KR20200046704A - 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치 - Google Patents

딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR20200046704A
KR20200046704A KR1020180128229A KR20180128229A KR20200046704A KR 20200046704 A KR20200046704 A KR 20200046704A KR 1020180128229 A KR1020180128229 A KR 1020180128229A KR 20180128229 A KR20180128229 A KR 20180128229A KR 20200046704 A KR20200046704 A KR 20200046704A
Authority
KR
South Korea
Prior art keywords
sample
learning data
deep learning
frequency resonator
reaction signal
Prior art date
Application number
KR1020180128229A
Other languages
English (en)
Inventor
홍효봉
정재찬
최승민
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180128229A priority Critical patent/KR20200046704A/ko
Priority to US16/535,729 priority patent/US20200050902A1/en
Publication of KR20200046704A publication Critical patent/KR20200046704A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2617—Measuring dielectric properties, e.g. constants
    • G01R27/2623—Measuring-systems or electronic circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2617—Measuring dielectric properties, e.g. constants
    • G01R27/2635—Sample holders, electrodes or excitation arrangements, e.g. sensors or measuring cells

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치가 개시된다. 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 장치는 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출하는 3축 로봇 제어부; 시료가 삽입되어 있는 동안에 네트워크 분석기를 기반으로 전자기파를 인가하여 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 시료에 의한 반응 신호를 측정하는 반응 신호 측정부; 반응 신호를 기반으로 시료의 유전율 분석 모델을 학습시키기 위한 딥 러닝 데이터를 생성하는 학습 데이터 생성부; 및 반응 신호 및 딥 러닝 데이터를 저장하는 저장부를 포함한다.

Description

딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치 {METHOD FOR AUTOMATICALLY GENERATING DEEP LEARNING DATA APPARATUS THEREFOR}
본 발명은 딥 러닝 데이터를 자동으로 생성하는 기술에 관한 것으로, 특히 시료의 유전율을 분석하기 위한 분석 모델의 딥 러닝을 위한 학습 데이터를 자동으로 생성하기 위한 기술에 관한 것이다.
화학 분야에서 화학 물질을 정성적으로 인지하거나 화학 반응이 일어나는 상황을 분석해내는 분야를 분석 화학이라고 하며, 화학이나 화학 공학 분야에서 차지하는 비중이 매우 커서 독립적인 학문 분야로 분리된다.
이러한 분석 화학에서는, 현대적인 분석 장비가 개발되기 이전에는 무게, 질량, 비중, 융해점, 산 및 염기와의 반응 등을 통하여 물질 분석이 이루어졌는데, 대부분 실험자의 경험에 의존하여 결과를 도출하는 경우가 많았다. 19세기 이후에는 많은 화학 물질의 분석에 전자장비를 이용하여 신호를 확보하는 것이 일반화되었지만, 여전히 신호의 최종 분석은 실험자의 지식과 경험에 의존하는 것이 일반적인 상황이었다. 근래에 들어서는 화학 분석 장치 자체도 대부분 디지털화되어 신호를 정량화하거나 처리하는 것을 대부분 컴퓨터가 수행하지만, 신호를 가지고 화학 물질이나 반응 정도를 결정하는 것은 여전히 실험자인 사람의 몫에 해당한다.
하지만, 분석 장비는 점점 고도화되고, 이러한 장비들을 통해 확보되는 신호의 양도 어마어마할 뿐만 아니라 예전에는 확보할 수 없는 데이터까지 확보됨에 따라 사람이 이를 분석하는 것이 매우 힘들어지고 있는 상황이다. 이론적으로는 사람이 몇 백에서부터 몇 백만의 달하는 실험 데이터를 분석 및 비교하고, 이중에서 특정 물질의 신호를 일반화할 수도 있겠지만 현실적으로는 너무 많은 자원을 소모하게 된다.
이에 따라, 많은 분석 기술분야에서 데이터베이스(database)를 이용하여 이러한 문제를 해결하려고 노력하였고, 실제로 고가의 화학 분석 장비의 경우에는 분석 장비 자체보다도 데이터베이스가 더욱 고가인 경우가 발생하였다.
그러나, 이러한 노력에도 불구하고 데이터베이스를 이용한 분석 방법에는 많은 한계가 존재한다. 가장 기본적인 문제는 동일한 화학물질을 동일한 분석 기술로 분석한다고 하여도 실제로 얻어지는 신호는 습도, 온도, 빛의 유무와 같은 주변 환경이나 분석 장비 자체가 가지는 노이즈로 인하여 오차가 발생하게 되고, 이는 다시 사람으로 하여금 많은 자료나 실험을 기반으로 분석을 하게 하는 요인이 된다.
한국 등록 특허 제10-1879735호, 2018년 7월 18일 공고(명칭: 자동적인 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법)
본 발명의 목적은 주파수 공진기(RF resonator)를 이용하여 물질의 유전율을 분석하기 위한 스펙트럼 자료 또는 학습 데이터를 자동으로 확보함으로써 딥 러닝(deep learning) 기법을 통해 물질의 유전율을 자동으로 분석하는 기술을 개발하는 것이다.
또한, 본 발명의 목적은 딥 러닝 시스템에 필요한 학습 데이터를 자동으로 확보할 수 있게 하는 하드웨어 시스템을 제공하는 것이다.
또한, 본 발명의 목적은 특정 전자기장 주파수 내에서 반복적으로 물질의 유전율 데이터를 측정하고 저장할 수 있는 시스템을 제공하는 것이다.
또한, 본 발명의 목적은 수분을 포함하는 시료에서의 성분 변화나 수분의 함량을 분석하기 위한 딥 러닝 시스템 가동에 필요한 학습 데이터를 확보하는 시스템을 제공하는 것이다.
상기한 목적을 달성하기 위한 본 발명에 따른 딥 러닝 데이터 자동 생성 장치는 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기(RF RESONATOR)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출하는 3축 로봇 제어부; 상기 시료가 삽입되어 있는 동안에 네트워크 분석기(NETWORK ANAYZER)를 기반으로 전자기파를 인가하여 상기 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 상기 시료에 의한 반응 신호를 측정하는 반응 신호 측정부; 상기 반응 신호를 기반으로 상기 시료의 유전율(PERMITTIVITY) 분석을 위한 딥 러닝(DEEP LEARNING) 데이터를 생성하는 학습 데이터 생성부; 및 상기 반응 신호 및 상기 딥 러닝 데이터를 저장하는 저장부를 포함한다.
이 때, 학습 데이터 생성부는 상기 주파수 공진기로 인가된 전자기파에 상응하는 제1 전압과 상기 반응 신호에 상응하는 제2 전압의 차이를 고려하여 상기 시료의 유전율을 산출하되, 상기 기설정된 횟수만큼 반복적으로 산출된 복수개의 유전율 정보들을 기반으로 상기 딥 러닝 데이터를 생성할 수 있다.
이 때, 네트워크 분석기는 S 파라미터의 투과계수(S21)를 기반으로 상기 유전율을 산출할 수 있도록 상기 주파수 공진기에 삽입 가능한 두 개의 안테나들을 구비할 수 있다.
이 때, 반응 신호 측정부는 상기 3축 로봇의 제어 정보를 기반으로 상기 시료가 상기 주파수 공진기의 내부에 삽입되어 있는지 여부를 판단하고, 상기 3축 로봇 제어부는 반응 신호 측정 여부 및 기설정된 반응 신호 측정 시간 중 적어도 하나를 고려하여 상기 시료의 퇴출 시점을 결정할 수 있다.
이 때, 3축 로봇은 상기 시료를 삽입하는 경우, 상기 주파수 공진기의 시료 삽입구로 출입이 가능하고 상기 시료를 탈부착할 수 있는 로봇 암(ARM)을 기반으로 상기 주파수 공진기 내부에서 상기 시료 삽입구의 중앙에 시료를 위치시킬 수 있다.
이 때, 두 개의 안테나들은 상기 주파수 공진기의 표면에 닿지 않도록 삽입될 수 있다.
이 때, 주파수 공진기는 알루미늄(ALUMINUM) 또는 황동(BRASS)으로 제작될 수 있다.
이 때, 3축 로봇 제어부는 상기 3축 로봇을 기준으로 하는 상기 주파수 공진기의 위치 및 상기 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정하고, 설정된 동선에 상응하게 상기 로봇 암의 움직임을 제어할 수 있다.
또한, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법은, 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기(RF RESONATOR)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출하는 단계; 상기 시료가 삽입되어 있는 동안에 네트워크 분석기(NETWORK ANAYZER)를 기반으로 전자기파를 인가하여 상기 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 상기 시료에 의한 반응 신호를 측정하는 단계; 및 상기 반응 신호를 기반으로 상기 시료의 유전율(PERMITTIVITY) 분석을 위한 딥 러닝(DEEP LEARNING) 데이터를 생성하는 단계를 포함한다.
이 때, 학습 데이터를 생성하는 단계는 상기 주파수 공진기로 인가된 전자기파에 상응하는 제1 전압과 상기 반응 신호에 상응하는 제2 전압의 차이를 고려하여 상기 시료의 유전율을 산출하는 단계; 및 상기 기설정된 횟수만큼 반복적으로 산출된 복수개의 유전율 정보들을 기반으로 상기 딥 러닝 데이터를 생성하는 단계를 포함할 수 있다.
이 때, 네트워크 분석기는 S 파라미터의 투과계수(S21)를 기반으로 상기 유전율을 산출할 수 있도록 상기 주파수 공진기에 삽입 가능한 두 개의 안테나들을 구비할 수 있다.
이 때, 반응 신호를 측정하는 단계는 상기 3축 로봇의 제어 정보를 기반으로 상기 시료가 상기 주파수 공진기의 내부에 삽입되어 있는지 여부를 판단하고, 상기 삽입 및 퇴출하는 단계는 반응 신호 측정 여부 및 기설정된 반응 신호 측정 시간 중 적어도 하나를 고려하여 상기 시료의 퇴출 시점을 결정할 수 있다.
이 때, 3축 로봇은 상기 시료를 삽입하는 경우, 상기 주파수 공진기의 시료 삽입구로 출입이 가능하고 상기 시료를 탈부착할 수 있는 로봇 암(ARM)을 기반으로 상기 주파수 공진기 내부에서 상기 시료 삽입구의 중앙에 시료를 위치시킬 수 있다.
이 때, 두 개의 안테나들은 상기 주파수 공진기의 표면에 닿지 않도록 삽입될 수 있다.
이 때, 주파수 공진기는 알루미늄(ALUMINUM) 또는 황동(BRASS)으로 제작될 수 있다.
이 때, 삽입 및 퇴출하는 단계는 상기 3축 로봇을 기준으로 하는 상기 주파수 공진기의 위치 및 상기 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정하고, 설정된 동선에 상응하게 상기 로봇 암의 움직임을 제어할 수 있다.
본 발명에 따르면, 주파수 공진기(RF resonator)를 이용하여 물질의 유전율을 분석하기 위한 스펙트럼 자료 또는 학습 데이터를 자동으로 확보함으로써 딥 러닝(deep learning) 기법을 통해 물질의 유전율을 자동으로 분석하는 기술을 개발할 수 있다.
또한, 본 발명은 딥 러닝 시스템에 필요한 학습 데이터를 자동으로 확보할 수 있게 하는 하드웨어 시스템을 제공할 수 있다.
또한, 본 발명은 특정 전자기장 주파수 내에서 반복적으로 물질의 유전율 데이터를 측정하고 저장할 수 있는 시스템을 제공할 수 있다.
또한, 본 발명은 수분을 포함하는 시료에서의 성분 변화나 수분의 함량을 분석하기 위한 딥 러닝 시스템 가동에 필요한 학습 데이터를 확보하는 시스템을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 시스템을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 장치를 나타낸 블록도이다.
도 3 내지 도 5는 본 발명에 따른 주파수 공진기의 일 예를 나타낸 도면이다.
도 6은 본 발명에 따른 3축 로봇의 일 예를 나타낸 도면이다.
도 7은 본 발명에 따른 시스템의 입출력 화면의 일 예를 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법을 나타낸 동작 흐름도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 시스템을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 시스템은 딥 러닝 데이터 자동 생성 장치(100), 네트워크 분석기(110), 3축 로봇(120) 및 주파수 공진기(130)를 포함한다.
딥 러닝 데이터 자동 생성 장치(100)는 3축 로봇(120)을 기반으로 외부 자기장이 차단된 주파수 공진기(130)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출한다.
이 때, 주파수 공진기(130)는 외부 자기장에 영향을 받지 않거나 최소화 할 수 있는 원통형의 RF resonator에 상응할 수 있다. 예를 들어, 주파수 공진기(130)는 알루미늄(ALUMINUM) 또는 황동(BRASS)으로 제작될 수 있다.
이 때, 반응 신호 측정 여부 및 기설정된 반응 신호 측정 시간 중 적어도 하나를 고려하여 시료가 주파수 공진기(130)의 내부에서 퇴출되는 퇴출 시점을 결정할 수 있다.
이 때, 3축 로봇(120)은 주파수 공진기(130)의 시료 삽입구로 출입이 가능하고 시료를 탈부착할 수 있는 로봇 암(121)을 기반으로 주파수 공진기(130) 내부에서 시료의 삽입구의 중앙에 시료를 위치시킬 수 있다.
이 때, 3축 로봇(120)을 기준으로 하는 주파수 공진기(130)의 위치 및 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정할 수 있고, 설정된 동선에 상응하게 로봇 암(121)의 움직임을 제어할 수 있다.
또한, 딥 러닝 데이터 자동 생성 장치(100)는 주파수 공진기(130)의 내부에 시료가 삽입되어 있는 동안에 네트워크 분석기(110)를 기반으로 전자기파를 인가하여 주파수 공진기(130)의 내부에 기설정된 영역대의 자기장을 형석하고, 시료에 의한 반응 신호를 측정한다.
예를 들어, 유전율을 측정할 수 있는 VNA (Vector Network analyzer) 또는 SNA (Scalar Network Analyzer)를 이용하여 주파수 공진기(130)의 내부에 전자기파를 인가함으로써 주파수 공진기(130)의 내부에 0.8GHz~4GHz 영역대의 전자기장을 발생시킬 수 있다.
이 때, 네트워크 분석기(110)는 S 파라미터의 투과계수(S21)를 기반으로 유전율을 산출할 수 있도록 주파수 공진기(130)에 삽입 가능한 두 개의 안테나들을 구비할 수 있다.
이 때, 두 개의 안테나들은 주파수 공진기(130)의 표면에 닿지 않도록 삽입될 수 있다.
이 때, 3축 로봇(120)의 제어 정보를 기반으로 시료가 주파수 공진기(130)의 내부에 삽입되어 있는지 여부를 판단할 수 있다.
또한, 딥 러닝 데이터 자동 생성 장치(100)는 반응 신호를 기반으로 시료의 유전율 분석 모델을 학습시키기 위한 딥 러닝 데이터를 생성한다.
즉, 3축 로봇(120)이 주파수 공진기(130)의 내부로 시료를 삽입 및 퇴출할 때마다 측정되는 반응 신호를 기반으로 딥 러닝 데이터를 반복적으로 생성함으로써, 시료의 유전율 분석 모델을 학습시키기 위한 학습 데이터를 자동으로 생성 및 축적하여 제공할 수 있다.
이와 같이, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 장치(100)는 3축 로봇(120)을 이용하여 시료 자체를 주파수 공진기(130)의 내부에 삽입하고 퇴출하는 기능과 네트워크 분석기(110)가 주파수 공진기(130)로 전자기파를 인가하고 반응 신호를 측정하는 기능을 동시에 제어할 수 있다.
즉, 시료를 주파수 공진기(130)의 내부에 위치한 상태에서 네트워크 분석기(110)로 전자기파를 인가하여 시료의 반응 신호를 획득하고, 다시 시료를 주파수 공진기(130)의 외부로 퇴출시킴과 동시에 반응 신호를 처리하여 딥 러닝 데이터를 생성 및 저장하는 일련의 과정을 반복함으로써 시료를 분석하기 위한 분석 모델의 학습 데이터를 자동을 확보할 수 있다.
도 2는 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 장치를 나타낸 블록도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 장치는 3축 로봇 제어부(210), 반응 신호 측정부(220), 학습 데이터 생성부(230) 및 저장부(240)를 포함한다.
3축 로봇 제어부(210)는 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기(RF resonator)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출한다.
화학 물질의 유전율 분석을 위한 딥 러닝(Deep Learning)을 위해서는 외부 자기장에 영향을 받지 않는 환경에서 다양한 시료에 대한 분석 데이터 또는 학습 데이터를 확보할 필요가 있다.
따라서, 본 발명의 일실시예에 따른 주파수 공진기는 알루미늄(Aluminum) 또는 황동(Brass)으로 제작되어 외부 자기장에 영향을 받지 않거나 내부로 인가된 전자기파가 외부로 빠져나가지 못하고, 시료 삽입구를 통해 다양한 시료가 삽입 가능한 구조를 갖는다.
예를 들어, 본 발명의 일실시예에 따른 주파수 공진기는 도 3에 도시된 것과 같은 원통형 구조에 시료가 내부로 삽입될 수 있도록 하는 시료 삽입구(310)를 포함할 수 있다. 이 때, 시료 삽입구(310)의 지름은 설계 및 제작 과정에서 자유롭게 설정될 수 있으나, 주파수 공진기(300)의 내부가 외부 자기장의 영향을 받지 않을 수준으로 설정될 수 있다. 이와 같은 주파수 공진기(300)는 상부와 하부가 결합되는 형태로 제작되어 내부에 빈 공간에 기설정된 영역대의 전자기장이 형성될 수 있다.
예를 들어, 도 4에 도시된 주파수 공진기의 일부(410)를 상하로 결합하면 내부에 원통형 형태의 빈 공간을 갖는 주파수 공진기가 제작될 수 있고, 해당 주파수 공진기는 원통형 형태의 빈 공간에 기설정된 영역의 전자기장을 형성할 수 있다. 또한, 도 4에 도시된 주파수 공진기의 일부(420)를 상하로 결합하면 내부에 오각통 형태의 빈 공간을 갖는 주파수 공진기가 제작될 수 있고, 해당 주파수 공진기는 오각통 형태의 빈 공간에 기설정된 영역의 전자기장을 형성할 수도 있다.
또한, 도 5를 참조하면, 본 발명의 일실시예에 따른 주파수 공진기(510, 520)의 시료 삽입구(511, 521)는 필요에 따라 다양한 크기로 구성될 수 있다.
이와 같이 본 발명의 일실시예에 따른 주파수 공진기는 분석할 화학 물질 또는 분석자의 요구사항에 따라 다양한 형태로 제작이 가능하지만, 주파수 공진기의 내부에 특정 영역대의 전자기장이 형성되도록 하면서 시료가 삽입 가능한 구조라는 점은 중요한 사항에 해당할 수 있다. 또한, 본 발명의 일실시예에 따른 주파수 공진기는 주로 정류수나 우유와 같이 물을 주성분으로 하는 시료에서의 미세 변화 측정에 적합하도록 제작될 수도 있다.
또한, 본 발명의 일실시예에 따른 3축 로봇은 도 1에 도시된 것과 같이 분석하고자 하는 시료를 주파수 공진기(130)의 시료 삽입구를 통해 주파수 공진기(130)의 내부로 반복하여 위치시킬 수 있도록 설계될 수 있다.
이 때, 시료를 삽입하는 경우, 주파수 공진기의 시료 삽입구로 출입이 가능하고 시료를 탈부착할 수 있는 로봇 암(arm)을 기반으로 주파수 공진기 내부에서 시료 삽입구의 중앙에 시료를 위치시킬 수 있다.
예를 들어, 도 6을 참조하면, 본 발명의 일실시예에 따른 3축 로봇은 시료의 위치를 이동시키기 위한 두 개의 이동 모듈들(610, 620), 시료를 직접 주파수 공진기의 내부로 삽입 및 퇴출시키는 로봇 암(630) 및 주파수 공진기가 고정되도록 위치시킬 수 있는 플로터(640)로 구성될 수 있다. 즉, 로봇 암(630)의 최하단부에 시료를 부착시키고, 이동 모듈(610, 620)을 이용하여 로봇 암의 위치를 주파수 공진기의 시료 삽입구의 위에 위치시킴으로써 시료의 삽입 및 퇴출을 반복할 준비를 할 수 있다. 이 후, 로봇 암(630)을 아래로 움직여서 시료를 주파수 공진기의 내부로 삽입하거나, 로봇 암(630)을 위로 움직여서 시료를 주파수 공진기의 외부로 퇴출시킬 수 있다.
이 때, 신호 측정 여부 및 기설정된 신호 측정 시간 중 적어도 하나를 고려하여 시료의 퇴출 시점을 결정할 수 있다.
예를 들어, 주파수 공진기로 전자기파를 인가하고, 시료에 의한 반응 신호를 측정하는 네트워크 분석기에서 반응 신호가 측정된 것이 확인되는 경우, 3축 로봇의 로봇 암을 제어하여 시료를 주파수 공진기의 외부로 퇴출시킬 수 있다.
다른 예를 들어, 주파수 공진기로 시료가 삽입된 이후로 네트워크 분석기에서 전자기파를 인가하고 반응 신호를 측정하기까지 걸리는 반응 신호 측정 시간을 기반으로 시료의 퇴출 시점을 결정하고 시료를 퇴출시킬 수 있다. 즉, 반응 신호 측정 시간이 10초라고 가정한다면, 로봇 암이 시료를 주파수 공진기의 내부로 삽입하고 10초가 경과한 후에 시료를 주파수 공진기의 외부로 퇴출시킬 수도 있다.
이 때, 3축 로봇을 기준으로 하는 주파수 공진기의 위치 및 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정하고, 설정된 동선에 상응하게 로봇 암의 움직임을 제어할 수 있다.
예를 들어, 도 1을 참조하면, 3축 로봇 제어부(210)는 로봇 암(121)이 주파수 공진기(130)의 시료 삽입구 위에 위치하기 위해서 3축 로봇의 각 축 별로 얼마나 어느 위치로 이동할지를 지정할 수 있다. 이 후, 시료 삽입구의 깊이를 기반으로 시료가 주파수 공진기(130)의 내부에서 중앙에 위치하기 위해서 로봇 암(121)이 얼마나 이동할지를 지정할 수 있다. 이와 같은 지정값에 상응하게 동선을 설정함으로써 로봇 암(121)의 움직임을 세부적으로 제어할 수 있다.
반응 신호 측정부(220)는 시료가 삽입되어 있는 동안에 네트워크 분석기(Network Analyzer)를 기반으로 전자기파를 인가하여 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 시료에 의한 반응 신호를 측정한다.
예를 들어, 본 발명에서는 벡터 네트워크 분석기(vector network analyzer) 또는 스칼라 네트워크 분석기(scalar network analyzer)와 같은 네트워크 분석기를 이용하여 주파수 공진기의 내부에 0.8 Ghz~3.5GHz 영역대의 전자기장이 형성될 수 있도록 1Hz단위로 전자기파를 공급하고, 주파수 공진기의 내부에 형성된 전자기장에 대한 시료의 흡수율을 분석하기 위한 반응 신호를 측정할 수 있다. 이 때, 스칼라 네트워크 분석기(scalar network analyzer)는 반응 신호 phase 정보가 실리지 않는다는 점을 제외하고는 벡터 네트워크 분석기(vector network analyzer)를 사용하였을 때와 동일한 결과를 제공할 수 있다.
이와 같은 네트워크 분석기는 시료가 주파수 공진기의 내부에 삽입되어 있는 시점에 전자기파를 인가하고 반응 신호를 측정하는 동작을 수행할 수 있는데, 이는 3축 로봇 제어 정보를 기반으로 시료가 주파수 공진기의 내부에 삽입되어 있는지 여부를 판단할 수 있다.
예를 들어, 3축 로봇 제어 정보를 기반으로 로봇 암을 움직여서 시료를 주파수 공진기의 내부로 삽입한 것이 확인되면, 네트워크 분석기를 통해 전자기파를 인가하고, 시료에 의한 반응 신호를 측정하도록 할 수 있다.
또한, 본 발명에서는 네트워크 분석기를 통해 측정된 반응 신호를 이용하여 후처리, 즉 딥 러닝 데이터를 생성하는데 필요한 시간을 측정하고, 이를 기반으로 로봇 암이 시료를 다시 주파수 공진기의 내부로 삽입하는 시점을 계산함으로써 네트워크 분석기가 동작할 시점도 설정할 수 있다.
예를 들어, 네트워크 분석기가 반응 신호를 측정하여 딥 러닝 데이터를 생성하는데 10초의 시간이 필요하다고 가정하면, 로봇 암이 시료를 주파수 공진기의 외부로 퇴출한 이후 10초가 경과한 시점에 다시 시료를 삽입시키도록 제어할 수 있다. 따라서, 네트워크 분석기도 로봇 암이 시료를 주파수 공진기의 외부로 퇴출한 이후 10초가 경과한 시점에 다시 전자기파를 인가하고 반응 신호를 측정하도록 동작할 수도 있다.
학습 데이터 생성부(230)는 반응 신호를 기반으로 시료의 유전율(Permittivity) 분석을 위한 딥 러닝(Deep Learning) 데이터를 생성한다.
이 때, 딥 러닝 데이터는 시료의 유전율 분석을 수행할 분석 모델을 학습시키는데 사용될 학습 데이터에 상응할 수 있다. 즉, 사람이 아닌 분석 모델이 시료의 유전율을 정확하게 분석할 수 있도록 학습시키기 위해서는 방대한 양의 학습 데이터가 필요할 수 있다.
따라서, 본 발명과 같은 방법으로 분석 모델을 학습시키기 위한 딥 러닝 데이터를 자동으로 생성하여 제공한다면, 분석 모델을 학습시키는 과정과 화학 물질을 분석하는 과정에서 사람이 직접 분석하는 비중이 현저하게 감소되어 보다 효율적으로 분석 결과를 도출할 수 있다.
이 때, 주파수 공진기로 인가된 전자기파에 상응하는 제1 전압과 반응 신호에 상응하는 제2 전압의 차이를 고려하여 시료의 유전율을 산출하되, 기설정된 횟수만큼 반복적으로 산출된 복수개의 유전율 정보들을 기반으로 딥 러닝 데이터를 생성할 수 있다.
이 때, 유전율이란, 유전체에 전자기장을 가했을 때 유전분극 현상이 일어남으로 인해서 유전체내 전자기장 세기가 작아지는데, 이 때 전자기장이 작아진 비율이 유전율에 해당한다. 따라서, 본 발명에서는 제1 전압과 제2 전압에 차이에 상응하게 시료에 대한 유전율을 산출할 수 있고, 반복적으로 산출된 유전율 정보를 분석 모델을 학습시키기 위한 딥 러닝 데이터로써 제공할 수 있다.
이 때, 네트워크 분석기는 S 파라미터의 투과계수(S21)를 기반으로 유전율을 산출할 수 있도록 주파수 공진기에 삽입 가능한 두 개의 안테나들을 구비할 수 있다. 예를 들어, 도 3을 참조하면, 본 발명의 일실시예에 따른 주파수 공진기(300)는 네트워크 분석기에 의한 S 파라미터의 투과계수(S21) 분석을 수행할 수 있도록 두 개의 안테나 삽입구들(321, 322)을 포함할 수 있다.
이 때, 두 개의 안테나들 중 하나의 안테나를 통해 전자기파를 인가하고, 나머지 하나의 안테나를 통해 반응 신호를 측정하는 형태로 동작할 수 있다.
이 때, 두 개의 안테나들은 broadband 안테나 또는 금속선 (metal wire)를 이용한 안테나에 상응할 수 있다. 따라서, 두 개의 안테나들이 금속으로 제작되는 주파수 공진기의 표면에 닿으면 측정 신호에 오차를 발생시킬 수 있으므로, 본 발명의 일실시예에 따른 두 개의 안테나들은 주파수 공진기의 표면에 닿지 않도록 삽입될 수 있다.
예를 들어, 도 3을 참조하면, 주파수 공진기(300)의 내부로 삽입되는 두 개의 안테나들은 안테나 지름이 주파수 공진기의 내부 최대폭(330)을 초과하지 않도록 제작되어 두 개의 안테나들이 주파수 공진기(300)의 금속면을 건드리지 않도록 할 수 있다.
저장부(240)는 반응 신호 및 딥 러닝 데이터를 저장한다.
또한, 저장부(240)는 상술한 바와 같이 본 발명의 실시예에 따른 딥 러닝 데이터 자동 생성을 위한 기능을 지원할 수 있다. 이 때, 저장부(240)는 별도의 대용량 스토리지로 동작할 수 있고, 동작 수행을 위한 제어 기능을 포함할 수 있다.
한편, 딥 러닝 데이터 자동 생성 장치는 메모리가 탑재되어 그 장치 내에서 정보를 저장할 수 있다. 일 구현예의 경우, 메모리는 컴퓨터로 판독 가능한 매체이다. 일 구현 예에서, 메모리는 휘발성 메모리 유닛일 수 있으며, 다른 구현예의 경우, 메모리는 비휘발성 메모리 유닛일 수도 있다. 일 구현예의 경우, 저장장치는 컴퓨터로 판독 가능한 매체이다. 다양한 서로 다른 구현 예에서, 저장장치는 예컨대 하드디스크 장치, 광학디스크 장치, 혹은 어떤 다른 대용량 저장장치를 포함할 수도 있다.
이와 같은 딥 러닝 데이터 자동 생성 장치를 이용하여 딥 러닝 시스템에 필요한 학습 데이터를 자동으로 확보할 수 있다.
또한, 특정 전자기장 주파수 내에서 반복적으로 물질의 유전율 데이터를 측정하고 저장할 수 있으며, 수분을 포함하는 시료에서의 성분 변화나 수분의 함량을 분석하기 위한 딥 러닝 시스템 가동에 필요한 학습 데이터를 확보할 수도 있다.
도 7은 본 발명에 따른 시스템의 입출력 화면의 일 예를 나타낸 도면이다.
도 7을 참조하면, 본 발명에 따른 시스템에서는 네트워크 분석기 파라미터 입력 화면(710), 3축 로봇 제어 정보 입력 화면(720), 제어 정보 세부 입력 화면(730) 및 신호 디스플레이 화면(740)을 제공할 수 있다.
네트워크 분석기 파라미터 입력 화면(710)은 벡터 네트워크 분석기(vector network analyzer) 또는 스칼라 네트워크 분석기(scalar network analyzer)와 같은 장비의 파라미터(parameter)를 입력하는 부분에 상응할 수 있다. 예를 들어, 도 7에 도시된 것처럼, 통신 IP, 측정 시작점과 종료점(Stimulus), 마커(Marker) 및 3축 로봇과의 통신을 설정 등에 대한 파라미터를 입력할 수 있다.
3축 로봇 제어 정보 입력 화면(720)은 3축 로봇의 움직임을 제어하기 위한 것으로, 3축 로봇이 각 축 별로 얼마나 움직일지 또는 어디로 움직일지를 지정할 수 있다.
제어 정보 세부 입력 화면(730)은 3축 로봇 각 축의 지점별로 로봇이 어떻게 움직일지를 세밀하게 제어하기 위한 것으로, 3축 로봇 제어 정보 입력 화면(720)에서 3축 로봇이 움직일 수 있는 전체 범위를 지정한다면, 제어 정보 세부 입력 화면(730)에서는 전체 범위 안에서 3축 로봇이 세부적으로 어떻게 움직일지를 결정할 수 있다.
신호 디스플레이 화면(740)은 3축 로봇의 각 축의 지정된 위치에서 실제로 확보되는 반응 신호 또는 데이터를 이미지로 제공할 수 있다. 이 때, 실제 반응 신호를 측정한 값도 함께 보여줄 수도 있다.
도 8은 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법을 나타낸 동작 흐름도이다.
도 8을 참조하면, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법은 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기(RF resonator)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출한다(S810).
화학 물질의 유전율 분석을 위한 딥 러닝(Deep Learning)을 위해서는 외부 자기장에 영향을 받지 않는 환경에서 다양한 시료에 대한 분석 데이터 또는 학습 데이터를 확보할 필요가 있다.
따라서, 본 발명의 일실시예에 따른 주파수 공진기는 알루미늄(Aluminum) 또는 황동(Brass)으로 제작되어 외부 자기장에 영향을 받지 않거나 내부로 인가된 전자기파가 외부로 빠져나가지 못하고, 시료 삽입구를 통해 다양한 시료가 삽입 가능한 구조를 갖는다.
예를 들어, 본 발명의 일실시예에 따른 주파수 공진기는 도 3에 도시된 것과 같은 원통형 구조에 시료가 내부로 삽입될 수 있도록 하는 시료 삽입구(310)를 포함할 수 있다. 이 때, 시료 삽입구(310)의 지름은 설계 및 제작 과정에서 자유롭게 설정될 수 있으나, 주파수 공진기(300)의 내부가 외부 자기장의 영향을 받지 않을 수준으로 설정될 수 있다. 이와 같은 주파수 공진기(300)는 상부와 하부가 결합되는 형태로 제작되어 내부에 빈 공간에 기설정된 영역대의 전자기장이 형성될 수 있다.
예를 들어, 도 4에 도시된 주파수 공진기의 일부(410)를 상하로 결합하면 내부에 원통형 형태의 빈 공간을 갖는 주파수 공진기가 제작될 수 있고, 해당 주파수 공진기는 원통형 형태의 빈 공간에 기설정된 영역의 전자기장을 형성할 수 있다. 또한, 도 4에 도시된 주파수 공진기의 일부(420)를 상하로 결합하면 내부에 오각통 형태의 빈 공간을 갖는 주파수 공진기가 제작될 수 있고, 해당 주파수 공진기는 오각통 형태의 빈 공간에 기설정된 영역의 전자기장을 형성할 수도 있다.
또한, 도 5를 참조하면, 본 발명의 일실시예에 따른 주파수 공진기(510, 520)의 시료 삽입구(511, 521)는 필요에 따라 다양한 크기로 구성될 수 있다.
이와 같이 본 발명의 일실시예에 따른 주파수 공진기는 분석할 화학 물질 또는 분석자의 요구사항에 따라 다양한 형태로 제작이 가능하지만, 주파수 공진기의 내부에 특정 영역대의 전자기장이 형성되도록 하면서 시료가 삽입 가능한 구조라는 점은 중요한 사항에 해당할 수 있다. 또한, 본 발명의 일실시예에 따른 주파수 공진기는 주로 정류수나 우유와 같이 물을 주성분으로 하는 시료에서의 미세 변화 측정에 적합하도록 제작될 수도 있다.
또한, 본 발명의 일실시예에 따른 3축 로봇은 도 1에 도시된 것과 같이 분석하고자 하는 시료를 주파수 공진기(130)의 시료 삽입구를 통해 주파수 공진기(130)의 내부로 반복하여 위치시킬 수 있도록 설계될 수 있다.
이 때, 시료를 삽입하는 경우, 주파수 공진기의 시료 삽입구로 출입이 가능하고 시료를 탈부착할 수 있는 로봇 암(arm)을 기반으로 주파수 공진기 내부에서 시료 삽입구의 중앙에 시료를 위치시킬 수 있다.
예를 들어, 도 6을 참조하면, 본 발명의 일실시예에 따른 3축 로봇은 시료의 위치를 이동시키기 위한 두 개의 이동 모듈들(610, 620), 시료를 직접 주파수 공진기의 내부로 삽입 및 퇴출시키는 로봇 암(630) 및 주파수 공진기가 고정되도록 위치시킬 수 있는 플로터(640)로 구성될 수 있다. 즉, 로봇 암(630)의 최하단부에 시료를 부착시키고, 이동 모듈(610, 620)을 이용하여 로봇 암의 위치를 주파수 공진기의 시료 삽입구의 위에 위치시킴으로써 시료의 삽입 및 퇴출을 반복할 준비를 할 수 있다. 이 후, 로봇 암(630)을 아래로 움직여서 시료를 주파수 공진기의 내부로 삽입하거나, 로봇 암(630)을 위로 움직여서 시료를 주파수 공진기의 외부로 퇴출시킬 수 있다.
이 때, 신호 측정 여부 및 기설정된 신호 측정 시간 중 적어도 하나를 고려하여 시료의 퇴출 시점을 결정할 수 있다.
예를 들어, 주파수 공진기로 전자기파를 인가하고, 시료에 의한 반응 신호를 측정하는 네트워크 분석기에서 반응 신호가 측정된 것이 확인되는 경우, 3축 로봇의 로봇 암을 제어하여 시료를 주파수 공진기의 외부로 퇴출시킬 수 있다.
다른 예를 들어, 주파수 공진기로 시료가 삽입된 이후로 네트워크 분석기에서 전자기파를 인가하고 반응 신호를 측정하기까지 걸리는 반응 신호 측정 시간을 기반으로 시료의 퇴출 시점을 결정하고 시료를 퇴출시킬 수 있다. 즉, 반응 신호 측정 시간이 10초라고 가정한다면, 로봇 암이 시료를 주파수 공진기의 내부로 삽입하고 10초가 경과한 후에 시료를 주파수 공진기의 외부로 퇴출시킬 수도 있다.
이 때, 3축 로봇을 기준으로 하는 주파수 공진기의 위치 및 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정하고, 설정된 동선에 상응하게 로봇 암의 움직임을 제어할 수 있다.
예를 들어, 도 1을 참조하면, 3축 로봇 제어부(210)는 로봇 암(121)이 주파수 공진기(130)의 시료 삽입구 위에 위치하기 위해서 3축 로봇의 각 축 별로 얼마나 어느 위치로 이동할지를 지정할 수 있다. 이 후, 시료 삽입구의 깊이를 기반으로 시료가 주파수 공진기(130)의 내부에서 중앙에 위치하기 위해서 로봇 암(121)이 얼마나 이동할지를 지정할 수 있다. 이와 같은 지정값에 상응하게 동선을 설정함으로써 로봇 암(121)의 움직임을 세부적으로 제어할 수 있다.
또한, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법은 시료가 삽입되어 있는 동안에 네트워크 분석기(NETWORK ANAYZER)를 기반으로 전자기파를 인가하여 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 시료에 의한 반응 신호를 측정한다(S820).
예를 들어, 본 발명에서는 벡터 네트워크 분석기(vector network analyzer) 또는 스칼라 네트워크 분석기(scalar network analyzer)와 같은 네트워크 분석기를 이용하여 주파수 공진기의 내부에 0.8 Ghz~3.5GHz 영역대의 전자기장이 형성될 수 있도록 1Hz단위로 전자기파를 공급하고, 주파수 공진기의 내부에 형성된 전자기장에 대한 시료의 흡수율을 분석하기 위한 반응 신호를 측정할 수 있다. 이 때, 스칼라 네트워크 분석기(scalar network analyzer)는 반응 신호 phase 정보가 실리지 않는다는 점을 제외하고는 벡터 네트워크 분석기(vector network analyzer)를 사용하였을 때와 동일한 결과를 제공할 수 있다.
이와 같은 네트워크 분석기는 시료가 주파수 공진기의 내부에 삽입되어 있는 시점에 전자기파를 인가하고 반응 신호를 측정하는 동작을 수행할 수 있는데, 이는 3축 로봇 제어 정보를 기반으로 시료가 주파수 공진기의 내부에 삽입되어 있는지 여부를 판단할 수 있다.
예를 들어, 3축 로봇 제어 정보를 기반으로 로봇 암을 움직여서 시료를 주파수 공진기의 내부로 삽입한 것이 확인되면, 네트워크 분석기를 통해 전자기파를 인가하고, 시료에 의한 반응 신호를 측정하도록 할 수 있다.
또한, 본 발명에서는 네트워크 분석기를 통해 측정된 반응 신호를 이용하여 후처리, 즉 딥 러닝 데이터를 생성하는데 필요한 시간을 측정하고, 이를 기반으로 로봇 암이 시료를 다시 주파수 공진기의 내부로 삽입하는 시점을 계산함으로써 네트워크 분석기가 동작할 시점도 설정할 수 있다.
예를 들어, 네트워크 분석기가 반응 신호를 측정하여 딥 러닝 데이터를 생성하는데 10초의 시간이 필요하다고 가정하면, 로봇 암이 시료를 주파수 공진기의 외부로 퇴출한 이후 10초가 경과한 시점에 다시 시료를 삽입시키도록 제어할 수 있다. 따라서, 네트워크 분석기도 로봇 암이 시료를 주파수 공진기의 외부로 퇴출한 이후 10초가 경과한 시점에 다시 전자기파를 인가하고 반응 신호를 측정하도록 동작할 수도 있다.
또한, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법은 반응 신호를 기반으로 시료의 유전율(PERMITTIVITY) 분석 모델을 학습시키기 위한 딥 러닝(DEEP LEARNING) 데이터를 생성한다(S830).
이 때, 딥 러닝 데이터는 시료의 유전율 분석을 수행할 분석 모델을 학습시키는데 사용될 학습 데이터에 상응할 수 있다. 즉, 사람이 아닌 분석 모델이 시료의 유전율을 정확하게 분석할 수 있도록 학습시키기 위해서는 방대한 양의 학습 데이터가 필요할 수 있다.
따라서, 본 발명과 같은 방법으로 분석 모델을 학습시키기 위한 딥 러닝 데이터를 자동으로 생성하여 제공한다면, 분석 모델을 학습시키는 과정과 화학 물질을 분석하는 과정에서 사람이 직접 분석하는 비중이 현저하게 감소되어 보다 효율적으로 분석 결과를 도출할 수 있다.
이 때, 주파수 공진기로 인가된 전자기파에 상응하는 제1 전압과 반응 신호에 상응하는 제2 전압의 차이를 고려하여 시료의 유전율을 산출하되, 기설정된 횟수만큼 반복적으로 산출된 복수개의 유전율 정보들을 기반으로 딥 러닝 데이터를 생성할 수 있다.
이 때, 유전율이란, 유전체에 전자기장을 가했을 때 유전분극 현상이 일어남으로 인해서 유전체내 전자기장 세기가 작아지는데, 이 때 전자기장이 작아진 비율이 유전율에 해당한다. 따라서, 본 발명에서는 제1 전압과 제2 전압에 차이에 상응하게 시료에 대한 유전율을 산출할 수 있고, 반복적으로 산출된 유전율 정보를 분석 모델을 학습시키기 위한 딥 러닝 데이터로써 제공할 수 있다.
이 때, 네트워크 분석기는 S 파라미터의 투과계수(S21)를 기반으로 유전율을 산출할 수 있도록 주파수 공진기에 삽입 가능한 두 개의 안테나들을 구비할 수 있다. 예를 들어, 도 3을 참조하면, 본 발명의 일실시예에 따른 주파수 공진기(300)는 네트워크 분석기에 의한 S 파라미터의 투과계수(S21) 분석을 수행할 수 있도록 두 개의 안테나 삽입구들(321, 322)을 포함할 수 있다.
이 때, 두 개의 안테나들 중 하나의 안테나를 통해 전자기파를 인가하고, 나머지 하나의 안테나를 통해 반응 신호를 측정하는 형태로 동작할 수 있다.
이 때, 두 개의 안테나들은 broadband 안테나 또는 금속선 (metal wire)를 이용한 안테나에 상응할 수 있다. 따라서, 두 개의 안테나들이 금속으로 제작되는 주파수 공진기의 표면에 닿으면 측정 신호에 오차를 발생시킬 수 있으므로, 본 발명의 일실시예에 따른 두 개의 안테나들은 주파수 공진기의 표면에 닿지 않도록 삽입될 수 있다.
예를 들어, 도 3을 참조하면, 주파수 공진기(300)의 내부로 삽입되는 두 개의 안테나들은 안테나 지름이 주파수 공진기의 내부 최대폭(330)을 초과하지 않도록 제작되어 두 개의 안테나들이 주파수 공진기(300)의 금속면을 건드리지 않도록 할 수 있다.
또한, 도 8에는 도시하지 아니하였으나, 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성 방법은 상술한 바와 같이 본 발명의 일실시예에 따른 딥 러닝 데이터 자동 생성을 위한 과정에서 발생하는 다양한 정보를 별도의 저장 모듈에 저장할 수 있다.
이와 같은 딥 러닝 데이터 자동 생성 방법을 통해 딥 러닝 시스템에 필요한 학습 데이터를 자동으로 확보할 수 있다.
또한, 특정 전자기장 주파수 내에서 반복적으로 물질의 유전율 데이터를 측정하고 저장할 수 있으며, 수분을 포함하는 시료에서의 성분 변화나 수분의 함량을 분석하기 위한 딥 러닝 시스템 가동에 필요한 학습 데이터를 확보할 수도 있다.
이상에서와 같이 본 발명에 따른 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 딥 러닝 데이터 자동 생성 장치 110: 네트워크 분석기
120: 3축 로봇 121, 630: 로봇 암
130, 300: 주파수 공진기 210: 3축 로봇 제어부
220: 반응 신호 측정부 230: 학습 데이터 생성부
240: 저장부 310, 511, 521: 시료 삽입구
321, 322: 안테나 삽입구 330: 주파수 공진기의 내부 최대폭
410, 420, 510, 520: 주파수 공진기 일부
610, 620: 이동 모듈 640: 플로터
710: 네트워크 분석기 파라미터 입력 화면
720: 3축 로봇 제어 정보 입력 화면
730: 제어 정보 세부 입력 화면
740: 신호 디스플레이 화면

Claims (16)

  1. 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기(RF RESONATOR)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출하는 3축 로봇 제어부;
    상기 시료가 삽입되어 있는 동안에 네트워크 분석기(NETWORK ANAYZER)를 기반으로 전자기파를 인가하여 상기 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 상기 시료에 의한 반응 신호를 측정하는 반응 신호 측정부;
    상기 반응 신호를 기반으로 상기 시료의 유전율(PERMITTIVITY) 분석 모델을 학습시키기 위한 딥 러닝(DEEP LEARNING) 데이터를 생성하는 학습 데이터 생성부; 및
    상기 반응 신호 및 상기 딥 러닝 데이터를 저장하는 저장부
    를 포함하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  2. 청구항 1에 있어서,
    상기 학습 데이터 생성부는
    상기 주파수 공진기로 인가된 전자기파에 상응하는 제1 전압과 상기 반응 신호에 상응하는 제2 전압의 차이를 고려하여 상기 시료의 유전율을 산출하되, 상기 기설정된 횟수만큼 반복적으로 산출된 복수개의 유전율 정보들을 기반으로 상기 딥 러닝 데이터를 생성하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  3. 청구항 2에 있어서,
    상기 네트워크 분석기는
    S 파라미터의 투과계수(S21)를 기반으로 상기 유전율을 산출할 수 있도록 상기 주파수 공진기에 삽입 가능한 두 개의 안테나들을 구비하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  4. 청구항 1에 있어서,
    상기 반응 신호 측정부는
    상기 3축 로봇의 제어 정보를 기반으로 상기 시료가 상기 주파수 공진기의 내부에 삽입되어 있는지 여부를 판단하고,
    상기 3축 로봇 제어부는
    반응 신호 측정 여부 및 기설정된 반응 신호 측정 시간 중 적어도 하나를 고려하여 상기 시료의 퇴출 시점을 결정하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  5. 청구항 1에 있어서,
    상기 3축 로봇은
    상기 시료를 삽입하는 경우, 상기 주파수 공진기의 시료 삽입구로 출입이 가능하고 상기 시료를 탈부착할 수 있는 로봇 암(ARM)을 기반으로 상기 주파수 공진기 내부에서 상기 시료 삽입구의 중앙에 시료를 위치시키는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  6. 청구항 3에 있어서,
    상기 두 개의 안테나들은 상기 주파수 공진기의 표면에 닿지 않도록 삽입되는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  7. 청구항 1에 있어서,
    상기 주파수 공진기는
    알루미늄(ALUMINUM) 또는 황동(BRASS)으로 제작되는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  8. 청구항 5에 있어서,
    상기 3축 로봇 제어부는
    상기 3축 로봇을 기준으로 하는 상기 주파수 공진기의 위치 및 상기 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정하고, 설정된 동선에 상응하게 상기 로봇 암의 움직임을 제어하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 장치.
  9. 3축 로봇을 기반으로 외부 자기장이 차단된 주파수 공진기(RF RESONATOR)의 내부로 시료를 기설정된 횟수만큼 반복적으로 삽입 및 퇴출하는 단계;
    상기 시료가 삽입되어 있는 동안에 네트워크 분석기(NETWORK ANAYZER)를 기반으로 전자기파를 인가하여 상기 주파수 공진기의 내부에 기설정된 영역대의 자기장을 형성하고, 상기 시료에 의한 반응 신호를 측정하는 단계; 및
    상기 반응 신호를 기반으로 상기 시료의 유전율(PERMITTIVITY) 분석 모델을 학습시키기 위한 딥 러닝(DEEP LEARNING) 데이터를 생성하는 단계
    를 포함하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  10. 청구항 9에 있어서,
    상기 딥 러닝 데이터를 생성하는 단계는
    상기 주파수 공진기로 인가된 전자기파에 상응하는 제1 전압과 상기 반응 신호에 상응하는 제2 전압의 차이를 고려하여 상기 시료의 유전율을 산출하는 단계; 및
    상기 기설정된 횟수만큼 반복적으로 산출된 복수개의 유전율 정보들을 기반으로 상기 딥 러닝 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  11. 청구항 10에 있어서,
    상기 네트워크 분석기는
    S 파라미터의 투과계수(S21)를 기반으로 상기 유전율을 산출할 수 있도록 상기 주파수 공진기에 삽입 가능한 두 개의 안테나들을 구비하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  12. 청구항 9에 있어서,
    상기 반응 신호를 측정하는 단계는
    상기 3축 로봇의 제어 정보를 기반으로 상기 시료가 상기 주파수 공진기의 내부에 삽입되어 있는지 여부를 판단하고,
    상기 삽입 및 퇴출하는 단계는
    반응 신호 측정 여부 및 기설정된 반응 신호 측정 시간 중 적어도 하나를 고려하여 상기 시료의 퇴출 시점을 결정하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  13. 청구항 1에 있어서,
    상기 3축 로봇은
    상기 시료를 삽입하는 경우, 상기 주파수 공진기의 시료 삽입구로 출입이 가능하고 상기 시료를 탈부착할 수 있는 로봇 암(ARM)을 기반으로 상기 주파수 공진기 내부에서 상기 시료 삽입구의 중앙에 시료를 위치시키는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  14. 청구항 11에 있어서,
    상기 두 개의 안테나들은 상기 주파수 공진기의 표면에 닿지 않도록 삽입되는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  15. 청구항 9에 있어서,
    상기 주파수 공진기는
    알루미늄(ALUMINUM) 또는 황동(BRASS)으로 제작되는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
  16. 청구항 13에 있어서,
    상기 삽입 및 퇴출하는 단계는
    상기 3축 로봇을 기준으로 하는 상기 주파수 공진기의 위치 및 상기 시료 삽입구의 깊이 중 적어도 하나를 고려하여 동선을 설정하고, 설정된 동선에 상응하게 상기 로봇 암의 움직임을 제어하는 것을 특징으로 하는 딥 러닝 데이터 자동 생성 방법.
KR1020180128229A 2018-08-09 2018-10-25 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치 KR20200046704A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180128229A KR20200046704A (ko) 2018-10-25 2018-10-25 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치
US16/535,729 US20200050902A1 (en) 2018-08-09 2019-08-08 Method for analyzing material using neural network based on multimodal input and apparatus using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180128229A KR20200046704A (ko) 2018-10-25 2018-10-25 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치

Publications (1)

Publication Number Publication Date
KR20200046704A true KR20200046704A (ko) 2020-05-07

Family

ID=70733767

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180128229A KR20200046704A (ko) 2018-08-09 2018-10-25 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치

Country Status (1)

Country Link
KR (1) KR20200046704A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220075066A (ko) * 2020-11-27 2022-06-07 한국세라믹기술원 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879735B1 (ko) 2017-03-15 2018-07-18 (주)넥셀 자동적인 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879735B1 (ko) 2017-03-15 2018-07-18 (주)넥셀 자동적인 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220075066A (ko) * 2020-11-27 2022-06-07 한국세라믹기술원 바리스터 소결체의 유전율 예측 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체

Similar Documents

Publication Publication Date Title
JP4395475B2 (ja) タグとリーダとの間の認識距離測定装置
US20200050902A1 (en) Method for analyzing material using neural network based on multimodal input and apparatus using the same
WO2018014842A1 (zh) 同轴谐振腔以及材料介电常数测试系统及测试方法
US8585878B2 (en) Method and apparatus for chemical analysis of fluids
Adardour et al. On the low-frequency optimization of reverberation chambers
Bzdek et al. Dynamic measurements and simulations of airborne picolitre-droplet coalescence in holographic optical tweezers
EP3280990A1 (en) Open port sampling interface
AU4109799A (en) Detecting tool motion effects on nuclear magnetic resonance measurements
KR20200046704A (ko) 딥 러닝 데이터 자동 생성 방법 및 이를 위한 장치
US9847218B2 (en) High-resolution ion trap mass spectrometer
Carrubba et al. Particle swarm optimization for multiple dipole modeling of space equipment
Nourshamsi et al. Generalized extreme value distributions of fields in nested electromagnetic cavities
CN107991710B (zh) 一种储层孔径分布获取方法及装置
CN110832337B (zh) 用于分析物的自动量化的方法以及用于实施该方法的nmr-测量设备
KR20200018247A (ko) 멀티 모달 입력 기반의 뉴럴 네트워크를 이용한 물질 분석 방법 및 이를 위한 장치
CN117607555A (zh) 微波天线的电磁参数测试方法、系统及储存介质
EP3588120A1 (en) System and method for improved signal detection in nmr spectroscopy
JP2007263789A (ja) 電磁波解析プログラム、電磁波解析装置および電磁波解析方法
KR100651741B1 (ko) 태그와 리더 사이의 인식거리 측정장치
US11994480B2 (en) Digital retort measurement systems and methods
US11125706B2 (en) System and method for characterizing bioreactor fluids
CN108401441A (zh) 对待检测物质进行拉曼检测的方法和终端
US20200011816A1 (en) Nmr method for detecting and quantifying individual analytes in liquid analyte mixtures
Nilsson Applications of microwaves in pharmaceutical processes-Development of a monitor for fluid bed-& continuous flow processes, an electroporation protocol, and a device for characterization of chemical samples
CN110441220A (zh) 微生物碳酸盐岩的孔隙表征方法、装置及服务器