KR20200080367A - 불량 콘택트렌즈 검출 시스템 및 방법 - Google Patents
불량 콘택트렌즈 검출 시스템 및 방법 Download PDFInfo
- Publication number
- KR20200080367A KR20200080367A KR1020180162186A KR20180162186A KR20200080367A KR 20200080367 A KR20200080367 A KR 20200080367A KR 1020180162186 A KR1020180162186 A KR 1020180162186A KR 20180162186 A KR20180162186 A KR 20180162186A KR 20200080367 A KR20200080367 A KR 20200080367A
- Authority
- KR
- South Korea
- Prior art keywords
- contact lens
- learning
- images
- model
- scanned
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
- G02B26/08—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the direction of light
- G02B26/10—Scanning systems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
- G01N2201/06113—Coherent sources; lasers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
본 기술은 불량 콘택트렌즈 검출 시스템 및 방법이 개시된다. 본 기술의 구체적인 예에 따르면, 레이저 광을 이용한 비접촉 방식으로 스캔된 콘택트렌즈로부터 획득된 검출신호에 대해 고속의 고분해능을 가지는 광단층 영상 기법을 적용하여 2차원 및 3차원 영상을 획득하고 획득된 2차원 및 3차원 영상과 모델로 구축된 불량 패턴으로 학습 수행하여 스캔된 콘택트렌즈의 불량을 판별함에 따라 콘택트렌즈의 불량을 실시간으로 신속하게 판별할 수 있고, 이에 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있다.
Description
본 발명은 불량 콘택트렌즈 검출 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 광단층 영상 기법을 이용하여 콘택트렌즈의 2차원 및 3차원 영상을 기초로 불량 콘택트렌즈를 선별할 수 있는 기술에 관한 것이다.
최근에 안경 등의 시력보정 제품보다 콘택트렌즈의 관심이 증가하고, 관련 생산기업이 늘어나고 있으며, 이에 따라 시력 보정제품에 대한 콘택트렌즈의 굴절력 및 두께에 대한 측정장치에 대한 관심이 증가하고 있다.
따라서, 동일 소재로 제조된 콘택트렌즈의 정점 굴절력은 제조 공정상에서 렌즈의 중심부의 곡률반경에 의해서 결정된다.
일반적으로 소프트 콘택트렌즈 정점의 굴절력을 측정하는 기법으로는 공기 중에서 렌즈 미터를 이용하는 방법과, 웨이브 프론트 수차 분석 Hartmann 방법 등이 있다.
여기서, 렌즈 미터로 이용하여 굴절률을 도출하는 기법은 dry blotting 과 wet cell 등의 방법이 있지만 각 방법에 따라 측정된 결과 값들 사이에 차이가 발생하는 한계에 도달한다.
또한 콘택트렌즈의 정점 굴절력 측정함에 있어, 망원경식 렌즈미터를 사용하는 경우 측정자의 경험 및 주관이 측정값에 많은 영향을 미치는 단점을 지니고 있다.
이에 최근에는 망원경식 렌즈미터와 함께 투영식 자동 렌즈 미터를 많이 사용하고 있지만, 수분 및 렌즈거치에 따라 많은 오차가 발생할 수 있는 단점을 가지고 있으며, 두께 등의 다양한 파라미터를 동시에 측정할 수 없는 문제점이 있었다.
한편, 콘택트렌즈의 생산 공정에서 굴절력은 측정이 불가능하거나 콘택트렌즈를 마운트 하는 방식에 따라 많은 오차가 발생하므로, 생산된 콘택트렌즈의 굴절력이 정확한 지에 대한 확인이 어렵다.
이에 제조 공정 중 별도의 장비를 이용하여 불량 콘택트렌즈를 선별하거나 콘택트렌즈 투영기를 활용한 검사자의 육안 검사를 통해 선별되므로, 많은 시간이 소요되고, 검사자의 개인적인 능력 차이에 의해 콘택트렌즈의 불량이 증가 할 수 있다는 단점을 가진다.
본 발명은 고속의 고분해능을 가지는 광단층 영상 기법을 이용하여 획득된 2차원 및 3차원 영상으로부터 불량 콘택트렌즈를 선별할 수 있고, 이에 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있는 불량 콘택트렌즈 검출 시스템 및 방법을 제공하고자 함에 그 목적이 있다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시 예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 실시 예에 의한 불량 콘택트렌즈 검출 시스템은, 획득된 콘택트렌즈의 2차원 및 3차원 영상에 대해 불량 패턴에 대한 모델을 구축한 다음 기 정해진 파장의 레이저 광을 생성하여 출력하는 광단층 영상장치; 출력된 레이저 광을 콘택트렌즈에 제공하고, 상기 콘택트렌즈로부터 제공된 검출신호를 상기 광단층 영상장치로 전달하는 스캔장치를 포함하고, 상기 광단층 영상장치는, 상기 검출신호를 토대로 콘택트렌즈의 2차원 및 3차원 영상을 도출한 다음 도출된 2차원 및 3차원 영상에 대해 기 구축된 모델로 학습 수행하여 스캔된 콘택트렌즈의 불량을 검출하도록 구비되는 것을 특징으로 한다.
바람직하게 상기 스캔장치는, 컨베이어 벨트를 통해 X축 방향으로 이동하는 다수의 콘택트렌즈 중 하나의 콘택트렌즈의 Y축 라인을 스캔하는 갈바노 미터 스캐너로 구비되고, 상기 갈바노 미터 스캐너는 상기 레이저 광의 입사방향을 Y축 방향으로 각각 반사시키는 갈바노 미러; 상기 갈바노 미러를 통과한 레이저 광이 콘택트렌즈를 스캔하도록 회전시키는 갈바노미터; 상기 미러를 통과한 레이저광을 콘택트렌즈로 조사하는 미러; 및 콘택트렌즈에서 반사되는 광신호와 콘택트렌즈를 투과하여 반사되는 나머지 광신호가 합쳐진 검출신호를 수신하여 상기 미러로 전달하는 스캔렌즈를 포함하고, 상기 미러는 상기 스캔렌즈의 통과한 검출 신호를 수신하여 집광시키는 콜리메이터를 경유하여 상기 광단층 영상장치로 전달하도록 구비된다.
바람직하게 상기 광단층 영상장치는, 획득된 콘택트렌즈의 2차원 영상과 3차원 영상의 학습 이미지와 불량 패턴의 학습 레이블로 모델을 구축하는 모델 구축부; 및 상기 스캔장치로부터 전달받은 검출 신호의 스펙트럼 성분을 추출하고 추출된 스펙트럼 성분을 주파수 성분으로 변환하여 2차원 영상의 깊이 정보를 취득한 다음 상기 깊이 정보를 이용하여 3차원 영상을 도출하는 영상 도출부를 포함하고, 획득된 콘택트렌즈의 2차원 및 3차원 영상에 대해 콘택트렌즈의 관심 영역(ROI: Region Of Interest)을 선정하는 관심영역 추출부; 및 관심영역의 2차원 및 3차원 영상과 기 구축된 모델에 대해 학습을 수행하여 학습 결과로 스캔된 콘택트렌즈의 불량을 검출하는 학습부를 포함할 수 있다.
바람직하게 상기 모델 구축부는 획득된 2차원 및 3차원 영상의 학습 이미지와 다수의 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 모델을 구축하도록 구비될 수 있다.
바람직하게 상기 학습부는, 스캔된 2차원 및 3차원 영상의 학습 이미지와 모델로 구축된 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)의 콘볼루션 결과의 가중치 값들을 연산하는 학습모듈과 연산된 콘볼루션 결과의 가중치를 토대로 스캔된 콘택트렌즈의 2차원 및 3차원 영상이 불량인 지 정상인 지를 판단하는 예측모듈을 포함할 수 있다.
본 발명의 다른 실시 예에 따른 불량 콘택트렌즈 검출 방법은, 획득된 콘택트렌즈의 2차원 및 3차원 영상에 대한 학습 이미지와 다수의 불량 패턴에 대한 학습 레이블로 모델을 구축하는 모델 구축단계; 광단층 영상장치에서 기 정해진 파장의 레이저 광을 생성하여 출력하는 광원 생성단계; 출력된 레이저 광을 콘택트렌즈에 제공하고, 상기 콘택트렌즈로부터 제공된 검출신호를 전달하는 스캔단계를 포함하고, 상기 광단층 영상장치에서 상기 검출신호를 토대로 콘택트렌즈의 2차원 및 3차원 영상을 도출한 다음 도출된 2차원 및 3차원 영상에 대해 구축된 모델로 학습 수행하여 스캔된 콘택트렌즈의 불량을 검출하는 학습단계를 포함하도록 구비되는 것을 특징으로 한다.
바람직하게 모델 구축단계는 획득된 2차원 및 3차원 영상의 학습 이미지와 다수의 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 모델을 구축하도록 구비될 수 있다.
바람직하게 상기 학습단계는 스캔된 콘택트렌즈의 2차원 및 3차원 영상에 대해 콘택트렌즈의 관심 영역(ROI: Region Of Interest)을 선정하는 단계; 및 스캔된 관심영역의 2차원 및 3차원 영상의 학습 이미지와 모델로 구축된 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)의 콘볼루션 결과의 가중치 값들을 연산하는 수행하는 단계; 및 연산된 콘볼루션 결과의 가중치를 토대로 스캔된 콘택트렌즈의 2차원 및 3차원 영상이 불량인 지 정상인 지를 판단하는 모듈을 포함할 수 있다.
본 발명에 따르면 레이저 광을 이용한 비접촉 방식으로 스캔된 콘택트렌즈로부터 획득된 검출신호에 대해 고속의 고분해능을 가지는 광단층 영상 기법을 적용하여 2차원 및 3차원 영상을 획득하고 획득된 2차원 및 3차원 영상과 모델로 구축된 불량 패턴으로 학습 수행하여 스캔된 콘택트렌즈의 불량을 판별함에 따라 콘택트렌즈의 불량을 실시간으로 신속하게 판별할 수 있고, 이에 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있는 이점을 가진다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 본 실시예의 불량 콘택트렌즈 검출 시스템의 구성도이다.
도 2는 본 실시예의 시스템에 적용되는 스캔장치의 구성도이다.
도 3은 본 실시예의 시스템의 광단층 영상장치의 세부 구성도이다.
도 4는 본 실시예의 시스템의 CNN을 설명하기 위한 개념도이다.
도 5는 본 실시예의 시스템에서 획득된 영상을 보인 예시도이다.
도 6은 본 실시 예의 시스템의 불량 패턴을 보인 예시도이다.
도 7은 본 실시 예의 시스템의 학습과정을 설명하기 위한 개념도이다.
도 1은 본 실시예의 불량 콘택트렌즈 검출 시스템의 구성도이다.
도 2는 본 실시예의 시스템에 적용되는 스캔장치의 구성도이다.
도 3은 본 실시예의 시스템의 광단층 영상장치의 세부 구성도이다.
도 4는 본 실시예의 시스템의 CNN을 설명하기 위한 개념도이다.
도 5는 본 실시예의 시스템에서 획득된 영상을 보인 예시도이다.
도 6은 본 실시 예의 시스템의 불량 패턴을 보인 예시도이다.
도 7은 본 실시 예의 시스템의 학습과정을 설명하기 위한 개념도이다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 보다 상세하게 설명한다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
본 발명의 실시 예가 적용되는 시스템은 각각의 구성요소에 대해 임의 개를 임의의 적절한 구성으로 포함할 수도 있다. 일반적으로, 컴퓨팅 및 통신 시스템들은 광범위한 구성들로 나타나며, 도면은 본 개시의 범위를 어떤 특정 구성으로 한정하지 않는다. 도면은 본 특허 문서에서 개시된 다양한 특성들이 사용될 수 있는 하나의 동작 환경을 도시하고 있지만, 그러한 특성들은 어떤 다른 적절한 시스템에서 사용될 수도 있다.
본 실시 예는 레이저 광을 이용한 비접촉 방식으로 스캔된 콘택트렌즈로부터 획득된 검출신호에 대해 고속의 고분해능을 가지는 광단층 영상 기법을 적용하여 2차원 및 3차원 영상을 획득하고 획득된 2차원 및 3차원 영상으로 콘택트렌즈의 관심 영역을 선정하며 선정된 관심 영역의 학습 이미지와 기 구축된 모델의 불량 패턴의 학습 레이블로 학습 수행하여 콘택트렌즈의 불량을 검출함에 따라 실시간으로 정확하게 콘택트렌즈의 불량을 판별할 수 있다.
이에 본 실시 예에 의거 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있다.
도 1은 본 실시 예의 불량 콘택트렌즈 검출 시스템의 구성을 보인 도면으로서, 도 1을 참조하면, 본 실시 예의 불량 콘택트렌즈 검출 시스템은, 광단층 영상장치(100), 스캔장치(200), 콘택트렌즈(300)를 포함할 수 있으며, 도 1에 도시된 콘택트렌즈 측정 시스템은 본 실시 예와 관련된 구성요소들만 이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
광단층 영상장치(100)는, 콘택트렌즈의 2차원 및 3차원 영상과 다수의 불량 패턴에 대한 모델을 구축한 다음 기 정해진 파장의 레이저 광을 생성하여 스캔장치(200)로 전달한다. 여기서, 콘택트렌즈의 2차원 및 3차원 영상의 학습 이미지와 불량 패턴의 학습 레이블을 콘볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 모델을 구축하는 과정은 후술한다.
또한 광단층 영상장치(100)에서 레이저 광을 생성하는 과정은 일반적인 광원을 생성하는 일련의 과정과 동일 또는 유사하다.
스캔장치(200)는 출력된 레이저 광을 콘택트렌즈에 제공하고, 상기 콘택트렌즈로부터 제공된 검출신호를 광단층 영상장치(100)로 전달한다.
이에 광단층 영상장치(100)는 상기 검출신호를 토대로 스캔된 콘택트렌즈의 2차원 및 3차원 영상을 도출한 다음 도출된 2차원 및 3차원 영상에 대해 학습 수행하여 스캔된 콘택트렌즈의 불량을 검출한다.
도 2는 스캔장치(200)의 세부적인 구성을 보인 도면으로서, 도 2를 참조하면 스캔장치(200)는 컨베이어 벨트를 통해 X축 방향으로 이동하는 다수의 콘택트렌즈 중 하나의 콘택트렌즈(300)의 Y축 라인을 스캔하는 갈바노 미터 스캐너로 구비된다.
여기서, 상기 갈바노 미터 스캐너는 상기 레이저 광의 입사방향을 Y축 방향으로 각각 반사시키는 갈바노 미러(213)와, 상기 갈바노 미러를 통과한 레이저 광이 콘택트렌즈를 스캔하도록 회전시키는 갈바노미터(223)와, 상기 미러를 통과한 레이저광을 콘택트렌즈로 조사하는 미러 (233)와, 콘택트렌즈에서 반사되는 광신호와 콘택트렌즈를 투과하여 반사되는 나머지 광신호가 합쳐진 검출신호를 수신하여 상기 미러로 전달하는 스캔렌즈(240)를 포함하고, 상기 미러 (233)는 상기 스캔렌즈(240)의 통과한 검출 신호를 수신하여 집광시키는 콜리메이터(250)를 경유하여 상기 광단층 영상장치(100)로 전달한다.
이에 X 축 방향으로 이동하는 컨베이어 밸트에 의거 콘택트렌즈의 Y 축 방향의 라인 광 스캔만으로도 2차원 영상이 도출된다.
도 3은 도 1에 도시된 광단층 영상장치(100)의 세부적인 구성을 보인 도면으로서, 도 3을 참조하면, 광단층 영상장치(100)는, 모델 구축부(110), 영상 도출부(120), 관심영역 추출부(130), 및 학습부(140)를 포함할 수 있다.
모델 구축부(110)는 콘택트렌즈의 2차원 영상과 3차원 영상에 대해 불량 패턴을 모델로 구축하도록 구비될 수 있다. 여기서, 모델 구축부(110)은 콘볼루션 신경망(CNN: Convolution Neural Network) 기반으로 학습망이 구축된다.
도 4는 CNN 기반의 학습망을 구축하는 과정을 설명하기 위한 개념도로서, 도 4를 참조하면, CNN 기반의 학습망은 Dense Block과 Layer 수가 수정 가능한 DenseNet의 구조로 이루어지고, Dense Block과 Layer 수에 의거 CNN 구조의 깊이가 결정된다.
즉, DenseNet은 모든 이전 계층(Layer)의 출력값을 현재 계층(Layer)의 입력으로 제공받은 Dense Connectivity 로 수행된다. 예를 들어 도 4에 도시된 Dense Block 1의 Layer 3은 Layer 1과 Layer 2의 출력값을 입력받아 CNN 학습망이 구축된다. 이에 CNN 학습망의 입력에서 출력까지 정보 손실 없이 데이터가 전달된다.
이러한 정보 손실이 없는 CNN 학습망을 이용하여 학습 모델이 구축된다.
도 5는 모델 구축부(110)의 불량 패턴을 보인 예시도로서, 다수의 불량 패턴은 (a)에 도시된 바와 같이 콘택트렌즈의 일부에 홀이 생성되거나, (b)에 도시된 바와 같이 내부에 이물질이 삽입되는 경우, (c)에 도시된 바와 같이 두께가 일정하지 아니한 경우이며, 본 실시 예에서의 다수의 불량 패턴은 설명 상의 편의를 위해 일례로 설명하고 있으나, 이에 한정하지 아니한다.
한편, 영상 도출부(120)는 스캔장치(200)로부터 수신된 검출 신호의 스펙트럼 성분을 추출하고 추출된 스펙트럼 성분을 주파수 성분으로 변환하여 2차원 영상의 깊이 정보를 취득한 다음 깊이 정보를 이용하여 3차원 영상을 도출한다.
도 6은 영상 도출부(120)에 의거 도출된 2차원 및 3차원 영상을 보인 예시도로서, 도 6을 참조하면, 영상 도출부(120)는 스캔된 콘택트렌즈의 500장의 2차원 영상으로 3차원 영상이 획득됨을 알 수 있다. 도출된 2차원 및 3차원 영상은 관심영역 추출부(130)로 전달된다.
관심영역 추출부(130)는 도출된 2차원 및 3차원 영상을 토대로 관심영역을 선정한다. 여기서, 관심영역은 모델로 구축된 불량 패턴과 매칭되는 콘택트렌즈의 일부 또는 전체 영역으로 선정될 수 있다. 그리고 관심영역의 영상은 학습부(140)로 전달된다.
학습부(140)는 관심영역의 2차원 및 3차원 영상과 기 구축된 모델의 불량 패턴에 대해 학습을 수행하여 학습 결과로 스캔된 콘택트렌즈의 불량을 검출한다. 즉, 학습부(140)는 모델 구축부(110)에 의거 구축된 콘볼루션 신경망(CNN: Convolution Neural Network) 기반의 모델을 통해 스캔된 콘택트렌즈에 대한 학습을 수행하고 학습 결과에 따른 스캔된 콘택트렌즈의 불량여부를 예측한다.
// 도 7은 도 3에 도시된 학습부(140)의 세부적인 구성을 보인 도면으로서, 도 7을 참조하면, 학습부(140)는 학습모듈(141) 및 예측모듈(142)를 포함할 수 있다.
학습모듈(141)은 도출된 2차원 및 3차원 영상의 학습 이미지와 모델로 구축된 불량 패턴의 학습 레이블에 대해 구축된 CNN 학습망을 이용하여 스캔된 2차원 및 3차원 영상에 대해 콘볼루션 결과값의 가중치 값들을 연산한다.
예측모듈(142)은 스캔된 2차원 및 3차원 영상에 대해 콘볼루션 결과의 가중치를 토대로 도출된 2차원 및 3차원 영상이 불량인 지 정상인 지를 예측한다.
본 실시 예에 의거 레이저 광을 이용한 비접촉 방식으로 스캔된 콘택트렌즈로부터 도출된 검출신호에 대해 고속의 고분해능을 가지는 광단층 영상 기법을 적용하여 2차원 및 3차원 영상을 획득하고 도출된 2차원 및 3차원 영상과 모델로 구축된 불량 패턴으로 학습 수행하여 스캔된 콘택트렌즈의 불량을 판별함에 따라 콘택트렌즈의 불량을 실시간으로 신속하게 판별할 수 있고, 이에 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있다.
본 발명의 다른 실시 양태에 의한 불량 콘택트렌즈 검출 방법은, 획득된 콘택트렌즈의 2차원 및 3차원 영상에 대한 학습 이미지와 다수의 불량 패턴에 대한 학습 레이블로 모델을 구축하는 모델 구축단계; 광단층 영상장치에서 기 정해진 파장의 레이저 광을 생성하여 출력하는 광원 생성단계; 출력된 레이저 광을 콘택트렌즈에 제공하고, 상기 콘택트렌즈로부터 제공된 검출신호를 전달하는 스캔단계를 포함하고, 상기 광단층 영상장치에서 상기 검출신호를 토대로 콘택트렌즈의 2차원 및 3차원 영상을 도출한 다음 도출된 2차원 및 3차원 영상에 대해 구축된 모델로 학습 수행하여 스캔된 콘택트렌즈의 불량을 검출하는 학습단계를 포함하도록 구비될 수 있고, 상기 모델 구축단계는 도출된 2차원 및 3차원 영상의 학습 이미지와 다수의 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 모델을 구축하도록 구비될 수 있으며, 상기 학습단계는 스캔된 콘택트렌즈의 2차원 및 3차원 영상에 대해 콘택트렌즈의 관심 영역(ROI: Region Of Interest)을 선정하는 단계; 및 스캔된 관심영역의 2차원 및 3차원 영상의 학습 이미지와 모델로 구축된 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)의 콘볼루션 결과의 가중치 값들을 연산하는 수행하는 단계; 및 연산된 콘볼루션 결과의 가중치를 토대로 스캔된 콘택트렌즈의 2차원 및 3차원 영상이 불량인 지 정상인 지를 판단하는 모듈을 포함할 수 있으며, 본 실시 다른 실시 예에 의한 상기 불량 콘택트렌즈를 검출하는 방법의 각 단계는, 광단층 영상장치(100)의 모델 구축부(1100, 영상 도출부(120), 관심영역 추출부(130) 및 학습부(140)와 스캔장치(200)에서 수행되는 기능으로 자세한 원용은 생략한다.
본 실시 예에 의거 레이저 광을 이용한 비접촉 방식으로 스캔된 콘택트렌즈로부터 도출된 검출신호에 대해 고속의 고분해능을 가지는 광단층 영상 기법을 적용하여 2차원 및 3차원 영상을 획득하고 도출된 2차원 및 3차원 영상과 모델로 구축된 불량 패턴으로 학습 수행하여 스캔된 콘택트렌즈의 불량을 판별함에 따라 스캔된 콘택트렌즈의 불량을 실시간으로 신속하게 판별할 수 있고, 이에 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
레이저 광을 이용한 비접촉 방식으로 스캔된 콘택트렌즈로부터 도출된 검출신호에 대해 고속의 고분해능을 가지는 광단층 영상 기법을 적용하여 2차원 및 3차원 영상을 획득하고 도출된 2차원 및 3차원 영상과 모델로 구축된 불량 패턴으로 학습 수행하여 스캔된 콘택트렌즈의 불량을 판별함에 따라 스캔된 콘택트렌즈의 불량을 실시간으로 신속하게 판별할 수 있고, 이에 콘택트렌즈의 품질 및 제품에 대한 신뢰도를 향상시킬 수 있는 불량 콘택트렌즈 검출 시스템 및 방법에 대한 운용의 정확성 및 신뢰도 측면, 더 나아가 성능 효율 면에 매우 큰 진보를 가져올 수 있으며, 콘택트렌즈의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
Claims (8)
- 획득된 콘택트렌즈의 2차원 및 3차원 영상에 대해, 불량 패턴에 대한 모델을 구축한 다음 기 정해진 파장의 레이저 광을 생성하여 출력하는 광단층 영상장치;
출력된 레이저 광을 콘택트렌즈에 제공하고, 상기 콘택트렌즈로부터 제공된 검출신호를 상기 광단층 영상장치로 전달하는 스캔장치를 포함하고,
상기 광단층 영상장치는,
상기 검출신호를 토대로 콘택트렌즈의 2차원 및 3차원 영상을 도출한 다음 도출된 2차원 및 3차원 영상에 대해 기 구축된 모델로 학습 수행하여 스캔된 콘택트렌즈의 불량을 검출하도록 구비되는 것을 특징으로 하는 불량 콘택트렌즈 검출 시스템. - 제1항에 있어서, 상기 스캔장치는,
컨베이어 벨트를 통해 X축 방향으로 이동하는 다수의 콘택트렌즈 중 하나의 콘택트렌즈의 Y축 라인을 스캔하는 갈바노 미터 스캐너로 구비되고,
상기 갈바노 미터 스캐너는 상기 레이저 광의 입사방향을 Y축 방향으로 각각 반사시키는 갈바노 미러;
상기 갈바노 미러를 통과한 레이저 광이 콘택트렌즈를 스캔하도록 회전시키는 갈바노미터;
상기 미러를 통과한 레이저광을 콘택트렌즈로 조사하는 미러; 및
콘택트렌즈에서 반사되는 광신호와 콘택트렌즈를 투과하여 반사되는 나머지 광신호가 합쳐진 검출신호를 수신하여 상기 미러로 전달하는 스캔렌즈를 포함하고,
상기 미러는 상기 스캔렌즈의 통과한 검출 신호를 수신하여 집광시키는 콜리메이터를 경유하여 상기 광단층 영상장치로 전달하도록 구비되는 것을 특징으로 하는 불량 콘택트렌즈 검출 시스템.
- 제1항에 있어서, 상기 광단층 영상장치는,
획득된 콘택트렌즈의 2차원 영상과 3차원 영상의 학습 이미지와 불량 패턴의 학습 레이블로 모델을 구축하는 모델 구축부;
상기 스캔장치로부터 전달받은 검출 신호의 스펙트럼 성분을 추출하고 추출된 스펙트럼 성분을 주파수 성분으로 변환하여 2차원 영상의 깊이 정보를 취득한 다음 상기 깊이 정보를 이용하여 3차원 영상을 도출하는 영상 도출부;
스캔된 콘택트렌즈의 2차원 및 3차원 영상에 대해 콘택트렌즈의 관심 영역(ROI: Region Of Interest)을 선정하는 관심영역 추출부; 및
상기 관심영역의 2차원 및 3차원 영상과 기 구축된 모델에 대해 학습을 수행하여 학습 결과로 스캔된 콘택트렌즈의 불량을 검출하는 학습부를 포함하는 것을 특징으로 하는 불량 콘택트렌즈 검출 시스템.
- 제3항에 있어서, 상기 모델 구축부는
획득된 2차원 및 3차원 영상의 학습 이미지와 다수의 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 모델을 구축하도록 구비되는 것을 특징으로 하는 불량 콘택트렌즈 검출 시스템.
- 제4항에 있어서, 상기 학습부는,
스캔된 2차원 및 3차원 영상의 학습 이미지와 모델로 구축된 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)의 콘볼루션 결과의 가중치 값들을 연산하는 학습모듈; 및
연산된 콘볼루션 결과의 가중치를 토대로 스캔된 콘택트렌즈의 2차원 및 3차원 영상이 불량인 지 정상인 지를 판단하는 예측모듈을 포함하는 것을 특징으로 하는 특징으로 하는 불량 콘택트렌즈 검출 시스템.
- 획득된 콘택트렌즈의 2차원 및 3차원 영상에 대한 학습 이미지와 다수의 불량 패턴에 대한 학습 레이블로 모델을 구축하는 모델 구축단계;
광단층 영상장치에서 기 정해진 파장의 레이저 광을 생성하여 출력하는 광원 생성단계; 출력된 레이저 광을 콘택트렌즈에 제공하고, 상기 콘택트렌즈로부터 제공된 검출신호를 전달하는 스캔단계를 포함하고,
상기 광단층 영상장치에서 상기 검출신호를 토대로 콘택트렌즈의 2차원 및 3차원 영상을 도출한 다음 도출된 2차원 및 3차원 영상에 대해 구축된 모델로 학습 수행하여 스캔된 콘택트렌즈의 불량을 검출하는 학습단계를 더 포함하도록 구비되는 것을 특징으로 하는 불량 콘택트렌즈 검출 방법.
- 제6항에 있어서, 상기 모델 구축단계는
획득된 2차원 및 3차원 영상의 학습 이미지와 다수의 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 모델을 구축하도록 구비되는 것을 특징으로 하는 불량 콘택트렌즈 검출 방법. - 제7항에 있어서, 상기 학습단계는
스캔된 콘택트렌즈의 2차원 및 3차원 영상에 대해 콘택트렌즈의 관심 영역(ROI: Region Of Interest)을 선정하는 단계;
스캔된 관심영역의 2차원 및 3차원 영상의 학습 이미지와 모델로 구축된 불량 패턴의 학습 레이블에 대한 콘볼루션 신경망(CNN: Convolution Neural Network)의 콘볼루션 결과의 가중치 값들을 연산하는 수행하는 단계; 및
연산된 콘볼루션 결과의 가중치를 토대로 스캔된 콘택트렌즈의 2차원 및 3차원 영상이 불량인 지 정상인 지를 판단하는 모듈을 포함하는 것을 특징으로 하는 불량 콘택트렌즈 검출 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180162186A KR102148817B1 (ko) | 2018-12-14 | 2018-12-14 | 불량 콘택트렌즈 검출 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180162186A KR102148817B1 (ko) | 2018-12-14 | 2018-12-14 | 불량 콘택트렌즈 검출 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200080367A true KR20200080367A (ko) | 2020-07-07 |
KR102148817B1 KR102148817B1 (ko) | 2020-08-28 |
Family
ID=71602770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180162186A KR102148817B1 (ko) | 2018-12-14 | 2018-12-14 | 불량 콘택트렌즈 검출 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102148817B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2609699A (en) * | 2021-07-28 | 2023-02-15 | Coopervision Int Ltd | Systems and methods for acquiring and inspecting lens images of ophthalmic lenses |
CN116990450A (zh) * | 2023-07-18 | 2023-11-03 | 欧几里德(苏州)医疗科技有限公司 | 一种角膜塑形镜的缺陷检测方法及*** |
US12051191B2 (en) | 2022-04-05 | 2024-07-30 | Coopervision International Limited | Systems and methods for acquiring and inspecting lens images of ophthalmic lenses |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090106249A (ko) * | 2008-04-04 | 2009-10-08 | 홍석기 | 갈바노미터 스캐너를 이용한 실리콘 구조물 검사 장치 및검사 방법 |
KR20180004046A (ko) * | 2017-12-21 | 2018-01-10 | 동우 화인켐 주식회사 | 검사 장치 및 방법 |
KR20180010950A (ko) * | 2016-07-22 | 2018-01-31 | 한국과학기술원 | 뉴럴 네트워크를 이용한 영상 처리 방법 및 장치 |
JP6378776B2 (ja) * | 2014-10-27 | 2018-08-22 | 富士フイルム株式会社 | 光侵入深さ評価方法、その評価方法を用いた性能検査方法および光断層画像撮像装置 |
-
2018
- 2018-12-14 KR KR1020180162186A patent/KR102148817B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090106249A (ko) * | 2008-04-04 | 2009-10-08 | 홍석기 | 갈바노미터 스캐너를 이용한 실리콘 구조물 검사 장치 및검사 방법 |
JP6378776B2 (ja) * | 2014-10-27 | 2018-08-22 | 富士フイルム株式会社 | 光侵入深さ評価方法、その評価方法を用いた性能検査方法および光断層画像撮像装置 |
KR20180010950A (ko) * | 2016-07-22 | 2018-01-31 | 한국과학기술원 | 뉴럴 네트워크를 이용한 영상 처리 방법 및 장치 |
KR20180004046A (ko) * | 2017-12-21 | 2018-01-10 | 동우 화인켐 주식회사 | 검사 장치 및 방법 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2609699A (en) * | 2021-07-28 | 2023-02-15 | Coopervision Int Ltd | Systems and methods for acquiring and inspecting lens images of ophthalmic lenses |
GB2609699B (en) * | 2021-07-28 | 2024-04-24 | Coopervision Int Ltd | Systems and methods for acquiring and inspecting lens images of ophthalmic lenses |
US12051191B2 (en) | 2022-04-05 | 2024-07-30 | Coopervision International Limited | Systems and methods for acquiring and inspecting lens images of ophthalmic lenses |
CN116990450A (zh) * | 2023-07-18 | 2023-11-03 | 欧几里德(苏州)医疗科技有限公司 | 一种角膜塑形镜的缺陷检测方法及*** |
CN116990450B (zh) * | 2023-07-18 | 2024-04-26 | 欧几里德(苏州)医疗科技有限公司 | 一种角膜塑形镜的缺陷检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
KR102148817B1 (ko) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101340825B1 (ko) | 패턴 검사 장치, 패턴 검사 방법, 및 패턴을 갖는 구조체 | |
US11536669B2 (en) | Detecting machining errors of a laser machining system using deep convolutional neural networks | |
JP6189127B2 (ja) | はんだ付け検査装置、はんだ付け検査方法および電子部品 | |
KR20150003607A (ko) | 레이저 용접 비드 검사 장치 및 방법 | |
JP6528040B2 (ja) | インテリジェントマシンのネットワーク | |
KR101809504B1 (ko) | 비파괴 검사를 위한 연속파 선형 레이저 스캐닝 열화상 장치 및 방법 | |
KR102148817B1 (ko) | 불량 콘택트렌즈 검출 시스템 및 방법 | |
JP2010133934A (ja) | 2つの測定ユニットを有する表面測定装置 | |
US9990724B2 (en) | Image recording simulation in a coordinate measuring machine | |
Lafiosca et al. | Review of non-contact methods for automated aircraft inspections | |
CN105277558B (zh) | 一种研究表面的多步方法及其对应设备 | |
CN111226110A (zh) | 检测方法和*** | |
KR102045079B1 (ko) | 테라헤르츠파를 이용한 검사 장치 | |
JP3789696B2 (ja) | 電池の電解液リーク検査装置および電池の電解液リーク検査方法 | |
CN111316086B (zh) | 表面缺陷光学检测方法及相关装置 | |
CN111563870B (zh) | 图像处理方法和设备、检测方法和装置、存储介质 | |
EP3582183B1 (en) | Deflectometric techniques | |
JP2017101977A (ja) | 検査システムおよび検査方法 | |
KR102139311B1 (ko) | 콘택트렌즈 측정 시스템 및 방법 | |
CN111033566A (zh) | 用于对航空零件进行无损检查的方法及其*** | |
KR101711708B1 (ko) | Oct 영상에서 영역의 중심점 검출 방법 및 그 장치 | |
Carratù et al. | An innovative method for log diameter measurements based on deep learning | |
KR20190002999A (ko) | 광단층비전 융합 결함 검사시스템 및 그의 결함 검출 방법 | |
KR100889005B1 (ko) | 영상측정 시스템 및 이를 이용한 물품 검사 방법 | |
JP2004177369A (ja) | 偏光イメージングを用いた選果システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |