KR102392736B1 - 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템 - Google Patents
인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템 Download PDFInfo
- Publication number
- KR102392736B1 KR102392736B1 KR1020200032938A KR20200032938A KR102392736B1 KR 102392736 B1 KR102392736 B1 KR 102392736B1 KR 1020200032938 A KR1020200032938 A KR 1020200032938A KR 20200032938 A KR20200032938 A KR 20200032938A KR 102392736 B1 KR102392736 B1 KR 102392736B1
- Authority
- KR
- South Korea
- Prior art keywords
- comet
- point
- tail
- head
- assay
- Prior art date
Links
- 238000003927 comet assay Methods 0.000 title claims abstract description 231
- 231100000170 comet assay Toxicity 0.000 title claims abstract description 231
- 238000004458 analytical method Methods 0.000 title claims abstract description 120
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000004445 quantitative analysis Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 8
- 238000003556 assay Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000013145 classification model Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 4
- 230000005778 DNA damage Effects 0.000 description 3
- 231100000277 DNA damage Toxicity 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000012623 DNA damaging agent Substances 0.000 description 1
- 240000007817 Olea europaea Species 0.000 description 1
- 239000011543 agarose gel Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
인공지능 기반의 코멧 어세이 분석 방법, 프로그램 및 시스템이 제공된다. 상기 인공지능 기반의 코멧 어세이 분석 방법은 컴퓨터에 의해 수행되는 코멧어세이를 분석하는 방법으로서, 입력 코멧어세이영상을 획득하는 단계 및 상기 입력 코멧어세이영상을 코멧어세이 분석모델에 입력하여, 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나를 추출하는, 코멧특징 추출단계를 포함하고, 상기 코멧어세이 분석모델은, 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 기반으로 훈련된 것이고, 상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고, 상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고, 상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함할 수 있다.
Description
본 발명은 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템에 관한 것이다.
코멧 어세이(comet assay)는 높은 감도와 효율성으로 세포 수준에서 시각적으로 DNA 손상을 정량화하고 측정하는 데 널리 사용되는 DNA 손상 분석 방법이다.
코멧 어세이 분석법은 기본 원리는 다음과 같다. 먼저, 세포들을 DNA 손상제를 이용하여 용해시키고, 아가로스 겔(agarose gel)에 매립시킨다. 다음으로, 슬라이드를 전기장에 배치하여 음전하를 띄는 핵의 DNA를 양극으로 이동시킨다. 전기영동(electrophoresis) 동안, 손상된 DNA는 핵 밖으로 이동하여 혜성의 꼬리와 유사한 모양을 형성하는 반면, 손상되지 않은 DNA는 혜성 모양의 머리를 형성한다. 혜성 머리가 더 어둡고, 꼬리가 더 길고 밝을수록 DNA에 더 많은 손상이 있는 것을 확인할 수 있다. 즉, 혜성 모양의 개별 모양을 코멧이라 지칭하고, 상기 코멧의 형상을 분석함으로써 DNA의 손상 정도를 분석하는 원리이다.
한편, 종래의 코멧어세이영상을 분석하는 방법은 대부분의 과정이 수작업으로 진행되었다.
인공지능(artificial intelligence; AI) 기술은 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 기술 분야이다.
머신 러닝(machine learning) 또는 기계 학습은 인공지능의 한 분야로서 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야이다. 머신 러닝은 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이다. 한편, 딥 러닝(Deep learning)은 기계학습의 한 분야이다. 딥 러닝은 일반적인 머신 러닝과 인간의 가르침 과정을 생략하더라도 스스로 학습하고 미래 상황을 예측할 수 있다는 점에서 차이가 있다.
한편, 인공지능, 머신러닝 또는 딥러닝 기술을 보다 효율적으로 적용하기 위해서는 훈련 과정에서 이용되는 정답 데이터(ground truth)의 품질이 매우 중요하다.
본 발명이 해결하고자 하는 과제는 코멧 어세이 분석법을 수행함에 있어서 수작업이 요구되는 절차를 인공지능 기술로 대체하되, 높은 정확도를 유지할 수 있는 인공지능 기반의 코멧 어세이 분석 방법, 프로그램 및 시스템을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는 코멧 어세이 분석법에 인공지능 기술을 적용함에 있어서 코멧 어세이 분석모델을 훈련시킬 수 있는 고품질의 기초 데이터 세트를 제공하는 인공지능 기반의 코멧 어세이 분석 방법, 프로그램 및 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 기반의 코멧 어세이 분석 방법은, 컴퓨터에 의해 수행되는 코멧어세이를 분석하는 방법으로서, 입력 코멧어세이영상을 획득하는 단계 및 상기 입력 코멧어세이영상을 코멧어세이 분석모델에 입력하여, 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나를 추출하는, 코멧특징 추출단계를 포함하고, 상기 코멧어세이 분석모델은, 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 기반으로 훈련된 것이고, 상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고, 상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고, 상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함할 수 있다.
또한, 상기 방법에서, 상기 키포인트는 머리 키포인트와 꼬리 키포인트를 포함하고, 상기 머리 키포인트는 상기 코멧 머리의 중심에 위치하는 제1포인트와, 상기 코멧 머리의 외곽에 위치하는 제2포인트를 포함할 수 있다.
또한, 상기 방법에서, 상기 꼬리 키포인트는 상기 제2포인트를 시작지점으로 하여 상기 코멧 꼬리의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함할 수 있다.
또한, 상기 방법에서, 상기 마스크는, 상기 코멧의 내부를 사전 설정된 색상으로 채워서 생성되되, 상기 머리 키포인트를 이용하여 상기 코멧 머리에 생성된 원형 마스크를 포함할 수 있다.
또한, 상기 방법에서, 상기 마스크는 코멧 머리와 코멧 꼬리를 분리하여 인식하는데 이용되며, 상기 원형 마스크가 생성된 부분을 코멧 머리로 인식하고, 상기 마스크의 전체 영역에서 상기 원형 마스크 부분을 제외한 부분을 코멧 꼬리로 인식할 수 있다.
또한, 상기 방법에서, 상기 코멧종류는 고스트(ghost) 코멧과 논고스트(non-ghost) 코멧을 포함하고, 상기 사전 설정된 색상은 상기 코멧종류에 따라 상이한 것일 수 있다.
또한, 상기 방법에서, 상기 코멧의 수치분석값을 산출하는, 코멧 정량분석단계를 더 포함하고, 상기 코멧 정량분석단계는, 각각의 코멧을 둘러싸는 경계박스를 설정하고, 상기 경계박스 내의 코멧에 상기 경계박스의 테두리의 픽셀값 중 중앙값, 평균값, 분산값 중 어느 하나를 적용하는, 픽셀값 보정 단계를 포함할 수 있다.
또한, 상기 방법에서, 상기 코멧의 수치분석값을 산출하는, 코멧 정량분석단계를 더 포함하고, 상기 코멧 정량분석단계는, 상기 코멧영역에 타원을 배치하고, 상기 타원의 장축과 x축 간의 각도만큼 코멧을 회전시키는, 코멧 꼬리방향 보정단계를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 인공지능 기반의 코멧 어세이 분석 방법은, 컴퓨터에 의해 수행되는 코멧어세이 분석모델을 훈련시키는 방법으로서,
원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 획득하는 단계 및 상기 훈련데이터를 기반으로 코멧어세이 분석모델을 훈련시키는 단계를 포함하고, 상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고, 상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고, 상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함할 수 있다.
또한, 상기 방법에서, 상기 키포인트는 머리 키포인트와 꼬리 키포인트를 포함하고, 상기 머리 키포인트는 상기 코멧 머리의 중심에 위치하는 제1포인트와, 상기 코멧 머리의 외곽에 위치하는 제2포인트를 포함할 수 있다.
또한, 상기 방법에서, 상기 꼬리 키포인트는 상기 제2포인트를 시작지점으로 하여 상기 코멧 꼬리의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함할 수 있다.
또한, 상기 방법에서, 상기 마스크는, 상기 코멧의 내부를 사전 설정된 색상으로 채워서 생성되되, 상기 머리 키포인트를 이용하여 상기 코멧 머리에 생성된 원형 마스크를 포함할 수 있다.
또한, 상기 방법에서, 상기 코멧종류는 고스트(ghost) 코멧과 논고스트(non-ghost) 코멧을 포함하고, 상기 사전 설정된 색상은 상기 코멧종류에 따라 상이한 것일 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 면에 따른 인공지능 기반의 코멧 어세이 분석 프로그램은, 하드웨어인 컴퓨터와 결합되어 상기 방법들을 실행시키기 위하여 매체에 저장될 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 면에 따른 인공지능 기반의 코멧 어세이 분석 시스템은, 코멧어세이를 분석하는 시스템으로서, 입력 코멧어세이영상을 획득하는, 입력 코멧어세이영상 획득부 및 상기 입력 코멧어세이영상을 코멧어세이 분석모델에 입력하여, 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나를 추출하는, 코멧특징 추출부를 포함하고, 상기 코멧어세이 분석모델은, 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 기반으로 훈련된 것이고, 상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고, 상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고, 상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 면에 따른 인공지능 기반의 코멧 어세이 분석 시스템은, 코멧어세이 분석모델을 훈련시키는 시스템으로서, 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 획득하는, 훈련데이터 획득부 및 상기 훈련데이터를 기반으로 코멧어세이 분석모델을 훈련시키는, 코멧어세이 분석모델 훈련부를 포함하고, 상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고, 상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고, 상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
상기 본 발명에 의하면, 수작업이 아닌 자동으로 코멧어세이영상으로부터 코멧영역을 정확하게 추출하고, 추출된 코멧영역에서 코멧의 세부 구성을 추출하고, 코멧의 종류를 분류하고, 코멧을 정량분석하여 수치분석값을 산출할 수 있게 되어 보다 편리하고 신속하게 코멧 어세이 분석을 수행할 수 있다.
또한, 상기 본 발명에 의하면, 코멧 어세이 분석모델을 훈련시키기 위한 정답 데이터(ground truth)로서 코멧영역정보, 코멧구성정보, 코멧종류정보가 포함된 정답 코멧어세이영상을 사용하여 보다 정확하고 신뢰할 수 있는 인공지능 기반의 코멧 어세이 분석 방법, 프로그램 및 시스템을 제공할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 코멧어세이를 분석하는 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 코멧어세이 분석 방법을 개략적으로 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 코멧영역정보를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 코멧구성정보 및 키포인트를 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 코멧종류정보를 나타내는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 코멧어세이 분석모델을 이용하여 코멧어세이를 분석하는 과정을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 코멧 꼬리방향 보정단계를 나타내는 예시도이다.
도 8은 본 발명의 일 실시예에 따른 정량분석 결과를 나타내는 예시도이다.
도 9는 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 시스템의 구성도이다.
도 10은 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 방법을 개략적으로 나타내는 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 코멧어세이 분석 방법을 개략적으로 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 코멧영역정보를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 코멧구성정보 및 키포인트를 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 코멧종류정보를 나타내는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 코멧어세이 분석모델을 이용하여 코멧어세이를 분석하는 과정을 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 코멧 꼬리방향 보정단계를 나타내는 예시도이다.
도 8은 본 발명의 일 실시예에 따른 정량분석 결과를 나타내는 예시도이다.
도 9는 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 시스템의 구성도이다.
도 10은 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 방법을 개략적으로 나타내는 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서 "코멧어세이 분석모델"은 코멧어세이영상을 인공지능 기반으로 학습 및 분석하는 모델을 의미한다.
본 명세서에서 "입력 코멧어세이영상"은 분석 대상이 되는 코멧어세이영상을 의미한다. 즉, 입력 코멧어세이영상은 입력 데이터(input data)로서 코멧어세이 분석모델에 입력되는 코멧어세이영상이다. 입력 코멧어세이영상은 원본 그대로 또는 전처리 과정을 거친 후 입력될 수 있으나 이에 한정되는 것은 아니다.
본 명세서에서 "출력 코멧어세이영상"은 입력 코멧어세이영상을 코멧어세이 분석모델에 입력하여 분석한 결과 데이터(output data)로 출력된 코멧어세이영상을 의미한다.
본 명세서에서 "원본 코멧어세이영상"은 코멧어세이 분석모델을 훈련시키는 기초 데이터로서, 원본 그대로 또는 전처리 과정이 수행된 코멧어세이영상을 의미한다. 즉, 원본 코멧어세이영상은 코멧영역정보, 코멧구성정보 및 코멧종류정보를 포함하지 않는 코멧어세이영상이다.
본 명세서에서 "정답 코멧어세이영상"은 코멧어세이 분석모델을 훈련시키는 기초 데이터로서, 정답값(ground truth) 역할을 하는 코멧어세이영상을 의미한다. 즉, 정답 코멧어세이영상은 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나를 포함한다.
본 명세서에서 "코멧영역정보"는 코멧어세이영상 내에서 코멧이 위치하는 영역에 대한 정보를 의미한다.
본 명세서에서 "코멧구성정보"는 코멧의 구성에 대한 정보를 의미한다. 예를 들어, 코멧구성정보는 코멧 머리 및 코멧 꼬리를 포함할 수 있으나 이에 한정되는 것은 아니고, 코멧을 분리할 수 있는 임의의 구성을 포함한다.
본 명세서에서 "코멧종류정보"는 코멧을 분류하는 종류에 대한 정보를 의미한다. 예를 들어, 코멧종류정보는 고스트(ghost) 코멧 및 논고스트(non-ghost) 코멧을 포함할 수 있으나 이에 한정되는 것은 아니고, 코멧을 분류할 수 있는 임의의 종류를 포함한다.
본 명세서에서 "수치분석값"은 코멧을 정량적으로 분석하여 수치화한 값을 의미한다. 예를 들어, 수치분석값은 코멧 머리 직경, 코멧 꼬리 길이, head per DNA, tail per DNA, 코멧 꼬리 간격, 꼬리 모먼트(tail moment), 올리브 모먼트(olive moment) 중 어느 하나를 포함할 수 있으나 이에 한정되는 것은 아니고, 수치화할 수 있는 임의의 값을 포함한다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서는 편의상 코멧어세이를 분석하는 시스템(100)과 코멧어세이 분석모델을 훈련시키는 시스템(200)은 별도로 도시 및 설명되어 있으나, 이에 한정되지 않고 통합 시스템으로 구성될 수 있다. 즉, 하나의 시스템으로 구성되어 코멧어세이를 분석하는 역할 및 코멧어세이 분석모델을 훈련시키는 역할을 전부 수행할 수 있다.
도 1은 본 발명의 일 실시예에 따른 코멧어세이를 분석하는 시스템(100)의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 다른 코멧어세이를 분석하는 시스템(100)은 코멧어세이영상 획득부(110), 코멧특징 추출부(120) 및 코멧 정량분석부(130)를 포함할 수 있다.
코멧어세이영상 획득부(110)는 입력 코멧어세이영상을 획득하는 역할을 수행한다. 즉, 코멧어세이영상 획득부(110)는 코멧어세이영상 분석 시스템(100)이 분석하려는 대상인 입력 코멧어세이영상을 획득한다.
일 실시예로, 입력 코멧어세이영상은 원본 그대로의 영상 또는 전처리 과정을 거친 영상일 수 있다. 이때, 전처리 과정은 배경과 관심 객체(코멧)의 경계가 명확해지도록 하는 영상처리 과정이다.
전처리 과정의 구체적인 예로, 이미지의 RGB 채널 중 Green 채널에 대해서 히스토그램 평활화 방법을 적용할 수 있다. 즉, 원본 영상에 Green 채널 값의 히스토그램은 전체 범위(0~255) 중 특정 범위(0~50)에 집중되어 있어 배경과 관심 객체(코멧)의 경계가 명확하지 않은 경우, 히스토그램 균일화 방법을 이용하여 영상 히스토그램의 누적분포를 산출하고, 누적분포를 평활화하여 밀도가 높은 범위의 값을 상대적으로 평활화시켜 보다 명확히 구분되도록 한다. 이를 통해 코멧어세이 분석모델(10)은 입력 코멧어세이영상을 보다 정확하게 분석할 수 있다.
한편, 상술한 전처리 과정은 코멧어세이 분석모델 훈련 시스템(200)에서 훈련 데이터로 사용되는 원본 코멧어세이영상에도 동일하게 적용될 수 있다.
코멧특징 추출부(120)는 코멧어세이영상 획득부(110)가 획득한 입력 코멧어세이영상에서 코멧특징을 추출하는 역할을 수행한다.
코멧특징 추출부(120)는 획득한 입력 코멧어세이영상을 코멧어세이 분석모델(10)에 입력하여 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나를 추출한다.
이때, 코멧어세이 분석모델(10)은 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 기반으로 훈련된 것이다. 코멧어세이 분석모델(10) 훈련에 대한 상세한 내용은 도 9 및 도 10을 참조하여 후술한다.
일 실시예로, 코멧특징 추출부(120)는 입력 코멧어세이영상을 코멧어세이 분석모델(10)에 입력하여 출력 코멧어세이영상을 생성할 수 있다. 출력 코멧어세이영상은 코멧어세이 분석모델(10)에 의하여 추출된 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나를 포함할 수 있다. 구체적인 예로, 출력 코멧어세이영상은 코멧영역이 추출되어 코멧영역 테두리에 시각적으로 표시(annotation 또는 tagging)되어 있을 수 있고, 코멧 머리(20)에 머리 키포인트(21)가 표시(annotation 또는 tagging)되어 있을 수 있고, 코멧의 종류를 고스트 코멧 또는 논고스트 코멧으로 분류하여 각각 상이한 색깔로 처리된 마스크가 표시(annotation 또는 tagging)되어 있을 수 있다.
코멧 정량분석부(130)는 코멧특징 추출부(120)가 추출한 코멧특징을 기반으로 코멧의 수치분석값을 산출하는 역할을 수행한다. 즉, 코멧 정량분석부(130)는 코멧어세이 분석모델(10)로부터 출력된 출력 코멧어세이영상에 대하여 정량분석하여 수치분석값을 산출(연산)함으로써 각각의 코멧에 점수를 부여하고 기록한다. 코멧 정량분석부(130)가 코멧을 정량분석하는 과정은 도 6 내지 도 8을 참조하여 후술한다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 코멧어세이 분석 방법을 개략적으로 나타내는 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 인공지능 기반의 코멧어세이 분석 방법은, 코멧어세이영상 획득단계(S310), 코멧특징 추출단계(S330) 및 코멧 정량분석단계(S350)를 포함할 수 있다.
S310 단계는 코멧어세이영상 획득부(110)가 입력 코멧어세이영상을 획득하는 단계이다.
입력 코멧어세이영상을 획득하는 방법은 무선 또는 유선으로 입력받거나 수신할 수 있으며 획득방법에 대한 제한은 없다.
S330 단계는 코멧특징 추출부(120)가 입력 코멧어세이영상을 코멧어세이 분석모델(10)에 입력하여 코멧 특징을 추출하는 단계이다.
일 실시예로, 코멧특징 추출부(120)는 코멧 특징으로서, 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 하나 이상을 추출하고, 추출한 코멧 특징을 시각적으로 표시(annotation 또는 tagging)한 출력 코멧어세이영상을 제공할 수 있다.
S350 단계는 코멧 정량분석부(130)가 코멧어세이 분석모델(10)로부터 출력된 출력 코멧어세이영상을 정량분석하여 수치분석값을 산출하는 단계이다.
코멧 정량분석부(130)는 코멧특징 추출부(120)에 의하여 추출된 코멧 특징을 기반으로 출력 코멧어세이영상을 분석하여 코멧 머리 길이, 코멧 꼬리 길이 등의 수치분석값을 연산함으로써 각각의 코멧에 점수를 부여하고 기록한다.
도 3은 본 발명의 일 실시예에 따른 코멧영역정보를 나타내는 예시도이다.
일 실시예로, 출력 코멧어세이영상은 시각적으로 표시된 코멧영역정보를 포함할 수 있다. 도 3을 참조하면, 입력 코멧어세이영상에 포함되어 있던 복수의 코멧들의 테두리에 코멧영역이 시각적으로 표시되어 있다. 즉, 사용자는 입력 코멧어세이영상에 대하여 수작업으로 코멧이 있는 영역을 찾을 필요없이 입력 코멧어세이영상을 코멧어세이 분석모델(10)에 입력하면, 코멧어세이 분석모델(10)이 자동으로 코멧영역을 추출하고 시각적으로 표시하여 제공한다.
다른 실시예로, 시각적으로 표시된 코멧영역에는 각각의 번호가 태깅(tagging)될 수 있다. 이를 통해 코멧어세이영상에 복수의 코멧이 포함되어 있는 경우, 산출된 수치분석값이 어떤 코멧에 대응되는 값인지 직관적으로 확인할 수 있다.
도 4는 본 발명의 일 실시예에 따른 코멧구성정보 및 키포인트를 나타내는 예시도이다.
일 실시예로, 코멧구성은 코멧 머리(20) 및 코멧 꼬리(30)를 포함할 수 있고, 코멧구성정보는 코멧 머리(20)와 코멧 꼬리(30)로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함할 수 있다. 또한, 키포인트는 머리 키포인트(21)와 꼬리 키포인트(31)를 포함할 수 있다. 즉, 코멧어세이 분석모델(10)은 코멧구성정보에 포함된 키포인트를 기반으로 코멧 구성 각각을 구별하여 예측(인식) 및 추출할 수 있다.
구체적인 예로, 머리 키포인트(21)는 코멧 머리(20)를 예측(인식)하기 위한 키포인트로서, 코멧 머리(20)의 중심에 위치하는 제1포인트(21-1)와, 코멧 머리(20)의 외곽에 위치하는 제2포인트(21-2)를 포함할 수 있다. 코멧어세이 분석모델(10)은 코멧 머리(20)가 원형임을 전제로 하여 코멧 머리(20)를 예측하되, 코멧 머리(20)에서 제1포인트(21-1)와 제2포인트(21-2)를 추출하고, 추출한 제1포인트(21-1)와 제2포인트(21-2) 간의 거리를 반지름으로 하는 원형을 코멧 머리(20)로 예측할 수 있다.
한편, 제2포인트(21-2)는 코멧 머리(20)의 외곽의 임의의 한 점이며, 바람직하게는 코멧 머리(20)의 가장 아래 지점 또는 가장 위 지점일 수 있다. 이 경우, 제2포인트(21-2)는 코멧 머리(20)의 외곽과 코멧 꼬리(30)의 테두리의 접점이 되어 보다 정확하게 코멧 머리(20)와 코멧 꼬리(30)의 영역을 구분할 수 있다.
다른 구체적인 예로, 꼬리 키포인트(31)는 제2포인트(21-2)를 시작지점으로 하여 코멧 꼬리(30)의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함할 수 있다. 코멧어세이 분석모델(10)은 머리 키포인트(21)를 기반으로 코멧 머리(20)를 예측한 후에, 제2포인트(21-2)로부터 코멧 꼬리(30)의 외곽을 시계방향 또는 반시계방향으로 둘러싸며 복수의 꼬리 키포인트(31)를 추출하고, 추출한 꼬리 키포인트(31)를 기반으로 코멧 꼬리(30) 영역을 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 코멧종류정보를 나타내는 예시도이다.
도 5(a)는 마스크 처리가 되지 않은 코멧어세이영상에서 고스트 코멧과 논고스트 코멧을 나타내는 예시도이고, 도 5(b)는 마스크 처리가 된 코멧어세이영상을 나타내는 예시도이다.
일 실시예로, 코멧종류는 고스트(ghost) 코멧과 논고스트(non-ghost) 코멧을 포함하고, 코멧종류정보는 고스트 코멧의 특징(예를 들어, 코멧 머리의 직경이 특정값 이하로 작거나, 코멧 머리가 인식되지 않는 경우)을 포함할 수 있다.
"고스트 코멧"은 대부분의 DNA가 코멧 꼬리에 위치하여 코멧 머리가 지나치게 작거나 없는 코멧이고, "논고스트 코멧"은 고스트 코멧이 아닌 코멧이다.
코멧어세이 분석모델(10)은 추출된 코멧을 코멧종류정보를 기반으로 코멧의 종류를 결정한다. 구체적인 예로, 코멧어세이 분석모델(10)은 코멧종류정보에 포함된 고스트 포멧의 특징에 해당하는 코멧을 고스트 코멧으로 분류하고, 그 외의 코멧을 논고스트 코멧으로 분류할 수 있다. 이와 같이 코멧을 고스트 코멧 또는 논고스트 코멧으로 분류함으로써, 사용자의 목적에 따라 맞춤형 분석이 가능하다. 예를 들어, 사용자는 논고스트 코멧만을 분석 대상으로 설정하거나, 고스트셀에 대해 특정 조건을 적용하여 분석을 진행할 수 있다.
다른 실시예로, 코멧종류정보는 코멧종류를 분류하는 마스크(mask)를 포함할 수 있다. 마스크는 코멧의 내부를 사전 설정된 색상으로 채워서 생성될 수 있다.
코멧 머리(20)에 마스크를 생성하는 구체적인 예로, 마스크는 코멧 머리(20)에 생성되는 원형 마스크를 포함하고, 상기 원형 마스크는 머리 키포인트(21)를 이용하여 생성될 수 있다. 즉, 코멧어세이 분석모델(10)은 추출된 코멧에서 머리 키포인트(21)를 추출하고, 추출한 머리 키포인트(21)를 이용하여 코멧 머리(20)를 예측하고, 해당 코멧 머리(20) 내부를 원형 마스크를 생성하여 채울 수 있다.
이때, "사전 설정된 색상"은 코멧종류에 따라 설정된 마스크의 색상이다. 예를 들어, 고스트 코멧에는 파란색 마스크를 적용하고, 논고스트 코멧에는 빨간색 마스크를 적용할 수 있으나, 이에 한정되는 것은 아니고 코멧종류를 식별할 수 있도록 상이한 색상을 다양하게 적용할 수 있다.
코멧 꼬리(30)에 마스크를 생성하는 구체적인 예로, 마스크는 꼬리 키포인트(31)를 이용하여 생성될 수 있다. 즉, 코멧어세이 분석모델(10)은 추출된 코멧에서 꼬리 키포인트(31)를 추출하고, 추출한 꼬리 키포인트(31)로 둘러싸인 영역 내부를 코멧 꼬리(30)로 예측하고, 해당 영역을 마스크를 생성하여 채울 수 있다. 이때, 코멧 꼬리(30) 영역 내부를 색상으로 채우는 과정은 볼록 껍질 알고리즘(convex hull algorithm)이 이용될 수 있으나, 이에 한정되는 것은 아니고 다양한 알고리즘이 적용될 수 있다.
한편, 마스크는 코멧 머리(20)와 코멧 꼬리(30)를 분리하여 인식하는데 이용되며, 코멧 머리(20)에 생성된 원형 마스크가 생성된 부분을 코멧 머리(20)로 인식하고, 마스크의 전체 영역에서 상기 원형 마스크 부분을 제외한 부분을 코멧 꼬리(30)로 인식할 수 있다.
도 6은 본 발명의 일 실시예에 따른 코멧어세이 분석모델(10)을 이용하여 코멧어세이를 분석하는 과정을 설명하기 위한 예시도이다.
코멧어세이 분석모델(10)은 코멧영역정보를 기반으로 입력 코멧어세이영상으로부터 코멧영역을 추출하고, 코멧구성정보를 기반으로 코멧영역 내의 코멧의 코멧구성을 구별하여 예측하고, 코멧종류정보를 기반으로 코멧의 종류를 결정하여 각각에 매칭되는 색상의 마스크를 생성하여 적용하여, 출력 코멧어세이영상을 제공한다.
코멧 정량분석부(130)는 제공된 출력 코멧어세이영상에서 개별 코멧을 추출하고, 각각의 코멧을 정략분석하여 수치분석값을 산출한다.
한편, 일 실시예로, 코멧 정량분석부(130)는 개별 코멧을 추출하는 과정에서, 픽셀값 보정을 수행할 수 있다. 구체적으로, 픽셀값 보정은 각각의 코멧을 둘러싸는 경계박스를 설정하고, 상기 경계박스 내의 코멧에 상기 경계박스의 테두리의 픽셀값 중 중앙값, 평균값, 분산값 중 어느 하나를 적용함으로써 수행된다. 이를 통해 코멧어세이 분석 과정에서 배경 밝기 잡음(background brightness noise)이 정량화에 주는 영향을 감소시킬 수 있다.
다른 실시예로, 코멧 정량분석부(130)는 정량분석의 정확도 향상을 위하여 코멧 꼬리(30)의 방향 보정을 수행할 수 있다. 이에 대한 상세한 설명은 도 7을 참조하여 후술한다.
코멧 정량분석부(130)는 코멧 머리(20)와 코멧 꼬리(30)를 분리하여, 각각의 구성에 대해 정량분석하여 수치분석값을 산출한다.
도 7은 본 발명의 일 실시예에 따른 코멧 꼬리방향 보정단계를 나타내는 예시도이다.
코멧의 꼬리는 여러가지 원인으로 인하여 가끔 사선으로 기울어져 있는데, 현존 코멧이미지 분석프로그램들은 이를 보정하지 않고 직접 코멧의 길이를 측정하므로 최종 결과에 오차가 발생한다. 본 발명은 이러한 오차를 줄이기 위하여 코멧 꼬리(30)의 방향을 x축에 평행하도록 회전하여 통일시킴으로써 정량분석의 정확도를 향상시킨다.
도 7(a)는 방향이 보정되기 전의 코멧 모습을 나타내는 예시도이고, 도 7(b)는 방향이 보정된 코멧을 나타내는 예시도이다.
도 7(a)에 도시된 바와 같이, 코멧 머리(20) 쪽의 끝단과 코멧 꼬리(30) 쪽의 끝단과 접하며 코멧을 내부에 포함하는 가상의 타원을 생성하여 배치한다. 상기 타원의 장축과 x축 간의 각도만큼 코멧을 회전시킨다. 그 결과, 도 7(b)에 도시된 바와 같이 코멧은 축에 평행한 방향으로 위치하게 된다.
도 8은 본 발명의 일 실시예에 따른 정량분석 결과를 나타내는 예시도이다.
도 8에 도시된 바와 같이, 추출된 각각의 코멧에 대하여 산출된 수치분석값은 테이블화하여 제공될 수 있다.
도 9는 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 시스템(200)의 구성도이다.
일 실시예로, 코멧어세이 분류모델(10)은 인공지능 기술을 기반으로 훈련(학습)할 수 있으며, 보다 상세하게는, 딥러닝(deep learning) 기술이 적용될 수 있다.
구체적인 예로, 코멧어세이 분류모델(10)은 객체(코멧)를 인지하기 위한 객체인식모델로서 이단계 방식(Two-stage methods) 또는 단일단계 방식(Single-stage methods)의 알고리즘들을 포함할 수 있다.
이단계 방식은 객체를 포함할 가능성이 높은 영역을 선택적으로 탐색하는 컴퓨터 비전 기술 또는 딥러닝 기반의 영역 제안 네트워크(RPN; Region proposal netwrok)를 적용하는 방식이다. 즉, 후보군의 윈도우 세트를 취합하고 회귀 모델과 분류 모델의 수를 공식화해 객체를 탐지한다. 객체인식모델은 이단계 방식의 알고리즘의 예로서, R-CNN(Region based CNN), Mask-R-CNN, Faster R-CNN, R-FCN(Region-based Fully Convolutional Networks), 3D CNN 등의 알고리즘을 포함할 수 있다.
단일단계 방식은 사전 결정된 위치 및 크기를 기반으로 객체를 탐색하는 방식이다. 객체인식모델은 단일단계 방식의 알고리즘의 예로서, YOLO(You only look once) 알고리즘, SSD(Single Shot Mutibox Detector), RetinaNet 등의 알고리즘을 포함할 수 있다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 시스템(200)은 훈련데이터 획득부(210) 및 코멧어세이 분석모델 훈련부(220)를 포함할 수 있다.
훈련데이터 획득부(210)는 코멧어세이 분석모델(10)을 훈련시키는데 이용되는 훈련데이터를 획득하는 역할을 수행한다.
일 실시예로, 훈련데이터는 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합(포함)하는 것이다.
코멧어세이 분석모델 훈련부(220)는 획득한 훈련데이터를 기반으로 코멧어세이 분석모델(10)을 훈련시키는 역할을 수행한다.
코멧어세이 분석모델 훈련부(220)는 훈련데이터에 포함된 원본 코멧어세이영상에 대하여 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 하나 이상에 대응되는 예측값을 출력한다.
코멧어세이 분석모델 훈련부(220)는 출력한 예측값과 훈련데이터에 포함된 정답 코멧어세이영상에 포함된 정답값과 비교분석한다.
코멧어세이 분석모델 훈련부(220)는 코멧어세이 분석모델(10)에 예측값과 정답값의 차이에 대한 피드백 정보를 제공한다.
코멧어세이 분석모델(10)은 제공된 피드백 정보를 기반으로 원본 코멧어세이영상에 대한 분석을 반복하며 예측값과 정답값의 차이를 줄여나가며 훈련(학습)을 진행하여 코멧어세이영상 분석의 정확도를 점층적으로 향상시킨다.
한편, 코멧어세이 분석모델(10)은 제공된 훈련데이터를 기반으로 훈련을 반복한 결과 일정 수준의 정확도에 도달하면, 별도의 테스트용(검증용) 데이터를 이용하여 충분히 학습되었는지 테스트를 진행할 수 있다. 즉, 학습에 이용되지 않았던 코멧어세이영상을 학습된 코멧어세이 분석모델(10)에 입력하여 결과값이 제대로 도출되는지 확인함으로써 학습의 완성도를 확인할 수 있다.
도 10은 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 방법을 개략적으로 나타내는 흐름도이다.
도 10을 참조하면, 본 발명의 일 실시예에 따른 코멧어세이 분류모델을 훈련시키는 방법은, 훈련데이터 획득단계(S410) 및 코멧어세이 분석모델 훈련단계(S430)를 포함할 수 있다.
S410 단계는 원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보 중 적어도 하나의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 획득하는 단계이다.
S430 단계는 획득한 훈련데이터를 기반으로 코멧어세이 분석모델을 훈련시키는 단계이다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10 : 코멧 어세이 분석모델
20 : 코멧 머리
21 : 머리 키포인트
21-1 : 제1포인트
21-2 : 제2포인트
30 : 코멧 꼬리
31 : 꼬리 키포인트
100 : 코멧어세이영상 분석 시스템
200 : 코멧어세이 분석모델 훈련 시스템
20 : 코멧 머리
21 : 머리 키포인트
21-1 : 제1포인트
21-2 : 제2포인트
30 : 코멧 꼬리
31 : 꼬리 키포인트
100 : 코멧어세이영상 분석 시스템
200 : 코멧어세이 분석모델 훈련 시스템
Claims (17)
- 컴퓨터에 의해 수행되는 코멧어세이를 분석하는 방법으로서,
입력 코멧어세이영상을 획득하는 단계; 및
상기 입력 코멧어세이영상을 코멧어세이 분석모델에 입력하여, 코멧영역정보, 코멧구성정보 및 코멧종류정보를 추출하는, 코멧특징 추출단계를 포함하고,
상기 코멧어세이 분석모델은,
원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 기반으로 훈련된 것이고,
상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고,
상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고,
상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함하고,
상기 키포인트는 머리 키포인트와 꼬리 키포인트를 포함하고,
상기 머리 키포인트는 상기 코멧 머리의 중심에 위치하는 제1포인트와, 상기 코멧 머리의 외곽 중 상기 코멧 머리의 가장 아래 지점 또는 가장 위 지점에 위치하며 상기 코멧 머리의 외곽과 상기 코멧 꼬리의 외곽의 접점인 제2포인트를 포함하며,
상기 꼬리 키포인트는 상기 제2포인트를 시작지점으로 하여 상기 코멧 꼬리의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함하고,
상기 코멧특징 추출단계는,
상기 제1포인트 및 상기 제2포인트를 추출하는 단계;
상기 제1포인트와 상기 제2포인트 간의 거리를 반지름으로 하는 원형을 상기 코멧 머리의 영역으로 예측하는 단계;
상기 제2포인트로부터 상기 코멧 꼬리의 외곽을 상기 시계방향 또는 상기 반시계방향으로 둘러싸며 상기 꼬리 키포인트를 추출하는 단계; 및
상기 꼬리 키포인트로 둘러싸인 영역을 상기 코멧 꼬리의 영역으로 예측하는 단계;를 포함하는, 인공지능 기반의 코멧 어세이 분석 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 마스크는, 상기 코멧의 내부를 사전 설정된 색상으로 채워서 생성되되, 상기 머리 키포인트를 이용하여 상기 코멧 머리에 생성된 원형 마스크를 포함하는, 인공지능 기반의 코멧 어세이 분석 방법. - 제4항에 있어서,
상기 마스크는 코멧 머리와 코멧 꼬리를 분리하여 인식하는데 이용되며, 상기 원형 마스크가 생성된 부분을 코멧 머리로 인식하고, 상기 마스크의 전체 영역에서 상기 원형 마스크 부분을 제외한 부분을 코멧 꼬리로 인식하는, 인공지능 기반의 코멧 어세이 분석 방법. - 제4항에 있어서,
상기 코멧종류는 고스트(ghost) 코멧과 논고스트(non-ghost) 코멧을 포함하고,
상기 사전 설정된 색상은 상기 코멧종류에 따라 상이한, 인공지능 기반의 코멧 어세이 분석 방법. - 제1항에 있어서,
상기 코멧의 수치분석값을 산출하는, 코멧 정량분석단계를 더 포함하고,
상기 코멧 정량분석단계는,
각각의 코멧을 둘러싸는 경계박스를 설정하고, 상기 경계박스 내의 코멧에 상기 경계박스의 테두리의 픽셀값 중 중앙값, 평균값, 분산값 중 어느 하나를 적용하는, 픽셀값 보정 단계를 포함하는, 인공지능 기반의 코멧 어세이 분석 방법. - 제1항에 있어서,
상기 코멧의 수치분석값을 산출하는, 코멧 정량분석단계를 더 포함하고,
상기 코멧 정량분석단계는,
상기 코멧영역에 타원을 배치하고, 상기 타원의 장축과 x축 간의 각도만큼 코멧을 회전시키는, 코멧 꼬리방향 보정단계를 포함하는, 인공지능 기반의 코멧 어세이 분석 방법. - 컴퓨터에 의해 수행되는 코멧어세이 분석모델을 훈련시키는 방법으로서,
원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 획득하는 단계; 및
상기 훈련데이터를 기반으로 코멧어세이 분석모델을 훈련시키는 단계를 포함하고,
상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고,
상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고,
상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함하고,
상기 키포인트는 머리 키포인트와 꼬리 키포인트를 포함하고,
상기 머리 키포인트는 상기 코멧 머리의 중심에 위치하는 제1포인트와, 상기 코멧 머리의 외곽 중 상기 코멧 머리의 가장 아래 지점 또는 가장 위 지점에 위치하며 상기 코멧 머리의 외곽과 상기 코멧 꼬리의 외곽의 접점인 제2포인트를 포함하며,
상기 꼬리 키포인트는 상기 제2포인트를 시작지점으로 하여 상기 코멧 꼬리의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함하고,
상기 코멧어세이 분석모델을 훈련시키는 단계는,
상기 제1포인트 및 상기 제2포인트를 추출하는 단계;
상기 제1포인트와 상기 제2포인트 간의 거리를 반지름으로 하는 원형을 상기 코멧 머리의 영역으로 예측하는 단계;
상기 제2포인트로부터 상기 코멧 꼬리의 외곽을 상기 시계방향 또는 상기 반시계방향으로 둘러싸며 상기 꼬리 키포인트를 추출하는 단계; 및
상기 꼬리 키포인트로 둘러싸인 영역을 상기 코멧 꼬리의 영역으로 예측하는 단계;를 포함하는, 인공지능 기반의 코멧어세이 분석모델을 훈련시키는 방법. - 삭제
- 삭제
- 제9항에 있어서,
상기 마스크는, 상기 코멧의 내부를 사전 설정된 색상으로 채워서 생성되되, 상기 머리 키포인트를 이용하여 상기 코멧 머리에 생성된 원형 마스크를 포함하는, 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법. - 제12항에 있어서,
상기 코멧종류는 고스트(ghost) 코멧과 논고스트(non-ghost) 코멧을 포함하고,
상기 사전 설정된 색상은 상기 코멧종류에 따라 상이한, 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법. - 하드웨어인 컴퓨터와 결합되어, 제1항 및 제4항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 인공지능 기반의 코멧 어세이 분석 프로그램.
- 코멧어세이를 분석하는 시스템으로서,
입력 코멧어세이영상을 획득하는, 입력 코멧어세이영상 획득부; 및
상기 입력 코멧어세이영상을 코멧어세이 분석모델에 입력하여, 코멧영역정보, 코멧구성정보 및 코멧종류정보를 추출하는, 코멧특징 추출부를 포함하고,
상기 코멧어세이 분석모델은,
원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 기반으로 훈련된 것이고,
상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고,
상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고,
상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함하고,
상기 키포인트는 머리 키포인트와 꼬리 키포인트를 포함하고,
상기 머리 키포인트는 상기 코멧 머리의 중심에 위치하는 제1포인트와, 상기 코멧 머리의 외곽 중 상기 코멧 머리의 가장 아래 지점 또는 가장 위 지점에 위치하며 상기 코멧 머리의 외곽과 상기 코멧 꼬리의 외곽의 접점인 제2포인트를 포함하며,
상기 꼬리 키포인트는 상기 제2포인트를 시작지점으로 하여 상기 코멧 꼬리의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함하고,
상기 코멧어세이 분석모델은,
상기 제1포인트 및 상기 제2포인트를 추출하고, 상기 제1포인트와 상기 제2포인트 간의 거리를 반지름으로 하는 원형을 상기 코멧 머리의 영역으로 예측하고, 상기 제2포인트로부터 상기 코멧 꼬리의 외곽을 상기 시계방향 또는 상기 반시계방향으로 둘러싸며 상기 꼬리 키포인트를 추출하고, 상기 꼬리 키포인트로 둘러싸인 영역을 상기 코멧 꼬리의 영역으로 예측하는, 인공지능 기반의 코멧 어세이 분석 시스템. - 코멧어세이 분석모델을 훈련시키는 시스템으로서,
원본 코멧어세이영상과 상기 원본 코멧어세이영상에 코멧영역정보, 코멧구성정보 및 코멧종류정보의 정답값을 포함하는 정답 코멧어세이영상을 조합한 훈련데이터를 획득하는, 훈련데이터 획득부; 및
상기 훈련데이터를 기반으로 코멧어세이 분석모델을 훈련시키는, 코멧 어세이 분석모델 훈련부를 포함하고,
상기 코멧영역정보는 코멧이 위치하는 영역에 대한 정보이고,
상기 코멧구성정보는 코멧 머리와 코멧 꼬리로 구성된 코멧구성을 예측하는데 이용되는 키포인트를 포함하고,
상기 코멧종류정보는 코멧종류를 분류하는 마스크를 포함하고,
상기 키포인트는 머리 키포인트와 꼬리 키포인트를 포함하고,
상기 머리 키포인트는 상기 코멧 머리의 중심에 위치하는 제1포인트와, 상기 코멧 머리의 외곽 중 상기 코멧 머리의 가장 아래 지점 또는 가장 위 지점에 위치하며 상기 코멧 머리의 외곽과 상기 코멧 꼬리의 외곽의 접점인 제2포인트를 포함하며,
상기 꼬리 키포인트는 상기 제2포인트를 시작지점으로 하여 상기 코멧 꼬리의 외곽을 따라 시계방향 또는 반시계방향으로 위치하는 복수의 포인트를 포함하고,
상기 코멧어세이 분석모델은,
상기 제1포인트 및 상기 제2포인트를 추출하고, 상기 제1포인트와 상기 제2포인트 간의 거리를 반지름으로 하는 원형을 상기 코멧 머리의 영역으로 예측하고, 상기 제2포인트로부터 상기 코멧 꼬리의 외곽을 상기 시계방향 또는 상기 반시계방향으로 둘러싸며 상기 꼬리 키포인트를 추출하고, 상기 꼬리 키포인트로 둘러싸인 영역을 상기 코멧 꼬리의 영역으로 예측하는, 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 시스템. - 하드웨어인 컴퓨터와 결합되어, 제9항, 제12항 및 제13항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200032938A KR102392736B1 (ko) | 2020-03-18 | 2020-03-18 | 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200032938A KR102392736B1 (ko) | 2020-03-18 | 2020-03-18 | 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210117366A KR20210117366A (ko) | 2021-09-29 |
| KR102392736B1 true KR102392736B1 (ko) | 2022-05-02 |
Family
ID=77924663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200032938A KR102392736B1 (ko) | 2020-03-18 | 2020-03-18 | 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102392736B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007024612A (ja) | 2005-07-14 | 2007-02-01 | Matsushita Ecology Systems Co Ltd | コメットアッセイ解析方法およびコメットアッセイ画像解析装置およびコメットアッセイ解析装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010028388A1 (en) | 2008-09-05 | 2010-03-11 | Solulink Biosciences, Inc. | Methods and compositions for direct detection of dna damage |
-
2020
- 2020-03-18 KR KR1020200032938A patent/KR102392736B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007024612A (ja) | 2005-07-14 | 2007-02-01 | Matsushita Ecology Systems Co Ltd | コメットアッセイ解析方法およびコメットアッセイ画像解析装置およびコメットアッセイ解析装置 |
Non-Patent Citations (3)
| Title |
|---|
| Classification of DNA damages on segmented comet assay images using convolutional neural network, Computer Methods and Programs in Biomedicine, 2019.11.* |
| Mask R-CNN, ICCV, 2017.10.* |
| OpenComet: An automated tool for comet assay image analysis, Redox Biology Volume 2, 2014.02.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210117366A (ko) | 2021-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
| Mandal et al. | Automated road crack detection using deep convolutional neural networks | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| US10319096B2 (en) | Automated tattoo recognition techniques | |
| US11651229B2 (en) | Methods and systems for face recognition | |
| CN110427807B (zh) | 一种时序事件动作检测方法 | |
| JP6330385B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
| US20050180611A1 (en) | Face identification apparatus, face identification method, and face identification program | |
| CN106683073B (zh) | 一种车牌的检测方法及摄像机和服务器 | |
| Gatica et al. | Olive fruits recognition using neural networks | |
| US9489561B2 (en) | Method and system for estimating fingerprint pose | |
| WO2021000832A1 (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
| US9852354B2 (en) | Method and apparatus for image scoring and analysis | |
| Sankaran et al. | Automated clarity and quality assessment for latent fingerprints | |
| AU2024202801A1 (en) | Acquiring and inspecting images of ophthalmic lenses | |
| WO2017054276A1 (zh) | 一种生物特征身份识别方法及装置 | |
| CN113792718B (zh) | 深度图中人脸区域定位方法、电子设备及存储介质 | |
| US9953238B2 (en) | Image processing method and system for extracting distorted circular image elements | |
| Wang et al. | An improved ISODATA algorithm for hyperspectral image classification | |
| KR102392736B1 (ko) | 인공지능 기반의 코멧 어세이 분석모델을 훈련시키는 방법, 프로그램 및 시스템과 그 분석모델을 이용한 코멧 어세이 분석 방법, 프로그램 및 시스템 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
| CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
| CN115953678A (zh) | 一种基于局部灰度极值点和特征融合的路面破损检测方法 | |
| CN112801013B (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |