CN116990450B - 一种角膜塑形镜的缺陷检测方法及*** - Google Patents
一种角膜塑形镜的缺陷检测方法及*** Download PDFInfo
- Publication number
- CN116990450B CN116990450B CN202310881696.2A CN202310881696A CN116990450B CN 116990450 B CN116990450 B CN 116990450B CN 202310881696 A CN202310881696 A CN 202310881696A CN 116990450 B CN116990450 B CN 116990450B
- Authority
- CN
- China
- Prior art keywords
- defect detection
- data extraction
- data
- target
- sets
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 280
- 238000001514 detection method Methods 0.000 title claims abstract description 255
- 210000004087 cornea Anatomy 0.000 title claims abstract description 50
- 238000007493 shaping process Methods 0.000 title claims abstract description 49
- 238000013075 data extraction Methods 0.000 claims abstract description 209
- 238000012545 processing Methods 0.000 claims abstract description 164
- 238000013461 design Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Computer Hardware Design (AREA)
- Food Science & Technology (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Eyeglasses (AREA)
Abstract
本发明公开了一种角膜塑形镜的缺陷检测方法及***，涉及角膜塑形镜检测技术领域，该方法包括：获取目标镜片的加工信息；进行数据降维处理获得N个历史缺陷检测数据集合；获得N个设计参数区间和N个加工设备集合；确定N个第一数据提取频率和N个第二数据提取频率；构建缺陷检测库；获得目标第一数据提取频率和目标第二数据提取频率；对目标镜片进行缺陷检测，获得目标缺陷检测数据集合；结合目标第一数据提取频率和目标第二数据提取频率输入缺陷检测分析模型中，获得缺陷检测结果。本发明解决了现有技术中存在角膜塑形镜缺陷检测准确性低，检测结果可靠性差的技术问题，达到了提升角膜塑形镜缺陷检测效率的技术效果。
Description
技术领域
本发明涉及角膜塑形镜检测技术领域，具体涉及一种角膜塑形镜的缺陷检测方法及***。
背景技术
角膜塑形镜由于与眼球的眼角膜直接接触，因此，角膜塑形镜的质量要求较高。目前，对角膜塑形镜的缺陷检测主要是利用科学的检测技术对角膜塑形镜进行检测，利用智能化的数据处理技术对镜片检测数据进行分析，然而，由于角膜塑形镜与佩戴者的眼球结构有着密切联系，产生的检测数据随着佩戴者的不同，检测要求也随之改变。因此，通用的数据处理技术不能可靠的对检测数据进行高效处理。现有技术中存在角膜塑形镜缺陷检测准确性低，检测结果可靠性差的技术问题。
发明内容
本申请提供了一种角膜塑形镜的缺陷检测方法及***，用于针对解决现有技术中存在角膜塑形镜缺陷检测准确性低，检测结果可靠性差的技术问题。
鉴于上述问题，本申请提供了一种角膜塑形镜的缺陷检测方法及***。
本申请的第一个方面，提供了一种角膜塑形镜的缺陷检测方法，所述方法包括：
获取目标镜片的加工信息，其中，所述加工信息包括设计参数信息和加工设备信息；
提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；
将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，所述N个设计参数区间和N个加工设备集合一一对应；
基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；
根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；
将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；
对所述目标镜片进行缺陷检测，获得目标缺陷检测数据集合；
利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果。
本申请的第二个方面，提供了一种角膜塑形镜的缺陷检测***，所述***包括：
加工信息获取模块，所述加工信息获取模块用于获取目标镜片的加工信息，其中，所述加工信息包括设计参数信息和加工设备信息；
检测数据集合获得模块，所述检测数据集合获得模块用于提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；
加工设备集合获得模块，所述加工设备集合获得模块用于将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，所述N个设计参数区间和N个加工设备集合一一对应；
数据提取频率确定模块，所述数据提取频率确定模块用于基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；
缺陷检测库构建模块，所述缺陷检测库构建模块用于根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；
目标提取频率获得模块，所述目标提取频率获得模块用于将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；
目标检测数据获得模块，所述目标检测数据获得模块用于对所述目标镜片进行缺陷检测，获得目标缺陷检测数据集合；
缺陷检测结果获得模块，所述缺陷检测结果获得模块用于利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
获取目标镜片的加工信息，其中，加工信息包括设计参数信息和加工设备信息；提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；将N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，N个设计参数区间和N个加工设备集合一一对应；基于N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；将设计参数信息和加工设备信息输入缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；对目标镜片进行缺陷检测，获得目标缺陷检测数据集合；利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果。达到了提升缺陷检测结果的可靠性，提高检测效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种角膜塑形镜的缺陷检测方法流程示意图；
图2为本申请实施例提供的一种角膜塑形镜的缺陷检测方法中根据N个叶子节点获得N个历史缺陷检测数据集合的流程示意图；
图3为本申请实施例提供的一种角膜塑形镜的缺陷检测方法中获得N个设计参数区间的流程示意图；
图4为本申请实施例提供的一种角膜塑形镜的缺陷检测***结构示意图。
附图标记说明：加工信息获取模块11，检测数据集合获得模块12，加工设备集合获得模块13，数据提取频率确定模块14，缺陷检测库构建模块15，目标提取频率获得模块16，目标检测数据获得模块17，缺陷检测结果获得模块18。
具体实施方式
本申请通过提供了一种角膜塑形镜的缺陷检测方法及***，用于针对解决现有技术中存在角膜塑形镜缺陷检测准确性低，检测结果可靠性差的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种角膜塑形镜的缺陷检测方法，其中，所述方法包括：
步骤S100：获取目标镜片的加工信息，其中，所述加工信息包括设计参数信息和加工设备信息；
在一个可能的实施例中，所述目标镜片是需要进行缺陷检测的任意一个角膜塑形镜片。所述加工信息是对角膜塑形镜的毛坯加工成目标镜片的操作信息，包括设计参数信息和加工设备信息。其中，所述设计参数信息包括长轴距离、短轴距离、泪液存储容量、边弧曲率半径等。所述加工设备信息是对目标镜片加工的设备情况进行描述的信息，包括加工设备类型、加工设备寿命等。通过对目标镜片的加工信息进行获取，为后续进行镜片的缺陷检测提供基础数据。
步骤S200：提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；
进一步的，如图2所示，所述提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，本申请实施例步骤S200还包括：
步骤S210：获取角膜塑形镜加工时的缺陷类型集合，其中，所述缺陷类型集合包括划痕、缺口、边弧翘起；
步骤S220：根据所述缺陷类型集合构建降维决策树的多个内部节点，并对每个内部节点进行缺陷类型标记；
步骤S230：将历史检测数据分别输入所述降维决策树中多个内部节点进行缺陷类型匹配，将匹配成功的历史检测数据归类至内部节点对应的叶子节点中，根据N个叶子节点获得N个历史缺陷检测数据集合。
具体而言，所述预设历史时间窗口是进行角膜塑形镜加工的历史时间段，可以是半个月、一个季度等。所述历史缺陷检测数据集是在预设历史时间窗口内进行缺陷检测后获得的数据集合，包括裂隙灯检查结果、镜片表面检测结果等。所述历史缺陷检测数据集中包括检测合格的数据和检测不合格的数据，包含的信息量过大，因此需要进行数据降维来降低数据处理的难度，通过数据降维获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型。
具体而言，通过对角膜塑形镜加工过程中产生的缺陷类型进行采集，获得缺陷类型集合，其中，所述缺陷类型集合包括划痕、缺口、边弧翘起。根据所述缺陷类型集合构建降维决策树的多个内部节点，并对每个内部节点进行缺陷类型标记。以所述多个内部节点为降维决策树的基础框架，进而，将历史检测数据分别输入所述降维决策树中多个内部节点进行缺陷类型匹配，将匹配成功的历史检测数据归类至内部节点对应的叶子节点中，未匹配成功的历史检测数据进行舍弃，然后根据N个叶子节点获得N个历史缺陷检测数据集合。由此，实现了高效、快速的对历史缺陷检测数据集进行降维分析的目标。
步骤S300：将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，所述N个设计参数区间和N个加工设备集合一一对应；
进一步的，如图3所示，本申请实施例步骤S300还包括：
步骤S310：根据历史加工数据库数据中的历史加工信息，匹配对应的设计参数，获得匹配结果；
步骤S320：根据匹配结果中N个历史缺陷检测数据集合对应的N个设计参数集合；
步骤S330：根据N个设计参数集合中的最大值和最小值，获得N个设计参数区间。
进一步的，本申请实施例步骤S300还包括：
步骤S340：根据匹配结果中的N个历史缺陷检测数据集合对应的加工设备，获得N个加工设备集合；
步骤S350：对N个加工设备集合中的加工设备使用寿命进行采集，获得N个加工设备寿命信息集合。
在一个可能的实施例中，将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，其中，所述历史加工数据库是在预设历史时间窗口内进行加工产生的数据，从而获得所述N个设计参数区间和N个加工设备集合。所述N个设计参数区间是产生N个历史缺陷检测数据集合时对应的角膜塑形镜参数范围，N个加工设备集合时产生N个历史缺陷检测数据集合时进行加工的设备。其中，所述N个设计参数区间和N个加工设备集合一一对应。通过对N个历史缺陷检测数据集合进行分析，确定产生同类缺陷的设计参数范围和使用的加工设备。
具体的，所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，根据历史加工数据库数据中的历史加工信息，匹配对应的设计参数，获得匹配结果。进而，根据匹配结果中N个历史缺陷检测数据集合对应的N个设计参数集合，分别提取集合中最大值和最小值作为设计参数区间的两个端点，进而，获得N个设计参数区间。
具体的，通过根据匹配结果中的N个历史缺陷检测数据集合对应的加工设备，获得对应的N个加工设备集合。进而，对N个加工设备集合中的加工设备使用寿命进行采集，获得N个加工设备寿命信息集合。其中，N个加工设备寿命信息集合包括加工设备已经使用的时长情况。
步骤S400：基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；
进一步的，所述基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率，本申请实施例步骤S400还包括：
步骤S410：根据所述预设历史时间窗口确定N个历史缺陷检测数据集合对应的时间节点，获得N个时间节点集合；
步骤S420：遍历所述N个时间节点集合确定缺陷间隔时间，获得N个间隔时间集合；
步骤S430：从N个间隔时间集合中提取最小间隔时间，作为N个第一数据提取频率；
步骤S440：从N个间隔时间集合中提取最大间隔时间，作为N个第二数据提取频率。
具体而言，根据N个历史缺陷检测数据集合中的缺陷数据间隔时间确定N个第一数据提取频率和N个第二数据提取频率。其中，所述N个第一数据提取频率是对经常发生的缺陷数据进行提取的间隔时间。所述N个第二数据提取频率是对发生时间间隔较长的缺陷数据进行提取的间隔时间，N个第一数据提取频率小于N个第二数据提取频率。按照N个第一数据提取频率提取的数据量大于按照N个第二数据提取频率进行提取的数据量。通过按照不同的提取频率进行数据提取，可以在保证缺陷数据不被遗漏的前提下提高数据提取的效率。
具体的，根据所述预设历史时间窗口确定N个历史缺陷检测数据集合对应的时间节点，获得N个时间节点集合。然后对每个时间节点集合进行缺陷间隔时间分析，确定N个间隔时间集合。其中，所述N个间隔时间集合反映了缺陷发生的间隔时间大小情况。进而，从N个间隔时间集合中提取最小间隔时间，将其作为N个第一数据提取频率，然后从N个间隔时间集合中提取最大间隔时间，作为N个第二数据提取频率。
步骤S500：根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；
在一个可能的实施例中，通过以N个设计参数区间、N个加工设备集合为索引项，以N个第一数据提取频率、N个第二数据提取频率为被索引项构建所述缺陷检测库。其中，所述缺陷检测库反映了进行角膜塑形镜加工时缺陷检测的情况。
步骤S600：将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；
进一步的，本申请实施例步骤S600还包括：
步骤S610：将设计参数信息与缺陷检测库中的N个设计参数区间进行匹配，获得目标设计参数区间；
步骤S620：以目标设计参数区间为索引，在缺陷检测库中进行检索，获得待优化目标第一数据提取频率和待优化目标第二数据提取频率；
步骤S630：将加工设备信息与N个加工设备集合进行匹配，判断是否匹配成功，若是，则将待优化目标第一数据提取频率和待优化目标第二数据提取频率作为目标第一数据提取频率和目标第二数据提取频率；
步骤S640：若否，则根据加工设备信息和N个加工设备寿命信息集合，对待优化目标第一数据提取频率和待优化目标第二数据提取频率进行优化，根据优化结果获得目标第一数据提取频率和目标第二数据提取频率。
具体而言，将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，确定符合目标镜片的目标第一数据提取频率和目标第二数据提取频率。达到了对目标镜片进行更贴合实际情况的数据提取频率，从而提升检测数据的可靠性。
具体的，将设计参数信息与缺陷检测库中的N个设计参数区间进行匹配，确定设计参数信息中设计参数的范围，从俄获得目标设计参数区间。以目标设计参数区间为索引，在缺陷检测库中进行被索引项检索，获得待优化目标第一数据提取频率和待优化目标第二数据提取频率。将加工设备信息与N个加工设备集合进行匹配，判断是否匹配成功，若是，则表明加工设备一致，不需要考虑加工设备对加工缺陷的影响，则将待优化目标第一数据提取频率和待优化目标第二数据提取频率作为目标第一数据提取频率和目标第二数据提取频率。
具体的，若否，则表明更换了加工设备，需要根据加工设备信息对待优化目标第一数据提取频率和待优化目标第二数据提取频率进行优化，从而使提取的数据更可靠。优选的，通过将加工设备信息中的目标镜片加工设备的使用寿命与N个加工设备寿命信息集合的使用寿命均值的比值，作为优化系数。将优化系数与待优化目标第一数据提取频率和待优化目标第二数据提取频率进行相乘，获得目标第一数据提取频率和目标第二数据提取频率。
步骤S700：对所述目标镜片进行缺陷检测，获得目标缺陷检测数据集合；
在一个可能的实施例中，通过本领域技术人员利用缺陷检测设备对目标镜片进行缺陷检测，对缺陷检测的数据进行汇总，获得目标缺陷检测数据集合。实现了为后续进行缺陷检测结果分析提供基础数据的目标。
步骤S800：利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果。
进一步的，本申请实施例步骤S800还包括：
步骤S810：所述缺陷检测分析模型包括第一数据提取通道、第二数据提取通道和缺陷检测分析层；
步骤S820：获取多个样本第一数据提取频率、多个样本目标缺陷检测数据集合、多个样本第一数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第一数据提取通道；
步骤S830：获取多个样本第二数据提取频率、多个样本目标缺陷检测数据集合、多个样本第二数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第二数据提取通道；
步骤S840：构建多个样本第一数据提取结果、多个样本第二数据提取结果和多个样本缺陷检测结果之间的映射关系，基于映射关系生成缺陷检测分析层。
具体而言，将目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型，经过缺陷检测分析模型的智能化运算，获得缺陷检测结果。其中，所述缺陷检测分析模型用于对数据进行差异化提取，并进行智能化分析检测结果。
具体的，所述缺陷检测分析模型包括第一数据提取通道、第二数据提取通道和缺陷检测分析层。其中，所述第一数据提取通道用于根据第一数据提取频率对缺陷检测数据集合进行数据提取，获得第一数据提取结果。所述第二数据提取通道用于根据第二数据提取频率对缺陷检测数据集合进行数据提取，获得第二数据提取结果。所述缺陷检测分析层用于对第一数据提取结果和第二数据提取结果进行综合分析，获得缺陷检测结果。
具体的，获取多个样本第一数据提取频率、多个样本目标缺陷检测数据集合、多个样本第一数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，直至输出达到收敛，获得第一数据提取通道。获取多个样本第二数据提取频率、多个样本目标缺陷检测数据集合、多个样本第二数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，直至输出达到收敛，获得第二数据提取通道。进而，构建多个样本第一数据提取结果、多个样本第二数据提取结果和多个样本缺陷检测结果之间的映射关系，基于映射关系生成缺陷检测分析层。然后，将目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过对目标镜片的加工信息进行数据分析，获得加工信息，为后续进行检测分析提供数据，然后对历史缺陷检测数据进行分析，确定降维聚类后的N个历史缺陷检测数据集合，然后确定N个第一数据提取频率和N个第二数据提取频率，实现了对检测数据进行全面提取的目标，然后根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库，对所述目标镜片进行缺陷检测，获得检测后的目标缺陷检测数据集合，结合匹配获得的目标第一数据提取频率和目标第二数据提取频率，利用智能化的缺陷检测分析模型进行智能化分析，获得缺陷检测结果。达到了提升检测效率，提高缺陷检测结果的可靠性技术效果。
实施例二
基于与前述实施例中一种角膜塑形镜的缺陷检测方法相同的发明构思，如图4所示，本申请提供了一种角膜塑形镜的缺陷检测***，本申请实施例中的***与方法实施例基于同样的发明构思。其中，所述***包括：
加工信息获取模块11，所述加工信息获取模块11用于获取目标镜片的加工信息，其中，所述加工信息包括设计参数信息和加工设备信息；
检测数据集合获得模块12，所述检测数据集合获得模块12用于提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；
加工设备集合获得模块13，所述加工设备集合获得模块13用于将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，所述N个设计参数区间和N个加工设备集合一一对应；
数据提取频率确定模块14，所述数据提取频率确定模块14用于基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；
缺陷检测库构建模块15，所述缺陷检测库构建模块15用于根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；
目标提取频率获得模块16，所述目标提取频率获得模块16用于将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；
目标检测数据获得模块17，所述目标检测数据获得模块17用于对所述目标镜片进行缺陷检测，获得目标缺陷检测数据集合；
缺陷检测结果获得模块18，所述缺陷检测结果获得模块18用于利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果。
进一步的，所述检测数据集合获得模块12用于执行如下方法：
获取角膜塑形镜加工时的缺陷类型集合，其中，所述缺陷类型集合包括划痕、缺口、边弧翘起；
根据所述缺陷类型集合构建降维决策树的多个内部节点，并对每个内部节点进行缺陷类型标记；
将历史检测数据分别输入所述降维决策树中多个内部节点进行缺陷类型匹配，将匹配成功的历史检测数据归类至内部节点对应的叶子节点中，根据N个叶子节点获得N个历史缺陷检测数据集合。
进一步的，所述加工设备集合获得模块13用于执行如下方法：
根据历史加工数据库数据中的历史加工信息，匹配对应的设计参数，获得匹配结果；
根据匹配结果中N个历史缺陷检测数据集合对应的N个设计参数集合；
根据N个设计参数集合中的最大值和最小值，获得N个设计参数区间。
进一步的，所述加工设备集合获得模块13用于执行如下方法：
根据匹配结果中的N个历史缺陷检测数据集合对应的加工设备，获得N个加工设备集合；
对N个加工设备集合中的加工设备使用寿命进行采集，获得N个加工设备寿命信息集合。
进一步的，所述数据提取频率确定模块14用于执行如下方法：
根据所述预设历史时间窗口确定N个历史缺陷检测数据集合对应的时间节点，获得N个时间节点集合；
遍历所述N个时间节点集合确定缺陷间隔时间，获得N个间隔时间集合；
从N个间隔时间集合中提取最小间隔时间，作为N个第一数据提取频率；
从N个间隔时间集合中提取最大间隔时间，作为N个第二数据提取频率。
进一步的，所述目标提取频率获得模块16用于执行如下方法：
将设计参数信息与缺陷检测库中的N个设计参数区间进行匹配，获得目标设计参数区间；
以目标设计参数区间为索引，在缺陷检测库中进行检索，获得待优化目标第一数据提取频率和待优化目标第二数据提取频率；
将加工设备信息与N个加工设备集合进行匹配，判断是否匹配成功，若是，则将待优化目标第一数据提取频率和待优化目标第二数据提取频率作为目标第一数据提取频率和目标第二数据提取频率；
若否，则根据加工设备信息和N个加工设备寿命信息集合，对待优化目标第一数据提取频率和待优化目标第二数据提取频率进行优化，根据优化结果获得目标第一数据提取频率和目标第二数据提取频率。
进一步的，所述缺陷检测结果获得模块18用于执行如下方法：
所述缺陷检测分析模型包括第一数据提取通道、第二数据提取通道和缺陷检测分析层；
获取多个样本第一数据提取频率、多个样本目标缺陷检测数据集合、多个样本第一数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第一数据提取通道；
获取多个样本第二数据提取频率、多个样本目标缺陷检测数据集合、多个样本第二数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第二数据提取通道；
构建多个样本第一数据提取结果、多个样本第二数据提取结果和多个样本缺陷检测结果之间的映射关系，基于映射关系生成缺陷检测分析层。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.一种角膜塑形镜的缺陷检测方法，其特征在于，所述方法包括：
获取目标镜片的加工信息，其中，所述加工信息包括设计参数信息和加工设备信息；
提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；
将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，所述N个设计参数区间和N个加工设备集合一一对应；
基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；
根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；
将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；
对所述目标镜片进行缺陷检测，获得目标缺陷检测数据集合；
利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果；
其中，所述提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，所述方法包括：
获取角膜塑形镜加工时的缺陷类型集合，其中，所述缺陷类型集合包括划痕、缺口、边弧翘起；
根据所述缺陷类型集合构建降维决策树的多个内部节点，并对每个内部节点进行缺陷类型标记；
将历史检测数据分别输入所述降维决策树中多个内部节点进行缺陷类型匹配，将匹配成功的历史检测数据归类至内部节点对应的叶子节点中，根据N个叶子节点获得N个历史缺陷检测数据集合；
所述基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率，所述方法包括：
根据所述预设历史时间窗口确定N个历史缺陷检测数据集合对应的时间节点，获得N个时间节点集合；
遍历所述N个时间节点集合确定缺陷间隔时间，获得N个间隔时间集合；
从N个间隔时间集合中提取最小间隔时间，作为N个第一数据提取频率；
从N个间隔时间集合中提取最大间隔时间，作为N个第二数据提取频率；
所述缺陷检测分析模型包括第一数据提取通道、第二数据提取通道和缺陷检测分析层；
获取多个样本第一数据提取频率、多个样本目标缺陷检测数据集合、多个样本第一数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第一数据提取通道；
获取多个样本第二数据提取频率、多个样本目标缺陷检测数据集合、多个样本第二数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第二数据提取通道；
构建多个样本第一数据提取结果、多个样本第二数据提取结果和多个样本缺陷检测结果之间的映射关系，基于映射关系生成缺陷检测分析层。
2.如权利要求1所述的方法，其特征在于，所述方法包括：
根据历史加工数据库数据中的历史加工信息，匹配对应的设计参数，获得匹配结果；
根据匹配结果中N个历史缺陷检测数据集合对应的N个设计参数集合；
根据N个设计参数集合中的最大值和最小值，获得N个设计参数区间。
3.如权利要求2所述的方法，其特征在于，所述方法包括：
根据匹配结果中的N个历史缺陷检测数据集合对应的加工设备，获得N个加工设备集合；
对N个加工设备集合中的加工设备使用寿命进行采集，获得N个加工设备寿命信息集合。
4.如权利要求3所述的方法，其特征在于，所述方法包括：
将设计参数信息与缺陷检测库中的N个设计参数区间进行匹配，获得目标设计参数区间；
以目标设计参数区间为索引，在缺陷检测库中进行检索，获得待优化目标第一数据提取频率和待优化目标第二数据提取频率；
将加工设备信息与N个加工设备集合进行匹配，判断是否匹配成功，若是，则将待优化目标第一数据提取频率和待优化目标第二数据提取频率作为目标第一数据提取频率和目标第二数据提取频率；
若否，则根据加工设备信息和N个加工设备寿命信息集合，对待优化目标第一数据提取频率和待优化目标第二数据提取频率进行优化，根据优化结果获得目标第一数据提取频率和目标第二数据提取频率。
5.一种角膜塑形镜的缺陷检测***，其特征在于，所述***包括：
加工信息获取模块，所述加工信息获取模块用于获取目标镜片的加工信息，其中，所述加工信息包括设计参数信息和加工设备信息；
检测数据集合获得模块，所述检测数据集合获得模块用于提取在预设历史时间窗口进行角膜塑形镜加工的历史缺陷检测数据集，并进行数据降维处理获得N个历史缺陷检测数据集合，其中，每个历史缺陷检测数据集合对应一个缺陷类型；
加工设备集合获得模块，所述加工设备集合获得模块用于将所述N个历史缺陷检测数据集合与历史加工数据库进行匹配，获得N个设计参数区间和N个加工设备集合，其中，所述N个设计参数区间和N个加工设备集合一一对应；
数据提取频率确定模块，所述数据提取频率确定模块用于基于所述N个历史缺陷检测数据集合确定N个第一数据提取频率和N个第二数据提取频率；
缺陷检测库构建模块，所述缺陷检测库构建模块用于根据N个第一数据提取频率、N个第二数据提取频率、N个设计参数区间、N个加工设备集合构建缺陷检测库；
目标提取频率获得模块，所述目标提取频率获得模块用于将所述设计参数信息和加工设备信息输入所述缺陷检测库中进行匹配，获得目标第一数据提取频率和目标第二数据提取频率；
目标检测数据获得模块，所述目标检测数据获得模块用于对所述目标镜片进行缺陷检测，获得目标缺陷检测数据集合；
缺陷检测结果获得模块，所述缺陷检测结果获得模块用于利用目标第一数据提取频率和目标第二数据提取频率，结合目标缺陷检测数据集合输入缺陷检测分析模型中，获得缺陷检测结果；
所述检测数据集合获得模块用于执行如下方法：
获取角膜塑形镜加工时的缺陷类型集合，其中，所述缺陷类型集合包括划痕、缺口、边弧翘起；
根据所述缺陷类型集合构建降维决策树的多个内部节点，并对每个内部节点进行缺陷类型标记；
将历史检测数据分别输入所述降维决策树中多个内部节点进行缺陷类型匹配，将匹配成功的历史检测数据归类至内部节点对应的叶子节点中，根据N个叶子节点获得N个历史缺陷检测数据集合；
所述数据提取频率确定模块用于执行如下方法：
根据所述预设历史时间窗口确定N个历史缺陷检测数据集合对应的时间节点，获得N个时间节点集合；
遍历所述N个时间节点集合确定缺陷间隔时间，获得N个间隔时间集合；
从N个间隔时间集合中提取最小间隔时间，作为N个第一数据提取频率；
从N个间隔时间集合中提取最大间隔时间，作为N个第二数据提取频率；
所述缺陷检测结果获得模块用于执行如下方法：
所述缺陷检测分析模型包括第一数据提取通道、第二数据提取通道和缺陷检测分析层；
获取多个样本第一数据提取频率、多个样本目标缺陷检测数据集合、多个样本第一数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第一数据提取通道；
获取多个样本第二数据提取频率、多个样本目标缺陷检测数据集合、多个样本第二数据提取结果作为构建数据，对基于前馈神经网络构建的框架进行监督训练，获得第二数据提取通道；
构建多个样本第一数据提取结果、多个样本第二数据提取结果和多个样本缺陷检测结果之间的映射关系，基于映射关系生成缺陷检测分析层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881696.2A CN116990450B (zh) | 2023-07-18 | 2023-07-18 | 一种角膜塑形镜的缺陷检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881696.2A CN116990450B (zh) | 2023-07-18 | 2023-07-18 | 一种角膜塑形镜的缺陷检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116990450A CN116990450A (zh) | 2023-11-03 |
| CN116990450B true CN116990450B (zh) | 2024-04-26 |
Family
ID=88527732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310881696.2A Active CN116990450B (zh) | 2023-07-18 | 2023-07-18 | 一种角膜塑形镜的缺陷检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116990450B (zh) |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2057832A1 (en) * | 1990-12-19 | 1992-06-20 | Peter Hofer | Process and apparatus for examining optical components, especially optical components for the eye and device for illuminating clear-transparent test-objects |
| JP2003050209A (ja) * | 2001-05-30 | 2003-02-21 | Hitachi Electronics Eng Co Ltd | 欠陥検出光学系、これを用いる欠陥検査方法および欠陥検査装置 |
| CN105115989A (zh) * | 2015-10-09 | 2015-12-02 | 南京爱丁堡环保科技有限公司 | 一种隐形眼镜缺陷的自动检测设备及检测方法 |
| CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
| JP6296584B1 (ja) * | 2017-06-29 | 2018-03-20 | 石根 三井 | オルソケラトロジーレンズの決定供給方法及び決定供給システム |
| CN110596150A (zh) * | 2019-09-30 | 2019-12-20 | 万灵帮桥医疗器械(广州)有限责任公司 | 一种角膜塑形镜检测装置及检测方法 |
| CN110908140A (zh) * | 2019-11-21 | 2020-03-24 | 明灏科技（北京）有限公司 | 一种角膜塑形镜的生产装置 |
| 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 |
| KR20200080367A (ko) * | 2018-12-14 | 2020-07-07 | 한국광기술원 | 불량 콘택트렌즈 검출 시스템 및 방법 |
| CN211122595U (zh) * | 2019-09-30 | 2020-07-28 | 万灵帮桥医疗器械(广州)有限责任公司 | 一种角膜塑形镜检测装置 |
| CN111551568A (zh) * | 2020-06-04 | 2020-08-18 | 哈尔滨理工大学 | 一种基于机器视觉的镜片缺陷检测与分类方法 |
| CN111553402A (zh) * | 2020-04-22 | 2020-08-18 | 首都医科大学附属北京同仁医院 | 基于大数据和深度学习的智能化角膜塑形镜选片***及方法 |
| CN111836574A (zh) * | 2018-03-13 | 2020-10-27 | 目立康株式会社 | 用于收集和利用健康数据的*** |
| CN111965847A (zh) * | 2020-08-28 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 镜片适配方法、装置及介质 |
| CN112147795A (zh) * | 2019-06-28 | 2020-12-29 | 爱博诺德(北京)医疗科技股份有限公司 | 角膜塑形镜制造方法、角膜塑形镜销售方法与角膜塑形镜组件 |
| CN112529876A (zh) * | 2020-12-15 | 2021-03-19 | 天津大学 | 一种隐形眼镜边缘缺陷的检测方法 |
| WO2021139112A1 (zh) * | 2020-01-07 | 2021-07-15 | 平安科技（深圳）有限公司 | 数据降维处理方法、装置、计算机设备和存储介质 |
| KR20210102458A (ko) * | 2020-03-11 | 2021-08-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보를 취득하는 방법 및 장치 |
| CN113378414A (zh) * | 2021-08-12 | 2021-09-10 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
| CN114167623A (zh) * | 2021-12-31 | 2022-03-11 | 福州欧凯医疗科技有限公司 | 一种角膜塑形镜及其设计方法 |
| CN114239208A (zh) * | 2021-08-04 | 2022-03-25 | 美视(杭州)人工智能科技有限公司 | 基于角膜塑形镜配镜的数据处理方法和相关设备 |
| DE102021211596A1 (de) * | 2020-10-14 | 2022-04-14 | Emage Vision PTE, Ltd. | Analyse- und nachverfolgungssystem für fehler an kontaktlinsen |
| WO2022088082A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 基于缺陷检测的任务处理方法、装置及设备及存储介质 |
| CN114878550A (zh) * | 2022-06-09 | 2022-08-09 | 温州医科大学 | 多功能健康监测隐形眼镜及其制备和检测方法 |
| CN115100110A (zh) * | 2022-05-20 | 2022-09-23 | 厦门微亚智能科技有限公司 | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 |
| CN115132309A (zh) * | 2022-07-06 | 2022-09-30 | 潍坊眼科医院有限责任公司 | 一种角膜塑形镜的验配方法和装置 |
| CN217878967U (zh) * | 2022-06-16 | 2022-11-22 | 首都医科大学附属北京同仁医院 | 角膜塑形镜片检测仪 |
| CN115552435A (zh) * | 2020-03-31 | 2022-12-30 | Ats自动化加工***公司 | 用于对制造装配线进行建模的***和方法 |
| WO2023109251A1 (zh) * | 2021-12-17 | 2023-06-22 | 浪潮电子信息产业股份有限公司 | 一种***故障检测方法、装置、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8628194B2 (en) * | 2009-10-13 | 2014-01-14 | Anton Sabeta | Method and system for contact lens care and compliance |
| JP2024504529A (ja) * | 2021-01-28 | 2024-02-01 | 京東方科技集團股▲ふん▼有限公司 | 欠陥検出方法及びその装置、モデルトレーニング方法及びその装置、及び電子デバイス |
| US11619593B2 (en) * | 2021-06-01 | 2023-04-04 | Zhejiang Gongshang University | Methods and systems for detecting a defect of a film |
-
2023
- 2023-07-18 CN CN202310881696.2A patent/CN116990450B/zh active Active
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2057832A1 (en) * | 1990-12-19 | 1992-06-20 | Peter Hofer | Process and apparatus for examining optical components, especially optical components for the eye and device for illuminating clear-transparent test-objects |
| JP2003050209A (ja) * | 2001-05-30 | 2003-02-21 | Hitachi Electronics Eng Co Ltd | 欠陥検出光学系、これを用いる欠陥検査方法および欠陥検査装置 |
| CN105115989A (zh) * | 2015-10-09 | 2015-12-02 | 南京爱丁堡环保科技有限公司 | 一种隐形眼镜缺陷的自动检测设备及检测方法 |
| CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
| JP6296584B1 (ja) * | 2017-06-29 | 2018-03-20 | 石根 三井 | オルソケラトロジーレンズの決定供給方法及び決定供給システム |
| CN111836574A (zh) * | 2018-03-13 | 2020-10-27 | 目立康株式会社 | 用于收集和利用健康数据的*** |
| KR20200080367A (ko) * | 2018-12-14 | 2020-07-07 | 한국광기술원 | 불량 콘택트렌즈 검출 시스템 및 방법 |
| CN112147795A (zh) * | 2019-06-28 | 2020-12-29 | 爱博诺德(北京)医疗科技股份有限公司 | 角膜塑形镜制造方法、角膜塑形镜销售方法与角膜塑形镜组件 |
| CN110596150A (zh) * | 2019-09-30 | 2019-12-20 | 万灵帮桥医疗器械(广州)有限责任公司 | 一种角膜塑形镜检测装置及检测方法 |
| CN211122595U (zh) * | 2019-09-30 | 2020-07-28 | 万灵帮桥医疗器械(广州)有限责任公司 | 一种角膜塑形镜检测装置 |
| CN110908140A (zh) * | 2019-11-21 | 2020-03-24 | 明灏科技（北京）有限公司 | 一种角膜塑形镜的生产装置 |
| 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 |
| WO2021139112A1 (zh) * | 2020-01-07 | 2021-07-15 | 平安科技（深圳）有限公司 | 数据降维处理方法、装置、计算机设备和存储介质 |
| KR20210102458A (ko) * | 2020-03-11 | 2021-08-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보를 취득하는 방법 및 장치 |
| CN115552435A (zh) * | 2020-03-31 | 2022-12-30 | Ats自动化加工***公司 | 用于对制造装配线进行建模的***和方法 |
| CN111553402A (zh) * | 2020-04-22 | 2020-08-18 | 首都医科大学附属北京同仁医院 | 基于大数据和深度学习的智能化角膜塑形镜选片***及方法 |
| CN111551568A (zh) * | 2020-06-04 | 2020-08-18 | 哈尔滨理工大学 | 一种基于机器视觉的镜片缺陷检测与分类方法 |
| CN111965847A (zh) * | 2020-08-28 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 镜片适配方法、装置及介质 |
| DE102021211596A1 (de) * | 2020-10-14 | 2022-04-14 | Emage Vision PTE, Ltd. | Analyse- und nachverfolgungssystem für fehler an kontaktlinsen |
| WO2022088082A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 基于缺陷检测的任务处理方法、装置及设备及存储介质 |
| CN112529876A (zh) * | 2020-12-15 | 2021-03-19 | 天津大学 | 一种隐形眼镜边缘缺陷的检测方法 |
| CN114239208A (zh) * | 2021-08-04 | 2022-03-25 | 美视(杭州)人工智能科技有限公司 | 基于角膜塑形镜配镜的数据处理方法和相关设备 |
| CN113378414A (zh) * | 2021-08-12 | 2021-09-10 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
| WO2023109251A1 (zh) * | 2021-12-17 | 2023-06-22 | 浪潮电子信息产业股份有限公司 | 一种***故障检测方法、装置、设备及介质 |
| CN114167623A (zh) * | 2021-12-31 | 2022-03-11 | 福州欧凯医疗科技有限公司 | 一种角膜塑形镜及其设计方法 |
| CN115100110A (zh) * | 2022-05-20 | 2022-09-23 | 厦门微亚智能科技有限公司 | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 |
| CN114878550A (zh) * | 2022-06-09 | 2022-08-09 | 温州医科大学 | 多功能健康监测隐形眼镜及其制备和检测方法 |
| CN217878967U (zh) * | 2022-06-16 | 2022-11-22 | 首都医科大学附属北京同仁医院 | 角膜塑形镜片检测仪 |
| CN115132309A (zh) * | 2022-07-06 | 2022-09-30 | 潍坊眼科医院有限责任公司 | 一种角膜塑形镜的验配方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于BP神经网络的GIS缺陷图像识别***的研究;万书亭;赵晓迪;肖珊珊;仝玎朔;;电力科学与工程(第11期);全文 * |
| 基于支持向量机的钢板缺陷分类问题的研究;丛成;吕哲;高翔;王敏;;物联网技术(第04期);全文 * |
| 基于机器视觉的塑料制品表面缺陷检测研究;孙琴;肖书浩;刘誉涵;陈齐山;;电子制作;20200801(第15期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116990450A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20130279796A1 (en) | Classifier readiness and maintenance in automatic defect classification | |
| US20130279794A1 (en) | Integration of automatic and manual defect classification | |
| US7283659B1 (en) | Apparatus and methods for searching through and analyzing defect images and wafer maps | |
| CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
| US7584162B2 (en) | Manufacture data analysis method and manufacture data analyzer apparatus | |
| CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测***及方法 | |
| CN111709775A (zh) | 一种房产价格评估方法、装置、电子设备及存储介质 | |
| CN111986195A (zh) | 一种外观缺陷检测方法及*** | |
| CN112116168A (zh) | 一种用户行为的预测方法、装置及电子设备 | |
| CN1106572C (zh) | 铸坯断面质量的自动评价方法 | |
| CN115756919A (zh) | 一种面向多维数据的根因定位方法及*** | |
| CN116990450B (zh) | 一种角膜塑形镜的缺陷检测方法及*** | |
| CN110716820A (zh) | 一种基于决策树算法的故障诊断方法 | |
| CN113283768A (zh) | 食品检测项目提取方法、装置、设备及存储介质 | |
| CN117593273A (zh) | 一种电子元器件表面缺陷检测方法及*** | |
| CN115937195A (zh) | 表面缺陷检测方法、装置和计算机设备 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN112532481B (zh) | 一种网络质量的监测分析方法、***和存储介质 | |
| CN114186644A (zh) | 一种基于优化随机森林的缺陷报告严重程度预测方法 | |
| CN114998597A (zh) | 基于人工智能的目标检测方法以及装置 | |
| Borkar et al. | Comparative study of supervised learning algorithms for fake news classification | |
| CN113283512A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
| CN113516328A (zh) | 数据处理方法、服务提供方法、装置、设备和存储介质 | |
| CN114077663A (zh) | 应用日志的分析方法及装置 | |
| CN116644351B (zh) | 一种基于人工智能的数据处理方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |