CN113056699B - 确定用于制造光学制品的参数的方法和系统以及对应的光学制品 - Google Patents
确定用于制造光学制品的参数的方法和系统以及对应的光学制品 Download PDFInfo
- Publication number
- CN113056699B CN113056699B CN201980074614.5A CN201980074614A CN113056699B CN 113056699 B CN113056699 B CN 113056699B CN 201980074614 A CN201980074614 A CN 201980074614A CN 113056699 B CN113056699 B CN 113056699B
- Authority
- CN
- China
- Prior art keywords
- ophthalmic lens
- neural network
- training
- parameters
- manufacturing
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
- G02C7/00—Optical parts
- G02C7/02—Lenses; Lens systems ; Methods of designing lenses
- G02C7/024—Methods of designing ophthalmic lenses
- G02C7/027—Methods of designing ophthalmic lenses considering wearer's parameters
-
- 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
- G02—OPTICS
- G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
- G02C7/00—Optical parts
- G02C7/02—Lenses; Lens systems ; Methods of designing lenses
- G02C7/024—Methods of designing ophthalmic lenses
- G02C7/028—Special mathematical design techniques
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Ophthalmology & Optometry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Eyeglasses (AREA)
Abstract
确定用于制造光学制品的规格参数的方法包括以下步骤:通过使用包括多个训练处方参数和对应的训练规格参数的训练数据集来训练(200)至少一个神经网络以预测所述规格参数;以及基于所述训练,藉由所述至少一个神经网络,从与光学制品相关的处方参数中预测(202)光学制品的规格参数。
Description
技术领域
本发明涉及一种确定用于制造光学制品的参数的方法和系统、以及一种对应的光学制品。
背景技术
制造光学制品(比如眼科镜片)意味着将复杂的光学器件铺设在半成品镜片的背面以及可能还有正面上、施加附加值处理、以及对镜片进行磨边,使得镜片适合患者所选择的镜架。为此,一副眼镜的每个订单均包含患者的处方以及所期望的最终产品的特征(比如镜架、光学设计、选项、附加值等)。
通常,对于进入生产实验室的每个订单,都动态计算制造最终产品所需要的复杂的光学器件以及制造参数。这种计算是使用被称为镜片设计软件(LDS)的复杂计算软件完成的。
如今,LDS系统通常会针对由实验室管理系统(LMS)发送给它们的每个作业运行上述计算。这种计算涉及长时间的逻辑和算法执行、以及数学优化。
结果,计算消耗了大量与信息技术相关的资源(比如计算机、服务器群、软件许可证、用于根据多个服务器的处理负载分配作业的负载平衡器等)。这给光学制品制造公司带来了巨大的成本。
另外,有必要设置服务器资源的大小,以便处理在任何给定时刻可能请求的最大负载。这意味着,如果生产实验室同时输入它们当天的相应作业,则服务器资源的大小被设置的方式使得必须能够处理所有这些同时进行的订单,即使在当天的其余时间内这些服务器资源没有相同的工作负载也是如此。
因此,需要减少计算用于制造给定处方的光学制品的光学参数和其他参数所需的时间。
发明内容
本发明的目的是克服现有技术的上述缺点。
为此,本发明提供了一种确定用于制造至少一个眼科镜片的规格参数的方法,所述规格参数包括与所述至少一个眼科镜片相关的光学数据和/或几何数据、和/或与制造所述至少一个眼科镜片所需的制造过程相关的至少一个参数,所述方法的显著之处在于,所述方法包括以下步骤:
通过使用包括多个训练处方参数和对应的训练规格参数的训练数据集来训练至少一个神经网络以预测所述规格参数;以及
基于所述训练,藉由所述至少一个神经网络,从与所述至少一个眼科镜片相关的处方参数中预测所述至少一个眼科镜片的规格参数。
因此,由于借助于神经网络来预测用于制造光学制品的参数,减少了计算时间,提高了生产实验室和眼镜店对顾客的服务水平,降低了设置信息技术后端系统的大小的要求,并降低了光学制品制造公司的产生的成本。
本发明还提供了一种确定用于制造至少一个眼科镜片的规格参数的系统,所述规格参数包括与所述至少一个眼科镜片相关的光学数据和/或几何数据、和/或与制造所述至少一个眼科镜片所需的制造过程相关的至少一个参数,所述系统的显著之处在于,所述系统包括至少一个神经网络,所述神经网络通过执行如上文简要描述的方法的步骤来预测所述规格参数。
本发明进一步提供了一种眼科镜片,所述眼科镜片的显著之处在于,所述眼科镜片是通过使用规格参数来制造的,所述规格参数是通过实现如上文简要描述的方法来确定的。
本发明进一步提供了一种计算机程序产品,所述计算机程序产品包括一个或多个指令序列,所述一个或多个指令序列是处理器可访问的并且在由所述处理器执行时致使所述处理器执行如上文简要描述的方法的步骤。
附图说明
为了更全面理解本文提供的说明和其优点,现在结合附图和详细描述参照以下简要说明,其中相同的附图标记表示相同的部分。
图1是在特定实施例中根据本发明的确定用于制造光学制品的参数的系统的示意图。
图2是示出了在特定实施例中根据本发明的确定用于制造光学制品的参数的方法的流程图。
具体实施方式
在下面的描述中,附图不一定是按比例绘制的,并且出于清楚和简洁的目的或出于信息目的,某些特征可以以概括或示意性形式示出。此外,尽管在下文详细讨论了制造和使用各种实施例,但应理解如本文所述提供了可以在多种环境下实施的许多发明构思。本文讨论的实施例仅仅是代表性的而不限制本发明的范围。对于本领域技术人员来说还显而易见的是,相对于方法限定的所有技术特征可以单独或组合地转置到装置,反之,相对于装置的所有技术特征可以单独或组合地转置到方法。
术语“包含”(及其任何语法变化形式,例如“包含有(comprises)”和“包含了(comprising)”)、“具有”(及其任何语法变化形式,例如“具有(has)”和“具有(having)”)、“含有”(及其任何语法变化形式,例如“含有(contains)”和“含有了(containing)”)、以及“包括”(及其任何语法变化形式,例如“包括(includes)”和“包括(including)”)都是开放式连接动词。它们用于指明其所述特征、整数、步骤或组分或群组的存在,但不排除其一种或多种其他特征、整数、步骤或组分或群组的存在或加入。因此,“包含”、“具有”、“含有”或“包括”一个或多个步骤或要素的方法或方法中的步骤具备那一个或多个步骤或要素,但不限于仅具备那一个或多个步骤或要素。
图1是在特定实施例中根据本发明的确定用于制造光学制品的参数的系统10的示意图。这种参数将被称为“规格参数”。规格参数可以与光学制品的光学特性和/或几何特性、以及其制造过程相关。
系统10包括镜片设计模块(LDS)12和实验室管理系统(LMS)14。LMS 14将处方参数16发送至LDS 12,并从LDS 12接收计算结果18,使得能够制造光学制品,在特定实施例中,该光学制品包括至少一个眼科镜片。
处方参数16包括与处方相关的所有特征,比如处方所需的用于矫正一个或多个视觉缺陷的眼科矫正、所选的镜架、材料、和可能的关于所期望的最终产品的其他特征(比如要使用的半成品镜片的类型和特定的光学要求)。
计算结果18包括一组预测规格参数。预测规格参数可以包括与光学制品相关的光学数据和/或几何数据(例如厚度特征、配戴者焦度补偿等)和/或与制造光学制品所需的制造过程相关的至少一个参数(例如,给定的制造设备、比如要在合金封阻器上使用的封阻环的参数,如下文详述)。
根据本发明,系统10进一步包括一个或多个神经网络20,在特定实施例中,所述神经网络可以嵌入在LDS 12内部。
眼科镜片的制造过程可以包括研磨步骤,在所述研磨步骤过程中,眼科镜片相对于研磨轮成适当的角度放置。为此,封阻步骤包括使用技术人员已知的被称为封阻环的工具来将眼科镜片封阻在相对于研磨轮的合适的位置。
本发明使得可以预测要在封阻步骤中使用的封阻环。
在图1所示的特定实施例中,系统10包括一个神经网络20。作为非限制性示例,神经网络20可以具有八个输入神经元和二十四个输出神经元,其中每个封阻环具有一个输出神经元。在此示例中,八个输入如下:制造过程的类型、折射率值、处方球镜度、处方柱镜度、处方下加光、半成品镜片基体、要研磨的直径和半成品镜片直径。
另外,作为非限制性示例,神经网络20可以具有一个隐藏层,该隐藏层具有三十个神经元。作为变型,神经网络可以具有多于一个的隐藏层并且在隐藏层中具有不同数量的神经元,在网络的输入处具有不同数量的神经元,并且在网络的输出处具有不同数量的神经元。
在任何情况下,输入到神经网络20中的数据必须被格式化,以便适于神经网络20的输入和输出的数量。
神经网络20接收处方参数16作为输入,并输出预测结果22,所述预测结果包含由神经网络20计算的关于要制造的光学制品的所有必要的预测规格参数。
神经网络20被配置为预测预定义的数据。对于要预测的每个数据,神经网络20的输入神经元被配置为匹配数据输入,并且输出神经元被配置为匹配要预测的数据类型。神经网络20的隐藏层被配置为提供最准确的输出。
根据本发明,为了可操作并能够预测光学制品的规格参数,神经网络20经历训练步骤200,如图2所示。
在训练步骤过程中,包括多个训练处方参数和对应的训练规格参数的训练数据集被输入到神经网络20中,所述训练数据集是先前藉由常规逻辑和优化资源24计算的。有利地,使用大量训练数据来提高神经网络20的预测能力。
在特定实施例中,训练步骤包括教导神经网络20如何选择合适的封阻环来制造给定的光学制品。
在特定实施例中,训练步骤包括迭代阶段,该迭代阶段包括测量神经网络20的输出中的误差28并更新神经网络20中的权重以便减小误差28。
误差28在比较模块30中进行测量,在所述比较模块中,将预测结果22与计算结果26进行比较。作为非限制性示例,误差28可以是预测结果22与计算结果26之间的方差。
可以执行训练步骤200,直到误差28低于预定阈值。
作为变型,可以执行训练步骤200迭代阶段的预定迭代次数。作为非限制性示例,预定迭代次数可以是至少2000次。
一旦神经网络20被完全训练,在图2所示的步骤202中,神经网络能够基于与光学制品相关的输入处方参数来预测光学制品的规格参数。
在特定实施例中,根据本发明的方法是计算机实现的。即,计算机程序产品包括一个或多个存储的指令序列,所述一个或多个存储的指令序列是处理器可访问的并且在由所述处理器执行时致使所述处理器执行上述步骤200和202。
一个或多个指令序列可以存储在计算机可读存储介质中。
根据本发明的方法、系统和计算机程序产品不仅可以用于显著减少制造光学制品所涉及的时间和成本,而且当为顾客配一副眼镜的眼镜师希望了解具有顾客处方的眼科镜片会是什么样子(取决于眼科镜片的厚度和重量以及可能的顾客选择的选项)时还可以用于销售点。这种操作对计算时间非常敏感,因为配这副眼镜的人这时就在顾客面前。由于本发明提供的计算时间的减少,这种操作将被显著地加速,并且因此顾客更满意。
尽管代表性处理和物品已在本文详细描述,但是本领域技术人员将认识到可以在不脱离由所附权利要求描述和限定的范围下做出各种替代和修改。
Claims (10)
1.一种确定用于制造至少一个眼科镜片的规格参数的方法,所述规格参数包括与所述至少一个眼科镜片相关的光学数据和/或几何数据、和/或与制造所述眼科镜片所需的制造过程相关的至少一个参数,其中,所述方法包括以下步骤:
通过使用包括多个训练处方参数和对应的训练规格参数的训练数据集来训练至少一个神经网络以预测所述规格参数;以及
基于所述训练,藉由所述至少一个神经网络,从与所述至少一个眼科镜片相关的处方参数中预测所述至少一个眼科镜片的规格参数,
其中与所述至少一个眼科镜片相关的所述处方参数为所述至少一个神经网络的输入,以及所述至少一个眼科镜片的所述规格参数为所述至少一个神经网络的输出。
2.根据权利要求1所述的方法,其中,与所述至少一个眼科镜片相关的所述处方参数包括与用于矫正给定视觉缺陷的眼科矫正相关的至少一个参数。
3.根据权利要求1所述的方法,其中,所述训练步骤包括教导所述神经网络如何选择合适的封阻环来制造所述至少一个眼科镜片。
4.根据权利要求1所述的方法,其中,所述神经网络具有8个输入神经元和24个输出神经元。
5.根据权利要求1所述的方法,其中,所述训练步骤包括迭代阶段,所述迭代阶段包括测量所述神经网络的输出中的误差并更新所述神经网络中的权重以便减小所述误差。
6.根据权利要求5所述的方法,其中,执行所述训练步骤,直到所述误差低于预定阈值。
7.根据权利要求5所述的方法,其中,执行所述训练步骤所述迭代阶段的预定迭代次数。
8.一种确定用于制造至少一个眼科镜片的规格参数的系统,所述规格参数包括与所述至少一个眼科镜片相关的光学数据和/或几何数据、和/或与制造所述眼科镜片所需的制造过程相关的至少一个参数,其中,所述系统包括至少一个神经网络,所述神经网络通过执行根据权利要求1所述的方法的步骤来预测所述规格参数。
9.一种眼科镜片,其中,所述眼科镜片是通过使用规格参数来制造的,所述规格参数是通过实现根据权利要求1所述的方法来确定的。
10.一种计算机程序产品,所述计算机程序产品包括一个或多个指令序列,所述指令序列是处理器可访问的并且在由所述处理器执行时致使所述处理器执行根据权利要求1所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18306495 | 2018-11-15 | ||
EP18306495.5 | 2018-11-15 | ||
PCT/EP2019/080353 WO2020099202A1 (en) | 2018-11-15 | 2019-11-06 | A method and system for determining parameters used to manufacture an optical article and a corresponding optical article |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113056699A CN113056699A (zh) | 2021-06-29 |
CN113056699B true CN113056699B (zh) | 2023-07-21 |
Family
ID=64564764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980074614.5A Active CN113056699B (zh) | 2018-11-15 | 2019-11-06 | 确定用于制造光学制品的参数的方法和系统以及对应的光学制品 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220004025A1 (zh) |
EP (1) | EP3881129A1 (zh) |
CN (1) | CN113056699B (zh) |
BR (1) | BR112021008845A2 (zh) |
WO (1) | WO2020099202A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022200462B3 (de) * | 2022-01-17 | 2023-03-30 | Rodenstock Gmbh | Computerimplementiertes Verfahren zum Bestimmen eines Fertigungskorrekturmodells für die Herstellung von ophthalmischen Linsen, Speichervorrichtung, Computerprogrammprodukt, Verfahren sowie Vorrichtung |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2545982B2 (ja) * | 1989-05-10 | 1996-10-23 | 日本電気株式会社 | パターン認識方法および標準パターン学習方法 |
US5724258A (en) * | 1996-05-09 | 1998-03-03 | Johnson & Johnson Vision Products, Inc. | Neural network analysis for multifocal contact lens design |
US6655803B1 (en) * | 2000-06-01 | 2003-12-02 | Inray Ltd. | Wavefront method for designing optical elements |
US7111938B2 (en) * | 2001-04-27 | 2006-09-26 | Novartis Ag | Automatic lens design and manufacturing system |
AU2004292160B2 (en) * | 2003-11-14 | 2010-12-23 | Ophthonix, Inc. | Eyeglass manufacturing method |
US20170311095A1 (en) * | 2016-04-20 | 2017-10-26 | Starkey Laboratories, Inc. | Neural network-driven feedback cancellation |
CN106022518B (zh) * | 2016-05-17 | 2019-10-18 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
-
2019
- 2019-11-06 CN CN201980074614.5A patent/CN113056699B/zh active Active
- 2019-11-06 EP EP19797294.6A patent/EP3881129A1/en active Pending
- 2019-11-06 BR BR112021008845-8A patent/BR112021008845A2/pt unknown
- 2019-11-06 US US17/294,276 patent/US20220004025A1/en active Pending
- 2019-11-06 WO PCT/EP2019/080353 patent/WO2020099202A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
BR112021008845A2 (pt) | 2021-08-17 |
WO2020099202A1 (en) | 2020-05-22 |
CN113056699A (zh) | 2021-06-29 |
EP3881129A1 (en) | 2021-09-22 |
US20220004025A1 (en) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20120105800A1 (en) | Method And Apparatus For Designing An Optical Lens | |
US20140089208A1 (en) | Systems and methods for evaluating repairs to vehicles | |
US20210174144A1 (en) | Method and apparatus for obtaining training sample of first model based on second model | |
WO2011044036A1 (en) | Real time adaptive control of transaction review rate score curve | |
CN113056699B (zh) | 确定用于制造光学制品的参数的方法和系统以及对应的光学制品 | |
US20120010925A1 (en) | Consolidation Potential Score Model | |
WO2020160787A1 (en) | Neural network quantization method using multiple refined quantized kernels for constrained hardware deployment | |
US20170243268A1 (en) | Method and system for determining an optimized service package model for market participation | |
US10449652B2 (en) | Ophthalmic lens edging process by calculation | |
US20150309333A1 (en) | Method for designing spectacle lens, and system for designing spectacle lens | |
CN107567382B (zh) | 用于补偿光学镜片制造过程中的偏差的系统和方法 | |
US11537934B2 (en) | Systems and methods for improving the interpretability and transparency of machine learning models | |
CN103998215B (zh) | 处理用于眼镜片的订单请求的方法 | |
US11334935B2 (en) | Method, system, and manufacture for light hypergraph based recommendation | |
CN113159545A (zh) | 确定价值属性值的方法、装置、电子设备和存储介质 | |
Nakamura et al. | Physics‐informed neural network applied to surface‐tension‐driven liquid film flows | |
Bettayeb et al. | Quality and exposure control in semiconductor manufacturing. Part II: Evaluation | |
US10189220B2 (en) | Calculation system for manufacturing an ophthalmic lens | |
US20230018159A1 (en) | Autonomous generation of grc programs | |
Brun et al. | Improvement of Eyeglass Lens Production Using Simulation Modeling and Dynamic Buffer Optimization | |
Zhou | Tutorial of tolerancing analysis using commercial optical software | |
EP3237186A1 (en) | Ophthalmic lens treatment system | |
WO2023187002A1 (en) | Method for optimizing a geometrical parameter of a semi-finished optical lens | |
CN116560964A (zh) | 问题预测方法、装置、计算机设备和存储介质 | |
CN116848543A (zh) | 用于对眼镜镜片进行订单接收处理和制造的系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |