KR102452394B1 - 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법 - Google Patents
딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102452394B1 KR102452394B1 KR1020200070710A KR20200070710A KR102452394B1 KR 102452394 B1 KR102452394 B1 KR 102452394B1 KR 1020200070710 A KR1020200070710 A KR 1020200070710A KR 20200070710 A KR20200070710 A KR 20200070710A KR 102452394 B1 KR102452394 B1 KR 102452394B1
- Authority
- KR
- South Korea
- Prior art keywords
- deep learning
- temperature
- unit
- image
- information
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 120
- 238000013135 deep learning Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000010365 information processing Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013136 deep learning model Methods 0.000 claims description 55
- 238000001931 thermography Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000005678 Seebeck effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/02—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using thermoelectric elements, e.g. thermocouples
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
본 발명은 측정대상의 온도를 측정하여 측정대상에 대한 온도정보를 생성하는 온도센서부, 온도센서부로부터 전송되는 온도정보를 저장하는 정보저장부, 정보저장부로부터 전송되는 온도정보를 딥러닝하고 딥러딩된 결과값을 생성하는 딥러닝부, 딥러닝부로부터 전송되는 딥러닝된 결과값을 딥러닝 이미지로 출력하는 출력부, 측정대상으로부터 열화상 이미지를 획득하는 촬영부 및 딥러닝 이미지와 열화상 이미지를 기반으로 정보처리하여 측정대상의 전체 온도분포를 예측하는 정보처리부를 포함하는 것을 특징으로 하는 측정대상의 전체 온도분포 예측장치 및 방법을 제공한다.
Description
본 발명은 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 온도센서부와 촬영부에서 획득한 온도정보를 딥러닝하여 측정대상의 전체 온도 분포를 예측하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법에 관한 것이다.
일반적으로 측정대상의 전체 열 분포를 파악하기 위해 적외선 열화상 카메라를 주로 사용하고 있다.
적외선 열화상 카메라는 높은 공간 분해능 및 온도 분해능, 비접촉 방식 등의 장점들로 인해 물체의 표면을 열적으로 이미지화하고 온도 분포를 측정하는 가장 널리 알려진 장치이다.
상술한 적외선 열화상 카메라는 다양한 요인에 의해 측정 온도의 오차가 발생한다. 이러한 오차를 보정하기 위해서는 열감지 센서, 경통, 셔터, 하우징 등 다양한 부분에 별도의 온도 센서를 부착하고, 각 부분에서의 복사에너지를 구한 후 이를 바탕으로 온도를 보정한다.
즉, 다양한 오차 요인에 의한 온도 보정을 위해 많은 수의 온도 센서가 필요하며, 오차 보정을 위해 연산량이 증가되며, 각 오차 요인을 보정하는 과정에서 보정 오차가 누적되는 문제점이 있다.
구체적으로 상기한 종래기술에 따른 적외선 열화상 카메라는 측정 대상이 낮은 방사율을 가진 경우, 블랙 무광택 스프레이 코팅, 절연 테이프 이용, 열전대 온도센서를 이용하여 측정대상의 온도 보정 등 방사율 보정을 해주어야 하므로 번거로운 문제점이 있었다.
또한, 상기한 종래기술은 측정대상의 표면이 매끄럽거나 광택이 있는 경우, 주변의 빛 반사로 인해 측정대상의 정확한 온도를 알기 어려우며, 적외선의 경우 일반유리를 통과하지 못하기 때문에 고온 및 저온 환경 쳄버 안에 있는 측정대상의 온도분포를 알기 어려운 문제점이 있었다.
상기한 종래기술의 단점을 보완할 수 있는 온도 센서는 열전대이지만, 이러한 열전대 역시 측정대상의 전체 온도 분포를 측정하기 어려워 예상하지 못한 국소 과열점 위치와 온도를 알기 어려운 문제점이 있었다.
따라서, 측정대상의 전체 온도 분포를 예측할 수 있는 방법이 필요한 실정이다.
(특허문헌 1) 등록특허공보 제10-2064582호(2020.01.03.)
(특허문헌 2) 공개특허공보 제10-2012-0081496호(2012.07.19.)
상기와 같은 문제를 해결하기 위한 본 발명의 목적은 열전대 온도센서인 온도센서부에서 획득한 측정대상의 온도정보와 열화상 카메라인 촬영부에서 획득한 열화상 이미지를 기반으로 딥러닝하여 측정대상의 전체 온도분포를 예측하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은 측정대상의 온도를 측정하여 상기 측정대상에 대한 온도정보를 생성하는 온도센서부; 상기 온도센서부로부터 전송되는 상기 온도정보를 저장하는 정보저장부; 상기 정보저장부로부터 전송되는 상기 온도정보를 딥러닝하고 딥러딩된 결과값을 생성하는 딥러닝부; 상기 딥러닝부로부터 전송되는 상기 딥러닝된 결과값을 딥러닝 이미지로 출력하는 출력부; 상기 측정대상으로부터 열화상 이미지를 획득하는 촬영부; 및 상기 딥러닝 이미지와 상기 열화상 이미지를 기반으로 정보처리하여 측정대상의 전체 온도분포를 예측하는 정보처리부;를 포함하는 것을 특징으로 하는 측정대상의 전체 온도분포 예측장치를 제공한다.
본 발명의 실시예에 있어서, 상기 온도센서부는 열전대 온도센서인 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 정보저장부와 상기 딥러닝부는 양방향으로 통신하고, 상기 정보저장부는 상기 온도정보 및 상기 딥러닝된 결과값을 실시간으로 저장하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 촬영부는 상기 측정대상의 온도분포를 상기 열화상 이미지로 획득하는 열화상 카메라인 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 정보처리부는 상기 딥러닝 이미지와 상기 열화상 이미지를 손실함수에 적용하여 상기 딥러닝 이미지와 상기 열화상 이미지의 오차값을 연산하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 오차값이 0.1이 아닐 경우, 상기 정보처리부는 상기 오차값을 옵티마이저하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 정보처리부는 상기 옵티마이저된 결과값인 업데이트값을 상기 딥러닝부로 적용시키는 것을 특징으로 할 수 있다.
또한, 상기와 같은 목적을 달성하기 위한 본 발명의 구성은 (a) 온도센서부에서 측정대상을 측정한 제1 온도와 촬영부에서 측정한 제1 열화상 이미지를 딥러닝하여 딥러닝 모델을 생성하는 단계; (b) 상기 온도센서부에서 상기 측정대상을 측정한 제2 온도를 상기 딥러닝 모델에 적용한 전체 온도 분포 이미지와 상기 촬영부에서 측정한 제2 열화상 이미지를 딥러닝하여 최종 딥러닝 모델을 생성하는 단계; 및 (c) 상기 온도센서부에서 상기 측정대상을 측정한 제3 온도를 상기 최종 딥러닝 모델에 적용하여 최종 전체 온도 분포 이미지를 예측하여 출력하는 단계;를 포함하는 것을 특징으로 하는 측정대상의 전체 온도분포 예측방법을 제공한다.
본 발명의 실시예에 있어서, 상기 (a) 단계는, (a1) 상기 온도센서부가 상기 측정대상의 제1 온도를 측정하여 제1 온도정보를 생성하는 단계; (a2) 상기 촬영부가 상기 측정대상의 제1 열화상 이미지를 획득하는 단계; (a3) 정보저장부가 상기 온도센서부로부터 전송되는 상기 제1 온도정보 및 상기 촬영부로부터 전송되는 상기 제1 열화상 이미지를 저장하는 단계; (a4) 상기 딥러닝부가 상기 정보저장부로부터 전송되는 상기 제1 온도정보 및 상기 제1 열화상 이미지를 기반으로 딥러닝하여 상기 딥러닝 모델을 생성하는 단계; 및 (a5) 상기 정보저장부가 상기 딥러닝부에서 생성된 상기 딥러닝 모델을 저장하는 단계;를 포함하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 (b) 단계는, (b1) 상기 온도센서부가 상기 측정대상의 상기 제2 온도를 측정하여 제2 온도정보를 생성하는 단계; (b2) 상기 정보저장부가 상기 온도센서부로부터 전송되는 상기 제2 온도정보를 상기 딥러닝 모델에 적용하는 단계; (b3) 출력부가 상기 제2 온도정보가 적용된 상기 딥러닝 모델을 통해 예측된 결과값을 기반으로 상기 전체 온도 분포 이미지를 출력하는 단계; (b4) 상기 촬영부가 상기 측정대상의 제2 열화상 이미지를 획득하는 단계; 및 (b5) 정보처리부가 상기 전체 온도 분포 이미지와 상기 제2 열화상 이미지를 비교하여 판단하는 단계;를 포함하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 (b5) 단계에서, 상기 전체 온도 분포 이미지와 상기 제2 열화상 이미지의 오차값이 0.1 이하인 경우, 상기 (b) 단계는, (b6) 상기 정보처리부가 상기 딥러닝부에서 생성된 상기 최종 딥러닝 모델을 상기 정보저장부로 전송하는 단계;를 더 포함하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 (b5) 단계에서, 상기 전체 온도 분포 이미지와 상기 제2 열화상 이미지의 오차값이 0.1 미만인 경우, 상기 (b) 단계는,
(b7) 상기 (a) 단계로 복귀하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 (c) 단계는, (c1) 상기 온도센서부가 상기 측정대상의 상기 제3 온도를 측정하여 제3 온도정보를 생성하는 단계; (c2) 상기 정보저장부가 상기 온도센서부로부터 전송되는 제3 온도정보를 상기 최종 딥러닝 모델에 적용하는 단계; 및 (c3) 상기 출력부가 상기 제3 온도정보가 적용된 상기 최종 딥러닝 모델을 통해 예측된 결과값을 기반으로 상기 최종 전체 온도 분포 이미지를 출력하는 단계;를 포함하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 (a) 단계에서, 상기 온도센서부는 열전대 온도센서인 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 (a) 단계에서, 상기 촬영부는 상기 측정대상의 온도분포를 열화상 이미지로 획득하는 열화상 카메라인 것을 특징으로 할 수 있다.
상기와 같은 구성에 따르는 본 발명의 효과는, 열전대 온도센서인 온도센서부에서 획득한 측정대상의 온도정보와 열화상 카메라인 촬영부에서 획득한 열화상 이미지를 기반으로 딥러닝하여 측정대상의 전체 온도분포의 예측이 가능하다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측장치 및 구성요소의 동작을 시각적으로 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측장치를 나타낸 블록도이다.
도 3은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법을 나타낸 순서도이다.
도 4는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S100)를 나타낸 순서도이다.
도 5는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S100)를 나타낸 동작흐름도이다.
도 6은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S200)를 나타낸 순서도이다.
도 7은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S200)를 나타낸 동작흐름도이다.
도 8은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S300)를 나타낸 순서도이다.
도 9는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S300)를 나타낸 동작흐름도이다.
도 2는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측장치를 나타낸 블록도이다.
도 3은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법을 나타낸 순서도이다.
도 4는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S100)를 나타낸 순서도이다.
도 5는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S100)를 나타낸 동작흐름도이다.
도 6은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S200)를 나타낸 순서도이다.
도 7은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S200)를 나타낸 동작흐름도이다.
도 8은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S300)를 나타낸 순서도이다.
도 9는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S300)를 나타낸 동작흐름도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
1. 측정대상의 전체 온도분포 예측장치
이하, 도 1 내지 도 2를 참조하여 본 발명의 일 실시예에 따른 측정대상의 전체 온도분포 예측장치를 설명하도록 한다.
도 1은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측장치 및 구성요소의 동작을 시각적으로 나타낸 블록도이다. 도 2는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측장치를 나타낸 블록도이다.
도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 측정대상의 전체 온도분포 예측장치(100)는 온도센서부(110), 정보저장부(120), 딥러닝부(130), 출력부(140), 촬영부(150) 및 정보처리부(160)를 포함한다.
여기서, 측정대상은 온도를 측정하고자 하는 모든 사물을 포함할 수 있으며, 예시적으로 모터, 휴대폰 등과 같은 기계장치 및 전자장치를 모두 포함한다.
온도센서부(110)는 측정대상의 온도를 측정하여 측정대상에 대한 온도정보를 생성한다. 이를 위한 온도센서부(110)는 열전대 온도센서일 수 있다. 여기서, 열전대 온도센서는 제베크효과를 이용하여 넓은 범위의 온도를 측정하기 위해 두 종류의 금속으로 만든 장치에 온도센서를 결합시킨 것으로서, -200~1700°C까지 넓은 범위의 온도범위를 0.1~1%의 오차로 측정이 가능하고, 역학적 유연성이 있어 형태를 사용 부위에 따라 적합하게 바꿀 수 있다.
온도센서부(110)는 측정대상에 부착되는 위치, 측정대상의 온도 분포에 영향을 미치는 재질, 형태, 발열점 위치 등의 다양한 인자에 따라 측정되는 온도에 차이가 생길 수 있다.
이에 본 발명은 측정대상의 온도에 영향을 줄 수 있는 인자들에 대한 데이터세트를 획득하여 활용한다.
이러한 온도센서부(110)는 측정대상에 대한 온도정보를 정보저장부(120)로 전송한다.
정보저장부(120)는 온도센서부(110)로부터 전송되는 온도정보를 저장하는 데이터베이스이다.
구체적으로 정보저장부(120)는 딥러닝부(130)와 양방향 통신이 가능하다. 이에 따라 정보저장부(120)는 온도정보 및 딥러닝된 결과값을 실시간으로 저장할 수 있다.
더욱 상세하게 정보저장부(120)는 딥러닝부(130)로 온도정보를 전송하고, 반대로 정보저장부(120)는 딥러닝부(130)에서 온도정보가 딥러닝된 결과값을 딥러닝부(130)로부터 전송받을 수 있다.
이와 같이 정보저장부(120)는 온도정보 및 딥러닝된 결과값을 저장하고 있다가 필요할 때 제공할 수 있다.
딥러닝부(130)는 정보저장부로부터 전송되는 온도정보를 딥러닝하고 딥러딩된 결과값을 생성한다. 이를 위한 딥러닝부(130)에는 딥러닝 알고리즘 모델을 포함할 수 있다. 상기한 온도정보는 딥러닝 알고리즘 모델에 적용됨에 따라 딥러닝된 결과값으로 도출된다.
전술한 정보저장부(120)와 딥러닝부(130)는 양방향으로 통신함에 따라 관련정보를 실시간으로 공유할 수 있다.
출력부(140)는 딥러닝부(130)로부터 전송되는 딥러닝된 결과값을 딥러닝 이미지로 출력한다. 구체적으로 출력부(140)는 딥러닝 알고리즘 모델을 통한 결과 이미지로서 딥러닝된 결과값을 온도의 고저에 따라 서로 다른 색상으로 출력하여 시각화할 수 있다.
촬영부(150)는 측정대상으로부터 열화상 이미지를 획득한다. 이를 위한 촬영부(150)는 측정대상의 온도분포를 열화상 이미지로 획득하는 열화상 카메라일 수 있다.
여기서, 열화상카메라는 열을 추적, 탐지하여 화면으로 한 눈에 보여주는 장치를 말한다. 일반 카메라는 사람의 눈과 같은 구조를 하고 있어 우리 눈이 보는 것과 유사한 모습을 담아내지만 열화상카메라는 오직 열을 이용해서 촬영하는 특수 장비이다.
정보처리부(160)는 딥러닝 이미지와 열화상 이미지를 기반으로 정보처리하여 측정대상의 전체 온도분포를 예측한다.
우선적으로 정보처리부(160)는 딥러닝 이미지와 열화상 이미지를 손실함수(Loss Function)에 적용하여 딥러닝 이미지와 열화상 이미지의 오차값을 연산한다.
이때, 연산된 오차값이 0일 경우, 온도센서부(110)에서 측정된 온도정보가 딥러닝 모델을 통해 예측된 결과값과 촬영부(150)에서 촬영된 열화상 이미지가 일치한다는 것을 의미하므로 정보처리부(160)는 이후 정보처리과정을 생략하고 종료한다.
반면, 오차값이 0이 아닐 경우, 즉 에러라고 판단될 경우 정보처리부(160)는 오차값을 옵티마이저하여 정보처리에 적용되는 프로그램을 최적화한다.
다음, 정보처리부(160)는 옵티마이저된 결과값인 업데이트값에 따라 딥러닝부(130)로의 업데이트값 적용여부를 판단한다. 이때, 업데이트값은 전술한 오차값과 유사한 의미를 가지지만 다른 값이다.
만약, 업데이트값이 0인 경우, 정보처리부(160)는 측정대상의 온도와 측정대상의 예측온도가 일치하는 것으로 판단하여 딥러닝부(130)로 업데이트값을 업데이트하지 않고 종료한다.
반면, 업데이트값이 0이 아닌 경우, 정보처리부(160)는 옵티마이저된 손실값인 업데이트값을 딥러닝부(130)로 적용시킨다.
이에 따른 본 발명은 금속으로 이루어진 모터 하우징 등 낮은 방사율을 가진 제품, 광택이 있는 스마트폰 등 표면이 매끄럽거나 광택이 있는 제품, 제품의 신뢰성을 평가하기 위해 고온-저온 환경시험 수행 시, 환경시험기 안에 있는 측정대상의 전체 온도 분포를 예측할 수 있다.
상기한 바에 따른 본 발명의 측정대상의 전체 온도분포 예측장치(100)에 대한 구체적인 내용은 후술되는 본 발명의 측정대상의 전체 온도분포 예측방법을 참고하도록 한다.
2. 측정대상의 전체 온도분포 예측방법
이하, 도 1 내지 도 9를 참조하여 본 발명의 일 실시예에 따른 측정대상의 전체 온도분포 예측방법을 설명하도록 한다.
도 3은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법을 나타낸 순서도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 측정대상의 전체 온도분포 예측방법은 (a) 온도센서부(110)에서 측정대상을 측정한 제1 온도와 촬영부(150)에서 측정한 제1 열화상 이미지를 딥러닝하여 딥러닝 모델을 생성하는 단계(S100), (b) 온도센서부(110)에서 측정대상을 측정한 제2 온도를 딥러닝 모델에 적용한 전체 온도 분포 이미지와 촬영부(150)에서 측정한 제2 열화상 이미지를 딥러닝하여 최종 딥러닝 모델을 생성하는 단계(S200) 및 (c) 온도센서부(110)에서 측정대상을 측정한 제3 온도를 최종 딥러닝 모델에 적용하여 최종 전체 온도 분포 이미지를 예측하여 출력하는 단계(S300)를 포함한다.
도 4는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S100)를 나타낸 순서도이다. 도 5는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S100)를 나타낸 동작흐름도이다.
구체적으로 상기 (a) 단계는, (a1) 온도센서부(110)가 측정대상의 제1 온도를 측정하여 제1 온도정보를 생성하는 단계(S110), (a2) 촬영부(150)가 측정대상의 제1 열화상 이미지를 획득하는 단계(S120), (a3) 정보저장부(120)가 온도센서부(110)로부터 전송되는 제1 온도정보 및 촬영부(150)로부터 전송되는 제1 열화상 이미지를 저장하는 단계(S130), (a4) 딥러닝부(130)가 정보저장부(120)로부터 전송되는 제1 온도정보 및 제1 열화상 이미지를 기반으로 딥러닝하여 딥러닝 모델을 생성하는 단계(S140) 및 (a5) 정보저장부(120)가 딥러닝부(130)에서 생성된 딥러닝 모델을 저장하는 단계(S150)를 포함한다.
이때, 상기 (a) 단계에서, 온도센서부(110)는 열전대 온도센서이고, 촬영부(150)는 측정대상의 온도분포를 열화상 이미지로 획득하는 열화상 카메라이며, 상기한 내용은 전술한 바를 참고하도록 한다.
우선, 상기 (a1) 단계에서는 온도센서부(110)가 제1 온도를 측정하여 제1 온도정보를 생성하는데, 이때의 제1 온도 및 제1 온도정보는 딥러닝 모델을 수립하기 위한 데이터로서, 특정된 값이 아니다. 즉, 제1 온도는 측정대상을 측정할 때마다 달라질 수 있는 복수 개의 온도데이터로서, 측정대상을 측정할 때마다 측정대상의 위치, 재질, 형태, 발열점 위치 등의 다양한 인자에 대한 데이터이다.
예를 들어, 측정대상을 임의로 측정한 제1 온도가 각각 20°C, 22°C, 25°C, 21°C, 23°C, 24°C가 나왔다면 이를 기반으로 딥러닝 모델을 수립할 수 있다. 즉, 제1 온도의 제1 온도정보는 점들의 집합인 데이터세트이고 이를 기반으로 회귀분석 등을 통하여 딥러닝 모델(=수학적 모델일 수 있음)을 수립한다.
다음, 상기 (a2) 단계에서는 촬영부(150)가 제1 열화상 이미지를 획득하게 되는데, 이때의 제1 열화상 이미지는 제1 온도정보와 함께 딥러닝하여 딥러닝 모델을 생성하기 위한 데이터이다.
상기한 (a1) 단계와 (a2) 단계는 온도센서부(110)인 열전대 온도센서와 촬영부(150)인 적외선 열화상 카메라의 단점을 상호 보완하기 위해 수행되는 것이다.
다음, 상기 (a3) 단계에서, 정보저장부(120)가 제1 온도정보 및 제1 열화상 이미지를 저장하였다가 상기 (a4) 단계에서, 딥러닝부(130)가 제1 온도정보 및 제1 열화상 이미지를 기반으로 딥러닝하여 딥러닝 모델을 생성한다.
이때의 딥러닝 모델은 최초 딥러닝 모델로서, 완전한 딥러닝 모델이 아니며, 추후에 이루어지는 단계들을 통하여 측정대상의 전체 온도 분포 이미지의 예측 정확도를 향상시키기 위한 최종 딥러닝 모델의 기초가 된다.
이후, 상기 (a5) 단계를 통하여 정보저장부(120)는 딥러닝 모델을 저장하게 된다.
도 6은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S200)를 나타낸 순서도이다. 도 7은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S200)를 나타낸 동작흐름도이다.
다음, 상기 (b) 단계는, (b1) 온도센서부(110)가 측정대상의 제2 온도를 측정하여 제2 온도정보를 생성하는 단계(S210), (b2) 정보저장부(120)가 온도센서부(110)로부터 전송되는 제2 온도정보를 딥러닝 모델에 적용하는 단계(S220), (b3) 출력부(140)가 제2 온도정보가 적용된 딥러닝 모델을 통해 예측된 결과값을 기반으로 전체 온도 분포 이미지를 출력하는 단계(S230), (b4) 촬영부(150)가 측정대상의 제2 열화상 이미지를 획득하는 단계 및 (b5) 정보처리부(160)가 전체 온도 분포 이미지와 제2 열화상 이미지를 비교하여 판단하는 단계(S250)를 포함한다.
상기 (b1) 단계에서는 상기 (a1) 단계와 유사하게 복수 개의 제2 온도를 측정하고 그에 따른 복수 개의 제2 온도정보를 생성한다.
다음, 상기 (b2) 단계에서는 앞서 수립한 딥러닝 모델에 제2 온도정보를 적용하며, 출력부(140)가 상기 (b3) 단계를 통하여 제2 온도정보가 적용된 딥러닝 모델을 통해 예측된 결과값을 기반으로 전체 온도 분포 이미지를 출력한다.
이때의 전체 온도 분포 이미지는 제2 열화상 이미지와 오차가 생길 수 있는 부정확한 예측값이다.
다음, 상기 (b5) 단계는 상기 (b4) 단계에서, 촬영부(150)에 의해 획득된 측정대상의 제2 열화상 이미지와 예측한 전체 온도 분포 이미지를 비교하여 판단한다.
구체적으로 상기 (b5) 단계에서, 전체 온도 분포 이미지와 제2 열화상 이미지의 오차값이 0.1 이하인 경우, 상기 (b) 단계는, (b6) 정보처리부(160)가 딥러닝부(130)에서 생성된 최종 딥러닝 모델을 정보저장부(120)로 전송하는 단계(S260)를 더 포함한다.
상기 (b6) 단계에서, 0.1 이하의 오차값은 전체 온도 분포 이미지가 제2 열화상 이미지의 근사치로 예측했다는 것을 의미한다. 상기한 단계까지 수행하게 되면, 측정대상의 전체 온도 분포 이미지를 예측하기 위한 최종 딥러닝 모델은 완전히 수립이 된 것이다.
한편, 상기 (b5) 단계에서, 전체 온도 분포 이미지와 제2 열화상 이미지의 오차값이 0.1 미만인 경우, 상기 (b) 단계는, (b7) 상기 (a) 단계로 복귀하는 단계를 더 포함한다.
즉, 상기 (b7) 단계는 전체 온도 분포 이미지와 제2 열화상 이미지가 큰 차이를 보이는 것으로 판단하는 것으로서, 전술한 (a) 단계로 복귀하여 다시 딥러닝 모델을 수립하는 과정을 재차 수행한다.
도 8은 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S300)를 나타낸 순서도이다. 도 9는 본 발명의 일실시예에 따른 측정대상의 전체 온도분포 예측방법의 세부적인 단계(S300)를 나타낸 동작흐름도이다.
다음, 상기 (c) 단계는, (c1) 온도센서부(110)가 측정대상의 제3 온도를 측정하여 제3 온도정보를 생성하는 단계(S310), (c2) 정보저장부(120)가 온도센서부(110)로부터 전송되는 제3 온도정보를 최종 딥러닝 모델에 적용하는 단계(S320) 및 (c3) 출력부(140)가 제3 온도정보가 적용된 최종 딥러닝 모델을 통해 예측된 결과값을 기반으로 최종 전체 온도 분포 이미지를 출력하는 단계(S330)를 포함한다.
우선, 상기 (c1) 단계에서, 온도센서부(110)가 복수 개의 제3 온도를 측정하고, 그에 따른 복수 개의 제3 온도정보를 생성한다.
다음, 상기 (c2) 단계에서는 정보저장부(120)가 제3 온도정보를 최종 딥러닝 모델에 적용하여 예측된 결과값을 저장한다.
이후, 상기 (c3) 단계에서, 출력부(140)는 예측된 결과값을 기반으로 최종 전체 온도 분포 이미지를 시각화하여 도 1의 출력부(140)에 도시된 바와 같은 이미지로 출력한다.
이때, 최종 전체 온도 분포 이미지는 온도의 고저에 따라 다른 색상으로 표시될 수 있다.
전술한 온도센서부(110)는 측정대상을 임의로 측정했을 때의 온도정보인 제1 내지 제3 온도정보를 측정하고, 특히 제3 온도정보는 최종 딥러닝 모델에 적용시켜 최종 전체 온도 분포 이미지를 출력하기 위한 온도정보이다. 상기한 제1 내지 제3 온도정보 외에 더 많은 온도정보를 획득할 수 있다.
또한, 촬영부(150)는 측정대상을 임의로 측정했을 때의 제1 내지 제2 열화상 이미지를 획득하나, 상기한 제1 내지 제2 열화상 이미지 이외에 더 많은 열화상 이미지를 획득할 수 있다.
또한, 제1 온도정보와 제1 열화상 이미지는 세트로서, 제1 학습데이터이고, 제2 온도정보와 제2 열화상 이미지는 제2 학습데이터이다.
이와 같이 온도정보와 열화상 이미지는 하나의 세트인 학습데이터이고, 전술한 바에 따라 다수의 학습데이터가 축적됨에 따라 빅데이터를 기반으로 딥러닝한 최종 딥러닝 모델을 통하여 최종 전체 온도 분포 이미지를 획득할 수 있다.
상기한 바에 따른 본 발명은 온도센서부에서 측정한 온도정보와 촬영부에서 획득한 열화상 이미지를 기반으로 딥러닝 모델을 수립하고, 최초 수립된 딥러닝 모델의 예측정확도를 향상시키기 위한 딥러닝을 다시 수행하여 최종 딥러닝 모델을 수립한 후 온도센서부에서 측정한 온도정보를 최종 딥러닝 모델에 적용하여 측정대상의 전체 온도 분포를 예측할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 측정대상의 전체 온도분포 예측장치
110: 온도센서부
120: 정보저장부
130: 딥러닝부
140: 출력부
150: 촬영부
160: 정보처리부
110: 온도센서부
120: 정보저장부
130: 딥러닝부
140: 출력부
150: 촬영부
160: 정보처리부
Claims (15)
- 측정대상의 온도를 측정하여 상기 측정대상에 대한 온도정보를 생성하는 열전대 온도센서인 온도센서부;
상기 온도센서부로부터 전송되는 상기 온도정보를 저장하는 정보저장부;
상기 정보저장부로부터 전송되는 상기 온도정보를 딥러닝하고 딥러닝 모델을 통한 결과 이미지인 딥러딩된 결과값을 생성하는 딥러닝부;
상기 딥러닝부로부터 전송되는 상기 딥러닝된 결과값을 온도의 고저에 따라 서로 다른 색상으로 출력하여 시각화된 딥러닝 이미지로 출력하는 출력부;
상기 측정대상을 촬영하여 상기 측정대상의 온도분포를 시각화시킨 열화상 이미지를 획득하는 열화상 카메라인 촬영부; 및
상기 딥러닝 이미지와 상기 열화상 이미지를 기반으로 정보처리하여 측정대상의 전체 온도분포를 예측하는 정보처리부;를 포함하고,
상기 정보처리부는 상기 열전대 온도센서에서 측정된 온도를 포함하는 상기 딥러닝 이미지와 상기 열화상 카메라에서 측정된 온도를 포함하는 상기 열화상 이미지를 손실함수에 적용하여 상기 딥러닝 이미지와 상기 열화상 이미지의 오차값을 연산함으로써 상기 측정대상의 전체 온도분포를 예측하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치.
- 삭제
- 제1 항에 있어서,
상기 정보저장부와 상기 딥러닝부는 양방향으로 통신하고,
상기 정보저장부는 상기 온도정보 및 상기 딥러닝된 결과값을 실시간으로 저장하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치.
- 삭제
- 삭제
- 제1 항에 있어서,
상기 오차값이 0.1이 아닐 경우, 상기 정보처리부는 상기 오차값을 옵티마이저하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치.
- 제6 항에 있어서,
상기 정보처리부는 상기 옵티마이저된 결과값인 업데이트값을 상기 딥러닝부로 적용시키는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치.
- 제1 항에 따른 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치를 이용한 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법에 있어서,
(a) 상기 온도센서부에서 상기 측정대상을 측정한 제1 온도와 상기 촬영부에서 측정한 제1 열화상 이미지를 딥러닝하여 상기 딥러닝 모델을 생성하는 단계;
(b) 상기 온도센서부에서 상기 측정대상을 측정한 제2 온도를 상기 딥러닝 모델에 적용한 전체 온도 분포 이미지와 상기 촬영부에서 측정한 제2 열화상 이미지를 딥러닝하여 최종 딥러닝 모델을 생성하는 단계; 및
(c) 상기 온도센서부에서 상기 측정대상을 측정한 제3 온도를 상기 최종 딥러닝 모델에 적용하여 최종 전체 온도 분포 이미지를 예측하여 출력하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법.
- 제8 항에 있어서,
상기 (a) 단계는,
(a1) 상기 온도센서부가 상기 측정대상의 제1 온도를 측정하여 제1 온도정보를 생성하는 단계;
(a2) 상기 촬영부가 상기 측정대상의 제1 열화상 이미지를 획득하는 단계;
(a3) 정보저장부가 상기 온도센서부로부터 전송되는 상기 제1 온도정보 및 상기 촬영부로부터 전송되는 상기 제1 열화상 이미지를 저장하는 단계;
(a4) 상기 딥러닝부가 상기 정보저장부로부터 전송되는 상기 제1 온도정보 및 상기 제1 열화상 이미지를 기반으로 딥러닝하여 상기 딥러닝 모델을 생성하는 단계; 및
(a5) 상기 정보저장부가 상기 딥러닝부에서 생성된 상기 딥러닝 모델을 저장하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법.
- 제9 항에 있어서,
상기 (b) 단계는,
(b1) 상기 온도센서부가 상기 측정대상의 상기 제2 온도를 측정하여 제2 온도정보를 생성하는 단계;
(b2) 상기 정보저장부가 상기 온도센서부로부터 전송되는 상기 제2 온도정보를 상기 딥러닝 모델에 적용하는 단계;
(b3) 출력부가 상기 제2 온도정보가 적용된 상기 딥러닝 모델을 통해 예측된 결과값을 기반으로 상기 전체 온도 분포 이미지를 출력하는 단계;
(b4) 상기 촬영부가 상기 측정대상의 제2 열화상 이미지를 획득하는 단계; 및
(b5) 정보처리부가 상기 전체 온도 분포 이미지와 상기 제2 열화상 이미지를 비교하여 판단하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법.
- 제10 항에 있어서,
상기 (b5) 단계에서,
상기 전체 온도 분포 이미지와 상기 제2 열화상 이미지의 오차값이 0.1 이하인 경우,
상기 (b) 단계는,
(b6) 상기 정보처리부가 상기 딥러닝부에서 생성된 상기 최종 딥러닝 모델을 상기 정보저장부로 전송하는 단계;를 더 포함하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법.
- 제10 항에 있어서,
상기 (b5) 단계에서,
상기 전체 온도 분포 이미지와 상기 제2 열화상 이미지의 오차값이 0.1 미만인 경우,
상기 (b) 단계는,
(b7) 상기 (a) 단계로 복귀하는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법.
- 제11 항에 있어서,
상기 (c) 단계는,
(c1) 상기 온도센서부가 상기 측정대상의 상기 제3 온도를 측정하여 제3 온도정보를 생성하는 단계;
(c2) 상기 정보저장부가 상기 온도센서부로부터 전송되는 제3 온도정보를 상기 최종 딥러닝 모델에 적용하는 단계; 및
(c3) 상기 출력부가 상기 제3 온도정보가 적용된 상기 최종 딥러닝 모델을 통해 예측된 결과값을 기반으로 상기 최종 전체 온도 분포 이미지를 출력하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200070710A KR102452394B1 (ko) | 2020-06-11 | 2020-06-11 | 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200070710A KR102452394B1 (ko) | 2020-06-11 | 2020-06-11 | 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210153851A KR20210153851A (ko) | 2021-12-20 |
| KR102452394B1 true KR102452394B1 (ko) | 2022-10-11 |
Family
ID=79034165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200070710A KR102452394B1 (ko) | 2020-06-11 | 2020-06-11 | 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102452394B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102699688B1 (ko) * | 2022-02-22 | 2024-08-26 | 연세대학교 산학협력단 | 딥러닝 기반 습도 센싱 시스템 및 습도 센싱 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018179221A1 (ja) * | 2017-03-30 | 2018-10-04 | 株式会社オプティム | コンピュータシステム、物体診断方法及びプログラム |
| JP2019028591A (ja) * | 2017-07-27 | 2019-02-21 | 三菱日立パワーシステムズ株式会社 | モデル学習装置、学習済みモデルの生成方法、プログラム、学習済みモデル、監視装置、および監視方法 |
| KR102095443B1 (ko) * | 2019-10-17 | 2020-05-26 | 엘아이지넥스원 주식회사 | 구조텐서를 이용한 딥러닝 기반의 영상 개선 방법 및 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101680544B1 (ko) * | 2014-11-11 | 2016-11-29 | 김상수 | 서모파일 어레이 센서와 실영상 카메라를 이용한 열화상 제공 장치 및 그 방법 |
-
2020
- 2020-06-11 KR KR1020200070710A patent/KR102452394B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018179221A1 (ja) * | 2017-03-30 | 2018-10-04 | 株式会社オプティム | コンピュータシステム、物体診断方法及びプログラム |
| JP2019028591A (ja) * | 2017-07-27 | 2019-02-21 | 三菱日立パワーシステムズ株式会社 | モデル学習装置、学習済みモデルの生成方法、プログラム、学習済みモデル、監視装置、および監視方法 |
| KR102095443B1 (ko) * | 2019-10-17 | 2020-05-26 | 엘아이지넥스원 주식회사 | 구조텐서를 이용한 딥러닝 기반의 영상 개선 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210153851A (ko) | 2021-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11079283B2 (en) | Temperature measurement system for furnaces | |
| CN111337142A (zh) | 体温修正方法、装置及电子设备 | |
| RU2518348C2 (ru) | Устройство и способ для детектирования инфракрасного излучения с помощью матрицы резистивных болометров | |
| CN111595462B (zh) | 红外成像测温系统标定方法、装置、计算设备及存储介质 | |
| TWI658430B (zh) | 熱影像處理系統及方法 | |
| CN111721225A (zh) | 一种高温环境下温度变形动态测量方法及装置 | |
| Olbrycht et al. | New approach to thermal drift correction in microbolometer thermal cameras | |
| CN105509899A (zh) | 一种红外图像测温校准方法及系统 | |
| US12104960B2 (en) | Apparatus for hot spot sensing | |
| Lin et al. | An advanced radiometric calibration approach for uncooled thermal cameras | |
| CN112798110A (zh) | 一种基于标定拟合的红外热成像设备温度检测方法 | |
| KR102452394B1 (ko) | 딥러닝 기반 열전대 온도센서 실측을 통한 측정대상의 전체 온도 분포 예측 장치 및 방법 | |
| Pan et al. | Compensation method for the influence of dust in optical path on infrared temperature measurement | |
| US20150355030A1 (en) | Equipment and method for intensity-temperature transformation of imaging system | |
| Charbal et al. | Hybrid stereocorrelation using infrared and visible light cameras | |
| CN111707382A (zh) | 一种温度变形同步测量的动态光学补偿方法及装置 | |
| CN114018416B (zh) | 一种热红外相机辐射定标方法及系统 | |
| Wang et al. | Hybrid multiview correlation for measuring and monitoring thermomechanical fatigue test | |
| KR102458065B1 (ko) | 안면 인식 체온 측정 장치 및 방법 | |
| CN113029037B (zh) | 物体的轮廓测量方法、装置、计算机设备和可读存储介质 | |
| Chrzanowski et al. | Testing and evaluation of thermal cameras for absolute temperature measurement | |
| WO2020095630A1 (ja) | 温度推定装置、温度推定方法及び温度推定プログラム | |
| Schmidt et al. | Testing and performance standards for elevated skin temperature (EST) screening systems using infrared cameras | |
| Pan et al. | Intelligent compensation method of infrared temperature measurement for multiple interference factors | |
| CN114459615A (zh) | 一种应用于红外热成像测温设备的补偿的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |