KR20230001977A - 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법 - Google Patents
이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법 Download PDFInfo
- Publication number
- KR20230001977A KR20230001977A KR1020210085151A KR20210085151A KR20230001977A KR 20230001977 A KR20230001977 A KR 20230001977A KR 1020210085151 A KR1020210085151 A KR 1020210085151A KR 20210085151 A KR20210085151 A KR 20210085151A KR 20230001977 A KR20230001977 A KR 20230001977A
- Authority
- KR
- South Korea
- Prior art keywords
- lugworm
- species
- image
- classification model
- true
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 90
- 241000894007 species Species 0.000 claims abstract description 79
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000002790 cross-validation Methods 0.000 claims abstract description 20
- 241001465754 Metazoa Species 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 241000243812 Arenicola marina Species 0.000 claims description 183
- 241000424792 Perionyx excavatus Species 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000003702 image correction Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 9
- 241000195493 Cryptophyta Species 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 abstract description 9
- 239000002773 nucleotide Substances 0.000 description 5
- 125000003729 nucleotide group Chemical group 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000237852 Mollusca Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 102000000634 Cytochrome c oxidase subunit IV Human genes 0.000 description 1
- 108050008072 Cytochrome c oxidase subunit IV Proteins 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007479 molecular analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/001—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
참갯지렁이 종(clam worm species)에 대해 고유한 형태적 특징인 특정 형질을 딥러닝(Deep Learning)을 이용한 참갯지렁이 이미지 학습을 통해 참갯지렁이 종 분류 모델을 구축하고, 특정 형질에 대한 참갯지렁이 이미지만을 이용하여 참갯지렁이 종을 예측할 수 있도록 한 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법에 관한 것으로서, 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하고, 수집한 참갯지렁이 이미지를 보정하며, 보정된 참갯지렁이 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 참갯지렁이 이미지를 학습하여 참갯지렁이 종 분류를 위한 참갯지렁이 종 분류 모델을 구축하고, 구축된 참갯지렁이 종 분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 참갯지렁이 종 분류 모델을 검증하여 참갯지렁이 종 분류 모델을 확정하고, 확정한 참갯지렁이 종 분류 모델로 현장에서 실시간으로 분류 대상 참갯지렁이 이미지를 처리하여 참갯지렁이 종을 예측한다.
Description
본 발명은 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법에 관한 것으로, 특히 참갯지렁이에 대해 고유한 형태적 특징인 특정 형질을 딥러닝(Deep Learning)을 이용한 이미지 학습을 통해 참갯지렁이 종 분류 모델을 구축하고, 특정 형질에 대한 이미지만을 이용하여 참갯지렁이 종을 예측할 수 있도록 한 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법에 관한 것이다.
생물학적 종은 자연환경에서 서로 교미하여 생식력 있는 자손을 낳을 수 있는 개체들의 집합을 의미한다. 즉, 생식의 기본 단위가 되며, 유성생식을 하는 생물에게만 적용될 수 있는 개념이다. 한 생물학적 종은 다른 종과 교미하여 자손을 이어가지 못하는 생식적으로 격리(reproductive isolation)된 상태를 유지한다.
생물 종(Biological species) 분류는 현미경 관찰을 통해 형태적 유사성 및 공유된 형질(shared character) 등을 이용하여 외형적인 특징을 이용한 분류가 주로 이루어졌다. 1990년대 이후 분자학적 분석방법(molecular analysis)이 발달하면서 DNA의 COI(Cytochrome Oxidase I) 부위 등을 이용한 종 분류가 수행되어 왔으며, 이는 형태적 분류와 함께 종을 분류하기 위한 강력한 도구로 사용되었다.
갯벌에 서식하는 참갯지렁이(clam worm)류는 우리나라에 넓게 분포하여 서식하고 있으며, 총 37종이 서식하는 것으로 학계에 보고되고 있다(참고문헌, Lee JS, Song JI, Eum GS, Son WM, Hong JS, Rho HS, Park JH, Yun SM, Jeong HG, Ko HS, Jo SG, Min GS, Song JH, Seo HL, Im GY, Kim WL, Rho BJ, Seo SY, Kim CB, Won JH, Kim SW, 2015. National List of Species of Korea. Invertebrates-VII(in Korean).
그러나 참갯지렁이의 형태적 특징인 특정 형질을 현미경을 이용하여 관찰하고 DNA의 COI 부위를 이용한 종 분류 방법은 실험을 해야하기 때문에 주로 실험실 단위에서만 참갯지렁이 종을 분류할 수 있으며 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류가 어렵다. 특히, 현미경 관찰을 이용한 외형적인 특징이나 DNA의 COI 부위를 확인하여 참갯지렁이 종을 분류하는 방식은 해당 동·식물에 대한 전문적인 지식이 없는 비전공자들이 참갯지렁이 종을 분류하는 것에는 활용할 수 없는 단점이 있다.
한편, 생물학적 종 분류를 위해 종래에 제안된 다른 기술이 하기의 <특허문헌 1> 에 개시되어 있다.
<특허문헌 1> 에 개시된 종래기술은 시료로부터 염기 서열 데이터를 추출하고, 추출한 염기 서열 데이터를 순차적으로 입력 데이터로 입력받아 데이터 특성 별로 클러스터링하며, 클러스터링에 의해 형성된 군집의 염기 서열 데이터에 대응하는 생물종을 검색하여 해당 서열 데이터에 대한 생물종을 특정한다. 즉, 클러스터링 기법을 이용해서 미지 생물종의 염기서열을 군집화하고 군집화된 군집 내 염기서열을 이용하여 생물종을 특정한다.
이러한 종래기술도 염기 서열 데이터를 추출하고 데이터 특성별로 클러스터링하기 위해서는 염기 서열 추출기가 필요하므로 주로 실험실 단위에서만 생물종을 분류할 수 있으며 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류가 어려운 단점이 있다. 아울러 종래기술은 염기 서열 데이터 추출이라는 기술이 필요하므로 전문적인 지식이 없는 비전공자들이 참갯지렁이 종을 분류하는 것에는 활용할 수 없는 단점이 있다.
따라서 본 발명은 상기와 같은 일반적인 동·식물의 형태적 특징인 특정 형질을 현미경을 이용하여 관찰하여 참갯지렁이 종을 분류하거나 분자적 방법을 이용하여 참갯지렁이 종을 분류하는 방법에서 발생하는 제반 문제점 및 종래기술에서 발생하는 제반 문제점을 해결하기 위해서 제안된 것으로서, 참갯지렁이에 대해 고유한 형태적 특징인 특정 형질을 딥러닝(Deep Learning)을 이용한 이미지 학습을 통해 참갯지렁이 종 분류 모델을 구축하고, 특정 형질에 대한 이미지만을 이용하여 참갯지렁이 종을 예측할 수 있도록 한 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법을 제공하는 데 그 목적이 있다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 "이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치"는,
참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하는 참갯지렁이 이미지 데이터 수집부;
상기 참갯지렁이 이미지 데이터 수집부에서 수집한 참갯지렁이 이미지를 보정하는 이미지 보정부;
상기 이미지 보정부에 의해 보정된 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 이미지를 학습하는 이미지 학습부;
상기 이미지 학습부에서 학습된 이미지를 이용하여 참갯지렁이 종 분류를 위한 종 분류 모델을 구축하는 참갯지렁이 종분류 모델 구축부; 및
상기 참갯지렁이 종분류 모델 구축부에서 구축한 참갯지렁이 종분류 모델로 분류 대상 이미지를 처리하여 참갯지렁이 종을 예측하는 참갯지렁이 종 예측부를 포함하는 것을 특징으로 한다.
상기에서 참갯지렁이 종 예측부는,
상기 구축한 참갯지렁이 종 분류 모델을 이용하여 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류를 수행하는 것을 특징으로 한다.
상기에서 참갯지렁이 종 예측부는,
예측 컷-오프를 0.9(90%)로 설정하고, 설정한 예측 컷-오프를 기초로 분류 대상 이미지의 참갯지렁이 종을 예측하는 것을 특징으로 한다.
또한, 본 발명에 따른 "이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치"는,
상기 참갯지렁이 종 분류 모델 구축부에 의해 구축된 참갯지렁이 종 분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 모델을 검증하는 모델 검증부;
상기 모델 검증부에 의해 교차 검증한 결과를 기초로 참갯지렁이 종 분류 모델을 확정하는 종분류 모델 확정부를 더 포함하는 것을 특징으로 한다.
상기에서 모델 검증부는,
참갯지렁이 종을 정확하게 찾는 비율인 민감도(Sensitivity), 거짓을 정확하게 판정하는 비율인 특이도(Specificity) 및 정확도(Accuracy)를 이용하여 이미지 학습을 통해 구축된 참갯지렁이 종분류 모델을 검증하는 것을 특징으로 한다.
상기에서 민감도와 특이도 및 정확도는 아래의 수식을 이용하여 모델을 검증하는 것을 특징으로 한다.
민감도(Sensitivity)(Se) = 
특이도(Specificity)(Sp) = 
정확도(Accuracy)(Acc) = 
여기서 TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative를 나타낸다.
또한, 본 발명에 따른 "이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법"은,
(a) 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하는 단계;
(b) 상기 수집한 참갯지렁이 이미지를 보정하는 단계;
(c) 상기 보정된 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 이미지를 학습하는 단계;
(d) 상기 학습된 이미지를 이용하여 참갯지렁이 종 분류를 위한 참갯지렁이 종분류 모델을 구축하는 단계;
(e) 상기 구축된 참갯지렁이 종분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 모델을 검증하는 단계;
(f) 상기 교차 검증한 결과를 기초로 참갯지렁이 종 분류 모델을 확정하는 단계; 및
(g) 상기 확정한 참갯지렁이 종 분류 모델로 분류 대상 이미지를 처리하여 참갯지렁이 종을 예측하는 단계를 포함하는 것을 특징으로 한다.
상기에서 (g)단계는,
상기 구축한 참갯지렁이 종 분류 모델을 이용하여 동·식물 채집 현장에서 실시간으로 참갯지렁이 종을 예측하되, 예측 컷-오프를 0.9(90%)로 설정하고, 설정한 예측 컷-오프를 기초로 분류 대상 이미지의 참갯지렁이 종을 예측하는 것을 특징으로 한다.
상기에서 (e)단계는,
참갯지렁이 종을 정확하게 찾는 비율인 민감도(Sensitivity), 거짓을 정확하게 판정하는 비율인 특이도(Specificity) 및 정확도(Accuracy)를 이용하여 이미지 학습을 통해 구축된 참갯지렁이 종분류 모델을 검증하는 것을 특징으로 한다.
본 발명에 따르면 참갯지렁이 종에 대해 고유한 형태적 특징인 특정 형질을 딥러닝(Deep Learning)을 이용한 이미지 학습을 통해 참갯지렁이 종 분류 모델을 구축하고, 특정 형질에 대한 이미지만을 이용하여 참갯지렁이 종을 실시간으로 예측할 수 있는 효과가 있다.
또한, 본 발명에 따르면 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류가 가능하다는 효과가 있다.
또한, 본 발명에 따르면 동·식물에 대한 전문적인 지식이 없는 비전공자들도 쉽고 편리하게 참갯지렁이 종을 분류할 수 있는 효과가 있다.
도 1은 본 발명에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류 개념도,
도 2는 본 발명의 바람직한 실시 예에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치의 구성도,
도 3은 본 발명의 바람직한 실시 예에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법을 보인 흐름도이다.
도 2는 본 발명의 바람직한 실시 예에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치의 구성도,
도 3은 본 발명의 바람직한 실시 예에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법을 보인 흐름도이다.
이하 본 발명의 바람직한 실시 예에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법을 첨부된 도면을 참조하여 상세하게 설명한다.
이하에서 설명되는 본 발명에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 안 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 바람직한 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명에서 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류 개념도로서, 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하고, 수집한 참갯지렁이 이미지를 보정한다. 이어, 보정된 참갯지렁이 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 이미지를 학습하고, 학습된 이미지를 이용하여 참갯지렁이 종 분류를 위한 참갯지렁이 종 분류 모델을 구축한다. 그리고 구축된 참갯지렁이 종 분류 모델로 분류 대상 이미지를 처리하여 참갯지렁이 종을 예측한다.
도 2는 본 발명에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치의 구성도로서, 참갯지렁이 이미지 데이터 수집부(101), 이미지 보정부(102), 이미지 학습부(103), 참갯지렁이 종 분류 모델 구축부(104), 모델 검증부(105), 종분류 모델 확정부(106), 참갯지렁이 종 예측부(108) 및 이미지 입력부(107)를 포함한다.
참갯지렁이 이미지 데이터 수집부(101)는 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하는 역할을 하며, 이미지 보정부(102)는 상기 참갯지렁이 이미지 데이터 수집부(101)에서 수집한 참갯지렁이 이미지를 보정하는 역할을 한다.
이미지 학습부(103)는 상기 이미지 보정부(102)에 의해 보정된 참갯지렁이 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 참갯지렁이 이미지를 학습하는 역할을 하며, 참갯지렁이 종 분류 모델 구축부(104)는 상기 이미지 학습부(103)에서 학습된 참갯지렁이 이미지를 이용하여 참갯지렁이 종 분류를 위한 참갯지렁이 종분류 모델을 구축하는 역할을 한다.
모델 검증부(105)는 상기 참갯지렁이 종분류 모델 구축부(104)에 의해 구축된 참갯지렁이 종분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 참갯지렁이 종분류 모델을 검증하는 역할을 한다.
종분류 모델 확정부(106)는 상기 모델 검증부(105)에 의해 교차 검증한 결과를 기초로 참갯지렁이 종분류 모델을 확정하는 역할을 한다.
참갯지렁이 종 예측부(108)는 상기 참갯지렁이 종분류 모델 구축부(104) 또는 종분류 모델 확정부(106)에 의해 구축된 참갯지렁이 종 분류 모델로 분류 대상 참갯지렁이 이미지를 처리하여 참갯지렁이 종을 예측하는 역할을 한다.
이미지 입력부(107)는 종 분류를 위한 대상 참갯지렁이 이미지를 상기 참갯지렁이 종 예측부(108)에 입력해주는 역할을 한다.
도 3은 본 발명에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법을 보인 흐름도로서, (a) 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하는 단계(S101), (b) 상기 수집한 참갯지렁이 이미지를 보정하는 단계(S102), (c) 상기 보정된 참갯지렁이 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 참갯지렁이 이미지를 학습하는 단계(S103), (d) 상기 학습된 참갯지렁이 이미지를 이용하여 참갯지렁이 종 분류를 위한 참갯지렁이 종 분류 모델을 구축하는 단계(S104), (e) 상기 구축된 참갯지렁이 종 분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 참갯지렁이 종 분류 모델을 검증하는 단계(S105), (f) 상기 교차 검증한 결과를 기초로 참갯지렁이 종 분류 모델을 확정하는 단계(S106), (g) 상기 확정한 참갯지렁이 종 분류 모델로 분류 대상 참갯지렁이 이미지를 처리하여 참갯지렁이 종을 예측하는 단계(S107 - S108)를 포함한다.
이와 같이 구성된 본 발명에 따른 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법을 구체적으로 설명하면 다음과 같다.
먼저, 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류를 수행하기 위해서 참갯지렁이 종 분류 모델을 구축해야 한다.
이를 위해서, 참갯지렁이 이미지 데이터 수집부(101)는 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집한다(S101). 여기서 참갯지렁이 이미지 데이터의 수집은 인터넷을 이용한 네트워크를 통해 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하거나, 카메라를 통해 촬영된 참갯지렁이 이미지 데이터를 외부 메모리 또는 통신 포트를 통해 수집하거나, 스마트폰과 같은 모바일 기기와 통신을 통해 참갯지렁이 이미지 데이터를 수집할 수 있다. 상기 언급한 참갯지렁이 이미지 데이터 수집 방법 외에 참갯지렁이 종 분류 모델 구축을 위한 참갯지렁이 이미지 데이터를 수집할 수 있는 알려진 모든 방법을 이용할 수 있음은 당해 분야의 통상의 지식을 가진 사람이라면 자명하다. 여기서 참갯지렁이 이미지 데이터는 종 분류 모델을 구축할 수 있는 최소한의 수만큼 참갯지렁이 이미지 데이터를 수집한다. 본 발명에서는 참갯지렁이과에 속하는 16개 종에 대한 이미지 865장을 참갯지렁이 미이지 데이터로 수집하였다.
이미지 보정부(102)는 상기 수집한 참갯지렁이 이미지를 보정한다(S102). 여기서 다양한 경로를 통해 수집한 참갯지렁이 이미지 데이터는 사이즈나 화질이 상이할 수 있다. 따라서 선명도가 떨어지는 참갯지렁이 이미지에 대해서는 선명도를 높이는 방식으로 이미지 보정을 하고, 참갯지렁이 이미지의 크기가 큰 것은 적절한 이미지 사이즈로 조절을 하며, 참갯지렁이 이미지가 상대적으로 작은 이미지는 적절하게 크기를 확대하여 보정을 한다. 이러한 이미지 보정을 통해 각각의 참갯지렁이 이미지는 동일한 규격의 이미지로 정규화된다.
다음으로, 이미지 학습부(103)는 상기 이미지 보정부(102)에 의해 보정된 참갯지렁이 이미지를 딥러닝 알고리즘인 Teachable machine 도구를 이용하여 참갯지렁이 이미지를 학습한다. 본 발명에서는 Teachable machine 도구의 예시로 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 참갯지렁이 이미지를 학습한다(S103). 아울러 이미지 학습부(103)는 참갯지렁이 종의 새로운 이미지가 발생하면 학습 결과에 새로운 참갯지렁이 이미지를 추가하여 다시 학습을 한다. 여기서 딥러닝 알고리즘인 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 이미지를 학습하는 방식은, 이미지를 이용한 분류(classification), 예측(prediction) 등의 분야에 이미 적용되어 활용되는 기술이므로, 그에 대한 구체적인 설명은 생략하기로 한다.
이어, 참갯지렁이 종 분류 모델 구축부(104)는 상기 학습된 참갯지렁이 이미지를 이용하여 참갯지렁이 종 분류를 위한 참갯지렁이 종 분류 모델을 구축한다(S104). 여기서 구축된 참갯지렁이 종 분류를 위한 참갯지렁이 종 분류 모델은 참갯지렁이의 형태적 특징인 특정 형질을 이용하여 참갯지렁이 종을 분류하는 알고리즘이다.
아울러 상기 구축된 참갯지렁이 종 분류 모델로 새로운 참갯지렁이 이미지를 입력하면 예측된 확률을 통해 특정 종을 분류(또는, 예측)할 수 있다.
본 발명자는 상기 구축한 참갯지렁이 종 분류 모델의 정확도를 확인하기 위해 참갯지렁이 종 분류 모델을 검증하였다. 즉, 모델 검증부(105)에서 k-fold cross validation(k = 3)의 교차검증 방법으로 참갯지렁이 종 분류 모델을 검증한다(S105). 그리고 종 분류 모델 확정부(106)에서 교차검증을 통해 정확도가 99% 이상인 참갯지렁이 종분류 모델만을 종 분류 모델로 확정한다(S106).
모델 검증은 참갯지렁이 종을 정확하게 찾는 비율인 민감도(Sensitivity), 거짓을 정확하게 판정하는 비율인 특이도(Specificity) 및 정확도(Accuracy)를 아래의 수식을 이용하여 검증한다.
민감도(Sensitivity)(Se) = 
특이도(Specificity)(Sp) = 
정확도(Accuracy)(Acc) = 
여기서 TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative를 나타낸다.
이후, 실제 분류 대상 이미지인 참갯지렁이 이미지가 이미지 입력부(107)를 통해 입력되면, 참갯지렁이 종 예측부(108)는 상기 확정한 참갯지렁이 종 분류 모델로 분류 대상 참갯지렁이 이미지를 처리하여 참갯지렁이 종을 예측(또는 분류)하고, 그 예측 결과(또는 분류 결과)를 표시해준다(S107 - S108). 즉, 참갯지렁이 종 예측부(108)는 상기 구축한 참갯지렁이 종 분류 모델을 알고리즘으로 설치하고, 동·식물 채집 현장에서 이미지 입력부(107)를 통해 참갯지렁이 이미지가 입력되면 실시간으로 참갯지렁이 종의 분류를 수행한다.
여기서 이미지 입력부(107)는 분류 대상 참갯지렁이 이미지를 입력받기 위한 통신 모듈이거나, 인터넷과 같은 네트워크를 통해 입력되는 참갯지렁이 이미지 데이터를 입력받기 위한 통신 모듈이거나, 외부 메모리 장치를 결합하여 외부 메모리 장치에 저장된 참갯지렁이 이미지를 인터페이스 받기 위한 인터페이스 단자일 수 있다.
여기서 참갯지렁이 종 예측부(108)는 예측 컷-오프를 0.9(90%)로 설정하고, 설정한 예측 컷-오프를 기초로 분류 대상 참갯지렁이 이미지의 참갯지렁이 종을 예측하는 것이 바람직하다.
즉, 본 발명은 이미지 학습을 통해 구축한 참갯지렁이 종 분류 구축 모델을 현장에서 휴대 및 이동할 수 있는 단말기에 설치하고, 동·식물 채집 현장에서 이미지 입력부(107)를 통해 참갯지렁이 이미지가 입력되면 실시간으로 참갯지렁이 종을 예측할 수 있도록 한다.
이상 상술한 본 발명에 따르면 참갯지렁이 종(clam worm species)에 대해 고유한 형태적 특징인 특정 형질을 딥러닝(Deep Learning)을 이용한 이미지 학습을 통해 참갯지렁이 종 분류 모델을 구축하고, 특정 형질에 대한 참갯지렁이 이미지만을 이용하여 참갯지렁이 종을 예측할 수 있다.
또한, 본 발명에 따르면 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류가 가능하며, 동·식물에 대한 전문적인 지식이 없는 비전공자들도 쉽고 편리하게 참갯지렁이 종의 분류에 활용할 수 있다.
이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 이 기술분야에서 통상의 지식을 가진 자에게 자명하다.
101: 참갯지렁이 이미지 데이터 수집부
102: 이미지 보정부
103: 이미지 학습부
104: 참갯지렁이 종 분류 모델 구축부
105: 모델 검증부
106: 종분류 모델 확정부
107: 이미지 입력부
108: 참갯지렁이 종 예측부
102: 이미지 보정부
103: 이미지 학습부
104: 참갯지렁이 종 분류 모델 구축부
105: 모델 검증부
106: 종분류 모델 확정부
107: 이미지 입력부
108: 참갯지렁이 종 예측부
Claims (10)
- 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 예측 모델을 이용하여 참갯지렁이 종을 분류하는 장치로서,
참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하는 참갯지렁이 이미지 데이터 수집부;
상기 참갯지렁이 이미지 데이터 수집부에서 수집한 참갯지렁이 이미지를 보정하는 이미지 보정부;
상기 이미지 보정부에 의해 보정된 참갯지렁이 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 참갯지렁이 이미지를 학습하는 이미지 학습부;
상기 이미지 학습부에서 학습된 참갯지렁이 이미지를 이용하여 참갯지렁이 종 분류를 위한 종분류 모델을 구축하는 참갯지렁이 종분류 모델 구축부; 및
상기 참갯지렁이 종분류 모델 구축부에서 구축한 참갯지렁이 종 분류 모델로 분류 대상 참갯지렁이 이미지를 처리하여 참갯지렁이 종을 예측하는 참갯지렁이 종 예측부를 포함하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치.
- 청구항 1에서, 상기 참갯지렁이 종 예측부는,
상기 구축한 참갯지렁이 종 분류 모델을 이용하여 동·식물 채집 현장에서 실시간으로 참갯지렁이 종의 분류를 수행하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치.
- 청구항 1에서, 상기 참갯지렁이 종 예측부는,
예측 컷-오프를 0.9(90%)로 설정하고, 설정한 예측 컷-오프를 기초로 분류 대상 참갯지렁이 이미지의 참갯지렁이 종을 예측하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치.
- 청구항 1에서, 상기 참갯지렁이 종 분류 모델 구축부에 의해 구축된 참갯지렁이 종 분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 참갯지렁이 종분류 모델을 검증하는 모델 검증부; 및
상기 모델 검증부에 의해 교차 검증한 결과를 기초로 참갯지렁이 종 분류 모델을 확정하는 종 분류 모델 확정부를 더 포함하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치.
- 청구항 4에서, 상기 모델 검증부는,
참갯지렁이 종을 정확하게 찾는 비율인 민감도(Sensitivity), 거짓을 정확하게 판정하는 비율인 특이도(Specificity) 및 정확도(Accuracy)를 이용하여 참갯지렁이 이미지 학습을 통해 구축된 참갯지렁이 종 분류 모델을 검증하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치.
- 청구항 5에서, 상기 민감도와 특이도 및 정확도는 아래의 수식을 이용하여 참갯지렁이 종 분류 모델을 검증하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치.
민감도(Sensitivity)(Se) =
특이도(Specificity)(Sp) =
정확도(Accuracy)(Acc) =
여기서 TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative를 나타낸다.
- 청구항 1 내지 청구항 6중 어느 하나의 청구항에 기재된 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치를 이용하여 이미지 기반으로 참갯지렁이 종을 분류하는 방법으로서,
(a) 참갯지렁이 종 분류 모델을 구축하기 위한 참갯지렁이 이미지 데이터를 수집하는 단계;
(b) 상기 수집한 참갯지렁이 이미지를 보정하는 단계;
(c) 상기 보정된 참갯지렁이 이미지를 Mobilenet 기반의 Convolutional Neural Network(CNN) 알고리즘을 이용하여 참갯지렁이 이미지를 학습하는 단계;
(d) 상기 학습된 참갯지렁이 이미지를 이용하여 참갯지렁이 종 분류를 위한 참갯지렁이 종분류 모델을 구축하는 단계;
(e) 상기 구축된 참갯지렁이 종 분류 모델의 정확도를 확인하기 위해 k-fold cross validation(k = 3)의 교차검증 방법으로 참갯지렁이 종 분류 모델을 검증하는 단계;
(f) 상기 교차 검증한 결과를 기초로 참갯지렁이 종 분류 모델을 확정하는 단계; 및
(g) 상기 확정한 참갯지렁이 종 분류 모델로 분류 대상 참갯지렁이 이미지를 처리하여 참갯지렁이 종을 예측하는 단계를 포함하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법.
- 청구항 7에서, 상기 (g)단계는,
상기 구축한 참갯지렁이 종 분류 모델을 이용하여 동·식물 채집 현장에서 실시간으로 참갯지렁이 종을 예측하되, 예측 컷-오프를 0.9(90%)로 설정하고, 설정한 예측 컷-오프를 기초로 분류 대상 참갯지렁이 이미지의 참갯지렁이 종을 예측하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법.
- 청구항 7에서, 상기 (e)단계는,
참갯지렁이 종을 정확하게 찾는 비율인 민감도(Sensitivity), 거짓을 정확하게 판정하는 비율인 특이도(Specificity) 및 정확도(Accuracy)를 이용하여 이미지 학습을 통해 구축된 참갯지렁이 종 분류 모델을 검증하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법.
- 청구항 9에서, 상기 민감도와 특이도 및 정확도는 아래의 수식을 이용하여 모델을 검증하는 것을 특징으로 하는 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류방법.
민감도(Sensitivity)(Se) =
특이도(Specificity)(Sp) =
정확도(Accuracy)(Acc) =
여기서 TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative를 나타낸다.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210085151A KR20230001977A (ko) | 2021-06-29 | 2021-06-29 | 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210085151A KR20230001977A (ko) | 2021-06-29 | 2021-06-29 | 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230001977A true KR20230001977A (ko) | 2023-01-05 |
Family
ID=84926171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210085151A KR20230001977A (ko) | 2021-06-29 | 2021-06-29 | 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230001977A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200102182A (ko) | 2019-02-21 | 2020-08-31 | 상명대학교산학협력단 | 염기 서열 클러스터링 기법을 이용한 생물종 분류 방법 및 장치 |
-
2021
- 2021-06-29 KR KR1020210085151A patent/KR20230001977A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200102182A (ko) | 2019-02-21 | 2020-08-31 | 상명대학교산학협력단 | 염기 서열 클러스터링 기법을 이용한 생물종 분류 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805860B (zh) | 图像解析方法、装置、程序及深度学习算法的生成方法 | |
| US11741365B2 (en) | Generalizable and interpretable deep learning framework for predicting MSI from histopathology slide images | |
| Bogale et al. | Nematode identification techniques and recent advances | |
| US10354747B1 (en) | Deep learning analysis pipeline for next generation sequencing | |
| Palci et al. | The morphology of the inner ear of squamate reptiles and its bearing on the origin of snakes | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| JP2023512560A (ja) | 機械学習アルゴリズムを訓練し、患者のプライバシーを維持するための連合学習システム | |
| WO2015044419A1 (en) | Systems and methods for adaptive histopathology image unmixing | |
| JP2021089730A (ja) | 畳み込みニューラルネットワークによって、入力画像内で可視である少なくとも１つの対象要素を検出する方法 | |
| Puniyani et al. | SPEX2: automated concise extraction of spatial gene expression patterns from Fly embryo ISH images | |
| CN116287138B (zh) | 基于fish的细胞检测系统及其方法 | |
| US20220277811A1 (en) | Detecting False Positive Variant Calls In Next-Generation Sequencing | |
| CN111180013B (zh) | 检测血液病融合基因的装置 | |
| CN115471856A (zh) | 一种发票图像信息识别方法、装置及存储介质 | |
| KR20230001977A (ko) | 이미지를 이용한 딥러닝 기반의 참갯지렁이 종 분류장치 및 방법 | |
| CN112434547B (zh) | 一种用户身份稽核方法和设备 | |
| JP2019076063A (ja) | 微細加工構造体を対象とした細胞数計数装置、細胞数計数システム及び細胞数計数方法 | |
| KR20230001976A (ko) | 이미지를 이용한 딥러닝 기반의 생물종 분류장치 및 방법 | |
| CN116092074A (zh) | 基于元学习小麦病虫害智能识别方法、智能识别系统 | |
| CN115798594A (zh) | 一种基于rna测序的癌症溯源方法 | |
| CN112750067B (zh) | 图像处理系统及其训练方法 | |
| CN111626256B (zh) | 基于扫描电镜图像的高精度硅藻检测识别方法及系统 | |
| CN110222622B (zh) | 一种环境土壤检测方法及装置 | |
| CN113989567A (zh) | 垃圾图片分类方法及装置 | |
| CN112418252A (zh) | 基于图像内含社交网络平台指纹的起源社交网络识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |