KR102631970B1 - Measuring apparatus and method for viscosity of liquids - Google Patents

Measuring apparatus and method for viscosity of liquids Download PDF

Info

Publication number
KR102631970B1
KR102631970B1 KR1020210173058A KR20210173058A KR102631970B1 KR 102631970 B1 KR102631970 B1 KR 102631970B1 KR 1020210173058 A KR1020210173058 A KR 1020210173058A KR 20210173058 A KR20210173058 A KR 20210173058A KR 102631970 B1 KR102631970 B1 KR 102631970B1
Authority
KR
South Korea
Prior art keywords
test object
viscosity
liquid
solubility
change
Prior art date
Application number
KR1020210173058A
Other languages
Korean (ko)
Other versions
KR20230084900A (en
Inventor
이현종
장경인
장재은
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020210173058A priority Critical patent/KR102631970B1/en
Publication of KR20230084900A publication Critical patent/KR20230084900A/en
Application granted granted Critical
Publication of KR102631970B1 publication Critical patent/KR102631970B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • G01N2011/006—Determining flow properties indirectly by measuring other parameters of the system
    • G01N2011/0066—Determining flow properties indirectly by measuring other parameters of the system electrical properties

Abstract

본 발명의 일 실시 예는 점도 검사를 위한 검사대상체가 검사체 내에서 번지는(녹는) 속도에 따라 변화하는 전압을 측정하는 센서를 통해 액상의 검사대상체의 용해 속도에 따라 검사대상체의 점도를 출력할 수 있는 액체 점도 추정 시스템 및 방법을 발명한다. One embodiment of the present invention outputs the viscosity of the test object according to the dissolution rate of the liquid test object through a sensor that measures the voltage that changes according to the speed at which the test object for viscosity testing spreads (melts) within the test object. Invent a system and method for estimating liquid viscosity.

Description

액체 점도 추정 시스템 및 방법{MEASURING APPARATUS AND METHOD FOR VISCOSITY OF LIQUIDS}Liquid viscosity estimation system and method {MEASURING APPARATUS AND METHOD FOR VISCOSITY OF LIQUIDS}

본 발명은 액체의 맛을 분류할 수 있도록 액체 점도를 추정할 수 있는 액체 점도 추정 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 액체가 용해되는 속도에 기반하여 액상의 검사대상체의 점도를 머신 러닝 기반의 학습 모델로 추정하는 장치 및 방법에 관한 것이다. The present invention relates to a liquid viscosity estimation system and method that can estimate the liquid viscosity so that the taste of the liquid can be classified. More specifically, the viscosity of the liquid test object is calculated based on machine learning based on the speed at which the liquid dissolves. It relates to an apparatus and method for estimating with a learning model.

이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다. The content described below is merely for the purpose of providing background information related to embodiments of the present invention, and does not necessarily constitute prior art.

식품 산업에서 품질 검사의 목적으로 미각 센서를 개발하고 있다. 현재까지 개발된 미각 센서는 대부분 지질막 (lipid membrane), 금속, 고분자 재료 등 단순한 화학재료를 이용하여 전기적 또는 광학적 방법으로 맛 물질을 감지하는 원리를 이용하여 맛 물질을 검지하는 것으로 맛 물질 분석에 있어서 선택도(selectivity)와 민감도(sensitivity)가 떨어지고, 인간의 미각 시스템을 재현할 수 없다는 한계를 가지고 있다.Taste sensors are being developed for the purpose of quality inspection in the food industry. Most of the taste sensors developed to date detect taste substances using the principle of detecting taste substances by electrical or optical methods using simple chemical materials such as lipid membranes, metals, and polymer materials. It has poor selectivity and sensitivity, and has limitations in that it cannot reproduce the human taste system.

특히, 인간이 인식하는 액체의 맛 분류는 미각 기관에서 느끼는 감각뿐 아니라 촉각 기관에서 담당하는 점도에서도 큰 영향을 받는다. 따라서, 인간은 같은 음료라도 점도에 따라서 전혀 다른 맛 또는 다른 음식으로 인식할 수 있다. 하지만 현재의 미각 센서는 전압값을 반영하기 때문에 액체의 점도를 반영하는데 한계가 있다. In particular, the taste classification of liquids recognized by humans is greatly influenced not only by the sensation felt by the taste organ but also by the viscosity of the tactile organ. Therefore, humans can perceive the same drink as a completely different taste or different food depending on its viscosity. However, current taste sensors have limitations in reflecting the viscosity of liquid because they reflect voltage values.

또한, 미각 데이터는 단일 센서에만 반응하는 것이 아니라 여러 센서에 복합적으로 반응하기 때문에 점도, 맛에 따라 분류가 필요한 실정이다. In addition, taste data does not respond only to a single sensor, but responds complexly to multiple sensors, so it is necessary to classify it according to viscosity and taste.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.The above-mentioned background technology is technical information that the inventor possessed for deriving the present invention or acquired in the process of deriving the present invention, and cannot necessarily be said to be known art disclosed to the general public before filing the application for the present invention.

선행기술 1: 한국 등록특허 제10-1684620호(2016.12.08. 등록)Prior Art 1: Korean Patent No. 10-1684620 (registered on December 8, 2016)

본 발명의 일 실시 예는 액체의 점도에 따라 맛에 대한 데이터를 분류할 수 있는 액체 점도 추정 시스템 및 방법을 제공하는 것이다. One embodiment of the present invention provides a liquid viscosity estimation system and method that can classify data on taste according to the viscosity of the liquid.

또한, 본 발명의 일 실시 예는 액체 점도에 따라 액체의 종류를 분류할 수 있는 액체 점도 추정 시스템 및 방법을 제공하는 것이다. Additionally, an embodiment of the present invention provides a liquid viscosity estimation system and method that can classify types of liquids according to liquid viscosity.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.The object of the present invention is not limited to the problems mentioned above, and other objects and advantages of the present invention that are not mentioned can be understood through the following description and will be more clearly understood by examples of the present invention. Additionally, it will be appreciated that the objects and advantages of the present invention can be realized by means and combinations thereof as indicated in the patent claims.

본 발명의 일 실시 예에 따라 액체의 점도에 기초하여 액체 점도를 추정하는 방법은, 센서가 포함된 액상의 검사체 내에 액상의 검사대상체를 유입하고, 상기 검사대상체의 용해 속도에 따라 변경되는 상기 검사체의 전압을 측정하며, 측정되는 상기 검사체 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델에 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하는 과정으로 수행될 수 있다. According to an embodiment of the present invention, a method of estimating liquid viscosity based on the viscosity of the liquid involves introducing a liquid test object into a liquid test object containing a sensor, and changing the test object according to the dissolution rate of the test object. Measures the voltage of the test object and reflects the dissolution rate of the test object in a machine learning-based solubility estimation model trained to output the degree of dissolution of the test object based on the measured voltage of the test object to determine the viscosity of the test object. It can be performed through the process of outputting .

본 발명의 실시 예에 의해, 상기 검사대상체의 용해 속도는 상기 검사체로 상기 검사대상체의 유입 시점에서부터 상기 센서로부터 측정된 상기 검사체의 농도 변화이고, 상기 검사체의 농도 변화는 상기 검사대상체의 용해도에 기초하여 추출한 상기 검사체의 전압 변화를 나타내는 기울기일 수 있다. According to an embodiment of the present invention, the dissolution rate of the test object is the change in concentration of the test object measured from the sensor from the point of introduction of the test object into the test object, and the change in concentration of the test object is the solubility of the test object. It may be a slope representing the voltage change of the test object extracted based on .

본 발명의 실시 예에 의해, 상기 용해도 추정 모델은 상기 검사대상체의 용해 속도로 레이블링된 훈련 데이터로 훈련될 수 있다. According to an embodiment of the present invention, the solubility estimation model may be trained with training data labeled with the dissolution rate of the test object.

본 발명의 실시 예에 의해 상기 용해도 추정 모델을 훈련하기 위한 상기 훈련 데이터를 생성하고, 상기 검사대상체의 용해 정도를 일정 시간 간격으로 수집한 상기 검사대상체의 점도를 샘플링할 수 있다. According to an embodiment of the present invention, the training data for training the solubility estimation model can be generated, and the viscosity of the test object whose solubility degree is collected at regular time intervals can be sampled.

본 발명의 실시 예에 의해, 상기 검사대상체의 점도 출력 시, 상기 용해도 추정 모델을 기초로 기 설정되어 미각을 구분하는 리스트 중에서 상기 검사대상체의 용해 속도에 대응하는 어느 하나의 레벨을 출력할 수 있다. According to an embodiment of the present invention, when outputting the viscosity of the test object, any one level corresponding to the dissolution rate of the test object can be output from a list that is preset based on the solubility estimation model and classifies taste. .

본 발명의 실시 예의 상기 용해도 추정 모델은 합성공 신경망을 기반하고, 상기 검사대상체의 용해 속도가 상기 용해도 추정 모델에 포함된 전결합층(Fully Connected layer)에서 처리한 상기 검사대상체 농도 변화 정도에 대한 기울기를 출력하도록 훈련될 수 있다. The solubility estimation model of the embodiment of the present invention is based on a synthetic neural network, and the dissolution rate of the test object is related to the degree of change in concentration of the test object processed in the fully connected layer included in the solubility estimation model. It can be trained to output gradients.

본 발명의 실시 예에 의한 상기 용해도 추정 모델은 액체별로 구분되어 생성된 머신 러닝 기반의 학습 모델일 수 있다. The solubility estimation model according to an embodiment of the present invention may be a machine learning-based learning model generated separately for each liquid.

본 발명의 실시 예에 따라 상기 검사대상체의 점도를 출력할 때, 상기 용해도 추정 모델이 출력한 상기 검사대상체의 점도에 기반하여 액상의 상기 검사대상체를 분류할 수 있다. When outputting the viscosity of the test object according to an embodiment of the present invention, the liquid test object can be classified based on the viscosity of the test object output by the solubility estimation model.

본 발명의 실시 예에 따라 액체의 점도에 기초하여 액체 점도를 추정하는 장치는, 상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고, 상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가 측정되는 상기 검사체 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델을 기반으로 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하도록 야기하는 코드들을 저장할 수 있다. According to an embodiment of the present invention, a device for estimating liquid viscosity based on the viscosity of a liquid includes a memory electrically connected to the processor and storing at least one code executed by the processor, When executed through the processor, the memory reflects the dissolution rate of the test object based on a machine learning-based solubility estimation model in which the processor is trained to output the degree of dissolution of the test object based on the measured test object voltage. Codes that cause the viscosity of the inspection object to be output may be stored.

전술한 것 외의 다른 측면, 특징, 및 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.Other aspects, features, and advantages in addition to those described above will become apparent from the following drawings, claims, and detailed description of the invention.

본 발명의 실시 예는 점도 검사를 위한 검사대상체가 검사체 내에서 번지는(녹는) 속도에 따라 변화하는 전압을 측정하는 센서를 통해 액상의 검사대상체의 용해 속도에 따라 검사대상체의 점도를 출력할 수 있다. 특히, 검사대상체의 용해 속도로 레이블링되어 생성된 학습 데이터로 훈련된 용해도 추정 모델을 기초로 검사대상체의 점도를 추정할 수 있다. An embodiment of the present invention is to output the viscosity of the test object according to the dissolution rate of the liquid test object through a sensor that measures the voltage that changes according to the speed at which the test object for viscosity testing spreads (melts) within the test object. You can. In particular, the viscosity of the test object can be estimated based on a solubility estimation model trained with learning data generated by labeling the dissolution rate of the test object.

또한, 본 발명의 실시 예는 추정한 검사대상체의 점도에 따라 검사대상체를 액체별로 분류할 수 있도록 한다. Additionally, embodiments of the present invention enable classifying test objects by liquid according to the estimated viscosity of the test object.

더욱이, 점도별로 검사대상체를 분류하여 액체 점도에 따라 맛을 분류할 수도 있다. Furthermore, it is possible to classify test objects by viscosity and classify taste according to liquid viscosity.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.

도 1은 본 발명의 일 실시 예에 따른 액체 점도 추정 시스템 환경을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버와 통신 연결되는 센서의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 용해도 추정 모델을 생성하는 예를 도시한 도면이다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 액체 점도 추정 방법을 도시한 흐름도이다. 1 is a diagram schematically explaining the environment of a liquid viscosity estimation system according to an embodiment of the present invention.
Figure 2 is a block diagram showing the configuration of a server for estimating liquid viscosity according to an embodiment of the present invention.
Figure 3 is a block diagram showing the configuration of a sensor connected to communication with a server for estimating liquid viscosity according to an embodiment of the present invention.
Figure 4 is a diagram illustrating an example of generating a solubility estimation model for estimating liquid viscosity according to an embodiment of the present invention.
Figures 5 and 6 are flowcharts showing a method for estimating liquid viscosity according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 명세서에 발명된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 발명된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 발명된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 발명된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 발명된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, embodiments invented in the present specification will be described in detail with reference to the accompanying drawings. However, identical or similar components will be assigned the same reference numbers regardless of reference numerals, and duplicate descriptions thereof will be omitted. The suffixes “module” and “part” for components used in the following description are given or used interchangeably only for the ease of preparing the specification, and do not have distinct meanings or roles in themselves. Additionally, in describing the embodiments invented in this specification, if it is determined that a detailed description of related known technologies may obscure the gist of the embodiments invented in this specification, the detailed description will be omitted. In addition, the attached drawings are only for easy understanding of the embodiments invented in the present specification, and the technical idea invented in the present specification is not limited by the attached drawings, and are included in the spirit and technical scope of the present invention. It should be understood to include all modifications, equivalents and substitutions.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms containing ordinal numbers, such as first, second, etc., may be used to describe various components, but the components are not limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is said to be "connected" or "connected" to another component, it is understood that it may be directly connected to or connected to the other component, but that other components may exist in between. It should be. On the other hand, when it is mentioned that a component is “directly connected” or “directly connected” to another component, it should be understood that there are no other components in between.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다.Singular expressions include plural expressions unless the context clearly dictates otherwise.

본 출원에서, "포함한다" 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.In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.

도 1은 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 환경을 개략적으로 설명하기 위한 도면이다. 1 is a diagram schematically illustrating an environment for estimating liquid viscosity according to an embodiment of the present invention.

액체 점도 추정 시스템(1)은 미각 센서가 구현된 전자 혀, 전자 혀와 같이 미각을 측정할 수 있는 장치에 구현될 수 있다. 또한, 전자 혀에 장착된 센서와 유무선 통신으로 연결된 전자 장치(예: 개인 단말, 서버)로 구현될 수 있다. The liquid viscosity estimation system 1 can be implemented in a device that can measure taste, such as an electronic tongue or an electronic tongue equipped with a taste sensor. Additionally, it can be implemented as an electronic device (e.g., personal terminal, server) connected to a sensor mounted on the electronic tongue and wired or wireless communication.

본 발명의 실시 예에서 액체 점도 추정 시스템(1)은 서버(100)를 통해 구현되고, 서버(100)와 전자 혀가 통신 연결되어 서버(100)에 저장된 액체 점도 추정 모델을 통해 액체의 점도를 추정하는 예를 들어 설명하기로 한다. In an embodiment of the present invention, the liquid viscosity estimation system 1 is implemented through the server 100, and the server 100 and the electronic tongue are communicated to determine the viscosity of the liquid through the liquid viscosity estimation model stored in the server 100. Let us explain with an example of estimation.

구체적으로 일 실시 예에서 액체 점도 추정 시스템(1)은 액체의 점도를 추정할 수 있으며, 추정한 액체의 점도를 기반으로 점도에 따른 액체의 맛을 분류할 수 있도록 한다. Specifically, in one embodiment, the liquid viscosity estimation system 1 can estimate the viscosity of the liquid and classify the taste of the liquid according to viscosity based on the estimated viscosity of the liquid.

설명한 바와 같이, 본 발명의 실시 예에 따른 액체 점도 추정 시스템(1)은 전자 혀를 통해 구현할 수 있다. 예컨대, 액체 점도 추정 시스템(1)은 음용 가능한 액체가 수용될 수 있도록 형성될 수 있다. 특히, 점도를 추정하기 위한 검사대상체(20)는 액상으로 제공될 수 있으며, 액상의 검사대상체(20)를 넣는 액상의 검사체(10) 내에는 검사대상체(20)가 검사체(10) 내에서 퍼지는 속도에 따라 검사체(10)의 농도 변화를 전압으로 측정하는 센서(50)가 마련될 수 있다. As described, the liquid viscosity estimation system 1 according to an embodiment of the present invention can be implemented through an electronic tongue. For example, the liquid viscosity estimation system 1 may be configured to accommodate drinkable liquid. In particular, the test object 20 for estimating viscosity may be provided in a liquid form, and the test object 20 may be placed within the liquid test object 10 into which the liquid test object 20 is placed. A sensor 50 may be provided that measures the change in concentration of the test object 10 as a voltage according to the speed of spreading.

즉, 액상의 검사대상체(20)의 점도가 높으면 검사대상체(20)가 검사체(10)에서 번지는 속도가 느릴 수 있다. 이와 반대로 검사대상체(20)의 점도가 낮을수록 검사체(10)에서 번지는 속도가 빠를 수 있다. 따라서 검사대상체(20)가 검사체(10)에서 녹는 속도에 따라 검사대상체(20)의 점도를 추정할 수 있다. That is, if the viscosity of the liquid test object 20 is high, the speed at which the test object 20 spreads on the test object 10 may be slow. On the contrary, the lower the viscosity of the test object 20, the faster the spreading speed in the test object 10 may be. Therefore, the viscosity of the test object 20 can be estimated according to the speed at which the test object 20 melts in the test object 10.

이때, 검사체(10)에 마련된 센서(50)는 복수 개 마련될 수 있으며, 센서(50)는 일정 시간 간격으로 검사대상체(20)의 점도를 샘플링하고, 기 설정된 미각 분류(리스트)와 대응하여 점도에 따라 맛의 정도를 분류할 수 있다. At this time, a plurality of sensors 50 provided on the test object 10 may be provided, and the sensor 50 samples the viscosity of the test object 20 at regular time intervals and corresponds to a preset taste classification (list). Therefore, the level of taste can be classified according to viscosity.

한편, 액체 점도 추정 시스템(1)은 용해도 추정 모델을 포함할 수 있다. 검사대상체(20)가 검사체(10)에서 용해되면서 검사체(10)의 농도 변화가 발생할 수 있다. 이러한 검사체(10)의 농도 변화는 센서(50)를 통해 전압값으로 측정될 수 있다. 측정된 전압값을 학습한 모델이 용해도 추정 모델일 수 있다. 즉, 용해도 추정 모델은 검사대상체(20)가 검사체(10)에서 번지면서 발생하는 전압값 변화에 따라 검사대상체(20)의 점도를 예측할 수 있도록 한다. Meanwhile, the liquid viscosity estimation system 1 may include a solubility estimation model. As the test object 20 dissolves in the test object 10, a change in concentration of the test object 10 may occur. This change in concentration of the test object 10 can be measured as a voltage value through the sensor 50. The model that learned the measured voltage value may be a solubility estimation model. In other words, the solubility estimation model allows predicting the viscosity of the test object 20 according to the change in voltage value that occurs as the test object 20 spreads on the test object 10.

구체적으로 용해도 추정 모델은 센서(50)가 기 설정된 전압값에 수렴하기까지 변화하는 기울기를 학습하여 생성될 수 있다. 여기서, 용해도 추정 모델은 심층 신경망에 Fully connected layer에 추가하는 방식으로 학습할 수 있지만 실시 예가 이에 국한되는 것은 아니다.Specifically, the solubility estimation model can be created by learning the slope that changes until the sensor 50 converges to a preset voltage value. Here, the solubility estimation model can be learned by adding a fully connected layer to a deep neural network, but the embodiment is not limited to this.

도 2는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버의 구성을 나타낸 블록도이고, 도 3은 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버와 통신 연결되는 센서의 구성을 나타낸 블록도이다. Figure 2 is a block diagram showing the configuration of a server for estimating liquid viscosity according to an embodiment of the present invention, and Figure 3 is a configuration of a sensor connected to communication with a server for estimating liquid viscosity according to an embodiment of the present invention. This is the block diagram shown.

도면의 설명에 앞서, 설명의 편의상 액체 점도를 추정하기 위한 장치는 전자 혀에 구현된 예를 들어 설명하기로 하며, 센서(50)는 액상의 검사체(10) 내에 포함된 예를 들어 설명하기로 한다.Before explaining the drawings, for convenience of explanation, the device for estimating liquid viscosity will be described as an example implemented in an electronic tongue, and the sensor 50 will be described as an example included in the liquid test object 10. Do this.

또한, 액체 점도를 추정하기 위한 학습 모델은 서버(100)로부터 다운로드 받을 수 있으며, 다운받은 학습 모델은 전자 혀의 프로세서를 통해 구현될 수 있다. 또는 이와 다르게 전자 혀의 프로세서에 학습 모델이 저장될 수 있으며, 저장된 학습 모델을 기반으로 액체의 점도를 측정할 수도 있다. Additionally, a learning model for estimating liquid viscosity can be downloaded from the server 100, and the downloaded learning model can be implemented through the processor of the electronic tongue. Alternatively, the learning model may be stored in the processor of the electronic tongue, and the viscosity of the liquid may be measured based on the stored learning model.

도 2를 참고하면, 서버(100)는 센서(50)에서 측정한 검사체(10)의 농도 변화를 측정한 전압값을 기반으로 액상의 검사대상체(20)의 점도를 추정할 수 있다.Referring to FIG. 2 , the server 100 may estimate the viscosity of the liquid test object 20 based on the voltage value measuring the change in concentration of the test object 10 measured by the sensor 50.

이러한 서버(100)는 통신부(120), 메모리(160), 러닝 프로세서(150) 및 프로세서(180) 등을 포함하여 구성될 수 있다. This server 100 may be configured to include a communication unit 120, memory 160, learning processor 150, and processor 180.

서버(100)의의 통신부(120)는 센서(50)와 통신 연결될 수 있는 구성이고, 센서(50)로 습득한 검사대상체(20)가 녹는 정도에 따라 검사체(10)의 농도 변화를 수신 받을 수 있다. The communication unit 120 of the server 100 is configured to be connected to the sensor 50 for communication, and receives the change in concentration of the test object 10 according to the degree of melting of the test object 20 acquired by the sensor 50. You can.

메모리(160)는 모델 저장부(161)를 포함할 수 있다. 모델 저장부(161)는 러닝 프로세서(150)를 통해 학습 전 또는 학습된 모델(161a)을 저장할 수 있다. 학습된 모델 또는 학습 전 모델을 포함하는 학습 모델은 심층 신경망 기반 등 특별히 그 종류를 한정하지 않는다.Memory 160 may include a model storage unit 161. The model storage unit 161 may store the pre-learning or learned model 161a through the learning processor 150. Learning models, including learned models or pre-learning models, are not particularly limited in type, such as those based on deep neural networks.

러닝 프로세서(150)는 학습 데이터를 이용하여 학습 모델(161a)을 학습시킬 수 있다. 학습 모델은 서버(100)나 센서(50) 등에 탑재된 상태에서 이용될 수 있다. The learning processor 150 may train the learning model 161a using training data. The learning model can be used while mounted on the server 100 or sensor 50.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(160)에 저장될 수 있다.Learning models can be implemented in hardware, software, or a combination of hardware and software. When part or all of the learning model is implemented as software, one or more instructions constituting the learning model may be stored in the memory 160.

본 발명의 학습 모델은 머신 러닝을 기반으로 하는 액체 점도 추정 시스템의 용해도 추정 모델이며, 용해도 추정 모델은 검사대상체(20)가 검사체(10)에 유입되면서부터 검사대상체(20)가 검사체(10)에 용해되며 검사체(10)의 변화 농도를 입력 받은 전압의 변화 기울기로 레이블링(labeling)한 훈련 데이터로 훈련될 수 있다. The learning model of the present invention is a solubility estimation model of a liquid viscosity estimation system based on machine learning, and the solubility estimation model is a solubility estimation model that begins when the test object 20 flows into the test object 10. It is dissolved in 10) and can be trained with training data that labels the change concentration of the test object 10 with the change slope of the input voltage.

구체적으로, 용해도 추정 모델에 적용하는 검사대상체(20)의 용해 정도는 검사대상체(20)가 검사체(10)에 유입된 시점에서부터 검사대상체(20)가 검사체(10)에 번지는 속도에 따라 검사체(10)의 농도 변화일 수 있다. 여기서, 농도변화는 검사체(10)의 농도 변화에 따라 측정되는 전압값일 수 있으며, 전압값은기 설정된 값(예: 1 또는 0)으로 수렴할 수 있다. 또한, 검사체(10)의 농도 변화는 검사대상체(20)의 용해도에 따라 측정하는 검사체(10)의 전압 변화를 나타내는 기울기일 수 있다. Specifically, the degree of dissolution of the test object 20 applied to the solubility estimation model depends on the speed at which the test object 20 spreads on the test object 10 from the time the test object 20 is introduced into the test object 10. Accordingly, it may be a change in concentration of the test object 10. Here, the concentration change may be a voltage value measured according to the concentration change of the test object 10, and the voltage value may converge to a preset value (eg, 1 or 0). Additionally, the change in concentration of the test object 10 may be a slope representing the change in voltage of the test object 10 measured according to the solubility of the test object 20.

예를 들어 측정하고자 하는 액체인 검사대상체(20)를 검사체(10)에 녹일 때, 검사대상체(20)가 퍼져나감에 따라 검사체(10) 안의 액체 농도가 높아질 수 있다. 이에 따라 센서(50)에서 측정되는 측정값이 커질 수 있다. 즉, 센서(50)에서 측정되는 값의 기ㄹ울기가 측정하고자 하는 검사대상체(20)가 검사체(10)에서 퍼지는 속도라고 할 수 있다. For example, when the test object 20, which is a liquid to be measured, is dissolved in the test object 10, the concentration of the liquid in the test object 10 may increase as the test object 20 spreads. Accordingly, the measurement value measured by the sensor 50 may increase. In other words, the slope of the value measured by the sensor 50 can be said to be the speed at which the inspection object 20 to be measured spreads from the inspection object 10.

여기서 검사대상체(20)의 점도가 클수록 검사대상체(20)가 검사체(10) 안에서 느리게 퍼져나가므로 센서(50)에서 측정하는 기울기 변화는 작을 수 있다. 즉, 센서(50)에서 측정하는 기울기는 검사대상체(20)의 점도가 반영된 것이라 할 수 있다. Here, as the viscosity of the test object 20 increases, the test object 20 spreads more slowly within the test object 10, so the change in slope measured by the sensor 50 may be smaller. In other words, the slope measured by the sensor 50 can be said to reflect the viscosity of the inspection object 20.

실시 예에서, 센서(50)에서 측정한 전압의 변화 기울기를 심층 신경망의 Fully connected layer에 추가할 수 있으며, 구체적인 예는 아래에서 자세히 설명한다.In an embodiment, the slope of the change in voltage measured by the sensor 50 may be added to the fully connected layer of the deep neural network, and specific examples are described in detail below.

센서(50)에서 검사체(10)의 농도 변화를 측정하면 측정한 검사체(10)의 농도 변화를 기 설정된 용해도 추정 모델에 입력할 수 있다. 이때, 용해도 추정 모델은 검사대상체(20)가 검사체(10)에 용해되는 속도에 따라 검사체(10)의 농도 변화 정도를 레이블링된 훈련 데이터로 훈련된다. When the sensor 50 measures a change in concentration of the test object 10, the measured change in concentration of the test object 10 can be input into a preset solubility estimation model. At this time, the solubility estimation model is trained with training data labeled with the degree of change in concentration of the test object 10 according to the speed at which the test object 20 is dissolved in the test object 10.

구체적으로, 훈련 데이터는 앞서 설명한 센서(50)가 측정한 검사체(10)의 농도 변화에 따른 전압 변화(기울기)를 일정 시간 간격 또는 실시간/준실시간으로 수집하고, 수집한 검사체(10)의 농도 변화에 따른 전압 변화를 나타내는 기울기로 샘플링할 수 있다. Specifically, the training data collects the voltage change (slope) according to the concentration change of the test object 10 measured by the sensor 50 described above at regular time intervals or in real time/quasi-real time, and the collected test object 10 It can be sampled with a slope that represents the change in voltage according to the change in concentration.

즉, 본 발명의 훈련 데이터는 예를 들어 센서(50)가 검사체(10)의 농도 변화를 전압값으로 1초 간격으로 5분 동안 수집할 수 있고, 수집한 데이터를 매초마다 변화하는 전압값의 기울기를 기초로 생성할 수 있다. That is, the training data of the present invention can be, for example, the sensor 50 collects the change in concentration of the test object 10 as a voltage value at 1-second intervals for 5 minutes, and converts the collected data into a voltage value that changes every second. It can be generated based on the slope of .

이후, 훈련 데이터는 센서(50)가 측정하는 전압값이 기 설정된 전압값으로 수렴하는 시점까지 훈련 데이터를 생성할 수 있다. 예컨대, 센서(50)의 수렴값을 전압값 10이라 가정하고 센서(50)가 측정하는 전압값이 10을 수렴할때까지 훈련 데이터를 생성할 수 있도록 한다. Thereafter, training data may be generated until the voltage value measured by the sensor 50 converges to a preset voltage value. For example, assuming that the convergence value of the sensor 50 is a voltage value of 10, training data can be generated until the voltage value measured by the sensor 50 converges to 10.

한편, 본 발명의 실시 예에 다른 용해도 추정 모델은 센서(50)가 측정하는 전압값이 기 설정된 값까지 수렴하기 전까지 변하는 기울기 값을 심층 신경망에 Fully connected layer에 추가하여 센서(50)에서 측정한 전압값에 대해 검사대상체(20)가 퍼져나가는 속도에 관한 값을 출력하도록 훈련된 모델일 수 있다. On the other hand, the solubility estimation model according to the embodiment of the present invention adds the slope value that changes until the voltage value measured by the sensor 50 converges to a preset value to the fully connected layer in the deep neural network to estimate the value measured by the sensor 50. It may be a model trained to output a value related to the speed at which the test object 20 spreads in relation to the voltage value.

이와 같이 생성된 용해도 추정 모델은 점도를 검사하고자 하는 검사대상체에 대응하는 미각에 대응하여 생성된 학습 모델일 수 있다. 실시 예에서 학습 모델은 검사하고자 하는 검사대상체가 검사체로 유입되었을 때부터 번지며 검사체의 농도 변화를 입력으로 하는 검사대상체의 점도를 미각을 구분하는 리스트와 매핑할 수도 있다. The solubility estimation model generated in this way may be a learning model generated in response to the taste corresponding to the test object whose viscosity is to be tested. In an embodiment, the learning model spreads from the time the test object to be tested is introduced into the test object, and may map the viscosity of the test object using the change in concentration of the test object as an input with a list that classifies taste.

예를 들어, 점도를 검사하고자 하는 제1 검사대상체의 점도 정도에 대응하는 미각 리스트를 검사대상체의 용해 속도에 대응하여 점도를 검사하고자 하는 제1 검사대상체의 점도 정도에 따라 실제 음용하는 경우 사람이 느낄 수 있는 미각을 출력할 수 있다. For example, when a person actually drinks the taste list corresponding to the viscosity degree of the first test object whose viscosity is to be tested in accordance with the viscosity degree of the first test object whose viscosity is to be tested in response to the dissolution rate of the test object. It is possible to output tastes that can be felt.

이때, 용해도 추정 모델의 정확성을 위해 다양한 검사 대상체의 용해도에 대한 훈련 데이터를 생성하도록 할 수 있다. 예를 들어, 훈련 데이터가 생성된 검사대상체의 용해 속도와 기 설정된 미각 정보를 매핑하여 저장한 후, 학습 모델을 훈련하여 검사대상체의 점도 추정을 수행하다가, 훈련 데이터가 생성되지 않은 검사대상체가 검사체에 유입되는 경우 검사대상체가 검사체에서 번지는 속도에 대한 변동되는 전압값의 기울기를 입력 받은 후, 훈련 데이터에 추가하여 다시 학습 모델을 훈련할 수 있다.At this time, training data on the solubility of various test objects can be generated to ensure the accuracy of the solubility estimation model. For example, after mapping and storing the dissolution rate of the test object for which training data was generated and the preset taste information, the learning model is trained to estimate the viscosity of the test object, and then the test object for which training data has not been generated is inspected. When the test object flows into the body, the slope of the voltage value that changes with respect to the speed at which the test object spreads in the test object is input, and the learning model can be trained again by adding it to the training data.

프로세서(180)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.The processor 180 may infer a result value for new input data using a learning model and generate a response or control command based on the inferred result value.

프로세서(180)는 통신부(120)를 통해 센서(50)로부터 수신한 검사대상체가 검사체에서 번지는 속도에 대한 정보에 학습모델을 적용하여 검사대상체의 점도를 평가할 수 있다. The processor 180 may evaluate the viscosity of the inspection object by applying a learning model to information about the speed at which the inspection object spreads on the inspection object received from the sensor 50 through the communication unit 120.

도 3을 참고하면, 센서(50)는 통신부(52), 센싱부(54), 메모리(56) 및 프로세서(58)를 포함하여 구성될 수 있다. Referring to FIG. 3, the sensor 50 may include a communication unit 52, a sensing unit 54, a memory 56, and a processor 58.

통신부(52)는 서버(100)의 통신부(120)와 통신 연결될 수 있다. 구체적으로 통신부(52)는 검사체(10)에 검사대상체(20)에 유입되면 검사대상체(20)의 용해도에 따라 검사체(10)의 농도 변화에 따른 전압값을 서버(100)로 송신하도록 한다. The communication unit 52 may be connected to the communication unit 120 of the server 100. Specifically, when the test object 10 flows into the test object 20, the communication unit 52 transmits a voltage value according to the concentration change of the test object 10 according to the solubility of the test object 20 to the server 100. do.

센싱부(54)는 검사대상체(20)가 검사체(10)에서 녹으면서 검사체(10)의 농도 변화를 센싱하는 구성이다. 구체적으로, 센싱부(54)는 검사체(10) 농도 변화를 측정한 전압값을 센싱할 수 있고, 다르게는 검사체(10)에 유입된 검사대상체(20)가 번지는 과정에서 검사체(10) 농도의 변화 자체를 센싱할 수도 있다. 이하 본 발명의 실시 예에서 센싱부(54)는 검사체(10)가 농도 변화를 측정한 전압값을 센싱한 예를 들어 설명하기로 한다. The sensing unit 54 is configured to sense a change in concentration of the test object 10 as the test object 20 melts in the test object 10. Specifically, the sensing unit 54 can sense the voltage value that measures the change in concentration of the test object 10, and in the process of spreading the test object 20 flowing into the test object 10, the test object ( 10) The change in concentration itself can also be sensed. Hereinafter, in an embodiment of the present invention, the sensing unit 54 will be described as an example of sensing the voltage value at which the test object 10 measures a change in concentration.

이때, 센싱부(54)는 검사체(10)의 농도 변화를 전압값으로 1초 간격으로 5분 동안 수집할 수 있고, 수집한 데이터를 매초마다 변화하는 전압값의 기울기를 서버(100)로 송신할 수 있다. At this time, the sensing unit 54 can collect the change in concentration of the test object 10 as a voltage value at 1-second intervals for 5 minutes, and send the collected data to the server 100 as the slope of the voltage value that changes every second. Can be sent.

메모리(56)는 센싱부(54)에서 검사체(10)의 농도 변화를 통해 검사대상체(20)의 점도 정도를 측정하고자 하는 검사대상체 점도 측정 조건을 저장할 수 있다. 즉, 메모리(55)는 검사대상체의 점도를 측정할 수 있는 센싱부(54)의 동작을 위한 데이터들, 명령어들이 저장될 수 있다. The memory 56 may store the test object viscosity measurement conditions for measuring the viscosity of the test object 20 through the change in concentration of the test object 10 in the sensing unit 54. That is, the memory 55 can store data and commands for the operation of the sensing unit 54 that can measure the viscosity of the inspection object.

프로세서(58)는 메모리(56)에 저장된 응용 프로그램과 관련된 동작 이외에 센서(50)의 전반적인 동작을 제어할 수 있다. 프로세서(58)는 앞서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(56)에 저장된 응용 프로그램을 구동하도록 하여 액체 점도 추정 시스템으로 적절한 정보 또는 기능을 제공 또는 처리할 수 있도록 한다. The processor 58 may control the overall operation of the sensor 50 in addition to operations related to the application program stored in the memory 56. The processor 58 processes signals, data, information, etc. input or output through the components discussed above or runs an application program stored in the memory 56 to provide or process appropriate information or functions as a liquid viscosity estimation system. make it possible

도 4는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 용해도 추정 모델을 생성하는 예를 도시한 도면이다. Figure 4 is a diagram illustrating an example of generating a solubility estimation model for estimating liquid viscosity according to an embodiment of the present invention.

도면의 설명에 앞서 본 발명의 실시 예는 센서(50)에서 측정된 전압값 이외에 검사대상체(20)의 점도를 반영하는 값을 입력 값으로 넣어주어 검사대상체(20)의 점도를 심층 신경망에서 처리할 하나의 정보로 사용할 수 있도록 한다. 이를 통해 인간이 직관적으로 느끼는 맛에 가까운 분류할 수 있도록 한다. Prior to the description of the drawing, the embodiment of the present invention processes the viscosity of the inspection object 20 in a deep neural network by entering a value reflecting the viscosity of the inspection object 20 as an input value in addition to the voltage value measured by the sensor 50. Let it be used as a piece of information to be used. This allows classification that is close to the taste that humans intuitively feel.

구체적으로 도면을 참고하여 훈련 데이터를 생성하는 과정을 살펴보면, 액체를 센서에서 측정하기 위해 용액 등에 녹여서 측정할 수 있다. 즉, 본 발명의 실시 예는 검사체(10)에 검사대상체(20)를 넣어 시간에 따라 검사체(10)의 농도가 변화하는 변화값을 측정할 수 있다. 즉, 센서(50)는 시간에 따라 변화하는 검사체(10)의 농도를 전압값으로 측정할 수 있고, 측정된 전압값은 시간에 따라 변화하는 기울기로 추출될 수 있다. 추출된 전압값에 대한 기울기는 검사대상체의 점도를 추정할 수 있도록 심층 신경망에 입력하는 입력값일 수 있다. Specifically, if we look at the process of generating training data with reference to the drawing, liquid can be measured by dissolving it in a solution to measure it with a sensor. That is, the embodiment of the present invention can measure the change value in which the concentration of the test object 10 changes over time by placing the test object 20 in the test object 10. That is, the sensor 50 can measure the concentration of the test object 10 that changes with time as a voltage value, and the measured voltage value can be extracted as a slope that changes with time. The slope for the extracted voltage value may be an input value input to a deep neural network to estimate the viscosity of the test object.

이와 다르게 심층 신경망에 입력되는 입력값으로 센서(50)에서 측정되는 농도 변화 이외에 검사체(10) 변화 정보일 수 있으며, 센서(50)에서 측정하는 검사체(10) 전압값과 전압값 이외의 센서 측정값을 입력값으로 하여 훈련 데이터를 생성할 수 있다. Unlike this, the input value input to the deep neural network may be change information on the test object 10 in addition to the concentration change measured by the sensor 50, and may be information on changes in the test object 10 measured by the sensor 50 and the voltage value other than the voltage value. Training data can be generated using sensor measurements as input.

구체적으로, 센서(50)가 검사체(10)의 농도 변화를 전압값으로 1초 간격으로 5분 동안 수집할 수 있고, 수집한 데이터를 매초마다 변화하는 전압값의 기울기를 기초로 생성할 수 있다. Specifically, the sensor 50 can collect the concentration change of the test object 10 as a voltage value at 1-second intervals for 5 minutes, and the collected data can be generated based on the slope of the voltage value that changes every second. there is.

이후, 훈련 데이터는 센서(50)가 측정하는 전압값이 기 설정된 전압값으로 수렴하는 시점까지 훈련 데이터를 생성할 수 있다. 예컨대, 센서(50)의 수렴값을 전압값 10이라 가정하고 센서(50)가 측정하는 전압값이 10을 수렴할때까지 훈련 데이터를 생성할 수 있도록 한다. Thereafter, training data may be generated until the voltage value measured by the sensor 50 converges to a preset voltage value. For example, assuming that the convergence value of the sensor 50 is a voltage value of 10, training data can be generated until the voltage value measured by the sensor 50 converges to 10.

도 5 및 도 6은 본 발명의 일 실시 예에 따른 액체 점도 추정 방법을 도시한 흐름도이다. Figures 5 and 6 are flowcharts showing a method for estimating liquid viscosity according to an embodiment of the present invention.

도면을 참고하면, 액상의 검사대상체가 액상의 검사체에 유입되어 용해되면서 검사대상체의 점도를 측정할 수 있다. 구체적으로 검사대상체의 점도는 검사대상체가 검사체에 유입되면 검사대상체가 검사체에 녹으면서 검사체의 농도가 변화할 수 있다. 변화된 검사체 농도 변화를 일정 시간 마다 전압값으로 측정할 수 있다(S110 S120). Referring to the drawing, the viscosity of the test object can be measured as the liquid test object flows into and dissolves the liquid test object. Specifically, the viscosity of the test object may change when the test object flows into the test object, and the concentration of the test object may change as the test object dissolves in the test object. The change in concentration of the test object can be measured as a voltage value at regular intervals (S110 S120).

여기서 일정 시간은 1초 간격으로 검사체의 농도 변화를 수집할 수 있으며, 검사체의 검사 농도가 기 설정된 농도 이상인 경우인 센서(50)가 측정하는 전압값이 기 설정된 전압값으로 수렴할때까지 라고 가정할 수 있다. Here, the concentration change of the test object can be collected at 1 second intervals for a certain period of time, until the voltage value measured by the sensor 50, which is when the test concentration of the test object is higher than the preset concentration, converges to the preset voltage value. It can be assumed that

측정되는 전압값을 심층 신경망에 Fully connected layer에 추가하여 센서(50)에서 측정한 전압값에 대해 검사대상체(20)가 퍼져나가는 속도에 관한 값을 출력할 수 있다. 즉 점도를 검사하고자 하는 검사대상체에 대응하는 미각에 대응하여 생성된 학습 모델이 용해도 추정 모델이라고 할 수 있다. By adding the measured voltage value to the fully connected layer of the deep neural network, a value related to the speed at which the test object 20 spreads can be output for the voltage value measured by the sensor 50. In other words, the learning model created in response to the taste corresponding to the test object whose viscosity is to be tested can be said to be a solubility estimation model.

점도를 측정하고자 하는 액상의 검사대상체(20)를 액상의 검사대상체(20)에 유입함에 따라 검사대상체(20)가 검사체(10)에 번지를 속도를 미각을 구분한 리스트와 매핑할 수 있다. 이렇게 맵핑된 조건에 따라 검사대상체(20)의 액상 점도에 따라 검사대상체(20)의 점도를 출력할 수 있다(S130).As the liquid test object 20 whose viscosity is to be measured is introduced into the liquid test object 20, the speed at which the test object 20 spreads on the test object 10 can be mapped to a list that separates tastes. . According to the mapped conditions, the viscosity of the test object 20 can be output according to the liquid viscosity of the test object 20 (S130).

특히, 음용 가능한 액상의 검사대상체의 검사체에서 용해되는 정도가 학습 데이터인 경우, 서버(100)에서 측정한 검사대상체의 용해 속도를 통해 검사대상체의 점도뿐만 아니라 액체 점도에 따른 맛의 특징을 분류할 수도 있다. In particular, when the degree of dissolution in the test object of a drinkable liquid test object is learning data, not only the viscosity of the test object but also the taste characteristics according to the liquid viscosity are classified through the dissolution rate of the test object measured by the server 100. You may.

즉, 점도를 검사하고자 하는 검사대상체에 대응하는 미각 리스트와 비교할 수 있다(S122). 실시 예에서 검사하고자 하는 검사대상체가 검사체로 유입되었을 때부터 번지며 검사체의 농도 변화를 입력으로 하는 검사대상체의 점도를 미각을 구분하는 리스트와 매핑하여 검사대상체의 점도를 추정하고, 검사대상체의 맛을 출력할 수 있다(S124, S126). In other words, the viscosity can be compared with the taste list corresponding to the test object to be tested (S122). In an embodiment, the viscosity of the test object is estimated by mapping the viscosity of the test object, which spreads from the time the test object to be tested flows into the test object and takes the change in concentration of the test object as an input, with a list that distinguishes taste, and the viscosity of the test object is estimated. Flavors can be printed (S124, S126).

구체적으로, 수집한 학습 데이터는 점도 별로 추출한 데이터는 학습(훈련)에 사용될 수 있으며, 점도 별로 추출한 데이터를 기반으로 같은 음용 가능한 검사 대상체라도 점도에 따른 맛을 분류할 수 있다. 이로써, 점도별로 액체의 용해도 추정 모델의 정확도를 평가할 수 있다. Specifically, the collected learning data extracted by viscosity can be used for learning (training), and based on the data extracted by viscosity, the taste of the same drinkable test object can be classified according to viscosity. As a result, the accuracy of the model for estimating the solubility of liquids for each viscosity can be evaluated.

이와 같이 생성된 학습 데이터는 개인 단말(예: 휴대 단말기, 태블릿, 스마트 워치 등)에서 학습 모델을 훈련시키는 데 이용되거나 서버로 전송되어 학습 모델을 훈련시키는 데 이용될 수 있다. The learning data generated in this way can be used to train a learning model on a personal device (e.g., a mobile terminal, tablet, smart watch, etc.) or can be transmitted to a server and used to train a learning model.

따라서, 액체가 가진 점도에 따라 학습 데이터를 세분화할 수 있으며, 세분화된 액체의 점도별로 맛을 분류하여 같은 음료라도 점도에 따라 음식의 맛, 음식의 종류를 분류할 수 있도록 할 수 있다. Therefore, the learning data can be subdivided according to the viscosity of the liquid, and the taste can be classified according to the viscosity of the subdivided liquid, allowing the taste and type of food to be classified according to viscosity even in the same beverage.

이로써, 음용 가능한 음료 별로 음용자가 느끼는 주관적인 점도별로 음료를 구분할 수 있게 되어 점도의 특징에 따른 맛을 보다 정확하게 분류할 수 있게 된다. As a result, it is possible to classify drinks according to the subjective viscosity felt by the drinker, making it possible to more accurately classify taste according to the characteristics of viscosity.

이상 설명된 본 발명의 실시 예에 대한 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 실시 예들은 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.The description of the embodiments of the present invention described above is for illustrative purposes, and a person skilled in the art of the present invention can easily transform it into another specific form without changing the technical idea or essential features of the present invention. You will be able to understand that Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. For example, each component described as single may be implemented in a distributed manner, and similarly, components described as distributed may also be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the claims described below rather than the detailed description above, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention.

Claims (15)

각 단계의 적어도 일부가 프로세서에 의해 수행되고, 액체의 점도에 기초하여 액체 점도를 추정하는 방법으로서,
센서가 포함된 액상의 검사체 내에 액상의 검사대상체를 유입하는 단계;
상기 검사대상체의 용해 속도에 따라 변경되는 상기 검사체의 전압을 측정하는 단계; 및
측정되는 상기 검사체 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델에 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하는 단계를 포함하며,
상기 검사대상체의 용해 속도는 상기 검사체로 상기 검사대상체의 유입 시점에서부터 상기 센서로부터 측정된 상기 검사체의 농도 변화이고, 상기 검사체의 농도 변화는 상기 검사대상체의 용해도에 기초하여 추출한 상기 검사체의 전압 변화를 나타내는 기울기인,
액체 점도 추정 방법.
1. A method wherein at least a portion of each step is performed by a processor, and wherein the method estimates liquid viscosity based on the viscosity of the liquid, comprising:
Introducing a liquid test object into a liquid test object containing a sensor;
Measuring the voltage of the test object that changes according to the dissolution rate of the test object; and
A step of outputting the viscosity of the test object by reflecting the dissolution rate of the test object in a machine learning-based solubility estimation model trained to output the degree of dissolution of the test object based on the measured voltage of the test object,
The dissolution rate of the test object is the change in concentration of the test object measured from the sensor from the point of introduction of the test object into the test object, and the change in concentration of the test object is the change in concentration of the test object extracted based on the solubility of the test object. The slope representing the change in voltage,
Methods for estimating liquid viscosity.
 삭제delete 제1항에 있어서,
상기 용해도 추정 모델은 상기 검사대상체의 용해 속도로 레이블링된 훈련 데이터로 훈련된,
액체 점도 추정 방법.
According to paragraph 1,
The solubility estimation model is trained with training data labeled with the dissolution rate of the test object,
Methods for estimating liquid viscosity.
 제3항에 있어서,
상기 용해도 추정 모델을 훈련하기 위한 상기 훈련 데이터를 생성하는 단계를 포함하고,
상기 훈련 데이터를 생성하는 단계는,
상기 검사대상체의 용해 정도를 일정 시간 간격으로 수집한 상기 검사대상체의 점도를 샘플링하는 단계를 포함하는,
액체 점도 추정 방법.
According to paragraph 3,
Generating the training data for training the solubility estimation model,
The step of generating the training data is,
Comprising the step of sampling the viscosity of the test object by collecting the degree of dissolution of the test object at regular time intervals,
Methods for estimating liquid viscosity.
 제1항에 있어서,
상기 검사대상체의 점도를 출력하는 단계는,
상기 용해도 추정 모델을 기초로 기 설정되어 미각을 구분하는 리스트 중에서 상기 검사대상체의 용해 속도에 대응하는 어느 하나의 레벨을 출력하는 단계를 포함하는,
액체 점도 추정 방법.
According to paragraph 1,
The step of outputting the viscosity of the test object is,
Comprising the step of outputting any one level corresponding to the dissolution rate of the test object from a list that is preset based on the solubility estimation model and classifies taste.
Methods for estimating liquid viscosity.
 제1항에 있어서,
상기 용해도 추정 모델은 합성공 신경망을 기반하고, 상기 검사대상체의 용해 속도가 상기 용해도 추정 모델에 포함된 전결합층(Fully Connected layer)에서 처리한 상기 검사대상체의 농도 변화 정도에 대한 기울기를 출력하도록 훈련된,
액체 점도 추정 방법.
According to paragraph 1,
The solubility estimation model is based on a synthetic neural network, and the dissolution rate of the test object is such that it outputs a slope for the degree of concentration change of the test object processed in the fully connected layer included in the solubility estimation model. trained,
Methods for estimating liquid viscosity.
 제6항에 있어서,
상기 용해도 추정 모델은 액체별로 구분되어 생성된 머신 러닝 기반의 학습 모델인,
액체 점도 추정 방법.
According to clause 6,
The solubility estimation model is a machine learning-based learning model created separately for each liquid,
Methods for estimating liquid viscosity.
 제1항에 있어서,
상기 검사대상체의 점도를 출력하는 단계 이후에,
상기 용해도 추정 모델이 출력한 상기 검사대상체의 점도에 기반하여 액상의 상기 검사대상체를 분류하는 단계를 더 포함하는,
액체 점도 추정 방법.
According to paragraph 1,
After the step of outputting the viscosity of the test object,
Further comprising classifying the liquid test object based on the viscosity of the test object output by the solubility estimation model,
Methods for estimating liquid viscosity.
 액체의 점도에 기초하여 액체 점도를 추정하는 장치로서,
프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,
상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가
센서가 포함된 액상의 검사체 내에 액상의 검사대상체를 유입한 후 상기 검사체에서 측정되는 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델을 기반으로 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하도록 야기하는 코드들을 저장하며,
상기 검사대상체의 용해 속도는 상기 검사체로 상기 검사대상체의 유입 시점에서부터 상기 센서로부터 측정된 상기 검사체의 농도 변화이고, 상기 검사체의 농도 변화는 상기 검사대상체의 용해도에 기초하여 추출한 상기 검사체의 전압 변화를 나타내는 기울기인,
액체 점도 추정 시스템.
A device for estimating liquid viscosity based on the viscosity of the liquid, comprising:
It is electrically connected to the processor and includes a memory that stores at least one code executed by the processor,
When the memory is executed through the processor, the processor
After introducing a liquid test object into a liquid test object containing a sensor, the test stand is based on a machine learning-based solubility estimation model trained to output the degree of dissolution of the test object based on the voltage measured from the test object. Stores codes that cause the viscosity of the inspection object to be output by reflecting the dissolution rate of the upper body,
The dissolution rate of the test object is the change in concentration of the test object measured from the sensor from the point of introduction of the test object into the test object, and the change in concentration of the test object is the change in concentration of the test object extracted based on the solubility of the test object. The slope representing the change in voltage,
Liquid viscosity estimation system.
 삭제delete 제9항에 있어서,
상기 용해도 추정 모델은 상기 검사대상체의 용해 속도로 레이블링된 훈련 데이터로 훈련된,
액체 점도 추정 시스템.
According to clause 9,
The solubility estimation model is trained with training data labeled with the dissolution rate of the test object,
Liquid viscosity estimation system.
 제11항에 있어서,
상기 훈련 데이터는,
상기 검사대상체의 용해 정도를 일정 시간 간격으로 수집한 상기 검사대상체의 점도를 샘플링한,
액체 점도 추정 시스템.
According to clause 11,
The training data is,
By sampling the viscosity of the test object, the degree of dissolution of the test object was collected at regular time intervals,
Liquid viscosity estimation system.
 제9항에 있어서,
상기 메모리는 상기 프로세서가,
상기 용해도 추정 모델을 기초로 기 설정되어 미각을 구분하는 리스트 중에서 상기 검사대상체의 용해 속도에 대응하는 어느 하나의 레벨을 출력 하도록 야기하는 코드들을 더 저장하는,
액체 점도 추정 시스템.
According to clause 9,
The memory is the processor,
Further storing codes that cause output of one level corresponding to the dissolution rate of the test object among the list that is preset based on the solubility estimation model and classifies taste,
Liquid viscosity estimation system.
 제9항에 있어서,
상기 용해도 추정 모델은 합성공 신경망을 기반하고, 상기 검사대상체의 용해 속도가 상기 용해도 추정 모델에 포함된 전결합층(Fully Connected layer)에서 처리한 상기 검사대상체의 농도 변화 정도에 대한 기울기를 출력하도록 훈련된,
액체 점도 추정 시스템.
According to clause 9,
The solubility estimation model is based on a synthetic neural network, and the dissolution rate of the test object is such that it outputs a slope for the degree of concentration change of the test object processed in the fully connected layer included in the solubility estimation model. trained,
Liquid viscosity estimation system.
 제14항에 있어서,
상기 용해도 추정 모델은 액체별로 구분되어 생성된 머신 러닝 기반의 학습 모델인,
액체 점도 추정 시스템.

According to clause 14,
The solubility estimation model is a machine learning-based learning model created separately for each liquid,
Liquid viscosity estimation system.
KR1020210173058A 2021-12-06 2021-12-06 Measuring apparatus and method for viscosity of liquids KR102631970B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210173058A KR102631970B1 (en) 2021-12-06 2021-12-06 Measuring apparatus and method for viscosity of liquids

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210173058A KR102631970B1 (en) 2021-12-06 2021-12-06 Measuring apparatus and method for viscosity of liquids

Publications (2)

Publication Number Publication Date
KR20230084900A KR20230084900A (en) 2023-06-13
KR102631970B1 true KR102631970B1 (en) 2024-01-30

Family

ID=86762852

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210173058A KR102631970B1 (en) 2021-12-06 2021-12-06 Measuring apparatus and method for viscosity of liquids

Country Status (1)

Country Link
KR (1) KR102631970B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007271640A (en) * 1998-03-19 2007-10-18 Orgenics Biosensors Ltd Kit for measuring coagulation time of blood sample
JP2009258129A (en) 2009-08-04 2009-11-05 Panasonic Corp Biosensor, measuring device for biosensor and determination method for substrate
JP2018059841A (en) 2016-10-06 2018-04-12 キヤノンメディカルシステムズ株式会社 Autoanalyzer

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH063243A (en) * 1992-06-23 1994-01-11 Asahi Chem Ind Co Ltd Method for estimating physical property of rubber polymer
KR101684620B1 (en) 2010-03-29 2016-12-08 서울대학교산학협력단 Taste Receptor-Functionalized Carbon Nanotube Field Effect Transistors Based Taste Sensor and High Selective Bio-Electronic Tongue Containing the Same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007271640A (en) * 1998-03-19 2007-10-18 Orgenics Biosensors Ltd Kit for measuring coagulation time of blood sample
JP2009258129A (en) 2009-08-04 2009-11-05 Panasonic Corp Biosensor, measuring device for biosensor and determination method for substrate
JP2018059841A (en) 2016-10-06 2018-04-12 キヤノンメディカルシステムズ株式会社 Autoanalyzer

Also Published As

Publication number Publication date
KR20230084900A (en) 2023-06-13

Similar Documents

Publication Publication Date Title
Bakrania et al. Intensity thresholds on raw acceleration data: Euclidean norm minus one (ENMO) and mean amplitude deviation (MAD) approaches
Dias et al. Semi-quantitative and quantitative analysis of soft drinks using an electronic tongue
Bougrini et al. Aging time and brand determination of pasteurized milk using a multisensor e-nose combined with a voltammetric e-tongue
US11172025B2 (en) Server apparatus, odor sensor data analysis method, and computer-readable recording medium
US11598740B2 (en) Server apparatus, odor sensor data analysis method, and computer-readable recording medium
CN109069350B (en) Infant feeding system
CN101135689A (en) Electric nose development platform
CN105488055B (en) The generation method and system of Individualized computer study and evaluation and test product
CN104698044A (en) Electronic tongue for food detection
CN102509064A (en) Camera-mode-based management system for obtaining test paper information and working method of camera-mode-based management system
CN111309098B (en) Method for judging read-write state based on sensor
CN103268399B (en) Health control method and system based on video processing equipment
Zhang et al. A study on soluble solids content assessment using electronic nose: persimmon fruit picked on different dates
KR102631970B1 (en) Measuring apparatus and method for viscosity of liquids
CN110749629A (en) MEMS gas detection system and method
CN109784390A (en) A kind of artificial intelligence smell dynamic response map gas detection recognition methods
Gębicki et al. –Application of Chemical Sensors and Sensor Matrixes to Air Quality Evaluation
WO2023207678A1 (en) Alcohol metabolism detection method, computer device, and storage medium
JP2019102072A5 (en)
Kim et al. A simple taste analyzing system design for visual and quantitative analysis of different tastes using multi-array chemical sensors and pattern recognition techniques
CN116955991A (en) Intelligent indoor environment detection system and method thereof
CN116679015A (en) Method and system for detecting freshness of milk
Gabrieli et al. Accelerated estimation of coffee sensory profiles using an AI-assisted electronic tongue
JP7420214B2 (en) Learning data generation device, learning data generation method, learning model generation method, program
CN108852328A (en) A kind of students ' quality evaluation system based on education big data

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