CN101206294A - 透镜光学***的偏心调整方法、偏心调整装置和偏心调整程序 - Google Patents

Abstract

一种透镜光学***的偏心调整方法、偏心调整装置和偏心调整程序。根据变焦透镜(21)的各光学要素的制造误差、除去第一透镜组的安装误差的装配误差、和第一透镜组的预测安装误差，用透镜设计应用程序(72)求出变焦透镜(21)的CTF。将求出的CTF向神经网络(84)的输入端口输入，将这时的第一透镜组的移动量向输出端口输入，使神经网络(84)学习。在偏心调整中，将第一透镜组设置在初始位置，拍摄透镜评价图(14)，求出CTF。将求出的CTF向神经网络(84)输入，求出第一移动量。将第一透镜组从初始位置只移动该第一移动量。

Description

透镜光学***的偏心调整方法、偏心调整装置和偏心调整程序

技术领域

本发明涉及透镜光学***的偏心调整方法、偏心调整装置和偏心调整程序。

背景技术

现在，在很多摄像机中搭载变焦透镜。变焦透镜例如由前组透镜、变焦透镜、后组透镜、聚焦透镜等构成。通过使变焦透镜在光轴方向移动，焦距变化，通过移动聚焦透镜，进行调焦。

变焦透镜、后组透镜、聚焦透镜以其光轴大致一致的方式安装在镜筒上。另一方面，前组透镜通过弹簧状环等安装在镜筒上，在偏心调整时，在与光轴正交的面内能移动。前组透镜进行偏心调整后，用粘接剂等固定在镜筒上。

通常，通过变焦透镜一边拍摄析像度图等透镜评价图，一边克服弹簧状环，使前组透镜在与光轴正交的面内移动，从而进行透镜的偏心调整。然后，在透镜评价图的成像状态变为最佳的位置将前组透镜固定在镜筒上。

可是，所述的方法根据作业者的目视观察进行，所以在析像度是否最佳的判断上需要熟练的技术，而且还存在如下问题：没有批量生产适合性，此外调整结果中存在个人差异，从而缺乏可靠性。

为了解决这样的问题，提出了不通过人手进行透镜的偏心调整或光学零件的光轴调整的方法。例如，在特开2002-122785号公报中描述了使用遗传算法等概率探索方法来调整由多个光学零件构成的光传送路的光轴的方法。此外，在特开平7-38798号公报中描述了使用神经网络将聚焦透镜调整到无限远的对焦位置的方法。

可是，在特开2002-122785号公报的调整方法中，需要按代按个体对遗传算法等概率探索方法进行性能评价，所以必须多次进行性能测定。此外，在概率探索中，即使能找到没有偏心的适当透镜位置的范围，也难以在该范围中发现最佳的透镜位置。因此，无法瞬时高精度进行调整。

此外，在特开平7-38798号公报的调整方法中，使神经网络学习对比度和聚焦透镜的对焦位置的关系，但是在学习中未反映制造时的误差例如树脂制品的成形误差、透镜单元装配时的误差等。此外，未提及向偏心调整方法的应用。

因此，无法使神经网络恰当地学习，难以高精度进行透镜的偏心调整。

发明内容

本发明的目的在于，提供能在短时间内高精度进行透镜光学***的偏心调整的透镜光学***的偏心调整方法、偏心调整装置和偏心调整程序。

为了实现所述目的、其它目的，本发明的透镜光学***的偏心调整方法包含初始移动步骤、性能值运算步骤、第一移动量运算步骤、第一移动步骤。而且，通过在与透镜光学***的光轴正交的透镜安装面上移动由多个光学要素构成的透镜光学***的被调整透镜，调整被调整透镜相对于光轴的偏心。在所述初始移动步骤中，被调整透镜在透镜安装面上向初始位置移动。在所述性能值运算步骤中，使用所述透镜光学***拍摄透镜评价图，根据该拍摄图像求出所述透镜光学***的性能值。在所述第一移动量运算步骤中，将所述性能值向神经网络输入，求出被调整透镜的第一移动量。该神经网络考虑各光学要素的制造误差、除被调整透镜外的各光学要素的装配误差、和所述被调整透镜的预测安装位置而进行学习。然后，在所述第一移动步骤中，将被调整透镜移动到在初始位置加上所述第一移动量而得到的第一调整位置。

在所述神经网络的学习中，使用设计应用程序，根据多个假想CAD数据，对透镜评价图进行仿真，求出性能值。各假想CAD数据是根据各光学要素的制造误差、除被调整透镜外的各光学要素的装配误差、和被调整透镜的预测安装位置来修正所述透镜光学***的设计上的CAD数据而得到的修正CAD数据。然后，将由所述仿真求出的性能值和从初始位置到预测安装位置的移动量向神经网络输入，使神经网络学习。

进而，优选在所述第一移动步骤之后包含第一性能值再运算步骤和第一是否合格判定步骤。在第一性能值再运算步骤中，在第一调整位置，通过透镜光学***用摄像元件拍摄透镜评价图，根据该拍摄图像求出第一调整位置的性能值。然后，在第一是否合格判定步骤中，根据在第一性能值再运算步骤中求出的性能值，判定透镜光学***的偏心调整是否合格。

优选所述透镜评价图具有多个透镜评价区。进而，优选各透镜评价区具有用于评价与透镜光学***的光轴正交的面上的水平方向的性能值的水平方向评价用的图形、和用于测定与所述光轴正交的面上的垂直方向的性能值的垂直方向评价用的图形。

在本发明的优选实施方式中，所述透镜光学***包含变焦透镜，透镜评价区包含用于评价变焦透镜位于宽端(ワイド端)时的性能值的广角用评价区和用于评价变焦透镜位于远端(テレ端)时的性能值的望远用评价区。广角用评价区设置在透镜评价图的四角和中央，望远用评价区设置在透镜评价图的中央部的四角和中央。

优选所述性能值是CTF。而且，优选在所述第一是否合格判定步骤之后还具有再调整工序。该再调整工序包含探索步骤、第二性能值再运算步骤、评价值计算步骤、第二移动量运算步骤、第二移动步骤。在所述探索步骤中，在第一是否合格判定步骤中判定为不合格时，在透镜安装面上使被调整透镜移动到位于以第一调整位置为中心的第一探索范围内的多个第一探索点。在所述第二性能值再运算步骤中，在各第一探索点拍摄透镜评价图，根据该拍摄图像求出各探索点的性能值。在评价值计算步骤中，按各第一探索点计算评价值。在所述第二移动量运算步骤中，根据这多个评价值，求出被调整透镜的第二移动量。然后，在所述第二移动步骤中，使被调整透镜移动到在第一调整位置加上第二移动量而得到的第二调整位置。

优选所述再调整工序还具有第三性能值再运算步骤和第二是否合格判定步骤。在所述第三性能值再运算步骤中，在第二调整位置，通过透镜光学***用摄像元件拍摄透镜评价图，根据该拍摄图像求出第二调整位置的性能值。在所述第二是否合格判定步骤中，根据在第三性能值再运算步骤中求出的性能值，判定透镜光学***的偏心调整是否合格。

此外，优选准备多个计算所述评价值的评价值计算方法，用预先确定的顺序选择评价值计算方法，直到取得合格判定。而且，优选所述第二移动量运算步骤包含二次曲面形成步骤和坐标计算步骤。在二次曲面形成步骤中，在以第一调整位置为原点的XY轴、以评价值为Z轴的三维坐标中描绘各探索点及其评价值，根据评价值的描绘点，形成评价值的二次曲面。然后，在坐标计算步骤中，将在该二次曲面上评价值变为最大的点所对应的XY坐标作为第二移动量求出。

优选所述再调整工序还包含以下各步骤：(A)所述多个评价值计算方法全部为不合格时，在比所述第一探索范围窄的第二探索范围内，确定个数比所述第一探索点少的第二探索点；(B)对这些第二探索点执行所述第二性能值再运算步骤、所述评价值计算步骤、所述第二移动量运算步骤、所述第二移动步骤、所述第三性能值再运算步骤、所述第二是否合格判定步骤；(C)以预先确定的顺序选择多个评价值计算方法，执行所述步骤B，直到取得合格。

此外，优选多个评价值计算方法包含将多个性能值中最小的性能值即最差值作为评价值计算的最差值计算方法、将多个性能值的平均值作为评价值计算的平均值计算方法、将用于相对于广角用评价区和望远用评价区的四角的区中的性能值取得平衡的差分值作为所述评价值计算的差分值计算方法中的至少一个。计算广角用评价区中的四角的区相互间的性能值的差，对该差的绝对值相加而得到的值进行平均化，并且计算望远用评价区中的四角的区相互间的性能值的差，对该差的绝对值相加而得到的值进行平均化，将各平均化的值的倒数相加，由此求出所述差分值计算方法的差分值。进而，作为评价值计算方法，优选还包含加权计算方法，所述加权计算方法对由所述最差值计算方法、所述平均值计算方法、所述差分值计算方法计算出的评价值分别加权而计算评价值。

进而，优选在所述第一或第二是否合格判定步骤中判定为合格后，具有第一再学习步骤。在第一再学习步骤中，将性能值向神经网络输入，求出移动量，根据求出的移动量和第一移动量或变换为距初始位置的距离的第二移动量的差，使神经网络再学习。

本发明的被调整透镜的偏心调整装置具有被调整透镜移动部、摄像部、性能值运算部、神经网络、第一移动量运算部、控制部。而且，便由多个光学要素构成的透镜光学***的被调整透镜在与所述透镜光学***的光轴正交的透镜安装面上移动，调整所述被调整透镜相对于所述光轴的偏心。被调整透镜移动部保持被调整透镜，使其在透镜安装面上移动。摄像部通过透镜光学***拍摄透镜评价图。性能值运算部根据透镜评价图的拍摄图像求出透镜光学***的性能值。神经网络按所述那样进行学习，从输入层输入性能值，从输出层输出被调整透镜的移动量。第一移动量运算部将由性能值运算部求出的性能值向神经网络输入，求出被调整透镜的第一移动量。然后，控制部控制被调整透镜移动部，使被调整透镜只移动第一移动量。

进而，优选被调整透镜的偏心调整装置具有性能值计算机构和神经网络学习机构。性能值计算机构使用设计应用程序，根据多个假想CAD数据，对透镜评价图进行仿真，求出多个性能值。各假想CAD数据是根据各光学要素的制造误差、除被调整透镜外的各光学要素的装配误差、被调整透镜的预测安装位置来修正透镜光学***的设计上的CAD数据而得到的修正CAD数据。此外，神经网络学习机构将由仿真求出的性能值和从初始位置到预测安装位置的移动量向神经网络输入，使神经网络学习。

本发明的透镜光学***的偏心调整程序使计算机执行所述初始移动步骤、性能值运算步骤、第一移动量运算步骤、第一移动步骤。而且，通过在与所述透镜光学***的光轴正交的透镜安装面上移动由多个光学要素构成的透镜光学***的被调整透镜，调整所述被调整透镜相对于所述光轴的偏心。

此外，第一移动量运算步骤中使用的神经网络的学习包含使用设计应用程序根据多个假想CAD数据，对透镜评价图进行仿真，从而求出性能值的步骤。

在本发明的其他优选实施方式中，透镜光学***的偏心调整方法包含移动量预测步骤和移动步骤。在移动量预测步骤中，根据包含过去进行的偏心调整中的被调整透镜的移动量即过去移动量和与该过去移动量对应的所述透镜光学***的性能值的多个过去调整数据，预测被调整透镜的移动量。在移动步骤中，根据预测的所述移动量，使被调整透镜移动。

优选所述移动量通过所述多个过去移动量的平均化来求出。此外，优选，在所述过去调整数据中包含在过去进行的偏心调整中所述性能值提高的比率即提高率，相对于过去移动量，进行与所述提高率对应的加权，求出所述移动量。进而，在所述过去调整数据中包含过去进行的偏心调整的日期，相对于过去移动量，进行与所述日期对应的加权，求出所述移动量。

优选，将所述多个过去调整数据按批量进行划分，在所述移动量预测步骤中，根据与所述批量对应的过去调整数据，预测所述移动量。

在本发明的其他优选实施方式中，透镜光学***的偏心调整装置包含移动量预测部和被调整透镜移动部。移动量预测部根据包含过去进行的偏心调整中的被调整透镜的移动量即过去移动量和与该过去移动量对应的所述透镜光学***的性能值的多个过去调整数据，预测所述被调整透镜的移动量。被调整透镜移动部使所述被调整透镜只移动所述移动量。

在本发明的其他优选实施方式中，透镜光学***的偏心调整程序使计算机执行移动量预测步骤和移动步骤。在移动量预测步骤中，根据包含过去进行的偏心调整中的被调整透镜的移动量即过去移动量和与该过去移动量对应的所述透镜光学***的性能值的多个过去调整数据，预测所述被调整透镜的移动量。在移动步骤中，使所述被调整透镜只移动所述移动量。

根据本发明，在神经网络的设置(初始学习)时，使用根据设计应用程序的仿真而取得的被调整透镜的移动量和这时的性能值，所以即使没有过去的偏心调整作业中取得的数据，也能简便地进行设置。此外，测定被调整透镜的初始位置的性能值，将该性能值向神经网络输入，计算被调整透镜的移动量。由此，能比以往更大幅度缩短调整时间。

在使用了神经网络的偏心调整中，性能值不满足基准值时，使透镜从该调整位置移动到位于规定范围内的多个探索点，求出各探索点的性能值，根据这些性能值计算最佳的移动量。由此，能提高调整精度。

而且，适当进行了偏心调整时，将这时的性能值向神经网络输入，求出移动量，根据求出的移动量和第一移动量或变换为距初始位置的距离的第二移动量的差，使神经网络再学习。由此，反映了实际的透镜的特征的神经网络的再学习成为可能，能进一步提高调整性能。

在本发明的其他优选实施方式中，过去的偏心调整中取得的过去移动量和这时的性能值作为过去调整数据而存储。然后，根据该过去调整数据，计算被调整透镜的移动量。能不测定被调整透镜的性能值而求出该移动量，所以能缩短偏心调整所需要的时间。进而，过去调整数据按透镜光学***的各批量进行划分。具有共用批量的透镜光学***常常性能值类似，偏心调整后的位置变为大致相同的可能性高。因此，通过用批量管理过去调整数据，能高效进行偏心调整。

附图说明

参照附图并阅读本发明的优选实施方式，本领域技术人员就会明白所述目的和优点。

图1是表示本发明的透镜的偏心调整装置的概略图。

图2是表示将透镜单元安装在摄像机主体上的状态的数码相机的立体图。

图3是表示透镜评价图的主视图。

图4是表示控制器的框图。

图5是表示神经网络的说明图。

图6是表示有8处探索点时的第一透镜组G1的探索范围的曲线图。

图7是表示在各评价区中测定的X方向的CTF和Y方向的CTF的曲线图。

图8是表示在三维坐标上描绘了调整位置AP、探索点P1～P8和与它们有关的评价值的状态的曲线图。

图9是表示生成二次曲面的状态的曲线图。

图10是表示有4处探索点时的第一透镜组G1的探索范围的曲线图。

图11是表示本发明的作用的流程图。

图12是表示神经网络的学习的流程图。

图13是表示第一偏心调整工序的流程图。

图14是表示第二偏心调整工序的流程图。

图15是表示本发明实施方式2的控制器的框图。

图16是表示过去调整数据的说明图。

图17是表示本发明实施方式2的作用的流程图。

具体实施方式

如图1所示，本发明的透镜偏心调整装置10具有透镜保持台11、被调整透镜移动部12、摄像机驱动部13、透镜评价图14、控制器15、操作面板16、报警器17。在透镜保持台11形成用于保持偏心调整的对象即透镜单元19的装配部18。被调整透镜移动部12、摄像机驱动部13、控制器15设置在透镜保持台11上。还有，控制器15具有神经网络84，但是也可以分为控制器和神经网络。

透镜单元19具有镜筒40、变焦透镜(变焦透镜光学***)21、变焦机构22、AF机构23、图像区传感器24、具有图像处理部25的单元控制器26、电池(省略图示)。

如图2所示，透镜单元19通过形成在镜筒40后端的带槽反锥爪41a，装卸自如地安装在摄像机主体30的前面，构成数码相机31。在摄像机主体30上设置操作部32、释放按钮33、作为显示部的LCD34、变焦按钮35。进而，在摄像机主体30还设置在装卸自如的记录介质中记录图像数据的数据记录部、摄像机控制器和电池等(都未图示)。

如图1所示，镜筒40收纳有构成变焦透镜的第一～第四透镜组G1～G4。第一透镜组G1是前组透镜，第二透镜组G2是变焦透镜，第三透镜组G3是后组透镜，第四透镜组G4是聚焦透镜。还有，各透镜组G1～G4也可以是单透镜。此外，透镜光学***也可以是2组、3组，进而，焦距也可以是固定的。

第一透镜组G1和第三透镜组G3分别由固定透镜支架41、43保持。另一方面，第二透镜组G2和第四透镜组G4分别由移动透镜支架42、44保持。移动透镜支架42通过丝杠46a和导杆47可移动地安装在镜筒40上。通过变焦机构22的步进电机使该丝杠46a旋转，由此，第二透镜组G2移动，进行变焦。移动透镜支架44通过丝杠46b和导杆47可移动地安装在镜筒40上。通过AF机构23的步进电机使该丝杠46b旋转，由此，第四透镜组G4移动，进行调焦。

在变焦透镜21的安装作业中，首先，在镜筒40上依次安装第二～第四透镜组G2～G4，然后安装第一透镜组G1。第一透镜组G1的固定透镜支架41被弹簧状环等施力构件(省略图示)向透镜安装面40a施力，在透镜安装面40a上能移动。在第一透镜组G1的偏心调整结束后，固定透镜支架41由粘接剂等固定在透镜安装面40a上。

被调整透镜移动部12具有透镜夹具50、X方向移动部51、Y方向移动部52、Z方向移动部53、基部54，在偏心调整时，使第一透镜组G1移动。透镜夹具50能在夹住固定透镜支架41两侧的把持位置、和解除固定透镜支架41的夹住的开放位置之间变位地安装在Y方向移动部52上。Y方向移动部52由X方向移动部51支撑，此外，X方向移动部51由Z方向移动部53支撑。在基部54内设置驱动器55。控制器15通过该驱动器55驱动X方向移动部51、Y方向移动部52、Z方向移动部53。

X方向移动部51使Y方向移动部52移动，由此通过固定透镜支架41使第一透镜组G1在透镜安装面40a的上下方向(与图的纸面方向垂直的方向。以下称作“X方向”)移动。Y方向移动部52使透镜夹具50移动，由此使第一透镜组G1在透镜安装面40a的左右方向(与图的纸面方向平行的方向。以下称作“Y方向”)移动。Z方向移动部53使X方向移动部51移动，由此将第一透镜组G1压在透镜安装面40a上。

摄像机驱动部13通过透镜单元19的单元控制器26控制变焦机构22、AF机构23、图像处理部25。图像区传感器24例如是CCD，配置在第四透镜组G4的像面侧。在偏心调整作业中检测第一透镜组G1的偏心状态时，使用图像区传感器24，将透镜评价图14(图图像)的拍摄进行第二透镜组G2(变焦透镜)位于宽端时(以下称作“宽时(ワイド時)”)和位于远端时(以下称作“远时(テレ時)”)共2次。图像处理部25根据来自图像区传感器24的信号，生成图图像的图像数据(图图像数据)。宽时和远时的图图像数据通过摄像机驱动部13发送给控制器15。控制器15根据2个图图像数据计算CTF。CTF(Contrast Transfer Function：对比度传递函数)是表示透镜性能的性能值之一，表示图像的对比度的状态。CTF的值越高，析像度越高。此外，偏心调整量与CTF具有相关关系，所以从CTF能知道透镜的偏心的移动量。还有，透镜的性能值并不局限于CTF。

透镜评价图14配置在透镜单元19的前方，由照明装置56大致均匀地照明。如图3所示，透镜评价图14设置评价宽时的CTF时使用的广角用评价区61～65、和评价远时的CTF时使用的望远用评价区66～70。广角用评价区61～65是分别位于透镜评价图14的右上、右下、左上、左下和中央的评价区。另一方面，望远用评价区66～70是分别位于透镜评价图14的中央部14a的右上、右下、左上、左下和中央的评价区。在图中虽然省略，但是在各评价区61～70中记录用于评价变焦透镜21的X方向的CTF的图形(以下称作“X方向评价图形”)和用于评价Y方向的CTF的图形(以下称作“Y方向评价图形”)。X方向评价图形例如是白和黑交替纵向配置而成的纵条纹花纹。另一方面，Y方向评价图形例如是白和黑交替横向配置而成的横条纹花纹。还有，在广角用评价区和望远用评价区中也可以记录用于评价径向的性能值的图形、和用于评价切向的性能值的图形。

根据宽时的图图像数据提取广角用评价区61～65的图像数据，根据远时的图图像数据提取望远用评价区66～70的图像数据。该10个评价区分别包含X方向评价图形和Y方向评价图形，所以通过图像区传感器24的拍摄，最终求出X方向10个、Y方向10个合计20个CTF。因此，第一透镜组G1的一个安装位置的偏心状态由作为1组的20个CTF表示。

如图4所示，控制器15具有CAD数据库71、透镜设计应用程序72、学习用数据库73、第一偏心调整部75、图像评价部76、透镜探索量特定部77、第二偏心调整部78。

在CAD数据库71中记录多个表示第一～第四透镜组G1～G4的光学结构(各透镜组的曲率半径、透镜厚度、折射率、透镜间隔等)的CAD数据。这些CAD数据有设计上的基本CAD数据、和考虑制造、装配或安装误差而修正了基本CAD数据而得到的多个假想CAD数据。

多个假想CAD数据如下求出。首先，在基本CAD数据中，在将第一透镜组G1的安装位置保持在设计上的安装位置(初始位置)的状态下，根据认为是制造、装配或安装时产生的第一～第四透镜组G1～G4的制造误差、第二～第四透镜组G2～G4的装配误差或安装误差，修正第一～第四透镜组G1～G4的光学结构。以下，将该修正后的基本CAD数据称作第一修正CAD数据。

接着，在第一修正CAD数据中，将第一透镜组G1的位置从初始位置变更为第一预测安装位置。由此，取得第(1-1)假想CAD数据。该第(1-1)假想CAD数据将从初始位置到第一预测安装位置的距离(X方向和Y方向)作为第一透镜组G1的移动量包含。该移动量相当于将初始位置作为基准的偏心量。同样，在第一修正CAD数据中，将第一透镜组G1的位置从初始位置变更为第N预测安装位置(N是2以上的自然数)，取得第(1-N)假想CAD数据。该第(1-N)假想CAD数据包含从初始位置到第N预测安装位置的第一透镜组G1的移动量。

接着，在基本CAD数据中，在将第一透镜组G1的安装位置保持在初始位置的状态下，根据与第一修正CAD数据的误差不同的第一～第四透镜组G1～G4的制造误差、第二～第四透镜组G2～G4的装配误差或安装误差，修正第一～第四透镜组G1～G4的光学结构。以下，将该修正后的基本CAD数据称作第M修正CAD数据(M是2以上的自然数)。

接着，在第M修正CAD数据中，将第一透镜组G1的位置从初始位置变更为第一预测安装位置。由此，取得第(M-1)假想CAD数据。该第(M-1)假想CAD数据包含从初始位置到第一预测安装位置的第一透镜组G1的移动量。同样，在第M修正CAD数据中，将第一透镜组G1的位置从初始位置变更为第N预测安装位置(N是2以上的自然数)，取得第(M-N)假想CAD数据。该第(M-N)假想CAD数据包含从初始位置到第N预测安装位置的第一透镜组G1的移动量。

控制器15根据从CAD数据库71取出的一个CAD数据，用透镜设计应用程序72对透镜评价图14的图图像数据进行仿真，计算X方向10个、Y方向10个(合计20个)CTF。然后，将由透镜设计应用程序72计算出的合计20个CTF(1组CTF)、和CAD数据中包含的第一透镜组G1的移动量作为学习用数据，记录到学习用数据库73中。

作为透镜设计应用程序72，能使用株式会社リ一デインテックス制造的光学设计及评价软件“ZEMAX(商品名)”。ZEMAX从CAD应用程序输入对象，能再现设计完毕的光学零件形状，能简单地求出各种方式的误差包含性能值。还有，透镜设计应用程序如果是能进行光学设计和评价的应用软件，则可利用各种应用软件。

第一偏心调整部75具有神经网络84和误差计算部85。如图5所示，神经网络84在第一偏心调整工序中使用，由输入层84a、中间层84b、输出层84c构成。输入层84a由20个单元O1[i](i＝1～20)构成。对单元O1[1]～O1[10]输入与各评价区61～70对应的X方向的10个CTF，对单元O1[11]～O1[20]输入与各评价区61～70对应的Y方向的10个CTF。输出层84c由2个单元O3[k](k＝1，2)构成。从O3[1]输出第一透镜组G1的X方向的移动量，从O3[2]输出第一透镜组G1的Y方向的移动量。这些X方向和Y方向的移动量相当于将初始位置作为基准时的偏心量。中间层84b由规定数的单元O2[j](j是任意的自然数)构成。还有，神经网络84能由软件或硬件构成，此外能使用各种市场上出售的产品。

输入层84a的各单元O1[i]用耦合系数w21[j][i]与中间层84b的各单元O2[j]耦合。此外，中间层84b的各单元O2[j]用耦合系数w32[k][j]与输出层84c的各单元O3[k]耦合。中间层84b的各单元O2[j]和输入层84a的各单元O1[i]的关系由以下的[数学式1]表示。此外，输出层84c的各单元O3[k]和中间层84b的各单元O2[j]的关系由以下的[数学式2]表示。

[数学式1]

$O2\left[j\right]=\underset{i}{\mathrm{\Σ}}f\left(w21\right[j\left]\right[i]\×O1[i]-\mathrm{\θ}2[j\left]\right)$

[数学式2]

$O3\left[k\right]=\underset{j}{\mathrm{\Σ}}f\left(w32\right[k\left]\right[j]\×O2[j]-\mathrm{\θ}3[k\left]\right)$

在所述数学式中，f表示S函数，θ2[j]表示中间层84b的各单元O2[j]的阈值，θ3[k]表示输出层84c的各单元O3[k]的阈值。还有，耦合系数w21[j][i]、w32[k][j]、θ2[j]、θ3[k]预先随机设定。

在神经网络84的设置(初始学习)时，从学习用数据库73同时读出多个学习用数据。各学习组由1组CTF和移动量构成。该1组CTF中的10个X方向的CTF向O1[1]～O1[10]输入，10个Y方向的CTF向O1[11]～O1[20]输入。然后，从O3[1]输出由[数学式1]和[数学式2]取得的第一透镜组G1的X方向的移动量，从O3[2]输出第一透镜组G1的Y方向的移动量。

误差计算部85根据将学习用数据的1组CTF向神经网络84输入而求出的第一透镜组G1的移动量O3[k]、和相同的学习用数据中包含的第一透镜组G1的移动量T[k]，计算耦合系数w32[k][j]的误差Δw32[k][j]和阈值θ3[k]的误差Δθ3[k]。误差Δw32[k][j]和Δθ3[k]由以下的[数学式3]表示。

[数学式3]

d3[k]＝(T[k]-O3[k]×(1.0-O3[k])/μ)，

Δw32[k][j]＝ε×d3[k]×O2[j]，

Δθ3[k]＝ε×d3[k]

这里，ε、μ是任意的常数。计算出的误差Δw32[k][j]与耦合系数w32[k][j]相加，更新w32[k][j]。此外，计算出的误差Δθ3[k]与阈值θ3[k]相加，更新阈值θ3[k]。

进而，误差计算部85根据向输入层O1[i]的输入、来自中间层O2[j]的输出、更新的耦合系数w32[k][j]、及所述d3[k]，计算耦合系数w21[j][i]的误差Δw21[j][i]和阈值θ2[j]的误差Δθ2[j]。误差Δw21[j][i]和Δθ2[j]由以下的[数学式4]表示。

[数学式4]

$d2\left[j\right]=O2\left[j\right]\×(1.0-O2[j\left]\right)\left(\underset{k}{\overset{2}{\mathrm{\Σ}}}d3\right[k\left]w32\right[k\left]\right[j\left]\right)(2.0/\mathrm{\μ}),$

Δw21[j][i]＝ε×d2[j]×O1[i]，

Δθ2[j]＝ε×d2[j]

计算出的误差Δw21[j][i]与耦合系数w21[j][i]相加，更新w21[j][i]。此外，计算出的误差Δθ2[j]与阈值θ2[j]相加，更新θ2[j]。

如上所述，按各学习用数据，反复进行耦合系数w32[k][j]、w21[j][i]和阈值θ3[k]、θ2[j]的更新，用于神经网络84的设置的学习结束。

在第一偏心调整工序中，如果在输入层84a的各单元O1[i]输入由CTF测定部76b计算出的CTF，则从输出层84c的各单元O3[k]输出将初始位置作为基准的第一透镜组G1的移动量(以下称作“第一移动量”)X1、Y1。移动控制器87特定第一透镜组G1的设计上的安装位置(初始位置)与第一移动量X1、Y1相加而得到的调整位置AP。然后，驱动X方向移动部51或Y方向移动部52，在透镜安装面40a上使第一透镜组G1向调整位置AP移动。

图像评价部76具有对比度计算部76a、CTF测定部76b、判定部76c、存储器76d。在对比度计算部76a，通过摄像机驱动部13从图像处理部25输入宽时的图图像数据和远时的图图像数据。对比度计算部76a从宽时的图图像数据提取广角用评价区61～65的图像数据，然后，从远时的图图像数据提取望远用评价区66～70的图像数据。在各评价区61～70中记录有X方向评价图形和Y方向评价图形，所以对比度计算部76a根据提取的10个评价区的图像数据计算X方向10个对比度、Y方向10个对比度(合计20个)。X方向和Y方向的对比度C由以下的[数学式5]表示。

[数学式5]

$C=\frac{L_b-L_d}{L_b+L_d}$

这里，L_b表示明亮部分的多个白线的最大亮度，L_d表示暗部分的多个黑线的最大亮度。由对比度计算部76a求出的对比度是透镜评价图图像的输出图像的对比度C_o。另一方面，在存储器76d中记录透镜评价图图像的输入图像的对比度C_i。CTF测定部76b根据输入图像和输出图像的对比度C_o、C_i，通过以下的[数学式6]，求出CTF。

[数学式6]

$\mathrm{CTF}=\frac{C_o}{C_i}$

这里，C_i是输入图像的对比度，C_o是输出图像的对比度。由此，求出各评价区61～70的X方向的CTF和Y方向的CTF。

判定部76c进行由CTF测定部76b求出的1组内的CTF是否全部超过了存储器76d中记录的一定基准值的合格判定。在判定为合格时，从初始位置到调整位置AP的距离即第一移动量X1、Y1和这时的1组CTF作为再学习用数据而记录到再学习用数据库90中。进行第二次以后的偏心调整时，再学习用数据库90代替学习用数据库73使用，更新神经网络84的耦合系数或阈值。还有，第二次以后也可以使用学习用数据库73的学习用数据和再学习用数据库90的再学习用数据双方，确定神经网络84的耦合系数或阈值。

在判定为不合格时，将第一移动量X1、Y1和与该移动量对应的1组CTF记录到第二偏心调整部78的存储器78d。同时，透镜探索量特定部77读出存储器77a中记录的规定探索量(由初始位置和第一移动量特定的从调整位置AP的移动量)。

第一透镜组G1的探索量如图6所示，在以调整位置AP为中心的圆C1的范围内。这里，圆C1的半径是作为第一透镜组G1的调整工作范围而预先确定的圆C的半径的2/3以下。在圆C1的内部设置8个探索点P1～P8。这8个探索点P1～P8任意设定，但是在本实施方式中，形成为以调整位置AP为中心的正方形的角和各边的中央。从调整位置AP到各边的距离是圆C1的半径的0.7倍左右(1/)。一边使第一透镜组G1移动，一边在各探索点进行透镜评价图14的拍摄和基于CTF测定部76b的CTF测定。由此，按各探索点计算1组CTF。在存储器78d，按第一透镜组G1的移动，记录其探索量和这时的1组CTF。该探索量相当于以调整位置AP为中心的第一透镜组G1的移动量(偏心量)。

如图4所示，第二偏心调整部78具有评价值计算部78a、二次曲面生成部78b、移动量特定部78c、存储器78d。

评价值计算部78a根据相对于一个探索点而记录在存储器78d中的1组CTF来计算一个评价值。在图6的实施方式中，求出8个评价值。作为计算评价值的方法，有以下所示的4种方法。

第一种是将1组CTF中最小的CTF即最差值作为评价值计算的最差值计算方法。第二种是将1组CTF的平均值作为评价值计算的平均值计算方法。第三种是将用于相对于四角的评价区61～64及66～69的CTF取得平衡的差分值作为评价值计算的差分值计算方法。第四种是对由最差值计算方法、平均值计算方法、差分值计算方法计算出的评价值进行加权并相加，将该相加值作为评价值的加权计算方法。计算的评价值与第一透镜组G1的探索量相对应，并记录到存储器78d中。

这里，说明最差值计算方法。例如，图7表示相对于各评价区61～70的CTF。图中，“□”表示相对于广角用评价区61～65的CTF，“△”表示相对于望远用评价区66～70的CTF。评价值计算部78a将相对于广角用评价区61～65中位于右上的评价区61的Y方向的CTF作为最差值BP，将该最差值BP作为评价值。

接着，说明差分值计算方法。相对于广角用评价区的四角的区61～64的X方向的CTF为CTF_1_X_W、CTF_2_X_W、CTF_3_X_W、CTF_4_X_W。而且，根据以下的表达式，计算各差的绝对值的全部组合的平均CTF_X_W。

CTF_X_W＝

(|CTF_1_X_W-CTF_2_X_W|+|CTF_2_X_W-CTF_3_X_W|+

 |CTF_3_X_W-CTF_4_X_W|+|CTF_4_X_W-CTF_1_X_W|+

 |CTF_1_X_W-CTF_3_X_W|+|CTF_2_Y_T-CTF_4_X_W|)/6

同样，关于相对于广角用评价区的四角的区61～64的Y方向的CTF、相对于望远用评价区的四角的区66～69的X方向和Y方向的CTF，计算各差的绝对值的全部组合的平均CTF_Y_W、CTF_X_T、CTF_Y_T。然后，如以下的表达式所示，将各平均的倒数的合计值作为差分值。

差分值＝1/CTF_X_W+1/CTF_Y_W+1/CTF_X_T+1/CTF_Y_T。

还有，关于平均值计算方法和加权计算方法，因为容易理解，所以省略详细的说明。

二次曲面生成部78b使用图8所示的XYZ坐标，使调整位置AP以及探索点P1～P8(参照图6)与XY坐标对应，使其评价值与Z坐标对应，并进行描绘。然后，如图9所示，生成通过描绘点附近的二次曲面95。调整位置AP成为XY坐标的原点(0，0)。

移动量特定部78c在二次曲面95中，探索评价值变为最大的点。在该探索中使用二次规划法。在图9所示的二次曲面95中，在点SP评价值变为最大。因此，移动量特定部88c将点SP的X坐标和Y坐标的值分别作为第一透镜组G1的X方向的第二移动量X2和Y方向的第二移动量Y2特定。移动控制器87驱动X方向移动部51或Y方向移动部52，在透镜安装面40a上使第一透镜组G1从调整位置AP只移动X2、Y2。

4种评价值计算方法按照预先确定的顺序采用。然后，使用采用的评价值计算方法，根据由存储器76d读出的8组CTF求出8个评价值。接着，通过二次规划法，计算第二移动量X2、Y2。将第一透镜组G1只移动该第二移动量X2、Y2后，在该位置测定1组CTF。然后，进行1组内的全部CTF是否变为基准值以上的是否合格判定。一边变更评价值计算方法，一边执行该工序，直到取得合格。由于这样改变评价值计算方法，所以即使由于例如制造误差等，在相同批量的变焦透镜21彼此间特性改变时，也能恰当地应对。

在全部4种评价值计算方法都不合格时，如图10所示，减小第一透镜组G1的探索量后，再次进行探索。这时，第一透镜组G1的探索量是圆C2的范围内。圆C2的半径为圆C1的半径的1/2以下。在圆C2的内部设置4个探索点P9～P12。在本实施方式中，在正方形上取4个探索点P9～P12，从调整位置AP到各边的距离是圆C2的半径的0.7倍左右(1/)。

一边使第一透镜组G1从调整位置AP移动，一边在各探索点P9～P12分别测定CTF的组。在存储器78d中，除了记录在圆C1内探索的上次的探索量和那时的1组CTF，还记录在圆C2内进行探索的这次的探索量和此时的1组CTF。然后，评价值计算部78a用与圆C1内的探索点P1～P8相同的顺序，进行探索点P9～P12的CTF测定。全部4种评价值计算方法都不合格时，不可能进行偏心调整，用报警器17通知。

下面，参照图11～图14的流程图，说明本发明的偏心调整方法。如图11所示，在本发明中，首先在脱机状态下，事先进行神经网络84的学习，然后进入第一偏心调整工序。第一偏心调整的结果判定为合格时，第一透镜组G1的第一移动量X1、Y1和这时的CTF作为再学习用数据，记录到再学习用数据库90中。另一方面，第一偏心调整的结果判定为不合格时，进行第二偏心调整工序。还有，也可以将第一偏心调整工序后的是否合格判定组入第一偏心调整工序中。

这里，参照图12，说明神经网络84的学习。如果按压操作面板16的学习开始按钮，控制器15从CAD数据库71一个个取出CAD数据。

控制器15根据各CAD数据，用透镜设计应用程序72计算1组CTF。将计算出的1组CTF和与它对应的第一透镜组G1的移动量作为学习用数据记录到学习用数据库73。

从学习用数据库73读出1组CTF和移动量，将1组CTF向神经网络84输入。然后，通过误差计算部85，如上所述，计算神经网络84的耦合系数和阈值的误差。神经网络84将由误差计算部85计算出的误差与此前的耦合系数和阈值相加，更新耦合系数和阈值。这样，从学习用数据库73一个个读出学习用数据(移动量和CTF的组)，进行耦合系数和阈值的更新。使用全部学习用数据时，神经网络84的学习结束，可执行第一偏心调整工序。

接着，参照图13，说明第一偏心调整工序。如果在透镜保持台11安装透镜单元19，则摄像机驱动部13和透镜单元19的各电路通过装配部18连接。如果按压操作面板16的调整开始按钮，则被调整透镜移动部12驱动移动部51～53，透镜夹具50进入镜筒40内后，夹住固定透镜支架41的两侧。在该状态下，X方向移动部51和Y方向移动部52工作，将第一透镜组G1移动到初始位置。在该初始位置，由透镜夹具50夹住的第一透镜组G1的光轴在设计上与镜筒40的中心线一致。

如果第一透镜组G1设置在初始位置，则开始CTF测定。首先，摄像机驱动部13通过透镜单元19分别在远端和宽端拍摄透镜评价图14。拍摄的图图像数据作为输出图像发送给控制器15的图像评价部76。图像评价部76的对比度计算部76a根据宽时和远时的2个图图像数据分别计算X方向10个、Y方向10个对比度。CTF测定部76b根据存储器76d中记录的作为输入图像的透镜评价图14的对比度C_i和由对比度计算部76a计算的各输出图像的对比度C_o，对各评价区61～70，在X方向和Y方向分别求出10个CTF。

由CTF测定取得的20个CTF向神经网络84的输入层84a输入。由此，从神经网络的输出层84c输出第一透镜组G1的第一移动量X1、Y1。移动控制器87驱动移动部51、52，只移动第一移动量X1、Y1。由此，第一透镜组G1从初始位置移动到调整位置AP。使第一透镜组G1移动后，再次进行20个CTF的测定。

接着，根据测定的CTF，通过判定部76c进行是否合格判定。20个CTF全部为基准值以上时，是合格的。在合格时，图像评价部76将第一移动量X1、Y1和其20个CTF记录到再学习用数据库90中。

在第一偏心调整工序中不合格时，进入图14所示的第二偏心调整工序。在该第二偏心调整工序中，首先通过透镜探索量特定部77，特定8个探索量。移动控制器87根据各探索量，将第一透镜组G1依次从调整位置AP移动到8个探索点P1～P8。然后，在各探索点P1～P8，分别测定20个CTF。各探索点的CTF与探索量一起记录到第二偏心调整部78的存储器78d。

第二偏心调整部78的评价值计算部78a采用4种评价值计算方法中的第一种评价值计算方法，根据存储器78d中记录的20个CTF计算1个评价值。计算出的评价值与第一透镜组G1的探索量相对应而记录到存储器78d中。评价值的计算和向存储器78d的记录按探索点进行。在计算8个评价值后，二次曲面生成部78b根据探索量和此时的评价值，生成图9所示的二次曲面95。移动量特定部78c在生成的二次曲面95上特定评价值变为最大的点SP。然后，将点SP的X坐标的值作为以调整位置AP为基准的X方向的第二移动量X2特定，将点SP的Y坐标的值作为以调整位置AP为基准的第二移动量Y2特定。移动控制器87驱动移动部51、52，将第一透镜组G1在透镜安装面40a上从调整位置AP只移动第二移动量X2、Y2。

使第一透镜组G1只移动第二移动量X2、Y2后，进行20个CTF的测定。接着，通过判定部76c，进行20个CTF的是否合格判定。在判定为合格时，将第二移动量X2、Y2变换为从初始位置的移动量后，与1组CTF一起作为再学习用数据记录到再学习用数据库90中。

另一方面，判定为不合格时，使第一透镜组G1返回调整位置AP，然后变更评价值计算方法。评价值计算部78a根据第二种评价值计算方法，使用从存储器78d读出的相对于一个探索量的20个CTF，计算一个评价值，使该评价值与第一透镜组G1的探索量相对应而记录到存储器78d中。在计算8个评价值后，二次曲面生成部78b和移动量特定部78c进行与第一种评价值计算方法同样的处理，特定以调整位置AP为基准的第二移动量X2、Y2。根据该第二移动量X2、Y2，从调整位置AP使第一透镜组G1移动，用所述的顺序进行基于CTF测定部76b的CTF测定和基于判定部76c的是否合格判定。

其结果，在判定为合格时，将用第二种评价值计算方法求出的第二移动量X2、Y2变换为从初始位置的移动量后，与1组CTF一起作为再学习用数据记录到再学习用数据库90中。另一方面，判定为不合格时，与所述的顺序同样，通过第三种评价值计算方法特定第二移动量X2、Y2，进行第一透镜组G1的移动、CTF测定、及是否合格判定。

如此重复上述的处理，直到出现合格判定。如果全部评价值计算方法都不合格时，透镜探索量特定部77就设定进一步缩小了第一透镜组G1的探索量而得到的探索量。移动控制器87根据该探索量，将第一透镜组G1依次从调整位置AP移动到4处探索点P9～P12，按各探索点测定CTF。

评价值计算部78a使用第一种评价值计算方法，根据按探索量记录到存储器78d中的20个CTF计算一个评价值。然后，通过二次曲面生成部78b和移动量特定部78c，根据从4个评价值生成的二次曲面，特定第一透镜组G1的第三移动量(从调整位置AP的移动距离)X3、Y3。移动控制器87根据该第三移动量X3、Y3，使第一透镜组G1在透镜安装面40a上从调整位置AP移动。

以第三移动量X3、Y3使第一透镜组G1移动后，通过CTF测定部76b，进行20个CTF的测定。然后，进行基于判定部76c的是否合格判定。判定为合格时，将第三移动量X3、Y3变换为从初始位置的移动量后，与1组CTF一起作为再学习用数据记录到再学习用数据库90中。

另一方面，判定为不合格时，评价值计算部78a使用第二种评价值计算方法计算评价值，进行与所述同样的处理。然后，通过判定部76c进行是否合格判定。变更评价值计算方法，重复评价值的计算和是否合格判定，直到出现合格判定。全部四种评价值计算方法都不合格时，使报警器17发出警报，通知作业者。

如上所述，在第一偏心调整工序中合格时，第一移动量X1、Y1和20个CTF记录到再学习用数据库90中，此外，在第二偏心调整工序中合格时，将相当于合格时的第二移动量X2、Y2的从初始位置的移动量和这20个CTF作为再学习用数据记录到再学习用数据库90中。该再学习用数据在进行下次的偏心调整时，作为多个再学习用数据的一个，向神经网络84输入，在耦合系数和阈值的更新中利用。

在变为合格时，使透镜夹具50从第一透镜组G1退开，从透镜保持台11取下透镜单元19。然后，用粘接剂或小螺钉等将固定透镜支架41固定，将第一透镜组G1固定在偏心调整后的位置。还有，第一透镜组G1的前面的外周由弹簧状环(未图示)按压，所以从透镜保持台11取下透镜单元19时，第一透镜组G1不移动。此外，也可以在将透镜单元19安装在透镜保持台11上的状态下，固定第一透镜组G1。此外，将通过报警器17通知的透镜单元作为不良品从透镜保持台11取下。

接着，在透镜保持台11上安装新的透镜单元。利用再学习用数据，更新神经网络84的耦合系数和阈值后，执行第一偏心调整工序、第二偏心调整工序，直到取得合格。

还有，在本实施方式中，神经网络应用了使用S函数的反向传递模型，但是也可以应用使用高斯函数的Radial Basis Function Network。

还有，在本实施方式中，在生成二次曲面的处理、及通过二次规划法来特定在二次曲面上评价值为最大值的点的处理中使用了サイバネツト公司制造的“MATLAB”，但是没必要局限于此。

下面，参照图15～图17说明本发明的实施方式2。在该实施方式2中，代替图1所示的控制器15，使用图15所示的控制器100。控制器100具有过去调整数据库101、批量输入部102、第一偏心调整部103、图像评价部76、透镜探索量特定部77、第二偏心调整部78、移动控制器87。还有，图像评价部76、透镜探索量特定部77、第二偏心调整部78、移动控制器87与实施方式1相同，所以标注相同的符号。

在过去调整数据库101中，如图16所示，记录关于过去进行的第一透镜组G1的偏心调整的数据101a(以下称作“过去调整数据”)。在过去调整数据101a中记录将第一透镜组G1在X方向调整后的过去移动量XP和在Y方向调整后的过去移动量YP、调整后的位置的CTF。CTF与实施方式1同样，是X方向10个、Y方向10个(合计20个)。此外，在过去调整数据101a中包含偏心调整后的CTF的提高率的数据。该提高率是将偏心调整后的CTF除以偏心调整前的CTF而得到的值。进而，在过去调整数据101a中还包含进行了偏心调整的日期的数据。

过去调整数据101a按变焦透镜21的批量进行划分。这里，图15所示的“LOT1”、“LOT2”、“LOT3”表示由彼此不同的生产线制造变焦透镜21。如果在透镜偏心调整装置中设置透镜单元19，则变焦透镜21的批量从批量输入部102向第一偏心调整部103输入。

第一偏心调整部103具有数据提取部103a和预测部103b，在第一偏心调整工序中使用。数据提取部103a从过去调整数据库101中取出与由批量输入部102输入的批量对应的过去调整数据。

预测部103b根据取出的过去调整数据，预测从初始位置的移动量X1、Y1(以下，称为“第一移动量”)。作为计算第一移动量X1、Y1的方法，使用以下的任意方法：将过去移动量XP、YP平均化的值作为第一移动量X1、Y1的平均化方法；将与CTF的提高率成比例而对过去移动量XP、YP加权的值作为第一移动量X1、Y1的提高率加权方法；使过去进行了偏心调整的时间和过去移动量XP、YP相关联，越是最近的越增大加权，从而计算移动量的时间关联方法；组合了提高率加权方法和时间关联方法的方法。

平均化方法根据以下的[数学式7]进行。这里，XP[i]是过去调整数据101a的第一透镜组G1的X方向的过去移动量，YP[i]是Y方向的过去移动量，“N”是各批量的过去调整数据101a的数，X1是第一透镜组G1的X方向的第一移动量，Y是Y方向的第一移动量。还有，“i”是“1”～“N”。

[数学式7]

$X1=\frac{\underset{i}{\overset{N}{\mathrm{\Σ}}}\mathrm{XP}\left[i\right]}{N},$

$Y1=\frac{\underset{i}{\overset{N}{\mathrm{\Σ}}}\mathrm{YP}\left[i\right]}{N}$

此外，提高率加权方法根据以下的[数学式8]进行。这里，u[i]是CTF的提高率。

[数学式8]

$X1=\underset{i}{\overset{N}{\mathrm{\Σ}}}u\left[i\right]\mathrm{XP}\left[i\right],$

$Y1=\underset{i}{\overset{N}{\mathrm{\Σ}}}u\left[i\right]\mathrm{YP}\left[i\right]$

通过这样按照提高率进行加权，能以更高精度进行偏心调整。

此外，时间关联方法根据以下的[数学式9]进行。这里，TN[i]是现在的时间，TP[i]是过去进行了偏心调整的时间，β是任意的常数。

[数学式9]

$X1=\underset{i}{\overset{N}{\mathrm{\Σ}}}\frac{\mathrm{\β}}{\left(\mathrm{TN}\right[i]-\mathrm{TP}[i\left]\right)}\mathrm{XP}\left[i\right],$

$Y1=\underset{i}{\overset{N}{\mathrm{\Σ}}}\frac{\mathrm{\β}}{\left(\mathrm{TN}\right[i]-\mathrm{TP}[i\left]\right)}\mathrm{YP}\left[i\right]$

还有，关于TN[i]和TP[i]，预先置换为可计算日期的数值。在[数学式9]中，日期旧的过去移动量XP、YP对第一移动量X1、Y1的影响减小。另一方面，日期新的过去移动量XP、YP对第一移动量X1、Y1的影响增大。由此，在批量切换时，即使透镜单元19的性质改变时，根据此后的多个透镜单元19的过去调整数据也能自动预测适当的移动量，所以不需要特意指定用于预测计算的数据。

此外，组合了提高率加权方法和时间关联方法的方法根据以下的[数学式10]进行。

[数学式10]

$X1=\underset{i}{\overset{N}{\mathrm{\Σ}}}\frac{\mathrm{\β}}{\left(\mathrm{TN}\right[i]-\mathrm{TP}[i\left]\right)}u\left[i\right]\mathrm{XP}\left[i\right],$

$Y1=\underset{i}{\overset{N}{\mathrm{\Σ}}}\frac{\mathrm{\β}}{\left(\mathrm{TN}\right[i]-\mathrm{TP}[i\left]\right)}u\left[i\right]\mathrm{YP}\left[i\right]$

移动控制器87根据由预测部103b预测的第一移动量X1、Y1，控制X方向移动部51或Y方向移动部52，在透镜安装面40a上使第一透镜组G1从初始位置移动。CTF测定部76b测定移动后的位置的第一透镜组G1的CTF。

接着，参照图17所示的流程图，说明实施方式2的偏心调整方法。如果在透镜保持台11安装透镜单元19，则摄像机驱动部13和透镜单元19通过装配部18连接。通过移动部51～53，第一透镜组G1设置在初始位置。此外，通过批量输入部102，变焦透镜21的批量向第一偏心调整部103输入。

第一偏心调整部103从过去调整数据库101中取出与输入的批量对应的过去调整数据101a。预测部103b根据过去调整数据101a，通过平均化方法、提高率加权方法、时间关联方法、组合了提高率加权方法和时间关联方法的方法中的任意一种方法，计算以初始位置为基准的第一移动量X1、Y1。

移动控制器87根据由预测部103b计算出的第一移动量X1、Y1，控制X方向移动部51或Y方向移动部52，在透镜安装面40a上使第一透镜组G1从初始位置移动到调整位置AP。CTF测定部76b在调整位置AP测定CTF。然后，如上所述，由判定部76c进行是否合格判定。

在判定为合格时，将第一移动量X1、Y1和这时的CTF作为过去调整数据记录到过去调整数据库101。另一方面，判定为不合格时，将第一移动量X1、Y1和这时的CTF记录到第二偏心调整部78的存储器78d。

在第一偏心调整工序中不合格时，进入与实施方式1相同的第二偏心调整工序。然后，执行，直到取得合格，或者直到全部评价值计算方法不合格。

还有，在实施方式2中，区分过去调整数据的批量是变焦透镜21的批量，但是例如也可以用变焦透镜的各构成透镜的模具的编号或腔的编号等区分过去调整数据。这时，按关于各构成透镜的编号的组合来积蓄过去调整数据，预测移动量。由此，移动量的预测精度提高。此外，也可以用透镜单元的自动装配机的编号或装配时测定数据等区分过去调整数据。

在如透镜生产的开始时那样没有实测数据的状态下，根据所述实施方式1，输入含有误差的性能值和这时的移动量，进行神经网络的学习。在生产刚刚开始之后，通过CTF的测定和使用了神经网络的移动量的计算，来进行透镜的偏心调整，使用调整后的移动量和这时的性能值，使神经网络再学习。积蓄透镜的偏心调整的实测数据，在按批量可观察到一定倾向的阶段，转移到实施方式2的透镜的偏心调整。于是，按照实测数据的取得状况，适宜变更求出透镜的移动量的方法，由此，能保持高的精度，同时能在短时间内进行偏心调整。

本发明只将前组作为偏心调整的对象，但是对位于后端的聚焦透镜也能应用，进而如果在装配中，则对中间的透镜组也能应用。

此外，在所述的实施方式中，说明了内置有图像传感器的变焦透镜的偏心调整，但是对不具有图像传感器的普通的变焦透镜、焦距固定的变焦透镜也能应用本发明。此外，并不局限于摄像机，在望远镜或双筒望远镜等所有光学仪器所使用的透镜***的偏心调整中也能使用本发明。

本发明在不脱离发明精神的范围内能进行各种变形、变更，这时也应该解释为包含在本发明的保护范围中。

Claims (25)

1.一种透镜光学***的偏心调整方法，其是由包含被调整透镜的多个光学要素构成的透镜光学***的偏心调整方法，其特征在于，

通过在与所述透镜光学***的光轴正交的透镜安装面上移动所述被调整透镜，来调整所述被调整透镜相对于所述光轴的偏心，所述透镜光学***的偏心调整方法包括：

初始移动步骤，其使所述被调整透镜在所述透镜安装面上向初始位置移动；

性能值运算步骤，其在所述初始位置，通过所述透镜光学***，用摄像元件拍摄透镜评价图，根据该拍摄图像求出所述透镜光学***的性能值；

第一移动量运算步骤，其将所述性能值向神经网络输入，求出所述被调整透镜的第一移动量，其中，所述神经网络考虑所述各光学要素的制造误差、除所述被调整透镜外的所述各光学要素的装配误差、和所述被调整透镜的预测安装位置而进行学习；

第一移动步骤，其将所述被调整透镜移动到在所述初始位置加上所述第一移动量而得到的第一调整位置。

2.根据权利要求1所述的透镜光学***的偏心调整方法，其特征在于，

所述神经网络的学习包含以下步骤：

使用设计应用程序，根据多个假想CAD数据，对所述透镜评价图进行仿真，从而求出多个所述性能值，其中，所述各假想CAD数据是根据所述各光学要素的制造误差、除所述被调整透镜外的所述各光学要素的装配误差、和所述被调整透镜的预测安装位置来修正所述透镜光学***的设计上的CAD数据而得到的修正CAD数据；

将由所述仿真求出的性能值和从所述初始位置到所述预测安装位置的移动量向所述神经网络输入，使所述神经网络进行学习。

3.根据权利要求1或2所述的透镜光学***的偏心调整方法，其特征在于，还包括：

第一性能值再运算步骤，其在所述第一调整位置，通过所述透镜光学***，用摄像元件拍摄所述透镜评价图，根据该拍摄图像求出所述第一调整位置的所述性能值；

第一是否合格判定步骤，其根据在所述第一性能值再运算步骤中求出的所述性能值，判定所述透镜光学***的偏心调整是否合格。

4.根据权利要求1～3中的任意一项所述的透镜光学***的偏心调整方法，其特征在于，

所述透镜评价图具有多个透镜评价区，所述各透镜评价区具有用于评价与所述光轴正交的面上的水平方向的性能值的水平方向评价用的图形、和用于测定与所述光轴正交的面上的垂直方向的性能值的垂直方向评价用的图形。

5.根据权利要求4所述的透镜光学***的偏心调整方法，其特征在于，

所述透镜光学***包含变焦透镜，所述多个透镜评价区包含用于评价所述变焦透镜位于宽端时的所述性能值的广角用评价区、和所述变焦透镜位于远端时的所述性能值的望远用评价区，所述广角用评价区设置在所述透镜评价图的四角和中央，所述望远用评价区设置在所述透镜评价图的中央部的四角和中央。

6.根据权利要求1～5中的任意一项所述的透镜光学***的偏心调整方法，其特征在于，

所述性能值是CTF。

7.根据权利要求3～6中的任意一项所述的透镜光学***的偏心调整方法，其特征在于，

还包含再调整工序，所述再调整工序具有以下步骤：

探索步骤，其在所述第一是否合格判定步骤中判定为不合格时，在所述透镜安装面上使所述被调整透镜移动到位于以所述第一调整位置为中心的第一探索范围内的多个第一探索点；

第二性能值再运算步骤，其在所述各第一探索点拍摄所述透镜评价图，根据该拍摄图像求出所述各第一探索点的所述性能值；

评价值计算步骤，其根据所述各性能值，按所述各第一探索点计算评价值；

第二移动量运算步骤，其根据所述多个评价值，求出所述被调整透镜的第二移动量；

第二移动步骤，其使所述被调整透镜移动到在所述第一调整位置加上所述第二移动量而得到的第二调整位置。

8.根据权利要求7所述的透镜光学***的偏心调整方法，其特征在于，

所述再调整工序还具有以下的步骤：

第三性能值再运算步骤，其在所述第二调整位置，通过所述透镜光学***，用所述摄像元件拍摄所述透镜评价图，根据该拍摄图像求出所述第二调整位置的性能值；

第二是否合格判定步骤，其根据在所述第三性能值再运算步骤中求出的所述性能值，判定所述透镜光学***的偏心调整是否合格。

9.根据权利要求7或8所述的透镜光学***的偏心调整方法，其特征在于，

所述第二移动量运算步骤包含以下的步骤：

二次曲面形成步骤，其使用以第一调整位置为原点的XY轴、以评价值为Z轴的三维坐标，在该三维坐标中描绘所述各探索点及其评价值，根据评价值的描绘点，形成评价值的二次曲面；

坐标计算步骤，其将在所述二次曲面上评价值最大的点所对应的XY坐标作为所述第二移动量求出。

10.根据权利要求7～9中的任意一项所述的透镜光学***的偏心调整方法，其特征在于，

计算所述评价值的评价值计算方法有多个，以预先确定的顺序选择，直到取得所述合格。

11.根据权利要求10所述的透镜光学***的偏心调整方法，其特征在于，

所述再调整工序还包含：

(A)所述多个评价值计算方法全部为不合格时，在比所述第一探索范围窄的第二探索范围内，确定个数比所述第一探索点少的第二探索点；

(B)对这些第二探索点执行所述第二性能值再运算步骤、所述评价值计算步骤、所述第二移动量运算步骤、所述第二移动步骤、所述第三性能值再运算步骤、所述第二是否合格判定步骤；

(C)以预先确定的顺序选择多个评价值计算方法，执行所述步骤B，直到取得合格。

12.根据权利要求10或11所述的透镜光学***的偏心调整方法，其特征在于，

所述评价值计算方法包含将所述多个性能值中最小的性能值即最差值作为所述评价值计算的最差值计算方法、将所述多个性能值的平均值作为所述评价值计算的平均值计算方法、将用于相对于所述广角用评价区和望远用评价区的四角的区中的所述性能值取得平衡的差分值作为所述评价值计算的差分值计算方法中的至少一个；

计算所述广角用评价区中的四角的区相互间的所述性能值的差，对该差的绝对值相加而得到的值进行平均化，并且计算所述望远用评价区中的四角的区相互间的所述性能值的差，对该差的绝对值相加而得到的值进行平均化，将各平均化的值的倒数相加，由此求出所述差分值。

13.根据权利要求12所述的透镜光学***的偏心调整方法，其特征在于，

所述评价值计算方法还包含加权计算方法，所述加权计算方法对由所述最差值计算方法、所述平均值计算方法、所述差分值计算方法计算出的评价值分别加权而计算评价值。

14.根据权利要求3或8或11所述的透镜光学***的偏心调整方法，其特征在于，还包含第一再学习步骤，所述第一再学习步骤在所述第一或第二是否合格判定步骤中判定为合格时，将所述性能值向所述神经网络输入而求出移动量，根据求出的移动量和所述第一移动量或变换为距初始位置的距离的第二移动量的差，使所述神经网络再学习。

15.一种透镜光学***的偏心调整装置，其是由包含被调整透镜的多个光学要素构成的透镜光学***的偏心调整装置，其特征在于，

通过在与所述透镜光学***的光轴正交的透镜安装面上移动所述被调整透镜，来调整所述被调整透镜相对于所述光轴的偏心，所述透镜光学***的偏心调整装置包括：

被调整透镜移动部，其保持所述被调整透镜，在所述透镜安装面上使所述被调整透镜移动；

摄像部，其通过所述透镜光学***拍摄透镜评价图；

性能值运算部，其根据所述透镜评价图的拍摄图像求出所述透镜光学***的性能值；

神经网络，其从输入层输入所述性能值，从输出层输出所述被调整透镜的移动量，其中，所述神经网络考虑所述各光学要素的制造误差、除所述被调整透镜外的所述各光学要素的装配误差、所述被调整透镜的预测安装位置而进行学习；

第一移动量运算部，其将由所述性能值运算部求出的所述性能值向所述神经网络输入，求出所述被调整透镜的第一移动量；

控制部，其控制所述被调整透镜移动部，使所述被调整透镜只移动所述第一移动量。

16.根据权利要求15所述的透镜光学***的偏心调整装置，其特征在于，还包括：

性能值计算机构，其使用设计应用程序，根据多个假想CAD数据，对所述透镜评价图进行仿真，求出多个所述性能值，其中，所述各假想CAD数据是根据所述各光学要素的制造误差、除所述被调整透镜外的所述各光学要素的装配误差、所述被调整透镜的预测安装位置来修正所述透镜光学***的设计上的CAD数据而得到的修正CAD数据；

神经网络学习机构，其将由所述仿真求出的性能值和从所述初始位置到所述预测安装位置的移动量向所述神经网络输入，使所述神经网络进行学习。

17.一种透镜光学***的偏心调整程序，其是由包含被调整透镜的多个光学要素构成的透镜光学***的偏心调整程序，其特征在于，

通过在与所述透镜光学***的光轴正交的透镜安装面上移动所述被调整透镜，来调整所述被调整透镜相对于所述光轴的偏心，所述透镜光学***的偏心调整程序使计算机执行以下步骤：

初始移动步骤，其使所述被调整透镜在所述透镜安装面上移动到初始位置；

性能值运算步骤，其在所述初始位置，使用所述透镜光学***拍摄透镜评价图，根据该拍摄图像求出所述透镜光学***的性能值；

第一移动量运算步骤，其将所述性能值向神经网络输入，求出所述被调整透镜的第一移动量，其中，所述神经网络考虑所述各光学要素的制造误差、除所述被调整透镜外的所述各光学要素的装配误差和安装误差而进行学习；

第一移动步骤，其使所述被调整透镜移动到在所述初始位置加上所述第一移动量而得到的调整位置。

18.根据权利要求17所述的透镜光学***的偏心调整程序，其特征在于，

所述神经网络的学习包含以下步骤：

使用设计应用程序，根据多个假想CAD数据，对所述透镜评价图进行仿真，从而求出多个所述性能值，其中，所述各假想CAD数据是根据所述各光学要素的制造误差、除所述被调整透镜外的所述各光学要素的装配误差、和所述被调整透镜的预测安装位置来修正所述透镜光学***的设计上的CAD数据而得到的修正CAD数据；

将由所述仿真求出的性能值和从所述初始位置到所述预测安装位置的移动量向所述神经网络输入，使所述神经网络进行学习。

19.一种透镜光学***的偏心调整方法，其是由包含被调整透镜的多个光学要素构成的透镜光学***的偏心调整方法，其特征在于，

通过在与所述透镜光学***的光轴正交的透镜安装面上移动所述被调整透镜，来调整所述被调整透镜相对于所述光轴的偏心，所述透镜光学***的偏心调整方法包括：

移动量预测步骤，其根据包含过去进行的偏心调整中的所述被调整透镜的移动量即过去移动量和与该过去移动量对应的所述透镜光学***的性能值的多个过去调整数据，预测所述被调整透镜的移动量；

移动步骤，其根据预测的所述移动量，使所述被调整透镜移动。

20.根据权利要求19所述的透镜光学***的偏心调整方法，其特征在于，

通过所述多个过去移动量的平均化，求出所述移动量。

21.根据权利要求19或20所述的透镜光学***的偏心调整方法，其特征在于，

所述过去调整数据包含在过去进行的偏心调整中所述性能值提高的比率即提高率，相对于所述过去移动量而进行与所述提高率对应的加权，求出所述移动量。

22.根据权利要求19～21中的任意一项所述的透镜光学***的偏心调整方法，其特征在于，

所述过去调整数据包含过去进行的偏心调整的日期，相对于所述过去移动量而进行与所述日期对应的加权，求出所述移动量。

23.根据权利要求19～22中的任意一项所述的透镜光学***的偏心调整方法，其特征在于，

所述多个过去调整数据按批量进行划分，在所述移动量预测步骤中，根据与所述批量对应的所述过去调整数据，预测所述移动量。

24.一种透镜光学***的偏心调整装置，其是由包含被调整透镜的多个光学要素构成的透镜光学***的偏心调整装置，其特征在于，

通过在与所述透镜光学***的光轴正交的透镜安装面上移动所述被调整透镜，来调整所述被调整透镜相对于所述光轴的偏心，所述透镜光学***的偏心调整装置包括：

移动量预测部，其根据包含过去进行的偏心调整中的所述被调整透镜的移动量即过去移动量和与该过去移动量对应的所述透镜光学***的性能值的多个过去调整数据，预测所述被调整透镜的移动量；

被调整透镜移动部，其使所述被调整透镜只移动所述移动量。

25.一种透镜光学***的偏心调整程序，其是由包含被调整透镜的多个光学要素构成的透镜光学***的偏心调整程序，其特征在于，

通过在与所述透镜光学***的光轴正交的透镜安装面上移动所述被调整透镜，来调整所述被调整透镜相对于所述光轴的偏心，所述透镜光学***的偏心调整程序使计算机执行以下步骤：

移动量预测步骤，其根据包含过去进行的偏心调整中的所述被调整透镜的移动量即过去移动量和与该过去移动量对应的所述透镜光学***的性能值的多个过去调整数据，预测所述被调整透镜的移动量；

移动步骤，其使所述被调整透镜只移动所述移动量。

Images