KR102544795B1 - 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템 - Google Patents
미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템 Download PDFInfo
- Publication number
- KR102544795B1 KR102544795B1 KR1020220164441A KR20220164441A KR102544795B1 KR 102544795 B1 KR102544795 B1 KR 102544795B1 KR 1020220164441 A KR1020220164441 A KR 1020220164441A KR 20220164441 A KR20220164441 A KR 20220164441A KR 102544795 B1 KR102544795 B1 KR 102544795B1
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- grip
- image
- identification code
- microorganisms
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012009 microbiological test Methods 0.000 title 1
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 244000005700 microbiome Species 0.000 claims description 54
- 238000003384 imaging method Methods 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 3
- 230000000813 microbial effect Effects 0.000 abstract description 21
- 238000001179 sorption measurement Methods 0.000 description 26
- 230000004308 accommodation Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003028 elevating effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 241000186781 Listeria Species 0.000 description 2
- 238000004166 bioassay Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000006101 laboratory sample Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000589876 Campylobacter Species 0.000 description 1
- 241000305071 Enterobacterales Species 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 241000191967 Staphylococcus aureus Species 0.000 description 1
- 241001148470 aerobic bacillus Species 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
- C12Q1/06—Quantitative determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Zoology (AREA)
- Data Mining & Analysis (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Toxicology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Wood Science & Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Immunology (AREA)
- Biotechnology (AREA)
- Medical Informatics (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
검사정밀성이 개선되도록, 본 발명은 일측에 도어부가 연결되고 내부에 수용공간이 형성되는 하우징부; 상기 수용공간에 구비되되 상면에 미생물이 배양되는 복수개의 배양접시; 각 상기 배양접시와 이격되며 상기 수용공간에 배치되되 상기 미생물이 배양되는 각 상기 배양접시에 대한 이미지를 순차적으로 획득하도록 구비되는 촬상부; 상기 이미지를 획득하도록 상기 촬상부에 회로 연결되어 상기 촬상부를 구동 제어하는 제어부; 상기 제어부에 회로 연결되어 상기 이미지를 전송받아 저장하고, 상기 미생물의 분포영역 및 상기 미생물의 개수에 대한 데이터를 저장하는 서버부; 및 상기 제어부에 회로 연결되되, 상기 이미지에서 상기 미생물의 분포영역을 상기 서버부에 기저장된 미생물의 표준이미지에 대한 머신러닝데이터와의 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하며, 상기 분포영역의 개수를 카운팅하여 상기 이미지에서 미생물의 개수에 대한 카운팅데이터를 생성하는 머신러닝 연산처리부를 포함하되, 상기 수용공간에 배치되되 각 상기 배양접시 중 어느 하나의 외측면을 감싸며 그립하도록 상기 배양접시의 외주에 대응되는 간격을 두고 이격되는 한쌍의 그립암부와, 각 상기 그립암부가 상기 배양접시의 외측면을 가압하도록 각 상기 그립암부에 구동 연결되는 그립구동부를 포함하는 그립부를 더 포함하고, 상기 그립부에 결합되되 각 상기 그립암부에 의해 그립된 상기 배양접시가 상기 촬상부와 대향 정렬되도록 횡방향 및 종방향을 따라 선택적으로 이송되는 이송부를 더 포함함을 특징으로 하는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 제공한다.
Description
본 발명은 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에 관한 것으로, 보다 상세하게는 검사정밀성이 개선되는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에 관한 것이다.
일반적으로 생물학적 안전은 현대 사회에서 주요한 관심사이다. 음식 또는 다른 재료에서의 생물학적 오염에 대한 검사가 식품의 개발자 및 판매자에게 중요한 그리고 종종 의무적인 요건이 되었다.
여기서, 생물학적 검사는 또한 내과 환자로부터 채취된 혈액 샘플과 같은 실험실 샘플, 실험 목적으로 개발된 실험실 샘플, 및 다른 타입의 생물학적 샘플내의 세균 또는 다른 병원체를 식별하는 데 사용된다. 또한, 다양한 기술 및 장치가 생물학적 검사를 개선하는 데, 그리고 생물학적 검사 과정을 능률화하고 표준화하는 데 이용될 수 있다.
그리고, 종래에는 배양 장치들이 예를 들어, 호기성 세균(Aerobic Bacteria), 대장균(E. coli), 대장균형(Coliform), 장내세균(Enterobacteria), 효모균, 곰팡이, 황색포도상구균(Staphylococcus aureus), 리스테리아(Listeria), 캄필로박터(Campylobacter) 등을 비롯한, 보통 음식 오염과 연관된 미생물의 빠른 증식 및 검출을 용이하게 하는 데 이용되었다.
그러나, 종래에는 미생물의 배양 상태를 검사자가 개별적으로 관찰 및 검사하므로 검사 수행에 많은 시간이 소요되는 문제점이 있었다.
상기와 같은 문제점을 해결하기 위하여, 본 발명은 검사정밀성이 개선되는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 제공하는 것을 해결과제로 한다.
상기의 과제를 해결하기 위하여, 본 발명은 일측에 도어부가 연결되고 내부에 수용공간이 형성되는 하우징부; 상기 수용공간에 구비되되 상면에 미생물이 배양되는 복수개의 배양접시; 각 상기 배양접시와 이격되며 상기 수용공간에 배치되되 상기 미생물이 배양되는 각 상기 배양접시에 대한 이미지를 순차적으로 획득하도록 구비되는 촬상부; 상기 이미지를 획득하도록 상기 촬상부에 회로 연결되어 상기 촬상부를 구동 제어하는 제어부; 상기 제어부에 회로 연결되어 상기 이미지를 전송받아 저장하고, 상기 미생물의 분포영역 및 상기 미생물의 개수에 대한 데이터를 저장하는 서버부; 및 상기 제어부에 회로 연결되되, 상기 이미지에서 상기 미생물의 분포영역을 상기 서버부에 기저장된 미생물의 표준이미지에 대한 머신러닝데이터와의 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하며, 상기 분포영역의 개수를 카운팅하여 상기 이미지에서 미생물의 개수에 대한 카운팅데이터를 생성하는 머신러닝 연산처리부를 포함하되, 상기 수용공간에 배치되되 각 상기 배양접시 중 어느 하나의 외측면을 감싸며 그립하도록 상기 배양접시의 외주에 대응되는 간격을 두고 이격되는 한쌍의 그립암부와, 각 상기 그립암부가 상기 배양접시의 외측면을 가압하도록 각 상기 그립암부에 구동 연결되는 그립구동부를 포함하는 그립부를 더 포함하고, 상기 그립부에 결합되되 각 상기 그립암부에 의해 그립된 상기 배양접시가 상기 촬상부와 대향 정렬되도록 횡방향 및 종방향을 따라 선택적으로 이송되는 이송부를 더 포함함을 특징으로 하는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 제공한다.
상기의 해결 수단을 통하여, 본 발명은 다음과 같은 효과를 제공한다.
첫째, 미생물이 배양되는 배양접시에 대하여 획득된 이미지에서 미생물의 분포영역을 추출하고 분포영역의 개수를 카운팅하여 미생물의 개수에 대한 카운팅데이터를 생성하는 머신러닝 연산처리부를 통해 미생물의 배양 상태 및 종류가 머신러닝을 기반으로 자동으로 검사되므로 검사편의성이 현저히 개선될 수 있다.
둘째, 영역추정부가 픽셀 단위로 이미지를 머신러닝데이터와 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하고 분포영역에 대한 바운딩박스를 이미지상에 중첩하여 생성하므로 미생물 검출의 정밀도가 현저히 개선될 수 있다.
셋째, 그립부가 복수개의 배양접시를 순차적으로 그립한 후 이송부에 의해 촬상부의 하측으로 대향되도록 이송된 후 배양접시에 보관된 미생물에 대한 이미지가 자동으로 획득되므로 검사편의성 및 경제성이 현저히 개선될 수 있다.
도 1은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 나타낸 블록도.
도 2는 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 나타낸 예시도.
도 3은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에서 배양접시를 나타낸 예시도.
도 4 및 도 5는 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템의 사용상태를 나타낸 예시도.
도 6 및 도 7은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에서 머신러닝 연산처리부의 사용상태를 나타낸 예시도.
도 2는 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 나타낸 예시도.
도 3은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에서 배양접시를 나타낸 예시도.
도 4 및 도 5는 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템의 사용상태를 나타낸 예시도.
도 6 및 도 7은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에서 머신러닝 연산처리부의 사용상태를 나타낸 예시도.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 상세히 설명한다.
도 1은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 나타낸 블록도이고, 도 2는 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템을 나타낸 예시도이며, 도 3은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에서 배양접시를 나타낸 예시도이고, 도 4 및 도 5는 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템의 사용상태를 나타낸 예시도이며, 도 6 및 도 7은 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템에서 머신러닝 연산처리부의 사용상태를 나타낸 예시도이다.
도 1 내지 도 7에서 보는 바와 같이, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)은 하우징부(10), 배양접시(20), 촬상부(30), 그립부(40), 이송부(50), 제어부(60), 머신러닝 연산처리부(70) 및 서버부(80)를 포함함이 바람직하다.
여기서, 상기 하우징부(10)는 일측에 도어부(11)가 힌지 연결될 수 있으며, 내부에 수용공간이 형성됨이 바람직하다. 이때, 상기 하우징부(10)의 내부와 상기 수용공간은 동일한 의미로 이해함이 바람직하다.
그리고, 상기 배양접시(20)는 상기 수용공간에 복수개 구비되되 상면에 미생물(a)이 배양되도록 구비됨이 바람직하다. 이때, 각 상기 배양접시(20)는 원형 형상의 바닥면을 갖도록 구비되며, 상기 바닥면의 외곽 테두리로부터 접시측벽이 원주방향을 따라 일체로 상향 연장되는 형태로 구비될 수 있다.
또한, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)은 접시커버(21), 회전봉(22), 회전구동부(23), 커버흡착부(24), 지지판(25), 수직프레임(26), 회전판(27)을 포함함이 바람직하다.
여기서, 상기 접시커버(21)는 상기 수용공간에 상기 배양접시(20)의 개수에 대응되는 개수로 복수개 구비되되, 각 상기 접시커버(21)는 각 상기 배양접시(20)의 바닥면 윤곽에 대응되는 윤곽을 갖도록 구비될 수 있다. 즉, 각 상기 배양접시(20)는 각 상기 접시커버(21)의 직경에 대응되어 설정됨이 바람직하며, 원형 단면을 갖도록 구비될 수 있다. 물론, 경우에 따라 각 상기 배양접시(20)의 바닥면 및 각 상기 접시커버(21)가 사각 단면으로 구비될 수도 있으며, 상술한 예에 한정되는 것은 아니다.
그리고, 각 상기 접시커버(21)는 각 상기 배양접시(20)의 상부를 선택적으로 커버하도록 구비됨이 바람직하다. 이때, 하나의 상기 배양접시(20) 상면에 하나의 상기 접시커버(21)가 안착됨으로 이해함이 바람직하다. 즉, 각 상기 배양접시(20) 및 각 상기 접시커버(21)는 세트화되어 구비됨으로 이해함이 바람직하다.
또한, 각 상기 배양접시(20) 및 각 상기 접시커버(21)는 상하방향을 따라 상호간 순차적으로 교번 배치될 수 있다. 이때, 하나의 배양접시(20) 상부를 커버하는 상기 접시커버(21)의 상면과 다른 배양접시(20)의 하면이 상호 이격 배치될 수 있다.
이를 통해, 상기 하우징부(10) 내부의 수용공간에 각 상기 배양접시(20) 및 각 상기 접시커버(21)는 상하방향을 따라 상호간 순차적으로 교번 배치되며 적층될 수 있어 보관가능한 각 상기 배양접시(20)의 개수가 최대화되어 공간활용성이 개선될 수 있다.
한편, 상기 지지판(25)은 최하측에 배치된 상기 배양접시(20)가 안착되도록 상기 배양접시(20)의 바닥면 이상의 면적을 갖는 판재로 구비될 수 있으며, 사각 단면을 갖도록 구비될 수 있다.
그리고, 상기 회전봉(22)은 상기 지지판(25)의 하면에 상단이 연결되며 상하방향을 따라 연장됨이 바람직하다. 또한, 상기 회전구동부(23)는 각 상기 배양접시(20) 및 각 상기 접시커버(21)가 회전되도록 상기 회전봉(22)에 구동 연결되되 상기 제어부(60)에 회로 연결됨이 바람직하다. 이때, 상기 회전봉(22)의 하단에 상기 모터로서 구비되는 상기 회전구동부(23)의 회전축이 상호 결합될 수 있다. 더욱이, 상기 회전봉(22) 및 상기 회전구동부(23) 사이에는 감속기(미도시)가 더 구비될 수도 있다.
여기서, 상기 제어부(60)는 기설정된 시간 간격을 두고 상기 회전구동부(23)에 회전신호 및 정지신호를 순차적으로 전송할 수 있다. 이에 따라, 상기 회전봉(22)이 회전되면, 상기 지지판(25), 상기 배양접시(20) 및 상기 접시커버(21)가 동시에 일체로 선택적으로 회전되거나 정지될 수 있다.
또한, 상기 수직프레임(26)은 상기 지지판(25)의 외곽 테두리측 상면으로부터 적어도 하나 이상 상향 연장 돌설될 수 있으며, 외측면이 각 상기 배양접시(20) 및 각 상기 접시커버(21)의 외측면을 지지하도록 구비될 수 있다. 더욱이, 각 상기 배양접시(20)의 하면이 안착되도록 평판 형태로 구비되되 외측면 일측이 상기 수직프레임(26)에 연결되고 상면에 각 상기 배양접시(20)가 안착되도록 상하방향을 따라 상호간 균일한 간격을 두고 복수개소 구비되는 안착판이 더 구비될 수 있다. 이때, 각 상기 안착판 간의 간격은 각 상기 배양접시(20) 및 각 상기 접시커버(21)의 높이의 합에 대응되어 설정될 수 있다.
또한, 상기 회전판(27)은 평판 형태로 구비되되 일측이 상기 수직프레임(26)에 힌지 연결되어 상기 수직프레임(26)을 중심으로 선택적으로 회전되도록 구비될 수 있으며, 상기 수직프레임(26)을 따라 선택적으로 승강되도록 구비될 수 있다.
더욱이, 상기 회전판(27)에는 접점부가 구비되고, 상기 수직프레임(26)에는 리미트스위치가 구비되어 상기 회전판(27)의 회전제어가 가능하다. 이때, 상기 회전판(27)이 일정 각도 회전시 상기 접점부와 상기 리미트스위치가 상호 접촉되면 회전이 정지될 수 있다.
한편, 상기 커버흡착부(24)는 상기 배양접시(20), 상기 촬상부(30), 상기 그립부(40) 및 상기 이송부(50)와 이격되는 상기 수용공간의 일측에 배치되되 상기 접시커버(21)의 상면에 진공 흡착되기 위한 진공흡착부와, 상기 진공흡착부를 선택적으로 승강시키는 승강수단을 포함하여 구비될 수 있다. 이때, 상기 진공흡착부의 하측에 상기 접시커버(21)가 상기 이송부(50)에 의해 이송되어 상호 대향된 상태에서 상기 승강수단을 통해 상기 진공흡착부가 하강하여 상기 접시커버(21)를 진공 흡착한 후 상승함에 따라 상기 접시커버(21)가 상기 배양접시(20)로부터 분리될 수 있으며, 반대로 상기 승강수단을 통해 상기 진공흡착부가 하강하여 상기 접시커버(21)를 상기 배양접시(20)에 배치한 상태에서 진공 흡착을 해제한 후 상승함에 따라 상기 접시커버(21)가 상기 배양접시(20)를 다시 커버할 수 있다.
한편, 상기 촬상부(30)는 상기 배양접시(20), 상기 커버흡착부(24), 상기 그립부(40) 및 상기 이송부(50)와 이격되며 상기 수용공간에 배치되되 각 상기 배양접시(20)에 대한 이미지를 순차적으로 획득하도록 구비되는 카메라로서 구비됨이 바람직하다.
여기서, 상기 제어부(60)는 상기 이미지를 획득하도록 상기 촬상부(30)에 회로 연결되어 상기 촬상부(30)를 구동 제어함이 바람직하다. 이때, 상기 이미지라 함은 상기 미생물이 배양되는 상기 배양접시(20)에 대한 이미지로 이해함이 바람직하다.
그리고, 상기 그립부(40)는 상기 배양접시(20), 상기 커버흡착부(24), 상기 촬상부(30) 및 상기 이송부(50)와 이격되며 상기 수용공간에 배치되되 각 상기 배양접시(20) 중 어느 하나의 외측면을 감싸며 그립하도록 상기 배양접시(20)의 외주에 대응되는 간격을 두고 이격되는 한쌍의 그립암부(41)와, 각 상기 그립암부(41)가 상기 배양접시의 외측면을 가압하도록 각 상기 그립암부(41)에 구동 연결되는 그립구동부(43)를 포함하여 구비됨이 바람직하다.
여기서, 각 상기 그립암부(41)는 링크부를 통해 상기 그립구동부(43)에 구동 연결되는 기어부(42)에 연결되고, 상기 제어부(60)는 상기 그립구동부(43)에 회로 연결됨이 바람직하다. 그리고, 상기 제어부(60)가 상기 그립구동부(43)를 정방향 제어시 각 상기 그립암부(41) 간의 간격이 벌어지며, 상기 제어부(60)가 상기 그립구동부(43)를 역방향 제어시 각 상기 그립암부(41) 간의 간격이 좁아지도록 구동 제어될 수 있다.
한편, 상기 이송부(50)는 상기 배양접시(20), 상기 커버흡착부(24) 및 상기 촬상부(30)와 이격되며 상기 그립부(40)에 결합되되 각 상기 그립암부(41)에 의해 그립된 상기 배양접시(20)가 상기 촬상부(30)와 대향 정렬되도록 횡방향 및 종방향을 따라 선택적으로 이송되도록 구비됨이 바람직하다.
여기서, 상기 이송부(50)는 배양접시(20), 상기 커버흡착부(24) 및 상기 촬상부(30)와 이격되며 상기 수용공간에 배치되되 횡방향 또는 종방향 중 어느 일방향을 따라 연장되는 수평이동가이드부(51)를 포함함이 바람직하다.
그리고, 상기 이송부(50)는 상기 수평이동가이드부(51)에 레일 연결되되 선택적으로 상햐방향을 따라 승강되도록 구비되는 수직이동가이드부(52)를 포함함이 바람직하다. 이때, 상기 수직이동가이드부(52)에 상기 그립부(40)가 연결됨이 바람직하다.
또한, 상기 이송부(50)는 상기 수평이동가이드부(51)에 구동 연결되며 상기 제어부(60)에 회로 연결되는 수평구동부(53)와, 상기 수직이동가이드부(52)에 구동 연결되며 상기 제어부(60)에 회로 연결되는 수직구동부(54)를 포함함이 바람직하다.
여기서, 상기 제어부(60)가 상기 수평구동부(53)를 정방향 구동 제어하면 상기 수직이동가이드부(52) 및 상기 그립부(40)가 상기 수평이동가이드부(51)를 따라 전진될 수 있으며, 상기 그립부(40)가 상기 배양접시(20)측에 대향 배치될 수 있다.
그리고, 상기 제어부(60)가 상기 수평구동부(53)를 역방향 구동 제어하면 상기 수직이동가이드부(52) 및 상기 그립부(40)가 상기 수평이동가이드부(51)를 따라 후퇴될 수 있으며, 후퇴된 위치에 따라 상기 그립부(40)가 상기 커버흡착부(24) 또는 상기 촬상부(30)의 하측에 대향 이격 배치될 수 있다. 즉, 상기 수평이동가이드부(51)의 상측에 상기 커버흡착부(24) 및 상기 촬상부(30)가 각각 상하방향으로 이격 배치될 수 있으며, 상기 커버흡착부(24) 및 상기 촬상부(30)는 상기 수평이동가이드부(51)의 전후방향을 따라 상호간 이격 배치될 수 있다.
또한, 상기 제어부(60)가 상기 수직구동부(54)를 정방향 구동 제어하면 상기 수직이동가이드부(52) 및 상기 그립부(40)가 상승되어 상하방향으로 적층된 상기 배양접시(20) 중 어느 하나에 전후방향으로 대향 배치될 수 있다. 더불어, 상기 제어부(60)가 상기 수직구동부(54)를 역방향 구동 제어하면 상기 수직이동가이드부(52) 및 상기 그립부(40)가 하강될 수 있다. 이때, 상기 수직이동가이드부(52)의 승강 높이는 상기 수평이동가이드부(51) 및 상기 커버흡착부(24) 사이의 거리 미만으로 설정됨이 바람직하며, 상기 수평이동가이드부(51) 및 상기 촬상부(30) 사이의 거리 미만으로 설정됨이 바람직하다.
한편, 각 상기 배양접시(20)의 외측면에는 상호간 상이한 식별값을 갖는 식별코드인식부(20a)가 각각 구비됨이 바람직하다. 예컨대, 상기 식별코드인식부(20a)는 바코드 또는 QR코드 등으로 각 상기 배양접시(20)의 외측면에 인쇄되어 구비될 수 있다.
그리고, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)은 각 상기 식별코드인식부(20a)를 스캐닝하여 획득한 식별코드를 상기 제어부(60)로 전송하도록 상기 제어부(60)에 회로 연결되는 식별코드리드부(31)를 더 포함함이 바람직하다.
이때, 본 발명의 일실시예에서 상기 식별코드리드부(31)는 상기 그립암부(41)의 일측에 결합됨이 바람직하며, 가장 바람직하게는 한쌍의 상기 그립암부(41) 중 어느 하나의 내면부에 구비될 수 있다.
이에 따라, 상기 식별코드리드부(31)가 각 상기 배양접시(20)의 외측면에 구비된 상기 식별코드인식부(20a)에 용이하게 대향 배치되어 상기 식별코드를 획득하여 상기 제어부(60)로 전송할 수 있다.
이때, 상기 제어부(60)는 상기 식별코드리드부(31) 및 상기 식별코드인식부(20a)가 상호간 대향 정렬되도록 기설정된 시간 간격을 두고 상기 회전구동부(23)에 회전신호 및 정지신호를 순차적으로 전송함이 바람직하다.
이를 통해, 각 상기 그립암부(41)가 각 상기 배양접시(20)의 외측면에 인접하게 대향 이격된 상태에서 각 상기 배양접시(20)가 상기 회전구동부(23)의 구동에 의해 회전됨에 따라 상기 식별코드리드부(31) 및 상기 식별코드인식부(20a)가 상호간 대향 정렬되면 상기 식별코드리드부(31)가 상기 식별코드를 획득하여 상기 제어부(60)로 전송한 후 상기 그립부(40)가 상기 배양접시(20)를 그립하여 신속한 검사가 가능하므로 검사편의성이 현저히 개선될 수 있다.
여기서, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)의 사용상태를 설명한다.
먼저, 상기 이송부(50)에 의해 상기 그립부(40)가 이송된 후 각 상기 그립암부(41)가 상기 지지판(25)의 상측에 보관된 상기 배양접시(20) 중 어느 하나의 외측면에 대향될 수 있다. 여기서, 상기 배양접시(20)가 상기 회전구동부(23)에 의해 회전됨에 따라 상기 식별코드리드부(31) 및 상기 식별코드인식부(20a)가 상호간 대향 정렬되면 상기 식별코드리드부(31)가 상기 식별코드를 획득하여 상기 제어부(60)로 전송할 수 있다.
이어서, 각 상기 그립암부(41)가 상기 배양접시(20) 중 어느 하나를 그립한 상태에서 상기 이송부(50)에 의해 상기 그립부(40)에 의해 그립된 상기 배양접시(20)가 1차 이송됨에 따라 상기 커버흡착부(24)의 하측에 대향 배치될 수 있다. 그리고, 상기 커버흡착부(20)에 의해 상기 배양접시(20)의 상측을 커버하는 상기 접시커버(21)가 상기 커버흡착부(24)에 흡착되어 상기 배양접시(20)로부터 분리될 수 있다. 이에 따라, 상기 배양접시(20)에 보관된 상기 미생물의 상측이 노출될 수 있다.
그리고, 상기 이송부(50)에 의해 상기 그립부(40)에 의해 그립된 상기 배양접시(20)가 2차 이송됨에 따라 상기 촬상부(30)의 하측에 대향 배치될 수 있다. 이어서, 상기 촬상부(30)가 상기 배양접시(20)에 보관된 상기 미생물를 촬영하여 상기 이미지가 획득될 수 있다. 여기서, 상기 제어부(60)가 상기 이미지를 상기 식별코드별로 분류하여 상기 서버부(80)로 전송함에 따라 저장될 수 있다. 이때, 상기 서버부(80)에 상기 이미지가 상기 식별코드별로 구분된 폴더에 저장될 수 있다.
이어서, 상기 이송부(50)에 의해 상기 그립부(40)에 의해 그립된 상기 배양접시(20)가 3차 이송됨에 따라 상기 커버흡착부(24)의 하측에 다시 대향 배치될 수 있다. 그리고, 상기 커버흡착부(24)가 하강하여 흡착력이 해제되면 상기 커버흡착부(24)에 흡착된 상태의 상기 접시커버(21)가 상기 배양접시(20)의 상측을 다시 커버할 수 있다.
마지막으로, 상기 이송부(50)에 의해 상기 그립부(40)에 의해 그립된 상기 배양접시(20)가 4차 이송됨에 따라 상기 지지판(25)의 상측에 재보관될 수 있다. 상술한 과정이 상기 그립부(40)가 복수개의 상기 배양접시(20)를 순차적으로 그립한 후 상기 이송부(50)에 의해 이송됨에 따라 순차적으로 수행될 수 있다. 이를 통해, 각 상기 배양접시(20)에 보관된 각 미생물에 대한 상기 이미지가 획득될 수 있다.
따라서, 상기 그립부(40)가 복수개의 배양접시를 순차적으로 그립한 후 상기 이송부(50)에 의해 상기 촬상부(30)의 하측으로 대향되도록 이송된 후 상기 배양접시(20)에 보관된 미생물에 대한 이미지가 자동으로 획득되므로 검사편의성이 현저히 개선될 수 있다. 또한, 주말, 공휴일 등에도 검사인원의 출근 없이도 자동으로 검사가 수행될 수 있어 인건비가 절감되어 경제성이 개선될 수 있다.
한편, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)은 상기 수용공간의 온도를 측정하도록 상기 수용공간에 구비되되 상기 제어부(60)에 회로 연결되어 측정된 온도신호를 전송하는 온도센서(12)와, 상기 수용공간에 구비되되 선택적으로 발열되는 발열부(13)를 포함할 수 있다.
이때, 상기 온도센서(12)는 상기 발열부(13), 상기 배양접시(20), 상기 커버흡착부(24), 상기 촬상부(30), 상기 그립부(40) 및 상기 이송부(50)와 이격 배치됨이 바람직하며, 상기 배양접시(20)에 인접한 위치에 구비됨이 가장 바람직하다. 예컨대, 상기 온도센서(12)는 상기 수직프레임(26)에 구비될 수 있다.
또한, 상기 발열부(13)는 상기 온도센서(12), 상기 배양접시(20), 상기 커버흡착부(24), 상기 촬상부(30), 상기 그립부(40) 및 상기 이송부(50)와 이격 배치됨이 바람직하며, 예컨대, 상기 하우징부(10)의 외곽 모서리 일측에 배치될 수 있다.
여기서, 상기 제어부(60)는 상기 온도신호가 기설정치 미만인 경우 상기 발열부(13)에 가열신호를 전송하며, 상기 온도신호가 기설정치 이상인 경우 상기 발열부(13)에 가열정지신호를 전송함이 바람직하다. 이에 따라, 상기 하우징부(10) 내부의 수용공간의 온도가 상기 미생물이 배양되기 위한 최적의 온도 범위로 안정적으로 유지되므로 사용안전성이 현저히 개선될 수 있다.
한편, 상기 서버부(80)는 상기 제어부(60)에 회로 연결되어 상기 이미지를 전송받아 저장하고, 후술되는 분포영역 및 상기 미생물의 개수에 대한 데이터를 저장하도록 구비됨이 바람직하다. 또한, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)은 상기 하우징부(10)의 외면에 배치되되 상기 제어부(60)에 회로 연결되며 상기 이미지가 선택적으로 표시되는 모니터링부(14)를 더 포함함이 바람직하다.
그리고, 상기 머신러닝 연산처리부(70)는 상기 이미지에서 상기 미생물의 분포영역을 상기 서버부(80)에 기저장된 미생물의 표준이미지에 대한 머신러닝데이터와의 비교 판단을 통해 추출하고, 상기 분포영역의 개수를 카운팅하여 상기 이미지에서 미생물의 개수에 대한 카운팅데이터를 생성하도록 구비됨이 바람직하다. 이때, 상기 머신러닝 연산처리부(70)는 상기 제어부(60) 및 상기 서버부(80)에 회로 연결됨이 바람직하다.
여기서, 상기 머신러닝 연산처리부(70)는 픽셀 단위로 상기 이미지를 머신러닝데이터와 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하고, 상기 분포영역에 대한 바운딩박스를 상기 이미지상에 중첩하여 생성하는 영역추정부와, 카운팅된 상기 분포영역의 개수에 대응되는 상기 카운팅데이터를 생성하여 상기 서버부(80)로 전송하는 탐지부를 포함할 수 있다.
따라서, 미생물이 배양되는 각 상기 배양접시(20)에 대하여 획득된 이미지에서 상기 미생물의 분포영역을 상기 서버부(80)에 기저장된 미생물의 표준이미지에 대한 머신러닝데이터와의 비교 판단을 통해 추출하고, 상기 분포영역의 개수를 카운팅하여 상기 이미지에서 미생물의 개수에 대한 카운팅데이터를 생성하는 머신러닝 연산처리부(70)를 통해 미생물의 배양 상태 및 종류가 머신러닝을 기반으로 자동으로 검사되므로 검사편의성이 현저히 개선될 수 있다.
더욱이, 픽셀 단위로 상기 이미지를 머신러닝데이터와 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하고, 상기 분포영역에 대한 바운딩박스를 상기 이미지상에 중첩하여 생성하는 영역추정부와, 카운팅된 상기 분포영역의 개수에 대응되는 상기 카운팅데이터를 생성하여 상기 서버부(80)로 전송하는 탐지부를 통해 미생물 검출의 정밀도가 현저히 개선될 수 있다.
또한, 본 발명을 통해 단순 수량 확인 외 어떤 종류 미생물인지를 확인가능한 이미지 처리 기술 개발에도 활용 가능하며, 미생물 검사 이외에도 패턴인식, 이미지 필터 등 이미지 처리 기술에 접목이 가능하다. 이때, 본 발명은 Two-Stage Detector 중 가장 안전하고 성능이 좋은 Fast R-CNN 네트워크 모델을 사용할 수 있으며, BoundaryBox Regresstion 중 Sective Search 알고리즘을 사용할 수 있으며, NMS 로직을 사용하고, mAP 성능평가 모델을 사용할 수 있다.
여기서, 본 발명의 일실시예에 따른 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템(100)을 통해 미생물 검사 계수를 위한 딥러닝 AI솔루션을 제공할 수 있다. 이때, 본 발명은 머신러닝 컴퓨터 비전 분야 중 Computer Vision Solution을 통해 수행될 수 있다. 예컨대, 분류(Classification)를 통해서 하나의 이미지에 하나의 클래스(Class)를 검출토록 하며 오브젝트 디텍션(Object Detection)을 통해 한 이미지에 다수의 클래스(Class) 검출과 각 객체의 로케이션(Location)을 검출토록 한다. 또한, 세분화(Segmentation)를 통해 한 이미지에 다수의 클래스(Class) 검출을 하면서 로케이션(Location)을 픽셀(Pixel)별로 검출토록 한다. 본 발명은 미생물의 개수를 검출하는 솔루션으로 각 개체를 따로 탐지(Detect)하므로 분류(Classification)는 부적합하고 세분화(Segmentation)로 픽셀(Pixel)별 로케이션(Location) 검출시 오버헤드가 발생하게 되므로 오브젝트 디텍션(Object Detection) 솔루션이 가장 적합하다.
그리고, 네트워크 모델 선정에서 오브젝트 디텍션(Object Detection) 개요를 살펴보면 주요 구성 요소로는 영역 추정(영역 제안(Region Proposal), 탐지(Detection)를 위한 딥러닝(Deep Learning) 네트워크 구성(Feature Extraction & Network Prediction)이 있으며 탐지(Detection)을 구성하는 기타 요소(IoU, NMS, mAP, Anchor box)로는 영역 제안(Region Proposal)과 탐지(Detection) 거치느냐 따라 원-스테이지 디텍터(One-Stage Detector), 투-스테이지 디텍터(Two-Stage Detector) 등으로 구분된다. 이때, 관련 솔루션 모델로는 RCNN(2013)이 있고 이는 기존에 물체 검출에 사용된 슬라이딩 윈도우(Sliding Window) 방식에는 백그라운드(Background)를 검출하는 잉여시간이 너무 많았으며 그에 따라 등장한 기법이 영역 제안(Region Proposal) 방식이며 Fast RCNN(2015)의 경우는 분류(Classification) 과 ROI 풀링(ROI Pooling)을 이용해 SPP보다 간단하고 RCNN에 비해 수행시간이 많이 줄어들게 된다. 대중적으로 많이 사용하며 안전성과 성능이 확보된 모델로 본 발명에 적용 가능한 네트워크 모델로써 Faster RCNN, SSD, YOLO, RetinaNet 등이 있으나 미생물 검출 신뢰도가 중요하기에 mAP 성능이 중요하여 본 발명은 투-스테이지 디텍터(Two-Stage Detector) 계열 네트워크 모델을 사용한다.
한편, 투-스테이지 디텍터(Two-Stage Detector)의 Fast R-CNN 네트워크 모델은 투-스테이지 디텍터(Two-Stage Detector)중 가장 안전하고 성능이 좋은 모델이다. 이때, 오브젝트 디텍션(Object Detection)의 기본 메커니즘의 경우 여러 레이어(Layer) 가진 ConvNet에 이미지(Image) 입력시, 소프트맥스(Softmax)를 적용한 아웃풋벡터(Output Vector)로 클래스(Class)별 이미지 분류가 아웃풋벡터(Output Vector)에 분류 뿐 아닌 위치까지 출력 해주려면, 바운딩박스(Bounding Box) 좌표를 추가토록 한다. 중립네트워크(Neural Network)의 트레이닝셋(트레이닝(Training) Set)에 기존 클래스(Class) 뿐만 아니라 바운딩박스(Bounding Box)의 좌표 4개를 추가해 트레이닝(Training)한다면 지도학습(Supervised Learning)을 통해 분류(Classification)와 국재성(Localization)을 예측한다. 분류(Classification) 모델을 만들 때는 콘볼루션 레이어(Convolution Layer)로 구성된 백본 네트워크(backbone network)을 통해서 이미지 특성 추출 후, 클래스 간 분류를 위한 완전연결형(Fully Connected) 레이어(Layer)를 추가하고 경계 회귀(Boundary Regression)는 두개 객체가 혼동 야기가 가능하여 영역 제안(Region Proposal)을 사용한다. 그리고, 영역 제안(Region Proposal) 방식에서 오브젝트 없는 영역도 무조건 슬라이딩 해야 하며 여러 형태 윈도우(Window)와 여러 스케일(Scale)을 가진 이미지를 스캔, 검출 하므로 수행시간이 오래 걸리고 검출성능이 상대적으로 낮으며 빠른 탐지(Detection)과 높은 재현율(Recall) 예측 성능을 동시 만족한다. 그리고, 알고리즘 유사 영역(Region) 계층적 그룹핑으로 셀렉티브 서치(Selective Search)는 최초에는 픽셀 강도(Pixel Intensity)에 기반한 그래프기반 세그먼트(Graph-Based Segment) 기법에 따라 과분할(Over Segmentation)을 수행한다. 또한, 각 오브젝트(Object)들이 1개 개별 영역에 담기게 많은 초기 영역으로 생성된다. 이때, 오브젝트 디텍션(Object Detection)은 객체의 분류, 로케이션(Location)을 위한 Boundary Box Regression 두 과정이 필요하며 현재는 로케이션(Location)방식으로 셀렉티브 서치(Selective Search)를 많이 사용하며, 기본 메커니즘 Boundary Box regression 중 셀렉티브 서치(Sective Search) 알고리즘을 이용한 AI모델에 적용한다.
한편, 오브젝트 디텍션(Object Detection)의 성능 척도는 IoU를 적용하기 위해서는 Predicted Bounding Box와 Ground-Truth Bounding Box가 얼마나 일치하는지 측정하기 위한 평가 지표를 정의한 것이며 오브젝트 디텍션(오브젝트(Object) Detecion)은 로스율로 모델 평가 어렵기에 IoU기반으로 모델 성능 테스트를 진행한다. 이때 IoU는 개별 박스가 서로 겹치는 영역을 전체 박스의 합집합 영역으로 나눈 값을 의미한다. 그리고, mAP 성능평가로는 실제 오브젝트(Object)가 탐지(Detected)된 재현율(Recall)의 변화 따른 정밀도(Presion) 값을 평균 성능 수치로 재현율(Recall)은 실제 값이 Positive인 대상 중 예측과 실제 값 Positive 일치 데이터의 비율에 따라 오브젝트 디텍션(Object Detection)에서는 검출 알고리즘이 오브젝트(Object) 빠뜨리지 않고 검출 예측하는지 나타내도록 한다. 또한, 오브젝트 디텍션(Object Detection)에서 개별 오브젝트(Object)에 대한 검출 예측 성공여부를 IOU로 결정하며 오차 행렬의 경우 이진 분류의 예측 오류와 어떠한 유형의 예측 오류가 발생하는지 나타내는 지표로써 확실한 기준이 되는 경우만 Positive로 예측하고 나머지는 모두 Negative로 예측하고 IoU를 이용하여 신뢰도를 측정하기 위해 본발명에서는 mAP를 추출 하여 평가지표를 추출하여 테스트를 진행한다.
이때, 이상에서 기재된 "포함하다", "구성하다" 또는 "구비하다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상 설명한 바와 같이, 본 발명은 상술한 각 실시예에 한정되는 것은 아니며, 본 발명의 청구항에서 청구하는 범위를 벗어남 없이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 변형 실시되는 것은 가능하며, 이러한 변형 실시는 본 발명의 범위에 속한다.
10: 하우징부 20: 배양접시
30: 촬상부 40: 그립부
50: 이송부 60: 제어부
70: 머신러닝 연산처리부 80: 서버부
100: 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템
30: 촬상부 40: 그립부
50: 이송부 60: 제어부
70: 머신러닝 연산처리부 80: 서버부
100: 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템
Claims (5)
- 일측에 도어부가 연결되고 내부에 수용공간이 형성되는 하우징부;
상기 수용공간에 구비되되 상면에 미생물이 배양되는 복수개의 배양접시;
각 상기 배양접시와 이격되며 상기 수용공간에 배치되되 상기 미생물이 배양되는 각 상기 배양접시에 대한 이미지를 순차적으로 획득하도록 구비되는 촬상부;
상기 이미지를 획득하도록 상기 촬상부에 회로 연결되어 상기 촬상부를 구동 제어하는 제어부;
상기 제어부에 회로 연결되어 상기 이미지를 전송받아 저장하고, 상기 미생물의 분포영역 및 상기 미생물의 개수에 대한 데이터를 저장하는 서버부; 및
상기 제어부에 회로 연결되되, 상기 이미지에서 상기 미생물의 분포영역을 상기 서버부에 기저장된 미생물의 표준이미지에 대한 머신러닝데이터와의 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하며, 상기 분포영역의 개수를 카운팅하여 상기 이미지에서 미생물의 개수에 대한 카운팅데이터를 생성하는 머신러닝 연산처리부를 포함하되,
상기 수용공간에 배치되되 각 상기 배양접시 중 어느 하나의 외측면을 감싸며 그립하도록 상기 배양접시의 외주에 대응되는 간격을 두고 이격되는 한쌍의 그립암부와, 각 상기 그립암부가 상기 배양접시의 외측면을 가압하도록 각 상기 그립암부에 구동 연결되는 그립구동부를 포함하는 그립부를 더 포함하고,
상기 그립부에 결합되되 각 상기 그립암부에 의해 그립된 상기 배양접시가 상기 촬상부와 대향 정렬되도록 횡방향 및 종방향을 따라 선택적으로 이송되는 이송부를 더 포함함을 특징으로 하는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템. - 제 1 항에 있어서,
상기 머신러닝 연산처리부는 픽셀 단위로 상기 이미지를 머신러닝데이터와 비교 판단하되 상호간의 유사도가 기설정치 이상인 영역을 상기 미생물이 분포하는 분포영역으로 설정하고 상기 분포영역에 대한 바운딩박스를 상기 이미지상에 중첩하여 생성하는 영역추정부와,
카운팅된 상기 분포영역의 개수에 대응되는 상기 카운팅데이터를 생성하여 상기 서버부로 전송하는 탐지부를 포함함을 특징으로 하는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템. - 삭제
- 제 1 항에 있어서,
각 상기 배양접시의 외측면에는 상호간 상이한 식별값을 갖는 식별코드인식부가 구비되고, 각 상기 식별코드인식부를 스캐닝하여 획득한 식별코드를 상기 제어부로 전송하도록 상기 제어부에 회로 연결되는 식별코드리드부를 더 포함하되,
상기 식별코드리드부는 상기 식별코드인식부와 선택적으로 대향 배치되도록 한쌍의 상기 그립암부 중 어느 하나의 내면부에 구비됨을 특징으로 하는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템. - 제 4 항에 있어서,
상기 배양접시가 안착되도록 상기 배양접시의 바닥면 이상의 면적을 갖는 판재로 구비된 지지판과,
상기 지지판의 하면에 상단이 연결되며 상하방향을 따라 연장되는 회전봉과,
각 상기 배양접시가 회전되도록 상기 회전봉에 구동 연결되되 상기 제어부에 회로 연결되는 회전구동부를 포함하며,
상기 제어부는 상기 식별코드리드부 및 상기 식별코드인식부가 상호간 대향 정렬되도록 기설정된 시간 간격을 두고 상기 회전구동부에 회전신호 및 정지신호를 순차적으로 전송함을 특징으로 하는 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220164441A KR102544795B1 (ko) | 2022-11-30 | 2022-11-30 | 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220164441A KR102544795B1 (ko) | 2022-11-30 | 2022-11-30 | 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102544795B1 true KR102544795B1 (ko) | 2023-06-16 |
Family
ID=86948084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220164441A KR102544795B1 (ko) | 2022-11-30 | 2022-11-30 | 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102544795B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150096718A (ko) | 2012-12-20 | 2015-08-25 | 쓰리엠 이노베이티브 프로퍼티즈 컴파니 | 이미지 내의 미생물 콜로니를 구분하는 방법 |
| KR20200111346A (ko) * | 2019-03-19 | 2020-09-29 | 홍종일 | 미생물 카운팅 장치 및 이를 이용한 카운팅 방법 |
-
2022
- 2022-11-30 KR KR1020220164441A patent/KR102544795B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150096718A (ko) | 2012-12-20 | 2015-08-25 | 쓰리엠 이노베이티브 프로퍼티즈 컴파니 | 이미지 내의 미생물 콜로니를 구분하는 방법 |
| KR20200111346A (ko) * | 2019-03-19 | 2020-09-29 | 홍종일 | 미생물 카운팅 장치 및 이를 이용한 카운팅 방법 |
Non-Patent Citations (1)
| Title |
|---|
| Sylwia Majchrowskaj et al., "Deep neural networks approach to microbial colony detection|a comparative analysis," arXiv:2108.10103v2 [cs.CV] 24 Aug 2021 (2021.08.24.)* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11042788B2 (en) | Methods and apparatus adapted to identify a specimen container from multiple lateral views | |
| CN109477848B (zh) | 用于识别样品容器盖的系统、方法和设备 | |
| AU2021215255B2 (en) | Automated method and system for obtaining and preparing microorganism sample for both identification and antibiotic susceptibility tests | |
| EP3408641B1 (en) | Methods and apparatus for multi-view characterization | |
| US11650197B2 (en) | Methods and apparatus adapted to quantify a specimen from multiple lateral views | |
| CN110573859B (zh) | 用于使用卷积神经网络的hiln表征的方法和装置 | |
| US10928310B2 (en) | Methods and apparatus for imaging a specimen container and/or specimen using multiple exposures | |
| JP6010409B2 (ja) | 幾何学的な管のデータを備えた試料管の操作 | |
| US10746665B2 (en) | Methods and apparatus for classifying an artifact in a specimen | |
| US11215628B2 (en) | Methods of automatized sample loading and processing and devices and systems related thereto | |
| Bae et al. | Portable bacterial identification system based on elastic light scatter patterns | |
| CN111512316A (zh) | 用于生物样本评定处理的应用程序开发环境 | |
| KR102544795B1 (ko) | 미생물 검사 계수를 위한 딥러닝 인공지능 솔루션 시스템 | |
| KR20240088016A (ko) | 미생물 검사 측정용 지능형 자동화 시스템 | |
| KR20240080799A (ko) | 미생물 검사 측정용 지능형 이미징 시스템 | |
| JP2023500835A (ja) | 自動診断分析システムにおいて検体のｈｉｌｎ決定に使用される訓練画像をハッシュおよび検索するための方法および装置 | |
| WO2024054455A1 (en) | Platform for antimicrobial susceptibility testing and bacterial identification | |
| CN115083525A (zh) | 生物离体样本的质检控制方法及计算机存储介质 | |
| Hauser | Digital image analysis of Gram stained culture specimens | |
| BR112017025551B1 (pt) | Método e sistema automatizado para obter e preparar amostra de micro-organismos tanto para identificação quanto para testes de susceptibilidade a antibióticos |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |