JP2021152886A - 眼科用レンズにおけるエッジ欠陥検出および他の欠陥を強化するためのコンピュータ実装プロセス - Google Patents
眼科用レンズにおけるエッジ欠陥検出および他の欠陥を強化するためのコンピュータ実装プロセス Download PDFInfo
- Publication number
- JP2021152886A JP2021152886A JP2021028954A JP2021028954A JP2021152886A JP 2021152886 A JP2021152886 A JP 2021152886A JP 2021028954 A JP2021028954 A JP 2021028954A JP 2021028954 A JP2021028954 A JP 2021028954A JP 2021152886 A JP2021152886 A JP 2021152886A
- Authority
- JP
- Japan
- Prior art keywords
- image
- implementation process
- computer implementation
- edge
- images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 title claims description 24
- 238000001514 detection method Methods 0.000 title claims description 4
- 230000002708 enhancing effect Effects 0.000 title 1
- 238000007689 inspection Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000011112 process operation Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/66—Trinkets, e.g. shirt buttons or jewellery items
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
- G01N2021/9583—Lenses
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Eyeglasses (AREA)
Abstract
【課題】コンタクトレンズにおけるエッジ検査の分類精度及び信頼性を高めるコンピュータ実装プロセスを提供する。【解決手段】プロセスは、高解像度画像を取得するステップと、レンズの円形エッジを抽出するステップと、円形エッジを水平エッジに変換するステップと、水平エッジ周囲の無関係な画素データを除去して画像サイズを減らすステップと、レンズのエッジを表す水平線を等しいサイズの重なり合う領域に分割するステップと、分割された領域を垂直に積み重ねて、深層学習モジュールに合うようにエッジの単一の積み重ねられた画像を形成するステップと、を有する。【選択図】図1
Description
本発明は特定の関連画素データを抽出し、無関係なデータを除去することによって、正確さおよび速度の点で画像分類プロセスの効率を高めることによって、コンタクトレンズの高解像度画像を達成および維持することに関連する。ニューラルネットワークを用いた検査システムの迅速な訓練を助け、自動化システムにおけるコンタクトレンズの検査中に訓練された意思決定モデルを適用する再配置および再構築画像を通して、効率の増加を達成した。
コンタクトレンズ欠陥検査システムおよび方法は、コストを下げながら効率を高める方向に進化し続けている。パターン認識、画像相関、ヒストグラム等化、ディザリングなどは、検査方法で一般的に使用される一般的な画像処理アルゴリズムのいくつかである。欠陥検査基準がより厳しくなるにつれて、時間を犠牲にして検査効率を改善するために、追加のアルゴリズムが実施される。全ての追加のアルゴリズムは、検査時間を増加させ、生産性を低下させる。CPU速度、高度GPU(Graphic Processing Unit)、高速メモリ等における技術的改善は画像処理速度の改善に役立ってきたが、高解像度カメラから取得される画像のサイズはますます大きくなり、生産性が低下するだけである。したがって、高精度および再現性を達成する検査プロセスを支援するために高解像度画像を再構成するソフトウェア方法を真剣に検討することが最も重要である。
ニューラルネットワークは、検査システムの品質および生産性を犠牲にすることなく、検査品質を改善するための新しい手段を提供する。しかしながら、画像サイズが著しく増大したので、重要な欠陥データの劣化につながる画素データを最小化するために、画像圧縮アルゴリズムが導入される。したがって、検査の品質が影響を受け、次のプロセスの効率が損なわれる。ニューラルネットワークは、中程度のサイズの画像に対してより効率的である。画像サイズの増大は、ニューラルネットワーク及び深層学習方法の性能に悪影響を及ぼす。
現在の技術は特に、高解像度画像を処理する際に、微小欠陥識別および特徴抽出が検査システムの基本的な要件である場合に、検査品質を損なうことなくソフトウェア方法を使用することに欠ける。
本発明は高性能CPUによってサポートされる高解像度カメラ、重要でない画素データを識別し廃棄し、欠陥(すなわち、エッジ)を検出するために重要な領域のみを保持することによって最適化された画像を分析し処理するためにGPUによって補完される高速アクセスメモリを組み込むことによって、コンピュータ実装プロセスの使用を提唱する。コンピュータ実装プロセスは圧縮されないが、冗長画素データを最小限に抑えるために前処理され、非圧縮画像に平滑化技法を適用して欠陥候補を強調し、したがってより良好な検出を可能にする最適化画像を提供する。レンズ内の欠陥を識別する場合、高解像度画像は、特徴抽出および分類のためのいくつかのニューラルネットワークモジュールからなる深層学習モジュールによって、高速処理により適したいくつかの最適かつ所定のサイズの画像に分割される。レンズ内の欠陥識別の場合であっても、元の画像から画像を再配置または抽出するときに画像圧縮が適用されないことに留意することが重要である。
画像を縮小または再配置する利点の1つは、レンズのエッジを囲む冗長な画素を排除することである。続いて、速度及び精度の点で増強された欠陥検出のために、深層学習モジュールによって容易に処理される画像の所定のサイズに、同時に画像を分割する。
本発明の目的の1つは、画素データを圧縮または歪ませることなく、コンタクトレンズの円形エッジの高解像度かつ最適化された前処理画像を提供することである。
本発明の別の態様はコンタクトレンズの円形エッジを、画像のより高速な処理を補助する方法で再構成し、再配置することである。これは、円形コンタクトレンズのエッジを検出し、エッジをアンラップし、水平エッジに変換することによって達成される。画像は画像のサイズを最小限に抑えるために、エッジの周りの冗長画素データを削除することによって、さらに最適化される。
画素を水平および垂直エッジとして配置することの利点の1つは処理を改善し、これは画像をより高速に処理するためのアルゴリズムを助ける。すなわち、処理速度が大幅に向上する。アルゴリズムは、エッジ検出アルゴリズムであってもよい。
正方形画像を形成するように所定のサイズの画像(画像領域セグメント)を垂直に積み重ねることの別の利点は、正方形画像の長さおよび幅が同じであることである。例えば、正方形の画像をスキャンする場合、画素毎に、長方形の画像をスキャンするよりも少ない計算しか必要としないであろう。利点は計算の速度であり、計算の数を下回らないことである。例えば、矩形画像と比較して、正方形画像を処理する方が著しく高速である。
本発明の別の目的は互いに重なり合うより短い長さに分割される水平エッジをさらに再配置し、それらを互いに積み重ねて、任意のニューラルネットワークの入力層の要件に適合するすべてのエッジデータを有する正方形画像を生成し、正方形サイズを達成するために冗長な黒画素データで画像に当てることを回避することである。
本発明の別の目的は、機械学習のための検査システムの構成中にコンピュータ実装プロセスの訓練を支援するための分析モジュールのグループを作成することである。
本発明の別の目的は元の欠陥に類似したいくつかの新しい現実的な欠陥特徴を生成するために、分割された画像をさらに変換するために、生成敵対ネットワークアルゴリズムを適用することである。新たに生成された画像は機械学習のための検査システムの構成中に、コンピュータ実装プロセスの訓練をさらに強化するために利用される。
本発明の他の態様は、本発明の前述の態様のうちの1つまたは複数の様々な組合せ、ならびに以下の詳細な説明に見られるような、またはそれから導き出され得るような、本発明の様々な実施形態のうちの1つまたは複数の組合せを含む。本発明の前述の態様は、本発明の態様でもある対応するコンピュータ実装プロセスも有することを理解されたい。本発明の他の実施形態は本発明の特定の実施形態の以下の詳細な説明、および本発明によるシステムの説明および特定の実施形態の両方から、当業者によって導出され得ることも理解されるべきである。
本発明の特定の特徴、態様、および利点は、以下の説明、添付の特許請求の範囲、および添付の図面に関してより良く理解されるのであろう。
本発明の実施形態のうちの1つを実施するために、コンタクトレンズ検査システムを訓練してコンタクトレンズのエッジの周りの欠陥を識別し、異なる基準でそれらを分類するステップを示すフローチャートである。
本発明の別の実施形態を実施するための、コンタクトレンズ検査システムを訓練し、コンタクトレンズ内の欠陥を識別し、異なる基準でそれらを分類するステップを示すフローチャートである。
コンタクトレンズエッジの画像の説明図である。
極座標変換後のコンタクトレンズエッジの画像の説明図である。
特定の順序で積み重ねられた、図2aのエッジの抽出された領域の画像の図である。
レンズ内の欠陥検査に適したコンタクトレンズの高解像度画像のイメージ図である。
抽出される領域を識別した後の図4の画像の図である。
次のプロセスへの入力として使用される個々の重複領域を抽出した後の図5の画像の図である。
本発明の好ましい実施形態の以下の説明では、本明細書の一部を形成し、本発明を実施することができる特定の実施形態を例示として示す添付の図面を参照する。本発明の範囲から逸脱することなく、他の実施形態を利用することができ、構造的変更を行うことができることを理解されたい。
本発明によるシステムおよび方法の一般的なフローチャートを図1に示す。システム10は、取得プロセス動作12においてコンタクトレンズの高解像度画像を取得することによって始まる。次に、抽出プロセス動作14において、取得された画像を処理してレンズ円形エッジを抽出する。抽出された円形エッジは次に、転置プロセス動作16において水平画像に転置される。除去プロセス動作18では、画像のサイズを最小化するために、水平エッジの周りの無関係な画素データが除去される。次に、分割プロセス動作20において、水平エッジ画像は、いくつかの重なり合う画像に分割される。分割された一組の画像は他方の上方に順次積み重ねられて、積み重ねプロセスステップ22での解析を容易にするために、コンタクトレンズエッジの高解像度画像を形成する。積み重ねプロセスステップ22において再構成され再配置された画像は、その後、訓練および分析のための深層学習モジュールへの入力として使用できる。プロセスフローはステップ24で終了する。
本発明によるシステムおよび方法の別の実施形態の一般的なフローチャートを図1aに示す。システム30は、取得プロセス動作32においてコンタクトレンズの高解像度画像を取得することによって始まる。次いで、画像を処理して、位置決めプロセス動作33においてレンズ円形エッジを位置決めする。正方形が描画プロセスステップ34においてコンタクトレンズの円形エッジを密接に囲むように描かれる。レンズの円形エッジの所定領域外の画素データは、充填プロセスステップ35で暗色画素で充填される。所定領域は、16×16〜128×128画素であってもよい。次いで、コンタクトレンズ画像は、プログラム可能な分割プロセス動作36において、所定のサイズに分割され、重なり合う。所定のサイズは、等しいサイズであってもよい。代替的に、所定のサイズは、異なるサイズであってもよい。深層学習抽出プロセス動作38では、画像内のマーキングされた領域が抽出され、別々に記憶され、訓練および分析のために深層学習モジュールへの入力として適用される。プロセスフローはステップ40で終了する。
以上、本発明による一般的なシステムおよび方法について説明したが、次の段落では前述のプロセス動作の詳細を提供する。
図2は、図1のプロセスフローチャートの絵画的表現である。図2において、レンズ50は、コンタクトレンズの高解像度画像を表す。図2において、欠陥51は引裂き欠陥を表し、当業者が、以下に説明するレンズの円形エッジのアンラッピングの概念を理解できるように戦略的に配置されている。レンズ50は図2aに示すように、A1−A2から始まる水平画像にアンラップまたは転置される。この画像は、レンズ50と、図2の黒色510に網掛けされた内側円との間の領域である。図2の外側円は図2aの画素領域セグメント500、502、504、506、および508によって示されるように、水平方向に転置される。画素領域は等しいサイズであってもよいし、異なる(しかし等しい)サイズを有していてもよい。図2aの画像領域セグメント500は図2aに示すように、位置A1〜A2の前に始まり、画像領域セグメント502に重なる位置52の後に終わる。図2aの画像領域セグメント502は画像領域セグメント500の位置52の前で開始し、画像領域セグメント504に重なる位置53の後で終了する。図2aの画像領域セグメント504は画像領域セグメント502の位置53の前で開始し、画像領域セグメント506に重なる位置54の後で終了する。図2aの画像領域セグメント506は画像領域セグメント504内の位置54の前に始まり、画像領域セグメント508内に重なった位置55の後に終わる。図2aの画像領域セグメント508は画像領域セグメント506の位置55の前で開始し、画像領域セグメント500に重なり合う位置A1〜A2の後で終了する。隣接するセグメントにオーバーラップするこの方法の1つの利点は、画像のエッジの周りの領域が失われたり省略されたりしないことを保証する。図2aに示すアンラップ画像における欠陥51の位置に注目することが重要である。図3において、画像58は画像領域セグメント500、502、504、506、及び508を含み、画像領域セグメント500、502、504、506、及び508は、オーバーラップのために垂直方向により大きな領域を包含する。画像領域セグメント500、502、504、506、508は、図3に示すように順次上下に積み重ねられ、正方形の画像58を形成する。各セグメントのセグメント数及び幅は、積み重ねられたときに正方形画像を生成するように自動的に計算される。画像58の正方形の形状は、後続のプロセスステップによって決定されることに留意することが重要である。次のプロセスステップが異なる構成の画像形状またはサイズを必要とする場合、画像の配置中に、同じことが考慮される。図3の画像は、コンタクトレンズエッジの再構成された高解像度画像である。図3の画像は、入力画像として、迅速な訓練および分析を支援するニューラルネットワークからなる深層学習モジュールに適用されてもよい。再び、図3に示される積み重ねられた画像58における引裂き欠陥51の位置に注目することが重要である。
コンタクトレンズの画像を図4に示す。図4は、図1aのプロセスフローチャートの絵表示である。図4において、66は、正方形の画像65内に封入されたコンタクトレンズの高解像度画像を表す。コンタクトレンズの外側のエッジをまず検出し、次に外側の境界を描き、続いて、外側の境界とレンズの外側のエッジとの間に暗い画素を埋める。レンズ66の円形エッジおよび正方形65によって囲まれる領域は、検査に重要ではないので、充填された暗色画素である。レンズエッジがエッジ検出アルゴリズムによって識別されると、図5のサイズX1、Y1の図4におけるコンタクトレンズの高解像度画像は、互いに重なり合う複数の画像セグメントに分割される。画像は等しいサイズであってもよいし、異なるサイズであってもよい。画像セグメンテーションは、いくつかの方法で達成することができる。1つの方法は画像の境界を定義し、描画することであり、一旦境界が描画されると、画像全体のサイズを計算することができる。説明のために、サイズX1、Y1の図5における高解像度画像は、600、602、604、606、608、610、612、614、616の9つの等しい部分に分割される。分割された各画像は、好ましくはグラフィックス処理ユニットおよび深層学習ソフトウェアモジュールによる高速処理に適した特定のサイズである。分割された画像サイズX´、Y´はニューラルネットワークを訓練する前に、欠陥特徴のより良好な分析および効率の向上に対応するように予め決定される。サイズX´、Y´の典型的な分割画像を図6の70に示す。
本発明のいくつかの実施形態をここで説明してきたが、上記は単に例示的なものであり、限定的なものではなく、単に例として提示されたものであることが当業者には明らかであろう。多数の修正および他の実施形態は当業者の範囲内であり、添付の特許請求の範囲およびそれと同等のものによって定義される本発明の範囲内に入ると考えられる。
Claims (10)
- 少なくとも1つの高性能プロセッサと、高速アクセスメモリと、いくつかの並列グラフィック処理ユニットとを備え、ニューラルネットワークを用いてオブジェクト検出モデルを作成して検査能率を向上させるためのコンピュータ実装プロセスであって、
オブジェクトの圧縮されていない高解像度画像と、
画素データを圧縮することなく欠陥情報を強調するために平滑化アルゴリズムを適用することによって画像を前処理することと、
前処理された画像をセグメント化し、グラフィック処理ユニットへの入力に最も適した正方形領域に再構成することによって次元正規化を実行することと、
最適化された画像に深層学習アルゴリズムを適用して、各画像内の特徴情報を抽出し、機械学習および訓練を支援することと、
ニューラルネットワークの適用によるいくつかのカテゴリの下で抽出され較正された特徴情報を分類することと、
最適化されおよび圧縮されていない画像への生成敵対ネットワークの適用を通じて生成された新しい画像から抽出された特徴のカテゴリを再分類することと、
非圧縮画像における微小欠陥検査のために画像内で検出され抽出された特徴の広範なデータベースを作成することと、
ドメイン知識データベースと組み合わせたニューラルネットワークを活用し、新しいデバイスを高速かつ効率的に検査することと、を備える、コンピュータ実装プロセス。 - 検査される欠陥に関連しない冗長データの除去をさらに含む、請求項1に記載のコンピュータ実装プロセス。
- 前記ニューラルネットワークの精度を向上させるために、冗長データを除去し、それを暗色画素で置き換えることをさらに含む、請求項1に記載のコンピュータ実装プロセス。
- 円形オブジェクトのエッジを抽出し、それをオーバーラップ領域で水平に転置して、円形オブジェクトのエッジを抽出して水平線にアンラップし、次に、2つの隣接するエッジを結合するときに画素情報を失わないように、オーバーラップ領域を有する複数のセグメントにこの線を分割することをさらに含む、請求項1に記載のコンピュータ実装プロセス。
- さらなる分析のため正規化された正方形画像を作成するために、各水平領域を上下に積み重ねるプロセスをさらに含む、請求項4に記載のコンピュータ実装プロセス。
- 前記画像は、任意の所与の時間におけるプロセスステップに応じて、前記オブジェクトの訓練、分析、または検査のための深層学習モジュールを使用して処理される、請求項5に記載のコンピュータ実装プロセス。
- 円形オブジェクトの輪郭をトレースし、円形領域を、グラフィック処理ユニットへの入力のために最適化されたいくつかの重なり合う正方形に分割することをさらに含む、請求項1に記載のコンピュータ実装プロセス。
- 重なり合う前記正方形領域を抽出し、前記円形エッジの外側の全ての冗長画素をブラック画素で埋める処理が、精度を向上させるために実行される、請求項7に記載のコンピュータ実現プロセス。
- 前記抽出された特徴および欠陥の特性を分析し、分類する処理は、蓄積された領域知識データベースの効率をさらに向上させるために実行される、請求項8に記載のコンピュータ実装プロセス。
- 新しいオブジェクトの欠陥検査は高精度および再現性を高速で達成するために、深層学習モジュールを介して構築された領域知識を使用して製造中に実行される、請求項9に記載のコンピュータ実装プロセス。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10202001656VA SG10202001656VA (en) | 2020-02-25 | 2020-02-25 | A computer implemented process to enhance edge defect detection and other defects in ophthalmic lenses |
SG10202001656V | 2020-02-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021152886A true JP2021152886A (ja) | 2021-09-30 |
Family
ID=77176356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021028954A Pending JP2021152886A (ja) | 2020-02-25 | 2021-02-25 | 眼科用レンズにおけるエッジ欠陥検出および他の欠陥を強化するためのコンピュータ実装プロセス |
Country Status (7)
Country | Link |
---|---|
US (1) | US11816824B2 (ja) |
JP (1) | JP2021152886A (ja) |
KR (1) | KR20210108338A (ja) |
CN (1) | CN113376182A (ja) |
DE (1) | DE102021201767A1 (ja) |
SG (1) | SG10202001656VA (ja) |
TW (1) | TW202202831A (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488020B2 (en) * | 2020-06-02 | 2022-11-01 | Sap Se | Adaptive high-resolution digital image processing with neural networks |
CN116055778B (zh) * | 2022-05-30 | 2023-11-21 | 荣耀终端有限公司 | 视频数据的处理方法、电子设备及可读存储介质 |
CN114782288A (zh) * | 2022-06-22 | 2022-07-22 | 深圳市润之汇实业有限公司 | 基于图像的透镜生产工艺监督方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10262229B1 (en) * | 2015-03-24 | 2019-04-16 | Hrl Laboratories, Llc | Wide-area salient object detection architecture for low power hardware platforms |
WO2019018693A2 (en) * | 2017-07-19 | 2019-01-24 | Altius Institute For Biomedical Sciences | METHODS OF ANALYZING MICROSCOPIC IMAGES USING AUTOMATIC LEARNING |
-
2020
- 2020-02-25 SG SG10202001656VA patent/SG10202001656VA/en unknown
-
2021
- 2021-02-25 TW TW110106710A patent/TW202202831A/zh unknown
- 2021-02-25 US US17/185,359 patent/US11816824B2/en active Active
- 2021-02-25 KR KR1020210025985A patent/KR20210108338A/ko active Search and Examination
- 2021-02-25 JP JP2021028954A patent/JP2021152886A/ja active Pending
- 2021-02-25 DE DE102021201767.3A patent/DE102021201767A1/de active Pending
- 2021-02-25 CN CN202110212782.5A patent/CN113376182A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102021201767A1 (de) | 2021-08-26 |
US11816824B2 (en) | 2023-11-14 |
TW202202831A (zh) | 2022-01-16 |
KR20210108338A (ko) | 2021-09-02 |
CN113376182A (zh) | 2021-09-10 |
SG10202001656VA (en) | 2021-09-29 |
US20210264585A1 (en) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021152886A (ja) | 眼科用レンズにおけるエッジ欠陥検出および他の欠陥を強化するためのコンピュータ実装プロセス | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN107808141A (zh) | 一种基于深度学习的输电线路绝缘子爆裂识别方法 | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
CN110334709B (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
CN110738030A (zh) | 表格重建方法、装置、电子设备及存储介质 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
EP3568807A1 (en) | Logo detection video analytics | |
CN114549407A (zh) | 基于x射线图像的耐张线夹压接缺陷程度判断方法 | |
CN115171138A (zh) | 一种身份证图片文本检测方法、系统及设备 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN116228637A (zh) | 基于多任务多尺寸网络的电子元器件缺陷识别方法及装置 | |
CN114049625B (zh) | 基于新型图像收缩方法的多方向文本检测方法 | |
CN114648751A (zh) | 一种处理视频字幕的方法、装置、终端及存储介质 | |
CN114529742A (zh) | 图像相似度确定方法、装置、设备及计算机可读存储介质 | |
CN114581448B (zh) | 图像检测方法、装置、终端设备以及存储介质 | |
CN116777905B (zh) | 基于长尾分布数据的智能工业旋转检测方法及系统 | |
CN116152807B (zh) | 一种基于U-Net网络的工业缺陷语义分割方法及存储介质 | |
CN114240904A (zh) | 一种基于dpgan模型的疵点织物生成方法 | |
Kim et al. | P‐98: Novel Solution for High‐Speed Detecting Very Small Defects in Display | |
CN115240214A (zh) | 一种表格结构识别方法 | |
CN117474898A (zh) | 罐头异物检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240201 |