CN211786441U - 一种角膜塑形镜的生产装置 - Google Patents
一种角膜塑形镜的生产装置 Download PDFInfo
- Publication number
- CN211786441U CN211786441U CN201922030232.2U CN201922030232U CN211786441U CN 211786441 U CN211786441 U CN 211786441U CN 201922030232 U CN201922030232 U CN 201922030232U CN 211786441 U CN211786441 U CN 211786441U
- Authority
- CN
- China
- Prior art keywords
- user
- corneal
- cornea
- curvature value
- mirror
- 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
Images
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本实用新型提供了一种角膜塑形镜的生产装置，该生产装置包括：获取模块、角膜塑形镜参数计算模块和角膜塑形镜生产模块；获取模块获取用户的角膜数据；角膜塑形镜参数计算模块根据用户的角膜数据，计算用户的角膜曲率值；角膜塑形镜生产模块根据得到的用户的角膜曲率值，生产适配用户的角膜塑形镜。通过获取模块获取用户的角膜数据，然后基于用户角膜数据，计算用户的角膜曲率值，角膜塑形镜生产模块根据用户的角膜曲率值，进而生产出适配用户的角膜塑形镜。利用该生产装置，无论验光师有无人工对用户试戴角膜塑形镜的试戴片的相关工作经验，都可以帮助用户方便的计算出该用户的角膜塑形镜参数，进而生产出适配用户的角膜塑形镜。
Description
技术领域
本实用新型涉及眼镜加工技术领域，具体涉及一种角膜塑形镜的生产装置。
背景技术
现在验配角膜塑形镜的方式都是验光师人工对用户进行试戴多次试戴片，然后得出一个角膜塑形镜参数，基于得到的角膜塑形镜参数，去加工得到对应的角膜塑形镜。然而，这种获取角膜塑形镜参数方式，对于同一个用户的角膜地形图参数，由不同验光师下验配，其角膜塑形镜参数都可能不同，再则这个角膜塑形镜参数的准确性还与验光师的相关方面工作经验有关，从而可能会导致生产出的角膜塑形镜与该用户不匹配，影响用户体验度。
实用新型内容
针对上述问题，本实用新型提供一种角膜塑形镜的生产装置。
本实用新型的目的采用以下技术方案来实现：
一种角膜塑形镜的生产装置，该生产装置包括：获取模块、角膜塑形镜参数计算模块和角膜塑形镜生产模块；
所述获取模块，用于获取用户的角膜数据；
所述角膜塑形镜参数计算模块，用于根据用户的角膜数据，计算用户的角膜曲率值；
所述角膜塑形镜生产模块，用于根据得到的用户的角膜曲率值，生产适配用户的角膜塑形镜。
在一种可行的实施方式中，所述用户的角膜数据包括：用户的角膜地形图，或，用户的角膜地形图参数。
在一种可行的实施方式中，所述角膜塑形镜参数计算模块包括：第一计算子模块和第二计算子模块；
所述第一计算子模块，用于根据用户的角膜地形图图像，计算用户的角膜曲率值；
所述第二计算子模块，用于根据用户的角膜地形图参数，计算用户的角膜曲率值。
在一种可行的实施方式中，所述第一计算子模块包括：
第一历史数据获取单元，用于获取第一历史数据，所述第一历史数据包括：已验配用户的角膜地形图以及对应的角膜曲率值数据；
第一模型构建单元，用于根据所述第一历史数据，构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型；
第一角膜曲率值计算单元，用于将用户的角膜地形图图像输入至所述模型，得到所述用户的角膜曲率值。
在一种可行的实施方式中，所述神经网络模型是采用深度学习算法构建得到的，构建过程包括：
S1：对所述已验配用户的角膜地形图进行图像分割处理，得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像，将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据；
S2：将所有样本数据划分为训练集和测试集；
S3：保留一张颜色对照标识板特征区域图像，根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系；
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理，得到各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。
在一种可行的实施方式中，所述深度学习算法为：CNN卷积神经网络算法；
所述步骤S3包括：
对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理，得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值；
根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系；
对所述训练集中的各个样本数据进行降噪处理，得到降噪后的各个样本数据中像素点的颜色像素值；
根据建立的颜色像素值与角膜曲率值的对应关系，确定训练集中的各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。
在一种可行的实施方式中，所述第二计算子模块包括：
第二历史数据获取单元，用于获取第二历史数据，所述第二历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
第二数据处理单元，用于对所述第二历史数据进行预处理，剔除无效数据；
第二模型构建单元，用于根据所述第二历史数据，构建用于根据所述预处理后的第二历史数据计算角膜曲率值的线性回归模型；
第二角膜曲率值计算单元，用于获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。
在一种可行的实施方式中，所述的线性回归模型是采用有监督的学习算法构建得到的，具体包括：
T1：将预处理后的用户的角膜地形图参数与其对应的角膜塑形镜的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；
T2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；
T3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到线性回归模型：
Ke＝b0+b1×Kf+b2×minK+b3×Em
式中，Ke是角膜曲率值，b0为常数项，b1、b2、b3分别为Kf、minK、Em的回归系数，Kf为平坦子午线屈光力，即水平向曲率，minK为最小子午线屈光力，即最小曲率，Em为最小角膜曲率子午线方向的角膜偏心率。
在一种可行的实施方式中，在步骤T3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：
T31:对引入的自变量进行F检验，判断该自变量是否显著；
T32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；
T33：按照步骤T31-T32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。
在一种可行的实施方式中，所述第二计算子模块还包括：模型优化单元：
所述模型优化单元，用于优化所述线性回归模型，具体优化过程是：
重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；
计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：
Ke＝b0′+b1′×Kf+b2′×minK+b3′×Em
式中，Ke是角膜曲率值，b0'为常数项，b1'、b2'、b3'分别为Kf、minK、Em 的优化后的回归系数，其中，b0'＝6.3982，b1'＝0.3395，b2'＝0.5234，b3'＝-0.9399。
本实用新型的有益效果为：本实用新型提供了一种角膜塑形镜的生产装置，通过获取模块获取用户的角膜数据，然后基于用户角膜数据，计算用户的角膜曲率值，该角膜曲率值即为用户适配的角膜塑形镜参数，角膜塑形镜生产模块根据用户的角膜曲率值，进而生产出适配用户的角膜塑形镜。利用该生产装置，无论验光师有无人工对用户试戴角膜塑形镜的试戴片的相关工作经验，都可以帮助用户方便的计算出该用户的角膜塑形镜参数，生产出适配用户的角膜塑形镜。
附图说明
利用附图对本实用新型作进一步说明，但附图中的实施例不构成对本实用新型的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本实用新型实施例提供的一种角膜塑形镜的生产装置的框架结构图；
图2是本实用新型实施例提供的第一计算子模块的框架结构图；
图3是本实用新型实施例提供的第二计算子模块的框架结构图。
附图标记：获取模块100、角膜塑形镜参数计算模块200、角膜塑形镜生产模块300、第一计算子模块210、第二计算子模块220、第一历史数据获取单元211、第一模型构建单元212、第一角膜曲率值计算单元213、评估单元214、第二历史数据获取单元221、第二数据处理单元222、第二模型构建单元223、第二角膜曲率值计算单元224、模型优化单元225。
具体实施方式
结合以下实施例对本实用新型作进一步描述。
图1示出了一种角膜塑形镜的生产装置，该生产装置包括：获取模块100、角膜塑形镜参数计算模块200和角膜塑形镜生产模块300；
所述获取模块100，用于获取用户的角膜数据；
所述角膜塑形镜参数计算模块200，用于根据用户的角膜数据，计算用户的角膜曲率值；
所述角膜塑形镜生产模块300，用于根据得到的用户的角膜曲率值，生产适配用户的角膜塑形镜。
在一种可行的实施方式中，所述用户的角膜数据包括：用户的角膜地形图，或，用户的角膜地形图参数。
在一种可行的实施方式中，所述角膜塑形镜参数计算模块200包括：第一计算子模块210和第二计算子模块220；
所述第一计算子模块210，用于根据用户的角膜地形图图像，计算用户的角膜曲率值；
所述第二计算子模块220，用于根据用户的角膜地形图参数，计算用户的角膜曲率值。
在一种可行的实施方式中，参见图2，所述第一计算子模块210包括：第一历史数据获取单元211、第一模型构建单元212、第一角膜曲率值计算单元213 和评估单元214。
第一历史数据获取单元211，用于获取第一历史数据，所述第一历史数据包括：已验配用户的角膜地形图以及对应的角膜曲率值数据；
第一模型构建单元212，用于根据所述第一历史数据，构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型；
在一种可选的实施方式中，所述神经网络模型是采用深度学习算法构建得到的，构建过程包括：
对所述已验配用户的角膜地形图进行图像分割处理，得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像，将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据；
将所有样本数据划分为训练集和测试集；
保留一张颜色对照标识板特征区域图像，根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系；
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理，得到各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。
作为优选，所述深度学习算法为：CNN卷积神经网络算法；
采用所述CNN卷积神经网络算法构建所述神经网络模型过程包括：
对所述已验配用户的角膜地形图进行图像分割处理，得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像，将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据；
将所有样本数据划分为训练集和测试集；
保留一张颜色对照标识板特征区域图像,第一步，利用卷积层识别颜色对照标识板特征区域图像中每个像素点的颜色，得到各个像素点的颜色像素值；第二步，利用池化层对卷积层得到的各个像素点的颜色像素值进行降噪处理，从而只保留该颜色对照标识板特征区域图像中有用的信息，减少不必要的噪声传递；第三步，利用全连接层将各个像素点的颜色像素值进行汇总；第四步，分类对照转换，颜色对照标识板特征区域图像中的颜色对应的角膜曲率值是一个0～101.5的连续数值，与颜色像素值0～255的连续数值相对应，把角膜曲率值平均分为255 份，然后将具体的角膜曲率值对应到0～255个颜色像素值上，从而使得颜色对照标识板特征区域图像中的颜色像素值和角膜曲率值形成了一一对应的关系，并进一步将建立的颜色像素值与角膜曲率值的对应关系进行存储。之后将训练集中各个样本数据依次经卷积层、池化层和全连接层处理后，得到训练集中各个样本数据中像素点的颜色像素值，根据建立的颜色像素值与角膜曲率值的对应关系，确定训练集中各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。
第一角膜曲率值计算单元213，用于将用户的角膜地形图图像输入至所述模型，得到所述用户的角膜曲率值。
评估单元214，用于将所述测试集的各个样本数据输入至所述神经网络模型中，得到所述测试集的各个样本数据的角膜曲率预测值，基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值，评估所述神经网络模型的准确率。
为了配出适合用户的角膜塑形镜，需要获取用户的角膜曲率值，进而根据该角膜曲率值配出合适的角膜塑形镜。本实用新型上述实施方式提供的第一计算子模块210在只需要有待测用户的角膜地形图的基础上就可以根据构建的神经网络模型得到该待测用户的角膜曲率值，进而根据得到的角膜曲率值，利用角膜塑形镜生产模块300生产出适合待测用户的角膜塑形镜。该第一计算子模块210省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。
在一种可行的实施方式中，所述第二计算子模块220包括：第二历史数据获取单元221、第二数据处理单元222、第二模型构建单元223、第二角膜曲率值计算单元224和模型优化单元225。
第二历史数据获取单元221，用于获取第二历史数据，所述第二历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
第二数据处理单元222，用于对所述第二历史数据进行预处理，剔除无效数据；
第二模型构建单元223，用于根据所述第二历史数据，构建用于根据所述预处理后的第二历史数据计算角膜曲率值的线性回归模型；
第二角膜曲率值计算单元224，用于获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。
模型优化单元225，用于优化所述线性回归模型。
在一种可行的实施方式中，所述的线性回归模型是采用有监督的学习算法构建得到的，具体包括：
T1：将预处理后的用户的角膜地形图参数与其对应的角膜塑形镜的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；
T2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；
T3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到线性回归模型：
Ke＝b0+b1×Kf+b2×minK+b3×Em
式中，Ke是角膜曲率值，b0为常数项，b1、b2、b3分别为Kf、minK、Em的回归系数，Kf为平坦子午线屈光力，即水平向曲率，minK为最小子午线屈光力，即最小曲率，Em为最小角膜曲率子午线方向的角膜偏心率。
在一种可行的实施方式中，在步骤T3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：
T31:对引入的自变量进行F检验，判断该自变量是否显著；
T32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；
T33：按照步骤T31-T32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。
在一种可行的实施方式中，所述模型优化单元225的具体优化过程是：
重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；
计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：
Ke＝b0′+b1′×Kf+b2′×minK+b3′×Em
式中，Ke是角膜曲率值，b0'为常数项，b1'、b2'、b3'分别为Kf、minK、Em 的优化后的回归系数，其中，b0'＝6.3982，b1'＝0.3395，b2'＝0.5234，b3'＝-0.9399。
设置一模型优化单元225，利用重新获取新用户的角膜地形图参数，将参数代入到建立的线性回归模型即可得到用户的角膜曲率值，将得到的角膜曲率值和验光师对该用户验配得到的角膜曲率真实值进行比较，根据比较结果对该模型进一步进行调优操作，以达到更高的准确率，从而为用户提供精确地角膜曲率值，进而方便后续为用户配置合适的角膜塑形镜。
本实用新型上述实施例的第二计算子模块220，能够根据获取已验配用户的角膜地形图参数和其对应的角膜曲率真实值训练得到一个线性回归模型，然后利用该模型可以得到待测用户需要佩带的角膜塑形镜参数(即用户的角膜曲率值)。本实用新型上述实施例基于现有的角膜地形图参数，可用上述的线性回归模型就可计算出用户的角膜曲率值，进而为用户配置合适的角膜塑形镜，从而省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。
本实用新型的有益效果为：本实用新型提供了一种角膜塑形镜的生产装置，通过获取模块获取用户的角膜数据，然后基于用户角膜数据，计算用户的角膜曲率值，该角膜曲率值即为用户适配的角膜塑形镜参数，角膜塑形镜生产模块根据用户的角膜曲率值，进而生产出适配用户的角膜塑形镜。利用该生产装置，无论验光师有无人工对用户试戴角膜塑形镜的试戴片的相关工作经验，都可以帮助用户方便的计算出该用户的角膜塑形镜参数，生产出适配用户的角膜塑形镜。
最后应当说明的是，以上实施例仅用以说明本实用新型的技术方案，而非对本实用新型保护范围的限制，尽管参照较佳实施例对本实用新型作了详细地说明，本领域的普通技术人员应当理解，可以对本实用新型的技术方案进行修改或者等同替换，而不脱离本实用新型技术方案的实质和范围。
Claims (6)
1.一种角膜塑形镜的生产装置，其特征在于，包括：获取模块、角膜塑形镜参数计算模块和角膜塑形镜生产模块；
所述获取模块，用于获取用户的角膜数据；
所述角膜塑形镜参数计算模块，用于根据用户的角膜数据，计算用户的角膜曲率值；
所述角膜塑形镜生产模块，用于根据得到的用户的角膜曲率值，生产适配用户的角膜塑形镜。
2.根据权利要求1所述的角膜塑形镜的生产装置，其特征在于，所述用户的角膜数据包括：用户的角膜地形图，或，用户的角膜地形图参数。
3.根据权利要求2所述的角膜塑形镜的生产装置，其特征在于，所述角膜塑形镜参数计算模块包括：第一计算子模块和第二计算子模块；
所述第一计算子模块，用于根据用户的角膜地形图，计算用户的角膜曲率值；
所述第二计算子模块，用于根据用户的角膜地形图参数，计算用户的角膜曲率值。
4.根据权利要求3所述的角膜塑形镜的生产装置，其特征在于，所述第一计算子模块包括：
第一历史数据获取单元，用于获取第一历史数据，所述第一历史数据包括：已验配用户的角膜地形图以及对应的角膜曲率值数据；
第一模型构建单元，用于根据所述第一历史数据，构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型；
第一角膜曲率值计算单元，用于将用户的角膜地形图输入至所述模型，得到所述用户的角膜曲率值。
5.根据权利要求3所述的角膜塑形镜的生产装置，其特征在于，所述第二计算子模块包括：
第二历史数据获取单元，用于获取第二历史数据，所述第二历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；
第二数据处理单元，用于对所述第二历史数据进行预处理，剔除无效数据；
第二模型构建单元，用于根据所述第二历史数据，构建用于根据所述预处理后的第二历史数据计算角膜曲率值的线性回归模型；
第二角膜曲率值计算单元，用于获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。
6.根据权利要求5所述的角膜塑形镜的生产装置，其特征在于，所述第二计算子模块还包括：模型优化单元；
所述模型优化单元，用于优化所述线性回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201922030232.2U CN211786441U (zh) | 2019-11-21 | 2019-11-21 | 一种角膜塑形镜的生产装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201922030232.2U CN211786441U (zh) | 2019-11-21 | 2019-11-21 | 一种角膜塑形镜的生产装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN211786441U true CN211786441U (zh) | 2020-10-27 |
Family
ID=72962054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201922030232.2U Active CN211786441U (zh) | 2019-11-21 | 2019-11-21 | 一种角膜塑形镜的生产装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN211786441U (zh) |
-
2019
- 2019-11-21 CN CN201922030232.2U patent/CN211786441U/zh active Active
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111000525B (zh) | 一种基于大数据的角膜塑形镜验配方法及系统 | |
| CN111134613B (zh) | 一种基于图像识别的角膜塑形镜验配方法及系统 | |
| CN105069423B (zh) | 一种人体姿态检测方法及装置 | |
| CN110989199A (zh) | 一种角膜塑形镜度数的计算装置 | |
| US20210382329A1 (en) | Determination of at least one optical parameter of a spectacle lens | |
| US20180307198A1 (en) | Machined surface quality evaluation device | |
| CN110110600B (zh) | 眼部oct图像病灶识别方法、装置及存储介质 | |
| CN110908140A (zh) | 一种角膜塑形镜的生产装置 | |
| CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
| CN107229920A (zh) | 基于整合深度典型时间规整及相关修正的行为识别方法 | |
| CN114239208A (zh) | 基于角膜塑形镜配镜的数据处理方法和相关设备 | |
| CN211627958U (zh) | 一种角膜塑形镜度数的计算装置 | |
| CN211786441U (zh) | 一种角膜塑形镜的生产装置 | |
| JP2020536282A5 (zh) | ||
| CN113806908A (zh) | 基于角膜塑形镜配镜的参数处理方法和相关设备 | |
| CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
| CN113989217A (zh) | 一种基于深度学习的人眼屈光度检测方法 | |
| CN112998657A (zh) | 一种预防皮肤过敏的方法及系统 | |
| CN101610623A (zh) | 轮廓光调节方法及其计算机系统 | |
| CN113360838B (zh) | 一种基于图像处理的喷嘴铸造监测方法及系统 | |
| WO2020106861A1 (en) | Intelligent topographic corneal procedure advisor | |
| CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
| CN109978962B (zh) | 一种面向暗室照度计检定的低对比度示值图像智能识别方法 | |
| CN103841327A (zh) | 一种基于原始图像的四维光场解码预处理方法 | |
| CN112120666B (zh) | 晶状体屈光力测算方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant |