KR102271995B1 - 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템 - Google Patents

인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템 Download PDF

Info

Publication number
KR102271995B1
KR102271995B1 KR1020210003826A KR20210003826A KR102271995B1 KR 102271995 B1 KR102271995 B1 KR 102271995B1 KR 1020210003826 A KR1020210003826 A KR 1020210003826A KR 20210003826 A KR20210003826 A KR 20210003826A KR 102271995 B1 KR102271995 B1 KR 102271995B1
Authority
KR
South Korea
Prior art keywords
raman scattering
neural network
artificial neural
chemical agent
raman
Prior art date
Application number
KR1020210003826A
Other languages
English (en)
Inventor
남현우
이창식
고영진
김종선
Original Assignee
국방과학연구소
한국과학기술원
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 국방과학연구소, 한국과학기술원 filed Critical 국방과학연구소
Priority to KR1020210003826A priority Critical patent/KR102271995B1/ko
Application granted granted Critical
Publication of KR102271995B1 publication Critical patent/KR102271995B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

본 발명의 목적은 기 측정된 라만 산란 스펙트럼을 인공 지능 기술인 오토 인코더(Auto-Encoder) 인공 신경망 기법을 이용하여 데이터 분석 또는 패턴(Pattern)을 학습시키고, 학습 결과물을 기반으로 임의의 라만 신호에서 다양한 배경 및 간섭 잡음을 효과적으로 제거함으로써, 탐지 신뢰성을 향상시키는 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템은, 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하는 것을 특징으로 한다.

Description

인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템{SYSTEM FOR DETECTING CHEMICALWARFARE AGENTS OF GROUND SURFACE USING ARTIFICIAL NEURAL NETWORKS}
본 발명은 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에 관한 것으로, 더욱 상세하게는 라만 분광 장치에서 인공 신경망(Neural Network) 기술을 이용하여 지표면에 분포된 화학 작용제를 탐지하는 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에 관한 것이다.
신경 작용제 또는 수포 작용제 등 테러의 목적으로 사용되는 독성 화학 작용제(CWA: Chemical Warfare Agent)나, 화학 공단에서 사용되는 독성 산업 화학(TIC: Toxic Industrial Chemical) 물질은 무색 무취로, 누출 사고가 발생할 경우 짧은 시간 동안 대량의 인명 피해를 초래할 수 있다.
이러한 독성 화학 작용제나 독성 산업 화학 물질로 인한 지표면 오염 유무를 확인하기 위한 기존의 접촉식 탐지 방법은 연속 시료 공급 시스템(DWSS: Double Wheel Sampling System)을 이용하여 지표면에 오염된 화학 작용제를 직접 접촉하거나 수집한 후 질량 분석기를 통하여 오염 여부를 탐지함으로써, 오염 물질에 대한 노출과, 기동성에 제한이 있다.
반면에, 라만(Raman) 분광 기술 기반 탐지 시스템은 기체 혹은 액체 레이저를 주사 후 라만 산란 신호(Raman Scattering Signal)를 분석함으로써, 기동 중 신속하게 비접촉식 탐지가 가능하다.
이러한 라만 산란 신호의 특성은 다음과 같다.
산란이란, 빛이 원자/미립자 등과 상호 작용을 일으켜 방사형으로 퍼져 나가는 현상을 말한다.
일반적으로 일컬어지는 산란은 탄성 산란(Elastic Scattering) 혹은 레일리(Rayleigh) 산란에 해당하여, 조사된 빛의 파장과 산란된 빛의 파장이 일치하는 현상을 말한다.
산란되는 빛 중 아주 작은 양의 빛은 조사된 빛의 파장보다 길거나 짧은 파장을 가지는데, 이러한 산란 현상을 라만 현상(Raman Effect) 혹은 라만 산란(Raman Scattering)이라 부른다.
라만 산란의 중요한 특징은 라만 산란을 통해 측정된 스펙트럼을 분자 지문(Finger Print)으로 이용할 수 있다는 점이다.
이러한 산란 전후의 광자의 에너지 차이를 결정하는 것은 분자의 진동 에너지 준위(Vibrational Energy Level)이며, 진동 에너지 준위는 분자를 이루는 각 원자들의 결합 상태에 따라 바뀌기 때문에 분자의 고유값이라 할 수 있다.
이에 따라 얻어지는 라만 산란 스펙트럼은 탐지하고자 하는 화학 작용제마다 독특한 특징을 나타내기 때문에 분자 지문 정보로 이용될 수 있다.
라만 분광 기술을 이용하여 화학 작용제를 탐지 또는 식별하기 위해서는 아스팔트, 콘크리트, 흙, 유리, 자갈 등 다양한 지표면 배경에서의 라만 산란 스펙트럼에 대한 분석을 필요로 한다.
종래의 라만 산란 기반 비접촉식 화학 오염 탐지 시스템의 경우 이렇게 수집된 지표면 배경 정보와, 탐지하고자 하는 표적 화학 작용제 라이브러리의 신호 유사성(Shape-Similarity)을 분석하여, 탐지 여부를 결정하는 방식을 이용한다.
하지만, 이러한 통상적인 신호 유사도 기반 탐지 방식은 라만 분광기 하드웨어 운용 및 제어에서 나오는 신호 잡음과 다양한 지표면 간섭 물질로부터 측정 신호가 왜곡될 경우 탐지 신뢰성이 크게 저하된다는 문제점이 있었다.
대한민국 공개특허공보 제10-2020-0018177호
상기한 바와 같은 종래의 문제점을 해결하기 위한 본 발명의 목적은 기 측정된 라만 산란 스펙트럼을 인공 지능 기술인 오토 인코더(Auto-Encoder) 인공 신경망 기법을 이용하여 데이터 분석 또는 패턴(Pattern)을 학습시키고, 학습 결과물을 기반으로 임의의 라만 신호에서 다양한 배경 및 간섭 잡음을 효과적으로 제거함으로써, 탐지 신뢰성을 향상시키는 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템은, 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템은, 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하며, 획득된 상기 라만 산란 스펙트럼을 대상으로 오토 인코더 인공 지능 기법을 이용하여 인코더 및 디코더를 학습시키키는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템은, 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하며, 획득된 상기 라만 산란 스펙트럼을 대상으로 오토 인코더 인공 지능 기법을 이용하여 인코더 및 디코더를 학습시키고, 상기 인코더 및 디코더의 학습 결과를 이용하여 라만 산란 신호 잡음 제거 효과를 향상시키는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템은, 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하며, 획득된 상기 라만 산란 스펙트럼을 대상으로 오토 인코더 인공 지능 기법을 이용하여 인코더 및 디코더를 학습시키고, 상기 인코더 및 디코더의 학습 결과를 이용하여 라만 산란 신호 잡음 제거 효과를 향상시키며, 상기 오토 인코더 인공 지능 기법의 생성자는 동일 화학 작용제를 대상으로 연속으로 측정한 복수의 라만 산란 스펙트럼과 그 외 화학 작용제를 대상으로 측정한 라만 산란 스펙트럼을 입력값으로 입력하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템은, 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하며, 획득된 상기 라만 산란 스펙트럼을 대상으로 오토 인코더 인공 지능 기법을 이용하여 인코더 및 디코더를 학습시키고, 상기 인코더 및 디코더의 학습 결과를 이용하여 라만 산란 신호 잡음 제거 효과를 향상시키며, 상기 오토 인코더 인공 지능 기법의 생성자는 동일 화학 작용제를 대상으로 연속으로 측정한 복수의 라만 산란 스펙트럼과 그 외 화학 작용제를 대상으로 측정한 라만 산란 스펙트럼을 입력값으로 입력하고, 상기 오토 인코더 인공 지능 기법의 생성자는 심층 인공 신경망을 이용하여 잡음이 제거된 탐지하고자 하는 화학 작용제의 고유 라만 산란 분광 신호를 추출하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 획득된 상기 라만 산란 스펙트럼을 대상으로 심층 인공 신경망 기법을 적용하여 잡음이 제거된 라만 산란 신호를 학습시키는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 상기 라만 산란 신호의 학습 결과를 이용하여 화학 작용제의 탐지 유무를 판별하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 상기 오토 인코더 인공 신경망은, 잡음이 존재하는 라만 산란 스펙트럼(
Figure 112021003794112-pat00001
)을 입력 받아 특징 벡터(
Figure 112021003794112-pat00002
)로 매핑하는 인코더; 및 특징 벡터를 잡음제거 된 라만 산란 스펙트럼(
Figure 112021003794112-pat00003
)으로 복원하는 디코더를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 상기 라만 산란 스펙트럼(
Figure 112021003794112-pat00004
)은 WN개의 파수 구간에 따른 스펙트럼값을 가진 실수 벡터이며, 상기 WN은 스펙트럼 파수인 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 상기 라만 분광 장치의 분해 성능에 따라 특정 개수(실수)의 WN을 사용자가 직접 지정하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 상기 오토 인코더 인공 신경망은 잡음이 포함된 라만 스펙트럼(
Figure 112021003794112-pat00005
)을 입력 받아 실제 잡음이 제거된 라만 산란 스펙트럼(
Figure 112021003794112-pat00006
)과 유사한 라만 산란 스펙트럼(
Figure 112021003794112-pat00007
)을 추정하기 위해 손실 함수(Loss function)를 최소화하는 방향으로 학습하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 획득된 상기 지표면 라만 신호 데이터를 오토 인코더 인공 신경망 기법을 이용하여 학습시키고, 학습된 결과물에 의거하여 배경 및 간섭 물질의 잡음에 대한 정보를 제거하는 라만 산란 스펙트럼 전처리부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 잡음이 제거된 라만 산란 신호 스펙트럼으로부터 심층 인공 신경망 기법을 이용하여 탐지 작용제의 유무를 판단하는 탐지부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 인공 신경망을 이용한 지표면 화학 탐지 장치의 동작을 위해 데이터 및 프로그램을 저장하는 메모리부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 탐지하고자 하는 적어도 하나의 유독 물질 정보 및 장치 제어 정보를 사용자로부터 입력 받는 입력부;를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템에서, 제어부의 제어에 따라 상기 라만 산란 신호를 학습하고 탐지 결과를 출력부;를 포함하는 것을 특징으로 한다.
기타 실시 예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시 예를 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 각 실시 예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.
본 발명에 의하면, 인공 지능 기반 학습 모델에 근거하여 각 화학 작용제의 고유 라만 산란 특징을 학습하고, 수학적 모델링 결과를 바탕으로 배경 및 잡음이 섞인 라만 스펙트럼에서 화학 작용제 고유의 라만 산란 분광 특징을 추출함으로써 화학 작용제를 효과적으로 탐지할 수 있는 효과가 있다.
또한, 본 발명에 의하면, 기 측정된 배경 및 화학 작용제 대상 라만 산란 스펙트럼을 분석하여 학습된 결과물에 의거하여 새로운 라만 산란 데이터 측정시 탐지하고자 하는 화학 작용제의 유무를 판단할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 지표면 화학 탐지 시스템의 구성도.
도 2는 본 발명의 일 실시예에 따른 라만 산란 스펙트럼 신호 전처리를 위한 오토 인코더 인공 신경망의 기본적인 학습 구조를 설명하기 위한 개념도.
도 3은 본 발명의 일 실시예에 따른 인공 신경망 기반 지표면 화학 작용제 탐지 시스템을 설명하기 위한 블록도.
도 4는 본 발명의 일 실시예에 인공 신경망 기반 지표면 화학 탐지 시스템을 이용한 탐지 결과를 나타내는 도면.
본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있고, 더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.
즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시 예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니며, 이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.
또한, 본 명세서에서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있으며, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.
본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.
더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"라고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있고, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결하기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있으며, 이 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.
반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.
마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 사용된다면, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용되며, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.
또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 하며, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니된다.
또한, 본 명세서에서는 각 도면의 각 구성 요소에 대해서 그 도면 부호를 명기함에 있어서, 동일한 구성 요소에 대해서는 이 구성 요소가 비록 다른 도면에 표시되더라도 동일한 도면 부호를 가지고 있도록, 즉 명세서 전체에 걸쳐 동일한 참조 부호는 동일한 구성 요소를 지시하고 있다.
본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.
또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대해 상세한 설명은 생략될 수도 있다.
이하, 본 발명의 실시 예에 대해 관련 도면들을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템의 구성도이다.
도 1을 참조하여 살펴보면, 본 발명의 일 실시예에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템(100)은 제어부(110)와, 이러한 제어부(110)에 각각 연결되는 라만 산란 스펙트럼 획득부(120)와, 라만 산란 스펙트럼 전처리부(130)와, 탐지부(140)와, 메모리(150)와, 입력부(160)와, 출력부(170)를 포함하여 구성될 수 있다.
라만 산란 스펙트럼 획득부(120)는 다양한 지표면을 배경으로 라만 분광 장치를 이용하여 라만 산란 스펙트럼 신호를 획득할 수 있다.
여기서 라만 산란 스펙트럼 신호를 획득하기 위한 대상 영역은 아스팔트, 콘크리트, 흙, 유리, 자갈 등 다양한 지표면 배경 정보이거나 혹은 해당 지표면 배경에서 화학 작용제가 살포된 영역으로 이로부터 획득되는 산란 스펙트럼 신호는 지표면 라만 산란 스펙트럼 신호 전처리를 위한 인공 신경망의 학습 정보로 이용된다.
이를 위해 라만 산란 스펙트럼 획득부(120)는 적어도 하나의 라만 기반 지표면 화학 탐지 센서 장치를 포함하거나 제어부(110)에 의해 제어될 수 있는 별도의 분광 장비를 포함할 수도 있다.
라만 산란 스펙트럼 전처리부(130)는 라만 산란 스펙트럼 획득부(120)에서 획득된 라만 산란 신호를 대상으로 오토 인코더 인공 신경망 학습을 수행한다.
또한, 라만 산란 스펙트럼 전처리부(130)는 오토 인코더 인공 신경망 학습을 통해 학습된 결과를 이용하여 특정 화학 작용제 의해 오염된 지표면의 경우를 모델링하고, 배경 및 간섭 물질 등 탐지 신뢰성을 저하시키는 라만 산란 신호 잡음을 제거하는 기능을 수행한다.
탐지부(140)는 라만 산란 스펙트럼 전처리부(130)에서 획득된 잡음이 제거된 라만 산란 스펙트럼으로부터 심층 인공 신경망(DNN: Depp Neural Network) 기법을 이용하여 화학 작용제 존재 유무를 판별할 수 있다.
메모리(150)에는 본 발명의 일 실시예에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템(100)의 동작을 위해 다양한 데이터 및 프로그램이 저장될 수 있다.
입력부(160)는 사용자로부터 탐지하고자 하는 정보를 입력 받기 위한 것으로서, 기계식 입력 수단 및 터치식 입력 수단을 포함할 수 있다.
한편 탐지하고자 하는 화학 작용제, 즉 탐지하고자 하는 유독 물질의 정보인 유독 물질의 종류, 농도 등은 메모리(150)에 저장된 정보일 수 있다.
이 경우 입력부(160)를 통한 사용자의 입력에 따라 적어도 하나의 유독 물질이 선택되며, 선택된 유독 물질과 관련된 다양한 정보가 선택될 수 있다.
출력부(170)는 제어부(110)의 제어에 따라 본 발명의 일 실시예에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템(100)의 다양한 데이터들을 출력할 수 있다.
일 예로 출력부(170)는 전처리된 라만 산란 스펙트럼을 사용자가 가시적으로 식별할 수 있도록 출력할 수 있다.
이를 위해 출력부(170)는 화상 정보의 표시가 가능한 디스플레이부를 적어도 하나 포함할 수 있다.
여기서 디스플레이는 CRT(Cathode Ray Tube), PDP(Plasma Display Panel), LCD(Liquid Crystal Display), LED(Light Emitting Diode), OLED(Organic Light Emitting Diode) 등으로 구현될 수 있으나, 이에 제한되지 않는다.
제어부(110)는 본 발명의 일 실시예에 따른 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템(100)의 전반적인 동작을 제어한다.
예를 들어, 제어부(110)는 연결된 각 구성 요소의 동작 및 동작 순서를 제어할 수 있으며, 입력부(160)를 통해 입력되는 정보에 근거하여 연결된 각 구성 요소가 제어되도록 할 수 있다.
예컨대, 제어부(100)는 입력부(160)를 통해 유독 물질 목록에서 적어도 하나를 사용자로부터 선택받아, 탐지하고자 하는 화학 작용제를 목표로 설정 후 인공 신경망 모델링 결과를 이용하여 라만 산란 스펙트럼 전처리 및 탐지를 수행할 수 있다.
도 2는 본 발명의 일 실시예에 따른 라만 산란 스펙트럼 신호 전처리를 위한 오토 인코더 인공 신경망의 기본적인 학습 구조를 설명하기 위한 개념도이다.
도 2를 참조하면, 라만 산란 신호 잡음 제거를 위한 오토 인코더 인공 신경망(200)의 기본 원리를 설명하도록 한다.
라만 스펙트럼 전처리를 위한 오토 인코더 인공 신경망(200)은 라만 산란 스펙트럼 획득부(120)로부터 획득한 라만 산란 스펙트럼 정보의 패턴을 분석하여 잡음이 제거된 라만 스펙트럼을 추정한다.
이는 잡음이 존재하는 라만 산란 스펙트럼(
Figure 112021003794112-pat00008
)을 입력 받아 특징 벡터(
Figure 112021003794112-pat00009
)로 매핑하는 인코더(210)와. 특징 벡터로부터 잡음이 제거된 라만 산란 스펙트럼(
Figure 112021003794112-pat00010
)으로 복원하는 디코더(220)로 구성된다.
여기서 라만 산란 스펙트럼(
Figure 112021003794112-pat00011
)은
Figure 112021003794112-pat00012
개의 파수 구간에 따른 스펙트럼값을 가진 실수 벡터이며, 하기 식 (1)로 표현된다.
Figure 112021003794112-pat00013
(1)
식 (1)에서
Figure 112021003794112-pat00014
은 스펙트럼의 파수(Wavenumber) 정보로 라만 분광 장치의 분해능 성능에 따라 임의의 개수(실수)를 사용자가 직접 지정할 수 있다.
인코더(210)는 라만 산란 스펙트럼 신호(
Figure 112021003794112-pat00015
)를 받아 특징 벡터(
Figure 112021003794112-pat00016
)를 출력한다.
여기서 특징 벡터(
Figure 112021003794112-pat00017
)는
Figure 112021003794112-pat00018
개 이하의 원소를 가진 실수 벡터이며, 하기 식 (2)로 표현된다.
Figure 112021003794112-pat00019
(2)
식 (2)에서
Figure 112021003794112-pat00020
는 스펙트럼의 파수(Wavenumber) 구간 개수
Figure 112021003794112-pat00021
이하인 임의의 실수이다.
디코더(220)는 이렇게 획득된 특징 벡터(
Figure 112021003794112-pat00022
)를 실제 잡음이 제거된 라만 산란 스펙트럼(
Figure 112021003794112-pat00023
)을 모사하는 라만 산란 스펙트럼(
Figure 112021003794112-pat00024
)으로 복원한다.
여기서 실제 잡음이 제거된 라만 산란 스펙트럼(
Figure 112021003794112-pat00025
)과 복원된 라만 산란 스펙트럼(
Figure 112021003794112-pat00026
)은
Figure 112021003794112-pat00027
개의 원소를 가진 실수 벡터이며, 하기 식 (3)과, 하기 식 (4)로 각각 표현된다.
Figure 112021003794112-pat00028
(3)
Figure 112021003794112-pat00029
(4)
라만 산란 스펙트럼 신호 전처리를 위한 오토 인코더 인공 신경망(200)은 잡음이 포함된 라만 스펙트럼(
Figure 112021003794112-pat00030
)을 입력 받아 실제 잡음이 제거된 라만 산란 스펙트럼(
Figure 112021003794112-pat00031
)과 유사한 라만 산란 스펙트럼(
Figure 112021003794112-pat00032
)을 추정하기 위해 다음과 같이 손실 함수(Loss function)를 최소화하는 방향으로 학습하며, 이는 식 (5)로 표현된다.
Figure 112021003794112-pat00033
(5)
식 (5)를 해석하면, 라만 산란 스펙트럼 전처리 및 탐지를 위한 오토 인코더 인공 신경망(200)은 잡음이 있는 라만 스펙트럼(
Figure 112021003794112-pat00034
)에 대해 추정한 라만 스펙트럼(
Figure 112021003794112-pat00035
)과 실제 잡음이 제거된 라만 스펙트럼(
Figure 112021003794112-pat00036
) 간 오차를 감소시키는 방향으로 학습한다.
도 3은 본 발명의 일 실시예에 따른 인공 신경망 기반 지표면 화학 작용제 탐지 시스템을 설명하기 위한 블록도이다.
도 3을 참조하면, 도 2의 오토 인코더 기반 라만 산란 신호 전처리 기법을 확장한 시스템으로 보다 높은 학습 효과를 위해 연속으로 측정된 3개의 라만 산란 스펙트럼(
Figure 112021003794112-pat00037
,
Figure 112021003794112-pat00038
,
Figure 112021003794112-pat00039
)을 학습시 사용(310)한다.
또한, 탐지하고자 하는 작용제의 분광 특징을 보다 효과적으로 추출하기 위해 탐지 작용제 외 다른 화학 작용제의 라만 산란 스펙트럼도 학습시 이용(310)한다.
인코더(320)는 해당 입력 정보(310)로부터 각각의 특징 벡터(330)로 매핑한다.
디코더(340)는 해당 특징 벡터(330) 중에서 현재 프레임(
Figure 112021003794112-pat00040
)의 입력에 대응하는 특징 벡터를 입력 받아, 라만 산란 스펙트럼의 잡음 제거 결과(350)를 출력한다.
탐지기(360)는 잡음이 제거된 라만 스펙트럼을 입력 받아 라만 산란 스펙트럼의 화학 작용제 탐지 및 식별 결과를 추정(370)한다.
우선 인코더(320) 및 디코더(330)의 학습은 다음 두가지 손실 함수를 최소화 하는 방향으로 수행하며, 손실 함수는 하기 식 (6)으로 표현된다.
Figure 112021003794112-pat00041
(6)
여기서
Figure 112021003794112-pat00042
,
Figure 112021003794112-pat00043
,
Figure 112021003794112-pat00044
는 각각 현재 프레임, 다음 프레임, 이전 프레임의 연속된 라만 스펙트럼 측정값을 의미하며 해당 라만 스펙트럼들은 모두 동일 화학 작용제를 대상으로 측정한 데이터이다.
즉, 손실 함수를 해석하면
Figure 112021003794112-pat00045
,
Figure 112021003794112-pat00046
,
Figure 112021003794112-pat00047
가 모두 동일한 대상을 측정한 샘플이라는 가정 하에
Figure 112021003794112-pat00048
,
Figure 112021003794112-pat00049
,
Figure 112021003794112-pat00050
세 개의 라만 산란 스펙트럼 샘플에서 잡음을 제거한 라만 스펙트럼이 모두 현재의
Figure 112021003794112-pat00051
와 같은 값을 가지도록(손실 함수가 최소화 되도록) 학습시킨다.
Figure 112021003794112-pat00052
(7)
Figure 112021003794112-pat00053
(8)
식(7)에서,
Figure 112021003794112-pat00054
,
Figure 112021003794112-pat00055
는 다른 화학 작용제에 속한 라만 스펙트럼 샘플이며(즉,
Figure 112021003794112-pat00056
,
Figure 112021003794112-pat00057
,
Figure 112021003794112-pat00058
과 동일 대상이 아닌 타 화학 작용제를 대상으로 측정한 샘플),
Figure 112021003794112-pat00059
는 사용자가 임의로 설정하는 0 이상의 상수이다.
손실 함수를 최소화한다는 의미는, 입력 라만 스펙트럼(
Figure 112021003794112-pat00060
)의 특징 벡터(
Figure 112021003794112-pat00061
)에 대하여 동일 화학 작용제에 속한 연속으로 측정된 라만 산란 스펙트럼(
Figure 112021003794112-pat00062
,
Figure 112021003794112-pat00063
)의 특징 벡터 (
Figure 112021003794112-pat00064
,
Figure 112021003794112-pat00065
)와 유클리드 거리(Euclidean Distance)를 가깝게 만들면서, 타 작용제를 대상으로 측정한 라만 산란 스펙트럼(
Figure 112021003794112-pat00066
,
Figure 112021003794112-pat00067
)의 특징 벡터(
Figure 112021003794112-pat00068
,
Figure 112021003794112-pat00069
)와의 유클리드 거리는 멀어지게 만든다.
즉, 연속된 동일 대상 측정 신호는 유사하도록 만들고, 타 화학 작용제를 대상으로 측정한 라만 산란 신호와의 특징을 보다 잘 구별할 수 있도록 학습하는 것이다.
이어서, 탐지기(360)의 심층 인공 신경망 학습은 식 (9)의 손실 함수를 최소화 하는 방향으로 수행한다.
Figure 112021003794112-pat00070
(9)
여기서 화학 작용제 종류 추정값(
Figure 112021003794112-pat00071
)은 실제 화학 작용제 종류(
Figure 112021003794112-pat00072
)와 같이
Figure 112021003794112-pat00073
개의 원소를 가진 실수 벡터이다.
이러한 손실 함수는 탐지기 추정값(
Figure 112021003794112-pat00074
)과 실제 화학 작용제 종류(
Figure 112021003794112-pat00075
) 간 교차 엔트로피(Cross Entropy)를 최소화하여 탐지기가 올바른 화학 작용제 종류(
Figure 112021003794112-pat00076
)를 추정할 수 있도록 학습시킨다.
따라서, 시스템 전반적으로 볼 때, 학습시 최적화 과정 중 최소화시키고자 하는 시스템의 전체 손실 함수는 다음과 같은 식 (10)으로 표현된다.
Figure 112021003794112-pat00077
도 4는 본 발명의 일 실시예에 인공 신경망 기반 지표면 화학 탐지 시스템을 이용한 탐지 결과를 나타내는 도면이다.
도 4를 참조하면, 인공 신경망 기반 지표면 화학 탐지 시스템을 이용한 화학 작용제 탐지 결과의 예시이다.
이에 따르면, 잡음 제거 전과 비교하여 잡은 제거 후의 신호대 잡음비(420) 및 탐지율(430)이 뛰어남을 보여준다.
한편 상술한 본 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시할 수 있다.
예를 들어 본 발명은 하나의 유독 물질이 아니라 다수의 유독 물질, 예를 들어 다중 화학 작용제를 포함하는 지표면의 화학 작용제 탐지도 할 수 있음은 물론이다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다.
컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
또한, 이러한 컴퓨터는 제어부(110)를 포함할 수도 있다.
이와 같이 본 발명에 의하면, 인공 지능 기반 학습 모델에 근거하여 각 화학 작용제의 고유 라만 산란 특징을 학습하고, 수학적 모델링 결과를 바탕으로 배경 및 잡음이 섞인 라만 스펙트럼에서 화학 작용제 고유의 라만 산란 분광 특징을 추출함으로써 화학 작용제를 효과적으로 탐지할 수 있는 효과가 있다.
또한, 본 발명에 의하면, 기 측정된 배경 및 화학 작용제 대상 라만 산란 스펙트럼을 분석하여 학습된 결과물에 의거하여 새로운 라만 산란 데이터 측정시 탐지하고자 하는 화학 작용제의 유무를 판단할 수 있는 효과가 있다.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시 예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시 예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.
또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.
100 : 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템
110 : 제어부
120 : 라만 산란 스펙트럼 획득부
130 : 라만 산란 스펙트럼 전처리부
140 : 탐지부
150 : 메모리
160 : 입력부
170 : 출력부
200 : 오토 인코더 인공 신경망
210 : 인코더
220 : 디코더

Claims (16)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 삭제
  5. 적어도 하나의 라만 분광 장치를 포함하여, 대상 지표면에서 배경 또는 상기 배경에서 존재하는 화학 작용제의 라만 산란 신호를 획득하는 라만 산란 스펙트럼 획득부;를 포함하며,
    획득된 상기 라만 산란 스펙트럼을 대상으로 오토 인코더 인공 지능 기법을 이용하여 인코더 및 디코더를 학습시키고,
    상기 인코더 및 디코더의 학습 결과를 이용하여 라만 산란 신호 잡음 제거 효과를 향상시키며,
    상기 오토 인코더 인공 지능 기법의 생성자는 동일 화학 작용제를 대상으로 연속으로 측정한 복수의 라만 산란 스펙트럼과 그 외 화학 작용제를 대상으로 측정한 라만 산란 스펙트럼을 입력값으로 입력하고,
    상기 오토 인코더 인공 지능 기법의 생성자는 심층 인공 신경망을 이용하여 잡음이 제거된 탐지하고자 하는 화학 작용제의 고유 라만 산란 분광 신호를 추출하며,
    획득된 상기 라만 산란 스펙트럼을 대상으로 심층 인공 신경망 기법을 적용하여 잡음이 제거된 라만 산란 신호를 학습시키는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  6. 삭제
  7. 제 5 항에 있어서,
    상기 라만 산란 신호의 학습 결과를 이용하여 화학 작용제의 탐지 유무를 판별하는 것을 특징으로 하는
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  8. 제 5 항에 있어서,
    상기 오토 인코더 인공 신경망은,
    잡음이 존재하는 라만 산란 스펙트럼(
    Figure 112021003794112-pat00078
    )을 입력 받아 특징 벡터(
    Figure 112021003794112-pat00079
    )로 매핑하는 인코더; 및
    특징 벡터를 잡음제거 된 라만 산란 스펙트럼(
    Figure 112021003794112-pat00080
    )으로 복원하는 디코더를 포함하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  9. 제 8 항에 있어서,
    상기 라만 산란 스펙트럼(
    Figure 112021003794112-pat00081
    )은 WN개의 파수 구간에 따른 스펙트럼값을 가진 실수 벡터이며,
    상기 WN은 스펙트럼 파수인 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  10. 제 9 항에 있어서,
    상기 라만 분광 장치의 분해 성능에 따라 특정 개수(실수)의 WN을 사용자가 직접 지정하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  11. 제 5 항에 있어서,
    상기 오토 인코더 인공 신경망은 잡음이 포함된 라만 스펙트럼(
    Figure 112021003794112-pat00082
    )을 입력 받아 실제 잡음이 제거된 라만 산란 스펙트럼(
    Figure 112021003794112-pat00083
    )과 유사한 라만 산란 스펙트럼(
    Figure 112021003794112-pat00084
    )을 추정하기 위해 손실 함수(Loss function)를 최소화하는 방향으로 학습하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  12. 제 5 항에 있어서,
    획득된 상기 지표면 라만 신호 데이터를 오토 인코더 인공 신경망 기법을 이용하여 학습시키고, 학습된 결과물에 의거하여 배경 및 간섭 물질의 잡음에 대한 정보를 제거하는 라만 산란 스펙트럼 전처리부;를 포함하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  13. 제 12 항에 있어서,
    잡음이 제거된 라만 산란 신호 스펙트럼으로부터 심층 인공 신경망 기법을 이용하여 탐지 작용제의 유무를 판단하는 탐지부;를 포함하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  14. 제 13 항에 있어서,
    인공 신경망을 이용한 지표면 화학 탐지 장치의 동작을 위해 데이터 및 프로그램을 저장하는 메모리부;를 포함하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  15. 제 14 항에 있어서,
    탐지하고자 하는 적어도 하나의 유독 물질 정보 및 장치 제어 정보를 사용자로부터 입력 받는 입력부;를 포함하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
  16. 제 15 항에 있어서,
    제어부의 제어에 따라 상기 라만 산란 신호를 학습하고 탐지 결과를 출력부;를 포함하는 것을 특징으로 하는,
    인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템.
KR1020210003826A 2021-01-12 2021-01-12 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템 KR102271995B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210003826A KR102271995B1 (ko) 2021-01-12 2021-01-12 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210003826A KR102271995B1 (ko) 2021-01-12 2021-01-12 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템

Publications (1)

Publication Number Publication Date
KR102271995B1 true KR102271995B1 (ko) 2021-07-05

Family

ID=76899638

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210003826A KR102271995B1 (ko) 2021-01-12 2021-01-12 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템

Country Status (1)

Country Link
KR (1) KR102271995B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102334588B1 (ko) * 2021-06-29 2021-12-02 국방과학연구소 비음 우도비 검정기법을 활용한 지표면 독성 화학 작용제 탐지 장치, 탐지 방법 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
KR20230111866A (ko) * 2022-01-19 2023-07-26 울산과학기술원 파장가변 양자폭포 레이저 기반의 비접촉식 액상 화학물질 탐지 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160041622A (ko) * 2014-10-08 2016-04-18 삼성전자주식회사 라만 분광 신호 다중 분석 방법
KR101668080B1 (ko) * 2015-08-13 2016-10-19 국방과학연구소 지표면 화학물질 검출용 라만 분광장치
KR20190001608A (ko) * 2016-05-25 2019-01-04 케이엘에이-텐코 코포레이션 반도체 애플리케이션을 위한 입력 이미지로부터의 시뮬레이션된 이미지 생성
KR20200018177A (ko) 2018-08-10 2020-02-19 삼성전자주식회사 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법
JP2020101543A (ja) * 2018-12-20 2020-07-02 キヤノン株式会社 情報処理装置、情報処理装置の制御方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160041622A (ko) * 2014-10-08 2016-04-18 삼성전자주식회사 라만 분광 신호 다중 분석 방법
KR101668080B1 (ko) * 2015-08-13 2016-10-19 국방과학연구소 지표면 화학물질 검출용 라만 분광장치
KR20190001608A (ko) * 2016-05-25 2019-01-04 케이엘에이-텐코 코포레이션 반도체 애플리케이션을 위한 입력 이미지로부터의 시뮬레이션된 이미지 생성
KR20200018177A (ko) 2018-08-10 2020-02-19 삼성전자주식회사 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법
JP2020101543A (ja) * 2018-12-20 2020-07-02 キヤノン株式会社 情報処理装置、情報処理装置の制御方法、及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
최선경 등, ‘지표면 화학작용제 지접촉 탐지를 위한 단자외선 라만분광법 연구’, 한국군사과학기술학회지, 18(5), 612~620쪽, 2015.10. *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102334588B1 (ko) * 2021-06-29 2021-12-02 국방과학연구소 비음 우도비 검정기법을 활용한 지표면 독성 화학 작용제 탐지 장치, 탐지 방법 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
KR20230111866A (ko) * 2022-01-19 2023-07-26 울산과학기술원 파장가변 양자폭포 레이저 기반의 비접촉식 액상 화학물질 탐지 방법 및 장치
KR102628110B1 (ko) 2022-01-19 2024-01-23 울산과학기술원 파장가변 양자폭포 레이저 기반의 비접촉식 액상 화학물질 탐지 방법 및 장치

Similar Documents

Publication Publication Date Title
Shen et al. Denoising gravitational waves with enhanced deep recurrent denoising auto-encoders
Stork et al. Application of machine learning to microseismic event detection in distributed acoustic sensing data
Muro et al. Forensic body fluid identification and differentiation by Raman spectroscopy
KR102271995B1 (ko) 인공 신경망을 이용한 지표면 화학 작용제 탐지 시스템
CN107229787B (zh) 一种基于近似系数与深度学习的伽马能谱分析方法
Sikirzhytskaya et al. Forensic identification of blood in the presence of contaminations using Raman microspectroscopy coupled with advanced statistics: effect of sand, dust, and soil
US7248370B2 (en) Method to reduce background noise in a spectrum
CN109060760B (zh) 分析模型建立方法、气体分析装置及方法
CN101632011A (zh) 用于光谱分析的高级模式识别系统
JP2020101543A (ja) 情報処理装置、情報処理装置の制御方法、及びプログラム
Dumont et al. Deep learning for surface wave identification in distributed acoustic sensing data
Burgues et al. Wind-independent estimation of gas source distance from transient features of metal oxide sensor signals
US20210010929A1 (en) Methane peak detection
Liu et al. Trophic state assessment of optically diverse lakes using Sentinel-3-derived trophic level index
CN114923873A (zh) 一种气体浓度检测方法、装置、电子设备及存储介质
Sahoo et al. MODIS-Landsat fusion-based single-band algorithms for TSS and turbidity estimation in an urban-waste-dominated river reach
Galbiati et al. MUSE Analysis of Gas around Galaxies (MAGG)–V. Linking ionized gas traced by C iv and Si iv absorbers to Ly α emitting galaxies at z≈ 3.0–4.5
Shi et al. An event recognition method based on MFCC, superposition algorithm and deep learning for buried distributed optical fiber sensors
Fu et al. The crosstalk fluorescence spectroscopy analysis principle and an accurate fluorescence quantitative method for multi-composition fluorescence substances
Ren et al. Intelligent noise suppression for gravitational wave observational data
KR102309680B1 (ko) 주성분 분석 기법을 이용한 초분광 영상 실시간 독성 화학가스 탐지 방법 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
KR102334588B1 (ko) 비음 우도비 검정기법을 활용한 지표면 독성 화학 작용제 탐지 장치, 탐지 방법 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
RU2313779C2 (ru) Корреляционно-экстремальный способ дистанционного мониторинга загрязняющих веществ
Müller et al. Online scent classification by ion-mobility spectrometry sequences
CN115078327A (zh) 一种基于神经网络架构搜索的危险化学品快速检测方法

Legal Events

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