KR20210094328A - 대상체 인식 장치 및 그 동작 방법 - Google Patents

대상체 인식 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20210094328A
KR20210094328A KR1020200007962A KR20200007962A KR20210094328A KR 20210094328 A KR20210094328 A KR 20210094328A KR 1020200007962 A KR1020200007962 A KR 1020200007962A KR 20200007962 A KR20200007962 A KR 20200007962A KR 20210094328 A KR20210094328 A KR 20210094328A
Authority
KR
South Korea
Prior art keywords
type
spectral data
pattern recognition
spectrometer
wavelength band
Prior art date
Application number
KR1020200007962A
Other languages
English (en)
Inventor
이수연
김언정
주혁
한승주
김효철
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200007962A priority Critical patent/KR20210094328A/ko
Priority to CN202011297634.XA priority patent/CN113218881A/zh
Priority to US16/952,959 priority patent/US11454496B2/en
Priority to EP20213835.0A priority patent/EP3855161A1/en
Publication of KR20210094328A publication Critical patent/KR20210094328A/ko
Priority to US17/887,924 priority patent/US20220397391A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/254—Projection of a pattern, viewing through a pattern, e.g. moiré
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0294—Multi-channel spectroscopy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G01J3/4406—Fluorescence spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G01J2003/2826—Multispectral imaging, e.g. filter imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G01J2003/2833—Investigating the spectrum computer-interfaced and memorised spectra collection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G01J2003/2836—Programming unit, i.e. source and date processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G01J2003/284—Spectral construction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1734—Sequential different kinds of measurements; Combining two or more methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

일부 실시예에 따르면, 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하기 위한 제1 분광기, 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득하기 위한 제2 분광기, 대상체에 대한 이미지 데이터를 획득하기 위한 이미지 센서, 및 제1 분광기, 제2 분광기 및 이미지 센서 중 적어도 둘 이상으로부터 획득되는 데이터와 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 대상체를 식별하는 프로세서를 포함하는, 대상체 인식 장치가 개시된다.

Description

대상체 인식 장치 및 그 동작 방법{Object recognition apparatus and operating method of the same}
본 개시는 대상체 인식 장치 및 그 동작 방법에 관한 것이다.
대상체에 대한 정보를 획득하고, 획득된 정보에 기초하여 대상체를 인식하는 기술은 약물 분류, 식품 분석, 생활 환경의 오염물 분석 등과 같이 대상체의 특성을 분석하는 분야뿐만 아니라 얼굴 인식 등과 같이 대상체 자체를 식별(identify)하는 분야에서 널리 이용되고 있다. 한편, 장치가 사용자의 개입 없이 자동으로 대상체를 인식하는 것은 다양한 종류의 패턴 인식 알고리즘(pattern recognition algorithm)의 발달로 인해 가능해졌다.
다양한 실시예들은 대상체 인식 장치 및 그 동작 방법을 제공하는데 있다. 본 개시가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
상술한 기술적 과제를 해결하기 위한 수단으로서, 일 측면에 따른 대상체 인식 장치는, 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하기 위한 제1 분광기(spectrometer); 상기 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득하기 위한 제2 분광기; 상기 대상체에 대한 이미지 데이터를 획득하기 위한 이미지 센서; 및 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 적어도 둘 이상으로부터 획득되는 데이터와 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 상기 대상체를 식별하는 프로세서를 포함할 수 있다.
일부 실시예에 따르면, 상기 제1 분광기는 제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하고, 상기 제2 분광기는 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 반사되는 광을 상기 제2 파장 대역과 동일한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
다른 실시예에 따르면, 상기 제1 분광기는 제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하고, 상기 제2 분광기는 상기 제1 파장 대역과 상이한 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제2 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
예를 들어, 상기 제1 유형의 스펙트럼 데이터는 라만(Raman) 스펙트럼을 포함하고, 상기 제2 유형의 스펙트럼 데이터는 가시(visible) 스펙트럼, 형광 스펙트럼, 마이크로파스펙트럼, 적외선 스펙트럼 및 X선 스펙트럼 중 적어도 하나를 포함할 수 있다.
상기 대상체 인식 장치는, 상기 제1 유형의 스펙트럼 데이터를 획득하기 위해 상기 제1 분광기와 함께 이용되는 제1 광원; 및 상기 제2 유형의 스펙트럼 데이터를 획득하기 위해 상기 제2 분광기와 함께 이용되는 제2 광원을 더 포함하고, 상기 제1 광원에 의해 조사되는 광의 반치폭(half width)은 중심파장의 1/100 이하이고, 상기 제2 광원에 의해 조사되는 광의 반치폭은 중심파장의 1/3 이상일 수 있다.
상기 프로세서는, 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 하나로부터 획득되는 데이터를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 다른 하나로부터 획득되는 데이터를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과와 상기 제2 패턴 인식 알고리즘의 추정 결과의 가중 합계(weighted sum)를 최종 추정 결과로 결정할 수 있다.
예를 들어, 상기 프로세서는, 상기 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분(component)으로 포함하는 벡터가 상기 제1 패턴 인식 알고리즘 및 상기 제2 패턴 인식 알고리즘 각각의 추정 결과로 출력되는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과 및 상기 제2 패턴 인식 알고리즘의 추정 결과 중 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 더 큰 추정 결과에 더 높은 가중치를 적용할 수 있다.
한편, 상기 프로세서는, 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 하나로부터 획득되는 데이터를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 다른 하나로부터 획득되는 데이터를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 상이한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제1 특성 및 상기 제2 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제2 특성을 종합하여 상기 대상체를 식별할 수도 있다.
상기 프로세서는, 상기 적어도 둘 이상의 패턴 인식 알고리즘들로부터 획득되는 추정 결과들로부터 상기 대상체의 성질, 상태, 종류, 구성성분 및 외관 중 적어도 하나에 대한 정보를 획득하고, 상기 획득된 정보에 기초하여 상기 대상체를 식별할 수 있다.
상기 제1 분광기 및 상기 제2 분광기 각각은 격자(grating) 및 필터 어레이(filter array) 중 적어도 하나를 이용하여 상기 제1 유형의 스펙트럼 데이터 또는 상기 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
또한, 다른 측면에 따른 대상체 인식 장치의 동작 방법은, 하나 이상의 분광기를 이용하여 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득하는 단계; 이미지 센서를 이용하여 상기 대상체에 대한 이미지 데이터를 획득하는 단계; 및 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 적어도 둘 이상과 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 상기 대상체를 식별하는 단계를 포함할 수 있다.
일부 실시예에 따르면, 상기 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득하는 단계는, 제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하는 단계; 및 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 반사되는 광을 상기 제2 파장 대역과 동일한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 상기 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득하는 단계는, 제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하는 단계; 및 상기 제1 파장 대역과 상이한 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제2 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득하는 단계를 포함할 수 있다.
예를 들어, 상기 제1 유형의 스펙트럼 데이터는 라만 스펙트럼을 포함하고, 상기 제2 유형의 스펙트럼 데이터는 가시 스펙트럼, 형광 스펙트럼, 마이크로파스펙트럼, 적외선 스펙트럼 및 X선 스펙트럼 중 적어도 하나를 포함할 수 있다.
한편, 상기 방법은, 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 하나를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 다른 하나를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과와 상기 제2 패턴 인식 알고리즘의 추정 결과의 가중 합계를 최종 추정 결과로 결정하는 단계를 더 포함할 수 있다.
예를 들어, 상기 가중 합계를 최종 추정 결과로 결정하는 단계는, 상기 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분으로 포함하는 벡터가 상기 제1 패턴 인식 알고리즘 및 상기 제2 패턴 인식 알고리즘 각각의 추정 결과로 출력되는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과 및 상기 제2 패턴 인식 알고리즘의 추정 결과 중 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 더 큰 추정 결과에 더 높은 가중치를 적용하는 단계를 포함할 수 있다.
상기 방법은, 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 하나를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 다른 하나를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 상이한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제1 특성 및 상기 제2 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제2 특성을 종합하여 상기 대상체를 식별하는 단계를 더 포함할 수도 있다.
또한, 상기 대상체를 식별하는 단계는, 상기 적어도 둘 이상의 패턴 인식 알고리즘들로부터 획득되는 추정 결과들로부터 상기 대상체의 성질, 상태, 종류, 구성성분 및 외관 중 적어도 하나에 대한 정보를 획득하는 단계; 및 상기 획득된 정보에 기초하여 상기 대상체를 식별하는 단계를 포함할 수 있다.
상기 하나 이상의 분광기는 격자 및 필터 어레이 중 적어도 하나를 이용하여 상기 제1 유형의 스펙트럼 데이터 또는 상기 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
또한, 또 다른 측면에 따른 대상체 인식 장치는, 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하기 위한 제1 분광기; 상기 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득하기 위한 제2 분광기; 및 상기 제1 유형의 스펙트럼 데이터를 입력으로 하는 제1 패턴 인식 알고리즘 및 상기 제2 유형의 스펙트럼 데이터를 입력으로 하는 제2 패턴 인식 알고리즘을 이용하여 상기 대상체를 식별하는 프로세서를 포함할 수 있다.
또한, 또 다른 측면에 따른 대상체 인식 장치는, 대상체로부터 산란, 방출 또는 반사되는 광으로부터 스펙트럼 데이터를 획득하기 위한 분광기; 상기 대상체에 대한 이미지 데이터를 획득하기 위한 이미지 센서; 및 상기 스펙트럼 데이터를 입력으로 하는 제1 패턴 인식 알고리즘 및 상기 이미지 데이터를 입력으로 하는 제2 패턴 인식 알고리즘을 이용하여 상기 대상체를 식별하는 프로세서를 포함할 수 있다.
도 1은 일부 실시예에 따른 대상체 인식 장치의 일 예를 나타내는 블록도이다.
도 2는 일부 실시예에 따른 대상체 인식 장치가 동작하는 전체적인 과정을 설명하기 위한 개요도이다.
도 3 내지 도 5는 대상체들에 대해 획득된 스펙트럼 데이터의 예시들을 나타내는 도면이다.
도 6은 일부 실시예에 따라 복수의 패턴 인식 알고리즘들의 추정 결과들을 조합하여 최종 추정 결과를 획득하는 방법을 설명하기 위한 예시 도면이다.
도 7은 일부 실시예에 따른 대상체 인식 장치의 다른 예를 나타내는 블록도이다.
도 8은 일부 실시예에 따른 대상체 인식 장치의 또 다른 예를 나타내는 블록도이다.
도 9는 일부 실시예에 따른 대상체 인식 장치의 동작 방법을 나타내는 흐름도이다.
본 실시예들에서 사용되는 용어는 본 실시예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 기술분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 임의로 선정된 용어도 있으며, 이 경우 해당 실시예의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 실시예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시예들의 전반에 걸친 내용을 토대로 정의되어야 한다.
실시예들에 대한 설명들에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 그 중간에 다른 구성요소를 사이에 두고 전기적으로 연결되어 있는 경우도 포함한다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 실시예들에서 사용되는 "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 '제 1' 또는 '제 2' 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다.
하기 실시예들에 대한 설명은 권리범위를 제한하는 것으로 해석되지 말아야 하며, 해당 기술분야의 당업자가 용이하게 유추할 수 있는 것은 실시예들의 권리범위에 속하는 것으로 해석되어야 할 것이다. 이하 첨부된 도면들을 참조하면서 오로지 예시를 위한 실시예들을 상세히 설명하기로 한다.
도 1은 일부 실시예에 따른 대상체 인식 장치의 일 예를 나타내는 블록도이다.
대상체 인식 장치(10)는 대상체(Object)의 특성을 분석하거나, 대상체 자체를 식별하는 장치라면 제한 없이 해당될 수 있다. 예를 들어, 대상체 인식 장치(10)는 모바일 디바이스, 스마트폰, 태블릿, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player) 등과 같은 휴대 단말에 해당될 수 있으나, 이에 반드시 제한되는 것은 아니다. 예를 들어, 대상체 인식 장치(10)는 PC(Personal Computer), 스마트 TV, 디지털 방송 수신기, 드론(drone), 첨단 운전자 보조 시스템(Advanced Drivers Assistance System; ADAS) 등과 같은 로봇 장치, 의료 디바이스, 영상 표시 디바이스, 계측 디바이스, IoT 디바이스 등에 해당될 수 있으며, 이 외에도 다양한 종류의 전자 디바이스들 중 적어도 하나에 해당될 수 있다. 한편, 대상체는 사람, 사물, 지형, 식물 등을 포함할 수 있으며, 대상체 인식 장치(10)가 이용되는 분야에 따라 제한 없이 변경될 수 있다.
도 1을 참조하면, 대상체 인식 장치(10)는 제1 분광기(110), 제2 분광기(120), 이미지 센서(130) 및 프로세서(140)를 포함할 수 있다. 다만, 도 1에 도시된 대상체 인식 장치(10)에는 본 실시예들와 관련된 구성요소들만이 도시되어 있다. 따라서, 대상체 인식 장치(10)에는 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당업자에게 자명하다. 예를 들어, 대상체 인식 장치(10)는 광원(미도시) 및 메모리(미도시)를 더 포함할 수 있다.
광원은 광을 대상체로 조사하기 위한 장치를 의미할 수 있다. 예를 들어, 광원은 복수의 서로 다른 파장 대역의 광을 대상체를 향해 조사할 수 있다. 예를 들어, 광원은 단파장의 강한 세기의 광을 조사하는 레이저 다이오드일 수 있고, 가시광 대역의 브로드(broad)한 광을 조사하는 LED(Light Emitting Diode) 또는 형광등일 수도 있다. 다만, 이에 반드시 제한되는 것은 아니다. 광원은 대상체의 특성 또는 형상 분석에 적합한 파장 대역의 광을 방출할 수 있다.
서로 다른 광원이 제1 분광기(110) 및 제2 분광기(120) 각각에 포함될 수 있으며, 동일한 광원이 제1 분광기(110) 및 제2 분광기(120) 간에 공유될 수도 있다. 일 예에서, 제1 분광기(110)와 함께 이용되는 제1 광원에 의해 조사되는 광의 반치폭(half width)은 중심파장의 1/100이하일 수 있고, 제2 분광기(120)와 함께 이용되는 제2 광원에 의해 조사되는 광의 반치폭은 중심파장의 1/3 이상일 수 있다. 반치폭이란 광의 파장에 따른 세기(intensity)의 분포를 나타내는 스펙트럼에 있어서, 최대 세기의 1/2에 대응하는 스펙트럼 폭을 의미할 수 있다. 이와 같이, 제1 분광기(110) 및 제2 분광기(120)는 서로 상이한 반치폭을 갖는 광원들을 이용함으로써, 대상체에 대한 다양한 유형의 정보를 획득할 수 있다.
메모리는 대상체 인식 장치(10) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 예를 들어, 메모리는 대상체 인식 장치(10)에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 또한, 메모리는 대상체 인식 장치(10)에 의해 구동될 애플리케이션들, 드라이버들 등을 저장할 수 있다. 일 예에서, 메모리는 후술할 패턴 인식 알고리즘들을 저장할 수 있다.
메모리는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함하며, 나아가서, 대상체 인식 장치(10)에 액세스될 수 있는 외부의 다른 스토리지 디바이스를 포함할 수 있다.
제1 분광기(110)는 대상체로부터 산란(scattering), 방출(emission) 또는 반사(reflection)되거나 대상체에 의해 흡수(absorption)되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하기 위한 장치를 의미할 수 있다. 다만, 이에 반드시 제한되는 것은 아니며, 제1 분광기(110)는 대상체를 통해 전달(transmission)되거나 굴절(refraction)되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득할 수도 있다. 일 예에서, 광원에 의해 생성된 광 또는 자연광이 대상체로 조사되면, 대상체는 광을 흡수, 산란, 방출 또는 반사할 수 있고, 제1 분광기(110)는 대상체가 흡수, 산란, 방출 또는 반사하는 광의 스펙트럼 데이터를 측정할 수 있다. 대상체를 구성하는 물질의 종류에 따라 스펙트럼 데이터가 상이할 수 있으므로, 측정된 스펙트럼 데이터를 분석하면 대상체를 구성하는 물질의 종류가 추정될 수 있다.
제2 분광기(120)는 대상체로부터 산란, 방출, 또는 반사되거나 대상체에 의해 흡수되는 광으로부터 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득할 수 있다. 다만, 이에 반드시 제한되는 것은 아니며, 제2 분광기(120)는 대상체를 통해 전달되거나 굴절되는 광으로부터 제2 유형의 스펙트럼 데이터를 획득할 수도 있다. 스펙트럼 데이터의 유형이 상이하다는 것은 스펙트럼 데이터를 측정하기 위해 이용되는 광원이 조사하는 광의 파장 대역 및 분광기에서 스펙트럼 데이터가 측정되는 파장 대역 중 적어도 하나가 상이함을 의미할 수 있다. 스펙트럼 데이터의 유형들 각각은 대상체의 특정한 특성을 분석하는데 유리한 특징을 가질 수 있다.
일 예에 따르면, 제1 분광기(110)가 제1 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 산란 또는 방출되는 광을 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 제1 유형의 스펙트럼 데이터를 획득하는 경우, 제2 분광기(120)는 제2 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 반사되는 광을 제2 파장 대역과 동일한 파장 대역에서 측정함으로써 제2 유형의 스펙트럼 데이터를 획득할 수 있다. 전술한 예시에서 제1 파장 대역 및 제2 파장 대역이 서로 동일한 경우, 제1 분광기(110)에서 스펙트럼 데이터가 측정되는 파장 대역과 제2 분광기(120)에서 스펙트럼 데이터가 측정되는 파장 대역이 서로 상이하므로, 제1 분광기(110)에 의해 획득되는 스펙트럼 데이터와 제2 분광기(120)에 의해 획득되는 스펙트럼 데이터는 서로 유형이 상이한 것이다.
한편, 전술한 예시에서 제1 파장 대역 및 제2 파장 대역이 서로 상이한 경우, 제1 분광기(110)에서 스펙트럼 데이터가 측정되는 파장 대역과 제2 분광기(120)에서 스펙트럼 데이터가 측정되는 파장 대역이 서로 동일한지 여부와 상관 없이, 제1 분광기(110)에 의해 획득되는 스펙트럼 데이터와 제2 분광기(120)에 의해 획득되는 스펙트럼 데이터는 서로 유형이 상이할 수 있다.
다른 예에서, 제1 분광기(110)가 제1 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 산란 또는 방출되는 광을 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 제1 유형의 스펙트럼 데이터를 획득하는 경우, 제2 분광기(120)는 제1 파장 대역과 상이한 제2 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 산란 또는 방출되는 광을 제2 파장 대역과 상이한 파장 대역에서 측정함으로써 제2 유형의 스펙트럼 데이터를 획득할 수 있다. 이 경우, 제1 분광기(110)에서 스펙트럼 데이터가 측정되는 파장 대역과 제2 분광기(120)에서 스펙트럼 데이터가 측정되는 파장 대역은 서로 동일할 수도 있고, 서로 상이할 수도 있다.
일부 실시예에 따르면, 제1 분광기(110)에 의해 획득되는 제1 유형의 스펙트럼 데이터는 라만(Raman) 스펙트럼을 포함하고, 제2 분광기(120)에 의해 획득되는 제2 유형의 스펙트럼 데이터는 가시(visible) 스펙트럼, 형광 스펙트럼, 마이크로파스펙트럼, 적외선 스펙트럼 및 X선 스펙트럼 중 적어도 하나를 포함할 수 있다. 다만, 이에 반드시 제한되는 것은 아니다. 라만 스펙트럼은 레이저 다이오드와 같은 광원을 이용하여 단파장의 강한 세기의 광을 대상체에 조사한 뒤, 광원의 파장 대역과 다른 파장 대역에서 대상체로부터 산란 또는 방출되는 광을 측정하였을 때 획득되는 스펙트럼을 의미할 수 있다.
한편, 도 1에는 2개의 분광기들(즉, 제1 분광기(110) 및 제2 분광기(120))만이 대상체 인식 장치(10)에 포함되는 것으로 도시되어 있으나, 대상체 인식 장치(10)는 2개보다 많거나 적은 분광기를 포함할 수 있다. 대상체 인식 장치(10)가 2개보다 많은 분광기들을 포함하는 경우, 분광기들에 의해 획득되는 스펙트럼 데이터의 유형들은 전술한 예시들의 조합에 기초하여 서로 상이해질 수 있다. 또한, 제1 분광기(110) 및 제2 분광기(120)는 설명의 편의를 위해 구분하여 표현하였지만, 반드시 서로 물리적으로 구분되는 별도의 장치일 필요는 없다. 하나의 분광기라도 상이한 유형의 스펙트럼 데이터를 측정하도록 구성된 기능 단위들로 구분될 수 있다면, 기능 단위들 각각이 제1 분광기(110) 및 제2 분광기(120)로 지칭될 수 있다.
제1 분광기(110) 및 제2 분광기(120) 각각은 격자(grating) 및 필터 어레이(filter array) 중 적어도 하나를 이용하여 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득할 수 있다. 격자는 광의 굴절, 반사 또는 회절을 이용하여 분광을 수행하는 소자에 해당할 수 있고, 필터 어레이는 특정 파장이나 파장 범위를 선별적으로 투과 또는 차단하는 필터들을 이용하여 분광을 수행하는 소자에 해당할 수 있다.
이미지 센서(130)는 대상체에 대한 이미지 데이터를 획득하기 위한 장치를 의미할 수 있다. 이미지 센서(130)는 포토다이오드 어레이, CCD(Charge Coupled Device) 센서 또는 CMOS(Complementary Metal Oxide Semiconductor) 센서일 수 있으나, 이에 반드시 제한되는 것은 아니다. 이미지 센서(130)는 대상체의 색상 또는 형상 등과 같은 외관에 대한 정보를 포함하는 이미지를 획득할 수 있다. 예를 들어, 이미지 센서(130)는 대상체에 대한 RGB 이미지를 획득할 수 있다.
제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 중 둘 이상이 조합되어 하나의 디텍터(detector) 어레이로 구성될 수 있으나, 이에 제한되는 것은 아니다. 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 각각은 하드웨어적으로 분리된 별개의 디텍터로 구성될 수도 있다.
프로세서(140)는 대상체 인식 장치(10)를 제어하기 위한 전반적인 기능을 수행하는 역할을 한다. 예를 들어, 프로세서(140)는 제1 분광기(110), 제2 분광기(120), 이미지 센서(130) 및 광원의 동작을 제어할 수 있다. 한편, 프로세서(140)는 다수의 논리 게이트들의 어레이로 구현될 수 있고, 범용적인 마이크로 프로세서와 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다.
프로세서(140)는 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 중 적어도 둘 이상으로부터 획득되는 데이터와 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 대상체를 식별할 수 있다. 이와 같이, 프로세서(140)는 특정 유형의 스펙트럼 데이터 또는 이미지 데이터만을 이용하여 대상체를 식별하지 않고, 다양한 유형의 스펙트럼 데이터 및 이미지 데이터를 종합적으로 고려하여 대상체를 식별하는바, 대상체 인식의 정확도가 증가될 수 있다. 이하 도 2를 참조하여 대상체 인식 장치(10)가 동작하는 과정을 보다 상세히 설명한다.
도 2는 일부 실시예에 따른 대상체 인식 장치가 동작하는 전체적인 과정을 설명하기 위한 개요도이다.
도 2를 참조하면, 제1 분광기(210), 제2 분광기(220) 및 이미지 센서(230)를 포함하는 대상체 인식 장치의 동작 과정이 일 예시로서 도시되어 있다. 제1 분광기(210), 제2 분광기(220) 및 이미지 센서(230) 각각은 도 1의 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130)에 대응되므로, 중복되는 설명은 생략한다. 일 예에서, 제1 분광기(210)는 필터 어레이(20a)를 이용하여 대상체에 대한 제1 유형의 스펙트럼 데이터를 획득하고, 제2 분광기(220)는 격자(20b)를 이용하여 대상체에 대한 제2 유형의 스펙트럼 데이터를 획득하며, 이미지 센서(230)는 대상체에 대한 이미지 데이터를 획득할 수 있다. 다만, 이는 예시에 불과할 뿐, 본 개시에 따른 실시예들을 제한하고자 하는 것은 아니다.
제1 분광기(210)에 의해 획득되는 제1 유형의 스펙트럼 데이터는 N+1개의 파장들(
Figure pat00001
)에서의 광의 세기(intensity)에 대한 정보를 포함하고, 제2 분광기(220)에 의해 획득되는 제2 유형의 스펙트럼 데이터는 M+1개의 파장들(
Figure pat00002
)에서의 광의 세기에 대한 정보를 포함할 수 있다. 또한, 이미지 센서(230)에 의해 획득되는 이미지 데이터는 대상체의 외형에 대한 정보를 포함할 수 있다. 동작(operation) 240a, 240b 및 240c에서, 대상체 인식 장치는 제1 유형의 스펙트럼 데이터, 제2 유형의 스펙트럼 데이터 및 이미지 데이터 각각에 대한 데이터 처리를 수행할 수 있다. 데이터 처리는 패턴 인식 알고리즘에 입력되기에 적합한 형태로 데이터를 수정하는 것을 의미할 수 있다.
이후, 제1 유형의 스펙트럼 데이터는 제1 패턴 인식 알고리즘(250a)에 입력될 수 있고, 제1 패턴 인식 알고리즘(250a)은 제1 유형의 스펙트럼 데이터에 대응되는 추정 결과를 출력할 수 있다. 또한, 제2 유형의 스펙트럼 데이터는 제2 패턴 인식 알고리즘(250b)에 입력될 수 있고, 제2 패턴 인식 알고리즘(250b)은 제2 유형의 스펙트럼 데이터에 대응되는 추정 결과를 출력할 수 있다. 마지막으로, 이미지 데이터는 제3 패턴 인식 알고리즘(250c)에 입력될 수 있고, 제3 패턴 인식 알고리즘(250c)은 이미지 데이터에 대응되는 추정 결과를 출력할 수 있다. 추정 결과들은 대상체의 특성을 추정한 결과를 포함할 수 있다.
제1 패턴 인식 알고리즘(250a), 제2 패턴 인식 알고리즘(250b) 및 제3 패턴 인식 알고리즘(250c) 각각은 입력 데이터에 대한 패턴 인식을 통해 입력 데이터에 대응되는 추정 결과를 출력하는 알고리즘이라면 제한 없이 해당될 수 있다. 예를 들어, 패턴 인식 알고리즘은 분류(classification) 알고리즘, 클러스터링(clustering) 알고리즘, 앙상블 학습(Ensemble learning) 알고리즘, 임의의 구조화된 레이블을 예측하기 위한 일반적인 알고리즘, 회귀(regression) 알고리즘 등에 해당할 수 있다.
분류 알고리즘은 Linear SVC, Na
Figure pat00003
ve Bayes Classifier, KNeighbors Classifier, Ensemble Classifiers, SGD Classifier, kernel approximation, 뉴럴 네트워크(Neural Network), SVM, decision Trees, Logistic Regression 등을 포함할 수 있고, 클러스터링 알고리즘은 Spectral Clustering, Kmeans Clustering, MiniBatch Kmeans Clustering 등을 포함할 수 있다. 또한, 앙상블 학습 알고리즘은 Boosting (meta-algorithm), Bootstrap aggregating ("bagging"), Ensemble averaging 등을 포함하고, 임의의 구조화된 레이블을 예측하기 위한 일반적인 알고리즘은 Bayesian networks, Markov random fields를 포함하며, 회귀 알고리즘은 Gaussian process regression (kriging), Linear regression and extensions, Neural networks and Deep learning methods, Independent component analysis (ICA), Principal components analysis (PCA) 등을 포함할 수 있다.
한편, 뉴럴 네트워크는 1개 이상의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network: DNN) 또는 n-계층 뉴럴 네트워크(n-layers neural networks)일 수 있다. DNN은 Convolutional Neural Networks(CNN), Recurrent Neural Networks(RNN), Deep Belief Networks, Restricted Boltzman Machines 등을 포함할 수 있으나, 이에 제한되지 않는다. 패턴 인식 알고리즘이 뉴럴 네트워크인 경우, 패턴 인식 알고리즘의 추정 결과는 뉴럴 네트워크의 추론(inference) 결과에 대응될 수 있다.
일 예에서, 제1 패턴 인식 알고리즘(250a), 제2 패턴 인식 알고리즘(250b) 및 제3 패턴 인식 알고리즘(250c) 각각은 대상체의 특성과 관련하여 기 정의된 복수의 클래스들 중 입력 데이터에 대응되는 클래스를 예측하도록 학습된 뉴럴 네트워크일 수 있다. 예를 들어, 미리 학습된 제1 패턴 인식 알고리즘(250a), 제2 패턴 인식 알고리즘(250b) 및 제3 패턴 인식 알고리즘(250c) 각각은 입력되는 데이터에 대해 특징 추출, 패턴 인식 등을 수행할 수 있다. 한편, 제1 패턴 인식 알고리즘(250a), 제2 패턴 인식 알고리즘(250b) 및 제3 패턴 인식 알고리즘(250c) 각각에 입력되는 데이터의 종류가 서로 상이하므로, 제1 패턴 인식 알고리즘(250a), 제2 패턴 인식 알고리즘(250b) 및 제3 패턴 인식 알고리즘(250c)는 서로 다른 훈련 데이터 세트들에 의해 개별적으로 학습된 것일 수 있다. 다만, 이에 반드시 제한되는 것은 아니다.
동작 260에서, 대상체 인식 장치는 제1 패턴 인식 알고리즘(250a), 제2 패턴 인식 알고리즘(250b) 및 제3 패턴 인식 알고리즘(250c)으로부터 출력되는 추정 결과들 중 적어도 둘 이상을 조합할 수 있고, 동작 270에서, 대상체 인식 장치는 추정 결과들의 조합에 기초하여 대상체 인식과 관련된 최종 결과를 출력할 수 있다. 이하 도 3 내지 도 5를 참조하여, 본 개시에 따른 대상체 인식 장치가 다양한 유형의 스펙트럼 데이터 및 이미지 데이터로부터 추정되는 추정 결과들을 조합하여 대상체 인식을 수행함에 따른 효과를 상세히 설명한다.
도 3 내지 도 5는 대상체들에 대해 획득된 스펙트럼 데이터의 예시들을 나타내는 도면이다.
도 3을 참조하면, 대상체들이 알약 GluM SR 및 알약 Vytorin 10/20 mg인 경우, GluM SR 및 Vytorin 10/20 mg에 대해 획득된 라만 스펙트럼(310)이 도시되어 있다. 도 3의 라만 스펙트럼(310)은 GluM SR 및 Vytorin 10/20 mg 각각에 레이저 다이오드를 이용하여 740 nm의 광을 조사한 뒤, 750 nm 내지 900 nm의 파장 대역에서 광을 측정하였을 때 획득되는 스펙트럼 데이터를 포함한다.
도 3을 참조하면, GluM SR 및 Vytorin 10/20 mg는 서로 다른 성분으로 구성되는바, 스펙트럼 데이터의 형태가 서로 상이함을 알 수 있다. 따라서, GluM SR 및 Vytorin 10/20 mg 각각에 대해 획득된 스펙트럼 데이터에 기초하여 패턴 인식을 수행하면, GluM SR 및 Vytorin 10/20 mg의 구별이 가능하다. 다만, 이와 같이 라만 스펙트럼(310)만을 이용하여 서로 다른 대상체들을 구별 가능한 경우는 일부 특수한 경우에만 해당될 수 있다.
구성 성분은 동일하나, 외관에 차이가 있는 대상체들은 특정한 유형의 스펙트럼 데이터만으로는 명확히 구분되기 어려울 수 있다. 예를 들어, 도 4를 참조하면, 대상체들이 알약 Glimel 1mg, 알약 Glimel 2mg 및 알약 Glimel 3mg인 경우, Glimel 1mg, Glimel 2mg 및 Glimel 3mg에 대해 획득된 라만 스펙트럼(410)이 도시되어 있다. Glimel 1mg, Glimel 2mg 및 Glimel 3mg은 서로 동일한 성분으로 구성되는바, 스펙트럼 데이터의 형태가 거의 동일함을 알 수 있다. 따라서, 라만 스펙트럼(410)만을 이용하는 경우 Glimel 1mg, Glimel 2mg 및 Glimel 3mg 각각을 구별하는 것이 어려울 수 있다.
다만, Glimel 1mg, Glimel 2mg 및 Glimel 3mg 각각은 서로 다른 색상 및 크기를 갖는바, Glimel 1mg, Glimel 2mg 및 Glimel 3mg의 외관에 대한 정보를 포함하는 RGB 이미지 데이터 또는 가시스펙트럼 데이터를 추가로 획득하는 경우, Glimel 1mg, Glimel 2mg 및 Glimel 3mg 각각을 구별하는 것이 가능할 수 있다.
라만 스펙트럼(410)은 대상체에 레이저 다이오드를 이용하여 740 nm의 광을 조사한 뒤, 750 nm 내지 900 nm의 파장 대역에서 광을 측정하였을 때 획득되는 스펙트럼 데이터이고, RGB 이미지 데이터 또는 가시스펙트럼 데이터는 대상체에 LED, 자연광, 형광등과 같은 브로드(broad)한 광원을 이용하여 가시광 대역(예를 들어, 400 nm 내지 700 nm)의 광을 조사한 뒤, 광원과 동일한 파장 대역(즉, 400 nm 내지 700 nm)에서 광을 측정하였을 때 획득되는 데이터일 수 있다.
도 5를 참조하면, 대상체들이 글루코오스(Glucose)를 단일 성분으로 포함하는 물질, 콜라겐(Collagen)을 단일 성분으로 포함하는 물질, 및 글루코오스와 콜라겐을 50%씩 포함하는 조성물인 경우, 대상체들에 대해 획득된 형광 스펙트럼(510) 및 라만 스펙트럼(520)이 도시되어 있다. 형광 스펙트럼(510)은 대상체에 레이저 다이오드를 이용하여 514 nm의 광을 조사한 뒤, 520 nm 내지 820 nm의 파장 대역에서 광을 측정하였을 때 획득되는 스펙트럼 데이터를 의미하고, 라만 스펙트럼(520)은 대상체에 레이저 다이오드를 이용하여 1064 nm의 광을 조사한 뒤, 1070 nm 내지 1370 nm의 파장 대역에서 광을 측정하였을 때 획득되는 스펙트럼 데이터를 의미할 수 있다.
도 5에 도시된 스펙트럼 데이터들의 형태를 고려하면, 글루코오스는 라만 스펙트럼(520)에서 지배적이며, 콜라겐은 형광 스펙트럼(510)에서 지배적임을 알 수 있다. 따라서, 두 가지 성분이 혼합된 조성물에서 각 성분의 존재 여부를 확인하거나, 함량 분석을 수행하는 경우, 형광 스펙트럼(510) 및 라만 스펙트럼(520)이 모두 이용되어야 한다. 주성분이 콜라겐이고, 소량의 글루코오스만을 포함하는 물질에서 글루코오스의 존재 여부는 형광 스펙트럼(510)을 이용해서는 확인이 어렵고, 라만 스펙트럼(520)을 이용하여야 확인이 가능하기 때문이다. 또한, 주성분이 글루코오스이고, 소량의 콜라겐만을 포함하는 물질에서 콜라겐의 존재 여부는 라만 스펙트럼(520)을 이용해서는 확인이 어렵고, 형광 스펙트럼(510)을 이용하여야만 확인이 가능하기 때문이다.
한편, 종래의 얼굴 인식 기술은 대상체의 외관을 RGB 이미지로 획득하고, 획득된 RGB 이미지에 대해 패턴 인식을 적용함으로써 수행되었다. 따라서, 만약 대상체와 동일한 외관을 갖는 마네킹이 제작 가능하다고 하다면, 실제 대상체가 아님에도 불구하고 얼굴 인식이 수행될 수 있고, 이에 따라 보안 이슈가 발생될 수 있다. 전술한 문제는 RGB 이미지 외에 대상체의 종류, 구성성분 등을 식별할 수 있는 스펙트럼 데이터를 함께 이용하면 해결될 수 있다.
이와 같이, 대상체 인식 장치가 특정 유형의 스펙트럼 데이터 또는 이미지 데이터만이 아니라 다양한 유형의 스펙트럼 데이터 및 이미지 데이터로부터 추정되는 추정 결과들을 조합하여 대상체 인식을 수행할 경우, 대상체 인식의 정확도가 증가할 뿐만 아니라 보안 강화와 같은 추가적인 효과가 획득될 수 있다.
다시 도 1로 돌아와서, 프로세서(140)는 제1 분광기(110)로부터 획득되는 제1 유형의 스펙트럼 데이터를 입력으로 하는 패턴 인식 알고리즘, 제2 분광기(120)로부터 획득되는 제2 유형의 스펙트럼 데이터를 입력으로 하는 패턴 인식 알고리즘 및 이미지 센서(130)로부터 획득되는 이미지 데이터를 입력으로 하는 패턴 인식 알고리즘의 추정 결과들을 조합하여 최종 추정 결과를 획득할 수 있다. 한편, 프로세서(140)가 패턴 인식 알고리즘들로부터 출력되는 추정 결과들 중 적어도 둘 이상을 조합하는 방법은 패턴 인식 알고리즘들로부터 출력되는 추정 결과들의 형식에 따라 달라질 수 있다.
일부 실시예에 따르면, 프로세서(140)는 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 중 하나로부터 획득되는 데이터를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 중 다른 하나로부터 획득되는 데이터를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 제1 패턴 인식 알고리즘의 추정 결과와 제2 패턴 인식 알고리즘의 추정 결과의 가중 합계(weighted sum)를 최종 추정 결과로 결정할 수 있다. 추정 결과의 형식이 서로 동일하다는 것은 패턴 인식 알고리즘들의 추정 결과로부터 추정되는 대상체의 특성의 종류가 동일하고, 대상체의 특성이 선택되기 위한 선택지들의 개수 및 종류가 동일함을 의미할 수 있다. 이하 도 6을 참조하여 제1 패턴 인식 알고리즘의 추정 결과와 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 최종 추정 결과가 결정되는 과정을 보다 상세히 설명한다.
도 6은 일부 실시예에 따라 복수의 패턴 인식 알고리즘들의 추정 결과들을 조합하여 최종 추정 결과를 획득하는 방법을 설명하기 위한 예시 도면이다.
도 6을 참조하면, 패턴 인식 알고리즘이 뉴럴 네트워크인 예시에 있어서, 제1 유형의 스펙트럼 데이터(610a)가 제1 뉴럴 네트워크(620a)에 입력됨에 따라 제1 추론 결과(630a)가 출력되고, 제2 유형의 스펙트럼 데이터(610b)가 제2 뉴럴 네트워크(620b)에 입력됨에 따라 제2 추론 결과(630b)가 출력되는 예시가 도시되어 있다.
제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a) 및 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b) 각각은 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분(component)으로 포함하는 벡터에 대응될 수 있다. 예를 들어, 대상체의 특성이 대상체의 종류인 경우, class 0는 사람, class 1은 강아지, class 2는 고양이, class 3는 새를 나타낼 수 있고, 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a) 및 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b) 각각은 대상체의 종류가 각 클래스로 분류될 확률 값을 포함할 수 있다. 이와 같이, 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a) 및 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)로부터 추정되는 대상체의 특성이 동일하고, 대상체의 특성이 선택되기 위한 선택지들(class 0 내지 class 3)이 동일한 경우, 추론 결과의 형식이 서로 동일한 것일 수 있다.
한편, 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a)는 대상체의 특성이 class 0에 해당할 확률이 0이고, 대상체의 특성이 class 1에 해당할 확률이 0.2이며, 대상체의 특성이 class 2에 해당할 확률이 0.7이고, 대상체의 특성이 class 3에 해당할 확률이 0.1이라는 정보를 포함한다. 이에 반해, 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)는 대상체의 특성이 class 0에 해당할 확률이 0이고, 대상체의 특성이 class 1에 해당할 확률이 0.4이며, 대상체의 특성이 class 2에 해당할 확률이 0.3이고, 대상체의 특성이 class 3에 해당할 확률이 0.3이라는 정보를 포함한다.
제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a)에서 가장 높은 확률 값은 0.7이고, 두 번째로 높은 확률 값은 0.2인바, 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 0.5로 비교적 크다. 따라서, 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a)에 따르면, 대상체가 어떤 클래스에 속하는지에 대한 강한 추정이 가능하다. 이에 반해, 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)에서 가장 높은 확률 값은 0.4이고, 두 번째로 높은 확률 값은 0.3인바, 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 0.1로 상당히 작다. 따라서, 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)에 따르면, 대상체가 어떤 클래스에 속하는지에 대한 강한 추정이 어렵다.
따라서, 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a) 및 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)를 모두 고려하면서 정확도 높은 추정이 수행되기 위해서는 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)보다 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a)에 높은 가중치가 적용되어야 한다. 예를 들어, 제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a)에는 가중치 0.8이 적용되고, 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)에는 가중치 0.2가 적용될 수 있다.
제1 뉴럴 네트워크(620a)의 제1 추론 결과(630a)와 제2 뉴럴 네트워크(620b)의 제2 추론 결과(630b)의 가중 합계가 계산될 수 있고, 계산된 가중합계가 최종 추론 결과(640)로 결정될 수 있다. 최종 추론 결과(640)에 따르면, 대상체의 특성이 class 2에 해당할 확률이 0.62로 가장 높은바, 대상체의 특성은 class 2에 해당하는 것으로 추정될 수 있다.
한편, 도 6에는 설명의 편의를 위해 2개의 뉴럴 네트워크들로부터 출력되는 추론 결과들을 조합하는 예시가 도시되어 있으나, 이는 예시에 불과할 뿐이다. 해당 기술분야의 통상의 기술자는 대상체를 식별하기 위해 이용되는 데이터의 종류가 2개보다 많을 수 있고, 이 경우 2개보다 많은 수의 뉴럴 네트워크들로부터 출력되는 추론 결과들이 조합될 수 있음을 쉽게 이해할 것이다.
다시 도 1로 돌아와서, 프로세서(140)는 도 6을 참조하여 설명한 바와 같이, 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분으로 포함하는 벡터가 제1 패턴 인식 알고리즘 및 제2 패턴 인식 알고리즘 각각의 추정 결과로 출력되는 경우, 제1 패턴 인식 알고리즘의 추정 결과 및 제2 패턴 인식 알고리즘의 추정 결과 중 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 더 큰 추정 결과에 더 높은 가중치를 적용할 수 있다.
다른 실시예에 따르면, 프로세서(140)는 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 중 하나로부터 획득되는 데이터를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 제1 분광기(110), 제2 분광기(120) 및 이미지 센서(130) 중 다른 하나로부터 획득되는 데이터를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 상이한 형식을 갖는 경우, 제1 패턴 인식 알고리즘의 추정 결과로부터 추정되는 대상체의 제1 특성 및 제2 패턴 인식 알고리즘의 추정 결과로부터 추정되는 대상체의 제2 특성을 종합하여 대상체를 식별할 수 있다.
예를 들어, 프로세서(140)는 제1 패턴 인식 알고리즘의 추정 결과로부터 대상체의 종류, 구성성분 등을 추정하고, 제2 패턴 인식 알고리즘의 추정 결과로부터 대상체의 색상, 형태 등을 추정할 수 있다. 이후 프로세서(140)는 추정된 정보들을 모두 조합하여 대상체를 식별할 수 있다. 프로세서(140)는 적어도 둘 이상의 패턴 인식 알고리즘들로부터 획득되는 추정 결과들로부터 대상체의 성질, 상태, 종류, 구성성분 및 외관 중 적어도 하나에 대한 정보를 획득하고, 획득된 정보에 기초하여 대상체를 식별할 수 있다. 따라서, 특정 유형의 스펙트럼 데이터 또는 이미지 데이터만을 이용하거나, 단일의 패턴 인식 알고리즘을 이용하는 경우보다 정확도 높은 대상체 인식이 가능하다.
도 7은 일부 실시예에 따른 대상체 인식 장치의 다른 예를 나타내는 블록도이다.
도 7을 참조하면, 대상체 인식 장치(70)는 제1 분광기(710), 제2 분광기(720) 및 프로세서(730)를 포함할 수 있다. 도 7의 제1 분광기(710), 제2 분광기(720) 및 프로세서(730) 각각은 도 1의 제1 분광기(110), 제2 분광기(120) 및 프로세서(140)에 대응되므로, 중복되는 설명은 생략한다. 도 7의 대상체 인식 장치(70)는 이미지 센서(130)를 포함하지 않는 점에서 도 1의 대상체 인식 장치(10)와 차이가 있을 뿐, 전반적인 동작 과정은 유사할 수 있다.
예를 들어, 제1 분광기(710)는 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하고, 제2 분광기(720)는 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득할 수 있다. 프로세서(730)는 제1 유형의 스펙트럼 데이터를 입력으로 하는 제1 패턴 인식 알고리즘 및 제2 유형의 스펙트럼 데이터를 입력으로 하는 제2 패턴 인식 알고리즘을 이용하여 대상체를 식별할 수 있다.
한편, 도 7에 도시된 대상체 인식 장치(70)에는 본 실시예들와 관련된 구성요소들만이 도시되어 있다. 따라서, 대상체 인식 장치(70)에는 도 7에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당업자에게 자명하다.
도 8은 일부 실시예에 따른 대상체 인식 장치의 또 다른 예를 나타내는 블록도이다.
도 8을 참조하면, 대상체 인식 장치(80)는 분광기(810), 이미지 센서(820) 및 프로세서(830)를 포함할 수 있다. 도 8의 분광기(810)는 도 1의 제1 분광기(110) 또는 제2 분광기(120)에 대응되고, 도 8의 이미지 센서(820) 및 프로세서(830) 각각은 도 1의 이미지 센서(130) 및 프로세서(140)에 대응되므로, 중복되는 설명은 생략한다. 도 8의 대상체 인식 장치(80)는 복수 개의 분광기들을 포함하지 않는 점에서 도 1의 대상체 인식 장치(10)와 차이가 있을 뿐, 전반적인 동작 과정은 유사할 수 있다.
예를 들어, 분광기(810)는 대상체로부터 산란, 방출 또는 반사되는 광으로부터 스펙트럼 데이터를 획득하고, 이미지 센서(820)는 대상체에 대한 이미지 데이터를 획득할 수 있다. 프로세서(830)는 스펙트럼 데이터를 입력으로 하는 제1 패턴 인식 알고리즘 및 이미지 데이터를 입력으로 하는 제2 패턴 인식 알고리즘을 이용하여 대상체를 식별할 수 있다.
한편, 도 8에 도시된 대상체 인식 장치(80)에는 본 실시예들와 관련된 구성요소들만이 도시되어 있다. 따라서, 대상체 인식 장치(80)에는 도 8에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당업자에게 자명하다.
도 9는 일부 실시예에 따른 대상체 인식 장치의 동작 방법을 나타내는 흐름도이다.
도 9를 참조하면, 대상체 인식 장치의 동작 방법은 도 1에 도시된 대상체 인식 장치(10)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 내지 도 6 에 관하여 이상에서 기술된 내용은 도 9의 대상체 인식 장치의 동작 방법에도 적용됨을 알 수 있다.
단계 910에서, 대상체 인식 장치는 하나 이상의 분광기를 이용하여 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득할 수 있다. 하나 이상의 분광기는 격자 및 필터 어레이 중 적어도 하나를 이용하여 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
일 예에서, 대상체 인식 장치는 제1 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 산란 또는 방출되는 광을 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 제1 유형의 스펙트럼 데이터를 획득할 수 있고, 제2 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 반사되는 광을 제2 파장 대역과 동일한 파장 대역에서 측정함으로써 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
다른 예에서, 대상체 인식 장치는 제1 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 산란 또는 방출되는 광을 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 제1 유형의 스펙트럼 데이터를 획득하고, 제1 파장 대역과 상이한 제2 파장 대역의 광이 대상체로 조사됨에 따라 대상체로부터 산란 또는 방출되는 광을 제2 파장 대역과 상이한 파장 대역에서 측정함으로써 제2 유형의 스펙트럼 데이터를 획득할 수 있다.
예를 들어, 제1 유형의 스펙트럼 데이터는 라만 스펙트럼을 포함하고, 제2 유형의 스펙트럼 데이터는 가시 스펙트럼, 형광 스펙트럼, 마이크로파스펙트럼, 적외선 스펙트럼 및 X선 스펙트럼 중 적어도 하나를 포함할 수 있다. 다만, 이에 반드시 제한되는 것은 아니다.
단계 920에서, 대상체 인식 장치는 이미지 센서를 이용하여 대상체에 대한 이미지 데이터를 획득할 수 있다. 이미지 센서는 포토다이오드 어레이, CCD 센서 또는 CMOS 센서일 수 있으나, 이에 반드시 제한되는 것은 아니다. 대상체 인식 장치는 이미지 센서를 이용하여 대상체의 색상 또는 형상 등과 같은 외관에 대한 정보를 포함하는 이미지를 획득할 수 있다.
단계 930에서, 대상체 인식 장치는 제1 유형의 스펙트럼 데이터, 제2 유형의 스펙트럼 데이터 및 이미지 데이터 중 적어도 둘 이상과 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 대상체를 식별할 수 있다. 이와 같이, 대상체 인식 장치는 특정 유형의 스펙트럼 데이터 또는 이미지 데이터만을 이용하여 대상체를 식별하지 않고, 다양한 유형의 스펙트럼 데이터 및 이미지 데이터를 종합적으로 고려하여 대상체를 식별하는바, 대상체 인식의 정확도가 증가될 수 있다.
제1 유형의 스펙트럼 데이터, 제2 유형의 스펙트럼 데이터 및 이미지 데이터 중 하나를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 제1 유형의 스펙트럼 데이터, 제2 유형의 스펙트럼 데이터 및 이미지 데이터 중 다른 하나를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 대상체 인식 장치는 제1 패턴 인식 알고리즘의 추정 결과와 제2 패턴 인식 알고리즘의 추정 결과의 가중 합계를 최종 추정 결과로 결정할 수 있다.
예를 들어, 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분으로 포함하는 벡터가 제1 패턴 인식 알고리즘 및 제2 패턴 인식 알고리즘 각각의 추정 결과로 출력되는 경우, 대상체 인식 장치는 제1 패턴 인식 알고리즘의 추정 결과 및 제2 패턴 인식 알고리즘의 추정 결과 중 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 더 큰 추정 결과에 더 높은 가중치를 적용할 수 있다.
한편, 제1 유형의 스펙트럼 데이터, 제2 유형의 스펙트럼 데이터 및 이미지 데이터 중 하나를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 제1 유형의 스펙트럼 데이터, 제2 유형의 스펙트럼 데이터 및 이미지 데이터 중 다른 하나를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 상이한 형식을 갖는 경우, 대상체 인식 장치는 제1 패턴 인식 알고리즘의 추정 결과로부터 추정되는 대상체의 제1 특성 및 제2 패턴 인식 알고리즘의 추정 결과로부터 추정되는 대상체의 제2 특성을 종합하여 대상체를 식별할 수도 있다.
대상체 인식 장치는 적어도 둘 이상의 패턴 인식 알고리즘들로부터 획득되는 추정 결과들로부터 대상체의 성질, 상태, 종류, 구성성분 및 외관 중 적어도 하나에 대한 정보를 획득하고, 획득된 정보에 기초하여 대상체를 식별할 수 있다. 이와 같이, 대상체 인식 장치는 다양한 유형의 스펙트럼 데이터 및 이미지 데이터를 함께 이용하고, 복수의 패턴 인식 알고리즘들로부터 출력된 추정 결과들을 조합함으로써, 높은 정확도로 대상체를 식별할 수 있다.
한편, 전술한 대상체 인식 장치의 동작 방법은 그 방법을 실행하는 명령어들을 포함하는 하나 이상의 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체에 기록될 수 있다. 컴퓨터로 읽을 수 있는 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (20)

  1. 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하기 위한 제1 분광기(spectrometer);
    상기 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득하기 위한 제2 분광기;
    상기 대상체에 대한 이미지 데이터를 획득하기 위한 이미지 센서; 및
    상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 적어도 둘 이상으로부터 획득되는 데이터와 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 상기 대상체를 식별하는 프로세서를 포함하는, 대상체 인식 장치.
  2. 제 1항에 있어서,
    상기 제1 분광기는 제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하고,
    상기 제2 분광기는 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 반사되는 광을 상기 제2 파장 대역과 동일한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득하는, 대상체 인식 장치.
  3. 제 1항에 있어서,
    상기 제1 분광기는 제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하고,
    상기 제2 분광기는 상기 제1 파장 대역과 상이한 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제2 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득하는, 대상체 인식 장치.
  4. 제 1항에 있어서,
    상기 제1 유형의 스펙트럼 데이터는 라만(Raman) 스펙트럼을 포함하고,
    상기 제2 유형의 스펙트럼 데이터는 가시(visible) 스펙트럼, 형광 스펙트럼, 마이크로파스펙트럼, 적외선 스펙트럼 및 X선 스펙트럼 중 적어도 하나를 포함하는, 대상체 인식 장치.
  5. 제 1항에 있어서,
    상기 대상체 인식 장치는,
    상기 제1 유형의 스펙트럼 데이터를 획득하기 위해 상기 제1 분광기와 함께 이용되는 제1 광원; 및
    상기 제2 유형의 스펙트럼 데이터를 획득하기 위해 상기 제2 분광기와 함께 이용되는 제2 광원을 더 포함하고,
    상기 제1 광원에 의해 조사되는 광의 반치폭(half width)은 중심파장의 1/100 이하이고, 상기 제2 광원에 의해 조사되는 광의 반치폭은 중심파장의 1/3 이상인, 대상체 인식 장치.
  6. 제 1항에 있어서,
    상기 프로세서는,
    상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 하나로부터 획득되는 데이터를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 다른 하나로부터 획득되는 데이터를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과와 상기 제2 패턴 인식 알고리즘의 추정 결과의 가중 합계(weighted sum)를 최종 추정 결과로 결정하는, 대상체 인식 장치.
  7. 제 6항에 있어서,
    상기 프로세서는,
    상기 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분(component)으로 포함하는 벡터가 상기 제1 패턴 인식 알고리즘 및 상기 제2 패턴 인식 알고리즘 각각의 추정 결과로 출력되는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과 및 상기 제2 패턴 인식 알고리즘의 추정 결과 중 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 더 큰 추정 결과에 더 높은 가중치를 적용하는, 대상체 인식 장치.
  8. 제 1항에 있어서,
    상기 프로세서는,
    상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 하나로부터 획득되는 데이터를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 분광기, 상기 제2 분광기 및 상기 이미지 센서 중 다른 하나로부터 획득되는 데이터를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 상이한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제1 특성 및 상기 제2 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제2 특성을 종합하여 상기 대상체를 식별하는, 대상체 인식 장치.
  9. 제 1항에 있어서,
    상기 프로세서는,
    상기 적어도 둘 이상의 패턴 인식 알고리즘들로부터 획득되는 추정 결과들로부터 상기 대상체의 성질, 상태, 종류, 구성성분 및 외관 중 적어도 하나에 대한 정보를 획득하고, 상기 획득된 정보에 기초하여 상기 대상체를 식별하는, 대상체 인식 장치.
  10. 제 1항에 있어서,
    상기 제1 분광기 및 상기 제2 분광기 각각은 격자(grating) 및 필터 어레이(filter array) 중 적어도 하나를 이용하여 상기 제1 유형의 스펙트럼 데이터 또는 상기 제2 유형의 스펙트럼 데이터를 획득하는, 대상체 인식 장치.
  11. 대상체 인식 장치의 동작 방법에 있어서,
    하나 이상의 분광기를 이용하여 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득하는 단계;
    이미지 센서를 이용하여 상기 대상체에 대한 이미지 데이터를 획득하는 단계; 및
    상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 적어도 둘 이상과 적어도 둘 이상의 패턴 인식 알고리즘들을 이용하여 상기 대상체를 식별하는 단계를 포함하는, 방법.
  12. 제 11항에 있어서,
    상기 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득하는 단계는,
    제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하는 단계; 및
    제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 반사되는 광을 상기 제2 파장 대역과 동일한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득하는 단계를 포함하는, 방법.
  13. 제 11항에 있어서,
    상기 제1 유형의 스펙트럼 데이터 또는 제2 유형의 스펙트럼 데이터를 획득하는 단계는,
    제1 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제1 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제1 유형의 스펙트럼 데이터를 획득하는 단계; 및
    상기 제1 파장 대역과 상이한 제2 파장 대역의 광이 상기 대상체로 조사됨에 따라 상기 대상체로부터 산란 또는 방출되는 광을 상기 제2 파장 대역과 상이한 파장 대역에서 측정함으로써 상기 제2 유형의 스펙트럼 데이터를 획득하는 단계를 포함하는, 방법.
  14. 제 11항에 있어서,
    상기 제1 유형의 스펙트럼 데이터는 라만 스펙트럼을 포함하고,
    상기 제2 유형의 스펙트럼 데이터는 가시 스펙트럼, 형광 스펙트럼, 마이크로파스펙트럼, 적외선 스펙트럼 및 X선 스펙트럼 중 적어도 하나를 포함하는, 방법.
  15. 제 11항에 있어서,
    상기 방법은,
    상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 하나를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 다른 하나를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 동일한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과와 상기 제2 패턴 인식 알고리즘의 추정 결과의 가중 합계를 최종 추정 결과로 결정하는 단계를 더 포함하는, 방법.
  16. 제 15항에 있어서,
    상기 가중 합계를 최종 추정 결과로 결정하는 단계는,
    상기 대상체의 특성이 기 정의된 복수의 클래스들 각각으로 분류될 확률 값을 각 성분으로 포함하는 벡터가 상기 제1 패턴 인식 알고리즘 및 상기 제2 패턴 인식 알고리즘 각각의 추정 결과로 출력되는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과 및 상기 제2 패턴 인식 알고리즘의 추정 결과 중 가장 높은 확률 값과 두 번째로 높은 확률 값의 차이가 더 큰 추정 결과에 더 높은 가중치를 적용하는 단계를 포함하는, 방법.
  17. 제 11항에 있어서,
    상기 방법은,
    상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 하나를 입력으로 하는 제1 패턴 인식 알고리즘의 추정 결과와 상기 제1 유형의 스펙트럼 데이터, 상기 제2 유형의 스펙트럼 데이터 및 상기 이미지 데이터 중 다른 하나를 입력으로 하는 제2 패턴 인식 알고리즘의 추정 결과가 서로 상이한 형식을 갖는 경우, 상기 제1 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제1 특성 및 상기 제2 패턴 인식 알고리즘의 추정 결과로부터 추정되는 상기 대상체의 제2 특성을 종합하여 상기 대상체를 식별하는 단계를 더 포함하는, 방법.
  18. 제 11항에 있어서,
    상기 대상체를 식별하는 단계는,
    상기 적어도 둘 이상의 패턴 인식 알고리즘들로부터 획득되는 추정 결과들로부터 상기 대상체의 성질, 상태, 종류, 구성성분 및 외관 중 적어도 하나에 대한 정보를 획득하는 단계; 및
    상기 획득된 정보에 기초하여 상기 대상체를 식별하는 단계를 포함하는, 방법.
  19. 대상체로부터 산란, 방출 또는 반사되는 광으로부터 제1 유형의 스펙트럼 데이터를 획득하기 위한 제1 분광기;
    상기 제1 유형의 스펙트럼 데이터와 상이한 제2 유형의 스펙트럼 데이터를 획득하기 위한 제2 분광기; 및
    상기 제1 유형의 스펙트럼 데이터를 입력으로 하는 제1 패턴 인식 알고리즘 및 상기 제2 유형의 스펙트럼 데이터를 입력으로 하는 제2 패턴 인식 알고리즘을 이용하여 상기 대상체를 식별하는 프로세서를 포함하는, 대상체 인식 장치.
  20. 대상체로부터 산란, 방출 또는 반사되는 광으로부터 스펙트럼 데이터를 획득하기 위한 분광기;
    상기 대상체에 대한 이미지 데이터를 획득하기 위한 이미지 센서; 및
    상기 스펙트럼 데이터를 입력으로 하는 제1 패턴 인식 알고리즘 및 상기 이미지 데이터를 입력으로 하는 제2 패턴 인식 알고리즘을 이용하여 상기 대상체를 식별하는 프로세서를 포함하는, 대상체 인식 장치.
KR1020200007962A 2020-01-21 2020-01-21 대상체 인식 장치 및 그 동작 방법 KR20210094328A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200007962A KR20210094328A (ko) 2020-01-21 2020-01-21 대상체 인식 장치 및 그 동작 방법
CN202011297634.XA CN113218881A (zh) 2020-01-21 2020-11-18 对象识别装置及其操作方法
US16/952,959 US11454496B2 (en) 2020-01-21 2020-11-19 Object recognition apparatus and operation method thereof
EP20213835.0A EP3855161A1 (en) 2020-01-21 2020-12-14 Object recognition apparatus and operation method thereof
US17/887,924 US20220397391A1 (en) 2020-01-21 2022-08-15 Object recognition apparatus and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200007962A KR20210094328A (ko) 2020-01-21 2020-01-21 대상체 인식 장치 및 그 동작 방법

Publications (1)

Publication Number Publication Date
KR20210094328A true KR20210094328A (ko) 2021-07-29

Family

ID=73835460

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200007962A KR20210094328A (ko) 2020-01-21 2020-01-21 대상체 인식 장치 및 그 동작 방법

Country Status (4)

Country Link
US (2) US11454496B2 (ko)
EP (1) EP3855161A1 (ko)
KR (1) KR20210094328A (ko)
CN (1) CN113218881A (ko)

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004340978A (ja) 1995-05-23 2004-12-02 Olympus Corp 色分類装置及び色分類方法並びに色むら検査装置
JPH0943058A (ja) 1995-05-23 1997-02-14 Olympus Optical Co Ltd 色分類装置及び色むら検査装置
US6535637B1 (en) 1997-04-04 2003-03-18 Esco Electronics, Inc. Pharmaceutical pill recognition and verification system
US6075594A (en) 1997-07-16 2000-06-13 Ncr Corporation System and method for spectroscopic product recognition and identification
US7532320B2 (en) * 2004-06-30 2009-05-12 Chemimage Corporation Multimodal method for identifying hazardous agents
US7602942B2 (en) 2004-11-12 2009-10-13 Honeywell International Inc. Infrared and visible fusion face recognition system
US8547540B2 (en) * 2005-07-14 2013-10-01 Chemimage Corporation System and method for combined raman and LIBS detection with targeting
US20120140981A1 (en) 2008-07-17 2012-06-07 Chemlmage Corporation System and Method for Combining Visible and Hyperspectral Imaging with Pattern Recognition Techniques for Improved Detection of Threats
US8593630B2 (en) * 2009-10-07 2013-11-26 The Board Of Trustees Of The University Of Illinois Discrete frequency spectroscopy and instrumentation
CN101699844B (zh) 2009-10-16 2014-12-03 威海华菱光电股份有限公司 全光谱识别图像传感器
US9316537B2 (en) 2011-06-29 2016-04-19 Minesense Technologies Ltd. Sorting materials using a pattern recognition, such as upgrading nickel laterite ores through electromagnetic sensor-based methods
CN102262054B (zh) 2011-07-06 2014-05-28 广西工学院 基于子空间重合判断的混合光谱模式识别方法
US8411909B1 (en) 2012-06-26 2013-04-02 Google Inc. Facial recognition
JP2014215177A (ja) * 2013-04-25 2014-11-17 住友電気工業株式会社 検査装置及び検査方法
WO2015013820A1 (en) * 2013-07-30 2015-02-05 Gordon Black Quantifying neutrophil concentration in blood
KR102089510B1 (ko) 2013-12-19 2020-03-16 한국전자통신연구원 다-파장 분광장치를 이용한 객체인식 장치 및 그 방법
CN107873101B (zh) 2014-11-21 2022-01-11 克里斯多夫·M·马蒂 用于对象辨识和评估的成像系统
KR101793609B1 (ko) 2015-09-11 2017-11-06 연세대학교 산학협력단 다중 광학 융합영상 기반 실시간으로 뇌종양을 진단하는 방법 및 장치
US20180172510A1 (en) * 2016-12-08 2018-06-21 Verifood, Ltd. Spectrometry system applications
JP6910792B2 (ja) 2016-12-13 2021-07-28 ソニーセミコンダクタソリューションズ株式会社 データ処理装置、データ処理方法、プログラム、および電子機器
JP6762221B2 (ja) * 2016-12-19 2020-09-30 大塚電子株式会社 光学特性測定装置および光学特性測定方法
JP7007629B2 (ja) 2017-04-20 2022-01-24 国立大学法人秋田大学 対象物推定装置
CN107907527B (zh) * 2017-12-26 2023-10-13 同方威视技术股份有限公司 基于反射光功率和图像识别的拉曼光谱检测设备及方法
WO2019183136A1 (en) * 2018-03-20 2019-09-26 SafetySpect, Inc. Apparatus and method for multimode analytical sensing of items such as food
KR102600150B1 (ko) * 2018-10-10 2023-11-08 삼성전자주식회사 분광 정보를 분석하는 장치 및 방법

Also Published As

Publication number Publication date
EP3855161A1 (en) 2021-07-28
CN113218881A (zh) 2021-08-06
US20210223031A1 (en) 2021-07-22
US20220397391A1 (en) 2022-12-15
US11454496B2 (en) 2022-09-27

Similar Documents

Publication Publication Date Title
Parastar et al. Integration of handheld NIR and machine learning to “Measure & Monitor” chicken meat authenticity
US11308355B2 (en) Methods and apparatus for classification
Baranowski et al. Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data
Mallet et al. Relevance assessment of full-waveform lidar data for urban area classification
Hung et al. Multi-class predictive template for tree crown detection
US9606056B2 (en) Selection of spectral bands or filters for material classification under multiplexed illumination
Pérez-Marín et al. Probabilistic classification models for the in situ authentication of iberian pig carcasses using near infrared spectroscopy
Ani Brown Mary et al. A novel framework for real-time diseased coral reef image classification
Torrione et al. Multivariate analysis, chemometrics, and machine learning in laser spectroscopy
Kundu et al. Least square saliency transformation of capsule endoscopy images for PDF model based multiple gastrointestinal disease classification
Cui et al. Hyperspectral imaging coupled with Dual-channel convolutional neural network for early detection of apple valsa canker
Shah Hosseini et al. Modified algorithm based on support vector machines for classification of hyperspectral images in a similarity space
Francis et al. Smart farm-care using a deep learning model on mobile phones
EP3855161A1 (en) Object recognition apparatus and operation method thereof
Ndung'u et al. Optimization of diffuse reflectance spectroscopy measurements for direct and rapid screening of pesticides: A case study of spinach
Steffens et al. A texture driven approach for visible spectrum fire detection on mobile robots
Li et al. Segregation of ‘Hayward’kiwifruit for storage potential using Vis-NIR spectroscopy
Carlsohn et al. Spectral imaging and applications
Vetrekar et al. Collaborative representation of convolutional neural network features to detect artificial ripening of banana using multispectral imaging
Lin et al. Visible detection of chilled beef freshness using a paper-based colourimetric sensor array combining with deep learning algorithms
Tyagi et al. Varietal classification of wheat seeds using hyperspectral imaging technique and machine learning models
Saberioon et al. In vivo fish diet discrimination using selected hyperspectral image classification methods
Senchuri Road edge detection using hyperspectral and LiDAR data based on machine and deep learning
US20230008019A1 (en) Systems and methods for ph sensing in fluids
CN117274236B (zh) 基于高光谱图像的尿液成分异常检测方法及系统