KR102013392B1 - Gas detection method using SVM classifier - Google Patents
Gas detection method using SVM classifier Download PDFInfo
- Publication number
- KR102013392B1 KR102013392B1 KR1020170151667A KR20170151667A KR102013392B1 KR 102013392 B1 KR102013392 B1 KR 102013392B1 KR 1020170151667 A KR1020170151667 A KR 1020170151667A KR 20170151667 A KR20170151667 A KR 20170151667A KR 102013392 B1 KR102013392 B1 KR 102013392B1
- Authority
- KR
- South Korea
- Prior art keywords
- spectrum
- training
- gas detection
- svm classifier
- svm
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 73
- 238000012706 support-vector machine Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 50
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 229910018503 SF6 Inorganic materials 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 2
- 229960000909 sulfur hexafluoride Drugs 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Abstract
제안기술은 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법에 관한 것으로, 더욱 상세하게는 표적가스 스펙트럼과 비표적가스 스펙트럼을 이용하여 초평면(Hyperplane)을 훈련시키는 방식인 SVM(Support Vector Machine) 분류기(Classifier)를 이용하여 원거리 화학 가스를 탐지하는 방법에 관한 발명이다.The proposed technique relates to a gas detection method using an SVM classifier in FT-IR based spectral spectra. More specifically, SVM (Support Vector Machine) is a method of training hyperplane using target gas spectrum and non-target gas spectrum. The present invention relates to a method for detecting a remote chemical gas using a classifier.
Description
제안기술은 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법에 관한 것으로, 더욱 상세하게는 표적가스 스펙트럼과 비표적가스 스펙트럼을 이용하여 초평면(Hyperplane)을 훈련시키는 방식인 SVM(Support Vector Machine) 분류기(Classifier)를 이용하여 원거리 화학 가스를 탐지하는 방법에 관한 발명이다.The proposed technique relates to a gas detection method using an SVM classifier in FT-IR based spectral spectra. More specifically, SVM (Support Vector Machine) is a method of training hyperplane using target gas spectrum and non-target gas spectrum. The present invention relates to a method for detecting a remote chemical gas using a classifier.
푸리에 변환 적외선(이하, FT-IR) 분광 기법은 스펙트럼을 획득하고 정량 또는 정성 분석할 수 있는 기술로 널리 활용되고 있다. Fourier transform infrared (FT-IR) spectroscopy is widely used as a technique for acquiring spectra and for quantitative or qualitative analysis.
종래의 FT-IR 기반의 분광 신호처리 방법의 경우 측정한 스펙트럼을 분석하여 가스의 특징을 찾아낸 후 유사도를 측정하거나 피크(peak)의 크기를 검사하는 방법을 사용한다.Conventional FT-IR-based spectroscopic signal processing method uses a method of analyzing the measured spectrum to find the characteristics of the gas and then measuring the similarity or checking the magnitude of the peak.
상기와 같은 종래의 기술은 가스 피크 외에 배경으로 인한 왜곡 신호, 분광기 장비에 의한 왜곡, 잡음 신호 등과 같은 다른 영향들이 완전히 제거되지 않은 겨우 감도 및 탐지 신뢰성 등이 크게 저하되는 문제가 발생하게 된다.The prior art as described above causes a problem in that sensitivity and detection reliability are greatly degraded only when other effects such as distortion signal due to background, distortion caused by spectroscope equipment, noise signal, etc. in addition to gas peak are not completely eliminated.
본 발명은 상기와 같은 문제를 해결하기 위해 발명된 것으로서, 종래와 같이 스펙트럼을 분석하여 가스를 찾아내는 방식이 아닌, 획득한 스펙트럼을 하나의 특징 벡터로 표현한 후 SVM(Support Vector Machine) 기법으로 훈련된 분류기에 통과시켜 가스의 유무를 신뢰성 있게 판별하는 방법을 제공하는데 목적이 있다.The present invention has been invented to solve the above problems, and the trained by SVM (Support Vector Machine) technique after expressing the acquired spectrum as one feature vector, rather than analyzing the spectrum to find a gas as in the prior art An object of the present invention is to provide a method for reliably determining the presence of gas by passing through a classifier.
상기와 같은 목적을 달성하기 위한 본 발명의 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법에 있어서,In the gas detection method using the SVM classifier in the FT-IR-based spectral spectrum of the present invention for achieving the above object,
SVM(Support Vector Machine) 훈련 단계는,The support vector machine training phase is
훈련 스펙트럼들을 획득하는 훈련 스펙트럼 획득 단계;A training spectrum obtaining step of obtaining training spectra;
훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계;A preprocessing step of performing a preprocessing process on the training spectrum;
훈련 스펙트럼들 각각이 이루는 특징벡터를 분류하기 위해 초평면(hyperplane)을 구하는 초평면 연산 단계;A hyperplane calculation step of obtaining a hyperplane for classifying a feature vector formed by each of the training spectra;
초평면을 이용하여 가스의 유무를 판별하기 위한 판별함수 연산 단계;A discriminating function calculating step for determining the presence or absence of gas using the hyperplane;
를 포함하는 것을 특징으로 한다.Characterized in that it comprises a.
본 발명에 따르면, 종래와 같이 스펙트럼을 분석하여 가스를 찾아내는 방식에서는 스펙트럼의 간섭요인을 완벽히 제거하지 않으면 탐지 성능이 저하되는 문제가 있었지만, 본 발명에 따른 SVM 분류기는 완벽히 제거되지 못한 간섭요인들 또한 훈련 과정에 포함되어 최적의 초평면을 형성할 수 있도록 학습되어지기 때문에 간섭요인에 의한 성능 저하를 방지할 수 있는 효과가 있다.According to the present invention, there is a problem in that the detection performance is deteriorated if the interference analysis of the spectrum is not completely removed in the method of analyzing the spectrum as in the conventional art, but the interference factors that are not completely removed are also included in the SVM classifier according to the present invention. Because it is learned to be included in the training process to form the optimal hyperplane, there is an effect that can prevent the performance degradation due to interference factors.
도 1은 본 발명에 따른 탐지 단계의 흐름도.
도 2는 본 발명에 따른 훈련 단계의 흐름도.
도 3은 일반적인 선형 SVM(Support Vector Machine) 기법의 개념도.
도 4는 종래 방법에 따른 가스 탐지 결과 이미지와 본 발명에 따른 가스 탐지 결과 이미지의 비교도.
도 5는 본 발명에 따른 유사 확률변수를 2차 특징으로 이용하는 방법의 개념도.
도 6은 일반적인 비선형 SVM(Support Vector Machine) 기법의 개념도.1 is a flow chart of the detection step according to the invention.
2 is a flow chart of a training step in accordance with the present invention.
3 is a conceptual diagram of a general linear support vector machine (SVM) technique.
Figure 4 is a comparison of the gas detection result image according to the conventional method and the gas detection result image according to the present invention.
5 is a conceptual diagram of a method of using a similar probability variable as a secondary feature according to the present invention;
6 is a conceptual diagram of a general nonlinear Support Vector Machine (SVM) technique.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 출원에서 사용되는 용어는 단지 특정한 실시 예들을 설명하기 위한 것으로, 본 발명을 한정하려는 의도가 아니다.The above-described features and effects of the present invention will become more apparent from the following detailed description taken in conjunction with the accompanying drawings, and thus, those skilled in the art to which the present invention pertains may easily implement the technical idea of the present invention. Could be. As the inventive concept allows for various changes and numerous embodiments, particular embodiments will be illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific disclosure, it should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention.
이하, 본 발명의 바람직한 실시 예를 첨부도면을 참조하여 상세히 설명한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1에는 본 발명에 따른 탐지 단계의 흐름도가 도시되어 있고, 도 2에는 본 발명에 따른 훈련 단계의 흐름도가 도시되어 있다.1 shows a flow chart of the detection step according to the invention and in FIG. 2 a flow chart of the training step according to the invention.
본 발명은 푸리에 변환 적외선(Fourier Transporm Infrared Ray) 분광 기법을 이용하여 획득한 스펙트럼을 하나의 특징 벡터(2)로 표현한 후, SVM(Support Vector Machine) 기법으로 훈련된 SVM 분류기에 통과시켜 가스의 유무를 탐지하게 된다.According to the present invention, a spectrum obtained using Fourier Transfram Infrared Ray spectroscopy is represented as a feature vector (2), and then passed through an SVM classifier trained by SVM (Support Vector Machine). Will be detected.
따라서, 상기 SVM 분류기에서 특징 벡터(data)(2)를 최적으로 분류하기 위해 초평면(Hyperplane)을 훈련(training)시키는 훈련 단계가 진행된다. 상기 훈련 단계는, Accordingly, a training step of training a hyperplane is performed in order to optimally classify the
훈련(비표적가스) 스펙트럼들을 획득하는 훈련 스펙트럼 획득 단계(S100);A training spectrum obtaining step S100 of obtaining training (non-target gas) spectra;
상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계(S110);A preprocessing step of performing a preprocessing process on the training spectrum (S110);
상기 훈련 스펙트럼들 각각이 이루는 특징 벡터를 분류하기 위해 초평면(hyperplane)을 구하는 초평면 연산 단계(S120);A hyperplane calculation step (S120) of obtaining a hyperplane for classifying a feature vector of each of the training spectra;
상기 초평면을 이용하여 가스의 유무를 판별하기 위한 판별함수 연산 단계(S130);A discrimination function calculating step (S130) for determining the presence or absence of gas using the hyperplane;
를 포함하여 진행된다.It proceeds including.
상기 훈련 스펙트럼 획득 단계(S100)에서 획득된 상기 훈련 스펙트럼에는 전처리 단계(S110)가 진행된다.A preprocessing step (S110) is performed on the training spectrum acquired in the training spectrum obtaining step (S100).
상기 훈련 단계의 상기 전처리 단계(S110)에서는, 먼저 상기 훈련 스펙트럼의 오프셋(offset)을 제거하고 간단한 바탕선 보정(baseline correction) 알고리즘 적용을 수행한다.In the preprocessing step (S110) of the training step, first, an offset of the training spectrum is removed and a simple baseline correction algorithm is applied.
상기 전처리 단계(S110)가 완료되면, 상기 훈련 스펙트럼 각각을 특징 벡터로 두고, 상기 특징 벡터를 최적으로 분류하는 초평면을 찾기 위한 초평면 연산 단계(S120)가 진행된다.When the preprocessing step (S110) is completed, a hyperplane calculation step (S120) is performed to find an ultraplane that optimally classifies the feature vectors, with each training spectrum as a feature vector.
도 3은 일반적인 선형 SVM(Support Vector Machine) 기법의 개념도를 도시한 것으로, 두 종류의 특징 벡터를 분류하는 초평면(H)을 도시하고 있다.3 illustrates a conceptual diagram of a general linear support vector machine (SVM) scheme, and illustrates a hyperplane H for classifying two types of feature vectors.
두 종류의 특징 벡터를 구분하는 초평면(H)은 도 3에 도시된 바와 같이 빨간색 선(H2), 파란색 선(H1) 등으로 다양하게 존재할 수 있으나 최적의 초평면(H)은 하나밖에 존재할 수 없다. 상기 최적의 초평면(H)은 마진(margin)을 최대화 하는 초평면이다. 상기 마진은 초평면(H)과 각 특징 벡터(2) 집단 사이에서 초평면(H)과 가장 가까운 서포트 벡터(support vector)(4) 사이의 거리를 의미한다. 즉, 마진을 최대화 한다는 것은 초평면(H)이 두 특징 벡터(2) 집단으로부터 최대한 떨어진다는 것을 의미한다. 도 3에서는 두 특징 벡터(2) 집단을 나눌 수 있는 두 개의 초평면(H1, H2)이 존재한다. 파란색 선(H1)의 경우 마진이 크지 못한 것을 확인할 수 있고, 빨간색 선(H2)의 경우 마진을 최대화 하는 것을 확인할 수 있다.As shown in FIG. 3, the hyperplane H that distinguishes two types of feature vectors may exist in various ways such as a red line H2 and a blue line H1, but only one optimal hyperplane H may exist. . The optimal hyperplane H is the hyperplane that maximizes the margin. The margin means the distance between the hyperplane H and the
따라서 선형 SVM(Support Vector Machine) 기법을 통해 찾고자 하는 최적의 초평면(H)은 빨간색 선(H2)이 된다.Therefore, the optimal hyperplane (H) to find through the linear support vector machine (SVM) technique becomes a red line (H2).
상기에서 설명한 바와 같은 최적의 초평면(H)을 구하기 위해서는 상기 초평면(H)의 법선 벡터(normal vector, w)를 구하여야 하며, 상기 법선 벡터는 하기와 같은 최적화(optimization) 문제(수학식 1)의 해를 연산하여 구할 수 있다.In order to obtain the optimal hyperplane H as described above, the normal vector (w) of the hyperplane H should be obtained, and the normal vector has the following optimization problem (Equation 1) Can be found by calculating
[수학식 1][Equation 1]
상기 최적화 문제에서의 w는 SVM 분류기를 이용하여 가스를 실시간으로 탐지하기 위해 사전에 훈련 스펙트럼을 통하여 결정되어야 하는 최적의 파라미터 값들이고, 상기 초평면(H)과 각 특징 벡터(2) 집단 사이에서 가장 가까운 서포트 벡터(support vector)(4)들이 상기 초평면(H)을 기준으로 상기 마진(
상기 [수학식 1]에서 
상기 훈련 스펙트럼들 모두를 확실히 분류하는 하드 마진 SVM에서 훈련 스펙트럼의 오류(outlier)가 존재하는 경우 이러한 오류(outlier)까지 전부 고려한 초평면(H)은 마진 값이 작아지게 되고, 따라서 SVM 분류 성능이 매우 낮아지게 된다.In the case of an outlier of the training spectrum in the hard-margin SVM that reliably classifies all of the training spectra, the hyperplane H, which considers all the outliers, has a small margin value, and thus the SVM classification performance is very high. Will be lowered.
이러한 상기 오류(outlier)에 패널티를 주어 상기 오류(outlier)를 적당히 무시하면서 마진을 최대화할 수 있는 방법이 상기 소프트 마진 SVM 이다.The soft margin SVM is a method that can penalize such an outlier and maximize the margin while ignoring the outlier appropriately.
상기 최적화 문제의 해를 연산하여 구해진 상기 법선 벡터를 이용하면 상기 초평면(H)을 구할 수 있게 되고, 상기 초평면(H)을 이용하면 판별함수를 구할 수 있게 된다.Using the normal vector obtained by calculating the solution of the optimization problem, the hyperplane H can be obtained, and if the hyperplane H is used, a discrimination function can be obtained.
상기 판별함수는, The determination function is
상기와 같이 나타낼 수 있다. 여기서, sgn은 부호함수, i 는 서포트 벡터의 수, 
상기 훈련 단계를 진행하여 연산된 상기 판별함수 이용하면, 실제 측정하고자 하는 표적가스의 스펙트럼을 분류하여 가스를 탐지할 수 있게 된다.By using the discrimination function calculated through the training step, it is possible to detect the gas by classifying the spectrum of the target gas to be actually measured.
상기 판별삼수를 이용하여 상기 표적가스를 탐지하기 위한 탐지 단계는,The detecting step for detecting the target gas by using the discriminating water,
표적가스 스펙트럼 획득 단계(S200);Target gas spectrum acquisition step (S200);
상기 표적가스 스펙트럼에 전처리 과정을 수행하는 전처리 단계(S210);A pretreatment step of performing a pretreatment process on the target gas spectrum (S210);
상기 표적가스 스펙트럼에 상기 SVM 분류 알고리즘을 적용하는 알고리즘 적용 단계(S220);An algorithm application step (S220) of applying the SVM classification algorithm to the target gas spectrum;
표적가스 탐지 단계(S230);를 포함하여 진행된다.Target gas detection step (S230); and proceeds.
상기 표적가스 스펙트럼 획득 단계(S200)에서 획득된 표적가스 스펙트럼에 상기 훈련 단계에서 진행되는 상기 전처리 단계(S110)와 동일한 과정의 전처리 단계(S210)를 진행한다.The target gas spectrum obtained in the target gas spectrum obtaining step S200 is performed in the same pre-processing step S210 of the same process as the pre-processing step S110 performed in the training step.
그 후 상기 판별함수를 상기 알고리즘 적용 단계(S220)에서 상기 SVM 분류 알고리즘으로 적용하여 최종적인 가스 탐지(S230)를 수행하게 된다.Thereafter, the determination function is applied to the SVM classification algorithm in the algorithm application step (S220) to perform final gas detection (S230).
도 4는 종래 방법에 따른 가스 탐지 결과 이미지와 본 발명에 따른 가스 탐지 결과 이미지의 비교도를 도시하고 있다.Figure 4 shows a comparison of the gas detection result image according to the conventional method and the gas detection result image according to the present invention.
도면상 왼쪽은 Hyfar-IR 장비를 통해 얻은 초분광 영상 데이터에서 기존의 유사도 측정을 이용하는 방법으로 나타낸 결과이고, 도면상 오른쪽은 상기에서 설명한 본 발명의 SVM 분류기를 이용한 방법으로 나타낸 결과이다.The left side of the figure shows the results of using the existing similarity measurement method in the hyperspectral image data obtained through the Hyfar-IR equipment, the right side of the figure shows the result of the method using the SVM classifier of the present invention described above.
초분광 영상 데이터란 영상의 각 화소 하나하나가 분광 스펙트럼을 갖는 3차원 큐브 데이터이다. 도 4는 가스셀에 sulfur hexafluoride(SF6) 가스를 넣고 측정한 데이터이다. 도면상 왼쪽에서부터 9.2㎕, 18.4㎕, 27.6㎕를 넣고 촬영하였다.Hyperspectral image data is three-dimensional cube data in which each pixel of the image has a spectral spectrum. 4 is data measured by putting sulfur hexafluoride (SF6) gas into a gas cell. 9.2 µl, 18.4 µl, and 27.6 µl were added from the left side of the figure and photographed.
영상을 구성하는 모든 픽셀이 분광 스펙트럼을 가지고 있으므로, 모든 픽셀에 탐지 알고리즘을 적용하여 초분광 영상에서 가스가 어디 있는지 찾아냈다. 가스의 양이 많을수록 가스셀의 형태가 명확하게 드러나는 것을 볼 수 있고, 탐지가 명확하게 이루어지는 것을 볼 수 있다. Since every pixel in the image has a spectral spectrum, we apply a detection algorithm to every pixel to find out where the gas is in the hyperspectral image. As the amount of gas increases, the shape of the gas cell can be clearly seen, and the detection can be clearly seen.
또한, 기존의 유사도 측정 방법에 비해 SVM 분류기를 사용하는 방법이 더 좋은 탐지 성능을 가지는 것을 확인할 수 있다.In addition, it can be seen that the method using the SVM classifier has better detection performance than the conventional similarity measuring method.
도 5는 본 발명에 따른 유사 확률 변수를 2차 특징으로 이용하는 방법의 개념도를 도시하고 있다.5 shows a conceptual diagram of a method of using a similar probability variable as a secondary feature according to the present invention.
상기에서 설명한 SVM 분류기의 탐지 과정에서는 상기 판별함수를 통해 최종적인 판별을 수행하였다. 상기 판별함수의 결과 값은 sgn 함수 안의 값이 (+)인 경우 1, (-)인 경우 -1이 출력되어 1인 경우 표적가스가 있다고 판정하고, -1인 경우 표적가스가 없다고 판정하게 된다.In the detection process of the SVM classifier described above, final determination was performed through the determination function. The result of the determination function is 1 when the value in the sgn function is (+), -1 is output when the value is (-), and it is determined that there is a target gas when 1, and when there is -1, there is no target gas. .
이는 
따라서 유사 확률 변수를 2차 특징으로 이용하는 방법은 0을 임계치로 사용하는 대신 다른 값을 임계치로 사용하는 방법이다.Therefore, the method of using the pseudo random variable as the secondary feature uses a different value as a threshold instead of using 0 as a threshold.
이때 
예를 들어, 상기 훈련 스펙트럼의 특징 벡터 x가 두 특징 벡터 집단 사이에 존재하는 경우(case 1) 유사 확률 값 
상기 훈련 스펙트럼의 특징 벡터 x가 두 특징 벡터 집단 사이에 존재하지 않는 경우(case 2) 유사 확률 값 
확실하게 존재하는 표적가스의 경우, 상기 훈련 스펙트럼의 특징 벡터 x가 두 특징 벡터 집단 사이에 존재하지 않는 case 2의 값을 가지지만, 표적가스의 양이 적어 신호의 크기가 작거나 간섭 물질 스펙트럼이 존재할 경우 상기 훈련 스펙트럼의 특징 벡터 x가 두 특징 벡터 집단 사이에 존재하는 case 1의 값을 가지게 된다.In the case of a target gas that exists reliably, the feature vector x of the training spectrum has a value of
기존의 0을 임계치로 하는 보편적인 SVM 분류기는 상기 case 2의 경우 아무런 문제없이 표적가스를 탐지할 수 있지만, case 1의 경우 오경보(false alarm)를 낼 가능성이 높아진다. 따라서 이러한 오경보를 줄이기 위한 방법으로 상기 유사 확률 값을 구하여 임계치를 0~1 사이의 값으로 두어 더 확실하게 표적가스를 탐지하게 된다.Conventional SVM classifier with a threshold value of 0 can detect a target gas without any problem in
도 6에는 일반적인 비선형 SVM(Support Vector Machine) 기법의 개념도가 도시되어 있다.6 is a conceptual diagram of a general nonlinear Support Vector Machine (SVM) technique.
상기 SVM 분류기는 두 특징 벡터 집단 사이를 구분하는 선형의 초평면(H)을 찾는 방법이다. 그러나 도 6에 도시된 바와 같이 상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계(S110)에서 특징 벡터 집단이 선형적으로 분리되지 않는 경우(도면상 왼쪽의 도면) 커널 함수(Kernel Function)를 이용하여 두 특징 벡터 집단이 선형 분리가 가능하도록 고차원으로 사상시킨 후(도면상 오른쪽의 도면) 고차원 공간에서 초평면을 찾는 방식이다.The SVM classifier finds a linear hyperplane H that distinguishes between two groups of feature vectors. However, when the feature vector group is not linearly separated in the preprocessing step (S110) of performing the preprocessing process on the training spectrum as illustrated in FIG. 6, the kernel function is used by using a kernel function. After two feature vector groups are mapped in a high dimension to allow linear separation (as shown on the right side of the drawing), the hyperplane is found in a high-dimensional space.
상기에서 설명한 바와 같이, 상기 훈련 단계를 통해 SVM 기법으로 훈련된 분류기를 이용하여 가스의 유무를 판별하게 되면, 배경으로 인한 왜곡 신호, 분광기 장비에 의한 왜곡 및 잡음 신호와 같은 간섭요인의 영향이 상기 초평면 형성 과정에서 상기 초평면에 포함되기 때문에 최적의 초평면을 형성할 수 있도록 훈련하게 된다. 따라서 간섭요인으로 인한 성능 저하의 문제를 해결할 수 있게 된다.As described above, when the presence or absence of the gas using the classifier trained by the SVM technique through the training step, the influence of interference factors such as distortion signal due to the background, distortion caused by the spectroscope equipment and noise signal Since the hyperplane is included in the hyperplane forming process, the training is performed to form an optimal hyperplane. Therefore, it is possible to solve the problem of performance degradation due to interference factors.
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술 분야에 통상의 지식을 갖는 자라면 후술 될 특허청구범위에 기재된 본 발명의 사상 및 기술영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.In the detailed description of the present invention described above with reference to the preferred embodiments of the present invention, those skilled in the art or those skilled in the art having ordinary skill in the art will be described in the claims to be described later And it will be understood that various modifications and changes of the present invention can be made without departing from the scope of the art.
2 : 특징 벡터
4 : 서포트 벡터
H : 초평면
H1 : 파란색 선
H2 : 빨간색 선
S100 : 훈련 스펙트럼 획득 단계
S110 : 훈련 스펙트럼 전처리 단계
S120 : 초평면 연산 단계
S130 : 판별함수 연산 단계
S200 : 표적가스 스펙트럼 획득 단계
S210 : 표적가스 스펙트럼 전처리 단계
S220 : 알고리즘 적용 단계
S230 : 표적가스 탐지 단계2: feature vector
4: Support Vector
H: hyperplane
H1: blue line
H2: red line
S100: training spectrum acquisition stage
S110: Training Spectrum Preprocessing Step
S120: hyperplane calculation step
S130: Discrimination function calculation step
S200: target gas spectrum acquisition step
S210: target gas spectrum pretreatment step
S220: Algorithm Application Stage
S230: target gas detection step
Claims (12)
상기 SVM 분류기에서 특징벡터를 분류하기 위해 초평면(hyperplane)을 훈련시키는 SVM(Support Vector Machine) 훈련 단계를 진행하되,
상기 SVM 훈련 단계는,
훈련 스펙트럼들을 획득하는 훈련 스펙트럼 획득 단계;
상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계;
상기 훈련 스펙트럼들 각각이 이루는 특징벡터를 분류하기 위해 초평면을 구하는 초평면 연산 단계;
상기 초평면을 이용하여 가스의 유무를 판별하기 위한 판별함수 연산 단계;를 포함하며,
상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계는,
상기 훈련 스펙트럼의 오프셋(offset)을 제거하는 오프셋(offset) 제거 단계;
바탕선 보정(baseline correction) 알고리즘을 적용하는 바탕선 보정 단계;를 포함하는 것
을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.In the gas detection method using an SVM classifier,
The SVM classifier performs a support vector machine (SVM) training step of training a hyperplane to classify feature vectors,
The SVM training step,
A training spectrum obtaining step of obtaining training spectra;
A preprocessing step of performing a preprocessing process on the training spectrum;
A hyperplane calculation step of obtaining a hyperplane for classifying a feature vector of each of the training spectra;
And a discrimination function calculating step for determining the presence or absence of gas using the hyperplane.
The preprocessing step of performing a preprocessing process on the training spectrum,
An offset elimination step of eliminating an offset of the training spectrum;
A baseline correction step of applying a baseline correction algorithm;
Gas detection method using SVM classifier in FT-IR-based spectral spectrum characterized in that.
상기 훈련 단계에서 구해진 판별함수는 SVM 분류기를 이용한 표적가스 탐지 단계에서 SVM 분류 알고리즘으로 사용되는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.The method of claim 1,
The discrimination function obtained in the training step is used as the SVM classification algorithm in the target gas detection step using the SVM classifier.
상기 초평면 연산 단계는,
상기 초평면의 법선 벡터(Normal vector)를 구하는 단계;
상기 법선 벡터를 구하기 위한 최적화 문제의 해를 연산하는 단계;
를 포함하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.The method of claim 1,
The hyperplane calculation step,
Obtaining a normal vector of the hyperplane;
Calculating a solution of an optimization problem to find the normal vector;
Gas detection method using the SVM classifier in the FT-IR based spectral spectrum comprising a.
상기 최적화 문제의 해를 구하는 단계에서 상기 최적화 문제는,
인 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.The method of claim 4, wherein
In the step of solving the optimization problem, the optimization problem,
Gas detection method using the SVM classifier in the FT-IR-based spectral spectrum, characterized in that.
상기 판별함수 연산 단계에서 얻어지는 판별함수는,
(sgn은 부호함수, i 는 support vector의 수,
인 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.The method of claim 2,
The determination function obtained in the determination function calculation step,
(sgn is the sign function, i is the number of support vectors,
Gas detection method using the SVM classifier in the FT-IR-based spectral spectrum, characterized in that.
상기 표적가스 탐지 단계는,
표적가스 스펙트럼 획득 단계;
상기 표적가스 스펙트럼에 전처리 과정을 수행하는 전처리 단계;
상기 표적가스 스펙트럼에 상기 SVM 분류 알고리즘을 적용하는 알고리즘 적용 단계;
표적가스 탐지 단계;
를 포함하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.The method of claim 6,
The target gas detection step,
Obtaining a target gas spectrum;
A pretreatment step of performing a pretreatment process on the target gas spectrum;
An algorithm applying step of applying the SVM classification algorithm to the target gas spectrum;
Target gas detection step;
Gas detection method using the SVM classifier in the FT-IR based spectral spectrum comprising a.
상기 판별함수의 유사 확률 값
Likelihood Probability Value of the Discriminant Function
상기 판별함수의 유사 확률 값
Likelihood Probability Value of the Discriminant Function
상기 훈련 스펙트럼의 특징 벡터가 두 특징 벡터 집단 사이에 존재할 때, 상기 유사 확률 값
The likelihood probability value when the feature vector of the training spectrum is between two feature vector families
상기 훈련 스펙트럼의 특징 벡터가 두 특징 벡터 집단 사이에 존재하지 않을 때, 상기 유사 확률 값
The likelihood probability value when the feature vector of the training spectrum does not exist between two feature vector families
상기 훈련 스펙트럼에 전처리 과정을 수행하는 전처리 단계에서 특징 벡터 집단이 선형적으로 분리되지 않으면 커널 함수(kernel function)을 이용하여 특징 벡터 집단이 선형 분리 되도록 하는 것을 특징으로 하는 FT-IR 기반 분광 스펙트럼에서 SVM 분류기를 이용한 가스 탐지 방법.The method of claim 1,
In the FT-IR based spectral spectrum, if the feature vector group is not linearly separated in the preprocessing step of performing the preprocessing process on the training spectrum, the feature vector group is linearly separated using a kernel function. Gas detection method using SVM classifier.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170151667A KR102013392B1 (en) | 2017-11-14 | 2017-11-14 | Gas detection method using SVM classifier |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170151667A KR102013392B1 (en) | 2017-11-14 | 2017-11-14 | Gas detection method using SVM classifier |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190054744A KR20190054744A (en) | 2019-05-22 |
| KR102013392B1 true KR102013392B1 (en) | 2019-08-22 |
Family
ID=66679909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170151667A KR102013392B1 (en) | 2017-11-14 | 2017-11-14 | Gas detection method using SVM classifier |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102013392B1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102070288B1 (en) * | 2019-09-06 | 2020-01-28 | 국방과학연구소 | Apparatus and method for detecting gas |
| KR102271306B1 (en) * | 2020-01-30 | 2021-06-30 | 한국항공대학교산학협력단 | Support vector machine based gas classifier capable of self learning |
| KR102495472B1 (en) * | 2020-11-16 | 2023-02-06 | 강소영 | Apparatus for sensing target gas and method thereof |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008065393A (en) * | 2006-09-04 | 2008-03-21 | Research Organization Of Information & Systems | Group discrimination device and group discrimination method |
| CN103901162A (en) * | 2012-12-29 | 2014-07-02 | 北京握奇数据系统有限公司 | Portable in-car gas detection system and method |
| JP2015522249A (en) | 2012-04-04 | 2015-08-06 | ベーイーオー・メリュー | Identification of microorganisms by spectroscopic analysis and structured classification |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101483514B1 (en) * | 2013-04-23 | 2015-01-20 | 재단법인 포항산업과학연구원 | Method for predicting concentration of reaction product using fourier transform infrared spectroscopy during carbon dioxide capture process and collector-reactor using thereof |
| KR101542894B1 (en) | 2014-04-18 | 2015-08-07 | 국방과학연구소 | Optimized Method of Rotary Interferometer for Infrared Spectrometry |
-
2017
- 2017-11-14 KR KR1020170151667A patent/KR102013392B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008065393A (en) * | 2006-09-04 | 2008-03-21 | Research Organization Of Information & Systems | Group discrimination device and group discrimination method |
| JP2015522249A (en) | 2012-04-04 | 2015-08-06 | ベーイーオー・メリュー | Identification of microorganisms by spectroscopic analysis and structured classification |
| CN103901162A (en) * | 2012-12-29 | 2014-07-02 | 北京握奇数据系统有限公司 | Portable in-car gas detection system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190054744A (en) | 2019-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516609B (en) | Fire disaster video detection and early warning method based on image multi-feature fusion | |
| Raghavendra et al. | Face presentation attack detection across spectrum using time-frequency descriptors of maximal response in laplacian scale-space | |
| CN107818298B (en) | General Raman spectrum feature extraction method for machine learning substance identification algorithm | |
| Zhao et al. | SVM based forest fire detection using static and dynamic features | |
| Nishiyama et al. | Facial deblur inference using subspace analysis for recognition of blurred faces | |
| CN108389188B (en) | Sparse hyperspectral abnormal target detection method | |
| CN110197209B (en) | Radiation source identification method based on multi-feature fusion | |
| EP2273424A1 (en) | Automated target detection and recognition system and method | |
| KR102013392B1 (en) | Gas detection method using SVM classifier | |
| Yu et al. | Raisin quality classification using least squares support vector machine (LSSVM) based on combined color and texture features | |
| CN110991493B (en) | Hyperspectral anomaly detection method for collaborative representation and anomaly rejection | |
| Wang et al. | A robust infrared dim target detection method based on template filtering and saliency extraction | |
| CN107967694A (en) | A kind of EO-1 hyperion object detection method, system, storage medium and processor based on feedback abundance constraint | |
| CN105701835A (en) | Image edge detection method and system facing electric power facilities | |
| CN108765460B (en) | Hyperspectral image-based space-time joint anomaly detection method and electronic equipment | |
| CN116910752B (en) | Malicious code detection method based on big data | |
| CN111007018B (en) | Background estimation method and system for spectrum gas detection | |
| Hassan et al. | Deep CMST framework for the autonomous recognition of heavily occluded and cluttered baggage items from multivendor security radiographs | |
| CN115661069A (en) | Hyperspectral anomaly detection method and computer device | |
| Basener et al. | Enhanced detection and visualization of anomalies in spectral imagery | |
| Kostavelis et al. | Supervised traversability learning for robot navigation | |
| CN109271902B (en) | Infrared weak and small target detection method based on time domain empirical mode decomposition under complex background | |
| Wang et al. | A novel filter-based anomaly detection framework for hyperspectral imagery | |
| CN110542659A (en) | pearl luster detection method based on visible light spectrum | |
| CN116137067A (en) | Hyperspectral image anomaly detection method based on coefficient analysis collaborative representation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |