KR20220077972A - 가스 탐지 지능 학습 시스템 및 그의 동작 방법 - Google Patents
가스 탐지 지능 학습 시스템 및 그의 동작 방법 Download PDFInfo
- Publication number
- KR20220077972A KR20220077972A KR1020200166503A KR20200166503A KR20220077972A KR 20220077972 A KR20220077972 A KR 20220077972A KR 1020200166503 A KR1020200166503 A KR 1020200166503A KR 20200166503 A KR20200166503 A KR 20200166503A KR 20220077972 A KR20220077972 A KR 20220077972A
- Authority
- KR
- South Korea
- Prior art keywords
- gas
- detection intelligence
- sensor array
- sensing
- data
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 173
- 238000012549 training Methods 0.000 title claims description 44
- 238000011017 operating method Methods 0.000 title abstract description 6
- 230000013016 learning Effects 0.000 claims abstract description 139
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 44
- 230000009466 transformation Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000035045 associative learning Effects 0.000 claims 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 239000007789 gas Substances 0.000 description 290
- 238000003491 array Methods 0.000 description 29
- 230000015654 memory Effects 0.000 description 25
- VSGPGYWZVPDDSK-UHFFFAOYSA-N 2-(5-methoxy-2-phenyl-1h-indol-3-yl)-n,n-dimethylethanamine Chemical compound CN(C)CCC=1C2=CC(OC)=CC=C2NC=1C1=CC=CC=C1 VSGPGYWZVPDDSK-UHFFFAOYSA-N 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000002245 particle Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 102000012547 Olfactory receptors Human genes 0.000 description 2
- 108050002069 Olfactory receptors Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ZCJJIQHVZCFSGZ-UHFFFAOYSA-N 2,8-bis(diphenylphosphoryl)dibenzothiophene Chemical compound C=1C=CC=CC=1P(C=1C=C2C3=CC(=CC=C3SC2=CC=1)P(=O)(C=1C=CC=CC=1)C=1C=CC=CC=1)(=O)C1=CC=CC=C1 ZCJJIQHVZCFSGZ-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007084 catalytic combustion reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 230000003533 narcotic effect Effects 0.000 description 1
- 210000000196 olfactory nerve Anatomy 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/2273—Atmospheric sampling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/403—Cells and electrode assemblies
- G01N27/406—Cells and probes with solid electrolytes
- G01N27/407—Cells and probes with solid electrolytes for investigating or analysing gases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0073—Control unit therefor
- G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N2001/2244—Exhaled gas, e.g. alcohol detecting
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
가스 탐지 지능 학습 시스템 및 그의 동작 방법이 개시된다. 가스 탐지 지능 학습 시스템은 주변 환경으로부터 환경 가스 및 예측 대상 가스를 포집하고, 상기 포집된 환경 가스 및 목표 가스에 기반하여 혼합 가스를 생성하고, 상기 혼합 가스를 제 1 센서 어레이 및 제 2 센서 어레이를 사용하여 제 1 센싱 조건 및 제 2 센싱 조건에서 각각 센싱하고, 그리고 상기 제 1 센서 어레이 및 상기 제 2 센서 어레이의 상기 센싱 결과에 기반하여 측정 데이터를 생성하는 혼합 가스 측정 장치; 및 상기 측정 데이터에 기반하여 앙상블 예측 모델을 생성하는 프로세서를 포함하는 탐지 지능 학습 장치를 포함할 수 있다.
Description
본 개시는 가스 탐지 지능 학습 시스템 및 그의 동작 방법에 관한 것이다.
냄새를 맡을 때, 공기 중에 포함된 가스 입자가 코의 후각 수용체를 화학적으로 자극한다. 이에 따라 후각신경이 흥분되고, 그리고 뇌의 측두엽의 후각 중추로 신호를 전달한다. 즉, 냄새를 맡는 것은 생리학적으로 코를 통해 들어오는 가스 입자를 식별하는 것으로 이해될 수 있다. 후각 리셉터를 자극하는 가스 입자는 물질의 성질을 포함하기 때문에, 가스 입자를 감지함으로써 가스 입자의 출처를 식별할 수 있다.
후각 센서는 가스 입자가 특정 금속 등의 물질과 결합할 때 야기되는 화학 반응으로부터 생성되는 생성물에 의한 전기 저항을 측정하거나, 화학 반응으로부터 발생되는 에너지를 전기 에너지로 변환하여 전류 또는 전압을 측정하거나, 물질과 결합함으로써 변화된 물질의 공진 주파수 등을 측정할 수 있다. 이러한 변화의 양상들에 기반하여, 가스 입자를 배출하는 물질이 식별될 수 있다.
본 개시의 목적은 주변 환경으로부터 획득되는 가스 및 목표 가스를 다양하게 혼합하고, 다양한 모달리티 및 다양한 센싱 조건들 하에서 목표 가스를 혼합된 가스로부터 센싱하고, 그리고 센싱 결과에 기초하여 예측 모델을 학습하는 가스 탐지 지능 학습 시스템 및 그의 동작 방법을 제공하는 데 있다.
본 개시의 몇몇 실시 예들에 따른 가스 탐지 지능 학습 시스템은: 주변 환경으로부터 환경 가스 및 예측 대상 가스를 포집하고, 상기 포집된 환경 가스 및 목표 가스에 기반하여 혼합 가스를 생성하고, 상기 혼합 가스를 제 1 센싱 어레이 및 제 2 센싱 어레이를 사용하여 제 1 센싱 조건 및 제 2 센싱 조건에서 각각 센싱하고, 그리고 상기 제 1 센서 어레이 및 상기 제 2 센서 어레이의 상기 센싱 결과에 기반하여 측정 데이터를 생성하는 혼합 가스 측정 장치; 및 상기 측정 데이터에 기반하여 앙상블 예측 모델을 생성하는 프로세서를 포함하는 탐지 지능 학습 장치를 포함할 수 있다.
본 개시의 몇몇 실시 예들에 따른 가스 탐지 지능 학습 시스템의 동작 방법은: 주변 환경으로부터 획득된 환경 가스 및 목표 가스로부터 혼합 가스를 생성하는 단계; 복수의 센싱 조건들 하에서 제 1 센서 어레이 및 제 2 센서 어레이를 사용하여 상기 혼합 가스로부터 상기 목표 가스를 센싱하는 단계; 상기 센싱 결과에 기반하여, 탐지 지능 학습 데이터를 생성하는 단계; 및 상기 탐지 지능 학습 데이터에 기반하여 앙상블 탐지 지능 모델을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 가스 탐지 지능 학습 시스템은 주변 환경의 가스 및 목표 가스를 다양한 비율로 혼합함으로써 예측 모델을 학습하는 데 필요한 데이터를 생성하기 위한 표본을 대량으로 생성할 수 있다. 가스 탐지 지능 학습 시스템은 다양한 센싱 조건들 하에서 다양한 모달리티로 혼합 가스를 측정함으로써, 예측 모델을 학습하는 데 필요한 데이터를 대량으로 생성할 수 있다. 이에 따라, 가스 탐지 지능 학습 시스템의 정확도가 개선될 수 있다.
도 1은 본 개시의 일 실시 예에 따른 가스 탐지 지능 학습 시스템의 예시적인 블록도이다.
도 2는 도 1의 탐지 지능 학습 장치의 예시적인 블록도이다.
도 3은 도 1의 혼합 가스 측정 장치의 혼합 가스 생성부의 예시적인 블록도이다.
도 4는 도 1의 혼합 가스 측정부의 예시적인 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 탐지 지능 학습 장치의 예시적인 블록도이다.
도 6은 본 개시의 일 실시 예에 따른 가스 탐지 시스템의 예시적인 블록도이다.
도 7은 도 1의 탐지 지능 학습 장치의 동작 방법의 예시적인 순서도이다.
도 2는 도 1의 탐지 지능 학습 장치의 예시적인 블록도이다.
도 3은 도 1의 혼합 가스 측정 장치의 혼합 가스 생성부의 예시적인 블록도이다.
도 4는 도 1의 혼합 가스 측정부의 예시적인 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 탐지 지능 학습 장치의 예시적인 블록도이다.
도 6은 본 개시의 일 실시 예에 따른 가스 탐지 시스템의 예시적인 블록도이다.
도 7은 도 1의 탐지 지능 학습 장치의 동작 방법의 예시적인 순서도이다.
이하에서, 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 용이하게 실시할 수 있을 정도로, 본 개시의 실시 예들이 명확하고 상세하게 기재될 것이다.
이하에서, 첨부한 도면들을 참조하여, 본 개시의 바람직한 실시 예를 보다 상세하게 설명하고자 한다. 본 개시를 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 유사한 구성요소에 대해서는 유사한 참조부호가 사용되고, 그리고 유사한 구성요소에 대해서 중복된 설명은 생략된다.
도 1은 본 개시의 일 실시 예에 따른 가스 탐지 지능 학습 시스템(10)의 예시적인 블록도이다. 도 1을 참조하면, 가스 탐지 지능 학습 시스템(10)은 탐지 지능 학습 장치(1100) 및 혼합 가스 측정 장치(1200)를 포함할 수 있다.
탐지 지능 학습 장치(1100)는 혼합 가스 측정 장치(1200)에 의해 생성된 측정 데이터를 샘플링할 수 있다. 탐지 지능 학습 장치(1100)는 샘플링된 데이터를 전처리함으로써, 탐지 지능 학습 데이터를 생성할 수 있다. 탐지 지능 학습 장치(1100)는 생성된 탐지 지능 학습 데이터를 기반으로 학습함으로써, 목표 가스를 감지할 수 있는 후각 지능을 생성할 수 있다. 탐지 지능 학습 장치(1100)의 구체적인 동작은 후술된다.
혼합 가스 측정 장치(1200)는 혼합 가스 측정 장치(1200)의 외부 환경으로부터 환경 가스를 포집할 수 있다. 혼합 가스 측정 장치(1200)는 환경 가스 및 목표 가스가 다양한 비율들로 혼합된 혼합 가스를 생성할 수 있다. 혼합 가스 측정 장치(1200)는 혼합 가스를 센서 어레이들을 사용하여 측정하고, 그리고 목표 가스가 혼합 가스에 포함되었는지 여부를 측정된 값에 태깅(tagging)함으로써, 측정 데이터를 생성할 수 있다. 혼합 가스 측정 장치(1200)는 컨트롤러(211), 혼합 가스 생성부(212), 및 혼합 가스 측정부(213)를 포함할 수 있다. 혼합 가스 측정 장치(1200)는 가스를 포집하기 위한 포집기(미도시) 및 포집된 가스를 저장하기 위한 가스 저장 장치(미도시)를 더 포함할 수 있다. 혼합 가스 측정 장치(1200)의 구체적인 동작은 후술된다.
도 2는 도 1의 탐지 지능 학습 장치(1100)의 예시적인 블록도이다. 도 1 및 도 2를 참조하면, 탐지 지능 학습 장치(1100)는 프로세서(1110), 버스(1120), 인터페이스 회로(1130), 메모리(1140), 및 스토리지(1150)를 포함할 수 있다.
프로세서(1110)는 메모리(1140)로 로드된 다양한 소프트웨어, 펌웨어, 또는 프로그램 코드 등을 실행하기 위한 연산을 수행할 수 있다. 프로세서(1110)는 탐지 지능 학습 장치(1100)의 중앙 처리 장치(Central Processing Unit; CPU)로서의 기능을 수행할 수 있다. 프로세서(1110)는 DSP(Digital Signal Processor) 등으로도 지칭될 수 있다.
몇몇 실시 예들에 있어서, 프로세서(1110)는 혼합 가스 측정 장치(1200)를 제어하기 위한 제어 신호를 생성할 수 있다. 예를 들어, 프로세서(1110)는 혼합 가스 측정 장치(1200)를 제어하기 위한 프로그램 코드를 실행할 수 있다. 프로세서(1110)에 의해 생성된 제어 신호는 인터페이스 회로(1130)를 통해 혼합 가스 측정 장치(1200)의 컨트롤러(211)로 제공될 수 있다. 컨트롤러(211)는 수신된 제어 신호에 응답하여, 혼합 가스 생성부(212) 및 혼합 가스 측정부(213)의 동작을 제어할 수 있다.
버스(1120)는 탐지 지능 학습 장치(1100)의 구성 요소들 사이에 통신 경로를 제공할 수 있다. 프로세서(1110), 인터페이스 회로(1130), 메모리(1140), 및 스토리지(1150)는 버스(1120)를 통해 서로 데이터를 교환할 수 있다. 버스(1120)는 탐지 지능 학습 장치(1100)에서 사용되는 다양한 유형의 통신 포맷을 지원하도록 구성될 수 있다.
인터페이스 회로(1130)는 탐지 지능 학습 장치(1100)의 외부 장치(예를 들어, 혼합 가스 측정 장치(1200), 또는 도 6의 가스 예측 장치(2100))와 통신할 수 있다. 예를 들어, 인터페이스 회로(1130)는 다양한 유선 또는 무선 통신 프로토콜에 기반하여, 탐지 지능 학습 장치(1100)의 외부 장치와 통신할 수 있다. 몇몇 실시 예들에 있어서, 인터페이스 회로(1130)는 Wifi 등과 같은 무선 인터넷을 통해 탐지 지능 학습 장치(1100)의 외부 장치와 통신할 수 있다.
인터페이스 회로(1130)는 사용자(미도시)와 통신하기 위한 사용자 인터페이스를 더 포함할 수 있다. 예를 들어, 인터페이스 회로(1130)는 프로세서(1110)에 의해 생성된 데이터를 사용자로 제공할 수 있다. 일 실시 예에 있어서, 사용자 인터페이스는 모니터, 프린터, 또는 램프 등과 같은 다양한 출력 장치들 중 적어도 하나를 포함할 수 있다. 사용자 인터페이스는 키보드, 터치패드, 마우스, 마이크 등과 같은 다양한 입력 장치들 중 적어도 하나를 포함할 수 있다.
메모리(1140)는 프로세서(1110)에 의해 처리되거나 처리될 데이터 및 프로그램 코드들을 저장할 수 있다. 메모리(1140)는 탐지 지능 학습 장치(1100)의 주 기억 장치로서의 기능을 수행할 수 있다. 예를 들어, 스토리지(1150)에 저장된, 혼합 가스 측정 장치(1200)에 의해 생성된 측정 데이터로부터 학습 데이터를 생성하기 위한 프로그램 코드 및 학습 데이터에 기반하여 탐지 지능 모델을 학습시키기 위한 프로그램 코드 및 탐지 지능 모델의 학습에 필요한 데이터가 메모리(1140)로 로드될 수 있다.
일 실시 예에 있어서, 메모리(1140)는 DRAM(Dynamic Random Access Memory) 또는 SRAM(Static Random Access Memory)을 포함할 수 있다. 메모리(1140)는 버퍼 메모리, 워킹 메모리 또는 캐시 메모리로서 지칭될 수도 있다. 도시된 바와 달리, 메모리(1140)의 개수는 하나 이상일 수 있다. 메모리(1140)는 프로세서(1110)에 의해 실행 가능한 코드를 저장하는 비일시적 컴퓨터 판독가능 매체로서 이해될 수 있다.
스토리지(1150)는 프로세서(1110)에 의해 장기적인 저장을 목적으로 생성되는 데이터, 프로세서(1110)에 의해 구동되기 위한 파일, 또는 프로세서(1110)에 의해 실행될 수 있는 다양한 코드들을 저장할 수 있다. 예를 들어, 스토리지(1150)는 프로세서(1110)에 의해 실행 가능한 학습 데이터를 생성하고 탐지 지능 모델을 학습시키기 위한 프로그램 코드 및 학습 데이터를 생성하고 탐지 지능 모델을 학습시키기 위한 프로그램 코드를 실행함에 따라 생성되는 데이터를 저장할 수 있다. 스토리지(1150)는 탐지 지능 학습 장치(1100)의 보조 기억 장치로서의 기능을 수행할 수 있다. 스토리지(1150)는 플래시 메모리 등을 포함할 수 있다. 도시된 바와 달리, 스토리지(1150)는 탐지 지능 학습 장치(1100)의 외부 장치로서 구현될 수도 있다.
도 3은 도 1의 혼합 가스 측정 장치(1200)의 혼합 가스 생성부(212)의 예시적인 블록도이다. 혼합 가스 측정 장치(1200)는 혼합 가스 측정 장치(1200)의 외부의 특정 공간 내에 있는 가스를 포집할 수 있다. 예를 들어, 혼합 가스 측정 장치(1200)는 가스를 포집하고, 샘플링하고, 그리고 혼합 가스(GMX)를 생성할 수 있다. 혼합 가스 측정 장치(1200)에 의해 생성된 혼합 가스(GMX)는 탐지 지능 학습 장치(1100)의 탐지 지능 모델의 학습을 위한 학습 데이터를 생성하기 위해 사용될 수 있다.
컨트롤러(211)는 혼합 가스 생성부(212)를 제어할 수 있다. 예를 들어, 컨트롤러(211)는 혼합 가스 측정 장치(1200) 내 스토리지(미도시)에 저장되어 있는 프로그램 코드를 실행하거나 또는 프로세서(1110) 등과 같은 혼합 가스 측정 장치(1200)의 외부 장치로부터 수신되는 제어 신호에 응답함으로써, 혼합 가스 생성부(212)를 제어하기 위한 신호를 생성할 수 있다.
혼합 가스 생성부(212)는 환경 가스 샘플링부(2121), 환경 가스 혼합부(2122), 목표 가스 샘플링부(2123), 목표 가스 농축부(2124), 및 가스 혼합부(2125)를 포함할 수 있다.
환경 가스(GSR)는 혼합 가스 측정 장치(1200)의 외부의 특정 공간으로부터 포집된 가스일 수 있다. 예를 들어, 환경 가스(GSR)는 ULD(Unit Load Device) 등과 같은 컨테이너, 창고, 비행기, 인체의 구강 등 다양한 유형의 공간으로부터 포집된 가스일 수 있다.
환경 가스 샘플링부(2121)는 포집된 환경 가스(GSR)를 샘플링할 수 있다. 환경 가스 샘플링부(2121)는 환경 가스(GSR)를 종류에 따라 분류할 수 있다. 예를 들어, 환경 가스 샘플링부(2121)는 환경 가스(GSR)가 포집된 환경의 유형에 따라, 환경 가스(GSR)를 분류할 수 있다.
환경 가스 샘플링부(2121)는 환경 가스(GSR)를 전처리할 수 있다. 예를 들어, 환경 가스 샘플링부(2121)는 분류된 환경 가스(GSR)를 분류하고, 그리고 불순물을 제거할 수 있다. 환경 가스 샘플링부(2121)는 환경 가스(GSR)의 수분 또는 오염물 등을 제거할 수 있다. 환경 가스 샘플링부(2121)는 전처리된 환경 가스를 환경 가스 혼합부(2122)로 전달할 수 있다.
환경 가스 혼합부(2122)는 샘플링된 환경 가스를 조합할 수 있다. 예를 들어, 환경 가스 조절부(2122)는, 컨트롤러(211)의 제어 하에, 샘플링된 환경 가스 각각이 저장된 장치의 밸브의 개방을 제어할 수 있다. 일 실시 예에 있어서, 샘플링된 환경 가스의 종류가 m 개인 경우, 환경 가스 조절부(2122)는 mCm-1 개의 조합들로 환경 가스를 조합할 수 있다. 환경 가스 조절부(2122)는 조합된 환경 가스를 가스 혼합부(2125)로 전달할 수 있다.
목표 가스 샘플링부(2123)는 목표 가스(GTG)를 샘플링할 수 있다. 목표 가스 샘플링부(2123)는 샘플링된 목표 가스를 혼합 가스 생성부(212)로 전달할 수 있다.
목표 가스(GTG)는 탐지 지능 학습 장치(1100)를 사용하여 탐지(또는 학습)하려고 하는 종류의 가스일 수 있다. 예를 들어, 목표 가스(GTG)는 마약 가스, 질병과 연관된 가스, 육가공에 사용되는 가스, 또는 호흡기 가스 등일 수 있으나, 이에 한정되는 것은 아니다.
목표 가스 샘플링부(2123)는 목표 가스(GTG)로부터, 다양한 농도의 가스들을 생성할 수 있다. 예를 들어, 목표 가스 샘플링부(2123)는 특정 종류의 목표 가스(GTG)를 혼합 가스 측정부(213) 또는 탐지 지능 학습 장치(1100)의 동작에 적절한 농도로 샘플링할 수 있다. 목표 가스 샘플링부(2123)는 ppm(parts per million), ppb(parts per Billion), ppt(parts per trillion) 등 다양한 단위의 농도로 목표 가스(GTG)를 샘플링할 수 있다.
혼합 가스 생성부(212)는 샘플링되고 전처리된 가스들로부터 혼합 가스(GMX)를 생성할 수 있다. 혼합 가스(GMX)는 환경 가스(GSR) 및 목표 가스(GTG)를 다양한 비율들로 혼합한 가스일 수 있다. 혼합 가스(GMX)에 포함된 목표 가스(GTG)의 농도는 컨트롤러(211)에 의해 조절될 수 있다.
혼합 가스 생성부(212)는 생성된 혼합 가스(GMX)를 목표 가스(GTG)로 태그할 수 있다. 혼합 가스 생성부(212)는 혼합 가스(GMX)를 탐지 지능 학습 장치(1100)로 전달할 수 있다.
목표 가스 농축부(2124)는 샘플링된 목표 가스의 농도를 조절할 수 있다. 예를 들어, 목표 가스 농축부(2124)는, 컨트롤러(211)의 제어 하에, 샘플링된 목표 가스 각각이 저장된 장치의 밸브의 개방을 제어할 수 있다. 목표 가스 농축부(2124)는 밸브의 개방을 제어함으로써, 목표 가스를 농축할 수 있다. 목표 가스 농축부(2124)는 농축된 목표 가스를 가스 혼합부(2125)로 전달할 수 있다.
가스 혼합부(2125)는 조합된 환경 가스 및 농축된 목표 가스를 혼합할 수 있다. 예를 들어, 가스 혼합부(2125)는 하나의 농축된 목표 가스에 대해, 모든 가능한 조합들의 조합된 환경 가스가 혼합되도록, 가스 각각이 저장된 장치의 밸브의 개방을 제어할 수 있다. 즉, 가스 혼합부(2125)는 하나의 농축된 목표 가스에 대해, mCm-1 개의 종류의 혼합 가스를 생성할 수 있다. 가스 혼합부(2125)는 생성된 혼합 가스(GMX)를 대응하는 목표 가스로 태그할 수 있다. 가스 혼합부(2125)는 혼합 가스(GMX)를 혼합 가스 측정부(213)로 제공할 수 있다.
도 4는 도 1의 혼합 가스 측정부(213)의 예시적인 블록도이다. 도 1 내지 도 4를 참조하면, 혼합 가스 측정부(213)는 멀티모달 센싱부(2131), 및 데이터 합성부(2132)를 포함할 수 있다.
멀티모달 센싱부(2131)는 센서 어레이들(2130)을 포함할 수 있다. 멀티모달 센싱부(2131)는 센서 어레이들(2130) 각각의 센싱 조건을 조절할 수 있다.
센서 어레이들(2130)은 복수의 후각 센서들을 포함하는 어레이들로서 구현될 수 있다. 예를 들어, 센서 어레이들(2130) 각각은 복수의, MOS(Metal Oxide Semiconductor) 센서, 전기 화학 센서(Electrochemical Sensor; ECS), 광이온화 검출(Photoionization Detector) 센서, 접촉 연소식(Catalytic Combustion) 센서, 폴리머(polymer) 센서, 표면 플라즈몬 공명(Surface Plasmon Resonance; SPR) 센서, 마이크로캔틸레버(Microcantilever) 센서 등과 같은 후각 센서들의 어레이로서 구현될 수 있다.
센서 어레이들(2130) 각각은 구현되는 방식에 따라, 서로 다른 모달리티(Modality)를 가질 수 있다. 예를 들어, 제 1 센서 어레이는 제 1 센서 어레이에 포함된 센서들에 기반한 제 1 모달리티를 가질 수 있다.
예를 들어, 컨트롤러(211)의 제어 하에, 멀티모달 센싱부(2131)는 센서 어레이들(2130)에 포함된 센서들 각각으로 인가되는 전압, 전류, 또는 제어 신호의 파형 등과 같은 입력 신호의 특성들을 가변할 수 있다. 이에 따라, 센서 어레이들(2130)은 다양한 모달리티 및 다양한 센싱 조건들과 연관된 센싱 데이터를 제공할 수 있다.
멀티모달 센싱부(2131)는 컨트롤러(211)의 제어 하에, 센서 어레이들(2130)로 혼합 가스 생성부(212)에 의해 생성된 가스를 분배할 수 있다. 예를 들어, 멀티모달 센싱부(2131)는 센서 어레이들(2130)에 포함된 제 1 내지 제 n 센서 어레이로 혼합 가스(GMX)를 각각 분배할 수 있으며, 여기서 n은 자연수일 수 있다.
멀티모달 센싱부(2131)의 제어 하에, 센서 어레이들(2130)은 다양한 조건들 하에서 혼합 가스(GMX)를 센싱할 수 있다. 센서 어레이들(2130)의 센싱 결과들로부터, 멀티모달 센싱부(2131)는 멀티모달 센싱 데이터(DMS)를 생성할 수 있다. 멀티모달 센싱부(2131)는 멀티모달 센싱 데이터(DMS)를 데이터 합성부(2132)로 전달할 수 있다.
몇몇 실시 예들에 있어서, 센서 어레이들(2131) 각각은 챔버 내에 포함된 혼합 가스(GMX)를 센싱할 수 있다. 챔버 내에서, 혼합 가스(GMX)의 흐름이 균일하게 유지될 수 있다. 이에 따라, 센서 어레이들(2131)의 정확도가 개선될 수 있다.
데이터 합성부(2132)는 멀티모달 센싱 데이터(DMS)를 합성할 수 있다. 예를 들어, 데이터 합성부(2132)는 멀티모달 센싱 데이터(DMS)를 목표 가스(GTG)에 기반하여 분류할 수 있다. 데이터 합성부(2132)는 분류된 멀티모달 센싱 데이터(DMS)를 시간의 흐름에 따라 합성하고, 그리고 대응하는 목표 가스(GTG)로 태그할 수 있다. 데이터 합성부(2132)는 합성된 데이터를 측정 데이터(DGS)로서 데이터 학습부(1220)로 제공할 수 있다. 측정 데이터(DGS)는 시계열적일 수 있다.
도 5는 본 개시의 일 실시 예에 따른 탐지 지능 학습 장치(1100)의 예시적인 블록도이다. 도 1 내지 도 5를 참조하면, 탐지 지능 학습 장치(1100)는 측정 데이터 전처리부(1210), 멀티모달 시리즈 학습부(1220), 및 도메인 변환 앙상블 학습부(1230)를 포함할 수 있다.
몇몇 실시 예들에 있어서, 탐지 지능 학습 장치(1100)의 프로세서(1100)는 측정 데이터 전처리부(1210), 멀티모달 시리즈 학습부(122), 및 도메인 변환 앙상블 학습부(1230)를 실행하기 위한 프로그램 코드들을 실행할 수 있다. 측정 데이터 전처리부(1210), 멀티모달 시리즈 학습부(122), 및 도메인 변환 앙상블 학습부(1230)를 실행하기 위한 프로그램 코드들은 스토리지(1150)에 저장될 수 있고, 그리고 메모리(1140)로 로드될 수 있다.
측정 데이터 전처리부(1210)는 혼합 가스 측정부(213)로부터 측정 데이터(DGS)를 수신할 수 있다. 측정 데이터 전처리부(1210)는 측정 데이터(DGS)를 전처리할 수 있다. 예를 들어, 측정 데이터 전처리부(1210)는 측정 데이터(DGS)를 샘플링하거나, 측정 데이터(DGS)의 이상(abnormality)을 감지하고 이를 보상하거나, 측정 데이터(DGS)의 결측치를 처리하거나, 또는 측정 데이터(DGS)를 정규화할 수 있다. 측정 데이터 전처리부(1210)는 전처리한 측정 데이터(DGS)를 탐지 지능 학습 데이터(PDGS)로서 멀티모달 시리즈 학습부(1220) 및 도메인 변환 앙상블 학습부(1230)로 제공할 수 있다.
멀티모달 조건부 시리즈 학습부(1220)는 시리즈 관계 학습부(1221), 조건 변화 관계 학습부(1222), 및 모달리티 관계 학습부(1223)를 포함할 수 있다. 시리즈 관계 학습부(1221), 조건 변화 관계 학습부(1222), 및 모달리티 관계 학습부(1223)는 CNN(Convolution Neural Network) 또는 RNN(Recurrent Neural Network) 등과 같은 다양한 유형의 머신 러닝 알고리즘들 또는 딥 러닝 알고리즘들을 수행할 수 있다.
시리즈 관계 학습부(1221)는 탐지 지능 학습 데이터(PDGS) 중 동일한 모달리티 및 동일한 센싱 조건의 데이터들 사이의 상관 관계에 대한 학습을 수행할 수 있다. 예를 들어, 시리즈 관계 학습부(1221)는 동일한 모달리티 및 동일한 센싱 조건 하에서, 특정한 목표 가스(GTG)의 종류가 태그된 센싱 값들을 복수의 서로 다른 샘플 시리즈들로 시간 별로 나누어 나열할 수 있다. 이때, 태그된 목표 가스(GTG)의 종류 및 센서 어레이들(2131) 각각의 관계는 센싱 값으로서 표현될 수 있다. 시리즈 관계 학습부(112A)는 탐지 지능 학습 데이터(PDGS)가 태그된 목표 가스(GTG)를 레이블로 하여, 복수의 샘플 시리즈들에 대해, 지도 학습 알고리즘을 수행할 수 있다. 다시 말해서, 시리즈 관계 학습부(1221)는 샘플 시리즈들 각각에 대해, 어떤 시점의 샘플이 가장 목표 가스(GTG)를 정확하게 센싱하였는지를 집중도(Attention)로 하여, 지도 학습 알고리즘을 수행할 수 있다.
조건 변화 관계 학습부(1222)는 탐지 지능 학습 데이터(PDGS) 중 동일한 모달리티를 가지나 서로 다른 센싱 조건 하에서 생성된 데이터들 사이의 상관 관계에 대한 학습을 수행할 수 있다. 예를 들어, 조건 변화 관계 학습부(1222)는 탐지 지능 학습 데이터(PDGS) 중, 동일한 모달리티 하에서 특정한 목표 가스(GTG)의 종류가 태그된 제 1 내지 제 k 센싱 조건 데이터 셋들에 대해, 학습 알고리즘을 수행할 수 있다. 다시 말해서, 조건 변화 환계 학습부(1222)는 어떤 센싱 조건에서 목표 가스(GTG)가 가장 잘 센싱되었는지를 집중도로 하여, 학습을 수행할 수 있다.
모달리티 관계 학습부(1223)는 탐지 지능 학습 데이터(PDGS) 중 서로 다른 모달리티 데이터를 갖는 데이터들 사이의 상관 관계에 대한 학습을 수행할 수 있다. 예를 들어, 모달리티 관계 학습부(1223)는 탐지 지능 학습 데이터(PDGS) 중 특정한 센싱 조건 하에서, 목표 가스(GTG)의 종류가 태그된 제 1 내지 제 n 모달리티 데이터 셋들에 대해, 학습 알고리즘을 수행할 수 있다. 다시 말해서, 모달리티 관계 학습부(1223)는 제 1 내지 제 n 모달리티 중 어떤 모달리티에서 가장 목표 가스(GTG)가 잘 센싱되었는지를 집중도로 하여, 학습을 수행할 수 있다.
멀티모달 조건부 시리즈 학습부(1220)는 시리즈 관계 학습부(1221), 조건 변화 관계 학습부(1222), 및 모달리티 관계 학습부(1223)를 거쳐 생성된 조건부 탐지 지능 모델(MCS)을 도메인 변환 앙상블 학습부(1230)로 전달할 수 있다. 멀티모달 조건부 시리즈 학습부(1220)는 특정 조건에 대해, 제 1 내지 제 n 모달리티 각각에 대한 조건부 탐지 지능 모델(MCS)을 제공할 수 있다.
도메인 변환 앙상블 학습부(1230)는 도메인 변환 학습부(1231) 및 도메인 앙상블 학습부(1232)를 포함할 수 있다. 도메인 변환 앙상블 학습부(1230)는 데이터 전처리부(1210)로부터 탐지 지능 학습 데이터(PDGS)를 수신할 수 있다. 도메인 변환 앙상블 학습부(1230)는 멀티모달 조건부 시리즈 학습부(1220)로부터 조건부 탐지 지능 모델(MCS)을 수신할 수 있다. 도메인 변환 앙상블 학습부(1230)는 제 1 내지 제 n 모달리티들 중 목표 도메인을 선택할 수 있다. 도메인 변환 앙상블 학습부(1230)는 선택된 목표 도메인에 대해, 탐지 지능 학습 데이터(PDGS) 및 조건부 탐지 지능 모델(MCS)에 기반하여, 앙상블 탐지 지능 모델(MPDT)을 생성할 수 있다. 도메인 학습부는 제 1 내지 제 n 모달리티들 각각에 대해 앙상블 탐지 지능 모델(MPDT)을 생성할 수 있다.
도메인 변환 학습부(1231)는 특정 도메인의 학습 모델(예를 들어, 특정 모달리티의 조건부 탐지 지능 모델(MCS))을 다른 도메인의 학습 모델로 변환할 수 있다. 예를 들어, 도메인 변환 학습부(1231)는 탐지 지능 학습 데이터(PDGS) 중 목표 도메인의(즉, 목표 모달리티의) 데이터 셋 및 조건부 탐지 지능 모델(MCS)에 기반하여, 도메인 변환 학습부(1231)는 특정 센싱 조건에 대한 도메인 변환 탐지 지능 모델을 학습시킬 수 있다. 도메인 변환 학습부(1231)는 다양한 종류의 전이 학습 알고리즘들을 사용할 수 있다. 도메인 변환 학습부(1231)는 목표 도메인에 대해, 제 1 내지 제 k 센싱 조건들 각각에 대한 도메인 변환 탐지 지능 모델들을 생성할 수 있다.
예를 들어, 도메인 변환 학습부(1231)는 제 1 모달리티 및 제 1 센싱 조건에 대한 조건부 탐지 지능 모델을, 목표 도메인의 탐지 지능 학습 데이터로 학습시킬 수 있다. 이에 따라, 목표 도메인의 제 1 센싱 조건에 대한 도메인 변환 탐지 지능 모델이 생성될 수 있다.
도메인 앙상블 학습부(1232)는 목표 도메인에 대한 도메인 변환 탐지 지능 모델들로부터, 목표 도메인에 대한 앙상블 탐지 지능 모델(MPDT)을 생성할 수 있다. 예를 들어, 도메인 앙상블 학습부(1232)는 목표 도메인의 제 1 내지 제 k 센싱 조건들 각각에 대한 도메인 변환 탐지 지능 모델들을 탐지 지능 학습 데이터(PDGS) 중 목표 도메인에 대한 데이터로 학습시킬 수 있다. 이에 따라, 목표 도메인의 제 1 내지 제 k 센싱 조건들 각각에 대한 도메인 변환 탐지 지능 모델들이 결합됨으로써, 목표 도메인의 앙상블 탐지 지능 모델(MPDT)이 생성될 수 있다. 예를 들어, 도메인 앙상블 학습부(1232)는 도메인 변환 탐지 지능 모델들을 보팅(Voting), 배깅(Bagging), 또는 부스팅(Boosting) 등과 같은 다양한 방식들을 사용하여 결합할 수 있다. 생성된 앙상블 탐지 지능 모델(MPDT)은 스토리지(1150) 내 데이터베이스에 저장될 수 있다.
도 6은 본 개시의 일 실시 예에 따른 가스 탐지 시스템(20)의 예시적인 블록도이다. 도 1 내지 도 6을 참조하면, 가스 탐지 시스템(20)은 가스 예측 장치(2100), 제 1 내지 제 z 가스 센싱 장치들(2201~220z), 및 네트워크(2300)를 포함할 수 있다.
가스 예측 장치(2100)는 프로세서(2110), 메모리(2120), 및 인터페이스 회로(2130)를 포함할 수 있다. 프로세서(2110)는 메모리(2120)로 로드된 다양한 소프트웨어, 펌웨어, 또는 프로그램 코드 등을 실행하기 위한 연산을 수행할 수 있다. 예를 들어, 프로세서(2110)는 메모리(2120)로 로드된, 목표 가스(GTG)를 앙상블 탐지 지능 모델(MPDT)에 기반하여 탐지하기 위한 프로그램 코드들을 실행할 수 있다. 프로세서(2110)는 가스 예측 장치(2100)의 중앙 처리 장치(Central Processing Unit; CPU)로서의 기능을 수행할 수 있다.
메모리(2120)는 프로세서(2110)에 의해 처리되거나 처리될 데이터 및 프로그램 코드들을 저장할 수 있다. 메모리(2120)는 가스 예측 장치(2120)의 주 기억 장치로서의 기능을 수행할 수 있다. 예를 들어, 외부의 탐지 지능 학습 장치(1100)로부터 제공받은 앙상블 탐지 지능 모델(MPDT) 및 제 1 내지 제 z 가스 센싱 장치들(2201~220z)로부터 수신된 멀티모달 조건부 측정 데이터가 메모리(2120)로 로드될 수 있다. 메모리(2120)는 DRAM 또는 SRAM을 포함할 수 있다. 메모리(2120)는 프로세서(2110)에 의해 실행 가능한 코드를 저장하는 비일시적 컴퓨터 판독가능 매체로서 이해될 수 있다.
메모리(2120)에 로드되고 프로세서(2110)에 의해 실행되는, 목표 가스(GTG)를 앙상블 탐지 지능 모델(MPDT)에 기반하여 탐지하기 위한 프로그램 코드들은, 제 1 내지 제 z 가스 센싱 장치들(2201~220z)에 의해 포집된 가스에 목표 가스가 포함되는지를 예측하기 위한 명령어들을 포함할 수 있다. 예를 들어, 프로세서(2110)는 탐지 지능 학습 장치(1100)에 의해 생성된 앙상블 탐지 지능 모델(MPDT) 및 제 1 내지 제 z 가스 센싱 장치들(2201~220z)로부터 수신된 멀티모달 조건부 측정 데이터를 사용함으로써, 제 1 내지 제 z 가스 센싱 장치들(2201~220z)에 의해 포집된 가스에 목표 가스가 포함되었는지 여부를 예측할 수 있다. 프로세서(2110)는 예측 결과를 인터페이스 회로(2130)를 통해 제 1 내지 제 z 가스 센싱 장치들(2201~220z) 등과 같은 외부 장치 또는 사용자로 제공할 수 있다.
프로세서(2110)는 멀티모달 조건부 측정 데이터 및 앙상블 탐지 지능 모델(MPDT)에 기반하여, 예측 데이터(DPDT)를 생성할 수 있다. 예를 들어, 프로세서(2110)는 멀티모달 조건부 측정 데이터를 전처리할 수 있다. 프로세서(2110)는 측정 데이터 전처리부(1210)와 유사한 방식으로, 멀티모달 조건부 측정 데이터를 전처리할 수 있다. 프로세서(2110)는 전처리된 멀티모달 조건부 측정 데이터에 포함된 목표 가스 종류를, 앙상블 탐지 지능 모델(MPDT)을 사용하여 예측할 수 있다. 프로세서(2110)는 예측 결과를 예측 데이터로서 인터페이스 회로(2130)로 제공할 수 있다.
인터페이스 회로(2130)는 가스 예측 장치(2100)의 외부 장치와 통신할 수 있다. 예를 들어, 인터페이스 회로(2130)는 다양한 유선 또는 무선 통신 프로토콜에 기반하여, 가스 탐지 지능 학습 시스템(10)의 탐지 지능 학습 장치(1100) 및 네트워크(2300)와 통신할 수 있다. 몇몇 실시 예들에 있어서, 인터페이스 회로(2130)는 Wifi 등과 같은 무선 인터넷을 통해 가스 탐지 지능 학습 시스템(10)의 탐지 지능 학습 장치(1100) 및 네트워크(2300)와 통신할 수 있다.
인터페이스 회로(2130)는 탐지 지능 학습 장치(1100)로부터 앙상블 탐지 지능 모델(MPDT)을 수신할 수 있다. 인터페이스 회로(2130)는 멀티모달 조건부 측정 데이터를 제 1 내지 제 z 가스 센싱 장치들(2201~220z)로부터 네트워크(2300)를 통해 수신할 수 있다. 인터페이스 회로(2130)는 수신된 앙상블 탐지 지능 모델(MPDT) 및 멀티모달 조건부 측정 데이터를 가스 예측 장치(2100) 내 스토리지(미도시)에 저장할 수 있다.
인터페이스 회로(2130)는 사용자(미도시)와 통신하기 위한 사용자 인터페이스를 더 포함할 수 있다. 예를 들어, 인터페이스 회로(2130)는 프로세서(2110)에 의해 생성된 예측 결과를 사용자로 제공할 수 있다. 몇몇 실시 예들에 있어서, 인터페이스 회로(2130)는 탐지 지능 학습 장치(1100)의 인터페이스 회로(1130)와 유사한 방식으로 구현될 수 있다.
제 1 가스 센싱 장치(2101)는 컨트롤러(2201A), 인터페이스 회로(2201B), 센서 어레이들(2201C), 및 포집기(2201D)를 포함할 수 있다. 제 2 내지 제 z 가스 센싱 장치들(2202~220z)은 제 1 가스 센싱 장치(2101)와 유사한 방식으로 구현될 수 있고, 그리고 유사한 방식으로 동작할 수 있다.
컨트롤러(2201A)는 인터페이스 회로(2201B), 센서 어레이들(2201C), 및 포집기(2201D)를 제어할 수 있다. 예를 들어, 컨트롤러(211)는 제 1 가스 센싱 장치(2101) 내 스토리지(미도시)에 저장되어 있는 프로그램 코드를 실행함으로써, 인터페이스 회로(2201B), 센서 어레이들(2201C), 및 포집기(2201D)를 제어하기 위한 신호를 생성할 수 있다.
센서 어레이들(2201C)은 다양한 유형의 후각 센서들을 포함하는 어레이들로서 구현될 수 있다. 몇몇 실시 예들에 있어서, 센서 어레이들(2201C)은 혼합 가스 측정 장치(1200)의 센서 어레이들(2131)과 유사한 방식으로 구현될 수 있고, 그리고 유사한 방식으로 동작할 수 있다. 제 1 가스 센싱 장치(2201)는 센서 어레이들(2201C)을 사용함으로써, 멀티모달 조건부 측정 데이터를 생성할 수 있다. 생성된 멀티모달 조건부 측정 데이터는 인터페이스 회로(2201B)를 통해 네트워크(2300)를 거쳐 가스 예측 장치(2100)로 제공될 수 있다.
포집기(2201D)는 제 1 가스 센싱 장치(2201)의 주변 환경으로부터 목표 가스가 포함된 가스를 포집할 수 있다. 제 1 가스 센싱 장치(2201)는 포집된 가스를 센서 어레이들(2201C)을 이용하여 특정 조건 하에서 센싱함으로써, 멀티모달 조건부 측정 데이터를 생성할 수 있다. 예를 들어, 제 1 가스 센싱 장치(2201)는 혼합 가스 측정부(213)의 멀티모달 센싱부(2131)와 유사한 방식으로, 특정한 조건 하에서 센서 어레이들(2201D)을 통해 멀티모달 조건부 측정 데이터를 생성할 수 있다.
네트워크(2300)는 제 1 내지 제 z 가스 센싱 장치들(2201~220z) 및 가스 예측 장치(2100) 사이의 통신을 수행할 수 있다. 제 1 내지 제 z 가스 센싱 장치들(2201~220z) 및 가스 예측 장치(2100)는 네트워크(2300)를 통하여, 유선 또는 무선으로 데이터를 주고받을 수 있다.
도 7은 도 1의 가스 탐지 지능 학습 시스템(10)의 동작 방법의 예시적인 순서도이다. 도 1 및 도 7을 참조하면, 가스 탐지 지능 학습 시스템(10)은 S100 내지 S300 단계를 수행할 수 있다.
S100 단계에서, 가스 탐지 지능 학습 시스템(10)은 혼합 가스를 생성할 수 있다. 예를 들어, 가스 탐지 지능 학습 시스템(10)의 혼합 가스 측정 장치(1200)는 환경 가스(GSR)를 포집하여 샘플링하고, 그리고 목표 가스(GTG)를 샘플링할 수 있다. 혼합 가스 측정 장치(1200)는 샘플링된 환경 가스를 다양한 조합들로 조합할 수 있다. 혼합 가스 측정 장치(1200)는 샘플링된 목표 가스를 다양한 농도들로 농축할 수 있다. 혼합 가스 측정 장치(1200)는 조합된 환경 가스 및 농축된 목표 가스에 기반하여, 다양한 종류의 혼합 가스(GMX)를 생성할 수 있다.
S200 단계에서, 가스 탐지 지능 학습 시스템(10)은 혼합 가스를 측정할 수 있다. 예를 들어, 가스 탐지 지능 학습 시스템(10)의 혼합 가스 측정 장치(1200)의 멀티모달 센싱부(2131)는 혼합 가스 측정 장치(1200)에 의해 생성된 혼합 가스(GMX)를 센서 어레이들(2130)로 분배할 수 있다. 혼합 가스 측정 장치(1200)는 다양한 센싱 조건들 하에서 혼합 가스(GMX)를 센서 어레이들(2130)을 사용하여 측정할 수 있다. 혼합 가스 측정 장치(1200)는 측정된 센싱 데이터를 시계열로 목표 가스의 종류 각각에 대해 합성함으로써, 측정 데이터(DGS)를 생성할 수 있다.
S300 단계에서, 가스 탐지 지능 학습 시스템(10)은 측정된 혼합 가스에 기반하여, 앙상블 탐지 지능 모델(MPDT)을 생성할 수 있다. 예를 들어, 가스 탐지 지능 학습 시스템(10)의 탐지 지능 학습 장치(1100)는 측정 데이터(DGS)를 전처리함으로써 탐지 지능 학습 데이터(PDGS)를 생성할 수 있다. 탐지 지능 학습 장치(1100)는 탐지 지능 학습 데이터(PDGS)에 대해 멀티모달 조건부 시리즈 딥 러닝을 수행함으로써, 조건부 탐지 지능 모델(MCS)을 생성할 수 있다. 탐지 지능 학습 장치(1100)는 탐지 지능 학습 데이터(PDGS) 및 조건부 탐지 지능 모델(MCS)에 대해 도메인 변환 앙상블 딥 러닝을 수행함으로써, 앙상블 탐지 지능 모델(MPDT)을 생성할 수 있다.
몇몇 실시 예들에 있어서, 가스 탐지 지능 학습 시스템(10)은 주변 환경으로부터 획득된 가스를 다수의 조합들로 조합하고 그리고 탐지 대상 가스의 농도를 조절할 수 있다. 가스 탐지 지능 학습 시스템(10)은 조합된 주변 환경 가스 및 농도가 조절된 탐지 대상 가스를 다양한 비율로 혼합할 수 있다. 가스 탐지 지능 학습 시스템(10)은 다양한 종류의 혼합 가스로부터 딥 러닝을 위한 학습 데이터를 대량으로 생성할 수 있다. 이에 따라, 가스 탐지 지능 학습 시스템(10)에 의해 학습되는 예측 모델의 정확도가 개선될 수 있다.
몇몇 실시 예들에 있어서, 가스 탐지 지능 학습 시스템(10)은 다양한 모달리티를 갖는 센싱 장치를 다양한 센싱 조건들 하에서 동작시킬 수 있다. 가스 탐지 지능 학습 시스템(10)은 센싱 장치를 사용하여, 빠른 속도로 혼합된 가스로부터 탐지 대상 가스를 센싱할 수 있다. 이에 따라, 가스 탐지 지능 학습 시스템(10)은 다양한 형태의 학습 데이터를 생성할 수 있다.
몇몇 실시 예들에 있어서, 가스 탐지 지능 학습 시스템(10)은 전용의 단일한 센서 없이도, 극미량의 목표 가스를 센싱 장치를 통해 센싱할 수 있다. 이에 따라, 가스 탐지 지능 학습 시스템(10)의 편의성 및 정확도가 개선될 수 있다.
상술된 내용은 본 개시를 실시하기 위한 구체적인 실시 예들이다. 본 개시는 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 개시는 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 개시의 범위는 상술된 실시 예들에 국한되어 정해져서는 안 되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
10: 가스 탐지 지능 학습 시스템
1100: 탐지 지능 학습 장치
1200: 혼합 가스 측정 장치
20: 가스 탐지 시스템
2100: 가스 예측 장치
2201~220z: 제 1 내지 제 z 가스 센싱 장치들
2300: 네트워크
1100: 탐지 지능 학습 장치
1200: 혼합 가스 측정 장치
20: 가스 탐지 시스템
2100: 가스 예측 장치
2201~220z: 제 1 내지 제 z 가스 센싱 장치들
2300: 네트워크
Claims (17)
- 주변 환경으로부터 환경 가스 및 예측 대상 가스를 포집하고, 상기 포집된 환경 가스 및 목표 가스에 기반하여 혼합 가스를 생성하고, 상기 혼합 가스를 제 1 센서 어레이 및 제 2 센서 어레이를 사용하여 제 1 센싱 조건 및 제 2 센싱 조건에서 각각 센싱하고, 그리고 상기 제 1 센서 어레이 및 상기 제 2 센서 어레이의 상기 센싱 결과에 기반하여 측정 데이터를 생성하는 혼합 가스 측정 장치; 및
상기 측정 데이터에 기반하여 앙상블 예측 모델을 생성하는 프로세서를 포함하는 탐지 지능 학습 장치를 포함하는 가스 탐지 지능 학습 시스템. - 제 1 항에 있어서,
상기 혼합 가스 측정 장치는:
상기 제 1 센서 어레이의 상기 센싱 결과 및 상기 제 2 센서 어레이의 상기 센싱 결과로부터 멀티모달 센싱 데이터를 생성하고; 그리고
상기 멀티모달 센싱 데이터로부터 측정 데이터를 생성하는 가스 탐지 지능 학습 시스템. - 제 2 항에 있어서,
상기 프로세서는:
상기 측정 데이터를 전처리함으로써 탐지 지능 학습 데이터를 생성하고;
상기 탐지 지능 학습 데이터에 기반하여 상기 제 1 센싱 조건 및 상기 제 1 센서 어레이와 연관된 제 1 조건부 탐지 지능 모델, 상기 제 1 센싱 조건 및 상기 제 2 센서 어레이와 연관된 제 2 조건부 탐지 지능 모델, 상기 제 2 센싱 조건 및 상기 제 1 센서 어레이와 연관된 제 3 조건부 탐지 지능 모델, 및 상기 제 2 센싱 조건 및 상기 제 2 센서 어레이와 연관된 제 4 조건부 탐지 지능 모델을 생성하고; 그리고
상기 탐지 지능 학습 데이터에 기반하여, 상기 제 1 내지 제 4 조건부 학습 모델들을 학습시킴으로써 상기 앙상블 예측 모델을 생성하는 가스 탐지 지능 학습 시스템. - 제 3 항에 있어서,
상기 프로세서는:
상기 측정 데이터를 샘플링하거나, 상기 측정 데이터의 이상 데이터를 처리하거나, 상기 측정 데이터의 결측치를 처리하거나, 또는 상기 측정 데이터를 정규화하는 가스 탐지 지능 학습 시스템. - 제 3 항에 있어서,
상기 프로세서는:
상기 탐지 지능 학습 데이터로부터, 상기 제 1 센싱 조건 및 상기 제 1 센서 어레이와 연관된 제 1 시계열 시리즈들을 생성하고, 그리고
상기 제 1 시계열 시리즈에 기반하여 상기 제 1 조건부 탐지 지능 모델을 학습시키는 가스 탐지 지능 학습 시스템. - 제 3 항에 있어서,
상기 프로세서는:
상기 탐지 지능 학습 데이터 중, 상기 제 1 센서 어레이 및 상기 제 1 센싱 조건과 연관된 제 1 데이터 및 상기 제 1 센서 어레이 및 상기 제 2 센싱 조건과 연관된 제 2 데이터를 비교함으로써, 상기 제 1 조건부 탐지 지능 모델 및 상기 제 2 조건부 탐지 지능 모델을 학습시키는 가스 탐지 지능 학습 시스템. - 제 3 항에 있어서,
상기 프로세서는:
상기 탐지 지능 학습 데이터 중, 상기 제 1 센서 어레이 및 상기 제 1 센싱 조건과 연관된 제 1 데이터 및 상기 제 2 센서 어레이 및 상기 제 1 센싱 조건과 연관된 제 2 데이터를 비교함으로써, 상기 제 1 조건부 탐지 지능 모델 및 상기 제 3 조건부 탐지 지능 모델을 학습시키는 가스 탐지 지능 학습 시스템. - 제 3 항에 있어서,
상기 프로세서는:
상기 제 1 조건부 탐지 지능 모델을 상기 탐지 지능 학습 데이터 중 상기 제 2 센서 어레이와 연관된 데이터로 전이 학습을 사용하여 학습시키는 가스 탐지 지능 학습 시스템. - 제 3 항에 있어서,
상기 프로세서는:
상기 제 1 조건부 학습 모델 및 상기 제 3 조건부 학습 모델을 상기 탐지 지능 학습 데이터 중 상기 제 1 센서 어레이와 연관된 데이터에 기반하여 결합함으로써 상기 제 1 센서 어레이와 연관된 제 1 앙상블 학습 모델을 생성하는 가스 탐지 지능 학습 시스템. - 제 1 항에 있어서,
상기 혼합 가스 측정 장치는:
상기 환경 가스를 상기 주변 환경에 따라 제 1 환경 가스 및 제 2 환경 가스로 분류하고;
상기 제 1 환경 가스 및 상기 제 2 환경 가스를 조합함으로써 제 1 조합 가스를 생성하고; 그리고
상기 목표 가스로부터 제 1 농도의 제 1 농축 목표 가스 및 제 2 농도의 제 2 농축 목표 가스를 생성하는 가스 탐지 지능 학습 시스템. - 제 10 항에 있어서,
상기 혼합 가스 측정 장치는:
상기 제 1 농축 목표 가스 및 상기 제 1 조합 가스를 조합함으로써 상기 혼합 가스를 생성하는 가스 탐지 지능 학습 시스템. - 제 11 항에 있어서,
상기 혼합 가스는 제 1 혼합 가스이고, 그리고
상기 혼합 가스 측정 장치는:
상기 주변 환경으로부터 제 3 환경 가스를 포집하고;
상기 제 1 환경 가스 및 상기 제 3 환경 가스를 조합함으로써 제 2 조합 가스를 생성하고;
상기 제 2 환경 가스 및 상기 제 3 환경 가스를 조합함으로써 제 3 조합 가스를 생성하고;
상기 제 1 농축 목표 가스 및 상기 제 2 조합 가스를 조합함으로써 제 2 혼합 가스를 생성하고; 그리고
상기 제 1 농축 목표 가스 및 상기 제 3 조합 가스를 조합함으로써 제 3 혼합 가스를 생성하는 가스 탐지 지능 학습 시스템. - 주변 환경으로부터 획득된 환경 가스 및 목표 가스로부터 혼합 가스를 생성하는 단계;
복수의 센싱 조건들 하에서 제 1 센서 어레이 및 제 2 센서 어레이를 사용하여 상기 혼합 가스로부터 상기 목표 가스를 센싱하는 단계;
상기 센싱 결과에 기반하여, 탐지 지능 학습 데이터를 생성하는 단계; 및
상기 탐지 지능 학습 데이터에 기반하여 앙상블 탐지 지능 모델을 생성하는 단계를 포함하는 가스 탐지 지능 학습 시스템의 동작 방법. - 제 13 항에 있어서,
상기 혼합 가스를 생성하는 단계는:
상기 환경 가스 및 상기 목표 가스를 샘플링하는 단계;
상기 샘플링된 환경 가스를 복수의 조합들로 각각 조합하는 단계;
상기 샘플링된 목표 가스를 복수의 농도들로 각각 농축하는 단계; 및
상기 복수의 농도들 각각에 대해, 상기 농축된 샘플링된 목표 가스 및 상기 복수의 조합들로 조합된 환경 가스를 혼합하는 단계를 포함하는 가스 탐지 지능 학습 시스템의 동작 방법. - 제 13 항에 있어서,
상기 혼합 가스로부터 상기 목표 가스를 센싱하는 단계는:
상기 혼합 가스를 상기 제 1 센서 어레이 및 상기 제 2 센서 어레이로 분배하는 단계;
상기 복수의 센싱 조건들 중 제 1 센싱 조건에서, 상기 제 1 센서 어레이를 사용하여 상기 혼합 가스로부터 상기 목표 가스를 제 1 시간 동안 센싱하는 단계;
상기 제 1 센싱 조건에서, 상기 제 1 센서 어레이를 사용하여 상기 혼합 가스로부터 상기 목표 가스를 제 2 시간 동안 센싱하는 단계; 및
상기 제 1 센싱 조건 하에서의 상기 센싱들의 결과들을 합성하는 단계를 포함하는 가스 탐지 지능 학습 시스템의 동작 방법. - 제 13 항에 있어서,
상기 앙상블 탐지 지능 모델을 생성하는 단계는:
상기 탐지 지능 학습 데이터를 사용하여, 상기 혼합 가스로부터 상기 목표 가스를 센싱하는 시점에 대해 제 1 중간 모델 집합을 학습시키는 단계;
상기 탐지 지능 학습 데이터 및 상기 제 1 중간 모델 집합을 사용하여, 상기 복수의 센싱 조건들 및 상기 제 1 센서 어레이의 관계에 대해 제 2 중간 모델 집합을 학습시키는 단계; 및
상기 탐지 지능 학습 데이터 및 상기 제 2 중간 모델 집합을 사용하여, 상기 제 1 센서 어레이 및 상기 제 2 센서 어레이를 비교함으로써 조건부 탐지 지능 모델을 학습시키는 단계를 포함하는 가스 탐지 지능 학습 시스템의 동작 방법. - 제 13 항에 있어서,
상기 탐지 지능 학습 데이터 중 상기 제 1 센서 어레이와 연관된 데이터 및 상기 제 2 센서 어레이에 대한 제 1 중간 모델 집합을 사용하여, 전이 학습 알고리즘을 이용해 상기 제 1 센서 어레이에 대한 제 1 도메인 변환 모델 집합을 학습시키는 단계; 및
상기 탐지 지능 학습 데이터 중 상기 제 1 센서 어레이와 연관된 데이터를 사용하여 상기 제 1 도메인 변환 모델 집합에 포함된 모델들을 결합하는 단계를 포함하는 가스 탐지 지능 학습 시스템의 동작 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200166503A KR102575032B1 (ko) | 2020-12-02 | 2020-12-02 | 가스 탐지 지능 학습 시스템 및 그의 동작 방법 |
| US17/401,449 US11747314B2 (en) | 2020-12-02 | 2021-08-13 | Gas detection intelligence training system and operating method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200166503A KR102575032B1 (ko) | 2020-12-02 | 2020-12-02 | 가스 탐지 지능 학습 시스템 및 그의 동작 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220077972A true KR20220077972A (ko) | 2022-06-10 |
| KR102575032B1 KR102575032B1 (ko) | 2023-09-07 |
Family
ID=81751974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200166503A KR102575032B1 (ko) | 2020-12-02 | 2020-12-02 | 가스 탐지 지능 학습 시스템 및 그의 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11747314B2 (ko) |
| KR (1) | KR102575032B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220221435A1 (en) * | 2019-05-27 | 2022-07-14 | Nanoscent Ltd. | Method and device for identifying volatile compounds |
| US20240142357A1 (en) * | 2022-11-02 | 2024-05-02 | Thermo Environmental Instruments Llc | Systems and methods for monitoring concentration of a component of a sample fluid |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6249810A (ja) * | 1985-08-28 | 1987-03-04 | 松下電器産業株式会社 | 米びつ付収納置台 |
| KR100315314B1 (ko) * | 2000-05-06 | 2001-11-26 | 손원열 | 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 |
| JP2010112709A (ja) * | 2008-11-04 | 2010-05-20 | Shimadzu Corp | におい測定装置 |
| US20200271605A1 (en) * | 2019-02-25 | 2020-08-27 | Infineon Technologies Ag | Gas Sensing Device and Method for Operating a Gas Sensing Device |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3174188B2 (ja) | 1993-02-26 | 2001-06-11 | エヌオーケー株式会社 | ガス識別装置 |
| KR100917748B1 (ko) | 2007-10-23 | 2009-09-15 | 한국전자통신연구원 | 후각 기반 인증 시스템 및 그 방법 |
| BR112015023155B1 (pt) * | 2013-03-14 | 2022-09-20 | Inguran, Llc | Dispositivo e métodos de triagem de elevado rendimento de espermatozóides |
| KR101720570B1 (ko) | 2016-03-25 | 2017-03-29 | 연세대학교 산학협력단 | 가스센서 어레이 및 그 제조방법 |
| KR20180047534A (ko) * | 2016-10-31 | 2018-05-10 | 한국전자통신연구원 | 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 |
| CA3053821A1 (en) * | 2017-03-16 | 2018-09-20 | MultiSensor Scientific, Inc. | Scanning ir sensor for gas safety and emissions monitoring |
| US10803382B2 (en) * | 2017-06-16 | 2020-10-13 | Intel Corporation | Gas identification apparatus and machine learning method |
| KR101972057B1 (ko) | 2018-12-13 | 2019-04-24 | 한국가스안전공사 | 사물인터넷 기반 지능형 가스농도 및 수위 측정 시스템 |
| CN109975501B (zh) * | 2019-03-22 | 2022-03-15 | 中国铁建大桥工程局集团有限公司 | 一种用于海绵城市的巡检车 |
-
2020
- 2020-12-02 KR KR1020200166503A patent/KR102575032B1/ko active IP Right Grant
-
2021
- 2021-08-13 US US17/401,449 patent/US11747314B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6249810A (ja) * | 1985-08-28 | 1987-03-04 | 松下電器産業株式会社 | 米びつ付収納置台 |
| KR100315314B1 (ko) * | 2000-05-06 | 2001-11-26 | 손원열 | 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 |
| JP2010112709A (ja) * | 2008-11-04 | 2010-05-20 | Shimadzu Corp | におい測定装置 |
| US20200271605A1 (en) * | 2019-02-25 | 2020-08-27 | Infineon Technologies Ag | Gas Sensing Device and Method for Operating a Gas Sensing Device |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220170900A1 (en) | 2022-06-02 |
| KR102575032B1 (ko) | 2023-09-07 |
| US11747314B2 (en) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111443165B (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
| Chen et al. | Gas recognition in E-nose system: A review | |
| KR102575032B1 (ko) | 가스 탐지 지능 학습 시스템 및 그의 동작 방법 | |
| Suárez et al. | Bluetooth gas sensing module combined with smartphones for air quality monitoring | |
| CN101135689B (zh) | 一种电子鼻开发平台 | |
| US11536678B2 (en) | Gas sensing device and method for operating a gas sensing device | |
| Mishra et al. | Classification of gases/odors using dynamic responses of thick film gas sensor array | |
| Pulluri et al. | Development of an integrated soft e-nose for food quality assessment | |
| Subandri et al. | E-nose sensor array optimization based on volatile compound concentration data | |
| Yang et al. | Recognition algorithms in E-nose: A Review | |
| Binson et al. | Freshness evaluation of beef using MOS based E-Nose | |
| Monroy et al. | Continuous chemical classification in uncontrolled environments with sliding windows | |
| CN109239207B (zh) | 基于电子鼻的气味识别方法、装置和电子鼻系统 | |
| CN113988146A (zh) | 用于感测气体混合物中的一种或多种气体的气体感测设备 | |
| Vergara et al. | Gas sensor drift mitigation using classifier ensembles | |
| Jia et al. | Classification techniques of electronic nose: a review | |
| Ragila et al. | Neural network-based classification of toxic gases for a sensor array | |
| Jaleel et al. | Classification of Gas Sensor Data Using Multiclass SVM | |
| Licen et al. | Self-organizing map algorithm as a tool for analysis, visualization and interpretation of electronic nose high dimensional raw data | |
| Wu et al. | A novel electronic nose classification prediction method based on TETCN | |
| Ye et al. | Towards Accurate Odor Identification and Effective Feature Learning With an AI-Empowered Electronic Nose | |
| Liu et al. | Gas sensor drift compensation by an optimal linear transformation | |
| Tyagi et al. | Decorrelation of Temperature and Humidity Sensor's by Comparing Classifier's Performance on Metal Oxide Semiconductor Sensor's Dataset | |
| Chaoraingern et al. | Real-Time Indoor Air Quality Index Prediction Using a Vacuum Cleaner Robot's AIoT Electronic Nose. | |
| Jaleel et al. | A Voting ensemble technique for gas classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |