优化透镜模块组装的方法及系统

优化透镜模块组装的方法及系统
1.相关申请的交叉引用
2.本技术要求于2020年11月6日在韩国知识产权局提交的第10-2020-0147445号韩国专利申请和于2021年2月22日在韩国知识产权局提交的第10-2021-0023177号韩国专利申请优先权的权益，上述韩国专利申请的全部公开内容通过引用并入本文中以用于所有目的。
技术领域
3.以下描述涉及用于优化透镜模块组装的方法和系统。


背景技术：

4.近来，由于在智能电话中安装高性能相机模块的趋势，相机模块制造商正在关注使相机模块的生产效率最大化，以使用有限的工厂和设施来响应由此导致的快速增长的需求。相机模块可以包括其中紧凑地布置有多个透镜的透镜模块。透镜模块的批量生产逐渐变得困难，这是因为相机模块正在以高性能部件和特征来实现。
5.当前，为了找到用于透镜模块的批量生产的组装条件，现场工人可以在基于工人的知识和过去经验尝试多个组装条件之后手动选择呈现出高性能的组装条件。然而，上述方法的缺点在于，它可能消耗大量的时间和金钱，并且甚至不能尝试工人不知道的条件。


技术实现要素：

6.提供本发明内容部分旨在以简要的形式介绍对发明构思的选择，而在下面的具体实施方式部分中将进一步描述这些发明构思。本发明内容部分目的不在于确认所要求保护的主题的关键特征或必要特征，也不籍此帮助确定所要求保护的主题的范围。
7.在一个总的方面，一种对透镜模块组装进行优化的方法包括，在准备透镜模块时，透镜模块包括分别形成在腔中以在光轴上彼此重叠的组装的n个透镜，其中n是2或更大的自然数：由计算系统接收分别形成在n个腔组中的至少n个透镜的特征信息，n个腔组中的每个包括各自的多个腔，该多个腔彼此之间的相似度高于组装的n个透镜彼此之间的相似度；由计算系统基于特征信息处理从n个腔组中选择n个腔的信息。计算系统接收或存储通过处理用于选择n个腔的信息而获得的过去的腔选择结果、根据过去的腔选择结果基于组装的n个透镜的数据或所准备的透镜模块的数据配置的适应度函数以及遗传算法。处理用于选择n个腔的信息包括基于适应度函数和输出染色体信息更新染色体个体信息，输出染色体信息基于遗传算法从与过去的腔选择结果相对应的输入染色体信息交叉或突变；以及基于染色体个体信息和特征信息处理用于选择n个腔的信息。
8.在遗传算法中使用的染色体信息可以由分别具有n个点信息的多个遗传因子信息组成，或者在遗传算法中使用的染色体信息可以由分别具有多个点信息的n个遗传因子信息组成。
9.可以通过多个输入染色体信息之间的点交叉和遗传因子交叉中的任一个或两个
来产生输出染色体信息。
10.可以基于在包括在输入染色体信息或输出染色体信息中的多个遗传因子信息的多个值之中根据质量预测模型大于或等于参考值的值的数量来执行染色体个体信息的更新。
11.n个腔组中的每一个可以包括m个腔，其中m是2或更大的自然数。染色体个体信息的更新可以基于在从n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型大于或等于参考值的值的数量来执行。
12.可以同时形成与包括在n个腔组之一中的多个腔相对应的多个透镜。
13.n个透镜的特征信息可以包括n个透镜的光学或物理测量信息。
14.可以基于组装的n个透镜的数据或所准备的透镜模块的数据根据过去的腔选择结果来反复地更新适应度函数。
15.该方法还可以包括：当对应于n个腔的n个透镜被组装成在光轴上重叠时，由计算系统基于用于选择n个腔的信息来处理关于与n个腔相对应的n个透镜中的至少一个在围绕光轴的方向上的旋转的角度信息。
16.该方法还可以包括：根据机器学习算法，基于与通过处理用于选择n个腔的信息而选择的n个腔相对应的n个透镜中的每一个的数据来执行适应度函数的更新，以及基于以与角度信息的处理相对应的角度组装的透镜模块的数据来执行适应度函数的更新。
17.在另一个总的方面，一种非暂时性的计算机可读存储介质存储指令，该指令在由处理器运行时使处理器执行上述方法。
18.在另一个总的方面，一种对透镜模块组装进行优化的方法包括，在准备透镜模块时，透镜模块包括分别形成在腔中以在光轴上彼此重叠的组装的n个透镜，其中n是2或更大的自然数：由计算系统接收分别形成在n个腔组中的至少n个透镜的特征信息，n个腔组中的每个包括各自的多个腔，多个腔彼此之间的相似度高于组装的n个透镜中彼此之间的相似度；由计算系统基于适应度函数和特征信息处理用于从n个腔组中选择n个腔的信息；以及当与n个腔相对应的n个透镜被组装成在光轴上重叠时，由计算系统基于用于选择n个腔的信息处理关于与n个腔相对应的n个透镜中的至少一个在围绕光轴的方向上的旋转的角度信息。计算系统接收或存储通过处理用于选择n个腔的信息而获得的过去的腔选择结果以及根据过去的腔选择结果基于组装的n个透镜的数据或所准备的透镜模块的数据而配置的适应度函数。计算系统根据机器学习算法，基于与通过处理用于选择n个腔的信息而选择的n个腔相对应的n个透镜中的每一个的数据执行适应度函数的更新，以及基于以与角度信息的处理相对应的角度组装的透镜模块的数据执行适应度函数的更新。
19.角度信息的处理可以包括通过将用于选择n个腔的信息应用于基于以与角度信息的处理相对应的角度组装的透镜模块的数据而更新的旋转角度预测模型来处理角度信息。
20.n个腔组中的每一个可以包括m个腔，其中m是2或更大的自然数。从适应度函数输出的适应度信息可以包括关于在从n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型大于或等于参考值的值的数量的信息。
21.包括在n个腔组之一中的多个腔可以分别具有比对应于n个腔组之一的多个透镜更高的各向同性属性。
22.在形成与n个腔组中的一个腔组对应的多个透镜之前，包括在n个腔组中的一个腔
组中的多个腔可以彼此连接，并且在形成与n个腔组中的一个腔组相对应的多个透镜之后，包括在n个腔组中的一个腔组中的多个腔可以彼此分离。
23.在另一个总的方面，一种非暂时性的计算机可读存储介质存储指令，该指令在由处理器运行时使处理器执行上述方法。
24.在另一个总的方面，一种对透镜模块组装进行优化的系统，包括至少一个处理器，至少一个处理器配置成在准备透镜模块时，其中透镜模块包括分别形成在腔中以在光轴上彼此重叠的组装的n个透镜，其中n是2或更大的自然数：接收分别形成在n个腔组中的至少n个透镜的特征信息，n个腔组中的每个包括多个腔；以及基于特征信息处理用于从n个腔组中选择n个腔的信息。该系统配置成获得通过处理用于选择n个腔的信息而获得的过去的腔选择结果、根据过去的腔选择结果基于组装的n个透镜的数据或所准备的透镜模块的数据而配置的适应度函数以及遗传算法。至少一个处理器还配置成通过基于适应度函数和由遗传算法从对应于过去的腔选择结果的输入染色体信息产生的输出染色体信息更新染色体个体信息来处理用于选择n个腔的信息，以及基于染色体个体信息和特征信息来处理用于选择n个腔的信息。
25.多个腔彼此之间的相似度高于组装的n个透镜彼此之间的相似度。
26.在n个腔组中的每一个中，多个透镜可以分别同时形成在多个腔中。
27.在遗传算法中使用的染色体信息可以由分别具有n个点信息的多个遗传因子信息组成，或者在遗传算法中使用的染色体信息可以由分别具有多个点信息的n个遗传因子信息组成。
28.可以通过多个输入染色体信息之间的点交叉和遗传因子交叉中的任一个或两个来产生输出染色体信息。
29.n个腔组中的每一个可以包括m个腔，其中m是2或更大的自然数。处理器还可以配置成基于在从n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型大于或等于参考值的值的数量来执行染色体个体信息的更新。
30.根据所附权利要求、附图和下面的具体实施方式，其它特征和方面将变得显而易见。
附图说明
31.图1a是示出根据实施方式的、应用于透镜模块组装过程的用于优化透镜模块组装的方法的视图。
32.图1b是示出根据实施方式的可用于形成透镜的腔的视图。
33.图2a和图2b是示出根据实施方式的用于优化透镜模块组装的方法的流程图。
34.图3是示出根据实施方式的用于优化透镜模块组装的方法中的腔选择结构的框图。
35.图4是示出根据实施方式的用于优化透镜模块组装的方法的遗传算法的染色体信息的视图。
36.图5和图6是示出根据实施方式的用于优化透镜模块组装的方法的遗传算法的染色体交叉的视图。
37.图7是示出根据实施方式的用于在组装透镜时优化透镜模块组装的方法中的旋转
角度预测结构的框图。
38.图8是示出根据实施方式的用于优化透镜模块组装的方法与提供程序之间的交互的视图。
39.图9是示出根据实施方式的图8的图形用户界面(gui)的视图。
40.在整个附图和具体实施方式中，相同的附图标记将被理解为指代相同的元件、特征和结构。出于清楚、说明和方便的目的，附图可能未按照比例绘制，并且附图中元件的相对尺寸、比例和描绘可能被夸大。
具体实施方式
41.本技术中所描述的特征可以以不同的形式实施，而不应被理解为受限于本技术中所描述的示例。更确切地，在本技术中描述的示例仅被提供来说明在理解本技术的公开内容之后将显而易见的、实现在本技术中描述的方法、装置和/或系统的许多可能的方式中的一些。
42.在整个说明书中，当诸如层、区域或基板的元件被描述为位于另一元件“上”、“连接到”或“联接到”另一元件时，该元件可直接位于该另一元件“上”、直接“连接到”或直接“联接到”另一元件，或者可存在介于该元件与该另一元件之间的一个或多个其它元件。相反地，当元件被描述为“直接位于”另一元件“上”、“直接连接到”或“直接联接到”另一元件时，则不存在介于该元件与该另一元件之间的其它元件。
43.如本技术中所使用的，措辞“和/或”包括相关联的所列项目中的任何一项以及任何两项或更多项的任何组合；同样，“至少一个”包括相关联的所列项目中的任何一项以及任何两项或更多项的任何组合。
44.尽管在本技术中可以使用诸如“第一”、“第二”和“第三”的措辞来描述各种构件、部件、区域、层或部分，但是这些构件、部件、区域、层或部分不受这些措辞的限制。更确切地，这些措辞仅用于将一个构件、部件、区域、层或部分与另一个构件、部件、区域、层或部分区分开。因此，在不背离本技术中所描述的示例的教导的情况下，这些示例中提及的第一构件、第一部件、第一区域、第一层或第一部分也可以被称作第二构件、第二部件、第二区域、第二层或第二部分。
45.诸如“在
……
之上”、“较上”、“在
……
之下”、“较下”等空间相对措辞可以在本技术中为了描述便利而使用，以描述如附图中所示的一个元件相对于另一个元件的关系。除了涵盖附图中所描绘的定向之外，这些空间相对措辞旨在还涵盖设备在使用或操作中的不同的定向。例如，如果附图中的设备翻转，则描述为位于另一元件“之上”或相对于另一元件“较上”的元件将位于该另一元件“之下”或相对于该另一元件“较下”。因此，根据设备的空间定向，措辞“在
……
之上”涵盖“在......之上”和“在......之下”的两个定向。该设备还可以以其它方式定向(例如，旋转90度或在其它定向上)，并且本技术中使用的空间相对措辞应被相应地解释。
46.本技术中使用的术语仅用于描述各种示例，而不用于限制本公开。除非上下文另有明确指示，否则冠词“一”、“一个”和“该”旨在也包括复数形式。措辞“包括”、“包含”和“具有”说明存在所述特征、数字、操作、构件、元件和/或它们的组合，但不排除一个或多个其它特征、数字、操作、构件、元件和/或它们的组合的存在或添加。
47.可以以在理解本公开之后将显而易见的各种方式组合本技术中描述的示例的特征。此外，尽管本技术中描述的示例具有多种配置，但是在理解本公开之后将显而易见的其它配置也是可行的。
48.应当注意，在本技术中，相对于示例使用措辞“可以”(例如，关于示例可以包括或实现的内容)意味着存在其中包括或实现这样的特征的至少一个示例，而所有的示例并不限制于此。
49.图1a是示出根据实施方式的用于优化应用于透镜模块组装过程的透镜模块组装的方法的视图。图1b是示出可用于形成透镜的腔的视图。
50.参照图1a，可以准备透镜模块40，使得n个透镜20在光轴(例如，在竖直方向)上彼此重叠。例如，n个透镜20和间隔件12交替布置的组合结构30可以组装在镜筒13中。尽管图1a的实施方式被示出为包括7个透镜，但是n不限于7，并且是2或更大的自然数。
51.n个透镜20可以被设计成具有不同的光学参数或物理参数(例如，直径、厚度、曲率等)，并且透镜模块40的特征可以被设置为随着具有不同特征的n个透镜20的组合的数量而变化。
52.n个透镜20中的每一个可以形成在n个腔之中的与之对应的腔中。例如，n个透镜20中的每一个都可以通过注塑成型工艺来生产，包括将树脂状态的透明或轻质材料(例如，塑料)注入到腔中，并且在高温大气中固化该材料。
53.随着对应于n个透镜20的n个腔的数量增加，在单位时间内准备的透镜模块40的数量可能增加，并且透镜模块40的大生产率可能增加。
54.因此，对应于n个透镜20的n个腔可以由n个腔组11-1、11-2、11-3、....和11-n组成，并且n个腔组11-1、11-2、11-3、....和11-n中的每一个可以分别包括多个腔。
55.n个腔组11-1、11-2、11-3、....和11-n中的每一个的多个腔彼此之间的相似度可以高于n个透镜20彼此之间的相似度。n个透镜20中的每一个的多个透镜可以同时形成在与其对应的多个腔中。
56.参照图1b，第一腔组11-1可以包括m个第一腔c1、c2、....和cm，并且m个第一腔c1、c2、....和cm可以基本上彼此相同。尽管图1b中示出的实施方式被示出为包括16个第一腔，但是m不限于16，并且是2或更大的自然数。此外，包括在n个腔组中的每一个中的腔的数目可以是16，并且可以彼此相同，但是不限于此。
57.例如，m个第一腔c1、c2、
…
和cm可以通过连接构件b1、
…
和b8彼此连接，芯构件a1和a2可以连接到连接构件b1、
…
和b8，并且可以配置成允许透镜组装过程中的结构或人保持第一腔组11-1。
58.例如，包括在第一腔组11-1中的m个第一腔c1、c2、....和cm可以在形成m个第一透镜之前通过连接构件b1、
…
和b8彼此连接，并且可以在形成m个第一透镜之后彼此分离。当组装透镜时，m个第一腔c1、c2、....和cm中的每一个中的与连接构件b1、
…
和b8连接的部分可以用作旋转角度的参考点。
59.由于n个透镜20的特征可以取决于与其对应的腔的特征，所以腔可以具有取决于n个透镜20中的每一个的光学参数或物理参数的设计的特征。由于n个透镜20的光学或物理参数可能需要较高的细节，因此可能需要n个透镜20的设计与相应腔的特征之间的高相关性。在对应于n个透镜20的腔中产生n个透镜20的各种变量(例如，透镜模制夹紧力、树脂填
充时间、温度、冷却速率等)可用作追求高水平相关性的限制。
60.由于在与n个透镜20对应的腔中产生n个透镜20的各种变量可以在第一腔组11-1的第一腔(例如，c1、c2、....和cm)之间稍微不同地起作用，因此在m个第一腔c1、c2、....和cm中产生的m个第一透镜的光学参数或物理参数可以彼此稍微不同。
61.返回参考图1a，除了第一腔组11-1，分别在其余腔组(例如，11-2、11-3、
…
和11-n)的m个腔中产生的m个透镜的光学参数或物理参数也可以彼此稍微不同。
62.从m个第一透镜之间的第一差到m个第n透镜之间的第n差，可以产生根据它们的组合的二次效应。二次效应影响准备好的透镜模块40的特征的负面效应的数量变化可以与二次效应的情况的数量相同，并且二次效应的情况的数量(例如mn)可能很大。透镜模块数据102可以包括二次效应。
63.例如，在使至少一部分光穿过准备好的透镜模块的过程中，二次效应可能由于像差和衍射而引起重叠现象，并且光的重叠程度可以被定义为调制传递函数(mtf)。mtf可以被定义为物体的重叠调制值和透镜模块的图像表面的重叠调制值之间的比率，并且理想mtf可以是1。当mtf在参考范围之外时，可以确定准备好的透镜模块是有缺陷的。
64.在执行用于优化透镜模块组装的方法的计算系统100a中，根据实施方式，可以有效地提供与用于选择n个腔的信息对应的腔组装条件107，以在组装n个透镜20之前减小要准备的透镜模块40的二次效应，或者减小透镜模块40的缺陷率。
65.根据设计，计算系统100a可基于根据腔组装条件107的旋转角度组装条件109或透镜模块40的缺陷率来减小待准备的透镜模块40的二次效应。当对应于n个腔的n个透镜被组装成在光轴上重叠时，旋转角度组装条件109可以包括关于n个透镜中的至少一个在围绕光轴的方向上的旋转的角度信息。
66.例如，由于在腔中产生n个透镜20的过程中的各种变量，所产生的n个透镜20的各向同性属性可以低于与其对应的腔的各向同性属性，并且所产生的n个透镜20的圆度或平坦度可以进一步在1之外。可以基于旋转角度组装条件109来确定n个透镜20的各向异性元素影响二次效应的效应。
67.例如，记录介质99可以配置为访问计算系统100a以向计算系统100a提供用于执行由计算系统100a优化透镜模块组装的方法的记录信息。
68.图2a和图2b是示出根据实施方式的用于优化透镜模块组装的方法的流程图。
69.参照图2a，根据实施方式的用于执行用于优化透镜模块组装的方法的计算系统可以在操作s20中形成n
×
m个透镜的状态下在操作s101中接收分别形成在n个腔组中的至少n个透镜的特征信息，其中每个腔组包括多个(例如，m个)腔。在操作s124中，计算系统可以接收适应度函数，在操作s120中，计算系统可以处理用于由计算系统基于特征信息从n个腔组中选择n个腔的信息，以及在操作s107中，计算系统可以生成从mn个腔组合的情况中选择的组合。
70.计算系统可以基于遗传算法有效地减少或压缩腔组合的数目，并且可以根据在数量减少的腔组合的情况中提供的特征信息来选择腔组合。因此，可以减少在由工人组装透镜模块的过程或用于组装透镜模块的组装过程中出现的试验和误差的数量。
71.参照图2b，根据实施方式，在用于优化透镜模块组装的方法中，根据实施方式的用于执行用于优化透镜模块组装的方法的计算系统可以在操作s20中形成n
×
m个透镜的状态
下在操作s101中接收分别形成在n个腔组中的至少n个透镜的特征信息，其中每个腔组包括多个(例如，m个)腔，可以在操作s120中由计算系统处理用于基于适应度函数和特征信息从n个腔组中选择n个腔的信息，在操作s125中可以处理关于旋转的角度信息，以及在操作s126中可以执行适应度函数的更新。
72.在操作s126中，计算系统可以基于与在操作s120中通过处理信息而选择的n个腔相对应的n个透镜中的每一个的数据来执行适应度函数的更新，并且可以根据机器学习算法，基于在操作s125中以与角度信息的处理相对应的角度组装的透镜模块的数据来执行适应度函数的更新。
73.用于选择腔的信息和角度信息可以具有时间序列和相互影响的关系，并且机器学习算法可以有效地处理具有时间序列和相互影响的关系的数据。因此，可以有效地更新适应度函数，并且计算系统可以对从多个腔组合的情况中有效地选择腔组合做出很大贡献。
74.图3是示出根据实施方式的用于优化透镜模块组装的方法中的腔选择结构的框图。图4是示出根据实施方式的用于优化透镜模块组装的方法的遗传算法的染色体信息的视图。
75.参照图4，在遗传算法110b中使用的染色体信息111可以由m或n条遗传因子信息112-1、112-2、...和112-m组成，它们分别具有n或m条点信息113-1、113-2、113-3、113-4、113-5、113-6、
…
和113-n。
76.例如，由于对应于n
×
m个透镜的n
×
m个腔的组合可以被分成m个腔组合，每个腔组合包括n个腔，所以一条染色体信息111可以包括m条遗传因子信息112-1、112-2、
…
和112-m，并且可以准备m个透镜模块。
77.参照图3，根据实施方式，用于执行用于优化透镜模块组装的方法的计算系统100a-1可以在操作121中执行初始化以生成分别对应于m个透镜模块的染色体信息，可以在操作122中基于适应度函数120来评估所生成的染色体信息，可以在操作110-1中基于评估结果和遗传算法110a从m条遗传因子信息之中选择优异的遗传因子信息，或者从多条染色体信息中选择优异的染色体信息，可以基于选择的结果在操作110-2中执行输入染色体信息的交叉和/或在操作110-3中执行输入染色体信息的突变，以生成输出染色体信息，可以在操作123中评估输出染色体信息，并且可以在操作130中基于操作123中的评估结果更新染色体个体信息。可以重复这些过程。
78.换句话说，计算系统100a-1可以在操作130中基于适应度函数和基于遗传算法110a从对应于过去的腔选择结果的输入染色体信息交叉或突变的输出染色体信息来更新染色体个体信息，并且可以基于在操作130中更新的染色体个体信息和透镜特征信息101来生成包括用于选择n个腔的信息的腔组装条件107。
79.因此，可以基于遗传算法有效地减少或压缩腔组合的许多情况的数量。
80.例如，在操作130中染色体个体信息的更新可以基于在包括在输入染色体信息和/或输出染色体信息中的多个遗传因子信息的多个值之中根据质量预测模型124大于或等于参考值的值的数量进行，并且可以基于在从n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型124大于或等于参考值的值的数量进行。
81.由于计算系统100a-1可以接收透镜特征信息101，因此可以确定在操作130中染色体个体信息的更新与透镜特征信息101之间的对应关系，可以基于透镜特征信息101从在操
作130中更新的染色体个体信息中选择特定的染色体信息，并且所选择的染色体信息可以对应于用于选择n个腔的信息。例如，透镜特征信息101可以是n个透镜组的光学或物理测量信息(例如，直径、厚度、曲率、圆度、平坦度等)。
82.在操作100a-3中，计算系统100a-1可根据过去的腔选择结果基于n个透镜或透镜模块数据102反复训练质量预测模型124。可以反复地更新适应度函数120。
83.适应度函数可以通过下面的等式1来计算。在等式1中，ci是第i个染色体信息，并且n(
·
)是用于计算在染色体信息之中被确定为好产品的遗传因子信息条数的函数。例如，基于质量预测模型124，遗传信息可以被确定为好或坏。
84.[等式1]
[0085]
f＝n(ci)
[0086]
在这种情况下，为了将遗传因子确定为好或坏的产品，可以使用先前训练的质量预测模型124，并且质量预测模型124可以使用适于用户目的的方法。回归模型可以用于直接预测透镜模块的数值(例如mtf)作为预测模型，并且下面的示例中的质量分类方法可以原样转换为回归模型。
[0087]
例如，能够作为质量预测模型124执行的方法可以如下。以下方法等可用作一般分类方法。
[0088]
支持向量机(svm)可以是在被分类时找到执行最佳分类的超平面的模型。超平面是指可以是正平面和负平面之间的距离的余量(w)被最大化的点，并且该余量可以由超平面的位置和支持向量的位置来确定。svm可以具有对离群值没有影响的优点，但是可能具有花费相对长的时间来建立模型并且对其结果具有低解释力的缺点。
[0089]
决策树(dt)可以是分类模型，其通过顺序地应用各种规则来划分独立变量空间。dt可以具有低计算成本和对其结果的高解释力的优点。
[0090]
随机森林(rf)可以是利用自举汇聚法(bootstrap aggregating)或装袋法(bagging)将训练和测试数据划分成多个子集的集成模型。装袋法可以是rf的基本技术，并且可以具有减小预测值的方差的效果。因此，可以以更高的精度处理数千个输入变量。
[0091]
贝叶斯分类器可以使用分类模型，该分类模型通过基于贝叶斯概率求解概率问题来预测代表数据的类井。通常，贝叶斯分类器可以主要使用朴素贝叶斯分类模型，当计算后验概率时，该模型通过假定各个类别标签的条件独立性来简化计算。此外，贝叶斯分类器的特征可以在于利用非常少量的训练数据来估计参数，并且对于离群值是鲁棒的。
[0092]
此外，存在用于补偿可能发生的数据不平衡问题的各种方法，因为由于其主要在制造场所中的使用，可以频繁地收集良好的产品数据。然而，几乎不能收集有缺陷的产品数据，并且可以存在诸如以下方法的示例。
[0093]
平衡装袋分类器可以是专门用于类别不平衡数据的集合之一，并且可以预测和汇聚从具有基本分类器的给定数据集获得的随机子集。
[0094]
rusboost分类器和smoteboost分类器可以是不平衡数据分类模型，其分别混合了提升概念(boosting concept)和欠采样和过采样技术，并且可以消除数据方差不平衡并改善性能差的分类器的性能。
[0095]
基于平均错误误差(mean false error)(mfe)的深度神经网络(dnn)可以在一般的dnn方法中实现使用所提出的mfe或均方错误误差(msfe)的方法(集中在数据失衡问题
上)作为损失函数。通常，均方误差(mse)可以被广泛地用作损失函数，其可以表示所有实例的误差值的平均值，并且可以被认为是相等的，而不管类别如何。然而，mfe可考虑每个类别的实例的总数量来计算误差值的平均值。为此，在等式2中，可以分别表示平均错误误差、错误正误差和错误负误差。
[0096]
[等式2]
[0097]
mfe＝fpe fne
[0098][0099][0100]
图5和图6是示出根据实施方式的用于优化透镜模块组装的方法的遗传算法的染色体交叉的视图。
[0101]
参照图5，在遗传算法110c中使用的多条输入染色体信息111-11和111-12可以对应于父染色体，并且输出染色体信息111-21可以对应于子染色体。
[0102]
可以通过点交叉在多个输入染色体信息111-11和111-12之间产生输出染色体信息111-21。
[0103]
例如，第一输入染色体信息111-11的第一至第四点信息113-41可以与输出染色体信息111-21的第一至第四点信息113-41相同，并且第二输入染色体信息111-12的第五至第七点信息113-52可以与输出染色体信息111-21的第五至第七点信息113-52相同。可以随机地确定要交叉的点的位置。
[0104]
参照图6，在遗传算法110d中使用的多条输入染色体信息111-13和111-14可以对应于父染色体，并且输出染色体信息111-22可以对应于子染色体。
[0105]
可以通过遗传因子交叉在多条输入染色体信息111-13和111-14之间产生输出染色体信息111-22。
[0106]
例如，在第二输入染色体信息111-14的m条遗传因子信息中，第二遗传因子信息112-22可以是根据质量预测模型具有最高概率的不良产品预测的遗传因子信息，或者是具有由回归模型预测的等于和小于参考值的透镜模块的值(例如，mtf)的最低遗传因子信息，并且可以对应于隐性遗传因子。在第一输入染色体信息111-13的m条遗传因子信息中，第二遗传因子信息112-21可以是根据质量预测模型具有最高概率的良好产品预测的遗传因子信息，或者是具有由回归模型预测的等于和大于参考值的透镜模块的值(例如，mtf)的最高遗传因子信息，并且可以对应于显性遗传因子。第二输入染色体信息111-14的第二遗传因子信息112-22可以在第二输入染色体信息的复制品111-15中用第一输入染色体信息111-13的第二遗传因子信息112-21更换。
[0107]
此外，输出染色体信息111-22的第二遗传因子信息112-23的特定点信息可以被突变。可以随机地确定要突变的点的位置。
[0108]
图7是示出根据实施方式的用于在组装透镜时优化透镜模块组装的方法中的旋转角度预测结构的框图。
[0109]
参照图7，根据实施方式，执行用于优化透镜模块组装的方法的计算系统100a-2可以在操作125中基于包括用于选择腔的信息和旋转角度预测模型126的腔组装条件107来预测旋转角度组装条件，可以生成旋转角度组装条件109，并且可以生成在其中进一步反映旋转角度组装条件109的变量的腔组装条件108。
[0110]
可以在模型的训练100a-4中使用根据与旋转角度组装条件109和在其中进一步反映旋转角度组装条件109的变量的腔组装条件108相对应的角度信息的透镜模块数据102。模型的训练100a-4的训练目标可以是旋转角度预测模型126，并且可以是图3所示的质量预测模型和/或适应度函数。
[0111]
例如，如图3所示，质量预测模型和/或适应度函数可以基于对应于n个腔的n个透镜中的每一个的数据(例如，特征信息)来更新，以及可以基于准备好的透镜模块的透镜模块数据102根据与旋转角度组装条件109和在其中进一步反映旋转角度组装条件109的变量的腔组装条件108相对应的角度信息来更新。旋转角度预测模型126可根据用于处理具有时间序列且彼此影响的关系的数据的有效机器学习算法(例如，rnn)来执行。例如，旋转角度预测模型126可以接收n个透镜的特征信息，并且可以生成n个角度信息。
[0112]
旋转角度预测模型126可以配置成进行训练使得透镜模块生产数据被输入到预测模型中，并且预测对应于每个数据集的n个旋转角组合，以将n个旋转角组合和实际n个旋转角组合之间的差收敛到零。
[0113]
例如，机器学习算法和旋转角度预测模型126可能的方法可以如下。
[0114]
长短期记忆(lstm)(hochreiter和schmidhuber，1997)可以是基于递归神经网络(rnn)的方法之一，该方法对于在处理时间序列数据中表现出优异的性能是众所周知的，并且可以用于通过将过去的数据分离为要忘记的信息和要记忆的信息，并且对要记忆的信息施加更大的权重来预测。
[0115]
在rnn结构中，除了隐藏层之外，还添加了细胞状态，并且可以使用三个新增加的门来获得隐藏状态值和细胞状态值。
[0116]
三个增加的门可以分别是(1)遗忘门、(2)输入门和(3)输出门，并且每个门的激活函数表达式可以在等式3到5中示出。
[0117]
[等式3]
[0118]ft
＝σ(w(t)x
t
u(t)h
t-1
)
[0119]
[等式4]
[0120]it
＝σ(w(i)x
t
u(i)h
t-1
)
[0121]
[等式5]
[0122]ot
＝σ(w
(o)
x
t
u
(o)ht-1
)
[0123]
忘记门可用于控制存储过去信息的隐藏层节点。可以将f
t
计算为0或1的值。当f
t
为0时，过去的信息可以不被移除和使用，并且当f
t
为1时，可以保持过去的信息。
[0124]
输入门可用于确定需要维持什么信息以便更新当前细胞状态。
[0125]
像f
t
一样，i
t
也可以计算为0或1的值。当i
t
是0时，可以按原样维护过去的信息，并且当i
t
是1时，可以使用当前细胞状态中的固有信息来更新过去的信息。
[0126]
最后，输出门可用于确定什么信息要显示为输出。o
t
也可计算为0或1的值。当o
t
为0时，可以不显示信息，而当o
t
为1时，可以显示信息。
[0127]
卷积长短期记忆(c-lstm)(shi等人，2017)可以是组合深度卷积神经网络(dcnn)的方法(krizhevsky等人，2012)和双向lstm(graves等人，2009)。
[0128]
dcnn可以是已知的有效捕获数据中的固有特征的方法，并且可以通过卷积层提取输入数据中的固有特征矢量。
[0129]
此后，可以通过基于以上介绍的单向lstm或双向lstm反映顺序特征来预测输出值。
[0130]
门控循环单元(gru)(cho等人，2014)，如lstm，可以是递归神经网络的代表性细胞类型之一。
[0131]
在保持lstm的优点的同时，可以存在具有低计算复杂度的细胞结构，并且可以仅存在两个门，即更新门和重置门。
[0132]
门可以反映当前时间点的输入值x
t
和前一时间点的隐藏状态值h
t-1。
[0133]
下面的等式6和7依次说明了更新门和重置门的计算。
[0134]
[等式6]
[0135]zt
＝σ(w
(z)
x
t
u
(z)ht-1
)
[0136]
[等式7]
[0137]rt
＝σ(w
(r)
x
t
u
(r
)h
t-1
)
[0138]
等式8可以表示要在当前时间点(t)存储的信息，并且可以反映当前时间信息(wx
t
)和先前信息(uh
t-1
)，但是取决于重置门值，可以指反映多少过去信息。
[0139]
[等式8]
[0140][0141]
此外，所述方法可以通过以下机制来开发。
[0142]
注意力机制(bahdanau等人，2014)已经提出补偿在基于rnn的seq2seq模型中不管现有输入数据的长度如何而总是表示具有相同长度的矢量的缺点。
[0143]
在该机制中，可以从输入数据中选择与要预测的目标数据相关的矢量以生成子集，并且可以用于预测目标数据。
[0144]
该机制可以是这样一种方法，该方法使用对要在高注意力的时间预测的目标数据具有影响的输入数据同时在通过该方法输出目标数据的每个时间步骤再次参考整个输入数据。
[0145]
图8是示出根据实施方式的用于优化透镜模块组装的方法与提供者之间的交互的视图。
[0146]
参照图8，根据实施方式，执行用于优化透镜模块组装的方法的计算系统100b可以包括图形用户界面(gui)140、数据库150和处理器160。
[0147]
例如，计算系统100b可以包括个人计算机、服务器计算机、手持或膝上型设备、移动设备(例如，移动电话、pda、媒体播放器等)、多处理器系统、消费电子产品、小型计算机、大型计算机，包括任何上述系统或设备的分布式计算环境等，但不限于此。例如，计算系统100b还可以包括通信连接，例如调制解调器、网络接口卡(nic)、集成网络接口、射频发射器/接收器、红外端口，usb连接等。
[0148]
提供者50可以是准备透镜模块的工人或准备透镜模块的过程/功能。在操作s141，提供者50可以向图形用户界面140输入透镜信息(例如，透镜数量、设计信息等)，在操作
s142，可以向图形用户界面140输入参数(例如，透镜特征信息、实际测量信息等)，在操作s143，可以点击保存按钮，在操作s144，可以点击运行按钮，以及在操作s145可以检查显示的装配优化结果。
[0149]
在操作s151中，图形用户界面140可以提供用于提供者50和计算系统100b之间的交互的环境，可以从数据库150搜索透镜信息，并且在操作s162可以中接收组装优化结果。
[0150]
在操作s152，数据库150可以存储关于适应度函数的信息、关于遗传算法的信息以及关于机器学习算法的信息，并且可以将透镜数据发送到处理器160。例如，数据库150可以被实现为易失性存储器(例如，ram等)、非易失性存储器(例如，rom，闪存等)或其组合，并且还可以用诸如磁存储器、光存储器等的附加存储器来实现。
[0151]
处理器160可以处理关于适应度函数的信息、关于遗传算法的信息以及关于机器学习算法的信息。例如，处理器160可以包括中央处理单元(cpu)、图形处理单元(gpu)、微处理器、专用集成电路(asic)、现场可编程门阵列(fpga)等，并且可以具有多个核。
[0152]
图9是示出图8的图形用户界面(gui)140的视图。
[0153]
参照图9，图形用户界面140可以包括其中输入透镜信息和参数的区域141、具有程序操作按钮的区域143以及显示组装优化结果的区域145。
[0154]
例如，图形用户界面140可以包括输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备、红外相机、视频输入设备等)和输出设备(例如，显示器、扬声器，打印机等)。
[0155]
根据本文公开的用于优化透镜模块组装的方法，可以减少由组装透镜模块的工人在透镜模块组装过程中的试验和误差，并且可以有效地提高透镜模块的批量生产。
[0156]
记录介质99、计算系统100a、100a-1、100a-2和100b、提供程序50、gui 140、数据库150、处理器160、处理器、存储器以及在本技术中参考图1至图9描述的其它装置、设备、单元、模块和部件由硬件部件实现。在适当的情况下，可用于执行本技术中所描述的操作的硬件部件的示例包括控制器、传感器、发生器、驱动器、存储器、比较器、算术逻辑单元、加法器、减法器、乘法器、除法器、积分器以及配置成执行本技术中所描述的操作的任何其它电子部件。在其它示例中，执行本技术中描述的操作的硬件部件中的一个或多个通过计算硬件(例如，通过一个或多个处理器或计算机)来实现。处理器或计算机可以由一个或多个处理元件来实现，诸如逻辑门阵列、控制器和算术逻辑单元、数字信号处理器、微型计算机、可编程逻辑控制器、现场可编程门阵列、可编程逻辑阵列、微处理器或被配置为以规定的方式响应和执行指令以实现期望结果的任何其它设备或设备的组合。在一个示例中，处理器或计算机包括(或连接到)存储由处理器或计算机执行的指令或软件的一个或多个存储器。由处理器或计算机实现的硬件部件可以执行指令或软件，诸如操作系统(os)和在os上运行的一个或多个软件应用程序，以执行在本技术中描述的操作。硬件部件还可以响应于指令或软件的执行来访问、操纵、处理、创建和存储数据。为简单起见，单数术语“处理器”或“计算机”可用于描述本技术中所描述的示例，但在其它示例中可使用多个处理器或计算机，或者处理器或计算机可以包括多个处理元件、或多种类型的处理元件或这两者。例如，单个硬件部件或两个或更多个硬件部件可以由单个处理器、或两个或更多个处理器、或处理器和控制器来实现。一个或多个硬件部件可以由一个或多个处理器、或处理器和控制器来实现，并且一个或多个其它硬件部件可以由一个或多个其它处理器、或另一个处理器和另一个控制器来实现。一个或多个处理器、或处理器和控制器可以实现单个硬件部件、或两个或更多个
硬件部件。硬件部件可以具有任何一个或多个不同的处理配置，其示例包括单个处理器、独立处理器、并行处理器、单指令单数据(sisd)多处理、单指令多数据(simd)多处理、多指令单数据(misd)多处理和多指令多数据(mimd)多处理。
[0157]
图1至图9中所示的执行本技术中所描述的操作的方法由计算硬件执行，例如，由实现为如上所述的、执行指令或软件以执行本技术中描述的由方法执行的操作的一个或多个处理器或计算机执行。例如，单个操作或两个或更多个操作可以由单个处理器、或两个或更多个处理器、或处理器和控制器来执行。一个或多个操作可以由一个或多个处理器、或处理器和控制器来执行，并且一个或多个其它操作可以由一个或多个其它处理器、或另一个处理器和另一个控制器来执行。一个或多个处理器、或处理器和控制器可以执行单个操作、或两个或更多个操作。
[0158]
用于控制处理器或计算机以实现硬件部件并执行如上所述的方法的指令或软件被编写成计算机程序、代码段、指令或其任何组合，用于单独地或共同地指示或配置处理器或计算机以作为机器或专用计算机来操作以执行由硬件部件和如上所述的方法执行的操作。在一个示例中，指令或软件包括由处理器或计算机直接执行的机器代码，诸如由编译器生成的机器代码。在另一示例中，指令或软件包括由使用解释器的处理器或计算机执行的高级代码。本领域的普通技术人员可以基于附图中所示的框图和流程图以及说明书中的相应描述来容易地编写指令或软件，附图和说明书公开了用于执行由如上所述的硬件部件和方法执行的操作的算法。
[0159]
用于控制处理器或计算机以实现硬件部件并执行如上所述的方法的指令或软件以及任何相关联的数据、数据文件和数据结构被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中或其上。非暂时性计算机可读存储介质的示例包括只读存储器(rom)、随机存取可编程只读存储器(prom)、电可擦除可编程只读存储器(eeprom)、随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、闪存、非易失性存储器、cd-rom、cd-r、cd r、cd-rw、cd rw、dvd-rom、dvd-r、dvd r、dvd-rw、dvd rw、dvd-ram、bd-rom、bd-r、bd-rlth、bd-re、蓝光或光盘存储、硬盘驱动器(hdd)、固态驱动器(ssd)、闪存、诸如多媒体卡或微型卡(例如，安全数字(sd)极端数字(xd))的卡型存储器、磁带、软盘、磁光数据存储设备、光数据存储设备、硬盘、固态盘和配置成以非暂时性方式存储指令或软件以及任何相关联的数据、数据文件和数据结构并向处理器或计算机提供指令或软件以及任何相关联的数据、数据文件、和数据结构使得处理器或计算机能够执行指令的任何其它设备。
[0160]
虽然本公开包括具体的示例，但是在理解本技术的公开内容之后将显而易见的是，在不背离权利要求及其等同方案的精神和范围的情况下，可对这些示例作出形式和细节上的各种改变。本技术中所描述的示例仅以描述性的意义进行理解，而非出于限制的目的。对每个示例中的特征或方面的描述应被认为是可适用于其它示例中的相似的特征或方面。如果以不同的顺序执行所描述的技术，和/或如果以不同的方式组合和/或通过其它部件或它们的等同件替换或补充所描述的系统、架构、设备或电路中的部件，则仍可实现适当的结果。因此，本公开的范围不由具体实施方式限定，而是由权利要求及其等同方案限定，且在权利要求及其等同方案的范围之内的所有变型应被理解为包括在本公开中。

技术特征：
1.一种对透镜模块组装进行优化的方法，包括：在准备透镜模块时，其中，所述透镜模块包括分别形成在腔中以在光轴上彼此重叠的组装的n个透镜，其中n是2或更大的自然数：由计算系统接收分别形成在n个腔组中的至少n个透镜的特征信息，所述n个腔组中的每个包括各自的多个腔，所述多个腔彼此之间的相似度高于所述组装的n个透镜彼此之间的相似度；以及由所述计算系统基于所述特征信息处理用于从所述n个腔组中选择n个腔的信息，其中，所述计算系统接收或存储通过处理用于选择所述n个腔的信息而获得的过去的腔选择结果、根据所述过去的腔选择结果基于所述组装的n个透镜的数据或所准备的透镜模块的数据配置的适应度函数、以及遗传算法，以及其中，处理用于选择所述n个腔的信息包括：基于所述适应度函数和输出染色体信息更新染色体个体信息，所述输出染色体信息基于遗传算法从与所述过去的腔选择结果对应的输入染色体信息交叉或突变；以及基于所述染色体个体信息和所述特征信息处理用于选择所述n个腔的信息。2.根据权利要求1所述的方法，其中，所述遗传算法中使用的染色体信息由分别具有n个点信息的多个遗传因子信息组成，或者所述遗传算法中使用的所述染色体信息由分别具有多个点信息的n个遗传因子信息组成。3.根据权利要求2所述的方法，其中，所述输出染色体信息通过多个输入染色体信息之间的点交叉和遗传因子交叉中的任一个或两个产生。4.根据权利要求2所述的方法，其中，基于包括在所述输入染色体信息或所述输出染色体信息中的多个遗传因子信息的多个值之中根据质量预测模型大于或等于参考值的值的数量来执行所述染色体个体信息的更新。5.根据权利要求1所述的方法，其中，所述n个腔组中的每一个包括m个腔，其中m是2或更大的自然数，以及其中，基于从所述n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型大于或等于参考值的值的数量进行染色体个体信息的更新。6.根据权利要求1所述的方法，其中，同时形成与包括在所述n个腔组之一中的所述多个腔相对应的多个透镜。7.根据权利要求1所述的方法，其中，所述至少n个透镜的所述特征信息包括所述至少n个透镜的光学或物理测量信息。8.根据权利要求1所述的方法，其中，所述适应度函数根据所述过去的腔选择结果基于所述组装的n个透镜的数据或所准备的透镜模块的数据反复地更新。9.根据权利要求1所述的方法，还包括当对应于所述n个腔的n个透镜被组装成在所述光轴上重叠时，由所述计算系统基于用于选择所述n个腔的信息处理关于与所述n个腔相对应的所述n个透镜中的至少一个在围绕所述光轴的方向上的旋转的角度信息。10.根据权利要求9所述的方法，还包括：根据机器学习算法，基于与通过处理用于选择所述n个腔的信息而选择的所述n个腔相对应的所述n个透镜中的每一个的数据，执行所述适应度函数的更新，以及基于以与所述角度信息的处理相对应的角度组装的透镜模块的数据，执行所述适应度函数的更新。
11.一种存储指令的非暂时性计算机可读存储介质，所述指令在由处理器运行时使所述处理器执行根据权利要求1所述的方法。12.一种对透镜模块组装进行优化的方法，包括：在准备透镜模块时，其中，所述透镜模块包括分别形成在腔中以在光轴上彼此重叠的组装的n个透镜，其中n是2或更大的自然数：由计算系统接收分别形成在n个腔组中的至少n个透镜的特征信息，所述n个腔组中的每个包括各自的多个腔，所述多个腔彼此之间的相似度高于所述组装的n个透镜彼此之间的相似度；由所述计算系统基于适应度函数和所述特征信息处理用于从所述n个腔组中选择n个腔的信息；以及当与所述n个腔相对应的n个透镜被组装成在所述光轴上重叠时，由所述计算系统基于用于选择所述n个腔的信息处理关于与所述n个腔相对应的所述n个透镜中的至少一个在围绕所述光轴的方向上的旋转的角度信息，其中，所述计算系统接收或存储通过处理用于选择所述n个腔的信息而获得的过去的腔选择结果以及根据所述过去的腔选择结果基于所述组装的n个透镜的数据或所准备的透镜模块的数据而配置的适应度函数，以及其中，所述计算系统根据机器学习算法，基于与通过处理用于选择所述n个腔的信息而选择的所述n个腔相对应的所述n个透镜中的每一个的数据执行所述适应度函数的更新，以及基于以与所述角度信息的处理相对应的角度组装的透镜模块的数据执行所述适应度函数的更新。13.根据权利要求12所述的方法，其中，所述角度信息的处理包括通过将用于选择所述n个腔的信息应用于基于以与所述角度信息的处理相对应的角度组装的透镜模块的数据而更新的旋转角度预测模型来处理所述角度信息。14.根据权利要求12所述的方法，其中，所述n个腔组中的每一个包括m个腔，其中，m是2或更大的自然数，以及其中，从所述适应度函数输出的适应度信息包括关于在从所述n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型大于或等于参考值的值的数量的信息。15.根据权利要求12所述的方法，其中，包括在所述n个腔组之一中的所述多个腔分别具有比对应于所述n个腔组之一中的多个透镜更高的各向同性属性。16.根据权利要求12所述的方法，其中，在形成与所述n个腔组中的一个腔组相对应的多个透镜之前，将包括在所述n个腔组中的所述一个腔组中的所述多个腔彼此连接，并且在形成与所述n个腔组中的所述一个腔组相对应的所述多个透镜之后，将包括在所述n个腔组中的所述一个腔组中的所述多个腔彼此分离。17.一种存储指令的非暂时性计算机可读存储介质，所述指令在由处理器运行时使所述处理器执行根据权利要求12所述的方法。18.一种对透镜模块组装进行优化的系统，包括：至少一个处理器，配置成在准备透镜模块时，其中，所述透镜模块包括分别形成在腔中以在光轴上彼此重叠的组装的n个透镜，其中，n是2或更大的自然数：接收分别形成在n个腔组中的至少n个透镜的特征信息，所述n个腔组中的每个包括多
个腔；以及基于所述特征信息处理用于从所述n个腔组中选择n个腔的信息，其中，所述系统配置成获得通过处理用于选择所述n个腔的信息而获得的过去的腔选择结果、根据所述过去的腔选择结果基于所述组装的n个透镜的数据或所准备的透镜模块的数据而配置的适应度函数以及遗传算法，以及其中，所述至少一个处理器还配置成通过基于所述适应度函数和由所述遗传算法从对应于所述过去的腔选择结果的输入染色体信息产生的输出染色体信息更新染色体个体信息来处理用于选择所述n个腔的信息，以及基于所述染色体个体信息和所述特征信息来处理用于选择所述n个腔的所述信息。19.根据权利要求18所述的系统，其中，所述多个腔彼此之间的相似度高于所述组装的n个透镜彼此之间的相似度。20.根据权利要求18所述的系统，其中，在所述n个腔组中的每一个中，多个透镜分别同时形成在所述多个腔中。21.根据权利要求18所述的系统，其中，所述遗传算法中使用的染色体信息由分别具有n个点信息的多个遗传因子信息组成，或者所述遗传算法中使用的所述染色体信息由分别具有多个点信息的n个遗传因子信息组成。22.根据权利要求21所述的系统，其中，所述输出染色体信息是通过多个输入染色体信息之间的点交叉和遗传因子交叉中的任一个或两个产生的。23.根据权利要求18所述的系统，其中，所述n个腔组中的每一个包括m个腔，其中m是2或更大的自然数，以及其中，所述处理器还配置成基于从所述n个腔组中选择的m个腔选择结果的多个值之中根据质量预测模型大于或等于参考值的值的数量来执行所述染色体个体信息的更新。

技术总结
一种透镜模块组装优化方法，包括：在准备包括分别形成在腔中的组装的N个透镜的透镜模块时：接收分别形成在N个腔组中的至少N个透镜的特征信息，N个腔组中的每个包括各自的多个腔；基于特征信息处理用于从N个腔组中选择N个腔的信息。接收或存储过去的腔选择结果、根据过去的腔选择结果基于组装的N个透镜的数据或所准备的透镜模块的数据配置的适应度函数以及遗传算法。信息的处理包括基于适应度函数和输出染色体信息更新染色体个体信息，输出染色体信息基于遗传算法从与过去的腔选择结果相对应的输入染色体信息交叉或突变；以及根据染色体个体信息和特征信息处理该信息。色体个体信息和特征信息处理该信息。色体个体信息和特征信息处理该信息。


技术研发人员：闵憓根 崔叡琳 孙连彬 金成训 崔恩煐
受保护的技术使用者：京畿大学校产学协力团
技术研发日：2021.10.29
技术公布日：2022/5/25