KR20210098197A - 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰 - Google Patents

기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰 Download PDF

Info

Publication number
KR20210098197A
KR20210098197A KR1020200012085A KR20200012085A KR20210098197A KR 20210098197 A KR20210098197 A KR 20210098197A KR 1020200012085 A KR1020200012085 A KR 1020200012085A KR 20200012085 A KR20200012085 A KR 20200012085A KR 20210098197 A KR20210098197 A KR 20210098197A
Authority
KR
South Korea
Prior art keywords
machine learning
sound wave
liquid
unit
reflected
Prior art date
Application number
KR1020200012085A
Other languages
English (en)
Inventor
김승찬
건 강
유제광
Original Assignee
한림대학교 산학협력단
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 한림대학교 산학협력단 filed Critical 한림대학교 산학협력단
Priority to KR1020200012085A priority Critical patent/KR20210098197A/ko
Publication of KR20210098197A publication Critical patent/KR20210098197A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/02—Analysing fluids
    • G01N29/036—Analysing fluids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/02—Constructional features of telephone sets
    • H04M1/21—Combinations with auxiliary equipment, e.g. with clocks or memoranda pads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

본 발명은 액체 속성 판별장치에 관한 것으로, 보다 상세하게는 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰에 관한 것이다. 이를 위해, 미리 정해진 형태의 발신음파(30)를 발신하는 음파출력부(120); 발신음파(30)가 액체(15)의 표면(20)에서 반사된 반사음파(40)를 수신하는 음파수신부(140); 음파수신부(140)가 수신한 반사음파(40)를 주파수 영역의 신호로 변환하는 신호처리부(150); 다수의 액체 속성 데이터(210)를 기초로 기계학습한 기계학습부(200); 주파수 영역의 신호를 상기 기계학습부(200)에 입력시켜 상기 액체(15)의 속성을 판별케 하는 제어부(100);를 포함하는 것을 특징으로 하는 기계학습을 기반으로 하는 액체 속성 판별장치가 제공된다.

Description

기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰{Liquid attributes classifier using soundwaves based on machine learning and mobile phone}
본 발명은 액체 속성 판별장치에 관한 것으로, 보다 상세하게는 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰에 관한 것이다.
액체의 속성이나 상태의 판별은 샘플을 채취하거나 접촉하여 판별하였다. 예를 들어, 물 속에 용해된 소금의 농도, 알콜 함량, 당도 등을 알기 위해서는 샘플을 채취한 뒤 별도의 전용 분석장비를 이용하였다. 또한, 액체 내에 고형물질, 이물질 등이 섞여 있는지, 독약이 포함되었는지, 상했는지, 변질되었는지, 젤 또는 겔화되었는지 등의 속성을 판별하기 위해서는 액체내에 센서를 투입하기도 하였다.
그러나, 이와 같은 종래의 방식들은 특정 속성만을 위한 전용기기를 필요로 했기 때문에 다양한 속성을 판별하기 위해서는 다수의 장비를 구비해야 하는 불편함과 비경제성이 있었다.
그리고, 실험실이나 산업현장이 아니라 일상 생활 환경에서 일반인(예 : 주부, 학생, 비전문가 등)들은 접하는 액체(예 : 물, 우유, 술, 탕 종류, 찌게류 등)에 관하여 그 속성을 판별하기 위해서는 후각이나 시각에 의존해야 했다. 이로 인해, 개인별 판별기준이 상이하여 객관성이 없었으며 정량화되지 못해 공유되지 못하고, 각자의 경험에 의존할 수 밖에 없었다.
1. 대한민국 특허공개 제 10-2015-0038487호(오브젝트-기반 오디오를 위한 반사된 사운드 렌더링), 2. 대한민국 특허공개 제 10-2004-0083109호(간섭신호에 강인한 음향 반향 제거장치), 3. 대한민국 특허등록 제 10-2045953호(칼만필터 기반의 다채널 입출력 음향학적 반향 제거 방법), 4. 대한민국 특허공개 제 10-2014-0051777호(음향 반향 제거 방법 및 장치, 그리고, 음향 반향 제거 장치의 적응 필터 계수 업데이트 방법).
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 해결하고자 하는 과제는 액체의 표면에 음파를 발신하고 반사되는 음파를 기계학습 기반으로 분석하여 액체의 속성을 판별할 수 있는 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰을 제공하는 것이다.
다만, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위하여, 미리 정해진 형태의 발신음파(30)를 발신하는 음파출력부(120); 발신음파(30)가 액체(15)의 표면(20)에서 반사된 반사음파(40)를 수신하는 음파수신부(140); 음파수신부(140)가 수신한 반사음파(40)를 주파수 영역의 신호로 변환하는 신호처리부(150); 다수의 액체 속성 데이터(210)를 기초로 기계학습한 기계학습부(200); 주파수 영역의 신호를 상기 기계학습부(200)에 입력시켜 상기 액체(15)의 속성을 판별케 하는 제어부(100);를 포함하는 것을 특징으로 하는 기계학습을 기반으로 하는 액체 속성 판별장치가 제공된다.
또한, 발신음파(30)는 가청음파 또는 초음파이다.
또한, 액체(15)의 속성은 밀도, 고형물질의 존재여부, 농도 중 적어도 하나이다.
또한, 기계학습부(200)는, 신경망(FNN), 합성곱신경망(CNN), 순환신경망(RNN), MFCC와 결정트리(228), 랜덤 포레스트(230), 서포트 벡터 머신(SVM) 중 적어도 하나의 기계학습엔진(220)을 이용하여 기계학습한다.
본 발명의 목적은, 또 다른 실시예로서, 미리 정해진 형태의 발신음파(30)를 발신하는 스피커; 발신음파(30)가 액체(15)의 표면(20)에서 반사된 반사음파(40)를 수신하는 마이크; 마이크가 수신한 반사음파(40)를 주파수 영역의 신호로 변환하는 신호처리부(150); 다수의 액체 속성 데이터(210)를 기초로 기계학습한 기계학습부(200); 및 주파수 영역의 신호를 상기 기계학습부(200)에 입력시켜 상기 액체(15)의 속성을 판별케 하는 제어부(100);를 포함하는 것을 특징으로 하는 기계학습을 기반으로 액체 속성을 판별하는 핸드폰에 의해서도 달성될 수 있다.
또한, 스피커와 상기 마이크는 상기 핸드폰(350)의 둘레 중 동일한 변에 배치된다.
본 발명의 일실시예에 따르면, 액체의 다양한 속성을 판별하기 위하여 각각의 전문적인 계측장비를 구비할 필요없이 본 발명의 장치로 가능하다.
또한, 추가되는 액체의 종류와 속성을 지속적으로 기계학습시킴으로써 추가 장비의 도입없이 측정 대상의 영역을 확장할 수 있다.
또한, 본 발명의 기능을 핸드폰과 어플리케이션으로 구현함으로써 비전문가도 간편하여 액체의 속성을 판별할 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어서 해석되어서는 아니된다.
도 1은 본 발명의 일실시예에 따른 기계학습을 기반으로 하는 액체 속성 판별장치의 개략적인 블럭도,
도 2는 도 1중 신호처리부(150)의 세부적인 내부 블럭도,
도 3은 도 1에 도시된 기계학습부(200)가 기계학습을 하는 과정을 나타내는 블럭도,
도 4는 본 발명의 또 다른 실시예로서 본 발명에 따른 핸드폰과 어플리케이션을 이용하여 액체의 속성을 판별하는 상태를 나타내는 상태도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
실시예의 구성
이하, 첨부된 도면을 참조하여 바람직한 실시예의 구성을 상세히 설명하기로 한다. 도 1은 본 발명의 일실시예에 따른 기계학습을 기반으로 하는 액체 속성 판별장치의 개략적인 블럭도이다. 도 1에 도시된 바와 같이, 액체(15)는 용기(10)에 수용되고, 표면(20)이 노출된 상태이다. 액체(15)는 물, 술, 우유, 용제, 수용액, 기름, 화학약품, 폐수, 음용수, 하수, 농업용수 등 다양한 액체가 대상이 될 수 있다.
음파출력부(120)는 가청음(예 : 100Hz ~ 20kHz) 또는 초음파(예 : 19 ~ 23 kHz)를 출력할 수 있는 스피커나 초음파 혼이 될 수 있다.
발신음파(30)는 미리 정해진 형태의 음파인데 가급적 음역대가 넓고(예 20 Hz ~ 23 kHz) 길이가 짧은(예 : 0.1 ~ 1 초) 음파 형태가 바람직하다. 이러한 발신음파(30)는 오디오 파일(FLAC, OGG, WAVE 등)로부터 재상될 수 있다.
반사음파(40)는 표면(20)으로부터 반사되는 반향이고, 음파수신부(140)를 이를 감지한다. 음파수신부(140)는 마이크(MIC)가 될 수 있다. 그리고, 음파출력부(120)와 음파수신부(140)는 표면(20)으로부터 동일한 거리(예 : 3 cm ~ 20 cm)가 되도록 위치하는 것이 바람직하다.
신호처리부(150)는 음파수신부(140)와 제어부(100) 사이에 위치한다. 도 2는 도 1중 신호처리부(150)의 세부적인 내부 블럭도이다. 도 2에 도시된 바와 같이, 신호처리부(150) 내부에는 ADC(154), AMP(156), FFT(158) 등이 구비된다.
ADC(154)는 아날로그-디지털 변환기로서, 아날로그 형태의 반사음파(40)를 디지털 신호로 변환하는 구성요소이다.
AMP(156)는 앰프 또는 증폭부로써 입력된 신호를 소정 레벨이나 크기로 증폭하는 구성요소이다.
FFT(158)는 고속 프리에 변환(Fast Fourier Transform)을 수행하는 구성요소이다. FFT(158)는 시간 영역의 신호를 주파수 영역의 신호로 변환한다.
이러한 ADC(154), AMP(156), FFT(158)는 설계의 선택에 따라 적절한 순서로 변경 배열될 수 있고, 잡음제거필터, 대역필터, 버퍼, 메모리 등이 추가될 수 있다.
도 3은 도 1에 도시된 기계학습부(200)가 기계학습을 하는 과정을 나타내는 블럭도이다. 도 3에 도시된 바와 같이, 액체(15)의 속성 판별에 앞서 미리 기계학습을 통해 기계학습부(200)를 준비한다. 이를 위해, 다수의 액체 속성 데이터(210)가 준비된다. 액체 속성 데이터(210)는 다양한 액체의 종류별 반사음파(40)의 주파수 특성을 포함한다. 또한, 각 액체의 속성별 반사음파(40)의 주파수 특성을 포함한다.
이러한 액체 속성 데이터(210)는 기계학습엔진(220)에 입력되어 연산되고, 연산 결과는 기계학습부(200)에 저장된다. 기계학습엔진(220)은 신경망(FNN), 합성곱신경망(CNN), 순환신경망(RNN), MFCC와 결정트리(228), 랜덤 포레스트(230), 서포트 벡터 머신(SVM) 중 하나 이상을 사용할 수 있으나 이는 예시에 불과할 뿐이고 그 밖의 다양한 기계학습 알고리즘이나 엔진이 사용될 수 있다.
신경망(FNN)은 피드포워드 뉴럴 네트워크(Feedforward Neural Network)를 통해 기계학습을 하는 엔진(학습기법)이다.
합성곱신경망(Convolutional Neural Network, CNN)(224)은 심층 신경망(DNN: Deep Neural Network)의 한 종류로, 하나 또는 여러 개의 콘볼루션 계층(convolutional layer)과 통합 계층(pooling layer), 완전하게 연결된 계층(fully connected layer)들로 구성된 신경망을 통해 기계학습을 하는 엔진이다. 이러한 CNN(224)은 2차원 데이터의 학습에 적합한 구조를 가지고 있으며, 역전달(Backpropagation algorithm)을 통해 훈련될 수 있다. 음향 내 객체 분류, 객체 탐지 등 다양한 응용 분야에 폭넓게 활용되는 DNN의 대표적 모델 중 하나이다.
순환신경망(Recurrent Neural Network, RNN)(226)은 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델로써, 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공 신경망(ANN)이다. 그러나, 매 시점에 심층 신경망(DNN)이 연결되어 있을 경우 오래 전의 데이터에 의한 기울기 값이 소실되는 문제(vanishing gradient problem)로 학습이 어려워진다. 이를 해결하는 대표적인 모델로 장단기 메모리(LSTM: Long-Short term Memory) 방식의 순환 신경망이 사용되기도 한다.
MFCC(Mel Frequency Cepstral Coefficient)와 같은 방식으로 특징을 추출한 뒤 다양한 기계학습 알고리즘과 결합할 수 있다. 예를들 결정트리, 랜덤포레스트, SVM 등이 될 수 있다. 소리 인식을 위하여 주로 사용되는 특징은 LPC cepstrum, PLP cepstrum, MFCC(Mel frequency cepstral coefficient), 필터뱅크 에너지 등이 있으나, 이하 편의상 MFCC를 대표로 기술한다. MFCC(228)는 음향을 듣는 방식을 반영한 알고리즘으로 종래의 음성/소리인식에 널리 사용된다. MFCC(228)에서는 이 프레임의 길이는 보통 20~40ms 정도로 정하고 있다.
결정트리(Decision Tree)(228)는 입력된 음향의 전체를 대상으로 하는 것이 아니라, 일정 시구간(Short Time) 으로 나누어서 이 시간 구간에 대한 스펙트럼을 분석하여 특징을 추출하는 기술이다. 샘플링 레이트에 따라 샘플의 수는 달라지겠지만, 44.1KHz 기준으로 대략 천개의 샘플이 된다. 만약 이 샘플의 수가 너무 적으면 주파수 분석에 신뢰도가 떨어지고, 이 값이 너무 크면 신호의 변화가 한 프레임 내에서 너무 크게 된다.
랜덤 포레스트(Random Forest)(230) 학습법은 의사 결정 트리를 만드는데 쓰이는 요소들을 무작위로 선정하는 것으로 안정성과 정확도가 장점인 기법이다. 각 노드에서 변수의 임의 선택을 기반으로 하며, 개별 트리 생성 단계에서부터 임의성이 적용되기 때문에 뿌리노드 자체가 달라지게 되어 개별 트리의 다양성을 추구하는 특징이 있다.
서포트 벡터 머신(Support Vector Machine, SVM)(232)은 N차원을 공간을 (N-1)차원으로 나눌 수 있는 최적의 초평면을 찾는 분류 기법입니다.
도 4는 본 발명의 또 다른 실시예로서 본 발명에 따른 핸드폰과 어플리케이션을 이용하여 액체의 속성을 판별하는 상태를 나타내는 상태도이다. 도 4에 도시된 바와 같이, 음파출력부(120)는 핸드폰(350)의 스피커가 될 수 있고, 음파수신부(140)는 마이크가 될 수 있다. 또한, 신호처리부(150)는 오디오 코텍이나 오디오 구동회로가 될 수 있고, 제어부(100)는 AP(Application Processor)나 CPU가 될 수 있다. 또한, 인공지능부(200)는 기계학습된 모델을 저장하기 위한 메모리가 될 수 있으며, 출력부(300)는 OLED 디스플레이가 될 수 있다. 또한, 판별 소프트웨어는 핸드폰(350)에 설치되는 어플리케이션이 될 수 있다.
또한, 기계학습부(200)에 저장된 모델은 액체속성데이터(210)와 기계학습엔진(220)을 이용하여 외부의 고속 연산 장치(예 : 엔지니어링 웍스테이션, 서버장치)에서 연산될 수 있다. 또 다른 변형예로서, 기계학습부(200)를 외부의 고속 연산 장치(예 : 엔지니어링 웍스테이션, 서버장치)에 설치한 후 무선통신을 통해 접근할 수도 있다.
판형이나 바(BAR) 형태의 핸드폰(350)인 경우 스피커와 마이크는 동일한 변(예 : 하단 아랫면)에 인접하게 배치하는 것이 바람직하다.
실시예의 동작
이하에서는 본 발명에 따른 기계학습을 기반으로 하는 액체 속성 판별장치의 동작에 관하여 설명하도록 한다.
먼저, 도 4와 같이 핸드폰(350)을 액체(370)의 표면으로부터 일정거리(예 : 3 cm ~ 20 cm)까지 접근시킨다. 거리가 너무 가까우면 반사음파(40)를 수신하기 어렵고, 너무 멀면, 반사음파(40)가 퍼져서 신호가 약해질 수 있다.
그 다음, 음파출력부(120)가 액체(370)를 향해 발신음파(30)를 조사한다. 조사된 발신음파는 표면에서 반사된 후 반사음파(40)가 되어 음파수신부(140)에 수신된다.
신호처리부(150)는 ADC(154)에서 디지털 신호로 변환하고 AMP(156)에서 일정 레벨로 증폭한 후, FFT(158)에서 신호 영역을 주파수 영역으로 변환한다. 변환된 주파수 영역 신호는 제어부(100)로 전송된다.
제어부(100)는 주파수 영역 신호를 기계학습부(200)에 입력하여 액체의 속성을 판별케 한다. 그리고, 판별된 속성은 출력부(300)를 통해 사용자에게 출력된다. 출력부(300)는 속성을 그래프나 수치 등으로 출력하고, 소정 기준을 초과하거나 미달하는 경우 경고를 출력할 수도 있다.
본 발명의 액체 속성 판별장치는 로봇에 장착하여 사물을 식별하는 센서로서 사용할 수도 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
10 : 용기,
15 : 액체,
20 : 표면,
30 : 발신음파,
40 : 반사음파,
100 : 제어부,
120 : 음파출력부,
140 : 음파수신부,
150 : 신호처리부,
154 : ADC,
156 : AMP,
158 : FFT,
200 : 기계학습부,
210 : 액체속성데이터,
220 : 기계학습엔진,
222 : FNN,
224 : CNN,
226 : RNN,
228 : MFCC와 결정트리,
230 : 랜덤 포레스트,
232 : SVM,
300 : 출력부,
350 : 핸드폰,
360 : 컵,
370 : 액체,

Claims (6)

  1. 미리 정해진 형태의 발신음파(30)를 발신하는 음파출력부(120);
    상기 발신음파(30)가 액체(15)의 표면(20)에서 반사된 반사음파(40)를 수신하는 음파수신부(140);
    상기 음파수신부(140)가 수신한 반사음파(40)를 주파수 영역의 신호로 변환하는 신호처리부(150);
    다수의 액체 속성 데이터(210)를 기초로 기계학습한 기계학습부(200);
    상기 주파수 영역의 신호를 상기 기계학습부(200)에 입력시켜 상기 액체(15)의 속성을 판별케 하는 제어부(100);를 포함하는 것을 특징으로 하는 기계학습을 기반으로 하는 액체 속성 판별장치.
  2. 제 1 항에 있어서,
    상기 발신음파(30)는 가청음파 또는 초음파인 것을 특징으로 하는 기계학습을 기반으로 하는 액체 속성 판별장치.
  3. 제 1 항에 있어서,
    상기 액체(15)의 속성은 밀도, 고형물질의 존재여부, 농도 중 적어도 하나인 것을 특징으로 하는 기계학습을 기반으로 하는 액체 속성 판별장치.
  4. 제 1 항에 있어서,
    상기 기계학습부(200)는,
    신경망(FNN), 합성곱신경망(CNN), 순환신경망(RNN), MFCC와 결정트리(228), 랜덤 포레스트(230), 서포트 벡터 머신(SVM) 중 적어도 하나의 기계학습엔진(220)을 이용하여 기계학습하는 것을 특징으로 하는 기계학습을 기반으로 하는 액체 속성 판별장치.
  5. 미리 정해진 형태의 발신음파(30)를 발신하는 스피커;
    상기 발신음파(30)가 액체(15)의 표면(20)에서 반사된 반사음파(40)를 수신하는 마이크;
    상기 마이크가 수신한 반사음파(40)를 주파수 영역의 신호로 변환하는 신호처리부(150);
    다수의 액체 속성 데이터(210)를 기초로 기계학습한 기계학습부(200); 및
    상기 주파수 영역의 신호를 상기 기계학습부(200)에 입력시켜 상기 액체(15)의 속성을 판별케 하는 제어부(100);를 포함하는 것을 특징으로 하는 기계학습을 기반으로 액체 속성을 판별하는 핸드폰.
  6. 제 5 항에 있어서,
    상기 스피커와 상기 마이크는 상기 핸드폰(350)의 둘레 중 동일한 변에 배치되는 것을 특징으로 하는 것을 특징으로 하는 기계학습을 기반으로 액체 속성을 판별하는 핸드폰.
KR1020200012085A 2020-01-31 2020-01-31 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰 KR20210098197A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200012085A KR20210098197A (ko) 2020-01-31 2020-01-31 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200012085A KR20210098197A (ko) 2020-01-31 2020-01-31 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰

Publications (1)

Publication Number Publication Date
KR20210098197A true KR20210098197A (ko) 2021-08-10

Family

ID=77315984

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200012085A KR20210098197A (ko) 2020-01-31 2020-01-31 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰

Country Status (1)

Country Link
KR (1) KR20210098197A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984741A (zh) * 2021-09-29 2022-01-28 西北大学 基于深度学习和声音信号液体识别系统及方法
CN116773650A (zh) * 2023-06-19 2023-09-19 中南大学 基于耳机的材料检测方法
CN113984741B (zh) * 2021-09-29 2024-07-12 西北大学 基于深度学习和声音信号液体识别系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040083109A (ko) 2003-03-21 2004-10-01 (주)씨앤에스 테크놀로지 간섭신호에 강인한 음향 반향 제거장치
KR20140051777A (ko) 2012-10-23 2014-05-02 한국전자통신연구원 음향 반향 제거 방법 및 장치, 그리고 음향 반향 제거 장치의 적응 필터 계수 업데이트 방법
KR20150038487A (ko) 2012-08-31 2015-04-08 돌비 레버러토리즈 라이쎈싱 코오포레이션 오브젝트―기반 오디오를 위한 반사된 사운드 렌더링
KR102045953B1 (ko) 2018-09-19 2019-11-18 한양대학교 산학협력단 칼만필터 기반의 다채널 입출력 음향학적 반향 제거 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040083109A (ko) 2003-03-21 2004-10-01 (주)씨앤에스 테크놀로지 간섭신호에 강인한 음향 반향 제거장치
KR20150038487A (ko) 2012-08-31 2015-04-08 돌비 레버러토리즈 라이쎈싱 코오포레이션 오브젝트―기반 오디오를 위한 반사된 사운드 렌더링
KR20140051777A (ko) 2012-10-23 2014-05-02 한국전자통신연구원 음향 반향 제거 방법 및 장치, 그리고 음향 반향 제거 장치의 적응 필터 계수 업데이트 방법
KR102045953B1 (ko) 2018-09-19 2019-11-18 한양대학교 산학협력단 칼만필터 기반의 다채널 입출력 음향학적 반향 제거 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984741A (zh) * 2021-09-29 2022-01-28 西北大学 基于深度学习和声音信号液体识别系统及方法
CN113984741B (zh) * 2021-09-29 2024-07-12 西北大学 基于深度学习和声音信号液体识别系统及方法
CN116773650A (zh) * 2023-06-19 2023-09-19 中南大学 基于耳机的材料检测方法
CN116773650B (zh) * 2023-06-19 2024-02-23 中南大学 基于耳机的材料检测方法

Similar Documents

Publication Publication Date Title
US10373609B2 (en) Voice recognition method and apparatus
Bittle et al. A review of current marine mammal detection and classification algorithms for use in automated passive acoustic monitoring
Roch et al. Automated extraction of odontocete whistle contours
CN110503970A (zh) 一种音频数据处理方法、装置及存储介质
González-Hernández et al. Marine mammal sound classification based on a parallel recognition model and octave analysis
CN110444202B (zh) 复合语音识别方法、装置、设备及计算机可读存储介质
US11810564B2 (en) Dynamic adjustment of wake word acceptance tolerance thresholds in voice-controlled devices
Erbe et al. Automatic detection of marine mammals using information entropy
Boyd et al. Voice spoofing detection for multiclass attack classification using deep learning
KR20210098197A (ko) 기계학습을 기반으로 하는 액체 속성 판별장치 및 이를 이용한 핸드폰
Rademan et al. Soft-output signal detection for cetacean vocalizations using spectral entropy, k-means clustering and the continuous wavelet transform
Murugaiya et al. Probability enhanced entropy (PEE) novel feature for improved bird sound classification
Mohankumar et al. Implementation of an underwater target classifier using higher order spectral features
Castro et al. Automatic manatee count using passive acoustics
Zong et al. Trojanmodel: A practical trojan attack against automatic speech recognition systems
Vahidpour et al. An automated approach to passive sonar classification using binary image features
US11564036B1 (en) Presence detection using ultrasonic signals with concurrent audio playback
Ntalampiras Hybrid framework for categorising sounds of mysticete whales
Ibrahim et al. Feature extraction methods for the detection of north Atlantic right whale up-calls
Connor et al. Automating identification of avian vocalizations using time–frequency information extracted from the Gabor transform
Dunlop The communication space of humpback whale social sounds in vessel noise
Roch et al. Detection, classification, and localization of cetaceans by groups at the scripps institution of oceanography and San Diego state university (2003-2013)
US11982737B1 (en) Controlling sensitivity of presence detection using ultrasonic signals
Song et al. A deep-shallow network for passive underwater target recognition
Al-Ahmadi Energy efficient animal sound recognition scheme in wireless acoustic sensors networks

Legal Events

Date Code Title Description
E601 Decision to refuse application