KR20230019052A - 밀봉된 렌즈 패키지를 위한 품질 관리 - Google Patents
밀봉된 렌즈 패키지를 위한 품질 관리 Download PDFInfo
- Publication number
- KR20230019052A KR20230019052A KR1020220094017A KR20220094017A KR20230019052A KR 20230019052 A KR20230019052 A KR 20230019052A KR 1020220094017 A KR1020220094017 A KR 1020220094017A KR 20220094017 A KR20220094017 A KR 20220094017A KR 20230019052 A KR20230019052 A KR 20230019052A
- Authority
- KR
- South Korea
- Prior art keywords
- package
- light
- quality control
- lens
- sealed
- Prior art date
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 22
- 239000012636 effector Substances 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 14
- 239000000356 contaminant Substances 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 6
- 239000011888 foil Substances 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 claims 6
- 238000000576 coating method Methods 0.000 claims 6
- 238000001429 visible spectrum Methods 0.000 claims 6
- 238000002329 infrared spectrum Methods 0.000 claims 4
- 238000002211 ultraviolet spectrum Methods 0.000 claims 4
- 238000007689 inspection Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007789 sealing Methods 0.000 description 6
- 229910001220 stainless steel Inorganic materials 0.000 description 6
- 239000010935 stainless steel Substances 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 239000004793 Polystyrene Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 5
- 229910052782 aluminium Inorganic materials 0.000 description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 229920002223 polystyrene Polymers 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 239000012634 fragment Substances 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- IZJSTXINDUKPRP-UHFFFAOYSA-N aluminum lead Chemical compound [Al].[Pb] IZJSTXINDUKPRP-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 231100000640 hair analysis Toxicity 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- 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
- G01N21/94—Investigating contamination, e.g. dust
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G01N21/8806—Specially adapted optical and illumination features
- G01N2021/8845—Multiple wavelengths of illumination or detection
-
- 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
-
- 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
- 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
- G01N2021/8887—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 based on image processing techniques
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/10—Scanning
- G01N2201/104—Mechano-optical scan, i.e. object and beam moving
Abstract
밀봉된 콘택트 렌즈 패키지의 품질 관리를 위한 방법은 밀봉된 콘택트 렌즈의 패키지를 라이트 박스 내에 배치하는 단계, 패키지가 광원에 의해 라이트 박스 내에서 조명되게 하는 단계, 라이트 박스 내의 조명된 패키지의 이미지 데이터를 캡처하는 단계, 하나 이상의 품질 관리 모델에 기초하여, 라이트 박스 내의 조명된 패키지의 이미지 데이터를 분석하는 단계, 및 분석에 기초하여, 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭의 출력을 야기하는 단계를 포함할 수 있다.
Description
패키징된 콘택트 렌즈를 위한 품질 관리는 제품이 1차 패키지에서 밀봉되기 전에 검사 및 검출에 의존할 수 있다. 그러나, 이는 검사 후 이물질이 도입될 수 있거나, 또는 검사 후 프로세스에서 렌즈가 손실될 수 있다는 가능성을 허용한다. 추가적인 렌즈가 밀봉 전에 부주의로 패키지 내로 떨어질 수 있다.
개선이 필요하다.
본 개시내용은 밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 시스템에 관한 것이다. 시스템은 밀봉된 콘택트 렌즈의 패키지와 맞물리고 패키지가 해제가능하게 고정되도록 구성된 엔드 이펙터를 포함할 수 있다. 시스템은 엔드 이펙터에 결합되고 엔드 이펙터의 이동을 제어하도록 구성된 전기자를 포함하는 제어 메커니즘을 포함할 수 있다. 시스템은 광 캐비티의 적어도 일부분을 한정하는 내부 만곡된 반사 표면을 갖고, 내부 만곡된 반사 표면의 반대편에 배치된 애퍼처를 한정하고 광 캐비티에 대한 접근을 허용하는 하우징을 포함하는 라이트 박스를 포함할 수 있다. 시스템은 광 캐비티 내로 광을 방출하도록 배치된 광원, 및 광 캐비티의 스펙트럼 데이터를 캡처하도록 배치된 하나 이상의 센서를 포함할 수 있다. 제어 메커니즘은 엔드 이펙터로 하여금 패키지를 광 캐비티 내에 배치하게 하도록 추가로 구성될 수 있고, 하나 이상의 센서는 광원에 의해 조명되는 광 캐비티 내의 패키지의 하나 이상의 이미지를 캡처하도록 구성된다.
시스템은 하나 이상의 센서와 데이터 통신하는 컴퓨팅 디바이스를 추가로 포함할 수 있다. 컴퓨팅 디바이스는, 실행될 때, 컴퓨팅 디바이스로 하여금 하나 이상의 이미지를 분석하게 하는 명령어를 저장하는 컴퓨터 판독가능 매체를 포함할 수 있다. 이미지 분석은 하나 이상의 품질 관리 모델에 기초할 수 있고, 광 캐비티 내의 패키지의 하나 이상의 이미지를 이용할 수 있다. 분석의 결과는 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭일 수 있다.
본 개시내용은 밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 방법들에 관한 것이다. 본 방법은 밀봉된 콘택트 렌즈의 패키지를 라이트 박스 내에 배치하는 단계 및 패키지가 광원에 의해 라이트 박스 내에서 조명되게 하는 단계를 포함할 수 있다. 본 방법은 라이트 박스 내의 조명된 패키지의 이미지 데이터를 캡처하는 단계 및 하나 이상의 품질 관리 모델에 기초하여 라이트 박스 내의 조명된 패키지의 이미지 데이터를 분석하는 단계를 추가로 포함한다. 본 방법은, 분석에 기초하여, 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭의 출력을 야기하는 단계를 추가로 포함한다.
본 개시내용은 밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 방법에 관한 것이다. 본 방법은 밀봉된 콘택트 렌즈의 패키지의 이미지 데이터를 캡처하는 단계; 하나 이상의 품질 관리 모델에 기초하여, 이미지 데이터를 분석하는 단계; 및 분석에 기초하여, 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭의 출력을 야기하는 단계를 포함한다.
밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 방법은 밀봉된 콘택트 렌즈 패키지의 이미지 데이터에 대해 트레이닝(training)된 기계 학습 알고리즘 및/또는 규칙 기반 알고리즘을 추가로 포함할 수 있다.
밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 방법은 이물질 검출 모델, 누락 렌즈 검출 모델(missing lens detection model), 또는 다수 렌즈 검출 모델(multiple lens detection model)을 추가로 포함할 수 있다.
하기 도면은 대체적으로, 제한으로서가 아니라 예로서, 본 명세서에 논의된 다양한 예들을 도시한다. 도면에서,
도 1은 본 개시내용에 따른 예시적인 시스템을 예시한다.
도 2는 본 개시내용에 따른 시스템의 개략 측면도를 예시한다.
도 3은 본 개시내용에 따른 시스템의 사시도를 예시한다.
도 4는 본 개시내용에 따른 시스템의 정면도를 예시한다.
도 5는 본 개시내용에 따른 시스템의 측면도를 예시한다.
도 6은 본 개시내용에 따른 예시적인 라이트 박스를 예시한다.
도 7은 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 8은 콘택트 렌즈의 예시적인 패키지를 예시한다.
도 9는 콘택트 렌즈의 예시적인 패키지를 예시한다.
도 10은 가스 버블 및 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지를 예시한다.
도 11은 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 12는 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 13은 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 14는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 15는 본 개시내용에 따른 예시적인 방법을 예시한다.
도 16은 본 개시내용에 따른 예시적인 방법을 예시한다.
도 1은 본 개시내용에 따른 예시적인 시스템을 예시한다.
도 2는 본 개시내용에 따른 시스템의 개략 측면도를 예시한다.
도 3은 본 개시내용에 따른 시스템의 사시도를 예시한다.
도 4는 본 개시내용에 따른 시스템의 정면도를 예시한다.
도 5는 본 개시내용에 따른 시스템의 측면도를 예시한다.
도 6은 본 개시내용에 따른 예시적인 라이트 박스를 예시한다.
도 7은 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 8은 콘택트 렌즈의 예시적인 패키지를 예시한다.
도 9는 콘택트 렌즈의 예시적인 패키지를 예시한다.
도 10은 가스 버블 및 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지를 예시한다.
도 11은 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 12는 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 13은 예시적인 이물질을 보여주는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 14는 콘택트 렌즈의 예시적인 패키지의 이미지를 예시한다.
도 15는 본 개시내용에 따른 예시적인 방법을 예시한다.
도 16은 본 개시내용에 따른 예시적인 방법을 예시한다.
본 개시내용은 밀봉된 렌즈 패키지들의 품질 관리에 관한 것이다. 본 개시내용은 이물질, 잔해물, 또는 추가물(예를 들어, 다수(multiple))을 포함할 수 있거나 또는 누락 렌즈를 나타낼 수 있는 하나 이상의 밀봉된 렌즈 패키지를 식별하는 것에 관한 것이다. 본 개시내용에 따른, 밀봉된 콘택트 렌즈의 패키지를 위한 품질 관리는 밀봉된 콘택트 렌즈의 패키지를 위한 품질 관리 메트릭을 결정하는 것을 포함할 수 있다. 품질 관리 메트릭은 수락 또는 거부일 수 있거나 이를 포함할 수 있다. 품질 관리 메트릭은 적어도 이물질, 잔해물, 또는 부정확하게 패키징된 렌즈, 누락 렌즈, 또는 단일 패키지 내의 다수 렌즈의 검출에 기초할 수 있다. 품질 관리 메트릭을 결정하는 데 다른 파라미터가 사용될 수 있다.
본 개시내용은 열 밀봉 프로세스가 완료된 후 이러한 이상(예를 들어, 이물질, 잔해물, 또는 부정확하게 패키징된 렌즈, 누락 렌즈, 또는 단일 패키지 내의 다수 렌즈)에 대한 검사에 관한 것이다. 일례로서, 밀봉된 패키지의 검사는 패키지 몸체(예를 들어, 보울(bowl))의 외측으로부터 완전히 밀봉된 패키지의 이미지를 캡처함으로써 구현될 수 있다. 이어서, 캡처된 이미지는 기계 학습 알고리즘 및/또는 규칙 기반 알고리즘(예를 들어, 세그먼트화(segmentation)를 위해)을 사용하여 프로세싱되는 것과 같이 분석될 수 있다. 캡처된 이미지의 다른 분석이 사용될 수 있다. 예를 들어, 이물질, 누락 렌즈 조건, 또는 다수 렌즈 조건이 검출되는 경우, 패키지는 (예를 들어, 하류 로봇 스테이션에서) 거부되도록 (예를 들어, 품질 메트릭을 이용하여) 할당된다. 다른 품질 관리 파라미터가 검출될 수 있다.
예시적인 예에서와 같이, 표 1은 잘못 패키징된 제품 또는 이물질, 잔해물 등을 포함한 패키징을 갖는 제품에 관한 5년에 걸친 사용자 조사를 보여준다. 보여지는 바와 같이, 알루미늄, 스테인리스강, 강철 및 폴리스티렌은 함께, 식별된 이물질 발생률의 87.9%를 구성한다.
[표 1]
추가의 예시적인 예로서, 실험 데이터는, 본 개시내용의 시스템 및 방법이 밀봉 전에 개방될 때 부주의하게 패키지 내로 떨어질 수 있는 알루미늄 리드 스톡 단편(aluminum lid stock fragment), 스테인리스강 단편, 또는 플라스틱 단편과 같은, 그러나 이들로 제한되지 않는 이물질을 검출하는 데 바람직한 결과를 제공하였음을 보여준다. 추가적으로 또는 대안적으로, 다른 품질 관리 문제가 다루어질 수 있다.
시스템 개관
콘택트 렌즈 패키징 라인을 위한 누락(Missing), 다수(Multiple), 및 잔해물(Debris)(MMD)(또는 이물질) 검출 시스템은 열 밀봉 프로세스가 완료된 후 1차 패키지에서 누락 렌즈, 다수 렌즈 및 잔해물(이물질 또는 미립자로도 알려짐)을 검출하는 데 사용되는 시스템을 지칭한다.
콘택트 렌즈는 종종 용액을 갖는 작은 밀봉된 패킷으로 판매하기 위해 패키징된다. 이들 렌즈는 그들의 배율 또는 -9.00 D(또는 정확히 -9.00) 내지 +6.00 D(또는 다른 도수)의 디옵터로 식별된다. 본 개시내용은 내측의 이물질, 누락 렌즈, 또는 다수 렌즈를 갖는 하나 이상의 패키지를 식별하기 위한 검사 스테이션을 포함하는 시스템에 관한 것이다. 일단 식별되면, 수동 검사를 위해 그 패키지를 따로 밀어내도록 명령이 프로세싱 라인에 제공될 수 있다.
시스템은 밀봉된 콘택트 렌즈의 패키지와 맞물리고 패키지를 엔드 이펙터에 해제가능하게 고정하도록 구성된 엔드 이펙터와 같은 파지 스테이지를 포함할 수 있다. 전기자를 포함하는 제어 메커니즘이 엔드 이펙터에 결합되고 엔드 이펙터의 이동을 제어하도록 구성될 수 있다. 라이트 박스는 광 캐비티의 적어도 일부분을 한정하는 내부 만곡된 반사 표면을 갖는 하우징을 포함할 수 있고, 하우징은 내부 만곡된 반사 표면의 반대편에 배치된 애퍼처를 한정하고 광 캐비티에 대한 접근을 허용한다. 광원은 광 캐비티 내로 광을 방출하도록 배치될 수 있다. 하나 이상의 센서가 광 캐비티의 스펙트럼 데이터를 캡처하도록 배치될 수 있다. 사용 시, 제어 메커니즘은 엔드 이펙터로 하여금 패키지를 광 캐비티 내에 배치하게 하도록 구성될 수 있고, 하나 이상의 센서는 광원에 의해 조명되는 광 캐비티 내의 패키지의 하나 이상의 이미지를 캡처하도록 구성된다.
도 1 내지 도 5는 누락 렌즈, 다수 렌즈, 부정확하게 패키징된 렌즈, 또는 잔해물을 포함하는 것들과 같은 품질 관리 문제를 갖는 밀봉된 렌즈 패키지를 식별하는 데 사용되는 시스템(100)을 도시한다. 시스템은 라이트 박스(102)를 포함할 수 있다. 라이트 박스는 광 캐비티의 적어도 일부분을 한정하는 내부 만곡된 반사 표면을 갖는 하우징을 포함할 수 있고, 하우징은 내부 만곡된 반사 표면의 반대편에 배치된 애퍼처를 한정하고 광 캐비티에 대한 접근을 허용한다. 라이트 박스(102)는 장착 플레이트(122)에 의해 플랫폼(106)에 부착될 수 있다.
도 6을 참조하면, 라이트 박스(102). 라이트 박스(102)는 패키지를 검사하기 위해 선택된 광의 파장의 반사율을 위해 내측에(예를 들어, 내부 만곡된 반사 표면 상에) 코팅될 수 있다. 라이트 박스(102)는 적어도 하나의 윈도우(102c)가 그 상에 위치될 수 있는 만곡된 측부(102b)를 가질 수 있다. 만곡된 측부(102b)는 포물선 형상 또는 둥근 형상 또는 일부 다른 형상일 수 있다. 라이트 박스(102)의 만곡된 측부(102b)는 검사 하의 물품을 향해 광을 지향시킨다. 다른 실시예에서, 투과 기반 측정을 이용하여, 라이트 하우징의 만곡된 부분은 카메라(104)로부터 검사된 샘플의 다른 측부 상에 있을 수 있고, 파지 스테이지(108)는 투명할 수 있다.
라이트 박스(102)는 광원을 포함할 수 있다. 광원은 하나 이상의 발광 디바이스(예를 들어, 발광 다이오드(LED))를 포함할 수 있다. 일례로서, 광원은 복수의 LED의 LED 광 스트립일 수 있거나 이를 포함할 수 있다. 광원은 일정 스펙트럼의 파장에 걸쳐 광을 방출하도록 구성될 수 있다. 광원은 하나 이상의 파장의 광을 방출하도록 구성될 수 있다. 광원은 상이한 스펙트럼들을 상이한 시간들에 방출하도록 구성될 수 있다. 라이트 박스(102)는 라이트 박스(102) 내의 조명된 물체의 이미지 데이터를 캡처하기 위한 카메라와 같은 하나 이상의 센서를 포함할 수 있다.
도 1 내지 도 5로 돌아가면, 카메라(104)와 같은 하나 이상의 센서가 클램프(124)에 의해 플랫폼(106)에 장착될 수 있으며, 클램프(124)는 카메라를 진동으로부터 격리시킬 수 있다. 시스템(100)은 렌즈를 패키징하는 제조 라인의 기존 스테이션들 사이에 배치될 수 있다. 다른 구성이 사용될 수 있다. 예시적인 예로서, 렌즈들은 두 세트의 트레이들(110a, 110b)로 배열될 수 있다. 패키징된 렌즈들의 모션 라인(126)은 도 1에서 좌측으로부터 우측으로 도시되어 있다. 패키징된 렌즈의 트레이(110a, 110b)는 엔드 이펙터와 같은 이동가능한 회전가능 파지 스테이지(108) 아래에서 모션 라인(126)으로 가져온다. 파지 스테이지(108)는 전기자에 결합될 수 있다. 파지 스테이지(108)는 공압 리프트(112) 및 공압 피벗(114)(아래의 도 2에 도시됨)에 결합될 수 있다. 파지 스테이지(108)는 2개의 행(row)(110a, 110b)으로부터 패키지를 픽업할 수 있다. 공압 리프트(112)는 스테이지가 카메라(104)와 동일 평면에 있도록 스테이지(108)를 상승시킬 수 있다. 공압 피벗(114)은 패키지 보울(package bowl)이 카메라(들)(104)를 향해 대면하도록 힌지(118)(또한 아래의 도 2에 도시됨)를 중심으로 스테이지(108)를 회전시킬 수 있다. 다른 구성이 사용될 수 있다. 조명원은 패키지를 조명할 수 있고, 결과적인 이미지는 카메라(104)에 의해 기록될 수 있다. 라이트 박스(102)는 조명원을 포함할 수 있고, 조명을 패키징된 렌즈를 향해 지향시킨다.
하나 이상의 센서를 구현할 수 있는 카메라(들)(104)는 플랫폼(106) 상에 진동 격리 클램프(124)에 의해 장착될 수 있다. 카메라(104) 입구는 라이트 박스(102)를 대면하여 장착될 수 있다. 라이트 박스(102)는 장착 플레이트(122)에 의해 플랫폼(106) 상에 장착될 수 있다. 공압 리프트(112)는 패키지가 파지될 수 있는 파지 스테이지(108)를 상승시킨다. 일단 상승되면, 파지 스테이지(108)는 패키지들이 카메라(104)를 대면하도록 도시된 회전 방향(132)으로 힌지(118)를 중심으로 회전한다. 사진을 촬영한 후, 파지 스테이지(108)는 아래로 향하도록 회전될 수 있다. 이어서, 스테이지(108)는 공압 리프트(112)에 의해 하강될 수 있고, 샘플은 이어서, 파지 스테이지로부터 트레이(110a, 110b) 내로 다시 해제된다. 이어서, 트레이(110a, 110b)는 생산 라인의 다음 스테이션으로 이동되고, 검사되지 않은 패키지를 갖는 새로운 트레이는 파지 스테이지(108) 아래로 이동될 수 있다.
예시적인 예로서, 공압 리프트(112)는 더 큰 안정성을 제공하기 위해 상부에 부착된 제1 안정화 브래킷(116)을 가질 수 있다. 플랫폼(106)은 제2 안정화 브래킷(120)에 부착될 수 있다. 안정화 브래킷(116, 120)은 시스템의 모션을 억제하기 위해 더 크고 무거운 질량체에 부착될 수 있다. 이 질량체는 도면에 도시되지 않는다. 일 실시예에서, 다수의 카메라(104)가 라이트 하우징 내의 윈도우들과 정렬될 수 있다.
도 5는 시스템의 단면도를 도시한다. 힌지(118) 및 공압 피벗(114)을 포함하는 공압 리프트(112)의 상세사항이 도시된다. 라이트 하우징(102)은 플랫폼(106) 상에 장착될 수 있다. 카메라(104)는 진동으로부터 격리시키는 클램프(124)에 의해 플랫폼(106) 상에 장착될 수 있다. 카메라(104)는 격리 클램프(124)를 사용하여 장착하기 위한 브래킷(128)에 결합될 수 있다. 브래킷(128)은 카메라(104)에 도달하는 진동의 감쇠를 도울 수 있다.
하나 이상의 센서(예를 들어, 카메라(104))는 조명 하에 있는 동안 패키지 또는 패키지들의 이미지 데이터(예를 들어, 하나 이상의 이미지)를 캡처하도록 구성될 수 있다. 알고리즘(예를 들어, 기계 학습 알고리즘 및/또는 규칙 기반 알고리즘)은, 이미지에 기초하여, 용기 내에 어떠한 잔해물, 누락 렌즈, 잘못 패키징된 렌즈, 또는 다수 렌즈가 있는지 여부를 결정할 수 있다. 패키지들 중 임의의 패키지가 그렇게 식별되면, 그 패키지는 나중의 구분 및 검사를 위해 식별될 수 있다. 일부 하류 생산 구성의 경우, 개별 용기보다는 패키지들의 전체 어레이가 따로 확보될 수 있다. 잔해물, 다수 렌즈, 또는 누락 렌즈를 포함하는 것으로 식별된 특정 퍽(puck)이 식별될 수 있고, 단지 그 퍽만이 특히 향후 검사를 위해 제거될 수 있다.
도 2 내지 도 6에 도시된 예에서, 3개의 카메라가 사용되었다. 예시적인 카메라는 카메라당 대략 71 메가픽셀(10,000 × 7094 픽셀)을 갖는 Illunis RMOD 71 카메라일 수 있다. 예시적인 램프는 청색(465 nm) 또는 자외선(UV)(365 nm)의 광을 방출할 수 있다. 예를 들어, Advanced Illumination으로부터의 DL-067 모델과 같은 LED 스트로브 라이트는 조명을 위한 2개의 파장을 함께 또는 상이한 시간에 제공할 수 있다. 다른 조명원 및 다른 파장이 채용될 수 있다. 마찬가지로, 조명 모드는 반사(도면에 도시된 바와 같음) 또는 투과(도시되지 않음)일 수 있다.
패키지들의 별개의 이미지들은 광원에 의한 조명 하에 있을 때 하나 이상의 센서(예를 들어, 카메라(104))에 의해 촬영될 수 있다. 당업자는 많은 다른 가능한 검출기 및 조명원이 또한 채용될 수 있음을 인식할 것이다. 카메라(들)에 노출되는 동안 미광을 배제하고 원하는 그리고 제어된 조명만을 허용하기 위해 라이트 박스와 같은 특수 하우징이 채용될 수 있다. 검출기/카메라는 또한 다른 장비의 진동으로부터 격리되어, 결함을 갖고 패키징된 렌즈의 식별을 돕는다. 일단 이미지 또는 이미지들이 획득되면, 패키지 내부의 다수 렌즈, 누락 렌즈, 또는 잔해물/이물질을 갖는 이미지들을 식별하기 위해 기계 학습(ML) 알고리즘 및/또는 규칙 기반 알고리즘을 이들 이미지에 적용하기 전에 이미지들의 사전 프로세싱이 일어날 수 있다. 이미지들의 사전 프로세싱은 관심 특정 영역을 식별하는 것, 콘트라스트를 향상하는 것, 촬영된 다른 이미지들을 추가 또는 감산하는 것 등을 포함할 수 있다. 이러한 ML 알고리즘의 추가적인 세부사항이 아래에 제공된다. 알고리즘이 사용될 수 있기 전에, 그것은 특정 유형의 잔해물, 다수 렌즈, 부적절하게 삽입된 렌즈, 또는 누락 렌즈를 갖는 것과 그것이 없는 많은 수의 이미지를 삽입함으로써 트레이닝을 필요로 하였다. 알고리즘을 트레이닝시키기 위해 패키지 내로 삽입된 잔해물은 표 1에 주어진 바와 같이, 패키지 내에서 이물질의 최대 수의 컴플레인(complaint)에 기초하여 선택되었다.
도 7은 10개의 밀봉된 패키지의 이미지 및 이미지 내의 단지 부분적으로 2개의 패키지를 도시한다. 백색 일점쇄선(dash-dot-dash white line)(706)에 의해 둘러싸인 영역은 관심 있는 패키지들의 서브세트를 나타낸다. 기계 학습 알고리즘 및/또는 규칙 기반 알고리즘에 의해 분석된 관심 이미지 영역은 이미지에서 원(704)으로 도시된다. 하나의 패키지(702)(백색 점선에 의해 둘러싸임)는 알고리즘에 의해 렌즈가 누락된 것으로 하이라이트되었다.
일례로서, 시스템은 패키지들의 각각의 어레이에 대해 다수의 이미지, 예를 들어 조명 파장당 및 카메라당 하나의 이미지를 캡처할 수 있다. 카메라들 각각은 이미지들을 캡처할 수 있는 한편, 패키지들은 상이한 광원들에 의해 조명될 수 있다. 예를 들어, 가시(청색 광) 이미지 및 자외선 이미지가 연속적으로 캡처될 수 있다. 이미지는 MatLab 기계 학습 도구로 개발된 기계 학습 알고리즘(및/또는 규칙 기반 알고리즘)을 통해 프로세싱될 수 있다. 알고리즘은 이미지를 관심 영역(ROI)(패키지 보울)으로 세그먼트화하고 이미지의 나머지를 폐기할 수 있다. 일례에서, 자외선 이미지는 누락 렌즈를 갖거나 다수 렌즈를 갖는 패키지를 식별하도록 프로세싱될 수 있고, 가시적 이미지는 이물질을 검출하도록 프로세싱될 수 있다. 파장 및 이미지 분석의 다른 구성이 사용될 수 있다. 프로세싱된 이미지의 결과는 생산 라인 상의 기계 PLC(프로그래밍가능 로직 컨트롤러)로 전송될 수 있으며, 여기서 결함 제품을 제거하기 위한 명령이 전송될 수 있다. 하나의 예에서, 생산 라인은 패키지들의 전체 행, 또는 15개 중 임의의 것이 결함이 있는 경우, 한 번에 15개를 제거하도록 구성될 수 있다.
이물질을 위한 기계 학습 알고리즘 및/또는 규칙 기반 알고리즘은 다양한 크기의 다양한 유형의 결함(예를 들어, 플라스틱, 알루미늄, 강철 또는 다른 재료의 이물질)을 갖는 수천 개의 이미지를 수집함으로써 교습되고/되거나 트레이닝될 수 있다. 마찬가지로, 기계 학습 알고리즘은 또한 이러한 결함을 갖는 수천 개의 이미지를 수집함으로써 누락 렌즈 및 다수 렌즈에 대해 트레이닝될 수 있다. 양호한 렌즈 이미지(결함이 없음)가 또한 수집될 수 있다. 알고리즘은 감독 학습에 의해 교습될 수 있으며, 이는 소프트웨어가 어떤 패키지들이 결함이 있는지, 어떠한 방식으로 그들이 결함을 갖는지, 및 어떤 패키지들이 결함이 없는지를 말할 수 있다는 것을 의미한다. 이러한 트레이닝을 통해, 알고리즘은 신경망의 계수들의 적절한 가중치를 식별할 수 있다. 다른 알고리즘 및 트레이닝 또는 테스트 기법이 사용될 수 있다.
누락, 다수, 또는 잔해물 렌즈 패키지들을 검출하기 위한 시스템은 제품이 1차 패키지에서 밀봉된 후에 그러나 멸균 전에 검사가 발생하도록 제조 라인에 설치될 수 있다. 이는 열 밀봉 공정의 상류에 위치될 수 있는 자동화 렌즈 검사(Automated Lens Inspection, ALI) 시스템 이후에 생성될 수 있는 미립자에 대한 검출을 가능하게 한다. ALI의 하류에 공정 이상의 결과로서 발생하는 누락 렌즈 및 다수 렌즈가 또한 검출될 수 있다. 일례에서, MMD 검출을 위한 시스템은 표준 1-미터 모듈 공간의 대략 절반 내에서 가요성 제조 플랫폼 상에 설치되도록 설계될 수 있다. 추가 지지 장비가 모듈 뒤에 위치될 수 있다.
예시적인 시스템은 15개의 패키지의 2개의 행을 검사하는 3개의 카메라를 포함할 수 있다(도 2 참조). 각각의 카메라에 대한 시야는 5개의 패키지의 2개의 행(총 10개의 패키지)을 커버할 수 있다. 모든 검사에 대해, 누락 렌즈 및 다수 렌즈 검출을 위한 자외선 이미지 및 잔해물 검출을 위한 가시광 이미지를 포함하는 2개의 이미지가 카메라마다 캡처될 수 있다. 일례에서, 광은 라이트 박스의 일부로서 이중 파장 DL-067 LED 스트로브에 의해 제공될 수 있다.
이미지 프로세싱
비제한적인 예로서, 이미지 프로세싱은 MATLAB 기계 학습 알고리즘을 사용하여 각각의 이미지 상에서 수행될 수 있다. 10개의 패키지들의 각각의 이미지는 패키지 보울 내의 영역만이 분석될 수 있도록 세그먼트화될 수 있다. 각각의 캐비티에 대한 합격/불합격 결과가 계산되고, 통계 수집 목적뿐만 아니라 향후 프로세싱을 위해 PLC로 전송될 수 있다. 그러나, 어레이들로서 부착되는 패키지들 및 기계 아키텍처로 인해, 상기 결함들 중 임의의 것을 갖는 패키지들은 그들 각각의 행 내의 다른 모든 것들과 함께 시스템의 하류에서 거부될 수 있다. 검출된 결함이 없는 패키지의 행은 제조 공정을 통해 계속될 수 있다.
[표 2]
주어진 이미지가 잔해물 또는 일부 다른 장애(예를 들어, 오정렬, 다수 렌즈, 또는 누락 렌즈)를 포함할 가능성이 있는지 여부를 결정하기 위한 알고리즘이 Matlab에서 개발되었다. 파라미터들 중 일부는 상기 표 2에 나타나 있다.
컨볼루션 신경망(convolutional neural network, CNN)은 거부될 패키지의 식별을 위해 설계 또는 수정되고 구현될 수 있다. Matlab 모듈과 같은 모듈은 CNN에 공급되도록 적절하게 크기설정된 관심 영역(region of interest, ROI)으로 축소된 크기로 원래 이미지를 슬라이스하도록 수정될 수 있다. 이어서, 이들 이미지는 패키지 자체에 의해 한정된 X × Y 픽셀(단색)의 관심 영역(ROI)에 의해 한정되어, CNN에 공급된 각각의 ROI가 프로세싱을 위해 적절한 수의 픽셀을 갖게 하였다. ROI는, 먼저 퍽을 유지하는 플레이트 상의 도웰 지점(dowel point)을 식별한 다음 그 중심점으로부터 각각의 ROI를 한정함으로써 한정되었다. 네트워크의 후기 스테이지에서, ReLU(정류 선형 유닛)가 사용되었을 뿐만 아니라 노드들의 절반을 무작위 방식으로 떨어뜨렸다. CNN은 주제 전문가(subject matter expert, SME)에 의해 식별된 공지된 거부를 사용하거나, 또는 나중에 품질 관리로부터의 거부에 의해 트레이닝되었다. 일부 트레이닝 실행의 세부사항은 하기 실험 섹션에서 주어진다. 밀봉된 렌즈 패키지들의 이미지들의 데이터 세트가 생성될 수 있고, 하위 세트들로 분할될 수 있다. 이미지는 어떠한 결함도 없는 패키지, 이물질 없음, 단일 렌즈를 포함할 수 있고, 또한, 결함이 있는 채로 패키징된 렌즈, 또는 다수 렌즈 또는 누락 렌즈를 갖는 패키지, 또는 이물질을 갖는 패키지를 포함할 수 있다. 이러한 데이터 세트는 CNN의 트레이닝을 허용할 수 있다. 일단 CNN이 트레이닝되면, CNN은 검증 데이터 세트를 입력함으로써 테스트될 수 있다. 다양한 모델 파라미터(표 2)는 가능한 가장 높은 참 거부율을 유지하는 것에 따라 가장 낮은 거짓 거부율을 얻기 위해 트레이닝 동안 변화되었다.
도 8 내지 도 14는 패키지 및 다양한 잔해물 또는 결함이 있는 채로 패키징된 렌즈(예를 들어, 다수 또는 누락 렌즈)를 도시한다. 도 8은 3개의 패키지들의 세트의 평면도를 도시한다. 도 9는 3개의 렌즈의 다른 세트의 보울(하부) 도면을 도시한다. 콘택트 렌즈를 포함하는 보울(902)이 도시되어 있고, 유체로 충전된다. 도 10은 패키징에서의 렌즈, 유체 및 잔해물의 보울/저면도를 도시한다. 원형 영역(1002)은 ROI(예를 들어, 도 7의 원)로서 시스템에 의해 자동으로 식별될 수 있고, 이미지의 다른 영역은 무시될 수 있다. 잔해물(1004)의 작은 조각은 화살표 및 점선 원에 의해 식별된다. 버블(1006)이 유체 충전된, 밀봉된 패키지의 상부에 있다. 렌즈(1008)의 윤곽은 원형 보울(1002)의 에지 주위에서 보여진다. 도 11은 약 3.6 mm 길이의 알루미늄 포일의 조각을 도시한다. 도 12는 직경이 대략 1.0 mm인 강철 구체를 도시한다. 도 13은 직경이 대략 1.9 mm인 폴리스티렌 구체를 도시한다. 도 14는 결함이 있는 채로 밀봉된 렌즈, 예를 들어 식염수가 없는 렌즈(1402)를 갖는 일부 보울을 도시한다.
도 15는 본 개시내용에 따른 예시적인 방법(1500)을 예시한다. 본 방법은, 1502에서, 라이트 박스 내에 밀봉된 콘택트 렌즈의 패키지를 배치하는 단계를 포함할 수 있다. 1504에서, 패키지가 광원에 의해 라이트 박스 내에서 조명되도록 야기될 수 있다. 본 명세서에 설명된 바와 같이, 광원은 하나 이상의 발광 디바이스(예를 들어, LED)로부터의 직접 또는 간접 반사 광일 수 있거나 이를 포함할 수 있다. 다양한 광 스펙트럼이 사용될 수 있다. 1506에서, 라이트 박스 내의 조명된 패키지의 이미지 데이터가 캡처될 수 있다. 그러한 이미지 데이터는 카메라와 같은 하나 이상의 센서에 의해 캡처될 수 있다. 1508에서, 이미지 데이터는 하나 이상의 품질 관리 모델에 기초하여 분석될 수 있다. 품질 관리 모델은 다양한 밀봉된 패키지의 이미지 데이터에 대해 트레이닝되고/되거나 테스트된 하나 이상의 기계 학습 알고리즘일 수 있거나 이를 포함할 수 있다. 1510에서, 품질 관리 메트릭이 분석에 기초하여 출력될 수 있다. 일례로서, 품질 관리 메트릭은 패키지의 적어도 수락 또는 거부 조건을 나타낼 수 있다.
도 16은 본 개시내용에 따른 예시적인 방법(1500)을 예시한다. 1602에서, 밀봉된 콘택트 렌즈의 패키지의 이미지 데이터가 캡처될 수 있다. 그러한 이미지 데이터는 카메라와 같은 하나 이상의 센서에 의해 캡처될 수 있다. 1604에서, 이미지 데이터는 하나 이상의 품질 관리 모델에 기초하여 분석될 수 있다. 품질 관리 모델은 다양한 밀봉된 패키지의 이미지 데이터에 대해 트레이닝되고/되거나 테스트된 하나 이상의 기계 학습 알고리즘일 수 있거나 이를 포함할 수 있다. 1606에서, 품질 관리 메트릭이 분석에 기초하여 출력될 수 있다. 예를 들어, 품질 관리 메트릭은 패키지의 적어도 수락 또는 거부 조건을 나타낼 수 있다.
예시적인 실험 섹션
샘플 제조
구매가능한 잔해물 샘플을 가열 밀봉 전에 완성된 렌즈를 갖는 패키지에 수동으로 배치하였다. 크기가 0.25 mm 내지 7.8 mm 범위의 샘플들은 스테인리스강, 폴리스티렌 및 폴리프로필렌을 포함하였다.
비-상업적 샘플들은 알루미늄 리드 스톡 재료, 절단된 판지, 인간 모발 샘플 및 강철 와셔의 작은 조각들로부터 제조되었다. 특정 크기 및 재료 유형이 표 5 및 표 6에 나타나 있다. 누락 및 다수 렌즈의 경우, 온라인 패키지들을 사용하여 이중 렌즈 및 누락 렌즈 패키지들을 수동으로 채웠다.
모든 연구는 -8.00/8.35, -6.25/1.25, -8.50/1.25 및 -2.75/1.75 스톡 유지 유닛(stock keeping unit, SKU)을 포함하는 다초점 렌즈를 사용하여 완료되었다.
이미지 수집
샘플 준비 후, 이물질 패키지들을 열 밀봉하고, 465 nm의 청색 광을 갖는 온라인 MMD를 사용하여 이미지를 캡처하였다. 누락 및 다수 샘플들을 열 밀봉하고, 365 mm의 UV 광을 사용하여 이미지를 캡처하였다.
모델 생성
이물질 검출을 위해 그리고 누락 및 다수 검출을 위해, MATLAB 버전 9.7.0.1216025 (R2019b) 업데이트 1 및 감독 학습을 사용하여 모델들을 준비하였다. 감독 학습은 모델을 생성하기 위해 이미지들의 트레이닝 세트를 사용하여 결함 및 비-결함이 애플리케이션 내에서 학습되는 기법이다. 모델의 성능은 검증 세트라고 불리는 별도의 이미지 세트에 의해 측정된다.
이물질 검출
총 이미지 라이브러리는 이물질을 종자로 갖는 704개의 패키지들 및 6,771개의 양호한 패키지들을 포함하는 7,475개의 이미지로 구성되었다. 이러한 라이브러리는 각각 트레이닝 세트와 검증 세트 사이에서 4:1 비로 분할되었다.
트레이닝 세트는 563개의 제조된 이물질 샘플들 및 5,417개의 양호한 패키지들로 구성되었다. 141개의 준비된 이물질 샘플들 및 1354개의 양호한 패키지들로 구성된 별도의 검증 세트를 또한 준비하였다.
총 이미지 라이브러리는 2,747개의 누락 렌즈 샘플들, 667개의 다수 렌즈 샘플들 및 4,109개의 양호한 패키지들을 포함하는 7,523개의 이미지들로 구성되었다. 이러한 라이브러리는 각각 트레이닝 세트와 검증 세트 사이에서 4:1 비로 분할되었다.
트레이닝 세트는 2,198개의 누락 패키지들, 534개의 다수 패키지들 및 3,287개의 양호한 패키지들을 포함하는 6,019개의 이미지들로 구성되었다. 검증 세트는 549개의 누락 렌즈 샘플들, 133개의 다수 렌즈 샘플들 및 822개의 양호한 패키지들을 포함하는 1,504개의 이미지들로 구성되었다.
테스트 결과는, 알루미늄 포일, 스테인리스강 구체, 스테인리스강 구체, 스테인리스강 구체, 강철 와셔(M3), 와이어 절연체, 와이어 절연체(블랙), 판지, 인간 모발, 폴리스티렌 구체-투명(clear), 폴리스티렌 구체-백색, 폴리스티렌 단편, 폴리프로필렌 구체-적색과 같은 이물질을 식별하기 위한 바람직한 결과를 나타냈다 다른 재료가 식별될 수 있다.
가장 실용적이고 바람직한 실시예로 여겨지는 것이 도시되고 기술되었지만, 기술되고 도시된 특정 설계 및 방법으로부터의 벗어남이 그 자체를 당업자에게 제안할 것이며 본 발명의 사상 및 범주로부터 벗어남이 없이 사용될 수 있다는 것이 명백하다. 본 발명은 기술되고 도시된 특정 구성으로 제한되는 것이 아니라, 첨부된 청구범위의 범주 내에 속할 수 있는 모든 변경과 일관되도록 구성되어야 한다.
Claims (48)
- 밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 시스템으로서,
밀봉된 콘택트 렌즈의 패키지와 맞물리고 상기 패키지가 해제가능하게 고정되도록 구성된 엔드 이펙터;
상기 엔드 이펙터에 결합되고 상기 엔드 이펙터의 이동을 제어하도록 구성된 전기자를 포함하는 제어 메커니즘;
광 캐비티의 적어도 일부분을 한정하는 내부 만곡된 반사 표면을 갖고, 상기 내부 만곡된 반사 표면의 반대편에 배치된 애퍼처를 한정하고 상기 광 캐비티에 대한 접근을 허용하는 하우징을 포함하는, 라이트 박스;
상기 광 캐비티 내로 광을 방출하도록 배치된 광원; 및
상기 광 캐비티의 스펙트럼 데이터를 캡처하도록 배치된 하나 이상의 센서들을 포함하고;
상기 제어 메커니즘은 상기 엔드 이펙터로 하여금 상기 패키지를 상기 광 캐비티 내에 배치하게 하도록 추가로 구성되고, 상기 하나 이상의 센서들은 상기 광원에 의해 조명되는 상기 광 캐비티 내의 상기 패키지의 하나 이상의 이미지들을 캡처하도록 구성되는, 시스템. - 제1항에 있어서, 상기 밀봉된 콘택트 렌즈의 패키지는 콘택트 렌즈를 유지하기 위한 렌즈 캐비티 및 상기 렌즈 캐비티 위에 배치된 밀봉된 인클로저를 포함하는, 시스템.
- 제2항에 있어서, 상기 밀봉된 콘택트 렌즈의 패키지는 상기 렌즈 캐비티 내에 배치되고 상기 밀봉된 인클로저에 의해 구속되는 렌즈 유체를 추가로 포함하는, 시스템.
- 제2항에 있어서, 상기 밀봉된 인클로저는 열 밀봉된 포일을 포함하는, 시스템.
- 제1항에 있어서, 상기 엔드 이펙터는 상기 패키지를 상기 엔드 이펙터에 해제가능하게 고정하도록 구성된 흡인 디바이스를 포함하는, 시스템.
- 제1항에 있어서, 상기 제어 메커니즘은 적어도 제1 축을 따라 상기 엔드 이펙터의 이동을 제어하도록 구성된 리프트 메커니즘을 포함하는, 시스템.
- 제1항에 있어서, 상기 제어 메커니즘은 상기 전기자의 관절운동 및 적어도 제2 축을 중심으로 한 상기 엔드 이펙터의 회전 이동을 제어하도록 구성된, 시스템.
- 제1항에 있어서, 상기 내부 만곡된 반사 표면은 가시 스펙트럼, 적외선 스펙트럼, 또는 자외선 스펙트럼 중 하나 이상의 스펙트럼의 광을 반사시키도록 구성된 코팅을 포함하는, 시스템.
- 제1항에 있어서, 상기 내부 만곡된 반사 표면은 가시 스펙트럼 및 자외선 스펙트럼 둘 모두의 광을 반사시키도록 구성된 코팅을 포함하는, 시스템.
- 제1항에 있어서, 상기 내부 만곡된 반사 표면은 가시 스펙트럼 및 적외선 스펙트럼 둘 모두의 광을 반사시키도록 구성된 코팅을 포함하는, 시스템.
- 제1항에 있어서, 상기 광원은 하나 이상의 발광 다이오드들을 포함하는, 시스템.
- 제1항에 있어서, 상기 광원은 2개 이상의 발광 다이오드들의 선형 스트립을 포함하는, 시스템.
- 제1항에 있어서, 상기 광원은 상기 내부 만곡된 반사 표면을 향해 광을 방출하도록 배치되는, 시스템.
- 제1항에 있어서, 상기 광원 및 상기 하나 이상의 센서들은 상기 광이 상기 하나 이상의 센서들 내로 직접 방출되지 않도록 배치되는, 시스템.
- 제1항에 있어서, 상기 하나 이상의 센서들은 카메라를 포함하는, 시스템.
- 제1항에 있어서, 상기 스펙트럼 데이터는 이미지들을 포함하는, 시스템.
- 제1항에 있어서, 상기 광 캐비티 내의 상기 패키지의 상기 하나 이상의 이미지들은 가시광 조명 하에서의 제1 이미지 및 자외광 조명 하에서의 제2 이미지를 포함하는, 시스템.
- 제1항에 있어서, 상기 제어 메커니즘으로부터 상기 라이트 박스를 적어도 부분적으로 진동 격리시키기 위해 상기 라이트 박스에 결합된 진동 제어 디바이스를 추가로 포함하는, 시스템.
- 제1항에 있어서, 상기 엔드 이펙터 상의 상기 패키지로부터 상기 라이트 박스를 적어도 부분적으로 진동 격리시키기 위해 상기 라이트 박스에 결합된 진동 제어 디바이스를 추가로 포함하는, 시스템.
- 제1항에 있어서,
상기 하나 이상의 센서들과 데이터 통신하는 컴퓨팅 디바이스; 및
실행될 때, 상기 컴퓨팅 디바이스로 하여금,
하나 이상의 품질 관리 모델들에 기초하여, 상기 광 캐비티 내의 상기 패키지의 하나 이상의 이미지들을 분석하게 하고;
상기 분석에 기초하여, 상기 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭의 출력을 야기하게 하는 컴퓨터 판독가능 매체를 추가로 포함하는, 시스템. - 제20항에 있어서, 상기 하나 이상의 품질 관리 모델들은 밀봉된 콘택트 렌즈 패키지들의 이미지 데이터에 대해 트레이닝(training)된 기계 학습 알고리즘 또는 규칙 기반 알고리즘을 포함하는, 시스템.
- 제20항에 있어서, 상기 하나 이상의 품질 관리 모델들은 이물질 검출 모델을 포함하는, 시스템.
- 제20항에 있어서, 상기 하나 이상의 품질 관리 모델들은 누락 렌즈 검출 모델(missing lens detection model)을 포함하는, 시스템.
- 제20항에 있어서, 상기 하나 이상의 품질 관리 모델들은 다수 렌즈 검출 모델(multiple lens detection model)을 포함하는, 시스템.
- 밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 방법으로서,
밀봉된 콘택트 렌즈의 패키지를 라이트 박스 내에 배치하는 단계;
상기 패키지가 광원에 의해 상기 라이트 박스 내에서 조명되게 하는 단계;
상기 라이트 박스 내의 상기 조명된 패키지의 이미지 데이터를 캡처하는 단계;
하나 이상의 품질 관리 모델들에 기초하여, 상기 라이트 박스 내의 상기 조명된 패키지의 상기 이미지 데이터를 분석하는 단계; 및
상기 분석에 기초하여, 상기 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭의 출력을 야기하는 단계를 포함하는, 방법. - 제25항에 있어서, 상기 라이트 박스는 광 캐비티의 적어도 일부분을 한정하는 내부 만곡된 반사 표면을 갖는 하우징을 포함하고, 상기 하우징은 상기 내부 만곡된 반사 표면의 반대편에 배치된 애퍼처를 한정하고 상기 광 캐비티에 대한 접근을 허용하는, 방법.
- 제26항에 있어서, 상기 내부 만곡된 반사 표면은 가시 스펙트럼, 적외선 스펙트럼, 또는 자외선 스펙트럼 중 하나 이상의 스펙트럼의 광을 반사시키도록 구성된 코팅을 포함하는, 방법.
- 제26항에 있어서, 상기 내부 만곡된 반사 표면은 가시 스펙트럼 및 자외선 스펙트럼 둘 모두의 광을 반사시키도록 구성된 코팅을 포함하는, 방법.
- 제26항에 있어서, 상기 내부 만곡된 반사 표면은 가시 스펙트럼 및 적외선 스펙트럼 둘 모두의 광을 반사시키도록 구성된 코팅을 포함하는, 방법.
- 제25항에 있어서, 상기 광원은 하나 이상의 발광 다이오드들을 포함하는, 방법.
- 제25항에 있어서, 상기 광원은 2개 이상의 발광 다이오드들의 선형 스트립을 포함하는, 방법.
- 제26항에 있어서, 상기 광원은 상기 내부 만곡된 반사 표면을 향해 광을 방출하도록 배치되는, 방법.
- 제25항에 있어서, 상기 광원 및 상기 하나 이상의 센서들은 상기 광이 상기 하나 이상의 센서들 내로 직접 방출되지 않도록 배치되는, 방법.
- 제25항에 있어서, 상기 밀봉된 콘택트 렌즈의 패키지는 콘택트 렌즈를 유지하기 위한 렌즈 캐비티 및 상기 렌즈 캐비티 위에 배치된 밀봉된 인클로저를 포함하는, 방법.
- 제34항에 있어서, 상기 밀봉된 콘택트 렌즈의 패키지는 상기 렌즈 캐비티 내에 배치되고 상기 밀봉된 인클로저에 의해 구속되는 렌즈 유체를 추가로 포함하는, 방법.
- 제34항에 있어서, 상기 밀봉된 인클로저는 열 밀봉된 포일을 포함하는, 방법.
- 제25항에 있어서, 상기 하나 이상의 품질 관리 모델들은 밀봉된 콘택트 렌즈 패키지들의 이미지 데이터에 대해 트레이닝된 기계 학습 알고리즘을 포함하는, 방법.
- 제25항에 있어서, 상기 하나 이상의 품질 관리 모델들은 이물질 검출 모델을 포함하는, 방법.
- 제25항에 있어서, 상기 하나 이상의 품질 관리 모델들은 누락 렌즈 검출 모델을 포함하는, 방법.
- 제25항에 있어서, 상기 하나 이상의 품질 관리 모델들은 다수 렌즈 검출 모델을 포함하는, 방법.
- 밀봉된 콘택트 렌즈 패키지들의 품질 관리를 위한 방법으로서,
밀봉된 콘택트 렌즈의 패키지의 이미지 데이터를 캡처하는 단계;
하나 이상의 품질 관리 모델들에 기초하여, 상기 이미지 데이터를 분석하는 단계; 및
상기 분석에 기초하여, 상기 패키지의 적어도 수락 또는 거부 조건을 나타내는 품질 관리 메트릭의 출력을 야기하는 단계를 포함하는, 방법. - 제41항에 있어서, 상기 밀봉된 콘택트 렌즈의 패키지는 콘택트 렌즈를 유지하기 위한 렌즈 캐비티 및 상기 렌즈 캐비티 위에 배치된 밀봉된 인클로저를 포함하는, 방법.
- 제42항에 있어서, 상기 밀봉된 콘택트 렌즈의 패키지는 상기 렌즈 캐비티 내에 배치되고 상기 밀봉된 인클로저에 의해 구속되는 렌즈 유체를 추가로 포함하는, 방법.
- 제42항에 있어서, 상기 밀봉된 인클로저는 열 밀봉된 포일을 포함하는, 방법.
- 제41항에 있어서, 상기 하나 이상의 품질 관리 모델들은 밀봉된 콘택트 렌즈 패키지들의 이미지 데이터에 대해 트레이닝된 기계 학습 알고리즘을 포함하는, 방법.
- 제41항에 있어서, 상기 하나 이상의 품질 관리 모델들은 이물질 검출 모델을 포함하는, 방법.
- 제41항에 있어서, 상기 하나 이상의 품질 관리 모델들은 누락 렌즈 검출 모델을 포함하는, 방법.
- 제41항에 있어서, 상기 하나 이상의 품질 관리 모델들은 다수 렌즈 검출 모델을 포함하는, 방법.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163227683P | 2021-07-30 | 2021-07-30 | |
| US63/227,683 | 2021-07-30 | ||
| US202163231524P | 2021-08-10 | 2021-08-10 | |
| US63/231,524 | 2021-08-10 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230019052A true KR20230019052A (ko) | 2023-02-07 |
Family
ID=83232570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220094017A KR20230019052A (ko) | 2021-07-30 | 2022-07-28 | 밀봉된 렌즈 패키지를 위한 품질 관리 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4137803A3 (ko) |
| JP (1) | JP2023021078A (ko) |
| KR (1) | KR20230019052A (ko) |
| TW (1) | TW202403610A (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050226488A1 (en) * | 2004-03-31 | 2005-10-13 | Paud Barry | Inspection system for blister packages |
| EP2592328A1 (en) * | 2010-07-08 | 2013-05-15 | Imac Co., Ltd. | Indirect illumination device and article inspection system using same |
| WO2012166797A1 (en) * | 2011-06-03 | 2012-12-06 | Johnson & Johnson Vision Care, Inc. | Multiple radiation inspection of ophthalmic lenses |
| TWI695978B (zh) * | 2019-05-21 | 2020-06-11 | 昕琦科技股份有限公司 | 隱形眼鏡的裸片包裝檢測方法 |
-
2022
- 2022-07-28 KR KR1020220094017A patent/KR20230019052A/ko unknown
- 2022-07-29 EP EP22187714.5A patent/EP4137803A3/en active Pending
- 2022-07-29 JP JP2022121371A patent/JP2023021078A/ja active Pending
- 2022-07-29 TW TW111128557A patent/TW202403610A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP4137803A3 (en) | 2023-05-10 |
| EP4137803A2 (en) | 2023-02-22 |
| JP2023021078A (ja) | 2023-02-09 |
| TW202403610A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2111746C (en) | Ophthalmic lens inspection system and method | |
| CN109187544B (zh) | 一种快速无损检测水果品质的装置及方法 | |
| US7860277B2 (en) | Food product checking system and method for identifying and grading food products | |
| JP7442462B2 (ja) | 種子選別 | |
| AU2014343596B2 (en) | Method and apparatus for detecting matter | |
| RU2586391C2 (ru) | Проверка офтальмологических линз с помощью нескольких видов излучения | |
| US6835939B2 (en) | Missing lens detection system and method | |
| JP2019504995A (ja) | 複数の露光を使用して試料容器及び／又は試料を画像化するための方法及び装置 | |
| JP2009538420A (ja) | 望ましくない物体または欠陥を検出するための方法および装置 | |
| AU2014384162B2 (en) | An improved machine for grading small sized irregular objects and a process thereof | |
| JP2005518537A (ja) | 光学素子検査方法及び装置 | |
| US20230065811A1 (en) | Quality control for sealed lens packages | |
| KR102283869B1 (ko) | 계란 품질 자동검사 시스템 | |
| US6548818B1 (en) | Missing lens detection system and method | |
| JPH11301601A (ja) | 錠剤検査計数充填機 | |
| US20190066288A1 (en) | Automated visual inspection for visible particulate matter in empty flexible containers | |
| KR20230019052A (ko) | 밀봉된 렌즈 패키지를 위한 품질 관리 | |
| US7142707B2 (en) | Automated inspection of packaging materials for package integrity | |
| WO2014041416A1 (fr) | Dispositif de controle de pieces en defilement | |
| FR2775204A1 (fr) | Procede et installation de tri de fruits et legumes, permettant la mesure d'au moins une de leurs caracteristiques | |
| RU2298780C2 (ru) | Устройство для проведения замеров в расфасованном в стеклотару жидком продукте | |
| WO2008034248A1 (en) | System and method for tube scarf detection | |
| WO2018044327A1 (en) | Food inspection systems and methods | |
| JP3174732B2 (ja) | 等階級判別設備 | |
| JP2004219376A (ja) | 果菜類の品質評価装置 |