KR102427039B1 - 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템 - Google Patents

인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템 Download PDF

Info

Publication number
KR102427039B1
KR102427039B1 KR1020200141804A KR20200141804A KR102427039B1 KR 102427039 B1 KR102427039 B1 KR 102427039B1 KR 1020200141804 A KR1020200141804 A KR 1020200141804A KR 20200141804 A KR20200141804 A KR 20200141804A KR 102427039 B1 KR102427039 B1 KR 102427039B1
Authority
KR
South Korea
Prior art keywords
fine dust
degree
variables
artificial intelligence
calculation
Prior art date
Application number
KR1020200141804A
Other languages
English (en)
Other versions
KR20220057024A (ko
Inventor
강봉수
정세희
Original Assignee
주식회사 딥비전스
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 주식회사 딥비전스 filed Critical 주식회사 딥비전스
Priority to KR1020200141804A priority Critical patent/KR102427039B1/ko
Publication of KR20220057024A publication Critical patent/KR20220057024A/ko
Application granted granted Critical
Publication of KR102427039B1 publication Critical patent/KR102427039B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N2015/0096—Investigating consistence of powders, dustability, dustiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Dispersion Chemistry (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Image Processing (AREA)
  • Studio Devices (AREA)

Abstract

본 발명은 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템에 관한 것으로서, 본 발명에 따른 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션은, 실내 또는 실외에서 동영상을 획득하는 동영상 획득단계; 상기 동영상에서 연속되는 다수의 정지 이미지를 추출하는 연속 이미지 추출단계; 상기 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성하는 이미지 변환단계; 다수의 상기 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출하는 잔차 산출단계; 및 상기 잔차 데이터에 기반하여 미세먼지의 정도를 산출하는 미세먼지 정도 산출단계;를 포함하는 것을 특징으로 한다.
이에 따라, 여러 장소에서 미세먼지 레벨을 경제적으로 측정하는 것이 가능하다.

Description

인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템{Fine dust detecting solution and system by computing brightness residual based on AI}
본 발명은 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 및 시스템에 관한 것으로서, 보다 상세하게는 이미지를 이용하여 미세먼지 레벨의 측정을 경제적으로 하는 것이 가능한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템에 관한 것이다.
최근, 미세먼지가 사회적 이슈가 되고 있으며, 뉴스 등 각종 매체에서도 미세먼지의 농도를 각 지역별로 제공해주고 있다.
기존의 미세먼지 측정 방식은 방사선 또는 빛의 물리적 특성을 이용하여 간접적으로 측정하는 방법(베타 흡수법 또는 광 산란법 등) 및 미세먼지의 질량을 저울로 측정하는 방법(중량 농도법 등)이 있으나, 이러한 방식으로 미세먼지를 측정하기 위해서는 고가의 측정 장비가 필요하다.
한편, 미세먼지의 측정은 행정 구역 단위별로 측정되나, 동일한 행정 구역이라 하더라도 지형의 특성이나 건물의 밀집도 등에 따라 실제 미세먼지의 측정값에는 차이가 발생하게 된다.
따라서, 고가의 미세먼지 측정 장비 없이 여러 구역에서 미세먼지 농도를 측정할 수 있는 방안이 필요하다.
KR 10-2020-0009707 A
따라서, 본 발명의 목적은 이와 같은 종래의 문제점을 해결하기 위한 것으로서, 이미지를 이용함으로써 여러 위치에서 경제적으로 미세먼지 레벨을 측정하는 것이 가능한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템을 제공함에 있다.
본 발명이 해결하고자 하는 과제는 위에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 목적은, 본 발명에 따라, 실내 또는 실외에서 동영상을 획득하는 동영상 획득단계; 상기 동영상에서 연속되는 다수의 정지 이미지를 추출하는 연속 이미지 추출단계; 상기 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성하는 이미지 변환단계; 다수의 상기 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출하는 잔차 산출단계; 및 상기 잔차 데이터에 기반하여 미세먼지의 정도를 산출하는 미세먼지 정도 산출단계;를 포함하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션에 의해 달성된다.
상기 이미지 변환단계에서, 상기 회색조 이미지는 아래의 수학식 1에 의해 생성될 수 있다.
[수학식 1]
Figure 112020115129218-pat00001
(
Figure 112020115129218-pat00002
: t번째 정지 이미지에서 i행, j열의 회색조 변환 값,
Figure 112020115129218-pat00003
: t번째 정지 이미지에서 i행, j열의 Red 값,
Figure 112020115129218-pat00004
: t번째 정지 이미지에서 i행, j열의 Green 값,
Figure 112020115129218-pat00005
: t번째 정지 이미지에서 i행, j열의 Blue 값)
상기 미세먼지 정도 산출단계에서, 미세먼지의 정도는 클래스로 나뉘어 산출될 수 있다.
상기 미세먼지 정도 산출단계에서, 미세먼지의 정도는 서로 다른 클래스에서 서로 간 빈도수의 우위가 역전되는 두 변수로 이루어지는 영향변수쌍을 통해 산출될 수 있다.
상기 영향변수쌍은 아래의 수학식 2의 결과값이 최대가 될 때의 값으로 정해질 수 있다.
[수학식 2]
Figure 112020115129218-pat00006
(
Figure 112020115129218-pat00007
: 두 변수가 x, y일 때 미세먼지 정도가 낮은 클래스에서의 관심도와 미세먼지 정도가 높은 클래스에서의 관심도 차이의 절대값,
Figure 112020115129218-pat00008
: 두 변수가 x, y일 때 미세먼지 정도가 낮은 클래스에서의 관심도,
Figure 112020115129218-pat00009
: 두 변수가 x, y일 때 미세먼지 정도가 높은 클래스에서의 관심도)
상기 수학식 2의 결과값이 동일한 경우가 있으면, 각 클래스에서 두 변수 빈도의 합이 최대가 되는 경우의 두 변수를 상기 영향변수쌍으로 정할 수 있다.
상기 영향변수쌍은, 인공지능 분석모델을 통해 상기 잔차 데이터를 학습함으로써 도출될 수 있다.
상기 미세먼지 정도 산출단계에서는, 3 이상의 홀수 개의 영향변수쌍을 이용하여 미세먼지의 정도를 산출할 수 있다.
상기 미세먼지 정도 산출단계는, 상기 영향변수쌍을 통해 산출된 미세먼지의 정도를, 서로 다른 세부 클래스에서 서로 간 빈도수의 우위가 역전되는 두 제2 변수로 이루어지는 제2 영향변수쌍을 통해 다시 판별하는 세부 클래스 산출단계를 포함할 수 있다.
본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션은 상기 잔차 산출단계와 상기 미세먼지 정도 산출단계 사이에서 진행되는, 상기 잔차 데이터의 성분 중 소정값 이상의 성분을 제외하는 잔차 데이터 필터링 단계를 더 포함할 수 있다.
본 발명의 또 다른 실시예에 의하면, 실내 또는 실외에서 동영상을 획득하는 동영상 획득부; 상기 동영상에서 연속되는 다수의 정지 이미지를 추출하는 연속 이미지 추출부; 상기 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성하는 이미지 변환부; 다수의 상기 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출하는 잔차 산출부; 및 상기 잔차 데이터에 기반하여 미세먼지의 정도를 산출하는 미세먼지 정도 산출부;를 포함하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템이 제공된다.
상기 미세먼지 정도 산출부는 미세먼지의 정도를 클래스로 나누어 산출하고, 미세먼지의 정도는 서로 다른 클래스에서 서로 간 빈도수의 우위가 역전되는 두 변수로 이루어지는 영향변수쌍을 이용하여 산출할 수 있다.
본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션에 의하면, 미세먼지의 레벨을 경제적으로 측정할 수 있으며, 이러한 경제성에 의해 여러 개소에서 미세먼지 레벨을 측정하여 국부적인 미세먼지 레벨을 알 수 있도록 한다.
그리고 미세먼지 레벨 측정 과정에서 정지 이미지 각각을 회색조로 변환하여 측정 시간을 단축하는 것이 가능하다.
또한, 미세먼지 레벨 측정 과정에서 영향변수쌍을 사용하여 미세먼지 정도를 용이하게 판단할 수 있다.
도 1은 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션의 순서도,
도 2는 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션을 구성하는 이미지 변환단계와 관련된 설명도,
도 3은 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션을 구성하는 잔차 산출단계와 관련된 설명도,
도 4는 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션에서 사용되는 영향변수쌍 알고리즘을 구현하는 분석모델에 관한 설명도,
도 5는 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션을 구성하는 세부 클래스 산출단계와 관련된 설명도,
도 6은 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템의 개략적인 구성도이다.
이하에서는 본 발명의 구체적인 실시예에 대하여 도면을 참고하여 자세하게 설명하도록 한다.
도 1에는 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션의 순서도가 도시되어 있다.
본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션은 동영상 획득단계(S10), 연속 이미지 추출단계(S20), 이미지 변환단계(S30), 잔차 산출단계(S40) 및 미세먼지 정도 산출단계(S50)를 포함한다.
동영상 획득단계(S10)에서는 미세먼지의 레벨을 측정하고자 하는 장소의 동영상을 획득한다.
동영상은 5초 내외의 길이를 가질 수 있으며, 디지털 비디오 카메라 또는 휴대폰 등에 의해 촬영될 수 있다. 본 발명에 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션은 실내와 실외 모두에서 적용 가능하다.
연속 이미지 추출단계(S20)에서는 동영상 획득단계(S10)에서 촬영된 동영상에서 연속되는 다수의 정지 이미지를 추출한다.
동영상은 실제로는 미세하게 변화하면서 각각이 짧은 시간동안 순서대로 나타나는 여러 개의 정지 이미지로 이루어진다. 연속 이미지 추출단계(S20)에서는 동영상을 이루는 각각의 정지 이미지를 추출한다. 예를 들어 동영상이 15fps로 촬영된 경우, 정지 이미지는 1초당 15프레임이 추출될 수 있다.
빛은 미세먼지와 충돌하여 산란될 수 있으며, 빛이 미세먼지와 충돌할 가능성은 미세먼지의 농도가 높을수록 증가하게 된다. 그리고 육안으로는 확인하기 쉽지 않지만, 미세먼지에 의한 빛의 산란은 카메라를 통해서는 포착될 수 있다.
그런데 미세먼지는 공기 중에서 정지해 있는 것이 아니기 때문에 순간순간 미세먼지에 의해 빛이 다르게 산란되어, 동영상에서 추출된 정지 이미지 각각에는 서로 다른 상태의 빛이 포착된다. 미세먼지의 농도가 높을수록 각 정지 이미지 사이의 차이는 커질 수 있다.
이미지 변환단계(S30)에서는 연속 이미지 추출단계(S20)에서 추출된 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성한다.
도 2에 도시되어 있는 바와 같이, 디지털 이미지에서 각 픽셀의 빛 색깔은 RGB(Red, Green, Blue)로 표현될 수 있으며, Red, Green, Blue 각각의 채널은 0 ~ 255 사이의 값을 가질 수 있다.
정지 이미지 각각을 회색조로 변환하면, 이미지의 각 픽셀이 빛의 밝기(광도)를 표현하는 하나의 채널로 표현될 수 있기 때문에 회색조 이미지는 정지 이미지에 비하여 데이터의 크기가 줄어들게 된다. 따라서, 이미지의 처리나 분석 시간을 단축할 수 있다.
동영상에서 추출되는 정지 이미지는 다수이고, 정지 이미지 각각은 수많은 픽셀로 이루어지기 때문에 회색조 이미지로의 변환은 매우 유효한 효과를 발휘할 수 있다.
이미지 변환단계(S30)에서 정지 이미지의 각 픽셀은 아래의 수학식 1에 의해 회색조로 변환될 수 있다.
Figure 112020115129218-pat00010
(
Figure 112020115129218-pat00011
: t번째 정지 이미지에서 i행, j열의 회색조 변환 값,
Figure 112020115129218-pat00012
: t번째 정지 이미지에서 i행, j열의 Red 값,
Figure 112020115129218-pat00013
: t번째 정지 이미지에서 i행, j열의 Green 값,
Figure 112020115129218-pat00014
: t번째 정지 이미지에서 i행, j열의 Blue 값)
위와 같이, Red, Green, Blue 각 색상의 값은 회색조 변환시 모두 반영되지만, 빛의 밝기에 영향을 미치는 정도에 따라 색상별로 가중치를 달리하여 반영될 수 있다.
잔차 산출단계(S40)에서는 다수의 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출한다.
상기했던 바와 같이, 미세먼지에 의한 빛의 산란에 의해 정지 이미지 각각에는 서로 다른 상태의 빛이 포착되며, 정지 이미지가 변환되어 생성된 회색조 이미지 각각에도 이러한 빛의 상태가 반영된다. 따라서, 연속된 두 회색조 이미지 사이에는 차이, 즉 잔차가 발생하게 된다.
잔차 데이터는 아래와 같은 수학식에 의해 산출될 수 있다. 즉, 연속된 두 회색조 이미지(t번째 회색조 이미지, t+1번째 회색조 이미지)에서 동일 위치 픽셀의 값 차이를 구하여 산출될 수 있다.
Figure 112020115129218-pat00015
(
Figure 112020115129218-pat00016
: i행, j열의 잔차,
Figure 112020115129218-pat00017
: t번째 회색조 이미지에서 i행, j열의 값,
Figure 112020115129218-pat00018
: t+1번째 회색조 이미지에서 i행, j열의 값)
상기했던 바와 같이, 미세먼지 농도가 높을수록 각 정지 이미지 사이의 차이는 커지므로, 도 3에 도시되어 있는 바와 같이 미세먼지의 농도가 높은 경우에 잔차가 선명하게 나타나게 된다.
예를 들어, 15fps로 촬영된 5초 길이의 동영상에서는 75개의 정지 이미지가 추출될 수 있고, 각 정지 이미지가 변환되어 생성된 75개의 회색조 이미지에서는 74개의 잔차 데이터가 산출될 수 있다.
미세먼지 정도 산출단계(S50)에서는 잔차 데이터에 기반하여 미세먼지의 정도를 산출한다.
잔차의 값이 작은 경우에는 미세먼지의 농도가 낮고, 잔차의 값이 큰 경우에는 미세먼지의 농도가 높은 것으로 판단할 수 있다.
미세먼지의 정도를 판단하기 위한 기준 데이터는, 서로 다른 미세먼지 농도에서 각각 촬영된 동영상을 정지 이미지 산출, 회색조 이미지 생성 및 잔차 데이터 산출과정을 거치게 함으로써 만들어질 수 있으며, 이러한 각 과정을 다수 회 반복하여 수행함으로써 기준 데이터의 정확성을 높일 수 있다.
상기한 본 발명의 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션에 의하면, 고가의 측정 장비 없이 일반적인 디지털 비디오 카메라 등을 이용하여 미세먼지의 레벨을 측정할 수 있으므로 경제적이며, 이러한 경제성에 의하여 여러 개소에서 미세먼지 레벨을 측정할 수 있으므로 국부적인 미세먼지 레벨을 알 수 있다.
동영상을 확득하기 위한 카메라로는 CCTV를 활용하여, 별도의 하드웨어 장비를 설치하지 않고도 미세먼지 레벨을 측정하는 것도 가능하다.
미세먼지 정도 산출단계(S50)에서 미세먼지의 정도는 클래스로 나뉘어 산출될 수 있다.
이 경우, 미세먼지의 좋고 나쁨을 직관적으로 파악할 수 있다.
클래스를 나누는 기준은 다수의 기준 잔차 데이터에 2진 분류 알고리즘을 적용하여 정해질 수 있다.
미세먼지 정도의 클래스는 예를 들어, '좋음'과 '나쁨'의 2개 클래스로 구분되거나, '좋음', '보통', '나쁨', '매우 나쁨'의 4개 클래스로 구분될 수 있다.
미세먼지 정도 산출단계(S50)에서 미세먼지의 정도는, 서로 다른 클래스에서 서로 간 빈도수의 우위가 역전되는 두 변수로 이루어지는 영향변수쌍을 통해 산출될 수 있다.
이 경우, 영향변수쌍을 이루는 두 변수 중 어느 변수의 빈도수가 높은지를 판단함으로써 쉽게 미세먼지 정도의 클래스를 산출하는 것이 가능하다.
각 잔차 데이터는 모두 영향변수쌍을 통해 판단될 수 있으며, 상대적으로 높은 빈도로 산출된 미세먼지 정도의 클래스를 최종 결과값으로 정할 수 있다.
영향변수쌍을 도출하기 위한 알고리즘으로서는 영향변수쌍 알고리즘이 사용될 수 있다. 영향변수쌍 알고리즘에 의해, 영향변수쌍은 아래의 수학식 2의 결과값이 최대가 될 때의 값으로 정해질 수 있다.
Figure 112020115129218-pat00019
(
Figure 112020115129218-pat00020
: 두 변수가 x, y일 때 미세먼지 정도가 낮은 클래스에서의 관심도와 미세먼지 정도가 높은 클래스에서의 관심도 차이의 절대값,
Figure 112020115129218-pat00021
: 두 변수가 x, y일 때 미세먼지 정도가 낮은 클래스에서의 관심도,
Figure 112020115129218-pat00022
: 두 변수가 x, y일 때 미세먼지 정도가 높은 클래스에서의 관심도)
이때, 각 클래스에서의 관심도는 아래와 같은 수학식에 의해 산출될 수 있다.
Figure 112020115129218-pat00023
,
Figure 112020115129218-pat00024
(
Figure 112020115129218-pat00025
: 해당 클래스(c)에서 변수
Figure 112020115129218-pat00026
가
Figure 112020115129218-pat00027
보다 낮을 확률,
Figure 112020115129218-pat00028
: 변수 x의 빈도수,
Figure 112020115129218-pat00029
: 변수 y의 빈도수)
예를 들어, 미세먼지가 좋은 경우(c=low)와 나쁜 경우(c=high)에 대해 아래와 같은 값을 갖는 기준 잔차 데이터가 있는 경우,
Figure 112020115129218-pat00030
각 클래스의 기준 잔차 데이터를 구성하는 변수에 대한 빈도수는 다음과 같다.
Figure 112020115129218-pat00031
< 각 클래스의 기준 잔차 데이터를 구성하는 변수의 빈도수 분포표 >
예를 들어, 위의 빈도수 분포표를 기준으로 두 변수 x, y가 +1, +5인 경우, 미세먼지 정도가 낮은 클래스에서의 관심도는 0이 되고, 미세먼지 정도가 높은 클래스에서의 관심도는 1이 된다.
Figure 112020115129218-pat00032
Figure 112020115129218-pat00033
따라서, 두 변수 x, y가 +1, +5일 때 미세먼지 정도가 낮은 클래스에서의 관심도와 미세먼지 정도가 높은 클래스에서의 관심도 차이의 절대값은 1로 최대가 된다.
Figure 112020115129218-pat00034
따라서, 두 변수 +1과 +5를 영향변수쌍으로 정할 수 있다.
이러한 영향변수쌍에 의해, 판단하고자 하는 잔차 데이터에서 변수 +1의 빈도수가 높은 경우에는 미세먼지의 정도가 낮은 것으로 판단할 수 있고, +5의 빈도수가 높은 경우에는 미세먼지의 정도가 높은 것으로 판단할 수 있다.
한편, 미세먼지 정도가 낮은 클래스에서의 관심도와 미세먼지 정도가 높은 클래스에서의 관심도 차이의 절대값이 동일한 경우가 있을 수 있다.
예를 들어, 위의 빈도수 분포표를 기준으로 하면 두 변수 x, y가 +1, +5인 경우 외에 두 변수 x, y가 +2, +5인 경우에도 미세먼지 정도가 낮은 클래스에서의 관심도는 0이 되고 미세먼지 정도가 높은 클래스에서의 관심도는 1이 되어,
Figure 112020115129218-pat00035
Figure 112020115129218-pat00036
미세먼지 정도가 낮은 클래스에서의 관심도와 미세먼지 정도가 높은 클래스에서의 관심도 차이의 절대값은 1이 된다.
Figure 112020115129218-pat00037
이러한 경우에는 각 클래스에서 두 변수 빈도의 합이 최대가 되는 경우의 두 변수를 영향변수쌍으로 정하여, 미세먼지 정도 산출의 정확성을 높일 수 있다.
영향변수쌍 알고리즘은 인공지능 기술이 적용된 분석모델에 의해 구현될 수 있다. 분석모델은 인공신경망(ANN), 기계학습(machine learning), 딥러닝(deep learning) 등과 같은 다양한 인공지능 모델일 수 있다.
도 4에는 영향변수쌍 알고리즘을 구현하는 분석모델의 예시가 도시되어 있다. 분석모델은 입력층(input), 은닉층(hidden, hidden 2) 및 출력층(output)을 포할 수 있다. 은닉층의 수는 도시된 것과 달라질 수 있다.
입력층(input)에는 미세먼지가 좋은 경우(c=low)의 잔차 데이터를 구성하는 성분의 값과 미세먼지가 나쁜 경우(c=high)의 잔차 데이터를 구성하는 성분의 값이 각각 입력된다.
은닉층(hidden, hidden 2)에서는 각 클래스의 잔차 데이터의 성분 값을 학습하여 미세먼지가 좋은 경우(c=low) 관심도와 미세먼지가 나쁜 경우(c=high)의 관심도 차이의 절대값이 최대가 되는 두 성분(변수)을 구한다.
그리고 이렇게 구해진 두 성분은 출력층(output)을 통해 출력되어 영향변수쌍을 구성하게 된다.
영향변수쌍은 위와 같은 분석모델로을 통해 도출될 수 있으나, 이에 한정하지 않고 다른 분석모델을 이용하여 영향변수쌍을 도출할 수도 있다.
미세먼지 정도 산출단계(S50)에서는 3 이상의 홀수 개의 영향변수쌍을 이용하여 미세먼지의 정도를 산출할 수 있다.
이 경우, 과반을 넘는 수의 영향변수쌍을 통해 산출된 미세먼지 정도의 클래스를 최종 미세먼지 정도의 결과로 정할 수 있다. 예를 들어, 3개의 영향변수쌍을 이용하여 미세먼지의 정도를 산출하는 경우, 2개의 영향변수쌍을 통해서는 미세먼지의 정도가 높은 것으로 판단되고 1개의 영향변수쌍을 통해서는 미세먼지의 정도가 낮은 것으로 판단되면, 최종적으로 미세먼지의 정도가 높은 것으로 판단할 수 있다.
영향변수쌍을 통한 미세먼지 정도의 산출 방법은 확률을 기반으로 하는 것이므로, 여러 개의 영향변수쌍을 통해 미세먼지의 정도를 산출하여 산출의 정확성을 높이는 것이 가능하다.
미세먼지 정도 산출단계(S50)는 세부 클래스 산출단계를 포함할 수 있다.
세부 클래스 산출단계에서는 도 5에 도시되어 있는 바와 같이, 영향변수쌍을 통해 산출된 미세먼지의 정도를 세부 클래스로 구분하여 산출한다. 세부 클래스로의 구분은, 서로 다른 세부 클래스에서 서로 간 빈도수의 우위가 역전되는 두 제2 변수로 이루어지는 제2 영향변수쌍을 통해 이루어질 수 있다. 즉, 미세먼지의 정도를 세부 클래스로 구분하는 방법은 영향변수쌍을 통한 미세먼지 정도 산출 방법과 비교하여, 제2 영향변수쌍을 이루는 제2 변수가 영향변수쌍을 이루는 변수와 다를 뿐 원리가 동일하다.
영향변수쌍에 의해 미세먼지의 정도가 높은 것으로 판단된 경우와 미세먼지의 정도가 낮은 것으로 판단된 경우 각각에 적용될 수 있는 제2 영향변수쌍이 서로 상이함은 당연하다.
영향변수쌍에 의해 미세먼지의 정도가 '좋음(low)'과 '나쁨(high)'으로 구분되었다면, 제2 영향변수쌍에 의해서는 '좋음', '보통', '나쁨', '매우 나쁨'으로 보다 세분화되어 구분될 수 있다.
잔차 산출단계(S40)와 미세먼지 정도 산출단계(S50) 사이에서는 잔차 데이터 필터링 단계가 더 진행될 수 있다.
잔차 필터링 단계에서는 잔차 데이터 성분 중 소정값 이상의 성분을 제외하는 작업이 진행된다.
동영상에는 미세먼지에 의해 빛이 산란되는 것 이외에도 물체가 움직이는 것이 포착될 수 있으며, 물체의 움직임에 의한 빛의 변화는 육안으로 확인할 수 있을 정도로 크게 나타나므로 미세먼지에 의한 빛의 산란에 비하여 큰 잔차를 발생시키게 된다. 그리고 이러한 물체의 움직임에 의한 잔차는 미세먼지의 정도를 산출하는 데 있어서는 노이즈로 작용하게 된다.
따라서, 잔차 데이터 성분 중 소정값 이상의 크기를 갖는 성분을 제외하여, 미세먼지 정도 산출의 정확성을 높여줄 수 있다.
이하에서는 본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템(1)에 대하여 설명하도록 한다. 도 6에는 본 발명의 시스템(1)의 개략적인 구성도가 도시되어 있다.
본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템(1)에 대하여 설명하면서 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션의 설명시 언급된 부분에 대해서는 자세한 설명을 생략하도록 한다.
본 발명에 의한 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템(1)은 동영상 획득부(10), 연속 이미지 추출부(20), 이미지 변환부(30), 잔차 산출부(40) 및 미세먼지 정도 산출부(50)를 포함하여 이루어진다.
동영상 획득부(10)에서는 실내 또는 실외에서 동영상을 획득한다. 동영상 획득부(10)는 예를 들어, 디지털 비디오 카메라 또는 휴대폰 등일 수 있다.
연속 이미지 추출부(20)는 동영상 획득부(10)를 통해 얻어진 동영상에서 연속되는 다수의 정지 이미지를 추출한다. 미세먼지에 의한 빛의 산란에 의해, 정지 이미지 각각에는 서로 다른 상태의 빛이 포착될 수 있다.
이미지 변환부(30)는 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성한다. RGB(Red, Green, Blue)로 표현되는 정지 이미지에 비하여, 회색조 이미지는 작은 크기를 가지게 된다.
잔차 산출부(40)에서는 다수의 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출한다. 미세먼지의 정도에 따라 빛의 산란 정도는 달라지고, 빛의 산란 정도에 따라 연속된 두 회색조 이미지 간의 잔차는 달라지게 된다. 즉, 잔차 데이터는 미세먼지의 정도에 따라 달라진다.
미세먼지 정도 산출부(50)는 잔차 데이터에 기반하여 미세먼지 정도를 산출한다. 잔차 데이터는 미세먼지 정도에 따라 달라지므로, 잔차 데이터를 통해 미세먼지 정도를 산출하는 것이 가능하다.
미세먼지 정도 산출부(50)는 미세먼지의 정도를 클래스로 나누어 산출하고, 미세먼지 정도는 서로 다른 클래스에서 서로 간 빈도수의 우위가 역전되는 두 변수로 이루어지는 영향변수쌍을 이용하여 산출할 수 있다.
이 경우, 영향변수쌍을 이루는 두 변수 중 어느 변수의 빈도수가 높은지를 판단함으로써 쉽게 미세먼지 정도의 클래스를 산출할 수 있다.
미세먼지 정도 산출부(50)는 인공지능 기술을 적용된 분석모델을 통해 영향변수쌍을 도출하는 영향변수쌍 도출부(미도시)를 포함하여, 수많은 동영상으로부터의 기준 잔차 데이터를 분석함으로써 영향변수쌍을 도출할 수 있다. 그리고 영향변수쌍 도출부에서 도출된 영향변수쌍은 미세먼지 정도를 산출하는 데 사용된다.
인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템(1)의 구성들은 하나 또는 다수의 하드웨어를 통해 구현되거나 하나 또는 다수의 소프트웨어를 통해 구현될 수 있다. 또는 하드웨어와 소프트웨어를 통해 구현될 수도 있다.
본 발명의 권리범위는 상술한 실시예에 한정되는 것이 아니라 첨부된 특허청구범위 내에서 다양한 형태의 실시예로 구현될 수 있다. 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 변형 가능한 다양한 범위까지 본 발명의 청구범위 기재의 범위 내에 있는 것으로 본다.
1 : 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템
10 : 동영상 획득부 20 : 연속 이미지 추출부
30 : 이미지 변환부 40 : 잔차 산출부
50 : 미세먼지 정도 산출부

Claims (12)

  1. 실내 또는 실외에서 동영상을 획득하는 동영상 획득단계;
    상기 동영상에서 연속되는 다수의 정지 이미지를 추출하는 연속 이미지 추출단계;
    상기 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성하는 이미지 변환단계;
    다수의 상기 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출하는 잔차 산출단계; 및
    상기 잔차 데이터에 기반하여 미세먼지의 정도를 산출하는 미세먼지 정도 산출단계;를 포함하고,
    상기 미세먼지 정도 산출단계에서, 미세먼지의 정도는 클래스로 나뉘어 산출되며, 미세먼지의 정도는 서로 다른 클래스에서 서로 간 빈도수의 우위가 역전되는 두 변수로 이루어지는 영향변수쌍을 통해 산출되는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
  2. 제1항에 있어서,
    상기 이미지 변환단계에서, 상기 회색조 이미지는 아래의 수학식 1에 의해 생성되는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
    [수학식 1]
    Figure 112020115129218-pat00038

    (
    Figure 112020115129218-pat00039
    : t번째 정지 이미지에서 i행, j열의 회색조 변환 값,
    Figure 112020115129218-pat00040
    : t번째 정지 이미지에서 i행, j열의 Red 값,
    Figure 112020115129218-pat00041
    : t번째 정지 이미지에서 i행, j열의 Green 값,
    Figure 112020115129218-pat00042
    : t번째 정지 이미지에서 i행, j열의 Blue 값)
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 영향변수쌍은 아래의 수학식 2의 결과값이 최대가 될 때의 값으로 정해지는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
    [수학식 2]
    Figure 112022045756094-pat00043

    (
    Figure 112022045756094-pat00044
    : 두 변수가 x, y일 때 미세먼지 정도가 낮은 클래스에서의 관심도와 미세먼지 정도가 높은 클래스에서의 관심도 차이의 절대값,
    Figure 112022045756094-pat00045
    : 두 변수가 x, y일 때 미세먼지 정도가 낮은 클래스에서의 관심도,
    Figure 112022045756094-pat00046
    : 두 변수가 x, y일 때 미세먼지 정도가 높은 클래스에서의 관심도)
  6. 제5항에 있어서,
    상기 수학식 2의 결과값이 동일한 경우가 있으면, 각 클래스에서 두 변수 빈도의 합이 최대가 되는 경우의 두 변수를 상기 영향변수쌍으로 정하는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
  7. 제5항에 있어서,
    상기 영향변수쌍은, 인공지능 분석모델을 통해 상기 잔차 데이터를 학습함으로써 도출되는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
  8. 제1항에 있어서,
    상기 미세먼지 정도 산출단계에서는, 3 이상의 홀수 개의 영향변수쌍을 이용하여 미세먼지의 정도를 산출하는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
  9. 제1항에 있어서,
    상기 미세먼지 정도 산출단계는,
    상기 영향변수쌍을 통해 산출된 미세먼지의 정도를, 서로 다른 세부 클래스에서 서로 간 빈도수의 우위가 역전되는 두 제2 변수로 이루어지는 제2 영향변수쌍을 통해 다시 판별하는 세부 클래스 산출단계를 포함하는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
  10. 제1항에 있어서,
    상기 잔차 산출단계와 상기 미세먼지 정도 산출단계 사이에서 진행되는,
    상기 잔차 데이터의 성분 중 소정값 이상의 성분을 제외하는 잔차 데이터 필터링 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션.
  11. 실내 또는 실외에서 동영상을 획득하는 동영상 획득부;
    상기 동영상에서 연속되는 다수의 정지 이미지를 추출하는 연속 이미지 추출부;
    상기 정지 이미지 각각을 회색조로 변환하여 다수의 회색조 이미지를 생성하는 이미지 변환부;
    다수의 상기 회색조 이미지 중 연속된 두 회색조 이미지 간의 잔차 데이터를 산출하는 잔차 산출부; 및
    상기 잔차 데이터에 기반하여 미세먼지의 정도를 산출하는 미세먼지 정도 산출부;를 포함하고,
    상기 미세먼지 정도 산출부는 미세먼지의 정도를 클래스로 나누어 산출하고,
    미세먼지의 정도는 서로 다른 클래스에서 서로 간 빈도수의 우위가 역전되는 두 변수로 이루어지는 영향변수쌍을 이용하여 산출하는 것을 특징으로 하는 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 시스템.
  12. 삭제
KR1020200141804A 2020-10-29 2020-10-29 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템 KR102427039B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200141804A KR102427039B1 (ko) 2020-10-29 2020-10-29 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200141804A KR102427039B1 (ko) 2020-10-29 2020-10-29 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템

Publications (2)

Publication Number Publication Date
KR20220057024A KR20220057024A (ko) 2022-05-09
KR102427039B1 true KR102427039B1 (ko) 2022-07-29

Family

ID=81583009

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200141804A KR102427039B1 (ko) 2020-10-29 2020-10-29 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템

Country Status (1)

Country Link
KR (1) KR102427039B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101723073B1 (ko) * 2016-09-01 2017-04-05 (주)오션네트웍스 미세먼지농도 측정장치 및 미세먼지농도 측정시스템
KR102146287B1 (ko) 2019-01-10 2020-08-20 한밭대학교 산학협력단 임의의 풍경 사진 영상을 이용한 대기 중 미세 먼지의 소산 및 크기 정보 추출 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102071879B1 (ko) * 2018-07-04 2020-01-31 한밭대학교 산학협력단 하늘 영상을 이용한 미세먼지 측정 시스템
KR102133715B1 (ko) 2018-07-20 2020-07-14 순천향대학교 산학협력단 미세먼지 측정 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101723073B1 (ko) * 2016-09-01 2017-04-05 (주)오션네트웍스 미세먼지농도 측정장치 및 미세먼지농도 측정시스템
KR102146287B1 (ko) 2019-01-10 2020-08-20 한밭대학교 산학협력단 임의의 풍경 사진 영상을 이용한 대기 중 미세 먼지의 소산 및 크기 정보 추출 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CCTV를 이용한 미세먼지 농도 유추 방법(홍순원, 한국정보통신학회논문지 Vol.23, 2019)*
딥러닝과 이미지 프로세싱 기술을 기반으로 미세먼지 측정 솔루션(딥비전스, 2019)*

Also Published As

Publication number Publication date
KR20220057024A (ko) 2022-05-09

Similar Documents

Publication Publication Date Title
Korhonen Two-level approach for no-reference consumer video quality assessment
JP5389903B2 (ja) 最適映像選択
Xu et al. Arid: A new dataset for recognizing action in the dark
US8611615B2 (en) Image processing apparatus and method, and program
US9396531B2 (en) Systems and methods for image and video signal measurement
EP2958322A1 (en) Method and device for terminal side time domain video quality evaluation
KR20170018042A (ko) 규칙 기반 비디오 중요도 분석
CN111047543A (zh) 图像增强方法、装置和存储介质
Steffens et al. Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing
US9235773B2 (en) Image processing device capable of determining types of images accurately
CN104954627B (zh) 一种信息处理方法及电子设备
Wang et al. Low-light Images In-the-wild: A Novel Visibility Perception-guided Blind Quality Indicator
Gelasca et al. On evaluating video object segmentation quality: A perceptually driven objective metric
KR102427039B1 (ko) 인공지능 기반의 광도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템
KR102427597B1 (ko) 인공지능 기반의 채도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템
KR102468753B1 (ko) 인공지능 기반의 rgb 채널 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템
Xu Multifocus image fusion algorithm based on rough set and neural network
CN115131340A (zh) 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质
Feng et al. BVI-Artefact: An Artefact Detection Benchmark Dataset for Streamed Videos
Anitha et al. Quality assessment of resultant images after processing
Gao et al. Spatio-temporal salience based video quality assessment
KR100586227B1 (ko) 색분포 학습을 통한 얼굴영역 추출 방법
JPS63194477A (ja) 背景画像抽出方法
Yeganeh et al. Understanding Banding—Perceptual Modeling and Machine Learning Approaches for Banding Detection
RU2526049C2 (ru) Способ и устройство для обнаружения игровых эпизодов в полевых видах спорта в видеопоследовательностях

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