为了改变这种状况，克朗斯将检测技术推向一个更高层次。新推出的Linatronic AI为异常现象的识别和区分采用了一种能够深度学习的软件 — 比传统的机型更加灵活和高效。
使用过空瓶检测设备的人都知道：并非每一个被检测机剔除的瓶子都是真正有缺陷的瓶子。大多数情况下，这只是洗瓶后附着在瓶子表面的水滴或泡沫。由于传统的检测系统无法百分之百地将其与污物或破损进行区分，为了保险起见，这些瓶子也被剔除。通过这种方式，每个班次都会产生大量的剔除瓶：实际上它们完全可以毫无问题地继续使用，但却永远消失在垃圾桶中。
下一个进化阶段：人工神经网络
深度学习是一种技术，它体现为机器也能完成一些我们人类天生就能掌握的技能：从案例中学习。最大区别：机器能够以数倍的效率掌握这种能力。
深度学习的基础是一种所谓的人工神经网络。这种网络可以理解为一套由前后连接的滤镜层组成的综合系统。检测过程中获取的图片依次穿过这些滤层，每一个滤层都从相应的图片中提取另一个特征。由于一个滤层的输出就是下一个滤层的输入，因此这些图片特征的综合性也不断提高。这个链条从明暗像素的识别直至某一特定物体的分类：例如水滴。
接受数千张照片的训练
为了保证Linatronic AI在实际生产中也能精确地使用这些滤镜，必须事先利用经过预分级的标准图片对其进行训练。在这个过程中，其神经网络学习如何过滤出对于完成任务非常重要的图片特征并加以注释。机器学习与我们人类学习完全一样：训练强度越大，效果越好。因此，Linatronic AI的神经网络需要利用数千张标准图片不断进行细化。训练持续进行，直到它能够从其它异常现象中准确分辨出水滴 — 可靠率超过99.9%。
由此，不再出现因错误剔瓶而造成的包材损耗。同样，试运行期间也不需要对机器进行费时费力的参数设定。因为这种神经网络不需要根据现场情况进行人工设定，而是在出厂前就已经对Linatronic AI完成了最佳的训练 — 立即进入工作状态。
