KR102656446B1 - Deep learning-based gas sensing system and gas sensing method - Google Patents
Deep learning-based gas sensing system and gas sensing method Download PDFInfo
- Publication number
- KR102656446B1 KR102656446B1 KR1020220031295A KR20220031295A KR102656446B1 KR 102656446 B1 KR102656446 B1 KR 102656446B1 KR 1020220031295 A KR1020220031295 A KR 1020220031295A KR 20220031295 A KR20220031295 A KR 20220031295A KR 102656446 B1 KR102656446 B1 KR 102656446B1
- Authority
- KR
- South Korea
- Prior art keywords
- gas
- signal
- voltage
- deep learning
- identifying
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 238000002347 injection Methods 0.000 claims abstract description 17
- 239000007924 injection Substances 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims description 36
- 239000004065 semiconductor Substances 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 28
- 239000000758 substrate Substances 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 7
- 239000007789 gas Substances 0.000 description 270
- 238000010586 diagram Methods 0.000 description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 229910021389 graphene Inorganic materials 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009257 reactivity Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000002041 carbon nanotube Substances 0.000 description 3
- 229910021393 carbon nanotube Inorganic materials 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000003795 desorption Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007084 catalytic combustion reaction Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 229910052681 coesite Inorganic materials 0.000 description 1
- 229910052906 cristobalite Inorganic materials 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000000609 electron-beam lithography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229910052682 stishovite Inorganic materials 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 229910052905 tridymite Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/129—Diode type sensors, e.g. gas sensitive Schottky diodes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
-
- 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
Abstract
본 발명의 일 실시예에 따른 딥러닝 기반 가스 센싱 시스템에 있어서, 가스 주입 후 연속적으로 증가하는 전압을 인가하면서 가스 신호를 측정하는 가스 센서; 및 상기 가스 센서로부터 수신한 상기 가스 신호로부터 상기 전압에 따른 신호 특성을 식별하고, 상기 신호 특성에 따라 상기 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 가스 신호에 따른 가스 정보를 식별하는 프로세서를 포함하는 가스 판별 장치;를 포함한다.A deep learning-based gas sensing system according to an embodiment of the present invention includes a gas sensor that measures a gas signal while applying a continuously increasing voltage after gas injection; And based on a deep learning model learned to identify signal characteristics according to the voltage from the gas signal received from the gas sensor and perform calculation of gas information including the type and ratio of the gas according to the signal characteristics. It includes a gas determination device including a processor that identifies gas information according to the gas signal.
Description
본 발명은 딥러닝 기반 가스 센싱 시스템 및 가스 센싱 방법에 관한 것이다.The present invention relates to a deep learning-based gas sensing system and gas sensing method.
가스 센서는 반도체식, 전기용량식, 광학식, 촉매연소식, 표면음향파식 그리고 전기화학식 등 작동방식을 기준으로 크게 6가지 종류로 나눌 수 있으며, 현재 가장 널리 이용되는 가스 센서는 전기화학식 가스 센서와 반도체식 가스 센서이다.Gas sensors can be broadly divided into six types based on their operation method: semiconductor type, capacitive type, optical type, catalytic combustion type, surface acoustic wave type, and electrochemical type. Currently, the most widely used gas sensors are electrochemical gas sensors and It is a semiconductor gas sensor.
전기화학식 가스 센서는 전해질 내 양극과 음극 사이 화학반응이 일어나면, 이때 발생하는 전류를 측정하는 방식이다. 가스 분자가 전극과 전해질 계면에서 일정한 전위가 발생하고, 전류는 가스 농도에 비례하여 나타나기 때문에 이를 통해 가스의 종류 및 농도를 측정할 수 있다.Electrochemical gas sensors measure the current generated when a chemical reaction occurs between the anode and cathode in the electrolyte. Since gas molecules generate a constant potential at the interface between the electrode and the electrolyte, and the current appears in proportion to the gas concentration, the type and concentration of the gas can be measured through this.
반도체식 가스 센서는 주로 200~400℃ 고온으로 가열해서 사용할 수 있으며, 가스가 접촉했을 때 일어나는 센서의 전기전도도의 변화를 이용하는 것이 일반적이다. 이때 발생하는 고체 표면의 저항 변화를 정성 또는 정량적으로 측정하여 가스의 종류 및 농도를 구분할 수 있다.Semiconductor gas sensors can mainly be used by heating to a high temperature of 200~400℃, and it is common to use the change in electrical conductivity of the sensor that occurs when gas comes into contact. At this time, the type and concentration of gas can be distinguished by qualitatively or quantitatively measuring the change in resistance of the solid surface that occurs.
반도체식 가스 센서는 전기화학적 가스 센서에 비해 비교적 작동원리가 간단하고, 제작 공정이 쉬우며, 단가가 낮고, 호환성이 뛰어나다는 장점이 있지만, 여전히 신뢰성이 부족하고, 특정 가스에 대한 선택도가 낮기 때문에 혼합가스를 식별하기에 어려움이 있다.Compared to electrochemical gas sensors, semiconductor gas sensors have the advantages of a relatively simple operating principle, easy manufacturing process, low unit cost, and excellent compatibility, but they still lack reliability and have low selectivity for specific gases. Therefore, it is difficult to identify mixed gases.
가스 감응 선택도 및 신뢰성을 높이기 위해 첨단 나노 물질을 활용한 센서 어레이가 다수 개발되고 있으며, 이러한 기술은 딥러닝과 결합하여 가스 종류 및 농도를 판별한다면 좀 더 신뢰성 있는 센싱이 가능할 것으로 기대된다.A number of sensor arrays using advanced nanomaterials are being developed to increase gas sensitivity selectivity and reliability, and it is expected that more reliable sensing will be possible if these technologies are combined with deep learning to determine gas type and concentration.
기존 가스 센서는 가스에 대한 반응성을 시간에 대해 측정하는 경우가 많다. 가스의 유입과 유출 시간에 맞춰 센서로부터의 반응성을 측정하면 반응 정도가 가스 별로 다르게 나타나게 되며, 이는 가스의 고유한 특성이 되므로 센서로부터의 전기 신호를 통한 가스 종류의 판별이 가능하다. Existing gas sensors often measure responsiveness to gas over time. If you measure the reactivity from the sensor according to the inflow and outflow time of the gas, the degree of response will vary depending on the gas. Since this is a unique characteristic of the gas, it is possible to determine the type of gas through the electrical signal from the sensor.
다만, 시간에 따른 반응성을 통해 가스 종류의 판별을 수행하는 경우, 시간이 지남에 따라 반응성이 낮아질 수 있고, 반응성이 낮은 가스이거나, 반응에 상당한 시간이 필요한 경우 가스를 감지하는 데 시간이 걸릴 수 있다. However, when determining the type of gas based on reactivity over time, the reactivity may decrease over time, and it may take time to detect the gas if it is a low-reactivity gas or if a significant amount of time is required for reaction. there is.
본 발명의 목적은 보다 신뢰도 높게 가스의 종류를 식별하는 가스 센싱 시스템 및 가스 센싱 방법을 제공하는 것이다.The purpose of the present invention is to provide a gas sensing system and a gas sensing method that identify the type of gas with greater reliability.
본 발명의 목적은 보다 신속하게 가스의 종류를 식별하는 가스 센싱 시스템 및 가스 센싱 방법을 제공하는 것이다.The purpose of the present invention is to provide a gas sensing system and gas sensing method that more quickly identifies the type of gas.
본 발명의 목적은 가스의 종류뿐 아니라 가스의 종류 별 비율을 식별하는 가스 센싱 시스템 및 가스 센싱 방법을 제공하는 것이다.The purpose of the present invention is to provide a gas sensing system and a gas sensing method that identifies not only the type of gas but also the ratio of each type of gas.
본 발명의 일 실시예에 따른 딥러닝 기반 가스 센싱 시스템에 있어서, 가스 주입 후 연속적으로 증가하는 전압을 인가하면서 가스 신호를 측정하는 가스 센서; 및 상기 가스 센서로부터 수신한 상기 가스 신호로부터 상기 전압에 따른 신호 특성을 식별하고, 상기 신호 특성에 따라 상기 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 가스 신호에 따른 가스 정보를 식별하는 프로세서를 포함하는 가스 판별 장치;를 포함한다.A deep learning-based gas sensing system according to an embodiment of the present invention includes a gas sensor that measures a gas signal while applying a continuously increasing voltage after gas injection; And based on a deep learning model learned to identify signal characteristics according to the voltage from the gas signal received from the gas sensor and perform calculation of gas information including the type and ratio of the gas according to the signal characteristics. It includes a gas determination device including a processor that identifies gas information according to the gas signal.
상기 프로세서는, 상기 가스 신호로부터 상기 전압에 따른 전류를 식별하고, 상기 전압에 따른 전류를 나타내는 트랜스퍼 커브의 피크점이 나타나는 전압값의 변화, 상기 피크점에 대응하는 전류값의 변화, 상기 트랜스퍼 커브의 폭 변화 및 상기 트랜스퍼 커브의 기울기 변화 중 적어도 하나에 기초하여 상기 신호 특성을 식별할 수 있다. The processor identifies a current according to the voltage from the gas signal, a change in the voltage value at which a peak point of the transfer curve indicating the current according to the voltage appears, a change in the current value corresponding to the peak point, and the change in the transfer curve The signal characteristics may be identified based on at least one of a change in width and a change in slope of the transfer curve.
상기 프로세서는, 상기 가스 신호로부터 상기 전압에 따른 전류를 식별하고, 상기 전압에 따른 전류에 관한 데이터 및 상기 데이터에 대응하는 상기 가스의 종류 및 비율을 학습데이터로 학습하여 상기 딥러닝 모델을 생성할 수 있다. The processor identifies the current according to the voltage from the gas signal, learns data about the current according to the voltage and the type and ratio of the gas corresponding to the data as learning data to generate the deep learning model. You can.
상기 가스 센서는, 기판; 상기 기판 상에 배치되어 상기 가스가 흡착 및 탈착 가능한 물질로 이루어진 유기반도체층; 상기 유기반도체층의 양쪽 상단의 일 영역 위에 각각 배치되는 소스 전극 및 드레인 전극; 상기 전압이 인가되는 게이트 전극;을 포함할 수 있다.The gas sensor includes: a substrate; an organic semiconductor layer disposed on the substrate and made of a material capable of adsorbing and desorbing the gas; a source electrode and a drain electrode respectively disposed on upper regions of both sides of the organic semiconductor layer; It may include a gate electrode to which the voltage is applied.
상기 가스 센서는, 상기 게이트 전극의 전압에 따라 상기 유기반도체층에 상기 가스가 흡착 및 탈착하면서 발생하는 상기 가스 신호를 측정할 수 있다.The gas sensor can measure the gas signal generated when the gas is adsorbed and desorbed on the organic semiconductor layer according to the voltage of the gate electrode.
상기 가스 센서는, 상기 게이트 전극이 상기 기판 아래에 배치되는 바텀 게이트형 가스 센서일 수 있다.The gas sensor may be a bottom gate type gas sensor in which the gate electrode is disposed below the substrate.
본 발명의 일 실시예에 따른 가스 판별 장치에 의한 딥러닝 기반 가스 센싱 방법에 있어서, 가스 주입 후 연속적으로 증가하는 전압을 인가하면서 측정한 가스 신호를 가스 센서로부터 수신하는 단계; 상기 가스 신호로부터 상기 전압에 따른 신호 특성을 식별하는 단계; 상기 신호 특성에 따라 상기 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 가스 신호에 따른 가스 정보를 식별하는 단계;를 포함한다.A deep learning-based gas sensing method using a gas determination device according to an embodiment of the present invention includes the steps of receiving a gas signal measured from a gas sensor while applying a continuously increasing voltage after gas injection; identifying signal characteristics according to the voltage from the gas signal; and identifying gas information according to the gas signal based on a deep learning model learned to perform calculations on gas information including the type and ratio of the gas according to the signal characteristics.
상기 신호 특성을 식별하는 단계는, 상기 가스 신호로부터 상기 전압에 따른 전류를 식별하는 단계; 상기 전압에 따른 전류를 나타내는 트랜스퍼 커브의 피크점이 나타나는 전압값의 변화, 상기 피크점에 대응하는 전류값의 변화, 상기 트랜스퍼 커브의 폭 변화 및 상기 트랜스퍼 커브의 기울기 변화 중 적어도 하나에 기초하여 상기 신호 특성을 식별하는 단계;를 포함할 수 있다.Identifying the signal characteristics may include identifying a current according to the voltage from the gas signal; The signal is based on at least one of a change in the voltage value at which the peak point of the transfer curve representing the current according to the voltage appears, a change in the current value corresponding to the peak point, a change in the width of the transfer curve, and a change in the slope of the transfer curve. It may include a step of identifying characteristics.
상기 가스 정보를 식별하는 단계는, 상기 가스 신호로부터 상기 전압에 따른 전류를 식별하는 단계; 상기 전압에 따른 전류에 관한 데이터 및 상기 데이터에 대응하는 상기 가스의 종류 및 비율을 학습데이터로 학습하여 상기 딥러닝 모델을 생성하는 단계;를 포함할 수 있다.Identifying the gas information may include identifying a current according to the voltage from the gas signal; It may include generating the deep learning model by learning data about the current according to the voltage and the type and ratio of the gas corresponding to the data as learning data.
상기 가스 신호를 수신하는 단계는, 상기 가스 센서가 상기 게이트 전극의 전압에 따라 상기 유기반도체층에 상기 가스가 흡착 및 탈착하면서 발생하는 상기 가스 신호를 측정하는 단계;를 포함할 수 있다.Receiving the gas signal may include the gas sensor measuring the gas signal generated when the gas is adsorbed and desorbed on the organic semiconductor layer according to the voltage of the gate electrode.
본 발명의 일 실시예에 따르면, 딥러닝 기술을 이용하여 보다 신뢰도 높게 가스의 종류 및 가스 비율을 식별할 수 있다. According to an embodiment of the present invention, the type and gas ratio of gas can be identified with greater reliability using deep learning technology.
본 발명의 일 실시예에 따르면, 보다 신속하게 가스의 종류 및 가스 비율을 식별할 수 있다. According to an embodiment of the present invention, the type and gas ratio of the gas can be identified more quickly.
본 발명의 일 실시예에 따르면, 2 이상의 혼합 가스에서의 가스 종류의 선택적 분류가 가능하다.According to one embodiment of the present invention, selective classification of gas types in two or more mixed gases is possible.
본 발명의 일 실시예에 따르면, 가스의 종류와 인가되는 전압의 크기에 따라 나타나는 전기 신호가 다르기 때문에, 딥러닝 기술을 이용하여 파악한 가스 별 전기 신호의 양상을 측정되는 가스 신호에 적용하여 가스의 종류를 확인할 수 있다.According to one embodiment of the present invention, since the electrical signal that appears depending on the type of gas and the magnitude of the applied voltage is different, the aspect of the electrical signal for each gas identified using deep learning technology is applied to the measured gas signal to determine the level of the gas. You can check the type.
도 1은 본 발명의 일 실시예에 따른 가스 센싱 시스템을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 가스 센싱 시스템의 구성을 도시한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 가스 센서를 제작하는 모습을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 가스 판별 장치의 동작 흐름도를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 트랜스퍼 커브를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 모델을 학습하는 가스 판별 장치의 동작 흐름도를 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 가스 센서의 가스 주입 모습을 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 가스 센싱 시스템의 모델 성능 검증을 도시한 도면이다.1 is a schematic diagram showing a gas sensing system according to an embodiment of the present invention.
Figure 2 is a block diagram showing the configuration of a gas sensing system according to an embodiment of the present invention.
Figure 3 is a diagram showing the manufacturing of a gas sensor according to an embodiment of the present invention.
Figure 4 is a diagram illustrating an operation flowchart of a gas discrimination device according to an embodiment of the present invention.
Figure 5 is a diagram showing a transfer curve according to an embodiment of the present invention.
Figure 6 is a diagram illustrating an operation flowchart of a gas discrimination device that learns a deep learning model according to an embodiment of the present invention.
Figure 7 is a diagram showing gas injection into a gas sensor according to an embodiment of the present invention.
Figure 8 is a diagram illustrating model performance verification of a gas sensing system according to an embodiment of the present invention.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the attached drawings. The detailed description set forth below in conjunction with the accompanying drawings is intended to illustrate exemplary embodiments of the invention and is not intended to represent the only embodiments in which the invention may be practiced. In order to clearly explain the present invention in the drawings, parts unrelated to the description may be omitted, and the same reference numerals may be used for identical or similar components throughout the specification.
도 1은 본 발명의 일 실시예에 따른 가스 센싱 시스템을 도시한 개략도이다.1 is a schematic diagram showing a gas sensing system according to an embodiment of the present invention.
도 1에 도시된 가스 센싱 시스템(1)(이하, 시스템(1)이라 한다.)은 가스 센서(100)와 가스 판별 장치(200)를 포함한다. The gas sensing system 1 (hereinafter referred to as system 1) shown in FIG. 1 includes a gas sensor 100 and a gas discrimination device 200.
본 발명의 일 실시예에 따른 가스 센서(100)는 반도체식 가스 센서로, 보다 구체적으로 전계 효과 트랜지스터형(FET, Field Effect Transistor) 가스 센서이다. 본 발명에 따른 반도체식 가스 센서는 뛰어난 감도와 선택성을 갖는다. The gas sensor 100 according to an embodiment of the present invention is a semiconductor gas sensor, and more specifically, a field effect transistor (FET) gas sensor. The semiconductor gas sensor according to the present invention has excellent sensitivity and selectivity.
본 발명의 일 실시예에 따르면, 가스 센서(100)에 가스가 주입되는 경우, 가스 센서의 게이트 전극에 연속적으로 증가하는 전압(이하, 스윕 전압이라고도 한다.)을 인가하고, 인가되는 전압에 따라 가스 센서의 센싱면에 주입된 가스의 분자들이 흡착과 탈착을 반복하면서 발생하는 가스 신호를 측정할 수 있다. According to an embodiment of the present invention, when gas is injected into the gas sensor 100, a continuously increasing voltage (hereinafter also referred to as a sweep voltage) is applied to the gate electrode of the gas sensor, and the voltage is applied according to the applied voltage. Gas signals generated as molecules of gas injected into the sensing surface of a gas sensor repeat adsorption and desorption can be measured.
이때, 가스 분자들이 흡착과 탈착을 하는 센싱면은 산화금속(Metal Oxide), 그래핀(Graphene), 탄소나노튜브(CNT) 등을 이용하여 형성되는 유기반도체층을 의미한다. At this time, the sensing surface where gas molecules adsorb and desorb refers to an organic semiconductor layer formed using metal oxide, graphene, carbon nanotubes (CNT), etc.
보다 구체적인 가스 센서(100)의 구조 및 제작 방법에 대해서는 도 3을 참조하여 설명한다. A more detailed structure and manufacturing method of the gas sensor 100 will be described with reference to FIG. 3.
본 발명의 일 실시예에 따른 가스 판별 장치(200)는 가스 센서(100)가 측정한 가스 신호를 이용하여 실제 가스 센서(100)에 주입된 가스를 판별하는 장치로써, 컴퓨터, 서버 등으로 구현될 수 있다. The gas determination device 200 according to an embodiment of the present invention is a device that determines the gas actually injected into the gas sensor 100 using the gas signal measured by the gas sensor 100, and is implemented with a computer, server, etc. It can be.
본 발명에서는 가스 신호의 신호 특성을 딥러닝을 이용하여 학습하고, 학습된 딥러닝 모델에 기초하여 실제 가스 센서(100)에 주입된 가스의 종류 및 비율을 식별하는 방법에 대해 제안한다. The present invention proposes a method of learning the signal characteristics of a gas signal using deep learning and identifying the type and ratio of gas actually injected into the gas sensor 100 based on the learned deep learning model.
본 발명에서는, 게이트 전압을 이용하여 단일 및 혼합 가스의 식별이 가능하며, 시간을 이용한 측정보다 빠른 반응 특성 결과를 얻는 것이 가능하다. 또한 효율적인 딥러닝 모델을 접목하여 다양한 비율로 혼합된 혼합 가스에 대한 가스 종류 판별 또한 가능하므로 더 넓은 분야에서의 활용이 가능하다.In the present invention, it is possible to identify single and mixed gases using gate voltage, and it is possible to obtain response characteristics results faster than measurements using time. In addition, by applying an efficient deep learning model, it is possible to determine the type of gas for mixed gases mixed at various ratios, so it can be used in a wider range of fields.
이하, 도면들을 참조하여 본 발명의 일 실시예에 따른 가스 센싱 시스템의 구성 및 동작에 대해 구체적으로 설명한다. Hereinafter, the configuration and operation of a gas sensing system according to an embodiment of the present invention will be described in detail with reference to the drawings.
도 2는 본 발명의 일 실시예에 따른 가스 센싱 시스템의 구성을 도시한 블럭도이다.Figure 2 is a block diagram showing the configuration of a gas sensing system according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 가스 판별 장치(200)는 입력부(210), 통신부(220), 표시부(230), 메모리(240) 및 프로세서(250)를 포함한다.The gas determination device 200 according to an embodiment of the present invention includes an input unit 210, a communication unit 220, a display unit 230, a memory 240, and a processor 250.
입력부(210)는 가스 판별 장치(200)의 사용자 입력에 대응하여 입력데이터를 발생시킨다. 사용자 입력은 가스 정보의 식별에 관한 사용자 입력을 포함할 수 있다. 가스 정보 식별에 관한 사용자 입력은, 예를 들어, 딥러닝 모델을 형성하기 위한 레이어 구성, 파라미터에 대한 입력 등 가스 정보 식별과 관련된 입력이라면 제한 없이 적용 가능하다. The input unit 210 generates input data in response to user input of the gas determination device 200. User input may include user input regarding identification of gas information. User input related to gas information identification can be applied without limitation as long as it is input related to gas information identification, for example, layer configuration for forming a deep learning model, input for parameters, etc.
입력부(210)는 적어도 하나의 입력수단을 포함한다. 입력부(210)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.The input unit 210 includes at least one input means. The input unit 210 includes a keyboard, key pad, dome switch, touch panel, touch key, mouse, menu button, etc. may include.
통신부(220)는 데이터를 수신하기 위해 가스 센서(100) 등 외부장치와의 통신을 수행한다. 이를 위해, 통신부(220)는 5G(5th generation communication), LTE-A(long term evolution-advanced), LTE(long term evolution), Wi-Fi(wireless fidelity) 등의 통신을 수행할 수 있다.The communication unit 220 performs communication with an external device such as the gas sensor 100 to receive data. To this end, the communication unit 220 may perform communications such as 5th generation communication (5G), long term evolution-advanced (LTE-A), long term evolution (LTE), and wireless fidelity (Wi-Fi).
표시부(230)는 가스 판별 장치(200)의 동작에 따른 표시 데이터를 표시한다. 표시부(230)는 가스 정보 식별에 관한 표시데이터를 표시할 수 있다. 가스 정보 식별에 관한 표시데이터란, 예를 들어, 입력데이터를 입력하기 위한 화면, 진행 상황을 표시하는 화면, 식별한 가스 정보를 표시하는 화면 등 가스 정보 식별과 관련된 표시데이터라면 제한 없이 적용 가능하다. The display unit 230 displays display data according to the operation of the gas determination device 200. The display unit 230 can display display data related to gas information identification. Display data related to gas information identification can be applied without limitation if it is display data related to gas information identification, for example, a screen for inputting input data, a screen displaying progress, or a screen displaying identified gas information. .
표시부(230)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(230)는 입력부(210)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.The display unit 230 includes a liquid crystal display (LCD), a light emitting diode (LED) display, an organic light emitting diode (OLED) display, and a micro electro mechanical systems (MEMS) display. and electronic paper displays. The display unit 230 may be combined with the input unit 210 and implemented as a touch screen.
메모리(240)는 가스 판별 장치(200)의 동작 프로그램들을 저장한다. 메모리(240)는 전원의 제공 유무와 무관하게 데이터(정보)를 보존할 수 있는 비휘발성 속성의 스토리지(storage)와, 프로세서(250)에 의해 처리되기 위한 데이터가 로딩되며 전원이 제공되지 않으면 데이터를 보존할 수 없는 휘발성 속성의 메모리(memory)를 포함한다. 스토리지에는 플래시메모리(flash-memory), HDD(hard-disc drive), SSD(solid-state drive) ROM(Read Only Memory) 등이 있으며, 메모리에는 버퍼(buffer), 램(RAM; Random Access Memory) 등이 있다.The memory 240 stores operation programs of the gas determination device 200. The memory 240 is a non-volatile storage that can preserve data (information) regardless of whether power is provided, and data to be processed by the processor 250 is loaded. If power is not provided, the data is stored. Contains memory with volatile properties that cannot be preserved. Storage includes flash memory, HDD (hard-disc drive), SSD (solid-state drive), ROM (Read Only Memory), etc., and memory includes buffer and RAM (Random Access Memory). etc.
메모리(240)는 가스 센서(100)로부터 수신한 정보 등을 저장할 수 있다. 또한, 메모리(240)는 신호 특성에 따라 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 관한 정보를 저장할 수 있다.The memory 240 may store information received from the gas sensor 100, etc. Additionally, the memory 240 may store information about a deep learning model learned to calculate gas information including the type and ratio of gas according to signal characteristics.
프로세서(250)는 프로그램 등 소프트웨어를 실행하여 가스 판별 장치(200)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.The processor 250 may control at least one other component (eg, hardware or software component) of the gas determination device 200 by executing software such as a program, and may perform various data processing or calculations.
한편, 프로세서(250)는 가스 센서(100)로부터 연속적으로 증가하는 전압을 인가하면서 측정한 가스 신호를 수신하고, 수신한 가스 신호로부터 전압에 따른 신호 특성을 식별하고, 신호 특성에 따라 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 수신한 가스 신호에 따른 가스 정보를 식별할 수 있다. Meanwhile, the processor 250 receives a gas signal measured while applying a continuously increasing voltage from the gas sensor 100, identifies signal characteristics according to the voltage from the received gas signal, and types of gas according to the signal characteristics. And gas information according to the received gas signal can be identified based on a deep learning model learned to perform calculations on gas information including ratios.
이때, 프로세서(250)는 가스 센서(100)로부터 연속적으로 증가하는 전압을 인가하면서 측정한 가스 신호를 수신하고, 수신한 가스 신호로부터 전압에 따른 신호 특성을 식별하고, 신호 특성에 따라 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 수신한 가스 신호에 따른 가스 정보를 식별하기 위한 데이터 분석, 처리, 및 결과 정보 생성 중 적어도 일부를 규칙 기반 또는 인공지능(Artificial Intelligence) 알고리즘으로서 기계학습, 신경망 네트워크(neural network), 또는 이를 이용한 딥러닝 알고리즘 중 적어도 하나를 이용하여 수행할 수 있다. 신경망 네트워크의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network)과 같은 모델을 포함할 수 있다.At this time, the processor 250 receives a gas signal measured while applying a continuously increasing voltage from the gas sensor 100, identifies signal characteristics according to the voltage from the received gas signal, and types of gas according to the signal characteristics. and rule-based or artificial intelligence for at least part of data analysis, processing, and resulting information generation to identify gas information according to the received gas signal based on a deep learning model learned to perform operations on gas information including ratios. (Artificial Intelligence) algorithm, which can be performed using at least one of machine learning, neural network, or deep learning algorithm using it. Examples of neural networks may include models such as Convolutional Neural Network (CNN), Deep Neural Network (DNN), and Recurrent Neural Network (RNN).
도 3은 본 발명의 일 실시예에 따른 가스 센서를 제작하는 모습을 도시한 도면이다.Figure 3 is a diagram showing the manufacturing of a gas sensor according to an embodiment of the present invention.
도 3에 도시된 화살표 순으로 가스 센서(100)의 제작 방법을 설명한다.The manufacturing method of the gas sensor 100 will be described in the order of the arrows shown in FIG. 3.
먼저, 본 발명의 일 실시예에 따른 기판(110)은 센서 활성 채널과 감지 전극을 지지할 수 있는 것이라면 제한되지 않으며, SiO2 및 Si 질화물, 세라믹, 플라스틱 기판 등으로부터 선택될 수 있다. 기판(110)이 산화막을 형성하는 성질이 있는 물질, 예를 들어, Si와 같은 물질로 이루어진 경우, 기판층(111)과 기판산화막층(112)으로 이루어질 수 있다. 이하, 설명의 편의상 이들을 묶어서 기판(110)이라 한다. First, the substrate 110 according to an embodiment of the present invention is not limited as long as it can support the sensor active channel and the sensing electrode, and may be selected from SiO2, Si nitride, ceramic, and plastic substrates. If the substrate 110 is made of a material that has the property of forming an oxide film, for example, Si, it may be composed of a substrate layer 111 and a substrate oxide film layer 112. Hereinafter, for convenience of explanation, these are collectively referred to as the substrate 110.
그 다음, 고감도 가스 센서(100)를 제작하기 위하여 기판(110) 상에 유기반도체층(120)을 배치한다. 유기반도체층(120)은 앞서 서술한 바와 같이, 가스가 흡착 및 탈착 가능한 물질로 이루어질 수 있으며, 예를 들어, 산화금속, 그래핀, 탄소나노튜브 등으로 형성될 수 있다. Next, an organic semiconductor layer 120 is placed on the substrate 110 to manufacture the highly sensitive gas sensor 100. As described above, the organic semiconductor layer 120 may be made of a material capable of adsorbing and desorbing gas, and may be formed of, for example, metal oxide, graphene, or carbon nanotubes.
이때, 유기반도체층(120)이 그래핀으로 이루어지는 경우, 화학기상 증착법(CVD, Chemical vapor deposition)으로 제작된 그래핀을 습식 이송(Wet transfer) 방법을 사용하여 기판(110) 위에 전사할 수 있다. At this time, when the organic semiconductor layer 120 is made of graphene, graphene produced by chemical vapor deposition (CVD) can be transferred onto the substrate 110 using a wet transfer method. .
유기반도체층(120)을 형성하고 난 뒤에는, 기판층(111)을 식각하고, 게이트 전극으로 사용할 금속 전극을 고르게 증착해준다. 이때, 게이트 전극은 절연막 아래에 형성하며 Au, Si, Ti 과 같은 소재를 이용하여 균일하고 넓은 층으로 형성될 수 있다. After forming the organic semiconductor layer 120, the substrate layer 111 is etched, and a metal electrode to be used as a gate electrode is evenly deposited. At this time, the gate electrode is formed under the insulating film and can be formed as a uniform and wide layer using materials such as Au, Si, and Ti.
도 3에 도시된 가스 센서(100)는 게이트 전극(130)이 기판(110) 아래에 배치되는 바텀 게이트형 가스 센서이다. 다만, 게이트 전극(130)이 기판(110) 아래에 배치하는 것은 기판(110)상에 형성된 유기반도체층(120)의 표면적을 넓혀 주입된 가스의 반응성을 높이기 위함일 뿐이므로, 본 발명은 바텀 게이트형 가스 센서에 한정되지 않고, 탑 게이트형 가스 센서에도 얼마든지 적용 가능하다. The gas sensor 100 shown in FIG. 3 is a bottom gate type gas sensor in which the gate electrode 130 is disposed below the substrate 110. However, the reason the gate electrode 130 is disposed below the substrate 110 is only to increase the reactivity of the injected gas by increasing the surface area of the organic semiconductor layer 120 formed on the substrate 110. Therefore, the present invention is a bottom It is not limited to gate-type gas sensors, but can also be applied to top-gate gas sensors.
탑 게이트형 가스 센서를 구현하고자 하는 경우는, 유기반도체층(120) 위 일 영역에 절연층을 배치하고, 절연층 위에 탑 게이트 전극을 배치함으로써 구현될 수 있을 것이다.If a top gate type gas sensor is to be implemented, it may be implemented by placing an insulating layer in an area on the organic semiconductor layer 120 and placing a top gate electrode on the insulating layer.
이후, 소스 전극(140) 및 드레인 전극(150)을 유기반도체층(120)의 양쪽 상단의 일 영역 위에 각각 배치된다. 이때, 탑 게이트 전극형 가스 센서의 경우, 탑 게이트 전극과 소스 전극(140) 및 드레인 전극(150)은 서로 다른 유기반도체층(120)의 일 영역에 배치된다.Thereafter, the source electrode 140 and the drain electrode 150 are respectively disposed on one area at both upper ends of the organic semiconductor layer 120 . At this time, in the case of a top gate electrode type gas sensor, the top gate electrode, the source electrode 140, and the drain electrode 150 are disposed in one region of the organic semiconductor layer 120.
소스 전극(140) 및 드레인 전극(150)을 형성하기 위해 전자빔 리소그래피(e-beam lithography) 또는 포토리소그래피(photolithography)를 이용할 수 있으며, 합금 또는 접착금속을 증착하여 형성한다. 소스 전극(140) 및 드레인 전극(150)은 Au, Ag, Al 또는 이들의 합금 그리고 접착성을 향상시키기 위한 Cr, Ti과 같은 접착 금속층으로 형성될 수 있다. To form the source electrode 140 and the drain electrode 150, e-beam lithography or photolithography can be used, and they are formed by depositing an alloy or adhesive metal. The source electrode 140 and the drain electrode 150 may be formed of Au, Ag, Al, or an alloy thereof, and an adhesive metal layer such as Cr or Ti to improve adhesiveness.
도 4는 본 발명의 일 실시예에 따른 가스 판별 장치의 동작 흐름도를 도시한 도면이다.Figure 4 is a diagram illustrating an operation flowchart of a gas discrimination device according to an embodiment of the present invention.
본 발명의 일 실시예에 따르면, 프로세서(250)는 가스 주입 후 연속적으로 증가하는 전압을 인가하면서 측정한 가스 신호를 가스 센서(100)로부터 수신할 수 있다(S10).According to one embodiment of the present invention, the processor 250 may receive a gas signal measured while applying a continuously increasing voltage after gas injection from the gas sensor 100 (S10).
이때, 가스는 단일 가스, 복수의 가스가 혼합된 가스를 제한하지 않으며, 혼합 가스의 경우 그 비율이 서로 다른 경우도 포함한다. At this time, the gas is not limited to a single gas or a mixture of multiple gases, and in the case of mixed gas, it also includes cases where the ratios are different.
가스 센서(100)의 게이트 전극(130)에 연속적으로 증가하는 전압을 인가하면, 전압 인가에 따른 유기반도체층(120)의 특성 변화에 따라 가스가 유기반도체층(120)에 흡착 또는 탈착하게 된다. When a continuously increasing voltage is applied to the gate electrode 130 of the gas sensor 100, the gas is adsorbed or desorbed to the organic semiconductor layer 120 according to changes in the characteristics of the organic semiconductor layer 120 according to the voltage application. .
가스가 유기반도체층(120)에 흡착 또는 탈착하는 과정에서 가스 신호가 변형된다. 보다 구체적으로, 가스는 유기반도체층(120)에서 화학 결합을 통해 전자 혹은 전공을 주고받으며 가스 센서(100) 자체의 저항을 조절하여 각 가스별로 상이한 신호를 형성한다. 가스 신호의 변형의 정도나 후술할 가스 신호의 신호 특성은 유기반도체층(120)을 이루는 물질에 따라 달라질 수 있다.In the process of adsorption or desorption of gas to the organic semiconductor layer 120, the gas signal is transformed. More specifically, the gas exchanges electrons or electrons through chemical bonds in the organic semiconductor layer 120 and adjusts the resistance of the gas sensor 100 itself to form different signals for each gas. The degree of deformation of the gas signal or the signal characteristics of the gas signal, which will be described later, may vary depending on the material forming the organic semiconductor layer 120.
본 발명의 일 실시예에 따르면, 프로세서(250)는 가스 신호로부터 전압에 따른 신호 특성을 식별할 수 있다(S20). According to one embodiment of the present invention, the processor 250 can identify signal characteristics according to voltage from the gas signal (S20).
프로세서(250)는 가스 신호로부터 전압에 따른 전류를 식별할 수 있다. 보다 구체적으로, 프로세서(250)는 게이트 전극(130)의 전압(이하, 본 명세서에서 전압이라고도 한다.)에 따른 드레인 전극(150) 및 소스 전극(140) 간 전류(이하, 본 명세서에서 전류라고도 한다.)를 식별할 수 있다. 전압과 전류 간의 관계는 도 5에서 후술할 트랜스퍼 커브(tranfer curve)로 나타낼 수 있다. The processor 250 may identify current according to voltage from the gas signal. More specifically, the processor 250 generates a current (hereinafter, also referred to as current in this specification) between the drain electrode 150 and the source electrode 140 according to the voltage of the gate electrode 130 (hereinafter, also referred to as voltage in this specification). ) can be identified. The relationship between voltage and current can be represented by a transfer curve, which will be described later in FIG. 5.
전압에 따른 신호 특성이란, 전압과 전류 간의 관계를 도시한 트랜스퍼 커브에서 발견할 수 있는 특성으로, 트랜스퍼 커브의 파형 특징을 포함한다. 다만, 신호 특성은 반드시 트랜스퍼 커브로 나타내야만 식별할 수 있는 것은 아니다. 단지, 트랜스퍼 커브를 통해 직관적으로 신호 특성을 알 수 있을 뿐이다. 본 발명의 딥러닝 모델에서는 전기 신호인 가스 신호를 입력하여 신호 특성을 피처(feature)로 추출하여 학습한다. Signal characteristics according to voltage are characteristics that can be found in a transfer curve showing the relationship between voltage and current, and include waveform characteristics of the transfer curve. However, signal characteristics cannot be identified only when expressed as a transfer curve. However, you can only intuitively know the signal characteristics through the transfer curve. In the deep learning model of the present invention, a gas signal, which is an electric signal, is input, and signal characteristics are extracted and learned as features.
본 발명의 일 실시예에 따르면, 프로세서(250)는 전압에 따른 전류를 나타내는 트랜스퍼 커브의 피크점이 나타나는 전압값의 변화, 피크점에 대응하는 전류값의 변화, 트랜스퍼 커브의 폭 변화 및 트랜스퍼 커브의 기울기 변화 중 적어도 하나에 기초하여 신호 특성을 식별할 수 있다. 이때, 변화는 감지하고자 하는 가스를 주입하기 전과 주입하고 난 후의 변화를 의미할 수 있다. 이때, 트랜스퍼 커브의 기울기 변화는 피크점 전후의 기울기 변화를 의미할 수 있다. According to one embodiment of the present invention, the processor 250 changes the voltage value at which the peak point of the transfer curve indicating the current according to the voltage appears, the change in the current value corresponding to the peak point, the change in the width of the transfer curve, and the change in the transfer curve. Signal characteristics may be identified based on at least one of the slope changes. At this time, the change may mean the change before and after injecting the gas to be sensed. At this time, a change in the slope of the transfer curve may mean a change in slope before and after the peak point.
이때, 가스를 주입하기 전에도 게이트 전극(130)에 전압을 인가하는 경우, 산소나 질소와 같이 기본적으로 존재하는 가스들이 반응하여 가스 신호를 획득할 수 있고, 가스 신호를 통해 트랜스퍼 커브를 획득할 수 있다. 이때, 산소나 질소는 가스 센서(100)가 보다 정확한 측정을 하도록 가스를 주입하기 전 가스 센서(100)를 청소하는 퍼징(purging) 작업에 이용되는 가스일 수 있다. 따라서, 가스를 주입하기 전 획득한 트랜스퍼 커브와 가스를 주입하고 난 후 획득한 트랜스퍼 커브를 비교하여 신호 특성을 식별할 수 있다. At this time, when a voltage is applied to the gate electrode 130 even before gas is injected, gas signals can be obtained by reacting basic gases such as oxygen or nitrogen, and a transfer curve can be obtained through the gas signal. there is. At this time, oxygen or nitrogen may be a gas used in a purging operation to clean the gas sensor 100 before injecting gas so that the gas sensor 100 can make more accurate measurements. Therefore, signal characteristics can be identified by comparing the transfer curve obtained before gas injection with the transfer curve obtained after gas injection.
본 발명의 일 실시예에 따르면, 프로세서(250)는 신호 특성에 따라 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 수신한 가스 신호에 따른 가스 정보를 식별할 수 있다(S30). According to one embodiment of the present invention, the processor 250 provides gas information according to the received gas signal based on a deep learning model learned to calculate gas information including the type and ratio of gas according to signal characteristics. Can be identified (S30).
본 발명의 일 실시예에 따르면, 게이트 전극(130)에 인가되는 전압의 크기에 따라 전류의 크기가 변화하고, 유기반도체층(120)과의 반응 정도에 따라 신호 특성이 달라지므로, 이들을 학습데이터로 학습된 딥러닝 모델을 이용할 수 있다. According to one embodiment of the present invention, the magnitude of the current changes depending on the magnitude of the voltage applied to the gate electrode 130, and the signal characteristics vary depending on the degree of reaction with the organic semiconductor layer 120, so these are used as learning data. You can use a deep learning model learned with .
본 발명의 일 실시예에 따르면, 신호 특성에 포함되는 피크값은 데이터의 특징을 추출하여 학습하는 딥러닝 모델을 이용하는 데 효과적이다. According to one embodiment of the present invention, the peak value included in the signal characteristics is effective in using a deep learning model that extracts and learns the characteristics of the data.
이때, 프로세서(250)가 딥러닝 모델을 학습하거나, 기 학습되어 생성된 딥러닝 모델을 외부로부터 수신 및 저장하여 이용할 수 있으며 어느 하나에 한정되는 것은 아니다. 프로세서(250)가 딥러닝 모델을 학습하는 경우의 동작에 관하여는 도 6 및 도 8과 관련하여 설명한다.At this time, the processor 250 can learn a deep learning model, or receive and store a pre-learned and generated deep learning model from the outside and use it, but is not limited to either one. Operations when the processor 250 learns a deep learning model will be described with reference to FIGS. 6 and 8.
본 발명의 일 실시예에 따르면, 가스의 종류와 인가되는 전압의 크기에 따라 나타나는 전기 신호가 다르기 때문에, 딥러닝 기술을 이용하여 파악한 가스 별 전기 신호의 양상을 측정되는 가스 신호에 적용하여 가스의 종류를 확인할 수 있다.According to one embodiment of the present invention, since the electrical signal that appears depending on the type of gas and the magnitude of the applied voltage is different, the aspect of the electrical signal for each gas identified using deep learning technology is applied to the measured gas signal to determine the level of the gas. You can check the type.
본 발명의 일 실시예에 따르면, 딥러닝 기술을 이용하여 보다 신뢰도 높게 가스의 종류 및 가스 비율을 식별할 수 있다. According to an embodiment of the present invention, the type and gas ratio of gas can be identified with greater reliability using deep learning technology.
본 발명의 일 실시예에 따르면, 보다 신속하게 가스의 종류 및 가스 비율을 식별할 수 있다. According to an embodiment of the present invention, the type and gas ratio of the gas can be identified more quickly.
도 5는 본 발명의 일 실시예에 따른 트랜스퍼 커브를 도시한 도면이다.Figure 5 is a diagram showing a transfer curve according to an embodiment of the present invention.
도 5는 게이트 전극(130)의 전압(Vg)과 드레인 전극(150) 및 소스 전극(140) 간 전류(Ids)의 관계를 나타낸 그래프(500)를 도시한다. 그래프(500)는 가스를 주입하기 전의 트랜스퍼 커브(510)와 가스를 주입하고 난 후의 트랜스퍼 커브(520)를 도시한다. FIG. 5 shows a graph 500 showing the relationship between the voltage (Vg) of the gate electrode 130 and the current (Ids) between the drain electrode 150 and the source electrode 140. The graph 500 shows a transfer curve 510 before gas injection and a transfer curve 520 after gas injection.
앞서 도 4의 S20에서 설명한 바와 같이, 트랜스퍼 커브(520)는 가스 신호의 신호 특성을 나타낸다. As previously described in S20 of FIG. 4, the transfer curve 520 represents the signal characteristics of the gas signal.
예를 들어, 트랜스퍼 커브(520)의 피크점(521)에서 전압은 가스를 주입하기 전 트랜스퍼 커브(510)의 피크점(511)에서 전압보다 높다. 또한, 트랜스퍼 커브(520)의 피크점(521)에서 전류는 가스를 주입하기 전 트랜스퍼 커브(510)의 피크점(511)에서 전류보다 높다. 이 외에도, 직관적으로 판단하기는 어렵지만, 트랜스퍼 커브(510, 520)간의 기울기 변화 등 파형의 양상을 딥러닝으로 학습하여 가스 주입에 따른 신호 특성을 식별할 수 있다.For example, the voltage at the peak point 521 of the transfer curve 520 is higher than the voltage at the peak point 511 of the transfer curve 510 before gas injection. Additionally, the current at the peak point 521 of the transfer curve 520 is higher than the current at the peak point 511 of the transfer curve 510 before gas injection. In addition, although it is difficult to judge intuitively, signal characteristics according to gas injection can be identified by learning waveform aspects, such as the change in slope between the transfer curves 510 and 520, through deep learning.
본 발명의 일 실시예에 따르면, 가스 센서(100)를 통해 획득한 가스 신호는 트랜스퍼 커브의 피크의 중립점의 전류 변화와 폭 변화 그리고 커브 자체의 오프셋 정도가 다르게 나타나는데, 이는 각 가스의 종류에 따라서 고유한 출력 전압을 가지기 때문이며 이를 통해 가스 종류를 식별할 수 있다. 하지만, 이러한 데이터를 기반으로 인간이 직관적으로 그 위치와 깊이 그리고 변화 양상을 보고 서로 다른 가스 종류를 구별할 수 없기 때문에 딥러닝을 활용한 분석의 필요성을 확인할 수 있다.According to one embodiment of the present invention, the gas signal acquired through the gas sensor 100 shows different current changes and width changes at the neutral point of the peak of the transfer curve and the degree of offset of the curve itself, which varies depending on the type of gas. Therefore, it has a unique output voltage, through which the type of gas can be identified. However, based on these data, the need for analysis using deep learning can be confirmed because humans cannot intuitively distinguish between different gas types by looking at the location, depth, and change pattern.
도 6은 본 발명의 일 실시예에 따른 딥러닝 모델을 학습하는 가스 판별 장치의 동작 흐름도를 도시한 도면이다. Figure 6 is a diagram illustrating an operation flowchart of a gas discrimination device that learns a deep learning model according to an embodiment of the present invention.
본 도면은 도 4의 S30에서 설명한 딥러닝 모델을 프로세서(250)가 학습하는 경우 동작 흐름도를 도시한다. This figure shows an operation flowchart when the processor 250 learns the deep learning model described in S30 of FIG. 4.
가스 센서로부터 측정된 가스 신호는 가스의 종류에 따라, 혼합 가스의 경우에는 혼합 가스의 종류와 비율에 따라 특정 게이트 전압에서 피크점이 나타난다. 본 발명의 기술은 이와 같이 가스 신호의 신호 특성을 딥러닝으로 학습 및 판별하는 것으로, 먼저 가스 센서로부터 측정된 가스 신호를 1차원 벡터 형태의 데이터로 저장한다(S31). 이때, 1차원 벡터 형태의 데이터는 가스 신호의 게이트 전극(130)의 전압에 따른 드레인 전극(150) 및 소스 전극(140) 간 전류를 의미하는 것일 수 있다. The gas signal measured from the gas sensor has a peak point at a specific gate voltage depending on the type of gas, and in the case of mixed gas, depending on the type and ratio of the mixed gas. The technology of the present invention learns and determines the signal characteristics of the gas signal using deep learning, and first stores the gas signal measured from the gas sensor as data in the form of a one-dimensional vector (S31). At this time, the data in the form of a one-dimensional vector may mean the current between the drain electrode 150 and the source electrode 140 according to the voltage of the gate electrode 130 of the gas signal.
그 다음, 데이터를 증강 방식으로 늘린 후 훈련 세트와 테스트 세트로 분할한다(S32). Next, the data is increased by augmentation and divided into a training set and a test set (S32).
데이터를 증강 방식으로 늘리는 것은, 데이터의 고유한 특성은 유지하면서 값의 미세한 변화 등을 야기해 데이터의 수를 늘리는 것이다. 이를 통해, 학습 데이터를 풍부하게 할 수 있으며, 학습의 효과를 극대화한다. Increasing data through augmentation means increasing the number of data by causing subtle changes in values while maintaining the unique characteristics of the data. Through this, learning data can be enriched and the effectiveness of learning is maximized.
그리고, 가스의 종류 및 비율을 클래스(정답)로 훈련 세트를 이용하여 딥러닝 모델을 학습한다(S33). 이때, 단일 및 혼합 가스는 각각의 케이스별로 원 핫 엔코딩을 통해 클래스(정답)를 부여한다. 딥러닝 모델은 1차원 CNN(Convolutional Neural Network) 기술로 구성되며 컴퓨터 스스로 커널을 통해 스캔하는 과정으로 데이터 특성을 추출한다. Then, a deep learning model is learned using a training set with the type and ratio of gas as the class (correct answer) (S33). At this time, a class (correct answer) is assigned to single and mixed gases through one-hot encoding for each case. The deep learning model consists of one-dimensional CNN (Convolutional Neural Network) technology, and data characteristics are extracted through the computer itself through the process of scanning through the kernel.
본 발명의 일 실시예에 따른 1차원 CNN 기법은 합성곱을 통해 레이어가 거듭될수록 학습 데이터의 고유한 피크 특성을 식별하면서 피크 부분의 데이터 위주로 입력이 되어 파라미터의 수가 적어지는 바 효율적이다. 이때, 학습 데이터의 고유한 피크 특성은 가스 신호의 신호 특성일 수 있다.The one-dimensional CNN technique according to an embodiment of the present invention is efficient because it identifies the unique peak characteristics of the learning data as layers are layered through convolution and inputs mainly data from the peak portion, thereby reducing the number of parameters. At this time, the unique peak characteristics of the learning data may be the signal characteristics of the gas signal.
그리고, 테스트 세트를 통해 모델 성능을 검증하고, 이를 기초로 모델을 최적화한다(S34).Then, the model performance is verified through the test set, and the model is optimized based on this (S34).
학습을 기반으로 최적화된 모델에 테스트 세트를 통해 임의의 단일 및 혼합 가스의 가스 신호를 입력하면 단일 및 혼합 가스의 종류 및 비율을 판별하게 된다. 모델의 성능은 혼돈 행렬(Confusion Matrix)과 정확도(Accuracy)를 통해 검증될 수 있다. 모델 성능 검증에 대한 일 예가 도 8에 도시되어 있다. By inputting gas signals of arbitrary single and mixed gases through a test set into the model optimized based on learning, the type and ratio of single and mixed gases are determined. The performance of the model can be verified through the confusion matrix and accuracy. An example of model performance verification is shown in Figure 8.
또한, 딥러닝 기술의 혼돈 행렬을 이용하여 딥러닝 모델의 성능 검증과 함께 가스 센서(100)의 정확도를 측정할 수 있기 때문에, 가스 센서(100)의 최적화 상태를 확인할 수 있다.In addition, since the accuracy of the gas sensor 100 can be measured along with the performance verification of the deep learning model using the confusion matrix of deep learning technology, the optimized state of the gas sensor 100 can be confirmed.
도 7은 본 발명의 일 실시예에 따른 가스 센서의 가스 주입 모습을 도시한 도면이다.Figure 7 is a diagram showing gas injection into a gas sensor according to an embodiment of the present invention.
다중 반도체식 가스 센서(100)는 앞서 도 3에서 설명한 가스 신호를 감지하는 FET 소자 이외에도, 가스를 주입하는 공간을 제공하는 챔버, 챔버 내부의 작동온도 및 습도 조건을 조절하는 컨트롤러, 챔버 내에 가스를 주입할 수 있는 MFC(Mass Flow Controller)를 더 포함할 수 있다. In addition to the FET element that detects the gas signal previously described in FIG. 3, the multi-semiconductor gas sensor 100 includes a chamber that provides a space for injecting gas, a controller that controls the operating temperature and humidity conditions inside the chamber, and a device that supplies gas into the chamber. It may further include an injectable Mass Flow Controller (MFC).
샘플이 로딩된 챔버 내부의 작동온도 및 습도 조건을 컨트롤러를 통해 형성한다. 단일 가스 또는 2이상의 가스가 특정 비율로 섞인 혼합가스를 컨트롤러와 MFC를 통해 챔버 내에 주입한다.The operating temperature and humidity conditions inside the chamber where the sample is loaded are established through a controller. A single gas or a mixed gas of two or more gases mixed at a specific ratio is injected into the chamber through the controller and MFC.
도 7에 도시된 제1상황(710)을 살펴보면, MFC는 챔버 내 가스(711)를 주입하고, 동시에 가스 센서(100)는 게이트 전극(130)에 전압을 인가하고 측정되는 전류 또는 저항값을 조사한다. 이때, 투입된 가스(711)는 그래핀 채널에서 화학 결합을 통해 전자 혹은 전공을 주고받으며 가스 센서(100) 자체의 저항을 조절하여 각 가스별로 상이한 신호를 형성한다.Looking at the first situation 710 shown in FIG. 7, the MFC injects gas 711 into the chamber, and at the same time, the gas sensor 100 applies a voltage to the gate electrode 130 and measures the current or resistance value. Investigate. At this time, the input gas 711 exchanges electrons or holes through chemical bonds in the graphene channel and adjusts the resistance of the gas sensor 100 itself to form different signals for each gas.
제2상황(720)은 가스 주입 전, 혹은 가스 주입에 따른 가스 신호 측정 후 챔버 내부를 퍼징하는 상황을 나타낸다. 퍼징 작업을 통해 챔버 내부에 남아있는 잔여 가스(722)들을 제거할 수 있으므로, 보다 정확한 가스 센싱이 가능하다. The second situation 720 represents a situation in which the inside of the chamber is purged before gas injection or after measuring a gas signal according to gas injection. Since the residual gas 722 remaining inside the chamber can be removed through the purging operation, more accurate gas sensing is possible.
도 8은 본 발명의 일 실시예에 따른 가스 센싱 시스템의 모델 성능 검증을 도시한 도면이다.Figure 8 is a diagram illustrating model performance verification of a gas sensing system according to an embodiment of the present invention.
도 8은 가스 센서(100)를 통해 측정된 가스 신호를 본 발명의 일 실시예에 따른 딥러닝 모델을 이용하여 가스 종류 및 비율을 분석 및 예측한 성능 평가를 나타낸 것이다. Figure 8 shows a performance evaluation of analyzing and predicting the gas type and ratio of the gas signal measured through the gas sensor 100 using a deep learning model according to an embodiment of the present invention.
그래프(800)는 서로 다른 가스인 A, B, C 가스를 각각 축으로 두고, 각 가스의 비율에 따른 모델 성능 평가를 나타낸 것이다. 예를 들어, B 가스와 C 가스가 각각 1:3의 비율로 섞인 가스를 주입하여 딥러닝 모델을 평가하였을 때, 딥러닝이 주입된 가스의 종류가 B가스, C가스, 그리고 이들의 비율이 1:3인 경우를 예측한 것이 동그라미(810) 안에 찍혀서 나타날 수 있다. 이때, BC 평면에서 (0.25, 0.75)에 가깝게 찍힐수록 딥러닝 모델의 성능이 좋은 것으로 판단할 수 있다. The graph 800 shows model performance evaluation according to the ratio of each gas, with different gases, A, B, and C, as axes. For example, when evaluating a deep learning model by injecting a mixture of B gas and C gas in a ratio of 1:3, the types of gas injected into deep learning are B gas, C gas, and their ratios. The prediction for the 1:3 case may be displayed as a circle (810). At this time, the closer it is to (0.25, 0.75) on the BC plane, the better the performance of the deep learning model can be judged to be.
이와 같이, 본 발명의 딥러닝 모델을 이용하여 성능 평가를 수행한 결과 그래프(800)처럼 각 정답에 근접하게 표시되는 것을 확인할 수 있다.In this way, as a result of performing a performance evaluation using the deep learning model of the present invention, it can be seen that each correct answer is displayed close to the graph 800.
1: 가스 센싱 시스템
100: 가스 센서
110: 기판
120: 유기반도체층
130: 게이트 전극
140: 소스 전극
150: 드레인 전극
200: 가스 판별 장치
210: 입력부
220: 통신부
230: 표시부
240: 메모리
250: 프로세서1: Gas sensing system
100: gas sensor
110: substrate
120: Organic semiconductor layer
130: gate electrode
140: source electrode
150: drain electrode
200: gas discrimination device
210: input unit
220: Department of Communications
230: display unit
240: memory
250: processor
Claims (12)
기판; 상기 기판 상에 배치되어 가스가 흡착 및 탈착 가능한 물질로 이루어진 유기반도체층; 상기 유기반도체층의 양쪽 상단의 일 영역 위에 각각 배치되는 소스 전극 및 드레인 전극; 및 게이트 전극;을 포함하고, 가스 주입 후 상기 게이트 전극에 연속적으로 증가하는 전압을 인가하면서 상기 전압에 따른 드레인 전극 및 소스 전극 간 전류를 나타내는 가스 신호를 측정하는 가스 센서; 및
상기 가스 센서로부터 수신한 상기 가스 신호로부터 상기 전압에 따른 신호 특성을 식별하고,
상기 신호 특성에 따라 상기 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 가스 신호에 따른 가스 정보를 식별하는 프로세서를 포함하는 가스 판별 장치;
를 포함하는 가스 센싱 시스템.In a deep learning-based gas sensing system,
Board; an organic semiconductor layer disposed on the substrate and made of a material capable of adsorbing and desorbing gas; a source electrode and a drain electrode respectively disposed on upper regions of both sides of the organic semiconductor layer; and a gate electrode; a gas sensor that includes a continuously increasing voltage applied to the gate electrode after gas injection and measures a gas signal representing a current between the drain electrode and the source electrode according to the voltage; and
Identifying signal characteristics according to the voltage from the gas signal received from the gas sensor,
A gas determination device including a processor that identifies gas information according to the gas signal based on a deep learning model learned to perform calculation of gas information including the type and ratio of the gas according to the signal characteristics;
A gas sensing system including.
상기 프로세서는,
상기 가스 신호로부터 상기 전압에 따른 전류를 식별하고,
상기 전압에 따른 전류를 나타내는 트랜스퍼 커브의 피크점이 나타나는 전압값의 변화, 상기 피크점에 대응하는 전류값의 변화, 상기 트랜스퍼 커브의 폭 변화 및 상기 트랜스퍼 커브의 기울기 변화 중 적어도 하나에 기초하여 상기 신호 특성을 식별하는 가스 센싱 시스템.According to paragraph 1,
The processor,
Identifying the current according to the voltage from the gas signal,
The signal is based on at least one of a change in the voltage value at which the peak point of the transfer curve representing the current according to the voltage appears, a change in the current value corresponding to the peak point, a change in the width of the transfer curve, and a change in the slope of the transfer curve. Gas sensing system that identifies characteristics.
상기 프로세서는,
상기 가스 신호로부터 상기 전압에 따른 전류를 식별하고,
상기 전압에 따른 전류에 관한 데이터 및 상기 데이터에 대응하는 상기 가스의 종류 및 비율을 학습데이터로 학습하여 상기 딥러닝 모델을 생성하는 가스 센싱 시스템.According to paragraph 1,
The processor,
Identifying the current according to the voltage from the gas signal,
A gas sensing system that generates the deep learning model by learning data about the current according to the voltage and the type and ratio of the gas corresponding to the data as learning data.
상기 가스 센서는,
상기 게이트 전극의 전압에 따라 상기 유기반도체층에 상기 가스가 흡착 및 탈착하면서 발생하는 상기 가스 신호를 측정하는 가스 센싱 시스템.According to paragraph 1,
The gas sensor is,
A gas sensing system that measures the gas signal generated when the gas is adsorbed and desorbed on the organic semiconductor layer according to the voltage of the gate electrode.
상기 가스 센서는,
상기 게이트 전극이 상기 기판 아래에 배치되는 바텀 게이트형 가스 센서인 것을 특징으로 하는 가스 센싱 시스템.According to paragraph 1,
The gas sensor is,
A gas sensing system, characterized in that the gate electrode is a bottom gate type gas sensor disposed below the substrate.
가스 주입 후 연속적으로 증가하는 전압을 인가하면서 측정한 가스 신호를 가스 센서- 상기 가스 센서는, 기판; 상기 기판 상에 배치되어 가스가 흡착 및 탈착 가능한 물질로 이루어진 유기반도체층; 상기 유기반도체층의 양쪽 상단의 일 영역 위에 각각 배치되는 소스 전극 및 드레인 전극; 및 게이트 전극;을 포함함 -로부터 수신하는 단계;
상기 가스 신호로부터 상기 전압에 따른 신호 특성을 식별하는 단계;
상기 신호 특성에 따라 상기 가스의 종류 및 비율을 포함하는 가스 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 가스 신호에 따른 가스 정보를 식별하는 단계;를 포함하고,
상기 수신하는 단계는,
상기 게이트 전극에 연속적으로 증가하는 전압을 인가하면서 상기 전압에 따른 드레인 전극 및 소스 전극 간 전류를 나타내는 가스 신호를 수신하는 단계를 포함하는 가스 센싱 방법.In a deep learning-based gas sensing method using a gas discrimination device,
A gas sensor measures a gas signal while applying a continuously increasing voltage after gas injection. The gas sensor includes: a substrate; an organic semiconductor layer disposed on the substrate and made of a material capable of adsorbing and desorbing gas; a source electrode and a drain electrode respectively disposed on upper regions of both sides of the organic semiconductor layer; and a gate electrode; - receiving from;
identifying signal characteristics according to the voltage from the gas signal;
A step of identifying gas information according to the gas signal based on a deep learning model learned to calculate gas information including the type and ratio of the gas according to the signal characteristics,
The receiving step is,
A gas sensing method comprising the step of applying a continuously increasing voltage to the gate electrode and receiving a gas signal representing a current between a drain electrode and a source electrode according to the voltage.
상기 신호 특성을 식별하는 단계는,
상기 가스 신호로부터 상기 전압에 따른 전류를 식별하는 단계;
상기 전압에 따른 전류를 나타내는 트랜스퍼 커브의 피크점이 나타나는 전압값의 변화, 상기 피크점에 대응하는 전류값의 변화, 상기 트랜스퍼 커브의 폭 변화 및 상기 트랜스퍼 커브의 기울기 변화 중 적어도 하나에 기초하여 상기 신호 특성을 식별하는 단계;를 포함하는 가스 센싱 방법.In clause 7,
The step of identifying the signal characteristics is,
identifying current according to the voltage from the gas signal;
The signal is based on at least one of a change in the voltage value at which the peak point of the transfer curve representing the current according to the voltage appears, a change in the current value corresponding to the peak point, a change in the width of the transfer curve, and a change in the slope of the transfer curve. A gas sensing method comprising: identifying characteristics.
상기 가스 정보를 식별하는 단계는,
상기 가스 신호로부터 상기 전압에 따른 전류를 식별하는 단계;
상기 전압에 따른 전류에 관한 데이터 및 상기 데이터에 대응하는 상기 가스의 종류 및 비율을 학습데이터로 학습하여 상기 딥러닝 모델을 생성하는 단계;를 포함하는 가스 센싱 방법.In clause 7,
The step of identifying the gas information is,
identifying current according to the voltage from the gas signal;
Generating the deep learning model by learning data about the current according to the voltage and the type and ratio of the gas corresponding to the data as learning data.
상기 가스 신호를 수신하는 단계는,
상기 가스 센서가 상기 게이트 전극의 전압에 따라 상기 유기반도체층에 상기 가스가 흡착 및 탈착하면서 발생하는 상기 가스 신호를 측정하는 단계;를 포함하는 가스 센싱 방법.In clause 7,
The step of receiving the gas signal is,
A gas sensing method comprising: measuring, by the gas sensor, the gas signal generated when the gas is adsorbed and desorbed on the organic semiconductor layer according to the voltage of the gate electrode.
상기 가스 센서는,
상기 게이트 전극이 상기 기판 아래에 배치되는 바텀 게이트형 가스 센서인 것을 특징으로 하는 가스 센싱 방법.In clause 7,
The gas sensor is,
A gas sensing method, wherein the gate electrode is a bottom gate type gas sensor disposed below the substrate.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220031295A KR102656446B1 (en) | 2022-03-14 | 2022-03-14 | Deep learning-based gas sensing system and gas sensing method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220031295A KR102656446B1 (en) | 2022-03-14 | 2022-03-14 | Deep learning-based gas sensing system and gas sensing method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230134238A KR20230134238A (en) | 2023-09-21 |
| KR102656446B1 true KR102656446B1 (en) | 2024-04-09 |
Family
ID=88189319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220031295A KR102656446B1 (en) | 2022-03-14 | 2022-03-14 | Deep learning-based gas sensing system and gas sensing method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102656446B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100895258B1 (en) * | 2007-06-29 | 2009-04-29 | 연세대학교 산학협력단 | Carbon Nanotube Based Gas Sensor and Operating Method Thereof |
| JP2020201116A (en) * | 2019-06-10 | 2020-12-17 | 大阪瓦斯株式会社 | Gas detector |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102609959B1 (en) * | 2016-10-05 | 2023-12-06 | 엘지전자 주식회사 | Gas sensor |
| KR102426596B1 (en) * | 2017-07-05 | 2022-07-29 | 한국전자기술연구원 | Sensor and method for detecting a gas molecule |
-
2022
- 2022-03-14 KR KR1020220031295A patent/KR102656446B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100895258B1 (en) * | 2007-06-29 | 2009-04-29 | 연세대학교 산학협력단 | Carbon Nanotube Based Gas Sensor and Operating Method Thereof |
| JP2020201116A (en) * | 2019-06-10 | 2020-12-17 | 大阪瓦斯株式会社 | Gas detector |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230134238A (en) | 2023-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20080022755A1 (en) | Gas Detection Method and Gas Sensor | |
| US9518950B2 (en) | Chemical sensor based on highly organized single walled carbon nanotube networks | |
| US20200256793A1 (en) | Detection system for an electronic nose and an electronic nose comprising such a system | |
| US8723503B2 (en) | Vertical type sensor | |
| JP2013519076A (en) | Method for detecting two or more gas species | |
| Demelas et al. | An organic, charge-modulated field effect transistor for DNA detection | |
| Wedge et al. | Real-time vapour sensing using an OFET-based electronic nose and genetic programming | |
| KR102656446B1 (en) | Deep learning-based gas sensing system and gas sensing method | |
| RU2469300C1 (en) | Semiconductor gas analyser | |
| Chae et al. | NO sensing properties of BN-based memristor sensor array for real-time NO monitoring-systems | |
| Rezek et al. | Ion-sensitive field effect transistor on hydrogenated diamond | |
| US20230010457A1 (en) | Method and device for operating a gas sensor | |
| Gupta et al. | Performance analysis of 2% Fe 2 O 3 Doped Thick-film Gas Sensor in Toxic Liquid Detection Using Machine Learning Techniques | |
| Harkinezhad et al. | Hydrogen level detection via thermal conductivity measurement using temporal temperature monitoring | |
| US20200088705A1 (en) | Method of operating gas sensors and corresponding device, sensor and program product | |
| JP2017156280A (en) | Gas sensor device, gas measurement method, and gas measurement apparatus | |
| CN101573612B (en) | Method, detector and system for measuring a sample concentration | |
| KR102557583B1 (en) | Oxide film etch rate monitoring apparatus and monitoring method thereof | |
| RU2631009C2 (en) | Semiconductive analyzer of ammonia | |
| JP7189364B2 (en) | Gas determination device, gas determination method, and gas determination system | |
| JP2014032194A (en) | Method and controller for measuring gas parameter using field effect transistor having gas sensitivity | |
| CN115980162B (en) | Methane sensor | |
| KR100771526B1 (en) | Gas sensor and manufactutring method thereof | |
| Emadi et al. | Polymer-based gas sensor on a thermally stable micro-cantilever | |
| JP2013092479A (en) | Biosensor measuring apparatus and measuring method thereof |
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 |