KR102272641B1 - 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템 - Google Patents

물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템 Download PDF

Info

Publication number
KR102272641B1
KR102272641B1 KR1020190156899A KR20190156899A KR102272641B1 KR 102272641 B1 KR102272641 B1 KR 102272641B1 KR 1020190156899 A KR1020190156899 A KR 1020190156899A KR 20190156899 A KR20190156899 A KR 20190156899A KR 102272641 B1 KR102272641 B1 KR 102272641B1
Authority
KR
South Korea
Prior art keywords
signal data
acceleration signal
target object
acceleration
image
Prior art date
Application number
KR1020190156899A
Other languages
English (en)
Other versions
KR20210067364A (ko
Inventor
최승문
오승재
Original Assignee
포항공과대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to KR1020190156899A priority Critical patent/KR102272641B1/ko
Publication of KR20210067364A publication Critical patent/KR20210067364A/ko
Application granted granted Critical
Publication of KR102272641B1 publication Critical patent/KR102272641B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Immunology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템이 개시된다. 상기 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템은 적어도 일부분이 접촉된 대상 물체에 특정 진동 신호를 전달하여, 상기 특정 진동 신호에 의해 발생된 상기 대상 물체의 가속 신호 데이터를 측정하고, 측정된 가속 신호 데이터를 분류 모델에 의해 분석하여 대상 물체의 속성을 식별함으로써, 대상 물체의 식별이 요구되는 물류 산업이나 공장의 컨베이어 벨트 등의 장치에 활용할 수 있으며, 로보틱스, 가상 현실 및 증강 현실, 등 혼합 현실(Mixed Reality) 혹은 실물 객체(Tangible Interface)가 적용된 컴퓨터 환경 등 다양한 기술에 활용이 가능한, 고효율 및 고정밀의 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템을 제공할 수 있다.

Description

물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템{OBJECT IDENTIFICATION APPARATUS AND METHOD, SYSTEM COMPRISING THE SAME}
본 발명은 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템에 관한 것으로서, 보다 상세하게는 물체에 외부적으로 가해진 진동에 대한 물체의 진동 주파수별 투과 특성에 따라서 진동 발생 장치와 가속도 측정 장치 사이에 있는 물체를 인식하는 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템에 관한 것이다.
모든 물체는 특정한 단일 물질 혹은 단일 물질로 구성된 세부 구조물의 조합으로 이루어져 있다.
어떠한 물체는 진동에 노출되었을 경우, 물체의 형태, 조립 상태, 구성 물질, 등에 따라서 서로 다른 진동 투과 특성을 나타낸다.
이에 따라, 종래에는 진동 투과 특성을 이용하여 물체를 식별하는 물체 인식 장치가 제공되고 있다.
종래의 물체 인식 장치는 식별하고자 하는 물체로부터 발생되는 진동을 측정하고, 이를 분석함으로써 해당 물체의 형태 및 상태를 인식하였다.
따라서, 종래의 물체 인식 장치는 식별하고자 하는 물체가 진동원을 포함하였을 경우에만 측정이 가능하여, 진동원을 포함하지 않는 물체에 대한 식별이 어려운 단점이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 고효율 및 고정밀의 물체 인식 장치를 제공하는 데 있다.
또한, 상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 고효율 및 고정밀의 물체 인식 방법을 제공하는 데 있다.
또한, 상기와 같은 문제점을 해결하기 위한 본 발명의 또다른 목적은 고효율 및 고정밀의 물체 인식 시스템을 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따라, 대상 물체의 적어도 일부분과 접촉하여, 상기 대상 물체를 식별하는 물체 인식 장치는, 메모리(memory) 및 상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되, 상기 적어도 하나의 명령은, 진동 신호 데이터를 재생하도록 진동 발생 장치를 제어하는 명령, 상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 명령, 측정된 상기 가속 신호 데이터를 수신하도록 하는 명령, 수신된 가속 신호 데이터를 분석하도록 하는 명령 및 분석된 상기 가속 신호 데이터를 이용하여, 상기 대상 물체를 식별하도록 하는 명령을 포함한다.
또한, 상기 물체 인식 장치는, 힘 측정 센서에 의해, 상기 대상 물체에 가해지는 힘의 크기를 측정하도록 제어하는 명령을 더 포함할 수 있다.
상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 명령은, 상기 힘 측정 센서에 의해 측정된 힘의 크기가 특정 조건을 만족할 경우 상기 가속도 측정 장치를 실행하도록 제어하는 명령 및 상기 가속도 측정 장치에 의해, 상기 진동 신호 데이터가 상기 대상 물체를 투과함으로써 발생되는, 적어도 하나의 가속 신호 데이터를 획득하도록 제어하는 명령을 포함할 수 있다.
이때, 상기 특정 조건은 특정 오차 범위 이내의 힘의 크기, 또는 특정 힘의 크기를 유지하는 시간 조건 중 적어도 하나를 포함할 수 있다.
상기 가속 신호 데이터는 데이터 수집 장치로부터 수신하되, 상기 데이터 수집 장치에는 상기 가속도 측정 장치로부터 수신된 적어도 하나의 가속 신호 데이터가 디지털 신호 형태로 변환되어 저장될 수 있다.
또한, 상기 가속 신호 데이터를 수신하여 분석하도록 하는 명령은, 상기 가속 신호 데이터를 전처리하도록 하는 명령 및 상기 가속 신호 데이터를 일정 기준에 따라 분류하도록 하는 명령을 포함할 수 있다.
여기서, 상기 가속 신호 데이터를 전처리하도록 하는 명령은, 3차원의 상기 가속 신호 데이터를 1차원 형태로 변환하도록 하는 명령 및 상기 1차원의 가속 신호 데이터 노이즈를 제거하도록 하는 명령을 포함할 수 있다.
이때, 상기 1차원의 가속 신호 데이터 노이즈를 제거하도록 하는 명령에서는, 대역 통과 필터를 사용하여 일정 범위의 주파수 대역 신호를 제거할 수 있다.
또한, 상기 가속 신호 데이터를 일정 기준에 따라 분류하도록 하는 명령은, 상기 가속 신호 데이터를 이미지로 변환하도록 하는 명령, 상기 이미지의 노이즈를 제거하도록 하는 명령 및 노이즈가 제거된 상기 이미지를 특징별로 분류하도록 하는 명령을 포함할 수 있다.
이때, 상기 가속 신호 데이터를 이미지로 변환하도록 하는 명령에서는, 단시간 푸리에 변환(Short-time Fourier Transform)을 적용하여, 상기 가속 신호 데이터를 스펙트로그램(Spectrogram) 이미지로 변환할 수 있다.
또한, 상기 노이즈가 제거된 상기 이미지를 특징별로 분류하도록 하는 명령은, 노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하도록 하는 명령 및 추출된 적어도 하나의 상기 이미지 특징들을 사전 생성된 분류 모델을 이용하여 분류하도록 하는 명령을 포함할 수 있다.
이때, 상기 노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하도록 하는 명령에서는, 주성분 분석(Principal Component Analysis)에 의해 이미지 특징을 추출할 수 있다.
그리고, 상기 분류 모델은, 기계 학습인 서포트 벡터 머신(Support Vector Machine)에 의해 생성된 모델일 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따라, 대상 물체의 적어도 일부분과 접촉하여 상기 대상 물체를 식별하는 물체 인식 장치를 이용하는 물체 인식 방법은, 진동 신호 데이터를 재생하도록 진동 발생 장치를 제어하는 단계, 상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 단계, 측정된 상기 가속 신호 데이터를 수신하는 단계, 수신된 상기 가속 신호 데이터를 분석하는 단계 및 분석된 상기 가속 신호 데이터를 이용하여, 상기 대상 물체를 식별하는 단계를 포함한다.
또한, 상기 물체 인식 방법은 힘 측정 센서에 의해, 상기 대상 물체에 가해지는 힘의 크기를 측정하도록 제어하는 단계를 더 포함할 수 있다.
상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 단계는, 상기 힘 측정 센서에 의해 측정된 힘의 크기가 특정 조건을 만족할 경우 상기 가속도 측정 장치를 실행하도록 제어하는 단계 및 상기 가속도 측정 장치에 의해, 상기 진동 신호 데이터가 상기 대상 물체를 투과하여 발생되는, 적어도 하나의 가속 신호 데이터를 획득하도록 제어하는 단계를 포함할 수 있다.
이때, 상기 특정 조건은, 특정 오차 범위 이내의 힘의 크기, 또는 특정 힘의 크기를 유지하는 시간 조건 중 적어도 하나를 포함할 수 있다.
상기 가속 신호 데이터는 데이터 수집 장치로부터 수신하되, 상기 데이터 수집 장치에는 상기 가속도 측정 장치로부터 수신된 적어도 하나의 가속 신호 데이터가 디지털 신호 형태로 변환되어 저장될 수 있다.
상기 가속 신호 데이터를 분석하는 단계는, 상기 가속 신호 데이터를 전처리하는 단계 및 상기 가속 신호 데이터를 일정 기준에 따라 분류하는 단계를 포함할 수 있다.
여기서, 상기 가속 신호 데이터를 전처리하는 단계는, 3차원의 상기 가속 신호 데이터를 1차원 형태로 변환하는 단계 및 상기 1차원의 가속 신호 데이터 노이즈를 제거하는 단계를 포함할 수 있다.
또한, 상기 1차원의 가속 신호 데이터 노이즈를 제거하는 단계에서는, 대역 통과 필터를 사용하여 일정 범위의 주파수 대역 신호를 제거할 수 있다.
상기 가속 신호 데이터를 일정 기준에 따라 분류하는 단계는, 상기 가속 신호 데이터를 이미지로 변환하는 단계, 상기 이미지의 노이즈를 제거하는 단계 및 노이즈가 제거된 상기 이미지를 특징별로 분류하는 단계를 포함할 수 있다.
이때, 상기 가속 신호 데이터를 이미지로 변환하는 단계에서는, 단시간 푸리에 변환(Short-time Fourier Transform)을 적용하여, 상기 가속 신호 데이터를 스펙트로그램(Spectrogram) 이미지로 변환할 수 있다.
또한, 상기 노이즈가 제거된 상기 이미지를 특징별로 분류하는 단계는, 노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하는 단계 및 추출된 적어도 하나의 상기 이미지 특징들을 사전 생성된 분류 모델을 이용하여 분류하는 단계를 포함할 수 있다.
이때, 상기 노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하는 단계에서는, 주성분 분석(Principal Component Analysis)에 의해 이미지 특징을 추출할 수 있다.
또한, 상기 분류 모델은, 기계 학습인 서포트 벡터 머신(Support Vector Machine)에 의해 생성된 모델일 수 있다.
상기 진동 신호 데이터는 사인 주파수 스윕 신호(Sine Frequency Sweep Wave)일 수 있다.
상기 목적을 달성하기 위한 본 발명의 또다른 실시예에 따른, 물체 인식 시스템은, 대상 물체의 적어도 일부분과 접촉하고, 진동 신호 데이터를 생성하는 진동 발생 장치, 상기 대상 물체의 적어도 일부분과 접촉하고, 상기 진동 신호 데이터가 상기 대상 물체를 투과하여 생성된 3차원의 가속 신호 데이터를 측정하는 가속도 측정 장치, 상기 가속도 측정 장치로부터 수신된 가속 신호 데이터를 동기화하고, 디지털 신호 형태로 변환하여 저장하는 데이터 수집 장치 및 3차원의 상기 가속 신호 데이터를 1차원의 이미지 형태로 변환하고, 변환된 적어도 하나의 상기 이미지를 분류 모델에 의해 분류하여, 상기 대상 물체를 식별하는 물체 인식 장치를 포함한다.
그리고, 상기 물체 인식 시스템은 상기 대상 물체와의 접촉시, 외부로부터 가해지는 힘의 크기를 측정하는 힘 측정 센서를 더 포함할 수 있다.
상기 물체 인식 시스템은, 사용자의 손, 로봇 또는 기계 구조물 중 적어도 하나에 위치하여 동작할 수 있다.
이때, 사용자의 손에 장착될 경우, 사용자는, 상기 진동 발생 장치 및 상기 가속도 측정 장치의 적어도 일부분이 상기 대상 물체에 각각 접촉하도록 상기 대상 물체를 집으므로써, 상기 대상 물체를 식별할 수 있다.
한편, 상기 진동 발생 장치가 장착된 제1 블록 및 상기 제1 블록과 상기 가속도 측정 장치가 장착되고, 소정 거리 이격되어 마주하여 위치하는 제2 블록을 포함하는 기계 구조물에 장착될 경우, 상기 제1 블록 및 상기 제2 블록 사이에 상기 대상 물체가 위치되어, 상기 제1 블록 및 상기 제2 블록의 이동에 의해 상기 진동 발생 장치 및 상기 가속도 측정 장치가 상기 대상 물체와 접촉되면 상기 대상 물체를 식별할 수 있다.
상기 분류 모델은, 기계 학습인 서포트 벡터 머신(Support Vector Machine)에 의해 생성된 모델일 수 있다.
본 발명의 실시예에 따른 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템은 적어도 일부분이 접촉된 대상 물체에 특정 진동 신호를 전달하여, 상기 특정 진동 신호에 의해 발생된 상기 대상 물체의 가속 신호 데이터를 측정하고, 측정된 가속 신호 데이터를 분류 모델에 의해 분석하여 대상 물체의 속성을 식별함으로써, 대상 물체의 식별이 요구되는 물류 산업이나 공장의 컨베이어 벨트 등의 장치에 활용할 수 있으며, 로보틱스, 가상 현실 및 증강 현실, 등 혼합 현실(Mixed Reality) 혹은 실물 객체(Tangible Interface)가 적용된 컴퓨터 환경 등 다양한 기술에 활용이 가능한, 고효율 및 고정밀의 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 물체 인식 시스템의 사시도이다.
도 2는 본 발명의 일 실시예에 따른 사용자의 손에 장착된 물체 인식 시스템의 사시도이다.
도 3은 본 발명의 다른 실시예에 따른 기계 설비에 장착된 물체 인식 시스템의 사시도이다.
도 4는 본 발명의 실시예에 따른 물체 인식 시스템의 물체 인식 장치의 블록 구성도이다.
도 5는 본 발명의 실시예에 따른 물체 인식 장치의 프로세서 동작에 따른 물체 인식 방법을 설명하기 위한 순서도이다.
도 6은 본 발명의 실시예에 따른 물체 인식 방법 중 가속 신호 데이터를 분석하는 단계를 설명하기 위한 순서도이다.
도 7은 본 발명의 제1 실험예에 따른 분류 모델의 학습을 위한 물체 인식 장치의 테스트 시료별 스펙트로그램 이미지이다.
도 8은 본 발명의 제2 실험예에 따른 분류 모델의 검증을 위한 테스트 시료별 오차 행렬 이미지이다.
도 9는 본 발명의 제2 실험예에 따라, 다수의 사용자에 의해 실시된, 분류 모델의 검증을 위한 테스트 시료별 오차 행렬의 정밀도 및 재현율을 측정한 그래프이다.
도 10은 본 발명의 제3 실험예에 따른 테스트 시료와 유사한 물질로 구성된 비규격화된 대상 물체들의 이미지이다.
도 11은 본 발명의 제3 실험예에 따른 대상 물체의 최소 신호의 크기(Cut-Off)별 스펙트로그램 결과 이미지이다.
도 12는 본 발명의 제4 실험예에 따른 물성별 분류 기준이 적용된 분류 모델에 따라 분류된 대상 물체 별 오차 행렬 이미지이다.
도 13은 본 발명의 제4 실험예에 따라 분류된 대상 물체들 중 분류 일관성을 갖는 물체들을 정리한 표이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 실시예에 따른 물체 인식 시스템의 사시도이다.
도 1을 참조하면, 물체 인식 시스템은 대상 물체를 식별하는 시스템일 수 있다. 보다 구체적으로 설명하면, 물체 인식 시스템은 진동 주파수별 투과 특성에 의해 대상 물체의 속성을 인식할 수 있다. 예를 들어, 물체 인식 시스템은 대상 물체의 형태, 조립 상태 및 구성 물질 중 적어도 하나의 속성을 식별할 수 있다.
실시예에 따르면, 물체 인식 시스템은 진동 발생 장치(1000), 힘 측정 센서(2000), 가속도 측정 장치(3000), 데이터 수집 장치(4000) 및 물체 인식 장치(5000)를 포함할 수 있다. 또한, 물체 인식 시스템은 신호 증폭 장치(미도시)를 더 포함할 수 있다.
예를 들어, 물체 인식 시스템 중 진동 발생 장치(1000) 및 힘 측정 센서(2000)는 하나의 브라켓(B)에 고정된 하나의 조립체(M)로 제공될 수 있으며, 가속도 측정 장치(3000)는 별도로 분리되어 제공될 수 있다. 이에 따라, 물체 인식 시스템은 조립체(M) 및 가속도 측정 장치(3000) 사이에 대상 물체를 위치시켜, 상기 대상 물체의 적어도 일부분에 조립체(M) 및 가속도 측정 장치(3000)를 각각 접촉시킴으로써, 대상 물체를 식별할 수 있다. 상기 언급된 구성 이외에, 데이터 수집 장치(4000), 물체 인식 장치(5000) 및 신호 증폭 장치(미도시)는 앞서 개시된 바에 국한되지 않고 별도의 제약 없이 다양한 위치에 제공될 수 있다.
하기 도 2에서는 본 발명의 실시예에 따른 물체 인식 시스템을 구성별로 보다 자세히 설명하겠다.
도 2는 본 발명의 일 실시예에 따른 사용자의 손에 장착된 물체 인식 시스템의 사시도이다.
도 2를 참조하면, 물체 인식 시스템은 사용자의 손에 장착될 수 있다.
보다 구체적으로 설명하면, 물체 인식 시스템의 조립체(M)는 사용자의 손가락이 관통홀(H)에 끼워져 고정될 수 있으며, 가속도 측정 장치(3000)는 조립체(M)와 대면하는 손가락에 고정될 수 있다.
예를 들어, 조립체(M)가 사용자의 검지에 고정될 경우, 가속도 측정 장치(3000)는 검지를 제외한 네 손가락 중 어느 하나에 고정될 수 있다. 한편, 가속도 측정 장치(3000)가 사용자의 검지에 고정될 경우, 조립체(M)는 검지를 제외한 네 손가락 중 어느 하나에 고정될 수 있다.
이에 따라, 사용자가 대상 물체(D)를 집을 경우, 본 발명의 일 실시예에 따른 물체 인식 시스템의 조립체(M) 및 가속도 측정 장치(3000)는 각각 대상 물체(D)의 적어도 일부분과 접촉함으로써, 진동 발생 장치(1000)에 의해 발생된 진동의 주파수 중 상기 대상 물체(D)를 투과한 진동 주파수를 분석하여 상기 대상 물체(D)를 식별할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 기계 설비에 장착된 물체 인식 시스템의 사시도이다.
도 3을 참조하면, 물체 인식 시스템은 기계 설비에 설치될 수 있다. 여기서, 기계 설비는 공간(A)를 기준으로 양측에 각각 배치된 블록들을 포함하는 장치일 수 있다. 다시 말하면 기계 설비는 공간(A)를 기준으로 서로 마주보며 위치하는 제1 블록(P1) 및 제2 블록(P2)을 포함할 수 있다. 예를 들어, 기계 설비는 공간(A), 제1 블록(P1) 및 제2 블록(P2)을 포함하는 로봇일 수 있다.
실시예에 따라 보다 구체적으로 설명하면, 물체 인식 시스템의 조립체(M)은 제1 블록(P1)에 위치될 수 있으며, 물체 인식 시스템의 가속도 측정 장치(3000)는 제2 블록(P2)에 위치할 수 있다. 또한, 공간(A)에는 대상 물체(D)가 위치될 수 있다.
이에 따라, 공간(A)에 대상 물체가 위치될 경우, 본 발명의 다른 실시예에 따른 물체 인식 시스템 내 제1 블록(P1)에 위치한 조립체(M) 및 제2 블록(P2)에 위치한 가속도 측정 장치(3000)들은 각각 대상 물체(D)의 적어도 일부분과 접촉함으로써, 진동 발생 장치(1000)에 의해 발생된 진동의 주파수 중 상기 대상 물체(D)를 투과한 진동 주파수를 분석하여 상기 대상 물체(D)를 식별할 수 있다.
다시 도 1을 참조하면, 진동 발생 장치(1000)는 조립체(M) 및 가속도 측정 장치(3000) 사이에 위치되는 대상 물체에 진동을 전달할 수 있다.
실시예에 따라 보다 구체적으로 설명하면, 진동 발생 장치(1000)는 브라켓(B)의 일측부에 장착될 수 있다.
진동 발생 장치(1000)는 후술될 물체 인식 장치(5000)에 의해 제어될 수 있다. 이에 따라, 조립체(M) 및 가속도 측정 장치(3000) 사이에 대상 물체가 위치할 경우, 진동 발생 장치(1000)는 후술될 물체 인식 장치(5000)에 명령에 의해 상기 대상 물체에 진동 신호를 전달할 수 있다. 예를 들어, 진동 발생 장치(1000)는 보이스 코일 진동 발생 장치(Voice Coil Actuator)일 수 있다.
힘 측정 센서(2000)는 대상 물체와의 접촉시 발생하는 압력의 세기를 측정할 수 있다.
실시예에 따르면, 물체 인식 시스템이 사용자의 손에 장착될 경우, 힘 측정 센서(2000)는 관통홀(H)의 측벽에 장착될 수 있다. 이에 따라, 대상 물체를 집었을 때 상기 대상 물체로 가해지는 힘의 크기를 측정할 수 있다. 예를 들어, 힘 측정 센서(2000)는 소형의 로드 셀(Load Cell)일 수 있다.
가속도 측정 장치(3000)는 진동 발생 장치(1000)에 의해 대상 물체로부터 발생되는 가속 신호를 측정할 수 있다. 다시 말하면, 가속도 측정 장치(3000)는 앞서 설명한 바와 같이, 진동 발생 장치(1000)에 의해 발생된 진동의 주파수 중 상기 대상 물체(D)를 투과한 진동 주파수를 분석한 가속 신호 데이터를 후술될 데이터 수집 장치(4000)로 송신할 수 있다.
보다 구체적으로 설명하면, 가속도 측정 장치(3000)는 가속도 측정 센서(3100) 및 센서 커플러(3500)를 포함할 수 있다. 예를 들어, 가속도 측정 센서(3100)는 3축 피에조 일렉트릭 가속도 센서(Triaxial Piezoelectric Accelerometer)일 수 있다.
센서 커플러(3500)는 가속도 측정 센서(3100)에 의해 측정된 가속 신호 데이터를 결합하거나 또는 분배할 수 있다. 실시예에 따르면, 센서 커플러(3500)는 측정된 가속 신호 데이터를 증폭시킬 수 있다.
예를 들어, 센서 커플러(3500)는 피에조 일렉트릭 센서 커플러(Piezoelectric Sensor Coupler)로 제공될 수 있다.
데이터 수집 장치(4000)는 진동 발생 장치(1000)로 진동 발생 신호를 송신할 수 있다.
실시예에 따라 보다 구체적으로 설명하면, 데이터 수집 장치(4000)는 진동 발생 신호를 후술될 신호 증폭 장치(미도시)에 전달할 수 있다. 이후, 신호 증폭 장치(미도시)는 수신된 진동 발생 신호를 증폭시켜, 진동 발생 장치(1000)로 송신될 수 있다.
또한, 데이터 수집 장치(4000)는 가속도 측정 장치(3000)로부터 송신되는 적어도 하나의 증폭된 가속 신호 데이터를 수신할 수 있다. 실시예에 따르면, 증폭된 가속 신호 데이터는 아날로그 형태의 신호일 수 있다.
이후, 데이터 수집 장치(4000)는 아날로그 형태로 수신된 적어도 하나의 가속 신호 데이터를 디지털 신호 데이터로 변환 및 동기화하여 저장할 수 있다.
데이터 수집 장치(4000)는 후술될 물체 인식 장치(5000)의 요청시, 디지털 신호로 변환된 적어도 하나의 가속 신호 데이터를 물체 인식 장치(5000)로 송신할 수 있다.
실시예에 따르면, 데이터 수집 장치(4000)는 20KHz 속도로 동작할 수 있다.
물체 인식 장치(5000)는 대상 물체를 식별하기 위한 장치로, 물체 인식 시스템 내 진동 발생 장치(1000), 힘 측정 센서(2000), 데이터 수집 장치(4000) 및 신호 증폭 장치(미도시)와 연동하여, 상기 구성들(1000, 2000, 4000, 미도시)을 제어할 수 있다. 물체 인식 장치(5000)에 대해서는 하기 도 4를 참조하여 보다 자세히 설명하겠다.
도 4는 본 발명의 실시예에 따른 물체 인식 시스템의 물체 인식 장치의 블록 구성도이다.
도 4를 참조하면, 물체 인식 장치(5000)는 메모리(5100) 및 프로세서(5500)를 포함할 수 있다.
메모리(5100)는 후술될 프로세서(5500)를 수행하기 위한 적어도 하나의 명령을 포함할 수 있다.
실시예에 따르면, 적어도 하나의 명령은 진동 발생 장치에 의해, 진동 신호 데이터를 재생하도록 제어하는 명령, 가속도 측정 장치에 의해, 상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 제어하는 명령, 측정된 상기 가속 신호 데이터를 수신하도록 하는 명령, 수신된 가속 신호 데이터를 여 분석하도록 하는 명령 및 분석된 상기 가속 신호 데이터를 이용하여, 상기 대상 물체를 식별하도록 하는 명령을 포함할 수 있다.
메모리(5100)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(5100)는 읽기 전용 메모리(read only memory; ROM) 및/또는 랜덤 액세스 메모리(random access memory; RAM)로 구성될 수 있다.
프로세서(5500)는 앞서 설명된 바와 같이, 메모리(5100) 내 적어도 하나의 명령에 따라 동작할 수 있다. 프로세서(5500)의 동작은 물체 인식 장치를 이용한 물체 인식 방법의 설명시 보다 구체적으로 설명하겠다.
다시 도 3을 참조하면, 물체 인식 시스템은 신호 증폭 장치(미도시)를 포함할 수 있다. 신호 증폭 장치(미도시)는 앞서 설명한 바와 같이, 상기 데이터 수집 장치(4000)에 의해 수신된 진동 발생 신호를 증폭시켜 진동 발생 장치(1000)로 송신할 수 있다.
도 5는 본 발명의 실시예에 따른 물체 인식 장치의 프로세서 동작에 따른 물체 인식 방법을 설명하기 위한 순서도이다.
도 5를 참조하면, 물체 인식 장치(5000) 내 프로세서(5500)는 힘 측정 센서(2000)에 의해, 대상 물체에 가해지는 힘의 크기를 측정할 수 있다(S1000). 예를 들어, 힘 측정 센서(2000)는 0 내지 14.71N 영역의 힘의 크기를 측정할 수 있다.
일 실시예에 따르면, 프로세서(5500)는 물체 인식 장치(5000)가 사용자의 손에 장착될 경우, 사용자가 대상 물체를 집었을 때 발생하는 힘의 크기를 측정할 수 있다.
다른 실시예에 따르면, 프로세서(5500)는 물체 인식 장치(5000)가 로봇 등 적어도 하나의 기계 구조물에 설치될 경우, 대상 물체의 적어도 일부분과 접촉되었을 때 발생하는 힘의 크기를 측정할 수 있다.
프로세서(5500)는 진동 발생 장치(1000)에 의해 시간에 따라 주파수가 변하는 디지털 신호 데이터를 출력시킬 수 있다(S2000).
실시예에 따르면, 프로세서(5500)는 진동 신호 데이터를 재생하도록 진동 발생 장치(1000)를 직접 제어하거나 또는 데이터 수집 장치(4000)를 통해, 데이터 수집 장치(1000)로 진동 발생 신호를 송신하여 진동 발생 장치(1000)를 제어할 수 있다.
예를 들어, 진동 신호 데이터는 사인 주파수 스윕 신호(Sine Frequency Sweep Wave)일 수 있다. 보다 구체적으로 설명하면, 프로세서(5500)는 힘의 크기가 1.96N를 기준으로 10%의 허용 오차 범위에 0.5초 정도 유지될 경우, 50-500Hz까지 0.5초 동안 선형적으로 변화되는 사인파(sine wave) 형태의 주파수 스윕 신호(Sine Frequency Sweep Wave)를 출력할 수 있다.
이후, 프로세서(5500)는 데이터 수집 장치(4000)로부터 적어도 하나의 가속 신호 데이터를 획득할 수 있다(S3000). 다시 말하면, 프로세서(5500)는 가속도 측정 장치(3000)로부터 송신된 적어도 하나의 가속 신호 데이터를 데이터 수집 장치(4000)로부터 수신할 수 있다.
여기서, 데이터 수집 장치(4000)로부터 수신된 적어도 하나의 가속 신호 데이터는 앞서 설명한 바와 같이, 디지털 형태로 변환된 가속 신호 데이터일 수 있다. 예를 들어, 가속 신호 데이터는 3축 가속 신호 데이터일 수 있다.
따라서, 본 발명의 실시예에 따른 물체 인식 장치(5000)는 대상 물체와의 결합 방향, 다시 말해, 사용자가 대상 물체를 집는 방향 또는 로봇 또는 기계 설비에 대상 물체가 위치된 방향에 관계 없이 가속 신호 데이터를 용이하게 측정할 수 있다.
프로세서(5500)는 획득한 적어도 하나의 가속 신호 데이터를 분석할 수 있다(S4000). 보다 구체적으로 설명하면, 프로세서(5500)는 획득한 적어도 하나의 가속 신호 데이터를 전처리하여, 일정 기준에 따라 분류할 수 있다. 가속 신호 데이터를 분석하는 단계(S4000)는 하기 도 6에서 보다 자세히 설명하겠다.
도 6은 본 발명의 실시예에 따른 물체 인식 방법 중 가속 신호 데이터를 분석하는 단계를 설명하기 위한 순서도이다.
도 6을 참조하면, 프로세서(5500)는 수신된 적어도 하나의 가속 신호 데이터를 전처리 할 수 있다(S4100).
보다 구체적으로 설명하면, 프로세서(5500)는 적어도 하나의 가속 신호 데이터를 1차원 신호 데이터로 변환할 수 있다(S4110).
실시예에 따르면, 프로세서(5500)는 알고리즘 모델을 이용하여 3차원으로 측정된 가속 신호 데이터를 1차원 형태로 변환할 수 있다.
이후, 프로세서(5500)는 대역 통과 필터를 사용하여, 변환된 1차원의 가속 신호 데이터의 노이즈를 제거할 수 있다(S4150). 실시예에 따르면, 프로세서(5500)는 고역 통과 필터(High Pass Filter)를 사용하여, 5Hz 이하의 낮은 주파수 대역 신호를 제거할 수 있다.
본 발명의 실시예에 따른 물체 인식 방법은 가속 신호 데이터를 분석하기 전, 전처리 단계(S4100)를 실시함으로써, 고안정성 및 고신뢰성의 대상 물체 식별이 가능할 수 있다.
이후, 프로세서(5500)는 분류 모델을 이용하여, 전처리된 가속 신호 데이터를 분류할 수 있다(S4500).
실시예에 따르면, 프로세서(5500)는 단시간 푸리에 변환 (Short-time Fourier Transform)을 적용하여 가속 신호 데이터를 이미지로 변환할 수 있다(S4510). 보다 구체적으로 설명하면, 1축 신호로 합쳐진 0.5초의 가속 신호 데이터는 0.025초의 너비를 가지는 해닝 윈도우(Hanning Window)를 0.005초 간격으로 이동시킴으로써 총 96개의 단위 신호로 나누어질 수 있다. 이때, 각 단위 신호는 2048개의 길이를 가지는 이산 푸리에 변환(Discrete Fourier Transform)을 통해서 주파수 영역의 정보를 표현할 수 있다. 이에 따라, 프로세서(5500)는 스팩트로그램 이미지를 획득할 수 있다. 예를 들어, 프로세서(5500)는 96×1025의 크기를 가지는 스펙트로그램(Spectrogram)이 도출될 수 있다.
프로세서(5500)는 도출된 스펙트로그램 이미지를 정제할 수 있다. 다시 말하면, 프로세서(5500)는 도촐된 스펙트로그램 이미지의 노이즈를 제거할 수 있다(S4530).
실시예에 따르면, 프로세서(5500)는 신호 대 잡음비(Signal to Noise Ratio)를 설정하여, 스펙트로그램 이미지를 정제할 수 있다. 이때, 프로세서(5500)는 스펙트로그램 이미지에 표현되는 최소 신호의 크기(Cut-Off)를 데시벨(dB) 단위로 설정할 수 있다.
이후, 프로세서(5500)는 노이즈가 제거된 스펙트로그램 이미지를 분류할 수 있다(S4550).
보다 구체적으로 설명하면, 프로세서(5500)는 정제된 개별 스펙트로그램 이미지로부터 각각 이미지 특징을 추출할 수 있다.
실시예에 따르면, 프로세서(5500)는 비지도 방식(Unsupervised)인 주성분 분석(Principal Component Analysis)을 수행하여, 이미지 특징을 추출할 수 있다.
이후, 프로세서(5500)는 사전 학습된 학습 모델을 이용하여 추출된 적어도 하나의 이미지 특징을 분류할 수 있다.
이때, 사전 학습된 분류 모델은 상기 적어도 하나의 이미지 특징을 이용하여 학습된 모델일 수 있다. 실시예에 따르면, 프로세서(5500)는 서포트 벡터 머신(Support Vector Machine)을 사용하여 성능 검증이 완료된 분류 모델을 생성할 수 있다. 분류 모델을 학습하는 방법은 후술될 본 발명의 실험예들에 따른 물체 인식 시스템을 이용한 대상 물체의 식별 방법의 설명시 보다 자세히 설명하겠다.
다시 도 5를 참조하면, 프로세서(5500)는 대상 물체의 형태, 재질 등의 속성을 식별할 수 있다(S5000).
이상, 본 발명의 실시예에 따른 물체 인식 장치의 프로세서 동작에 따른 물체 인식 방법을 설명하였다.
이하에서는 본 발명의 실험예들에 따라 물체 인식 시스템을 이용한 분류 모델 학습 방법을 설명하겠다.
본 발명의 실험예들에 따른 물체 인식 시스템을 이용한 분류 모델 학습 및 검증
본 발명의 후술될 제1 내지 제3 실험예들에 따른 분류 모델의 학습을 위해, 사용자의 손에 착용 가능한 형태의 물체 인식 시스템을 준비하였다. 상기 물체 인식 시스템은 TSR-832 물질을 이용하여 3D 프린팅한 브라켓(B)에 진동 생성 장치(1000)인 50 이상 내지 500Hz 미만의 주파수 스윕 신호를 출력하는 보이스 코일 진동 발생 장치(Voice Coil Actuator) 및 힘 측정 센서(2000)인 0 이상 내지 14.71N 미만의 힘의 크기를 측정하는 소형 로드셀(Load Cell)이 장착된 조립체(M)와, 가속도 측정 장치(30000)인 3축 피에조 일렉트릭 가속도 센서(Triaxial Piezoelectric Accelerometer) 및 피에조 일렉트릭 센서 커플러(Piezoelectric Sensor Coupler), 데이터 수집 장치(4000)인 20KHz의 속도로 동작하는 USB(Universal Serial Bus) 및 신호 증폭 장치(미도시)인 클래스-AB 오디오 엠프(Class-AB Audio Amp)를 준비하였다. 또한, 상기 데이터 수집 장치(4000)와 연결되어 각 구성들을 제어하는 물체 인식 장치(5000)인 PC를 준비하였다.
여기서, 보이스 코일 진동 발생 장치로는 Tactile Labs 사의 Haptuator MM3C-HF 모델을 사용하였고, 소형 로드셀으로는 TE Connectivity 사의 FS2050-0000-1500-G 모델을 사용하였으며, 또한, 3축 피에조 일렉트릭 가속도 센서로는 Kisler 사의 Type8765A250M5 모델을 사용하였으며, 피에조 일렉트릭 센서 커플러는 Kisler 사의 Type 5134A 모델을 사용하였다. 그리고, USB는 National Instruments 사의 USB-6251 모델을 사용하였으며, 클래스-AB 오디오 엠프는 Texas Instruments 사의 TPA6211A1 모델을 사용하였다.
이후, 도 2와 같이, 보이스 코일 진동 발생 장치 및 소형 로드셀이 포함된 조립체(M)를 중지 손가락에 장착하고, 3축 피에조 일렉트릭 센서 및 피에조 일렉트릭 센서 커플러를 엄지 손가락에 장착하여, 대상 물체별 가속 신호 데이터를 측정하였다.
대상 물체별 가속 신호 데이터 측정시, 물체 인식 장치(5000)인 PC에 의해 3축 피에조 일렉트릭 센서 및 피에조 일렉트릭 센서 커플러로부터 획득한 가속 신호 데이터를 1차원 신호로 변환하여, 5Hz 이하의 주파수 대역 신호들을 제거하였다. 이때, 고역 통과 필터(High Pass Filter)로, 통과 대역의 신호 훼손을 방지하기 위해 쉐비쉐브 2형(Chevyshev type2)을 사용하였으며, 스탑밴드 주파수(Stopband Frequency) 5Hz, 패스밴드 주파수(Passband Frequency) 50Hz, 스탑밴드 감쇄비(Stopband Attenuation) 100dB의 필터를 적용하였다.
이후, 0.025초의 해닝 윈도우(Hanning Window)를 0.005초 간격으로 이동시켜, 0.5초의 1차원 가속 신호를 총 96개의 단위 신호로 분할하고, 2048개의 길이를 가지는 이산 푸리에 변환(Discrete Fourier Transform)에 의해 상기 개별 단위 신호의 주파수 영역 정보를 표현하는 96Х1025 크기의 스펙트로그램(Spectrogram) 이미지를 도출하였다.
이때, 각 스펙트로그램(Spectrogram)은 신호 대 잡음비(Signal to Noise Ratio)를 설정하여 -38dB이하의 신호를 제거함으로써, 측정 노이즈 및 물체의 구조에 의해서 발생하는 진동 파형을 제거하였다.
이후, 노이즈가 제거된 스펙트로그램(Spectrogram) 이미지를 대상으로 비지도 방식(Unsupervised)을 이용하는 주성분 분석(Principal Component Analysis)을 수행하여, 상기 스펙트로그램(Spectrogram) 이미지로부터 주성분 이미지 특징들을 추출하였다.
이후, 서포트 벡터 머신(Support Vector Machine)을 이용하여, 추출된 주성분 이미지 특징들을 학습하여 분석 모델 생성하였다.
도 7은 본 발명의 제1 실험예에 따른 분류 모델의 학습을 위한 물체 인식 장치의 테스트 시료별 스펙트로그램 이미지이다.
도 7을 참조하면, 고정밀한 물체 인식 장치의 분류 모델 적용을 위해, 테스트 시료들을 대상으로 생성되는 분류 모델을 학습하였다.
여기서, 테스트 시료들은 총 16개의 동일한 형태를 가진 입방체(각 변 35mm)의 입방체들로 준비하였다. 상기 입방체들은 각각 서로 다른 기계적 특성을 갖을 것으로 예상되는 종이 400장, 실리콘 2종 (Smooth-on; Ecoflex0030, Dragonskin10NV), 고무 실리콘 2종 (Smooth-on; Moldstar30A, VytaFlex60A), EVA, 고무찰흙, 나무, 플라스틱(베이클라이트, 아크릴), 금속(티타늄, 알루미늄, 철), 스펀지(고강도 30K, 고탄성 HR-25, 고탄성 K-35) 등의 단일 물질로 개별 제작되었다.
테스트 시료를 이용한 물체 인식 시스템의 분류 모델 학습시, 한 명의 사용자가 테스트 시료별로 20회씩 총 320회 실시되었다.
이때, 최소 신호의 크기(Cut-Off)는 노이즈가 최소화되는 -38dB로 설정하였다.
테스트 시료들의 스펙트로그램 이미지를 분류하기 이전에, 각 이미지의 특징(Feature)을 파악하기 위하여 비지도 방식(Unsupervised)으로 이미지의 특징 추출을 수행하는 주성분 분석(Principal Component Analysis)을 수행하였다. 주성분 분석을 통해서 추출된 319개의 주성분은 특징(Feature)으로써 분류 모델의 학습 및 학습된 스펙트로그램 이미지 분류에 사용되었다.
테스트 시료들을 이용하여 학습된 분류 모델을 물체 인식 시스템에 적용한 후 검증을 실시하였으며, 94.4%의 정확도(Accuracy)가 도출되는 것을 확인하였다.
이하 도 8 내지 도 13에서는 도 7에 의해 학습된 분류 모델에 변수를 적용하여, 상기 분류 모델의 분류 정확도를 검증하는 제2 내지 제 4 실험예들에 대해 설명하겠다.
먼저, 도 8 및 도 9는 본 발명의 제2 실험예에 따른, 다수의 사용자들이 실시했을 때의 분류 모델의 분류 정확도를 검증하기 위한 이미지들이다. 보다 구체적으로, 도 8은 상기 분류 모델에 따라 분류된 테스트 시료별 오차 행렬 이미지이며, 도 9는 상기 분류 모델의 검증을 위해 다수의 사용자들에 의해 실시된 테스트 시료별 오차 행렬의 정밀도 및 재현율을 측정한 그래프이다.
도 8 및 도 9를 참조하면, 도 7에서 학습된 분류 모델을 이용하여 동일한 테스트 시료들을 대상으로, 총 20명의 다른 사용자에 의해 물체 인식 테스트를 실시하였다.
추출된 319개의 주성분 이미지 특징들을 이용하여, 학습된 분류 모델을 검증하였으며, 다수의 사용자들이 실시했을때의 분류 모델의 분류 정확도 92.5%의 정확도와 93.7%의 정밀도(Precision)가 도출됨을 확인하였다.
이에 따라, 본 발명의 제2 실험예에 따라 상기 분류 모델은 다수에 사용자가 사용하여도 정확한 물체 인식이 가능함을 확인할 수 있다.
도 10 및 도 11은 본 발명의 제3 실험예에 따른, 비규격화된 형태의 대상 물체들을 적용했을 때의 분류 모델의 분류 정확도를 검증하기 위한 이미지들이다.
보다 구체적으로, 도 10은 테스트 시료와 유사한 물질로 구성된 비규격화된 대상 물체들의 이미지이며, 도 11은 대상 물체의 최소 신호의 크기(Cut-off)별 스펙트로그램 이미지이다.
도 10 및 도 11을 참조하면, 본 발명의 제3 실험예에 따른 물체 인식 장치의 성능 평가를 위해, 상기 제2 실험예에 의해 검증된 분류 모델을 적용하여, 비규격화된 대상 물체들을 대상으로 물체 인식 테스트를 실시하였다.
먼저, 대상 물체로는 풀(Glue), 화장지(Tissue), 치약(Toothpaste), 스폰지(Sponge), 손가락(Phalanx), 젤리(Jelly), 손목 패드(Wrist Pad), 손목 밴드(Wrist Band), 러버볼(Rubber Ball), PU볼(Polyurethane Ball), 지우개(Eraser), 팬(Pen), 시계(Clock), 나무 판자(Wooden Plate), 화장품(Cosmetics), 스프레이(Spray), 향수(Perfume), 휴대폰(Mobile Phone), 멀티플러그(Multi-Plug), 이어플러그(Earplug) 등 재질, 상태 및 크기가 다른 25개의 일반적인 물건들을 준비하였다.
이후, 제2 실험예에서와 같이, 총 20명의 다른 사용자에 의해 대상 물체별 물체 인식 테스트를 2번 진행하여 데이터를 획득하고, 데이터들을 훈련 데이터 및 검증 데이터로 1:1 분류하여, 비규격화된 대상 물체를 적용하였을 때의 물체 인식 장치의 분류 모델을 검증하였다.
검증 결과, 비규격화된 대상 물체를 적용하였을 때의 물체 인식 장치의 분류 모델의 분류 정확도는 93.1%가 도출되었다.
이때, 최소 신호의 크기(Cut-Off)는 노이즈 신호 발생이 최소화되는 -60dB로 설정하였다. 상기 설정값(-60dB)은 -40dB로부터 -100dB까지 최소 신호의 크기(Cut-off)를 조절하면서 스펙트로그램 이미지 상에 신호가 명확하게 표현되는 실험 값을 적용한 것이다. 도 11의 실험 결과를 참조하면, 최소 신호의 크기(Cut-Off)가 -60dB일 때, 대상 물체의 고조파(Harmonic) 및 반사파에 의한 진동 특성이 명확하게 표현되는 것을 확인할 수 있다.
이에 따라, 본 발명의 제3 실험예에 따른 물체 인식 장치의 분류 모델은 비규격화된 대상 물체들에 대해서도 정확한 물체 인식이 가능함을 확인할 수 있다.
이후, 기존에 학습되지 않은 임의의 물체에 대한 인식 분류가 가능하도록, 상기 제1 실험예에서 학습된 분류 모델에 물성별 분류 기준(Standard Object)을 적용하였다. 그리고, 이에 따른 물체 인식 테스트를 진행하여 분류 정확도를 검증하는 제4 실험을 실시하였다.
본 발명의 제4 실험예에 대해 보다 자세히 설명하면, 상기 대상 물체들을 바탕으로 물성별 분류 기준(Standard Object)을 생성하였다.
실시예에 따르면, 앞서 도 10에 개시된 대상 물체들을 대상으로, 물성(Feature)에 따라 특정 기준(Standard Object, A~P)에 따라 분류하였다. 보다 구체적으로, 탄력(Elastic) 및 점성(Viscous)을 갖는, 젖은 스펀지(Wet Sponge), 젤리(Jelly) 및 손목 패드(Wrist Pad) 등의 대상 물체들은 소프트한 실리콘(Soft silicone)의 특성으로 대표되는 B군으로 분류하고, 탄력(Very Elastic)이 강하고 점성(Viscous)이 있는 엄지 손가락(1st Phalanx), 러버볼(Rubber Ball) 및 이어플러그(Earplug) 등의 대상 물체들은 강한 실리콘(stretch silicone)의 특성으로 대표되는 C군으로 분류하며, PU볼(Polyurethane Ball)과 같이, 탄력성(Highly elastic)이 매우 강한 특성을 갖는 대상 물체들은 고무(Rubber)의 특성으로 대표되는 D군으로 분류하고, 부드러운 지우개(Elastic eraser)와 같이 탄력(elastic)을 갖고 약간의 점성(Viscous)을 있는 대상 물체들은 EVA(Ethylene Vinyl Acetate Copolymer)의 특성으로 대표되는 F군으로 분류하였다.
또한, 물풀(Wet glue)과 같이, 점성(Viscous)을 갖는 대상 물체들은 고무 점토(Rubber Clay)의 특성으로 대표되는 G군으로 분류하고, 나무 판자(Wooden Plate)와 같이 단단한 나무 재질들로 이뤄진 대상 물체들은 나무 재질로 대표되는 H군으로 분류하며, 딱딱한 지우개(Hard Eraser), 펜(Pen) 및 작은 시계(Small Clock) 등과 같이 가볍고 단단한 대상 물질들은 단단한 고무 재질로 대표되는 E군으로 분류하고, 화장품(Cosmetics) 등의 가볍고 단단한 질감의 대상 물질들은 플라스틱 재질로 대표되는 I 및 J군으로 분류하였다.
마지막으로, 휴대폰(Mobile Phone), 향수(Perfume) 및 멀티플러그(Multi-plug) 등의 무겁고 단단한 재질의 대상 물체들은 금속을 대표하는 L 및 M군으로 분류하였다.
이후, 물성의 특징별로 A-J까지 분류된 분류 기준(Standard Object)을 분석 모델에 반영하여, 이를 적용한 물체 인식 장치의 성능 평가를 실시하였다.
상기 성능 평가는 총 20명의 다른 사용자가 물질의 특성별 분류 기준이 반영된 분류 모델에 대상 물체를 적용하는 형태로 진행하였다.
상기 제3 실험예에서와 같이, 총 25개의 대상 물체를 가지고 실험하였으며, 최소 신호의 크기(Cut-Off)는 노이즈 신호 발생이 최소화되는 -38dB로 설정하였다.
이후, 사용자들이 대상 물체별로 각각 2번씩 테스트를 진행하여, 대상 물체별 분류 일관성을 확인하였다.
도 12 및 도 13은 본 발명의 제4 실험예에 따라, 물성별 분류 기준이 적용된 분류 모델을 검증하기 위한 이미지들이다. 보다 구체적으로, 도 12는 물성별 분류 기준이 적용된 분류 모델에 따라 분류된 대상 물체 별 오차 행렬 이미지이고, 도 13은 상기 분류 기준에 따라 분류된 대상 물체들 중 분류 일관성을 갖는 물체들을 정리한 표이다.
도 12에 따른 물성별 분류 기준에 따라 분류된 대상 물체들의 테스트 결과를 분석하면, 도 13에서와 같이, 대상 물체들 중 B군에 속하는 젖은 스펀지(Wet Sponge), 젤리(Jelly) 및 손목 패드(Wrist Pad), C군에 속하는 엄지 손가락(1st Phalanx), 러버볼(Rubber Ball) 및 이어플러그(Earplug), D군에 속하는 PU볼(Polyurethane Ball), F군에 속하는 부드러운 지우개(Elastic eraser), G군에 속하는 물풀(Wet glue), H군에 속하는 나무 판자(Wooden Plate), E군에 속하는 딱딱한 지우개(Hard Eraser), 펜(Pen) 및 작은 시계(Small Clock), I 및 J군에 속하는 화장품(Cosmetics) 및 L 및 M군에 속하는 휴대폰(Mobile Phone), 향수(Perfume) 및 멀티플러그(Multi-plug)들이 70% 이상의 분류 일관성을 갖는 것으로 확인되었다.
이상, 본 발명의 실시예에 따른 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템을 설명하였다.
본 발명의 실시예에 따른 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템은 적어도 일부분이 접촉된 대상 물체에 특정 진동 신호를 전달하여, 상기 특정 진동 신호에 의해 발생된 상기 대상 물체의 가속 신호 데이터를 측정하고, 측정된 가속 신호 데이터를 분류 모델에 의해 분석하여 대상 물체의 속성을 식별함으로써, 대상 물체의 식별이 요구되는 물류 산업이나 공장의 컨베이어 벨트 등의 장치에 활용할 수 있으며, 로보틱스, 가상 현실 및 증강 현실, 등 혼합 현실(Mixed Reality) 혹은 실물 객체(Tangible Interface)가 적용된 컴퓨터 환경 등 다양한 기술에 활용이 가능한, 고효율 및 고정밀의 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템을 제공할 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
1000: 진동 발생 장치 2000: 힘 측정 센서
3000: 가속도 측정 장치 3100: 가속도 측정 센서
3500: 센서 커플러 4000: 데이터 수집 장치
5000: 물체 인식 장치 5100: 메모리
5500: 프로세서

Claims (33)

  1. 대상 물체의 적어도 일부분과 접촉하여, 상기 대상 물체를 식별하는 물체 인식 장치에 있어서,
    메모리(memory); 및
    상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되,
    상기 적어도 하나의 명령은,
    진동 신호 데이터를 재생하도록 진동 발생 장치를 제어하는 명령,
    상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 명령,
    측정된 상기 가속 신호 데이터를 수신하도록 하는 명령,
    수신된 가속 신호 데이터를 분석하도록 하는 명령, 및
    분석된 상기 가속 신호 데이터를 이용하여, 상기 대상 물체를 식별하도록 하는 명령을 포함하되,
    상기 가속 신호 데이터를 분석하도록 하는 명령은,
    상기 가속 신호 데이터를 이미지로 변환하도록 하는 명령,
    상기 이미지의 노이즈를 제거하도록 하는 명령, 및
    노이즈가 제거된 상기 이미지를 특징별로 분류하도록 하는 명령을 포함하는, 물체 인식 장치.
  2. 제1 항에 있어서,
    힘 측정 센서에 의해, 상기 대상 물체에 가해지는 힘의 크기를 측정하도록 제어하는 명령을 더 포함하는, 물체 인식 장치.
  3. 제2 항에 있어서,
    상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 명령은,
    상기 힘 측정 센서에 의해 측정된 힘의 크기가 특정 조건을 만족할 경우 상기 가속도 측정 장치를 실행하도록 제어하는 명령, 및
    상기 가속도 측정 장치에 의해, 상기 진동 신호 데이터가 상기 대상 물체를 투과함으로써 발생되는, 적어도 하나의 가속 신호 데이터를 획득하도록 제어하는 명령을 포함하는, 물체 인식 장치.
  4. 제3 항에 있어서,
    상기 특정 조건은,
    특정 오차 범위 이내의 힘의 크기, 또는 특정 힘의 크기를 유지하는 시간 조건 중 적어도 하나를 포함하는, 물체 인식 장치.
  5. 제1 항에 있어서,
    상기 가속 신호 데이터는 데이터 수집 장치로부터 수신하되,
    상기 데이터 수집 장치에는 상기 가속도 측정 장치로부터 수신된 적어도 하나의 가속 신호 데이터가 디지털 신호 형태로 변환되어 저장되는, 물체 인식 장치.
  6. 제1 항에 있어서,
    상기 가속 신호 데이터를 분석하도록 하는 명령은,
    상기 가속 신호 데이터를 이미지로 변환하도록 하는 명령 이전에, 상기 가속 신호 데이터를 전처리하도록 하는 명령을 더 포함하는, 물체 인식 장치.
  7. 제6 항에 있어서,
    상기 가속 신호 데이터를 전처리하도록 하는 명령은,
    3차원의 상기 가속 신호 데이터를 1차원 형태로 변환하도록 하는 명령, 및
    상기 1차원의 가속 신호 데이터 노이즈를 제거하도록 하는 명령을 포함하는, 물체 인식 장치.
  8. 제7 항에 있어서,
    상기 1차원의 가속 신호 데이터 노이즈를 제거하도록 하는 명령에서는, 대역 통과 필터를 사용하여 일정 범위의 주파수 대역 신호를 제거하는, 물체 인식 장치.
  9. 삭제
  10. 제1 항에 있어서,
    상기 가속 신호 데이터를 이미지로 변환하도록 하는 명령에서는, 단시간 푸리에 변환(Short-time Fourier Transform)을 적용하여, 상기 가속 신호 데이터를 스펙트로그램(Spectrogram) 이미지로 변환하는, 물체 인식 장치.
  11. 제1 항에 있어서,
    상기 노이즈가 제거된 상기 이미지를 특징별로 분류하도록 하는 명령은,
    노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하도록 하는 명령, 및
    추출된 적어도 하나의 상기 이미지 특징들을 사전 생성된 분류 모델을 이용하여 분류하도록 하는 명령을 포함하는, 물체 인식 장치.
  12. 제11 항에 있어서,
    상기 노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하도록 하는 명령에서는, 주성분 분석(Principal Component Analysis)에 의해 이미지 특징을 추출하는, 물체 인식 장치.
  13. 제11 항에 있어서,
    상기 분류 모델은, 기계 학습인 서포트 벡터 머신(Support Vector Machine)에 의해 생성된 모델인, 물체 인식 장치.
  14. 대상 물체의 적어도 일부분과 접촉하여 상기 대상 물체를 식별하는 물체 인식 장치를 이용하는 물체 인식 방법에 있어서,
    진동 신호 데이터를 재생하도록 진동 발생 장치를 제어하는 단계;
    상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 단계;
    측정된 상기 가속 신호 데이터를 수신하는 단계;
    수신된 상기 가속 신호 데이터를 분석하는 단계; 및
    분석된 상기 가속 신호 데이터를 이용하여, 상기 대상 물체를 식별하는 단계를 포함하되,
    상기 가속 신호 데이터를 분석하도록 하는 단계는,
    상기 가속 신호 데이터를 이미지로 변환하는 단계;
    상기 이미지의 노이즈를 제거하는 단계; 및
    노이즈가 제거된 상기 이미지를 특징별로 분류하는 단계를 포함하는, 물체 인식 방법.
  15. 제14 항에 있어서,
    힘 측정 센서에 의해, 상기 대상 물체에 가해지는 힘의 크기를 측정하도록 제어하는 단계를 더 포함하는, 물체 인식 방법.
  16. 제15 항에 있어서,
    상기 대상 물체로부터 발생되는 가속 신호 데이터를 측정하도록 가속도 측정 장치를 제어하는 단계는,
    상기 힘 측정 센서에 의해 측정된 힘의 크기가 특정 조건을 만족할 경우 상기 가속도 측정 장치를 실행하도록 제어하는 단계; 및
    상기 가속도 측정 장치에 의해, 상기 진동 신호 데이터가 상기 대상 물체를 투과하여 발생되는, 적어도 하나의 가속 신호 데이터를 획득하도록 제어하는 단계를 포함하는, 물체 인식 방법.
  17. 제16 항에 있어서,
    상기 특정 조건은,
    특정 오차 범위 이내의 힘의 크기, 또는 특정 힘의 크기를 유지하는 시간 조건 중 적어도 하나를 포함하는, 물체 인식 방법.
  18. 제14 항에 있어서,
    상기 가속 신호 데이터는 데이터 수집 장치로부터 수신하되,
    상기 데이터 수집 장치에는 상기 가속도 측정 장치로부터 수신된 적어도 하나의 가속 신호 데이터가 디지털 신호 형태로 변환되어 저장되는, 물체 인식 방법.
  19. 제14 항에 있어서,
    상기 가속 신호 데이터를 분석하는 단계는,
    상기 가속 신호 데이터를 이미지로 변환하는 단계 이전에, 상기 가속 신호 데이터를 전처리하는 단계를 더 포함하는, 물체 인식 방법.
  20. 제19 항에 있어서,
    상기 가속 신호 데이터를 전처리하는 단계는,
    3차원의 상기 가속 신호 데이터를 1차원 형태로 변환하는 단계; 및
    상기 1차원의 가속 신호 데이터 노이즈를 제거하는 단계를 포함하는, 물체 인식 방법.
  21. 제20 항에 있어서,
    상기 1차원의 가속 신호 데이터 노이즈를 제거하는 단계에서는, 대역 통과 필터를 사용하여 일정 범위의 주파수 대역 신호를 제거하는, 물체 인식 방법.
  22. 삭제
  23. 제14 항에 있어서,
    상기 가속 신호 데이터를 이미지로 변환하는 단계에서는, 단시간 푸리에 변환(Short-time Fourier Transform)을 적용하여, 상기 가속 신호 데이터를 스펙트로그램(Spectrogram) 이미지로 변환하는, 물체 인식 방법.
  24. 제14 항에 있어서,
    상기 노이즈가 제거된 상기 이미지를 특징별로 분류하는 단계는,
    노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하는 단계; 및
    추출된 적어도 하나의 상기 이미지 특징들을 사전 생성된 분류 모델을 이용하여 분류하는 단계를 포함하는, 물체 인식 방법.
  25. 제24 항에 있어서,
    상기 노이즈가 제거된 상기 이미지로부터 적어도 하나의 이미지 특징들을 추출하는 단계에서는, 주성분 분석(Principal Component Analysis)에 의해 이미지 특징을 추출하는, 물체 인식 방법.
  26. 제24 항에 있어서,
    상기 분류 모델은, 기계 학습인 서포트 벡터 머신(Support Vector Machine)에 의해 생성된 모델인, 물체 인식 방법.
  27. 제14 항에 있어서,
    상기 진동 신호 데이터는 사인 주파수 스윕 신호(Sine Frequency Sweep Wave)인, 물체 인식 방법.
  28. 대상 물체의 적어도 일부분과 접촉하고, 진동 신호 데이터를 생성하는 진동 발생 장치;
    상기 대상 물체의 적어도 일부분과 접촉하고, 상기 진동 신호 데이터가 상기 대상 물체를 투과하여 생성된 3차원의 가속 신호 데이터를 측정하는 가속도 측정 장치;
    상기 가속도 측정 장치로부터 수신된 가속 신호 데이터를 동기화하고, 디지털 신호 형태로 변환하여 저장하는 데이터 수집 장치; 및
    3차원의 상기 가속 신호 데이터를 1차원 이미지 형태로 변환하고, 변환된 적어도 하나의 상기 이미지의 노이즈를 제거하여 분류 모델에 의해 특징별로 분류함으로써, 상기 대상 물체를 식별하는 물체 인식 장치를 포함하는, 물체 인식 시스템.
  29. 제28 항에 있어서,
    상기 대상 물체와의 접촉시, 외부로부터 가해지는 힘의 크기를 측정하는 힘 측정 센서를 더 포함하는, 물체 인식 시스템.
  30. 제28 항에 있어서,
    사용자의 손, 로봇 또는 기계 구조물 중 적어도 하나에 위치하여 동작하는, 물체 인식 시스템.
  31. 제30 항에 있어서,
    사용자의 손에 장착될 경우,
    사용자는 상기 진동 발생 장치 및 상기 가속도 측정 장치의 적어도 일부분이 상기 대상 물체에 각각 접촉하도록 상기 대상 물체를 집으므로써 상기 대상 물체를 식별하는, 물체 인식 시스템.
  32. 제30 항에 있어서,
    상기 진동 발생 장치가 장착된 제1 블록 및 상기 제1 블록과 상기 가속도 측정 장치가 장착되고, 소정 거리 이격되어 마주하여 위치하는 제2 블록을 포함하는 기계 구조물에 장착될 경우,
    상기 제1 블록 및 상기 제2 블록 사이에 상기 대상 물체가 위치되어, 상기 제1 블록 및 상기 제2 블록의 이동에 의해 상기 진동 발생 장치 및 상기 가속도 측정 장치가 상기 대상 물체와 접촉되면 상기 대상 물체를 식별하는, 물체 인식 시스템.
  33. 제28 항에 있어서,
    상기 분류 모델은, 기계 학습인 서포트 벡터 머신(Support Vector Machine)에 의해 생성된 모델인, 물체 인식 시스템.
KR1020190156899A 2019-11-29 2019-11-29 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템 KR102272641B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190156899A KR102272641B1 (ko) 2019-11-29 2019-11-29 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190156899A KR102272641B1 (ko) 2019-11-29 2019-11-29 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템

Publications (2)

Publication Number Publication Date
KR20210067364A KR20210067364A (ko) 2021-06-08
KR102272641B1 true KR102272641B1 (ko) 2021-07-02

Family

ID=76399296

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190156899A KR102272641B1 (ko) 2019-11-29 2019-11-29 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템

Country Status (1)

Country Link
KR (1) KR102272641B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102511280B1 (ko) * 2022-01-04 2023-03-20 주식회사 정석케미칼 스펙트로그램 패턴을 이용한 인공지능 기반의 차선 감지 방법 및 이를 위한 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008156004A (ja) * 2006-12-20 2008-07-10 Canon Inc シート材情報検知装置、ならびにシート材処理装置
KR100926783B1 (ko) 2008-02-15 2009-11-13 한국과학기술연구원 물체인식 및 인식된 물체를 포함하는 주변 환경 정보를바탕으로 한 로봇의 자기 위치 추정 방법
KR101190323B1 (ko) 2004-03-01 2012-10-11 애플 인크. 가속도계에 기초하여 휴대용 장치를 작동시키기 위한 방법및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101190323B1 (ko) 2004-03-01 2012-10-11 애플 인크. 가속도계에 기초하여 휴대용 장치를 작동시키기 위한 방법및 장치
JP2008156004A (ja) * 2006-12-20 2008-07-10 Canon Inc シート材情報検知装置、ならびにシート材処理装置
KR100926783B1 (ko) 2008-02-15 2009-11-13 한국과학기술연구원 물체인식 및 인식된 물체를 포함하는 주변 환경 정보를바탕으로 한 로봇의 자기 위치 추정 방법

Also Published As

Publication number Publication date
KR20210067364A (ko) 2021-06-08

Similar Documents

Publication Publication Date Title
CN105426713B (zh) 用于基于触摸事件分析来区分触摸屏使用者的方法和装置
Strese et al. A haptic texture database for tool-mediated texture recognition and classification
CN102890557B (zh) 用于响应于麦克风输出的触摸手势检测的方法和系统
Meier et al. Tactile convolutional networks for online slip and rotation detection
CN106687967A (zh) 用于对与触敏设备的接触进行分类的方法和装置
US20090278798A1 (en) Active Fingertip-Mounted Object Digitizer
CN104035556A (zh) 触觉效果的自动适配
CN106716317A (zh) 解决触摸不连续性的方法和装置
JP2014510346A (ja) 電気活性ポリマーアクチュエータのフィードバック装置、システム、およびその方法
Ono et al. Sensing touch force using active acoustic sensing
KR20140114766A (ko) 터치 입력을 감지하기 위한 방법 및 장치
CN105308679A (zh) 用于识别与语音命令相关联的位置以控制家用电器的方法和系统
KR102272641B1 (ko) 물체 인식 장치 및 방법 그리고 이를 포함하는 물체 인식 시스템
EP3121808A3 (en) System and method of modeling characteristics of a musical instrument
Pätzold et al. Audio-based roughness sensing and tactile feedback for haptic perception in telepresence
KR20200072030A (ko) 소리와 가속도 데이터를 이용한 멀티모달 기침 감지 장치 및 방법
KR102508550B1 (ko) 음악 구간 검출 장치 및 방법
EP0442208B1 (en) A device and method for verifying personal handwriting
Grigorii et al. High-bandwidth tribometry as a means of recording natural textures
CN100464151C (zh) 物体表面纹理检测方法及其传感器
Baranwal et al. Implementation of MFCC based hand gesture recognition on HOAP-2 using Webots platform
Burka et al. Handling scan-time parameters in haptic surface classification
Park et al. A study about sound quality for violin playing robot
Funato et al. Grip force estimation by emitting vibration
Kõiva et al. Mechatronic fingernail with static and dynamic force sensing

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant