Behälter

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4224366A1 (de) * 2022-02-03 2023-08-09 AImotive Kft. Trainingsmethode für neuronale netze unter verwendung von semi-pseudo-labels
WO2023148285A1 (en) * 2022-02-03 2023-08-10 Aimotive Kft. Neural network training method using semi-pseudo-labels

Also Published As

Publication number Publication date
CN115428015A (zh) 2022-12-02
EP4139839A1 (de) 2023-03-01
WO2021213779A1 (de) 2021-10-28
US20230177671A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
DE102021106999A1 (de) Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage
EP3180135B1 (de) Optisches inspektionsverfahren und optische inspektionsvorrichtung für behälter
DE60223956T2 (de) Untersuchungsgerät und System zur Untersuchung von Fremdkörpern in mit Flüssigkeit gefüllten Behältern
DE60225354T2 (de) Verfahren und vorrichtung zur herstellung eines referenzbildes bei einer prüfvorrichtung für glasflaschen
EP2369328B1 (de) Vorrichtung und verfahren zum untersuchen von befüllten behältnissen auf fremdkörper
EP2850416B1 (de) Verfahren und vorrichtung zur inspektion von leerflaschen
EP0657732A1 (de) Verfahren und Vorrichtung zur optischen Prüfung eines durchsichtigen Behälterbereichs, insbesondere des Mündungsbereichs
DE102019208296A1 (de) Verfahren und Vorrichtung zur optischen Inspektion von Behältern
EP3353537B1 (de) Inspektionsverfahren und -vorrichtung zur optischen durchlichtinspektion von unetikettierten behältern
DE102019208299A1 (de) Verfahren und Vorrichtung zur optischen Inspektion von Behältern
WO2013068136A1 (de) Inspektion und rückführung von behältern
DE102017209752A1 (de) Inspektionsverfahren und Inspektionsvorrichtung zur Leerflascheninspektion in einer Getränkeverarbeitungsanlage
EP3812748A1 (de) Verfahren und vorrichtung zur optischen inspektion von behältern
EP4139665A1 (de) Verfahren und vorrichtung zur inspektion von behältern
EP3980760A1 (de) Verfahren und vorrichtung zur optischen inspektion von behältern
DE102018132132B3 (de) Verfahren zur Erkennung eines Typs eines Behälters sowie Inspektionssystem
DE102007036621A1 (de) Verfahren und Vorrichtung zur Untersuchung von Flaschen aus Kunststoff oder Glas auf vorgewählte Eigenschaften
EP4139638A1 (de) Verfahren und vorrichtung zur füllhöhenkontrolle von behältern
DE2727651A1 (de) Verfahren und vorrichtung zur inspektion von abgefuellten flaschen
DE102019132830A1 (de) Verfahren und Vorrichtung zur Erkennung von umgefallenen und/oder beschädigten Behältern in einem Behältermassenstrom
DE102019205652A1 (de) Inspektionsvorrichtung und -verfahren zur Inspektion von Behältern
DE102021101150A1 (de) Verfahren zur optischen Detektion von Fehlern in keramischen Artikeln

Legal Events

Date Code Title Description
R012 Request for examination validly filed