KR102555008B1 - 먼지농도 보정 장치 - Google Patents
먼지농도 보정 장치 Download PDFInfo
- Publication number
- KR102555008B1 KR102555008B1 KR1020180001301A KR20180001301A KR102555008B1 KR 102555008 B1 KR102555008 B1 KR 102555008B1 KR 1020180001301 A KR1020180001301 A KR 1020180001301A KR 20180001301 A KR20180001301 A KR 20180001301A KR 102555008 B1 KR102555008 B1 KR 102555008B1
- Authority
- KR
- South Korea
- Prior art keywords
- concentration
- fine dust
- learning
- machine learning
- dust concentration
- Prior art date
Links
- 239000000428 dust Substances 0.000 claims abstract description 81
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G01N15/10—Investigating individual particles
- G01N15/1012—Calibrating particle analysers; References therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/64—Airborne particle content
Landscapes
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
먼지농도 보정 장치가 개시된다. 상기 먼지농도 보정 장치는, 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 측정하는 계측모듈; 상기 계측모듈로부터 전달받은 상기 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 이용하여 제2 미세먼지 농도를 추정하는 보정모듈; 및 상기 제2 미세먼지 농도를 출력하는 출력모듈을 포함할 수 있다.
Description
본 출원은 먼지농도 보정 장치에 관한 것이다.
먼지센서는 공기 중의 먼지 농도를 측정하는 센서로서, 공기질 측정 장치, 공기청정기 등에서 널리 사용되고 있다.
일 예로, 광학 방식을 채용한 먼지센서는 먼지에 광원을 비추고 산란되는 빛을 측정하는 방식으로 먼지 농도를 측정하여 미세먼지 농도를 출력할 수 있다.
그러나 널리 보급되어 사용되는 먼지센서의 경우 설치 환경 및 조건 등에 의해 영향을 받을 수 있고, 이에 따라 측정의 정확도가 떨어질 수 있다.
이와 관련하여, 하기의 특허문헌 1은 슬림형 공기중 부유입자 측정센서를 개시하고 있다.
당해 기술분야에서는 먼지센서의 측정값을 보정하여 보다 정확한 먼지농도를 제공하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 먼지농도 보정 장치를 제공한다.
본 발명의 일 실시예에 따른 먼지농도 보정 장치는, 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 측정하는 계측모듈; 상기 계측모듈로부터 전달받은 상기 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 이용하여 제2 미세먼지 농도를 추정하는 보정모듈; 및 상기 제2 미세먼지 농도를 출력하는 출력모듈을 포함할 수 있다.
한편, 본 발명의 다른 실시예는 먼지농도 보정 장치를 제공한다.
본 발명의 다른 실시예에 따른 먼지농도 보정 장치는, 계측기기로부터 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 수집하는 데이터 수집부; 상기 데이터 수집부로부터 전달받은 상기 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 기계학습을 위한 형태로 변환하는 데이터 변환부; 및 기 학습된 기계학습 알고리즘을 이용하여 상기 데이터 변환부로부터 입력된 데이터로부터 제2 미세먼지 농도를 추정하는 기계 학습부를 포함할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 먼지센서의 측정값을 보정하여 보다 정확한 먼지농도를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 먼지농도 보정장치의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 먼지농도 보정장치의 구성도이다.
도 3 내지 도 5는 다양한 학습조건 하에서 먼지농도 보정 결과를 도시하는 도면이다.
도 2는 본 발명의 다른 실시예에 따른 먼지농도 보정장치의 구성도이다.
도 3 내지 도 5는 다양한 학습조건 하에서 먼지농도 보정 결과를 도시하는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일 실시예에 따른 먼지농도 보정장치의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 먼지농도 보정장치(100)는 계측모듈(110), 보정모듈(120) 및 출력모듈(130)을 포함하여 구성될 수 있다.
계측모듈(110)은 미세먼지 농도와 더불어 미세먼지 농도에 영향을 줄 수 있는 환경 인자를 측정하기 위한 것이다.
예를 들어, 계측모듈(110)은 공기 중의 미세먼지 농도를 측정하는 먼지센서(111)를 포함하고, 환경 인자를 측정하기 위한 센서로서 온도를 측정하는 온도센서(112), 습도를 측정하는 습도센서(113) 및 공기 중의 CO2 농도를 측정하는 CO2 센서(114) 중 적어도 하나를 포함할 수 있다. 여기서, 먼지센서(111)는 광학 방식을 채용하여 미세먼지 농도를 측정하는 상용의 먼지센서일 수 있다.
보정모듈(120)은 계측모듈(110)에서 전달받은 미세먼지 농도, 온도, 습도 및 CO2 농도를 이용하여 실제 미세먼지 농도에 가까운 미세먼지 농도를 추정하기 위한 것으로, 데이터 변환부(121), 학습조건 설정부(122) 및 기계 학습부(123)를 포함하여 구성될 수 있다.
데이터 변환부(121)는 계측모듈(110)에서 전달받은 미세먼지 농도, 온도, 습도 및 CO2 농도 데이터를 기계학습(Machine Learning)을 위한 형태로 변환하기 위한 것이다.
예를 들어, 데이터 변환부(121)는 입력 데이터에 대해 SQL 변환 적용(Apply SQL Transformation), 누락 데이터 정리(Clean Missing Data), 데이터 조인(Join Data), 데이터 선택(Select Columns in Dataset), 데이터 분할(Split Data) 등을 수행할 수 있다.
학습조건 설정부(122)는 후술하는 기계 학습부(123)에 의한 학습조건을 설정하기 위한 것으로, 예를 들어 사용자의 입력 등에 따라 기계 학습부(123)에 의한 학습조건을 설정할 수 있다.
기계 학습부(123)는 기 학습된 기계학습 알고리즘을 이용하여 데이터 변환부(121)를 통해 입력된 데이터로부터 미세먼지 농도를 추정하기 위한 것이다.
기계학습 알고리즘은 크게 이상 감지(anomaly detection), 분류(classification), 클러스터링(clustering), 회귀 분석(regression) 등으로 구분될 수 있다.
본 발명의 일 실시예에 따르면, 입력 데이터의 연속성 및 다양한 환경 인자의 영향 등을 고려하여 회귀 분석 중에서도 신경망 회귀분석(Neural Network Regression) 알고리즘을 채택하여 기계 학습부(123)를 구현할 수 있다.
신경망 회귀분석 알고리즘을 이용하여 학습을 수행하기 위해서는, 트레이너 모드 생성(Create Trainer mode), 은닉 층 상세(Hidden Layer specification), 은닉 노드의 개수(Number of hidden nodes), 학습 레이트(Learning rate), 반복 횟수(Number of iterations), 초기 학습 가중치 다이아미터(The initial learning weights diameter), 모멘텀(The momentum), 노멀라이저 종류(The type of normalizer) 등을 포함하는 학습조건을 설정할 필요가 있다. 여기서, 학습조건의 설정값에 따라 알고리즘의 정확도가 달라질 수 있다.
본 발명의 일 실시예에서는 신경망 회귀분석 알고리즘의 학습조건을 하기의 표 1과 같이 설정할 수 있다.
학습조건 | 설정값 |
트레이너 모드 생성(Create Trainer mode) | Single Parameter |
은닉 층 상세(Hidden Layer specification) | Fully-connected case |
은닉 노드의 개수(Number of hidden nodes) | 1000 |
학습 레이트(Learning rate) | 0.00001 |
반복 횟수(Number of iterations) | 500 |
초기 학습 가중치 다이아미터(The initial learning weights diameter) | 0.01 |
모멘텀(The momentum) | 0 |
노멀라이저 종류(The type of normalizer) | Gaussian normalizer |
상술한 바와 같이 신경망 회귀분석 알고리즘의 학습조건을 설정한 상태에서, 학습 데이터로서 미세먼지 농도, 온도, 습도 및 CO2 농도를 입력받아서, 정밀 계측기(미도시)에 의해 측정된 미세먼지 농도를 추정하도록 기계학습을 수행할 수 있다.
기계 학습부(123)는 상술한 바와 같이 학습된 신경망 회귀분석 알고리즘을 이용하여 데이터 변환부(121)를 통해 입력된 데이터, 즉 미세먼지 농도, 온도, 습도 및 CO2 농도로부터 미세먼지 농도를 추정할 수 있다.
출력모듈(130)은 기계 학습부(123)에 의해 추정된 미세먼지 농도를 사용자에게 제공하기 위한 것이다.
예를 들어, 출력모듈(130)는 디스플레이 패널 등을 통해 미세먼지 농도를 시각적으로 표시하는 표시부(131) 및 유무선 통신 등에 의해 미세먼지 농도를 타 기기로 제공하는 통신부(132) 중 적어도 하나를 포함할 수 있다.
도 2는 본 발명의 다른 실시예에 따른 먼지농도 보정장치의 구성도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 먼지농도 보정장치(200)는 데이터 수집부(210), 데이터 변환부(220), 학습조건 설정부(230), 기계 학습부(240) 및 출력부(250)를 포함하여 구성될 수 있다.
도 2에 도시된 먼지농도 보정장치(200)는 도 1에 도시된 먼지농도 보정장치(100)와는 달리 미세먼지 농도, 온도, 습도 및 CO2 농도를 측정하기 위한 계측모듈을 포함하지 않고, 별도로 설치된 계측기기(미도시)로부터 미세먼지 농도, 온도, 습도 및 CO2 농도 데이터를 수집하기 위한 데이터 수집부(210)를 포함하도록 구성된다.
한편, 데이터 변환부(220), 학습조건 설정부(230), 기계 학습부(240) 및 출력부(250)는 도 1을 참조하여 상술한 데이터 변환부(121), 학습조건 설정부(122), 기계 학습부(123) 및 출력모듈(130)과 동일하게 구성될 수 있는 바, 이에 대한 중복적인 설명은 생략한다.
도 3 내지 도 5는 다양한 학습조건 하에서 먼지농도 보정 결과를 도시하는 도면으로, 도 3 내지 도 5에서 (a)는 계측기 측정값과 먼지센서 측정값 사이의 상관관계를 도시하고, (b)는 계측기 측정값과 기계학습을 통한 보정값 사이의 상관관계를 도시한다.
구체적으로, 도 3 및 도 4는 본 발명의 실시예에 대한 비교예로서, 신경망 회귀분석 알고리즘의 학습조건을 각각 하기의 표 2 및 표 3과 같이 설정하고 학습을 수행한 결과를 도시한다.
한편, 도 5는 본 발명의 실시예에 따라 신경망 회귀분석 알고리즘의 학습조건을 상술한 표 1과 같이 설정하고 학습을 수행한 결과를 도시한다.
학습조건 | 설정값 |
트레이너 모드 생성(Create Trainer mode) | Parameter Range |
은닉 층 상세(Hidden Layer specification) | Fully-connected case |
은닉 노드의 개수(Number of hidden nodes) | 100 |
학습 레이트(Learning rate) | 0.01, 0.02, 0.04 |
반복 횟수(Number of iterations) | 20, 40, 80, 160 |
초기 학습 가중치 다이아미터(The initial learning weights diameter) | 0.01 |
모멘텀(The momentum) | 0 |
노멀라이저 종류(The type of normalizer) | Binning normalizer |
학습조건 | 설정값 |
트레이너 모드 생성(Create Trainer mode) | Single Parameter |
은닉 층 상세(Hidden Layer specification) | Fully-connected case |
은닉 노드의 개수(Number of hidden nodes) | 20 |
학습 레이트(Learning rate) | 0.005 |
반복 횟수(Number of iterations) | 200 |
초기 학습 가중치 다이아미터(The initial learning weights diameter) | 0.5 |
모멘텀(The momentum) | 0 |
노멀라이저 종류(The type of normalizer) | Do not normalize |
도 3 내지 도 5에서 도시된 바와 같이, 동일한 입력 데이터에 대해 신경망 회귀분석 알고리즘을 적용하는 경우에 있어서도, 학습조건의 설정값에 따라 추정의 정확도가 크게 달라질 수 있다.
구체적으로, 본 발명의 실시예가 적용된 도 5에서는 먼지센서의 측정값을 기계학습을 통해 보정한 보정값이 비교적 정확도가 높은 계측기 측정값에 근사함을 알 수 있다.
이에 반해, 본 발명의 실시예에 대한 비교예가 적용된 도 3 및 도 4에서는 먼지센서의 측정값을 보정한 보정값이 계측기 측정값과 큰 차이가 있음을 알 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
100: 먼지농도 보정장치
110: 계측모듈
111: 먼지센서
112: 온도센서
113: 습도센서
114: CO2 센서
120: 보정모듈
121: 데이터 변환부
122: 학습조건 설정부
123: 기계 학습부
130: 출력모듈
131: 표시부
132: 통신부
110: 계측모듈
111: 먼지센서
112: 온도센서
113: 습도센서
114: CO2 센서
120: 보정모듈
121: 데이터 변환부
122: 학습조건 설정부
123: 기계 학습부
130: 출력모듈
131: 표시부
132: 통신부
Claims (8)
- 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 측정하는 계측모듈;
상기 계측모듈로부터 전달받은 상기 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 이용하여 제2 미세먼지 농도를 추정하는 보정모듈; 및
상기 제2 미세먼지 농도를 출력하는 출력모듈; 을 포함하고,
상기 보정모듈은,
상기 계측모듈로부터 전달받은 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 기계학습을 위한 형태로 변환하는 데이터 변환부;
기 학습된 기계학습 알고리즘을 이용하여 상기 데이터 변환부로부터 입력된 데이터로부터 상기 제2 미세먼지 농도를 추정하는 기계 학습부; 및
상기 기계학습 알고리즘의 학습조건을 설정하는 학습조건 설정부; 를 포함하고,
상기 학습조건은
트레이너 모드 생성(Create Trainer mode)은 Single Parameter로,
은닉 층 상세(Hidden Layer specification)는 Fully-connected case로,
은닉 노드의 개수(Number of hidden nodes)는 1000으로,
학습 레이트(Learning rate)는 0.00001로,
반복 횟수(Number of iterations)는 500으로,
초기 학습 가중치 다이아미터(The initial learning weights diameter)는 0.01로,
모멘텀(The momentum)은 0으로,
노멀라이저 종류(The type of normalizer)는 Gaussian normalizer로 설정되는
먼지농도 보정장치.
- 제 1 항에 있어서,
상기 제1 미세먼지 농도는 광학 방식의 먼지센서에 의해 측정된 미세먼지 농도인 먼지농도 보정장치.
- 제 1 항에 있어서,
상기 적어도 하나의 환경 인자는 온도, 습도 및 CO2 농도 중 적어도 하나를 포함하는 먼지농도 보정장치.
- 삭제
- 제 1 항에 있어서,
상기 기계학습 알고리즘은 신경망 회귀분석(Neural Network Regression) 알고리즘인 먼지농도 보정장치.
- 삭제
- 삭제
- 계측기기로부터 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 수집하는 데이터 수집부;
상기 데이터 수집부로부터 전달받은 상기 제1 미세먼지 농도 및 적어도 하나의 환경 인자를 기계학습을 위한 형태로 변환하는 데이터 변환부;
기 학습된 기계학습 알고리즘을 이용하여 상기 데이터 변환부로부터 입력된 데이터로부터 제2 미세먼지 농도를 추정하는 기계 학습부; 및
상기 기계학습 알고리즘의 학습조건을 설정하는 학습조건 설정부; 를 포함하고,
상기 학습조건은
트레이너 모드 생성(Create Trainer mode)은 Single Parameter로,
은닉 층 상세(Hidden Layer specification)는 Fully-connected case로,
은닉 노드의 개수(Number of hidden nodes)는 1000으로,
학습 레이트(Learning rate)는 0.00001로,
반복 횟수(Number of iterations)는 500으로,
초기 학습 가중치 다이아미터(The initial learning weights diameter)는 0.01로,
모멘텀(The momentum)은 0으로,
노멀라이저 종류(The type of normalizer)는 Gaussian normalizer로 설정되는
먼지농도 보정장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180001301A KR102555008B1 (ko) | 2018-01-04 | 2018-01-04 | 먼지농도 보정 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180001301A KR102555008B1 (ko) | 2018-01-04 | 2018-01-04 | 먼지농도 보정 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190083531A KR20190083531A (ko) | 2019-07-12 |
KR102555008B1 true KR102555008B1 (ko) | 2023-07-14 |
Family
ID=67254127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180001301A KR102555008B1 (ko) | 2018-01-04 | 2018-01-04 | 먼지농도 보정 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102555008B1 (ko) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102243136B1 (ko) * | 2019-08-23 | 2021-04-21 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 미세먼지 센서 측정 및 보정 시스템, 및 그 방법 |
KR102658692B1 (ko) * | 2019-08-26 | 2024-04-17 | 엘지전자 주식회사 | 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템 |
KR102271177B1 (ko) * | 2019-10-30 | 2021-06-30 | (주)지피지기소프트 | 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 보정할 수 있는 원인 데이터 비교 기반의 미세먼지 측정 데이터 보정 장치 |
KR102199066B1 (ko) * | 2019-10-30 | 2021-01-06 | (주)지피지기소프트 | 미세먼지 측정기를 통해 산출된 미세먼지 측정 데이터의 오류를 기계학습을 기반으로 보정할 수 있는 미세먼지 측정 데이터 보정 장치 |
KR102356346B1 (ko) * | 2019-11-21 | 2022-01-26 | 순천향대학교 산학협력단 | 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템 |
KR102134545B1 (ko) * | 2019-12-30 | 2020-07-15 | 주식회사 에어콕 | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 |
KR102343927B1 (ko) * | 2020-05-29 | 2021-12-27 | 주식회사 아임삭 | 공기청정기의 먼지농도 측정방법 |
KR102446490B1 (ko) * | 2020-11-03 | 2022-09-23 | 건국대학교 산학협력단 | 미세 먼지 수준 추정 방법 및 장치 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101785357B1 (ko) | 2016-06-13 | 2017-10-17 | (주)에스에이치아이앤씨 | 미세먼지, 온도, 습도 측정센서를 기반으로 한 공기질 검출 시각화 장치 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101154236B1 (ko) | 2011-09-21 | 2012-06-18 | (주)랩코 | 슬림형 공기중 부유입자 측정센서 |
KR101865072B1 (ko) * | 2016-10-17 | 2018-06-07 | 주식회사에스에이티 | 미세먼지농도 측정, 보정 및 예측을 통한 미세먼지정보 구축장치 및 그 방법 |
KR20170057860A (ko) * | 2017-03-29 | 2017-05-25 | 주식회사 오픈잇 | 공기 품질 제공 시스템 및 그 제어방법 |
-
2018
- 2018-01-04 KR KR1020180001301A patent/KR102555008B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101785357B1 (ko) | 2016-06-13 | 2017-10-17 | (주)에스에이치아이앤씨 | 미세먼지, 온도, 습도 측정센서를 기반으로 한 공기질 검출 시각화 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20190083531A (ko) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102555008B1 (ko) | 먼지농도 보정 장치 | |
JP6122015B2 (ja) | ウェブ検査較正システム及び関連方法 | |
US7092832B2 (en) | Adaptive compensation for measurement distortions in spectroscopy | |
TW200745771A (en) | Adjustment method, substrate processing method, substrate processing apparatus, exposure apparatus, inspection apparatus, measurement and/or inspection system, processing apparatus, computer system, program and information recording medium | |
AU2014397243B2 (en) | Image calibration method and device | |
KR20200002694A (ko) | 분광 모델의 교정에 기초하는 교차-유효성확인 | |
CN111707382B (zh) | 一种温度变形同步测量的动态光学补偿方法及装置 | |
CN106093134B (zh) | 金属氧化物传感器阵列响应漂移的补偿方法 | |
KR102578379B1 (ko) | 먼지센서 보정 장치 | |
CN109883962A (zh) | 一种修正光谱仪波长漂移的方法及其系统 | |
CN106095729A (zh) | 基于深度学习的光栅尺测量误差动态补偿方法 | |
US10915775B2 (en) | Noise detection circuit, noise detection method, and print recognition apparatus | |
US20220034857A1 (en) | Apparatuses, computer-implemented methods, and computer program products for dynamic iterative baseline adjustment | |
CN100541177C (zh) | 半导体薄膜材料紫外透过率均匀性测试系统 | |
CN106768351B (zh) | 红外探测器单模多变的响应度测试系统和方法 | |
CN106053381A (zh) | 非均匀性样品在线分析的近红外光谱采集装置及其方法 | |
CN105973142A (zh) | 一种基于经验模式分解的光栅尺误差补偿方法 | |
CN112945876A (zh) | 待测气体向量的生成方法 | |
US7388647B2 (en) | Method and system for real time uniformity feedback | |
CN104977238A (zh) | 脉冲延迟自适应校准装置、方法和细胞分析仪 | |
US10798309B2 (en) | Method and apparatus for nonuniformity correction of IR focal planes | |
US10139325B2 (en) | System and method for evaluating bubble formation potential in a structure | |
CN106404177B (zh) | 红外线扫描测温修正方法 | |
Negrete et al. | A photoionization method for estimating BLR “size” in quasars | |
US7939789B2 (en) | Method for reproducibly determining geometrical and/or optical object characteristics |
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 |