KR102555181B1 - 홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법 - Google Patents
홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법 Download PDFInfo
- Publication number
- KR102555181B1 KR102555181B1 KR1020210141904A KR20210141904A KR102555181B1 KR 102555181 B1 KR102555181 B1 KR 102555181B1 KR 1020210141904 A KR1020210141904 A KR 1020210141904A KR 20210141904 A KR20210141904 A KR 20210141904A KR 102555181 B1 KR102555181 B1 KR 102555181B1
- Authority
- KR
- South Korea
- Prior art keywords
- concentration
- particulate matter
- speckle pattern
- image
- holographic
- Prior art date
Links
- 239000013618 particulate matter Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 239000011236 particulate material Substances 0.000 claims description 8
- 238000009647 digital holographic microscopy Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 description 32
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 3
- 238000000386 microscopy Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005250 beta ray Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 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
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 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
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- 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
- 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
-
- 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
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
- G01N2015/0233—Investigating particle size or size distribution by optical means using imaging; using holography using holography
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Holo Graphy (AREA)
- Image Analysis (AREA)
Abstract
홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법이 개시된다. 입자상 물질(particulate matter)들의 농도를 예측하는 농도 예측 모델을 생성하는 방법에 있어서, 상기 입자상 물질들의 홀로그래픽 스페클 패턴 영상(holographic speckle pattern video) 및 상기 입자상 물질들의 농도 정보를 획득하는 동작과 상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상(preprocessed video)을 생성하는 동작과 상기 전처리된 영상에 기초하여 딥 오토인코더(deep autoencoder)를 학습시키는 동작과 상기 전처리된 영상 및 상기 입자상 물질들의 농도 정보에 기초하여 농도 예측 모델을 생성하는 동작을 포함할 수 있다.
Description
아래 개시는 홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법에 관한 것이다.
미세먼지는 인체의 호흡기나 피부로 쉽게 침투하여 다양한 질병을 야기한다. 최근 들어, 공중보건 관점에서 미세먼지 농도를 실시간으로 손쉽게 모니터링하는 것이 중요해졌고, 공기 중의 미세먼지 농도를 측정하기 위해 다양한 기술들이 개발되고 있다.
중량 농도법은 필터에 걸러진 미세먼지의 무게를 측정하여 미세먼지 농도를 계산한다. TEOM (Tapered element oscillating microbalance) 측정법은 기기 내부에 장착된 필터에 의해 걸러진 미세먼지의 무게에 따른 필터의 진동수 변화를 측정하여 미세먼지 농도를 계산한다. 베타선 흡수법은 미세먼지 농도 변화에 따른 베타선의 세기가 감쇠하는 정도를 측정하여 미세먼지 농도를 계산한다. 이러한 종래의 기법들은 대기오염 측정소에서 미세먼지의 정밀 측정에 사용되지만, 장치 가격이 비싸고 이를 제대로 운용하는 전문인력이 필요하다.
미세먼지를 실시간으로 편리하게 측정하기 위한 휴대용 미세먼지 측정 기술들 또한 개발되고 있다. 광 산란법은 휴대용 미세먼지 측정장치에 주로 활용되는 미세먼지 측정 기법으로서, 미세먼지 입자의 크기에 따른 광 산란 각도와 세기를 측정하여 미세먼지 농도를 측정한다.
실시예에 따르면 입자상 물질들의 홀로그래픽 스페클 패턴 영상(holographic speckle pattern video)에 기초하여 고농도의 입자상 물질들의 크기, 종류, 및 농도를 정확하게 예측하는 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 입자상 물질(particulate matter)들의 농도를 예측하는 농도 예측 모델을 생성하는 방법에 있어서, 상기 입자상 물질들의 홀로그래픽 스페클 패턴 영상(holographic speckle pattern video) 및 상기 입자상 물질들의 농도 정보를 획득하는 동작과 상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상(preprocessed video)을 생성하는 동작과 상기 전처리된 영상 및 상기 입자상 물질들의 농도 정보에 기초하여 농도 예측 모델을 생성하는 동작을 포함할 수 있다.
상기 홀로그래픽 스페클 패턴 영상은, 결맞음성(coherency)을 갖는 평행광(parallel light)을 상기 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상일 수 있다.
상기 전처리된 영상을 생성하는 동작은, 상기 홀로그래픽 스페클 패턴 영상을 균일하게 분할하는 동작과 분할된 홀로그래픽 스페클 패턴 영상의 대비(contrast)를 증가시키는 동작을 포함할 수 있다.
상기 농도 예측 모델을 생성하는 동작은, 상기 전처리된 영상에 기초하여 딥 오토인코더(deep autoencoder)를 학습시키는 동작과 상기 딥 오토인코더가 상기 전처리된 영상으로부터 획득한 특징 정보(feature information) 및 상기 입자상 물질들의 농도 정보에 기초하여 회귀 레이어(regression layer)를 학습시키는 동작을 포함할 수 있다.
일 실시예에 따른 입자상 물질들의 농도를 예측하는 방법은 입자상 물질들의 홀로그래픽 스페클 패턴 영상을 획득하는 동작과 상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상을 생성하는 동작과 상기 전처리된 영상을 학습된 농도 예측 모델에 입력하여 상기 입자상 물질들의 농도를 예측하는 동작을 포함할 수 있다.
상기 홀로그래픽 스페클 패턴 영상은, 결맞음성(coherency)을 갖는 평행광을 상기 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상일 수 있다.
상기 전처리된 영상을 생성하는 동작은, 상기 홀로그래픽 스페클 패턴 영상을 균일하게 분할하는 동작과 분할된 홀로그래픽 스페클 패턴 영상의 대비를 증가시키는 동작을 포함할 수 있다.
상기 학습된 농도 예측 모델은, 상기 전처리된 영상을 압축하는 인코더 신경망과 압축된 영상의 특징 정보를 획득하는 잠재 공간과 상기 특징 정보로부터 상기 입자상 물질들의 농도를 예측하는 회귀 레이어를 포함할 수 있다.
일 실시예에 따른 입자상 물질들의 농도를 예측하는 농도 예측 시스템은 휴대용 디지털 홀로그래픽 현미경과 영상 취득 장치를 포함하는 휴대용 기기를 포함하고, 상기 휴대용 디지털 홀로그래픽 현미경은, 상기 입자상 물질들에 결맞음성(coherency)을 갖는 평행광을 조사(illuminate)하는 레이저 다이오드와 조사된 평행광의 굵기를 변환하는 빔 익스펜더(beam expander)와 영상 취득 장치로 인입되는 평행광을 확대하는 확대경(magnifier)을 포함하고, 상기 휴대용 기기는, 상기 휴대용 디지털 홀로그래픽 현미경과 결합하여 상기 입자상 물질들의 홀로그래픽 스페클 패턴 영상을 획득하고, 상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상을 생성하고, 상기 전처리된 영상을 학습된 농도 예측 모델에 입력하여 상기 입자상 물질들의 농도를 예측할 수 있다.
상기 홀로그래픽 스페클 패턴 영상은, 결맞음성(coherency)을 갖는 평행광을 상기 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상일 수 있다.
상기 휴대용 기기는, 상기 홀로그래픽 스페클 패턴 영상을 균일하게 분할하고, 분할된 홀로그래픽 스페클 패턴 영상의 대비를 증가시킬 수 있다.
상기 학습된 농도 예측 모델은, 상기 전처리된 영상을 압축하는 인코더 신경망과 압축된 영상의 특징 정보를 획득하는 잠재 공간과 상기 특징 정보로부터 상기 입자상 물질들의 농도를 예측하는 회귀 레이어를 포함할 수 있다.
도 1은 농도 예측 모델 생성 장치의 개략적인 블록도를 나타낸다.
도 2는 농도 예측 장치의 일 예를 나타낸다.
도 3은 입자상 물질의 홀로그래픽 스페클 패턴 영상을 획득하는 동작을 설명하기 위한 도면이다
도 4 및 도 5는 홀로그래픽 스페클 패턴 영상을 전처리하는 동작을 설명하기 위한 도면이다.
도 6은 농도 예측 모델 생성 장치의 네트워크의 구조를 나타낸다.
도 7은 도 2에 도시된 농도 예측 장치의 효과를 설명하기 위한 도면이다.
도 8은 농도 예측 시스템의 일 예를 나타낸다.
도 9는 도 8에 도시된 농도 예측 시스템의 효과를 설명하기 위한 도면이다.
도 2는 농도 예측 장치의 일 예를 나타낸다.
도 3은 입자상 물질의 홀로그래픽 스페클 패턴 영상을 획득하는 동작을 설명하기 위한 도면이다
도 4 및 도 5는 홀로그래픽 스페클 패턴 영상을 전처리하는 동작을 설명하기 위한 도면이다.
도 6은 농도 예측 모델 생성 장치의 네트워크의 구조를 나타낸다.
도 7은 도 2에 도시된 농도 예측 장치의 효과를 설명하기 위한 도면이다.
도 8은 농도 예측 시스템의 일 예를 나타낸다.
도 9는 도 8에 도시된 농도 예측 시스템의 효과를 설명하기 위한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 농도 예측 모델 생성 장치의 개략적인 블록도를 나타낸다.
디지털 홀로그래픽 마이크로스코피(digital holographic microscopy, DHM) 및 딥러닝 학습 알고리즘에 기초하여 미세먼지를 측정하는 기법이 개발되고 있다.
디지털 홀로그래픽 마이크로스코피 및 딥러닝 학습 알고리즘에 기초한 기법은 미세먼지의 입자 크기에 따라 변화하는 홀로그래픽 간섭무늬를 딥러닝으로 학습시켜 미세먼지 농도를 측정할 수 있다.
디지털 홀로그래픽 마이크로스코피 및 딥러닝 학습 알고리즘에 기초한 기법을 이용하면 다른 미세먼지 측정기법에 비해 저렴한 측정 장치가 요구되고 비전문가도 편리하게 미세먼지 농도를 측정할 수 있지만, 고농도의 미세먼지를 측정할 때 큰 오차가 발생하기도 한다. 또한 흡기 방식의 공기 샘플러(sampler) 장치를 필요로 하기 때문에, 흡기 노즐 근처의 공기 압력 변화에 기인하여 측정 오차가 증가할 수 있다.
농도 예측 모델 생성 장치(100)는 입자상 물질(예: 미세먼지)들의 홀로그래픽 스페클 패턴 영상에 기초하여 고농도의 입자상 물질들의 농도를 높은 정확도로 예측하는 농도 예측 모델을 생성할 수 있다.
농도 예측 모델 생성 장치(100)는 입자상 물질들의 홀로그래픽 스페클 패턴 영상 및 입자상 물질들의 농도 정보에 기초하여 농도 예측 모델을 생성할 수 있다.
농도 예측 모델 생성 장치(100)는 딥 오토 인코더 및 회귀 레이어를 학습시킴으로써 농도 예측 모델을 생성할 수 있다. 딥 오토 인코더는 홀로그래픽 스페클 패턴 영상과 같이 패턴 인식이 필요한 입력 데이터의 과적합(overfitting) 이슈에 대해 더욱 강건(robust)할 수 있다.
농도 예측 모델 생성 장치(100)는 메모리(110) 및 프로세서(130)을 포함할 수 있다.
메모리(110)는 프로세서(130)에 의해 실행가능한 인스트럭션들(예: 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(130)의 동작 및/또는 프로세서(130)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(130)는 메모리(110)에 저장된 데이터를 처리할 수 있다. 프로세서(130)는 메모리(110)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(130)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(130)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(130)는 입자상 물질들의 홀로그래픽 스페클 패턴 영상(holographic speckle pattern video) 및 입자상 물질들의 농도 정보를 획득할 수 있다. 홀로그래픽 스페클 패턴 영상은 결맞음성(coherency)을 갖는 평행광(parallel light)을 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상일 수 있다. 입자상 물질들의 농도 정보는 분진 측정기(particle counter)에 의해 획득된 것일 수 있다. 홀로그래픽 스페클 패턴 영상 및 입자상 물질들의 농도 정보를 획득하는 동작은 도 3을 통해 자세히 설명하도록 한다.
프로세서(130)는 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상(preprocessed video)을 생성할 수 있다. 구체적으로, 프로세서(130)는 홀로그래픽 스페클 패턴 영상을 균일하게 분할하고, 분할된 홀로그래픽 스페클 패턴 영상의 대비(contrast)를 증가시킴으로써 전처리된 영상을 생성할 수 있다.
프로세서(130)는 전처리된 영상 및 입자상 물질들의 농도 정보에 기초하여 농도 예측 모델을 생성할 수 있다. 프로세서(130)는 전처리된 영상 및 입자상 물질들의 농도 정보에 기초하여 딥 오토 인코더 및 회귀 레이어를 학습시킴으로써 농도 예측 모델을 생성할 수 있다.
딥 오토인코더는 인코더 신경망, 잠재 공간, 및 디코더 신경망을 포함할 수 있다. 인코더 신경망은 원본 영상으로부터 원본 영상을 압축할 수 있고, 잠재 공간은 압축된 원본 영상의 특징 정보를 획득할 수 있고, 디코더 신경망은 압축된 원본 영상의 특징 정보(feature information)로부터 재구성 영상(reconstructed video)을 획득할 수 있다. 프로세서(130)는 원본 영상과 재구성 영상의 차이를 최소화하도록 딥 오토인코더를 학습시킬 수 있다.
회귀 레이어는 특징 정보로부터 입자상 물질들의 농도를 예측할 수 있다. 프로세서(130)는 회귀 레이어가 예측한 입자상 물질들의 농도와 획득한 입자상 물질들의 농도 정보의 차이를 최소화하도록 회귀 레이어를 학습시킬 수 있다.
농도 예측 모델은 전처리된 영상을 압축하도록 학습된 인코더 신경망, 압축된 영상의 특징 정보를 획득하는 잠재 공간, 특징 정보로부터 입자상 물질들의 농도를 예측하도록 학습된 회귀 레이어를 포함할 수 있다.
이하에서는 농도 예측 모델 생성 장치(100)에 의해 생성된 농도 예측 모델을 포함하는 농도 예측 장치를 자세히 설명하도록 한다.
도 2는 농도 예측 장치의 일 예를 나타낸다.
농도 예측 장치(200)는 입자상 물질(예: 미세먼지)들의 홀로그래픽 스페클 패턴 영상에 기초하여 고농도의 입자상 물질들의 농도를 높은 정확도로 예측할 수 있다.
농도 예측 장치(200)는 홀로그래픽 스페클 패턴 영상을 전처리한 영상을 이용함으로써 농도 측정 시 오차를 최소화할 수 있다.
농도 예측 장치(200)는 흡기 방식의 샘플러 장치를 사용하지 않기 때문에, 샘플러 장치의 흡기 노즐 근처의 공기 압력 변화에 기인한 측정 오차 없이도 농도 예측을 수행할 수 있다.
농도 예측 장치(200)는 3차원 공간에 분산된 다양한 입자(세포, 바이오에어로졸(bioaerosol), 수중 부유 물질)들의 크기 및 종류 또한 식별해낼 수 있다.
농도 예측 장치(200)는 메모리(210) 및 프로세서(230)을 포함할 수 있다.
메모리(210)는 프로세서(230)에 의해 실행가능한 인스트럭션들(예: 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(230)의 동작 및/또는 프로세서(230)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(230)는 메모리(210)에 저장된 데이터를 처리할 수 있다. 프로세서(230)는 메모리(210)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(230)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(230)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(230)는 입자상 물질(예: 미세먼지)들의 홀로그래픽 스페클 패턴 영상에 기초하여 입자상 물질들이 농도를 예측할 수 있다.
프로세서(230)는 입자상 물질들의 홀로그래픽 스페클 패턴 영상을 획득할 수 있다. 홀로그래픽 스페클 패턴 영상은 결맞음성(coherency)을 갖는 평행광을 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상일 수 있다.
프로세서(230)는 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상을 생성할 수 있다. 프로세서(230)는 홀로그래픽 스페클 패턴 영상을 균일하게 분할하고, 분할된 홀로그래픽 스페클 패턴 영상의 대비를 증가시켜 전처리된 영상을 생성할 수 있다.
프로세서(230)는 전처리된 영상을 학습된 농도 예측 모델에 입력하여 입자상 물질들의 농도를 예측할 수 있다. 학습된 농도 예측 모델은 인코더 신경망, 잠재 공간, 및 회귀 레이어를 포함할 수 있다. 인코더 신경망은 전처리된 영상을 압축할 수 있고, 잠재 공간은 압축된 영상의 특징 정보를 획득할 수 있고, 회귀 레이어는 특징 정보로부터 입자상 물질들의 농도를 예측할 수 있다.
인코더 신경망은 딥 오토인코더에 포함된 디코더 신경망들과 재구성 손실을 최소화하도록 공동으로 학습된 인코더 신경망일 수 있다. 회귀 레이어는 예측 손실을 최소화하도록 학습된 회귀 레이어일 수 있다.
농도 예측 장치(200)는 입자상 물질(예: 미세먼지)들의 홀로그래픽 스페클 패턴 영상에 기초하여 고농도의 입자상 물질들의 농도를 높은 정확도로 예측할 수 있다. 농도 예측 장치(200)는 홀로그래픽 스페클 패턴 영상을 전처리한 영상을 이용함으로써 농도 측정 시 오차를 최소화할 수 있다. 농도 예측 장치(200)는 샘플러 장치의 흡기 노즐 근처의 공기 압력 변화에 기인한 측정 오차 없이도 농도 예측을 수행할 수 있다. 농도 예측 장치(200)는 입자의 농도뿐만 아니라 3차원 공간에 분산된 다양한 입자(세포, 바이오에어로졸(bioaerosol), 수중 부유 물질 들의 크기 및 종류를 식별해낼 수 있다.
도 3은 입자상 물질의 홀로그래픽 스페클 패턴 영상을 획득하는 동작을 설명하기 위한 도면이다
입자상 물질의 홀로그래픽 스페클 패턴 영상은 디지털 인라인 홀로그래픽 마이크로소피 시스템(digital in-line holographic microscopy)(300)에 의해 획득될 수 있다.
디지털 인라인 홀로그래픽 마이크로소피 시스템(300)은 CMOS(Complementary Metal Oxide Semiconductor) 카메라(310), 분진 측정기(particle counter)(320), 챔버(chamber)(330), 및 배기 팬(exhaust fan)(340)을 포함할 수 있다.
CMOS 카메라(310)는 챔버(330) 내부에 존재하는 입자상 물질(301)들에 레이저 빔(311)을 조사할 수 있다.
분진 측정기(320)는 챔버(330) 내부의 입자상 물질(301)들의 농도를 측정할 수 있다.
챔버(330)는 (30cm Х 30cm Х 30cm)의 크기를 가질 수 있고, 챔버(330)는 입자상 물질(301)과 챔버(330) 표면 사이의 정전기 효과를 방지하기 위해 스테인리스 스틸 프레임 및 유리로 구성될 수 있다.
배기 팬(340)은 챔버(330) 내부의 입자상 물질(301)들의 일부를 추출하여 챔버(330) 내부의 농도를 조절할 수 있다.
입자상 물질(301)들은 직경이 10um 미만인 먼지 입자일 수 있고, 챔버(330) 내부에 균일하게 흩어져 있을 수 있다.
레이저 빔(311)은 532nm의 파장과 300mW의 에너지를 가질 수 있고, 기준파(reference wave)를 만들 수 있다. 레이저 빔(311)은 챔버(330) 내부에 분산된 입자상 물질(301)들에 의해 산란될 수 있고, 산란된 물체파(scattered object wave)는 기준파와 간섭을 일으킬 수 있다. 간섭파(interfered wave)는 이미지 평면에 홀로그래픽 간섭 무늬(holographic interference fringe)를 형성할 수 있다.
디지털 인라인 홀로그래픽 마이크로소피 시스템(digital in-line holographic microscopy)(300)은 입자상 물질(301)들의 홀로그래픽 스페클 패턴 영상을 획득할 수 있다.
도 4 및 도 5는 홀로그래픽 스페클 패턴 영상을 전처리하는 동작을 설명하기 위한 도면이다.
도 4의 (A)는 홀로그래픽 스페클 패턴을 포함하는 원본 영상(이미지)를 나타내고, 도 4의 (B)는 배경 잡음을 제거한 후의 영상을 나타내고, 도 4의 (C)는 400(20x20)조각으로 분할한 영상을 나타내고, 도 4의 (D)는 대비를 증가시킨 영상을 나타내고, 도 4의 (E)는 가우시안 블러 필터를 적용한 영상을 나타내고, 도 4의 (F)는 대비를 한 번 더 증가시킨 영상을 나타낸다.
프로세서(도 1의 프로세서(130) 및 도 2의 프로세서(230))는 입자상 물질들의 홀로그래픽 영상의 전처리를 수행하여 전처리된 영상을 생성할 수 있다.
도 4의 (A)를 참조하면, 홀로그래픽 스페클 패턴을 포함하는 원본 영상에는 광학 장치 등의 결함으로 인해 발생하는 여러 노이즈들이 포함되어 있을 수 있다.
도 4의 (B)를 참조하면, 프로세서(130, 230)는 원본 영상에서 배경 잡음(background noise)를 제거하여 신호 대 잡음비(signal-to-noise ratio)를 향상시킬 수 있다.
도 4의 (C)를 참조하면, 프로세서(130, 230)는 배경 잡음이 제거된 홀로그래픽 스페클 패턴 영상을 20x20 조각으로 균일하게 분할한 영상을 획득할 수 있다. 홀로그래픽 스페클 패턴의 크기는 원본 영상의 스케일보다 훨씬 작으므로 프로세서(130, 230)는 중요한 패턴이 흩어지는 것을 방지하기 위해 홀로그래픽 스페클 패턴 영상을 균일하게 분할할 수 있다.
도 4의 (D)를 참조하면, 프로세서(130, 230)는 분할된 홀로그래픽 스페클 패턴 영상의 대비를 증가시킬 수 있다. 프로세서(130, 230)는 영상(이미지)의 최대 픽셀 값과 최소 픽셀 값을 흰색과 검은색에 각각 매칭하여 밝기 분포를 증가시킬 수 있다.
도 4의 (E)를 참조하면, 프로세서(130, 230)는 대비가 증가된 홀로그래픽 스페클 패턴 영상에 가우시안 블러 필터를 적용하여 인접 픽셀 간의 밝기 차이를 완만(smooth)하게 함으로써 RMS(root mean square) 에러를 감소시킬 수 있다.
도 4의 (F)를 참조하면, 프로세서(130, 230)는 가우시안 블러 필터가 적용된 홀로그래픽 스페클 패턴 영상의 대비를 한 번 더 증가시킬 수 있다.
도 5의 (A)는 분할 파라미터에 따른 RMS 에러를 나타내고, 도 5의 (B)는 대비 증가 파라미터에 따른 RMS 에러를 나타낸다.
프로세서(130, 230)는 분할 파라미터(division parameter)를 20로 설정함으로써, 홀로그래픽 스페클 패턴 영상을 400(20x20)개로 분할하고, 대비 증가 파라미터(contrast enhancement parameter)를 3으로 설정함으로써 농도 예측 결과의 오차(RMS 에러)를 최소화할 수 있다.
도 6은 농도 예측 모델 생성 장치의 네트워크의 구조를 나타낸다.
농도 예측 모델 생성 장치(도 1의 농도 예측 모델 생성 장치(100))는 딥 오토 인코더 및 회귀 레이어를 학습시킴으로써 농도 예측 모델을 생성할 수 있다.
네트워크(600)는 농도 예측을 위한 회귀 레이어(610) 및 특징 추출을 위한 딥 오토인코더(630)를 포함할 수 있다.
회귀 레이어(610)(256×256×256 뉴런)는 특징 정보로부터 입자상 물질들의 농도를 예측할 수 있다. 농도 예측 모델 생성 장치(100)는 특징 정보와 그에 대응하는 미세먼지 농도 정보를 쌍으로 하여 회귀 레이어(610)를 학습시킬 수 있다.
딥 오토인코더(630)는 비지도 학습을 기반으로 하는 특징 추출 네트워크일 수 있다. 딥 오토인코더(630)는 딥러닝 알고리즘 학습을 통하여, 압축된 미세먼지의 홀로그래픽 스페클 패턴 영상으로부터 특징(feature) 정보를 추출(extract)할 수 있다.
딥 오토인코더(630)는 입력 레이어(input layer)(631), 인코더(encoder) 신경망(632), 잠재공간(latent space)(633), 디코더(decoder) 신경망(634), 및 재구성 레이어(reconstructed layer)(635)를 포함할 수 있다.
농도 예측 모델 생성 장치(100)는 원본 영상(1280x1024)을 400(20x20)개로 분할하고, 대비를 증가시켜 전처리된 영상(64x41)을 생성할 수 있다.
입력 레이어(631)는 전처리된 영상을 수신할 수 있다.
인코더 신경망(632)은 입력 레이어(631)에서 수신한 영상을 압축할 수 있다. 인코더 신경망(632)은 3개의 은닉 레이어(hidden layer)(2048x1024x512)를 포함할 수 있다.
잠재공간(633)은 256차원을 가질 수 있고, 인코더 신경망(632)이 압축한 영상으로부터 특징 정보를 추출할 수 있다. 잠재 공간(633)을 통해 인코더 신경망(632)과 디코더 신경망(634)은 연결될 수 있다.
디코더 신경망(634)은 추출된 특징 정보로부터 영상(이미지)를 재구성할 수 있다. 디코더 신경망(634)은 인코더 신경망(632)과 대칭되는 구조를 가질 수 있다.
농도 예측 모델 생성 장치(100)는 수신한 원본 영상과 재구성한 영상의 차이를 최소화하도록 딥 오토인코더(630)를 학습시킬 수 있고, 특징 정보로부터 예측한 입자상 물질들의 농도와 획득한 입자상 물질들의 농도 정보의 차이를 최소화하도록 회귀 레이어를 학습시킬 수 있다.
도 7은 도 2에 도시된 농도 예측 장치의 효과를 설명하기 위한 도면이다.
도 7의 (A)는 농도 예측 장치가 예측한 농도를 나타내고, 도 7의 (B)는 콘볼루션 뉴럴 네트워크가 예측한 농도를 나타내고, 도 7의 (C)는 농도 예측 장치와 콘볼루션 뉴럴 네트워크의 상대 오차를 나타낸다.
입자상 물질의 홀로그래픽 스페클 영상은 트레인 세트, 검증 세트, 테스트 세트로 분류될 수 있다. 농도 예측 모델 생성 장치(도 1의 농도 예측 모델 생성 장치(100))는 트레인 세트를 통해 농도 예측 모델을 생성할 수 있고, 검증 세트 및 테스트 세트는 농도 예측 모델을 평가하는 데에 사용될 수 있다.
도 7의 (C)를 참조하면, 농도 예측 장치(도 2의 농도 예측 장치(200))와 콘볼루션 뉴럴 네트워크가 예측한 입자상 물질 농도 결과의 상대 오차는 검증 세트에서 각각 8.14 ± 7.46%와 9.10 ± 4.05%, 테스트 세트에서 각각 7.46 ± 3.92% 와 9.05 ± 7.47%일 수 있다. 검증 세트 및 테스트 세트 모두에서 농도 예측 장치(200)의 상대 오차가 콘볼루션 뉴럴 네트워크의 상대 오차보다 작을 수 있다.
딥 오토인코더는 홀로그래픽 스페클 패턴 영상과 같이 패턴 인식이 필요한 입력 데이터의 과적합(overfitting) 이슈에 대해 더욱 강건(robust)할 수 있다.
도 8은 농도 예측 시스템의 일 나타낸다.
도 8의 (A)는 휴대용 디지털 홀로그래픽 현미경 및 휴대용 기기를 나타내고, 도 8의 (B)는 휴대용 디지털 홀로그래픽 현미경과 휴대용 기기가 결합된 모습을 나타내고, 도 8의 (C)는 휴대용 기기가 챔버 내의 입자상 물질의 농도를 예측하는 모습을 나타낸다.
농도 예측 시스템(800)은 입자상 물질(예: 미세먼지)(801)의 농도를 예측할 수 있다. 농도 예측 시스템(800)은 휴대용 기기(810)(예: 스마트 폰) 및 휴대용 디지털 홀로그래픽 현미경(820)을 포함할 수 있고, 휴대용 기기(810)와 디지털 홀로그래픽 현미경(820)은 결합되어 이용될 수 있다.
휴대용 기기(810)는 입자상 물질들(801)의 홀로그래픽 스페클 패턴 영상에 기초하여 입자상 물질들(801)의 농도를 예측할 수 있다. 휴대용 기기(810)는 휴대용 디지털 홀로그래픽 현미경(820)과 결합하여 입자상 물질들의 홀로그래픽 스페클 패턴 영상을 획득할 수 있다. 휴대용 기기(810)는 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상을 생성할 수 있다. 휴대용 기기(810)는 전처리된 영상을 학습된 농도 예측 모델에 입력하여 입자상 물질들의 농도를 예측할 수 있다. 휴대용 기기의 동작은 도 2에 도시된 입자상 물질들의 농도 예측 장치(200)의 동작과 실질적으로 동일할 수 있으므로, 자세한 설명은 생략하도록 한다.
휴대용 디지털 홀로그래픽 현미경(820)은 입자상 물질들(801)에 레이저를 조사할 수 있다. 휴대용 디지털 홀로그래픽 현미경(820)은 레이저 다이오드(821), 빔 익스펜더(822), 및 확대경(823)을 포함할 수 있다.
레이저 다이오드(821)는 입자상 물질들(801)에 결맞음성을 갖는 평행광을 조사(illuminate)할 수 있다. 레이저 다이오드(821)는 LED(light emitting diode)로 대체될 수 있다.
빔 익스펜더(822)는 조사된 평행광의 굵기를 변환할 수 있다. 예를 들어, 빔 익스펜더를 통과한 평행광은 더욱 굵어질 수 있다.
확대경(magnifier)(823)은 휴대용 기기(810)에 포함되는 영상 취득 장치로 인입되는 평행광을 확대할 수 있다.
휴대용 디지털 홀로그래픽 현미경(820)은 3D 프린터로 제작되거나 몰드로 찍어냄으로써 제작될 수 있다.
농도 예측 시스템(800)은 스마트 폰과 같은 경량의 휴대용 장치를 이용함으로써 입자상 물질들의 농도 측정을 간편하게 수행할 수 있다.
도 9는 도 8에 도시된 농도 예측 시스템의 효과를 설명하기 위한 도면이다.
도 9의 (A)는 입자상 물질들의 크기가 10um인 경우의 예측 농도를 나타내고, 도 9의 (A)는 입자상 물질들의 크기가 2.5um인 경우의 예측 농도를 나타내고,
입자상 물질들의 크기가 10um일 때, 농도 예측 시스템(800)이 예측한 농도의 상대 오차는 검증 세트에서 16.11 ± 5.51%, 테스트 세트에서 11.23 ± 9.32%의 값을 가질 수 있다.
입자상 물질들의 크기가 2.5um일 때, 농도 예측 시스템(800)이 예측한 농도의 상대 오차는 검증 세트에서 16.15 ± 11.86%, 테스트 세트에서 5.81 ± 4.46%의 값을 가질 수 있다.
휴대용 기기(810)에 포함된 이미지 센서의 감도나 셔터 속도(shutter speed)와 같은 하드웨어적 요소가 개선된다면, 휴대용 기기(810)(예: 스마트 폰) 기반의 미세먼지 농도 측정 정확도가 개선될 수 있을 것이다.
농도 예측 시스템(800)은 입자상 물질들의 홀로그래픽 스페클 패턴 영상에 기초하여 고농도의 입자상 물질들의 농도를 높은 정확도로 예측할 수 있고, 스페클 패턴 영상을 전처리한 영상을 이용함으로써 농도 측정 시 오차를 최소화할 수 있다. 또한, 농도 예측 시스템(800)은 휴대폰과 같은 경량의 휴대용 장치를 함께 이용하므로, 농도 예측을 간편하게 수행할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (13)
- 입자상 물질(particulate matter)들의 농도를 예측하는 농도 예측 모델을 생성하는 방법에 있어서,
상기 입자상 물질들의 홀로그래픽 스페클 패턴 영상(holographic speckle pattern video) 및 상기 입자상 물질들의 농도 정보를 획득하는 동작;
상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상(preprocessed video)을 생성하는 동작; 및
상기 전처리된 영상 및 상기 입자상 물질들의 농도 정보에 기초하여 농도 예측 모델을 생성하는 동작
을 포함하고,
상기 농도 예측 모델은,
영상을 압축하는 인코더 신경망;
압축된 영상의 특징 정보를 획득하는 잠재 공간; 및
상기 특징 정보로부터 상기 입자상 물질들의 농도를 예측하는 회귀 레이어
를 포함하는, 입자상 물질들의 농도 예측 모델 생성 방법.
- 제1항에 있어서,
상기 홀로그래픽 스페클 패턴 영상은,
결맞음성(coherency)을 갖는 평행광(parallel light)을 상기 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상인,
입자상 물질들의 농도 예측 모델 생성 방법.
- 제1항에 있어서,
상기 전처리된 영상을 생성하는 동작은,
상기 홀로그래픽 스페클 패턴 영상을 균일하게 분할하는 동작; 및
분할된 홀로그래픽 스페클 패턴 영상의 대비(contrast)를 증가시키는 동작
을 포함하는, 입자상 물질들의 농도 예측 모델 생성 방법.
- 제1항에 있어서,
상기 농도 예측 모델을 생성하는 동작은,
상기 전처리된 영상에 기초하여 딥 오토인코더(deep autoencoder)를 학습시키는 동작; 및
상기 딥 오토인코더가 상기 전처리된 영상으로부터 획득한 특징 정보(feature information) 및 상기 입자상 물질들의 농도 정보에 기초하여 회귀 레이어(regression layer)를 학습시키는 동작
을 포함하는, 입자상 물질들의 농도 예측 모델 생성 방법.
- 입자상 물질들의 홀로그래픽 스페클 패턴 영상을 획득하는 동작;
상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상을 생성하는 동작; 및
상기 전처리된 영상을 학습된 농도 예측 모델에 입력하여 상기 입자상 물질들의 농도를 예측하는 동작
을 포함하고,
상기 학습된 농도 예측 모델은,
상기 전처리된 영상을 압축하는 인코더 신경망;
압축된 영상의 특징 정보를 획득하는 잠재 공간; 및
상기 특징 정보로부터 상기 입자상 물질들의 농도를 예측하는 회귀 레이어
를 포함하는, 입자상 물질들의 농도 예측 방법.
- 제5항에 있어서,
상기 홀로그래픽 스페클 패턴 영상은,
결맞음성(coherency)을 갖는 평행광을 상기 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상인,
입자상 물질들의 농도 예측 방법.
- 제5항에 있어서,
상기 전처리된 영상을 생성하는 동작은,
상기 홀로그래픽 스페클 패턴 영상을 균일하게 분할하는 동작; 및
분할된 홀로그래픽 스페클 패턴 영상의 대비를 증가시키는 동작
을 포함하는, 입자상 물질들의 농도 예측 방법.
- 삭제
- 하드웨어와 결합되어 제5항 내지 제7항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 입자상 물질들의 농도를 예측하는 농도 예측 시스템에 있어서,
휴대용 디지털 홀로그래픽 현미경(portable digital holographic microscopy); 및
영상 취득 장치를 포함하는 휴대용 기기
를 포함하고,
상기 휴대용 디지털 홀로그래픽 현미경은,
상기 입자상 물질들에 결맞음성(coherency)을 갖는 평행광을 조사(illuminate)하는 레이저 다이오드;
조사된 평행광의 굵기를 변환하는 빔 익스펜더(beam expander); 및
영상 취득 장치로 인입되는 평행광을 확대하는 확대경(magnifier)
을 포함하고,
상기 휴대용 기기는,
상기 휴대용 디지털 홀로그래픽 현미경과 결합하여 상기 입자상 물질들의 홀로그래픽 스페클 패턴 영상을 획득하고,
상기 홀로그래픽 스페클 패턴 영상을 전처리하여 전처리된 영상을 생성하고,
상기 전처리된 영상을 학습된 농도 예측 모델에 입력하여 상기 입자상 물질들의 농도를 예측하고,
상기 학습된 농도 예측 모델은,
상기 전처리된 영상을 압축하는 인코더 신경망;
압축된 영상의 특징 정보를 획득하는 잠재 공간; 및
상기 특징 정보로부터 상기 입자상 물질들의 농도를 예측하는 회귀 레이어
를 포함하는, 입자상 물질들의 농도 예측 시스템.
- 제10항에 있어서,
상기 홀로그래픽 스페클 패턴 영상은,
결맞음성(coherency)을 갖는 평행광을 상기 입자상 물질들에 조사(illuminate)하여 획득된 홀로그래픽 스페클 패턴 영상인,
입자상 물질들의 농도 예측 시스템.
- 제10항에 있어서,
상기 휴대용 기기는,
상기 홀로그래픽 스페클 패턴 영상을 균일하게 분할하고,
분할된 홀로그래픽 스페클 패턴 영상의 대비를 증가시키는,
입자상 물질들의 농도 예측 시스템.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210141904A KR102555181B1 (ko) | 2021-10-22 | 2021-10-22 | 홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210141904A KR102555181B1 (ko) | 2021-10-22 | 2021-10-22 | 홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230057753A KR20230057753A (ko) | 2023-05-02 |
| KR102555181B1 true KR102555181B1 (ko) | 2023-07-13 |
Family
ID=86387779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210141904A KR102555181B1 (ko) | 2021-10-22 | 2021-10-22 | 홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102555181B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102207043B1 (ko) * | 2019-05-17 | 2021-01-25 | 주식회사 더웨이브톡 | 공기중 부유균 측정 장치 |
| JP2022078159A (ja) * | 2018-05-18 | 2022-05-24 | ザ ウェーブ トーク， インコーポレイテッド | 光学検出システム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200075940A (ko) * | 2018-12-13 | 2020-06-29 | 가천대학교 산학협력단 | 실시간 데이터 셋 확대 생성 시스템, 실시간 데이터 셋 확대 생성 방법, 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 |
-
2021
- 2021-10-22 KR KR1020210141904A patent/KR102555181B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022078159A (ja) * | 2018-05-18 | 2022-05-24 | ザ ウェーブ トーク， インコーポレイテッド | 光学検出システム |
| KR102207043B1 (ko) * | 2019-05-17 | 2021-01-25 | 주식회사 더웨이브톡 | 공기중 부유균 측정 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230057753A (ko) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9915625B2 (en) | Optical die to database inspection | |
| US10733744B2 (en) | Learning based approach for aligning images acquired with different modalities | |
| WO2017120253A1 (en) | Generating high resolution images from low resolution images for semiconductor applications | |
| WO2019219826A1 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
| US20230056564A1 (en) | Image authenticity detection method and apparatus | |
| Bubba et al. | Deep neural networks for inverse problems with pseudodifferential operators: An application to limited-angle tomography | |
| TW202211092A (zh) | 訓練機器學習模型以自檢查影像產生較高解析度影像 | |
| US10139779B2 (en) | Image recognition using holograms of spectral characteristics thereof | |
| EP4012385A1 (en) | Method and device for regularizing rapid three-dimensional tomographic imaging using machine-learning algorithm | |
| KR102555181B1 (ko) | 홀로그래픽 스페클 패턴 기반 입자상 물질들의 농도 예측 모델 및 이의 생성 방법 | |
| Ghafoor et al. | Non-contact detection of railhead defects and their classification by using convolutional neural network | |
| Zhang et al. | Denoising method based on CNN-LSTM and CEEMD for LDV signals from accelerometer shock testing | |
| Xu et al. | Single-shot grating-based X-ray phase contrast imaging via generative adversarial network | |
| CN112200264B (zh) | 基于散射复用的高通量免成像分类方法与装置 | |
| CN110785709B (zh) | 从低分辨率图像产生高分辨率图像以用于半导体应用 | |
| Tekawade et al. | 3d autoencoders for feature extraction in X-ray tomography | |
| Sanvitale et al. | Deep learning assisted particle identification in photoelastic images of granular flows | |
| CN111476726B (zh) | 基于对抗神经网络的无监督双光子钙成像去噪方法及装置 | |
| CN113298700A (zh) | 一种在散射场景中的高分辨图像重构方法 | |
| CN113758952A (zh) | 基于动量编码的x射线衍射成像装置及方法 | |
| Costa et al. | Video Action Classification through Graph Convolutional Networks. | |
| Iuso et al. | Evaluation of deeply supervised neural networks for 3D pore segmentation in additive manufacturing | |
| Zhang et al. | Quantitative nondestructive testing of broken wires for wire rope based on multi-image fusion | |
| Li et al. | Learning to reconstruct crack profiles for eddy current nondestructive testing | |
| Li et al. | Omnidirectional Ring Structured Light Noise Filtering Based On DCGAN Network And Autoencoder |
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 |