TW202414047A - 隱形眼鏡品質控制方法 - Google Patents

隱形眼鏡品質控制方法 Download PDF

Info

Publication number
TW202414047A
TW202414047A TW112121400A TW112121400A TW202414047A TW 202414047 A TW202414047 A TW 202414047A TW 112121400 A TW112121400 A TW 112121400A TW 112121400 A TW112121400 A TW 112121400A TW 202414047 A TW202414047 A TW 202414047A
Authority
TW
Taiwan
Prior art keywords
artifact
model
rejection
learning model
metric
Prior art date
Application number
TW112121400A
Other languages
English (en)
Inventor
愛德華 克尼克
彼得 賽雷塔
Original Assignee
美商壯生和壯生視覺關懷公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 美商壯生和壯生視覺關懷公司 filed Critical 美商壯生和壯生視覺關懷公司
Publication of TW202414047A publication Critical patent/TW202414047A/zh

Links

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C13/00—Assembling; Repairing; Cleaning
    • G02C13/003—Measuring during assembly or fitting of spectacles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/38—Investigating fluid-tightness of structures by using light
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29D—PRODUCING PARTICULAR ARTICLES FROM PLASTICS OR FROM SUBSTANCES IN A PLASTIC STATE
    • B29D11/00—Producing optical elements, e.g. lenses or prisms
    • B29D11/00009—Production of simple or compound lenses
    • B29D11/00038—Production of contact lenses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29D—PRODUCING PARTICULAR ARTICLES FROM PLASTICS OR FROM SUBSTANCES IN A PLASTIC STATE
    • B29D11/00—Producing optical elements, e.g. lenses or prisms
    • B29D11/00951—Measuring, controlling or regulating
    • B29D11/00961—Measuring, controlling or regulating using microprocessors or computers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29D—PRODUCING PARTICULAR ARTICLES FROM PLASTICS OR FROM SUBSTANCES IN A PLASTIC STATE
    • B29D11/00—Producing optical elements, e.g. lenses or prisms
    • B29D11/00951—Measuring, controlling or regulating
    • B29D11/0098—Inspecting lenses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B25/00—Packaging other articles presenting special problems
    • B65B25/008—Packaging other articles presenting special problems packaging of contact lenses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B57/00—Automatic control, checking, warning, or safety devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/02—Testing optical properties
    • G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
    • G01M11/0278—Detecting defects of the object to be tested, e.g. scratches or 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/09—Supervised 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
    • G01N21/8851—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
    • G01N21/95—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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Ophthalmology & Optometry (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Optics & Photonics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)
  • Lenses (AREA)

Abstract

本文揭示隱形眼鏡品質控制方法。一種實例方法包含接收表示一標的隱形眼鏡之一輸入影像。該實例方法包含基於該輸入影像之分析且使用一第一學習模型，輸出基於該輸入影像之該分析的一第一異物度量及拒收資料。該實例方法包含使用一假影模型且基於至少該拒收資料而輸出一假影度量。該假影模型可基於一或多個假影屬性而實施。該實例方法包含使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量。該第二學習模型可係與尺度相關。該第二異物度量表示該標的隱形眼鏡之至少一接受或拒收條件。

Description

隱形眼鏡品質控制方法
本文關於隱形眼鏡品質控制方法。
隱形眼鏡之品質控制可依賴於檢查及偵測技術。然而，需要改善。
本文揭示用於隱形眼鏡及/或隱形眼鏡包裝之品質控制的方法。一種實例方法可包含接收表示一標的隱形眼鏡之一輸入影像。該實例方法可包含使用一第一學習模型分析該輸入影像。該第一學習模型可係與尺度無關(scale independent)。該實例方法可包含基於該輸入影像之該分析而輸出一第一異物度量及拒收資料。該實例方法可包含使用一假影(artifact)模型從該拒收資料中識別錯誤的拒收(false rejection)資料及正確的拒收(true rejection)資料。該假影模型可基於一或多個假影屬性而實施。該錯誤的拒收資料可表示該一或多個假影屬性之存在。該實例方法可包含基於該錯誤的拒收資料及該正確的拒收資料中之一或多者而輸出一假影度量。該實例方法可包含使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量。該第二學習模型可係與尺度相關(scale dependent)。該第二異物度量可表示該標的隱形眼鏡之至少一接受或拒收條件。
該第一學習模型可以包含接受或拒收條件的複數個影像進行訓練及測試。該假影模型可至少以包含該一或多個假影屬性之影像進行訓練及測試。該一或多個假影屬性可包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
該第二學習模型可至少以包含接受或拒收條件的複數個影像進行訓練及測試。該第二學習模型可經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。該第二學習模型可經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
本文揭示隱形眼鏡品質控制方法。一種實例方法可包含接收表示一標的隱形眼鏡之一輸入影像。該實例方法可包含基於該輸入影像之分析且使用一第一學習模型，輸出基於該輸入影像之該分析的一第一異物度量及拒收資料。該實例方法可包含使用一假影模型且基於至少該拒收資料而輸出一假影度量。該假影模型可基於一或多個假影屬性而實施。該實例方法可包含使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量。該第二學習模型可係與尺度相關。該第二異物度量可表示該標的隱形眼鏡之至少一接受或拒收條件。
該第一學習模型可以包含接受或拒收條件的複數個影像進行訓練及測試。該假影模型可至少以包含該一或多個假影屬性之影像進行訓練及測試。該一或多個假影屬性可包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
該第二學習模型可至少以包含接受或拒收條件的複數個影像進行訓練及測試。該第二學習模型可經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。該第二學習模型可經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
本文揭示用於隱形眼鏡及/或隱形眼鏡包裝之品質控制的方法。鏡片包裝可能需要品質控制，以確保無任何異物侵入至包裝中。包裝亦可能需要檢查以識別包裝或鏡片中之孔，以及鏡片中之邊緣缺陷。異物可損壞鏡片或污染鏡片，兩者皆不利於滿足客戶之需求。可在製程之任何階段檢查包裝，包括在包裝被密封之前及之後。
在以下實施方式中，參考形成本文中之部分的隨附圖式，且在其內以說明方式展示本發明可實踐之具體實施例。應理解，可利用其他實施例，且可在不脫離本發明之範疇的情況下進行結構變更。可在不脫離本教示之精神及範疇的情況下進行電性、機械、邏輯及結構變更。因此，以下實施方式不應理解為限制性意義，且本揭露之範疇由隨附申請專利範圍及其等效物所定義。
系列模型(Series Model)–系列模型可包含與傳統深度學習模型串聯的集成模型(ensemble model)，用以輔助減少錯誤的拒收及維持高能力。作為一說明性實例，可使用系列模型。首先，集成模型可包含與假影模型耦合之高能力深度學習模型。假影模型可用以修正由於摺疊鏡片及氣泡所致的錯誤的拒收。與集成模型串聯的第二深度學習模型可用以修正由於小於預定大小的可疑假影所致的錯誤的拒收。第一深度學習模型可係與尺度相關，而第二深度學習模型係與尺度無關。系列中之此等模型之順序（與尺度無關、繼而與尺度相關）允許第一模型的高能力（攔截可疑假影，無論大小），且隨後藉由第二模型來減少（由於大小所致之）錯誤的拒收。若模型之順序反轉，總偵測到之正確的拒收之集區(pool)將由於尺度相關性(scale dependency)而較小，導致較低的總體系列模型能力。圖1展示根據本揭露之一態樣而形成一實例系列模型的ML模型之順序。
集成模型–集成模型將標準深度學習模型搭配假影模型（支援向量機器）予以組合。此等模型可並聯執行且放入集成模型中以產生具有高偵測能力及低錯誤的拒收的最佳模型（參見圖2）。
作為一說明性實例，將用3018個影像來訓練集成（詳細參見表1）。 表1–集成訓練影像
基準真相標籤 影像數量
良好影像 2320
不良影像 698
在此情況下，假影模型之目的係雙重的。第一，藉由深度學習模型1來修正錯誤的拒收。第二，藉由深度學習模型1來強化正確的拒收。如下表2中所描述，使用涵蓋4個主要屬性的833個影像來訓練假影模型。可使用其他假影屬性。 表2–假影模型訓練影像
屬性 影像數量 指派的標籤
清澈氣泡 89 良好
摺疊 144 良好
無假影 500 NA
本文揭示隱形眼鏡品質控制方法。該方法可藉由一計算裝置執行。用於執行方法步驟的指令可儲存在該計算裝置之記憶體中。該等方法步驟可由該計算裝置之一處理器執行。
可接收表示一標的隱形眼鏡之一輸入影像。
可使用一第一學習模型來分析該輸入影像。該第一學習模型可係與尺度無關。該第一學習模型可包含一深度學習模型。該第一學習模型可以包含接受或拒收條件的複數個影像進行訓練及測試。
可基於該輸入影像之該分析而輸出一第一異物度量及拒收資料。
使用一假影模型從該拒收資料中識別錯誤的拒收資料及正確的拒收資料。該假影模型可基於一或多個假影屬性而實施。該錯誤的拒收資料可表示該一或多個假影屬性之存在。該假影模型可至少以包含該一或多個假影屬性之影像進行訓練及測試。該一或多個假影屬性可包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
可基於該錯誤的拒收資料及該正確的拒收資料中之一或多者而輸出一假影度量。
可使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量。該第二學習模型可係與尺度相關。該第二異物度量可表示該標的隱形眼鏡之至少一接受或拒收條件。該第二學習模型可包含一深度學習模型。該第二學習模型可至少以包含接受或拒收條件的複數個影像進行訓練及測試。該第二學習模型可經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。該第二學習模型可經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
本文揭示隱形眼鏡品質控制方法。該方法可藉由一計算裝置執行。用於執行方法步驟的指令可儲存在該計算裝置之記憶體中。該等方法步驟可由該計算裝置之一處理器執行。
可接收表示一標的隱形眼鏡之一輸入影像。
基於該輸入影像之分析且使用一第一學習模型，可輸出基於該輸入影像之該分析的一第一異物度量及拒收資料。該第一學習模型可包含一深度學習模型。該第一學習模型可以包含接受或拒收條件的複數個影像進行訓練及測試。
可使用一假影模型且基於至少該拒收資料而輸出一假影度量。該假影模型可基於一或多個假影屬性而實施。該假影模型可至少以包含該一或多個假影屬性之影像進行訓練及測試。該一或多個假影屬性可包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
可使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量。該第二學習模型可係與尺度相關。該第二異物度量可表示該標的隱形眼鏡之至少一接受或拒收條件。該第二學習模型可包含一深度學習模型。該第二學習模型可至少以包含接受或拒收條件的複數個影像進行訓練及測試。該第二學習模型可經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。該第二學習模型可經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。可使用任何所欲大小之臨限值，諸如長度小於1000微米、小於900微米、小於800微米、小於700微米、小於600微米、小於500微米、小於400微米、小於300微米、小於200微米或小於100微米。 態樣
本揭露包含至少下列態樣。
態樣1：一種隱形眼鏡品質控制方法，該方法包含：接收表示一標的隱形眼鏡之一輸入影像；使用一第一學習模型分析該輸入影像，其中該第一學習模型係與尺度無關；基於該輸入影像之該分析而輸出一第一異物度量及拒收資料；使用一假影模型從該拒收資料中識別錯誤的拒收資料及正確的拒收資料，其中該假影模型係基於一或多個假影屬性而實施，且其中該錯誤的拒收資料表示該一或多個假影屬性之存在；基於該錯誤的拒收資料及該正確的拒收資料中之一或多者而輸出一假影度量；及使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量，其中該第二學習模型係與尺度相關，且其中該第二異物度量表示該標的隱形眼鏡之至少一接受或拒收條件。
態樣2：如態樣1之方法，其中該第一學習模型包含一深度學習模型。
態樣3：如態樣1至2中任一項之方法，其中該第一學習模型係以包含接受或拒收條件的複數個影像進行訓練及測試。
態樣4：如態樣1至3中任一項之方法，其中該假影模型至少以包含該一或多個假影屬性之影像進行訓練及測試。
態樣5：如態樣1至4中任一項之方法，其中該一或多個假影屬性包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
態樣6：如態樣1至5中任一項之方法，其中該第二學習模型包含一深度學習模型。
態樣7：如態樣1至6中任一項之方法，其中該第二學習模型至少以包含接受或拒收條件的複數個影像進行訓練及測試。
態樣8：如態樣1至7中任一項之方法，其中該第二學習模型經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。
態樣9：如態樣1至8中任一項之方法，其中該第二學習模型經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
態樣10：一種隱形眼鏡品質控制方法，該方法包含：接收表示一標的隱形眼鏡之一輸入影像；基於該輸入影像之分析且使用一第一學習模型，輸出基於該輸入影像之該分析的一第一異物度量及拒收資料；使用一假影模型且基於至少該拒收資料而輸出一假影度量，其中該假影模型係基於一或多個假影屬性而實施；及使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量，其中該第二學習模型係與尺度相關，且其中該第二異物度量表示該標的隱形眼鏡之至少一接受或拒收條件。
態樣11：如態樣10之方法，其中該第一學習模型包含一深度學習模型。
態樣12：如態樣10至11中任一項之方法，其中該第一學習模型係以包含接受或拒收條件的複數個影像進行訓練及測試。
態樣13：如態樣10至12中任一項之方法，其中該假影模型至少以包含該一或多個假影屬性之影像進行訓練及測試。
態樣14：如態樣10至13中任一項之方法，其中該一或多個假影屬性包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
態樣15：如態樣10至14中任一項之方法，其中該第二學習模型包含一深度學習模型。
態樣16：如態樣10至15中任一項之方法，其中該第二學習模型至少以包含接受或拒收條件的複數個影像進行訓練及測試。
態樣17：如態樣10至16中任一項之方法，其中該第二學習模型經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。
態樣18：如態樣10至17中任一項之方法，其中該第二學習模型經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
態樣19：如態樣1至18中任一項之方法，其中該第二學習模型經組態以基於長度小於1000微米、小於900微米、小於800微米、小於700微米、小於600微米、小於500微米、小於400微米、小於300微米、小於200微米或小於100微米的可疑假影而修正錯誤的拒收。
在系統或方法中，一旦已獲取影像，則影像預處理可發生在用模型分析影像之前。影像之預處理可包含識別特定的感興趣之區域、增強對比度、添加或減去所拍攝之其他影像、及類似者。
可設計或修改並實施卷積神經網路(convolutional neural network, CNN)用以識別會被拒收之包裝。包裝可密封或未密封，且可含有鏡片或可係空的。包裝除了含有鏡片或無鏡片之外，亦可含有液體或無液體。存在用於建立CNN的多個平台且所屬技術領域中具有通常知識者應理解此點，包括Tensorflow (Google)、Caffe (UC Berkeley)、CNTK (Microsoft)、Theano (LISA lab)、Keras (Google)、Matlab (Mathworks)、Octave & Phython。現有模組經修改以將原始影像切片成較小大小，其中僅感興趣之區域(regions of interest, ROIs)經適當定大小以饋送至CNN中。然後，此等影像藉由包裝本身所定義出的例如299乘以299像素（單色）的感興趣之區域(ROI)加以定義，使得饋入CNN之每個ROI具有適當數量的像素以進行處理。例示性CNN（諸如Inception V3）可包含具有卷積層、最大池化層及全連接層的混合之總共48個層。在網路之後段，使用ReLU（整流線性單元(rectifying linear unit)）並以隨機方式刪除大量節點以避免過度擬合。例如3 × 3大小之濾波器可搭配1、2或更大數目的步幅(stride)使用。層可使用圍繞影像之邊緣及隅角的填補(pad)來增強影像之處理。類似地，網路之各種層（例如卷積層、最大池化層、softmax層、暫退(dropout)層、全連接層、及類似者）可變化以達成識別具有某缺陷之包裝的較佳結果，而不會將無缺陷之包裝誤識別為有缺陷或含有FM。
許多作業系統（包括Linux、UNIX ®、OS/2 ®、及Windows）能夠同時執行許多任務，且稱為多任務(multitasking)作業系統。多任務是作業系統同時執行多於一個可執行檔的能力。各可執行檔係在其自己的位址空間中執行，意指可執行檔無法共用其記憶體中之任一者。因此，任何程式都不可能損壞在系統上執行的其他程式中之任一者的執行。然而，程式無法交換任何資訊，惟透過作業系統（或藉由讀取儲存在檔案系統上的檔案）除外。
多進程(multi-process)計算類似於多任務(multi-tasking)計算，因為用語任務及進程通常可互換使用，儘管一些作業系統在兩者之間進行區別。在任何可能的技術細節整合程度下，本發明可係系統、方法及/或電腦程式產品或包含系統、方法及/或電腦程式產品。電腦程式產品可包括其上具有用於使處理器實施本發明之態樣的電腦可讀程式指令之一（或多個）電腦可讀儲存媒體，。電腦可讀儲存媒體可係可保留並儲存供指令執行裝置使用之指令的有形裝置。
電腦可讀儲存媒體可係例如但不限於電子儲存裝置、磁性儲存裝置、光學儲存裝置、電磁儲存裝置、半導體儲存裝置、或以上任何適當的組合。電腦可讀儲存媒體之更具體實例的非窮盡性清單包括下列：可攜式電腦磁片、硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可拭除可程式化唯讀讀取記憶體（EPROM或快閃記憶體）、靜態隨機存取記憶體(SRAM)、可攜式光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)、記憶卡(memory stick)、軟碟、機械編碼裝置（諸如具有在其上記錄之指令之凹槽的打孔卡或凸起結構）、及任何合適的組合。
如本文中所使用，電腦可讀儲存媒體本身不應理解為諸如無線電波或其他自由傳播電磁波、透過波導或其他傳輸媒體傳播的電磁波（例如，通過光纖電纜的光脈衝）、或透射穿過電線的電信號。本文中所描述之電腦可讀程式指令可經由網路（例如，網際網路、區域網路、廣域網路、及/或無線網路）從電腦可讀儲存媒體下載至各別計算/處理裝置，或下載至外部電腦或外部儲存裝置。網路可包含銅傳輸電纜、光學透射纖維、無線傳輸、路由器、防火牆、交換機、閘道器電腦及/或邊緣伺服器。各計算/處理裝置中之網路配接器卡或網路介面接收來自網路的電腦可讀程式指令，且轉遞該等電腦可讀程式指令以供儲存在各別計算/處理裝置內的電腦可讀儲存媒體中。
用於執行本發明之操作的電腦可讀程式指令可係組譯器指令、指令集架構(ISA)指令、機器指令、機器相關指令、微碼、韌體指令、狀態設定資料、積體電路之組態資料、或以一或多個程式語言之任何組合撰寫的原始程式碼或物件程式碼，該一或多個程式語言包括物件導向程式語言（諸如Smalltalk、C++、或類似者）及程序式程式語言（諸如「C」程式語言或類似程式語言）。電腦可讀程式指令可完全在使用者電腦上、部分在使用者電腦上、作為獨立式軟體套件、部分在使用者電腦上且部分在遠端電腦上、或者全部在遠端電腦或伺服器上執行。在後來的方案中，經由任何類型的網路，包括區域網路（LAN）或者廣域網路（WAN），該遠端電腦可被連接到使用者的電腦，或者該連接係對一外部電腦來進行（例如，經由使用網際網路服務供應商的網際網路）。
在一些實施例中，包括例如可程式化邏輯電路系統、場可程式化閘陣列(FPGA)、或可程式化邏輯陣列(PLA)的電子電路系統可藉由利用電腦可讀程式指令的狀態資訊而執行電腦可讀程式指令以個人化電子電路系統，以執行本發明之態樣。
本發明之態樣在本文中的描述係參考根據本發明之實施例的方法、設備（系統）、及電腦程式產品的流程圖及/或方塊圖。應理解的是，流程圖及/或方塊圖的各方塊，以及流程圖及/或方塊圖中之方塊的組合，能藉由電腦可讀程式指令來實作。電腦可讀程式指令可經提供至一般用途電腦、特定用途電腦、或其他可程式化資料處理設備之處理器以產生一機器，使得經由電腦或其他可程式化資料處理設備之處理器執行的指令得以建立構件，以實施流程圖及/或方塊圖之一或多個方塊中具體指定之功能/動作。
此等電腦可讀程式指令亦可儲存在電腦可讀儲存媒體中，該電腦可讀儲存媒體可引導電腦、可程式化資料處理設備、及/或其他裝置以特定方式起作用，使得具有儲存在其中之指令的電腦可讀儲存媒體包含製造物品，該製造物品包括實施流程圖及/或方塊圖之一或多個方塊中具體指定之功能/動作的態樣。該等電腦可讀程式指令亦可被下載到電腦、其他可程式化資料處理設備或其他裝置上，以致使一連串的操作步驟在該電腦、其他可程式化設備或其他裝置上施行以產生電腦實施程序，使得該電腦、其他可程式化設備或其他裝置上執行的該等指令實施流程圖及/或方塊圖之一或多個方塊中具體指定之功能/動作。圖式中之流程圖及方塊圖繪示根據本發明之各種實施例之系統、方法及電腦程式產品之可能實施方案的架構、功能性及操作。就此而言，流程圖或方塊圖中之各方塊可表示包含用於實施指定（多個）邏輯功能之一或多個可執行指令的模組、程式段、或指令之部分。
在一些替代實施方案中，方塊中所指出的功能可不依照在圖式中所指示的順序發生。例如，取決於所涉及的功能，相繼地展示的兩個方塊可實質上並行地執行，或依反向順序執行。亦應注意，方塊圖及流程圖中之各方塊以及方塊圖及流程圖中之方塊組合可藉由執行指定功能或動作的特殊目的基於硬體之電腦系統來實施，或藉由特殊目的硬體及電腦指令之組合來實施。儘管已描述本發明之具體實施例，但所屬技術領域中具有通常知識者將理解，其他實施例等效於所述實施例。因此，應理解，本發明不受限於具體說明之實施例，而是僅受限於隨附申請專利範圍之範疇。
根據上述描述，可見，本發明提供一種用於有效執行所描述之技術的系統、電腦程式產品及方法。除非明確說明，否則申請專利範圍提及的單數元件並不意欲意謂「僅有一個」，而是「一或多個」。所屬技術領域中具有通常知識者目前已知或之後將知的上述例示性實施例之元件的所有結構及功能等效物均意欲涵蓋在本申請專利範圍中。本文中請求項中的任何要素皆不依據美國專利法第112條第6項(35 U.S.C. section 112, sixth paragraph)之規定解釋，除非使用片語「用於...之構件(means for)」或「用於...之步驟(step for)」明確敍述元件。
雖然本發明之前述書面描述使具有通常知識者能夠製作及使用目前被認為是其最佳模式的事項，但具有通常知識者將理解且瞭解本文中之具體實施例、方法及實例的替代方案、適應、變化、組合及等效物之存在。所屬技術領域中具有通常知識者將理解，揭示內容僅為例示性的，且可在本發明之範疇內做出各種修改。此外，雖然教示內容的某一具體特徵可能僅由若干實施方案中之一者揭示，但是此一特徵可與其他實施方案之一或多個其他特徵組合，如所欲或對於任何給定或特定功能有利。此外，倘若在實施方式及申請專利範圍中使用用語「包括(including/include)」、「具有(having/has/with)」、或其變體，此類用語意指的包括/具有係類似於用語「包含(comprising)」的方式。
所屬技術領域中具有通常知識者考量本文所揭示之教示內容及實踐，將更清楚明白教示內容的其他實施例。因此，本發明不受限於所描述之實施例、方法及實例，而是受限於本發明之範疇及精神內之所有實施例及方法。因此，本發明不受限於如本文所說明之具體實施例，而是僅受限於以下申請專利範圍。
無
下列圖式大致上係以舉例方式而非限制方式顯示本揭露中所論述之各種實例。在圖式中： ［圖1］描繪一例示性系列模型圖。 ［圖2］描繪一例示性集成圖。

Claims (23)

  1. 一種隱形眼鏡品質控制方法，該方法包含： 接收表示一標的隱形眼鏡之一輸入影像； 使用一第一學習模型分析該輸入影像，其中該第一學習模型係與尺度無關； 基於該輸入影像之該分析而輸出一第一異物度量及拒收資料； 使用一假影模型從該拒收資料中識別錯誤的拒收資料及正確的拒收資料，其中該假影模型係基於一或多個假影屬性而實施，且其中該錯誤的拒收資料係表示該一或多個假影屬性之存在； 基於該錯誤的拒收資料及該正確的拒收資料中之一或多者而輸出一假影度量；及 使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量， 其中該第二學習模型係與尺度相關，且 其中該第二異物度量係表示該標的隱形眼鏡之至少一接受或拒收條件。
  2. 如請求項1之方法，其中該第一學習模型包含一深度學習模型。
  3. 如請求項1之方法，其中該第一學習模型係以包含接受或拒收條件的複數個影像進行訓練及測試。
  4. 如請求項1之方法，其中該假影模型至少以包含該一或多個假影屬性之影像進行訓練及測試。
  5. 如請求項1之方法，其中該一或多個假影屬性包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
  6. 如請求項1之方法，其中該第二學習模型包含一深度學習模型。
  7. 如請求項1之方法，其中該第二學習模型至少以包含接受或拒收條件的複數個影像進行訓練及測試。
  8. 如請求項1之方法，其中該第二學習模型係組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。
  9. 如請求項1之方法，其中該第二學習模型係組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
  10. 一種隱形眼鏡品質控制方法，該方法包含： 接收表示一標的隱形眼鏡之一輸入影像； 基於該輸入影像之分析且使用一第一學習模型，輸出基於該輸入影像之該分析的一第一異物度量及拒收資料，其中該第一學習模型係與尺度無關； 使用一假影模型且基於至少該拒收資料而輸出一假影度量，其中該假影模型係基於一或多個假影屬性而實施；及 使用一第二學習模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量， 其中該第二學習模型係與尺度相關，且 其中該第二異物度量係表示該標的隱形眼鏡之至少一接受或拒收條件。
  11. 如請求項10之方法，其中該第一學習模型係以包含接受或拒收條件的複數個影像進行訓練及測試。
  12. 如請求項10之方法，其中該假影模型至少以包含該一或多個假影屬性之影像進行訓練及測試。
  13. 如請求項10之方法，其中該一或多個假影屬性包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
  14. 如請求項10之方法，其中該第二學習模型至少以包含接受或拒收條件的複數個影像進行訓練及測試。
  15. 如請求項10之方法，其中該第二學習模型經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。
  16. 如請求項10之方法，其中該第二學習模型經組態以基於小於一預定大小的可疑假影而修正該錯誤的拒收。
  17. 一種隱形眼鏡品質控制方法，該方法包含： 接收表示一標的隱形眼鏡之一輸入影像； 基於該輸入影像之分析且使用一第一模型，輸出基於該輸入影像之該分析的一第一異物度量及拒收資料，其中該第一模型係與尺度無關； 使用一假影模型且基於至少該拒收資料而輸出一假影度量，其中該假影模型係基於一或多個假影屬性而實施；及 使用一第二模型且至少基於該第一異物度量及該假影度量而輸出一第二異物度量， 其中該第二模型係與尺度相關，且 其中該第二異物度量係表示該標的隱形眼鏡之至少一接受或拒收條件。
  18. 如請求項17之方法，其中該第一模型係以包含接受或拒收條件的複數個影像進行訓練及測試。
  19. 如請求項17之方法，其中該假影模型至少以包含該一或多個假影屬性之影像進行訓練及測試。
  20. 如請求項17之方法，其中該一或多個假影屬性包含清澈氣泡、摺疊鏡片、或無假影、或其組合。
  21. 如請求項17之方法，其中該第二模型至少以包含接受或拒收條件的複數個影像進行訓練及測試。
  22. 如請求項17之方法，其中該第二模型經組態以基於導致錯誤的拒收的缺陷之尺度而修正該錯誤的拒收。
  23. 如請求項17之方法，其中該第二模型經組態以基於小於一預定大小的可疑假影而修正錯誤的拒收。
TW112121400A 2022-06-08 2023-06-08 隱形眼鏡品質控制方法 TW202414047A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/835,385 2022-06-08
US17/835,385 US20230400714A1 (en) 2022-06-08 2022-06-08 Methods for quality control of contact lenses

Publications (1)

Publication Number Publication Date
TW202414047A true TW202414047A (zh) 2024-04-01

Family

ID=87136195

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112121400A TW202414047A (zh) 2022-06-08 2023-06-08 隱形眼鏡品質控制方法

Country Status (3)

Country Link
US (1) US20230400714A1 (zh)
TW (1) TW202414047A (zh)
WO (1) WO2023238084A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117491391B (zh) * 2023-12-29 2024-03-15 登景(天津)科技有限公司 基于芯片计算的玻璃基板光三维健康检测方法及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3745298B1 (en) * 2019-05-28 2022-05-25 SCHOTT Schweiz AG Classification method and system for high-throughput transparent articles
CN111062961A (zh) * 2019-12-30 2020-04-24 天津大学 一种基于深度学习的隐形眼镜边缘缺陷检测方法
US20210215925A1 (en) * 2020-01-09 2021-07-15 Kimball Electronics Indiana, Inc. Imaging system for leak detection
IL297910A (en) * 2020-05-05 2023-01-01 Amgen Inc Deep learning platforms for automated visual inspection
US11650126B2 (en) * 2020-09-22 2023-05-16 Indizen Optical Technologies S.L. Systems and methods for automatic visual inspection of defects in ophthalmic lenses

Also Published As

Publication number Publication date
WO2023238084A1 (en) 2023-12-14
US20230400714A1 (en) 2023-12-14

Similar Documents

Publication Publication Date Title
JP7325952B2 (ja) 表示装置の欠陥検出システム及び方法
US8131035B2 (en) Cell analysis using isoperimetric graph partitioning
US10146036B2 (en) Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects
CN114372968B (zh) 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法
TW202414047A (zh) 隱形眼鏡品質控制方法
JP2016181098A (ja) 領域検出装置および領域検出方法
KR102325347B1 (ko) 머신러닝 기반 결함 분류 장치 및 방법
US12014480B2 (en) Defect detection using synthetic data and machine learning
CN110619619A (zh) 一种缺陷检测方法、装置及电子设备
US20200020506A1 (en) System and method of analyzing a crystal defect
Chen et al. Multi-scale GAN with transformer for surface defect inspection of IC metal packages
Choi et al. Deep learning based defect inspection using the intersection over minimum between search and abnormal regions
CN117036271A (zh) 生产线质量监测方法及其系统
CN111191670A (zh) 基于神经网络的分类装置及分类方法
US11188792B2 (en) Defect detection using multiple models
CN117611879A (zh) 缺陷检测方法、装置、设备及计算机可读介质
JP7070334B2 (ja) 画像分類装置、画像検査装置、及び画像分類方法
JP2018163527A (ja) 分類装置の製造方法、画像の分類方法、画像の分類装置、半導体の検査装置および分類基準モジュール
CN113947771B (zh) 图像识别方法、装置、设备、存储介质以及程序产品
JP7414629B2 (ja) 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム
JP2021157735A (ja) 画像識別システム、画像識別装置、プログラムおよび学習済みモデル
US20240330671A1 (en) Automation method for defect characterization for hybrid bonding application
CN112183714A (zh) 基于人工神经网络的自动化数据切片
Xie et al. A novel deep learning algorithm to process COVID-19 chest x-rays
US20220383477A1 (en) Computer-readable recording medium having stored therein evaluation program, evaluation method, and information processing apparatus