KR20230009645A - 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법 - Google Patents

진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20230009645A
KR20230009645A KR1020210090319A KR20210090319A KR20230009645A KR 20230009645 A KR20230009645 A KR 20230009645A KR 1020210090319 A KR1020210090319 A KR 1020210090319A KR 20210090319 A KR20210090319 A KR 20210090319A KR 20230009645 A KR20230009645 A KR 20230009645A
Authority
KR
South Korea
Prior art keywords
class
diagnostic kit
test result
image
region
Prior art date
Application number
KR1020210090319A
Other languages
English (en)
Other versions
KR102613633B1 (ko
Inventor
김용태
임병완
심재훈
Original Assignee
블록체인랩스 주식회사
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 블록체인랩스 주식회사 filed Critical 블록체인랩스 주식회사
Priority to KR1020210090319A priority Critical patent/KR102613633B1/ko
Priority to PCT/KR2022/009740 priority patent/WO2023282611A1/ko
Publication of KR20230009645A publication Critical patent/KR20230009645A/ko
Application granted granted Critical
Publication of KR102613633B1 publication Critical patent/KR102613633B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

진단 키트가 촬영된 이미지를 획득하고, 상기 이미지의 상기 진단 키트의 전체 영역에 대응되는 제1 영역에 기초하여 검사 결과에 대응되는 제1 클래스를 결정하고, 상기 이미지의 상기 진단 키트의 결과 표시 영역에 대응되는 제2 영역에 기초하여 검사 결과에 대응되는 제2 클래스를 결정하고, 및 상기 제1 클래스와 상기 제2 클래스가 일치하면, 상기 제1 클래스를 최종 검사 결과로 결정하도록 설정된 전자 장치가 개시된다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

진단 키트의 검사 결과를 판독하는 AI 모델 학습 장치 및 그 동작 방법{AI MODEL TRAINING APPARATUS AND METHOD FOR READING TEST RESULTS OF A DIAGNOSTIC KIT}
본 문서에서 개시되는 실시 예들은, 진단 키트의 검사 결과를 자동으로 판독하는 AI 모델과 관련된다.
진단 키트는 간단하고 빠른 진단 방법 중 하나로서 널리 활용되고 있다. 예를 들어 진단 키트는 특정 질병에의 감염 유무, 항체 형성 여부 등을 검사하는데 활용된다. 진단 키트의 검사 결과에 대한 판독은 사람에 의하여 수행되므로, 결과를 분석하는 사람은 진단 키트에 대한 정보, 진단 키트에 대한 판독 방법과 같은 기초 지식을 가지고 있어야한다. 또한 판독 결과를 디지털화해야하는 경우, 그 판독 결과는 사람에 의하여 입력되므로 입력 도중에 결과에 대한 입력 오류가 발생할 수 있다.
사람이 육안으로 수행하는 판독 과정, 판독 결과에 대한 보고 과정을 자동화 하고자 한다. 또한 이미지를 기초로 수행되는 기계 학습(machine learning)을 통해 판독 결과에 대한 정확도를 높이고자 한다. 본 문서에서 개시되는 다양한 실시 예들은, 진단 키트를 촬영한 이미지로부터 자동으로 검사 결과를 판독할 수 있는 AI 모델을 생성하는 기술을 제공하고자 한다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치는 소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리, 및 상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 적어도 하나의 프로세서를 포함하고 상기 적어도 하나의 프로세서는, 진단 키트가 촬영된 이미지를 획득하고, 상기 이미지의 상기 진단 키트의 전체 영역에 대응되는 제1 영역에 기초하여 검사 결과에 대응되는 제1 클래스를 결정하고, 상기 이미지의 상기 진단 키트의 결과 표시 영역에 대응되는 제2 영역에 기초하여 검사 결과에 대응되는 제2 클래스를 결정하고, 및 상기 제1 클래스와 상기 제2 클래스가 일치하면, 상기 제1 클래스를 최종 검사 결과로 결정하도록 설정될 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 방법은, 전자 장치에 의하여 수행되고, 진단 키트가 촬영된 이미지를 획득하는 동작, 상기 이미지의 상기 진단 키트의 전체 영역에 대응되는 제1 영역에 기초하여 검사 결과에 대응되는 제1 클래스를 결정하는 동작, 상기 이미지의 상기 진단 키트의 결과 표시 영역에 대응되는 제2 영역에 기초하여 검사 결과에 대응되는 제2 클래스를 결정하는 동작, 상기 제1 클래스와 상기 제2 클래스가 일치하면, 상기 제1 클래스를 최종 검사 결과로 결정하는 동작을 포함할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 전자 장치는 진단 키트의 검사 결과를 자동으로 판독하고, 검사 결과를 전산화 할 수 있다. 이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 진단 키트의 검사 결과를 판독하는 전자 장치의 블록도이다
도 2는 본 발명의 일 실시 예에 따른 진단 키트의 검사 결과를 판독하는 모델 학습 방법의 순서도이다.
도 3은 본 발명의 일 실시 예에 따라 전자 장치가 신경망을 학습시키고 생성하는 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시 에에 따라 진단 키트의 검사 결과를 판단하는 방법을 나타내는 순서도이다.
도 5는 일 실시 예에 따라 진단 키트의 검사 결과가 표시되는 형식의 일 예시이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 진단 키트의 검사 결과를 판독하는 전자 장치(100)(이하, 전자 장치(100))의 블록도이다. 도 1을 참조하면, 일 실시 예에 따른 전자 장치(100)는 메모리(110), 프로세서(120), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)를 포함할 수 있다.
메모리(110)는 학습 데이터 DB(111), 신경망 모델(113), 및 명령어 DB(115)를 포함할 수 있다.
학습 데이터 DB(111)는 진단 키트를 촬영한 복수의 이미지를 포함할 수 있다. 상기 이미지는 외부 서버, 외부 DB를 통해 획득되거나, 인터넷 상에서 다운로드 될 수 있다.
신경망 모델(113)은 입력된 이미지를 분석하고 이미지에 포함된 객체를 감지하고 클래스를 결정하는 객체 감지 알고리즘(object detection algorithm) 기반으로 학습된 인공지능 모델일 수 있다. 인공지능 모델은 후술할 프로세서(120)의 동작에 의하여 생성되고, 메모리(110)에 저장될 수 있다.
명령어 DB(115)는 프로세서(120)의 동작을 수행시킬 수 있는 명령어들을 저장할 수 있다. 예를 들어, 명령어 DB(115)는 후술할 프로세서(120)의 동작들과 대응되는 동작을 수행하도록 하는 컴퓨터 코드를 저장할 수 있다.
프로세서(120)는 전자 장치(100)가 포함하는 구성들, 메모리(110), 입력 인터페이스(130), 디스플레이부(140) 및 통신 인터페이스(150)의 전반적인 동작을 제어할 수 있다.
프로세서(120)는 레이블링 모듈(121), 학습 모듈(123) 및 학습 모듈(125)을 포함할 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어들을 실행해 레이블링 모듈(121), 학습 모듈(123) 및 학습 모듈(125)을 구동시킬 수 있고, 레이블링 모듈(121), 학습 모듈(123) 및 학습 모듈(125)에 의해 수행되는 동작은 프로세서(120)에 의해 수행되는 동작으로 이해될 수 있다.
레이블링 모듈(121)은 진단 키트가 촬영된 이미지에 대해 검사 결과에 대응되는 클래스를 레이블링(매핑)할 수 있다. 상기 레이블링된 이미지는 인공지능 모델의 학습에 사용될 수 있다. 상기 레이블링된 이미지는 학습 데이터로서 학습 데이터 DB(111)에 저장될 수 있다.
전자 장치(100)는 전자 장치(100)에 구비된 카메라(미도시)를 이용하여 이미지를 획득할 수 있다. 전자 장치(100)는 외부 서버, 외부 DB를 통해 이미지 파일을 획득하거나 인터넷 상의 이미지 파일을 획득할 수 있다. 다양한 실시 예에서, 전자 장치(100)는 레이블링 된 학습 데이터를 획득할 수 있다.
검사 결과에 대한 클래스는 양성, 음성, 무효로 분류될 수 있다. 예를 들어, 학습 데이터는 진단 키트를 촬영한 이미지로서 검사 결과가 레이블링된 데이터로 이해될 수 있다.
클래스 0 1 2
설명 무효 음성 양성
학습 모듈(123)은 객체 감지 알고리즘 기반으로 설계된 신경망 모델(113)에 학습 데이터를 입력하고, 학습 데이터에 포함된 이미지와 상기 이미지에 레이블링된 클래스와의 상관 관계를 도출하는 가중치를 학습시킬 수 있다. 신경망 모델(113)은 학습 과정을 통해 도출된 상관 관계를 기초로 새롭게 입력되는 이미지에 대한 클래스를 결정할 수 있다. 예를 들어, 학습 모듈(123)은 객체 감지 알고리즘을 기초로 설계된 신경망의 입력 레이어에 학습 데이터에 포함된 이미지가 입력되도록 설정하고, 출력 레이어에 이미지 각각에 레이블링된 클래스가 입력되도록 설정할 수 있다. 학습 모듈(123)은 학습 데이터에 포함된 이미지와 상기 이미지 각각에 레이블링된 클래스와의 상관 관계를 도출하도록 신경망의 가중치를 학습시켜 신경망 모델(113)을 생성할 수 있다.
객체 감지 알고리즘은 이미지 내에 객체를 감지하고, 객체의 클래스를 분류할 수 있다. 예를 들어, 객체 감지 알고리즘은 R-CNN, SPP-Net*, Fast R-CNN* Faster R-CNN*, R-FCN, FPN, Mask R-CNN, DetectoRS, YOLO, SSD, YOLOv2, RetinaNet, YOLOv3, CenterNet, EfficientDet-D2, YOLOv4, Swin-L을 포함할 수 있다.
인공지능 모델은 시냅스의 결합으로 네트워크를 형성한 노드들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공지능 모델은 모델을 구성하는 레이어 사이의 가중치인, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 레이어 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공지능 모델의 학습 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공지능 모델의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
학습 모듈(125)은 학습이 완료된 인공지능 모델에 신규 이미지를 입력하고, 입력된 이미지에 대하여 인공지능 모델이 결정한 클래스를 해당 검사 결과로서 도출할 수 있다. 이에 따라, 학습 모듈(125)은 검사 결과를 디스플레이(140)를 통해 출력하거나 통신 인터페이스(150)를 통해 외부로 전송할 수 있다.
입력 인터페이스(130)는 사용자의 입력을 수신할 수 있다. 예를 들면, 학습 데이터에 대한 클래스를 레이블링하는 경우 사용자의 입력을 수신할 수 있다.
디스플레이부(140)는 디스플레이 패널을 포함하여 화상을 출력하는 하드웨어 구성을 포함할 수 있다.
통신 인터페이스(150)는 외부 장치(ex. 외부 서버, 사용자 단말 등)와 통신하여 정보를 송수신 할 수 있게 한다. 이를 위해, 통신 인터페이스(150)는 무선 통신모듈 또는 유선 통신 모듈을 포함할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 진단 키트의 검사 결과를 판독하는 모델 학습 방법의 순서도이다. 도 3은 본 발명의 일 실시 예에 따라 전자 장치(100)가 신경망을 생성하는 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 전자 장치(100)는 진단 키트를 촬영한 복수의 이미지를 획득할 수 있다. 복수의 이미지는 상기 진단 키트의 검사 결과에 대응되는 클래스가 레이블링될 수 있다. 전자 장치는 상기 복수의 이미지를 학습 데이터로서 획득할 수 있다(S210).
전자 장치(100)는 객체 감지알고리즘 및 상기 학습 데이터에 기초하여 신경망 모델(113)을 생성할 수 있다. 신경망 모델(113)은 학습 데이터에 포함된 각각의 이미지의 적어도 일부 영역과 레이블링된 클래스와의 상관 관계를 도출하도록 학습될 수 있다(S220).
도 3을 참조하면, 검사 결과가 양성인 진단 키트가 촬영된 이미지(300)가 예를 들어 도시 되었다. 전자 장치(100)는 진단 키트가 촬영된 이미지(300)에 대해 검사 결과인 '클래스'를 '1(양성)'으로 레이블링(맵핑)할 수 있다(S310, S315).
예를 들어, 상기 레이블링은 사용자의 입력에 기초하여 수행될 수 있다. 사용자가 입력 인터페이스(130)를 통해 레이블링에 필요한 정보를 입력할 수 있고, 전자 장치(100)는 입력된 정보에 기초하여 레이블링을 수행할 수 있다. 다른 실시 예에서, 전자 장치(100)는 레이블링이 완료된 이미지를 외부(예: 외부 서버 등)로부터 획득할 수 있다.
레이블링된 이미지(300-1, 300-2)는 진단 키트의 적어도 일부 영역 대응되는 바운딩 박스(350, 355)를 더 포함할 수 있다. 도 3에서, 제1 이미지(300-1)은 진단 키트의 전체 영역과 대응되는 제1 바운딩 박스(301)를 포함한다. 제2 이미지(300-2)는 진단 키트의 결과 표시 영역에 대응되는 제2 바운딩 박스(303)를 포함한다. 상기 결과 표시 영역은 진단 키트에 의하여 수행되는 검사 결과를 나타내는 물리적 영역(예: 진단 키트 내부의 멤브레인이 진단 키트의 하우징의 개구를 통해 노출된 영역)에 대응된다. 제1 이미지(300-1) 및 제2 이미지(300-2)는 신경망을 학습시키기 위한 학습 데이터의 일 예시이다.전자 장치(100)는 진단 키트가 촬영된 복수의 이미지에 대해, 제1 이미지(300-1)와 마찬가지로, 진단 키트의 전체 영역에 바운딩 박스(350)를 지정하고, 클래스 값을 레이블링 할 수 있다. 이러한 복수의 이미지는 진단 키트의 전체 영역과 레이블링된 클래스와의 상관 관계를 도출하기 위한 제1 신경망(113-1)을 학습 시키기 위한 제1 학습 데이터가 될 수 있다(S320).
전자 장치(100)는 진단 키트의 전체 영역(제1 영역)에 대하여 진단 키트의 검사 결과에 대응되는 클래스가 레이블링된 복수의 이미지를 제1 학습 데이터로서 획득하고, 소정의 객체 감지 알고리즘 및 상기 제1 학습 데이터에 기초하여, 상기 제1 학습 데이터에 포함된 각각의 이미지의 제1 영역과 상기 클래스와의 상관 관계를 도출하는 제1 신경망 모델(113-1)을 생성할 수 있다.
전자 장치(100)는 진단 키트가 촬영된 복수의 이미지에 대해, 제2 이미지(300-2)와 마찬가지로, 진단 키트의 결과 표시 영역에 바운딩 박스(355)를 지정하고, 클래스 값을 레이블링 할 수 있다. 이러한 복수의 이미지는 진단 키트의 결과 표시 영역과 레이블링된 클래스와의 상관 관계를 도출하기 위한 제2 신경망(113-2)을 학습 시키기 위한 제1 학습 데이터가 될 수 있다(S325).
전자 장치(100)는 진단 키트의 결과 표시 영역(제2 영역)에 대하여 진단 키트의 검사 결과에 대응되는 클래스가 레이블링된 복수의 이미지을 제2 학습 데이터로서 획득하고, 소정의 객체 감지 알고리즘 및 상기 제2 학습 데이터에 기초하여, 상기 제2 학습 데이터에 포함된 각각의 이미지의 제2 영역과 상기 클래스와의 상관 관계를 도출하는 제2 신경망 모델(113-2)을 생성할 수 있다.
도 3의 과정을 통해 전자 장치(100)는 진단 키트가 촬영된 이미지(300)의 적어도 일부 영역(350, 355)과 레이블링된 클래스와의 상관 관계를 도출하는 신경망(113-1, 113-2)을 생성할 수 있다.
다양한 실시 예에서, 전자 장치(100)는 진단 키트의 결과 표시 영역의 적어도 일부 영역에 대하여 바운딩 박스(357)를 지정하고, 클래스 값을 레이블링할 수 있다(S317). 레이블링된 이미지(300-3)는 진단 키트의 결과 표시 영역의 적어도 일부 영역에 대응되는 제3 바운딩 박스(357)를 포함할 수 있다. 진단 키트의 결과 표시 영역은 '대조선(C)'을 포함하는 영역과 '검사선(T)'을 포함하는 영역을 포함한다. 대조선은 검사 결과가 유효한지 여부를 판단하는 지표이고, 검사선은 검사 결과가 음성 또는 양성인지 여부를 나타내는 지표이다. 제3 바운딩 박스(357)는 검사선을 포함하는 영역(제3 영역)으로 참조될 수 있다.
제3 바운딩 박스(357)를 포함하는 이미지는 진단 키트의 결과 표시 영역 중 대조선을 포함하는 영역과 레이블링된 클래스와의 상관 관계를 도출하기 위한 제3 신경망(113-3)을 학습 시키기 위한 제1 학습 데이터가 될 수 있다(S327).
전자 장치(100)는 1 또는 2 클래스에 속하는 이미지에 대하여 제3 바운딩 박스(357)와 클래스와의 상관 관계를 도출하는 제3 신경망(113-3)을 생성할 수 있다. 제3 신경망(113-3)은 1 또는 2 클래스에 대하여 판단 정확도를 높이기 위하여 활용될 수 있다. 진단 키트의 검사 결과를 판독할 때, 특히 검사선의 형태가 다양하게 나타날 수 있다. 검사선이 뚜렸한 경우도 있지만, 희미하거나 번지는 경우도 있다. 이러한 애매한 케이스는 사람의 육안으로 식별하기 어려울 수 있다. 상기 제3 신경망(113-3)을 학습시킴으로써, '검사선'과 양성,음성의 결과와의 상관 관계를 정교하게 도출할 수 있다. 사람에 의하여 검사 결과가 판독되는 경우보다 정교한 검사 결과가 도출될 수 있다.
다양한 실시 예에서, 전자 장치(100)의 신경망(113)은 복수의 신경망(113-1, 113-2. 113-3)을 포함할 수 있다. 다양한 실시 예에서 상기 복수의 신경망은 하나의 신경망 내에 서로 다른 레이어로 구성될 수도 있다.
도 4는 일 실시 에에 따라 진단 키트의 검사 결과를 판단하는 방법을 나타내는 순서도이다.
전자 장치(100)는 진단 키트가 촬영된 이미지를 획득할 수 있다(S410). 상기 이미지는 검사 결과가 판독되어야 할 진단 키트가 새롭게 촬영된 이미지로 이해될 수 있다.
전자 장치(100)는 상기 이미지의 상기 진단 키트의 전체 영역에 대응되는 제1 영역(예: 도 3의 제1 영역(350))에 기초하여 검사 결과에 대응되는 제1 클래스를 결정할 수 있다(S420). 전자 장치(100)는, 상기 이미지의 상기 진단 키트의 일부 영역에 대응되는 제2 영역(예: 도 3의 제2 영역(355))에 기초하여 검사 결과에 대응되는 제2 클래스를 결정할 수 있다(S430). 동작 S420 및 S430 순서는 필연적이지 않고 , 동작 S420 또는 S430이 먼저 수행될 수 있고, 동작 S420 및 S430는 동시에 수행될 수 있다.
전자 장치(100)는 제1 신경망(113-1)을 이용하여 동작 S420을 수행할 수 있고, 제2 신경망(113-2)를 이용하여 동작 S430을 수행할 수 있다.
전자 장치(100)는 결정된 제1 클래스와 제2 클래스를 비교할 수 있다(S440). 전자 장치(100)는 상기 제1 클래스와 상기 제2 클래스가 일치하면, 상기 제1 클래스를 최종 클래스로 결정할 수 있다(S450).
전자 장치(100)는 클래스가 0인 경우, 재검사를 요청하는 메시지를 생성할 수 있다. 전자 장치(100)는 클래스가 1인 경우, 검사 결과가 음성이라는 메시지를 생성할 수 있다. 클래스가 2인 경우, 검사 결과가 양성이라는 메시지를 생성할 수 있다. 전자 장치(100)는 생성된 메시지를 디스플레이부(140)를 통해 출력하거나, 통신 인터페이스(150)를 통해 외부 장치로 전송할 수 있다. 따라서 진단 키트의 검사 결과는 디지털화되어 전자 장치(100)에 저장될 수 있고, 검사 결과가 필요한 외부 장치에 데이터의 형태로 전송될 수 있다.
전자 장치(100)는 판독 결과의 정확성을 높이기 위하여, 진단 키트 전체 영역을 기초로 결정한 클래스와 진단 키트의 결과 표시 영역을 기초로 결정할 클래스를 비교함으로써, 양자가 일치하는 경우에만 최종 검사 결과를 도출할 수 있다.
전자 장치(100)는 상기 제1 클래스와 상기 제2 클래스가 일치하지 않는 경우, 상기 진단 키트를 촬영한 다른 이미지를 추가로 획득할 수 있다(S410). 예를 들면, 이미지의 해상도가 낮거나 이미지의 밝기가 어두운 경우와 같이, 판독을 하기에 적합한 이미지가 획득되지 않은 경우, 검사 결과에 대한 판단이 정확하지 않을 수 있다. 따라서 전자 장치(100)는 해당 진단 키트에 대한 재촬영을 요구하는 메시지를 생성하고, 디스플레이부(140)를 통해 출력하거나, 통신 인터페이스(150)를 통해 외부 장치로 전송할 수 있다.
다양한 실시 예에서, 동작 S440에서 제1 클래스와 제2 클래스가 일치한 이미지에 대해서, 전자 장치(100)는 제3 신경망(113-3)을 이용하여 결과 표시 영역의 검사선을 포함하는 제3 영역(예: 도 3의 제3 영역(357))에 기초하여 검사 결과에 대응되는 제3 클래스를 결정하는 동작을 추가로 수행할 수 있다. 전자 장치(100)는 제1 클래스, 제2 클래스, 및 제3 클래스가 일치하는 경우에만, 제1 클래스를 최종 클래스로 결정함으로써 판독의 정확도를 높일 수 있다.
도 5는 일 실시 예에 따라 진단 키트의 검사 결과가 표시되는 형식의 일 예시이다. 예를 들어 전자 장치(100)는 검사 결과를 판독하는 이미지(510, 520, 530)에 대해 실시간으로 디스플레이부(140)를 통해 판독 결과를 출력할 수 있다.
이미지(510)을 참조하면, 검사 결과가 '무효'인 진단 키트 이미지가 도시되었다. 전자 장치(100)는 이미지(510)의 진단 키트에 대해 검사 결과가 '무효(Invaild)'라는 정보와 클래스 0으로 분류될 때 계산된 확률 값(67.5%)을 디스플레이부(140)를 통해 표시할 수 있다.
이미지(520)을 참조하면, 검사 결과가 '음성'인 진단 키트 이미지가 도시되었다. 전자 장치(100)는 이미지(520)의 진단 키트에 대해 검사 결과가 '음성(Negative)'라는 정보와 클래스 1로 분류될 때 계산된 확률 값(76.5%)을 디스플레이부(140)를 통해 표시할 수 있다.
이미지(530)을 참조하면, 검사 결과가 '양성'인 진단 키트 이미지가 도시되었다. 전자 장치(100)는 이미지(520)의 진단 키트에 대해 검사 결과가 '양성(Positive)'라는 정보와 클래스 2로 분류될 때 계산된 확률 값(58.1%)을 디스플레이부(140)를 통해 표시할 수 있다.
도 5에서 표시된 확률 값은, 도 4의 S440에서 제1 클래스와 제2 클래스와 일치하는 경우, 해당 클래스에 속할 확률은 제1 클래스가 결정될 때 계산된 제1 확률 값과 제2 클래스가 결정될 때 계산된 제2 확률 값의 평균 값이 될 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나,""A, B 또는 C," "A, B 및 C 중 적어도 하나,"및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(100)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 메모리(110))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(100))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (10)

  1. 전자 장치에 있어서,
    소정의 동작을 수행하도록 하는 명령어들을 저장하는 하나 이상의 메모리; 및
    상기 하나 이상의 메모리와 동작 가능 하도록 연결되어 상기 명령어들을 실행하도록 설정된 적어도 하나의 프로세서;를 포함하고
    상기 적어도 하나의 프로세서는,
    진단 키트가 촬영된 이미지를 획득하고;
    상기 이미지의 상기 진단 키트의 전체 영역에 대응되는 제1 영역에 기초하여 검사 결과에 대응되는 제1 클래스를 결정하고;
    상기 이미지의 상기 진단 키트의 결과 표시 영역에 대응되는 제2 영역에 기초하여 검사 결과에 대응되는 제2 클래스를 결정하고; 및
    상기 제1 클래스와 상기 제2 클래스가 일치하면, 상기 제1 클래스를 최종 검사 결과로 결정하도록 설정된, 전자 장치.
  2. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 클래스와 상기 제2 클래스가 일치하지 않는 경우, 상기 진단 키트에 대한 재촬영을 요청하는 메시지를 생성하도록 설정된, 전자 장치.
  3. 청구항 1에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 이미지의 상기 제1 영역에 기초하여 진단 키트의 검사 결과를 판독하는 제1 신경망 모델을 이용하여 상기 제1 클래스를 결정하고; 및
    상기 이미지의 상기 제2 영역에 기초하여 진단 키트의 검사 결과를 판독하는 제2 신경망 모델을 이용하여 상기 제2 클래스를 결정하도록 설정된, 전자 장치.
  4. 청구항 3에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제1 영역에 대하여 진단 키트의 검사 결과에 대응되는 클래스가 레이블링된 복수의 이미지를 제1 학습 데이터로서 획득하고;
    소정의 객체 감지 알고리즘 및 상기 제1 학습 데이터에 기초하여, 상기 제1 학습 데이터에 포함된 각각의 이미지의 제1 영역과 상기 클래스와의 상관 관계를 도출하는 제1 신경망 모델을 생성하고;
    상기 제2 영역에 대하여 진단 키트의 검사 결과에 대응되는 클래스가 레이블링된 복수의 이미지를 제2 학습 데이터로서 획득하고; 및
    소정의 객체 감지 알고리즘 및 상기 제2 학습 데이터에 기초하여, 상기 제2 학습 데이터에 포함된 각각의 이미지의 제2 영역과 상기 클래스와의 상관 관계를 도출하는 제2 신경망 모델을 생성하도록 설정된, 전자 장치.
  5. 청구항 1에 있어서,
    상기 제2 영역은 검사선을 포함하는 제3 영역을 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 제1 클래스와 상기 제2 클래스가 일치하고, 상기 제1 클래스 및 상기 제2 클래스가 미리 지정된 클래스일 때, 상기 제3 영역에 기초하여 검사 결과에 대응되는 제3 클래스를 결정하고; 및
    상기 제1 클래스와 상기 제3 클래스가 일치하면, 상기 제1 클래스를 상기 최종 검사 결과로서 결정하도록 설정된, 전자 장치.
  6. 청구항 5에 있어서,
    상기 미리 지정된 클래스는,
    양성의 검사 결과에 대응되는 클래스와 음성의 검사 결과에 대응되는 클래스를 포함하는, 전자 장치.
  7. 전자 장치에 의하여 수행되는 방법에 있어서,
    진단 키트가 촬영된 이미지를 획득하는 동작;
    상기 이미지의 상기 진단 키트의 전체 영역에 대응되는 제1 영역에 기초하여 검사 결과에 대응되는 제1 클래스를 결정하는 동작;
    상기 이미지의 상기 진단 키트의 결과 표시 영역에 대응되는 제2 영역에 기초하여 검사 결과에 대응되는 제2 클래스를 결정하는 동작; 및
    상기 제1 클래스와 상기 제2 클래스가 일치하면, 상기 제1 클래스를 최종 검사 결과로 결정하는 동작을 포함하는, 방법.
  8. 청구항 7에 있어서,
    상기 이미지의 상기 제1 영역에 기초하여 진단 키트의 검사 결과를 판독하는 제1 신경망 모델을 이용하여 상기 제1 클래스를 결정하는 동작; 및
    상기 이미지의 상기 제2 영역에 기초하여 진단 키트의 검사 결과를 판독하는 제2 신경망 모델을 이용하여 상기 제2 클래스를 결정하는 방법을 더 포함하는, 방법.
  9. 청구항 8에 있어서,
    상기 제1 영역에 대하여 진단 키트의 검사 결과에 대응되는 클래스가 레이블링된 복수의 이미지를 제1 학습 데이터로서 획득하는 동작;
    소정의 객체 감지 알고리즘 및 상기 제1 학습 데이터에 기초하여, 상기 제1 학습 데이터에 포함된 각각의 이미지의 제1 영역과 상기 클래스와의 상관 관계를 도출하는 제1 신경망 모델을 생성하는 동작;
    상기 제2 영역에 대하여 진단 키트의 검사 결과에 대응되는 클래스가 레이블링된 복수의 이미지를 제2 학습 데이터로서 획득하는 동작; 및
    소정의 객체 감지 알고리즘 및 상기 제2 학습 데이터에 기초하여, 상기 제2 학습 데이터에 포함된 각각의 이미지의 제2 영역과 상기 클래스와의 상관 관계를 도출하는 제2 신경망 모델을 생성하는 동작;을 포함하는, 전자 장치.
  10. 청구항 7에 있어서,
    상기 제2 영역은 검사선을 포함하는 제3 영역을 포함하고,
    상기 방법은,
    상기 제1 클래스와 상기 제2 클래스가 일치하고, 상기 제1 클래스 및 상기 제2 클래스가 미리 지정된 클래스일 때, 상기 제3 영역에 기초하여 검사 결과에 대응되는 제3 클래스를 결정하는 동작; 및
    상기 제1 클래스와 상기 제3 클래스가 일치하면, 상기 제1 클래스를 상기 최종 검사 결과로서 결정하는 동작;을 더 포함하는, 방법.
KR1020210090319A 2021-07-09 2021-07-09 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법 KR102613633B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210090319A KR102613633B1 (ko) 2021-07-09 2021-07-09 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법
PCT/KR2022/009740 WO2023282611A1 (ko) 2021-07-09 2022-07-06 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210090319A KR102613633B1 (ko) 2021-07-09 2021-07-09 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20230009645A true KR20230009645A (ko) 2023-01-17
KR102613633B1 KR102613633B1 (ko) 2023-12-14

Family

ID=84800752

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210090319A KR102613633B1 (ko) 2021-07-09 2021-07-09 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법

Country Status (2)

Country Link
KR (1) KR102613633B1 (ko)
WO (1) WO2023282611A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140029958A (ko) * 2012-08-31 2014-03-11 주식회사 인포피아 검체 분석 장치
KR20180005440A (ko) * 2016-07-06 2018-01-16 에스케이텔레콤 주식회사 진단분석 서비스를 제공하는 기능을 가지는 단말장치와, 진단분석 서비스를 제공하기 위한 프로그램 및 그 프로그램이 기록된 컴퓨터 판독 가능 기록매체
KR102135479B1 (ko) * 2020-05-09 2020-07-17 주식회사 디퍼아이 인공 지능형 동전 계수 장치 및 그 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101589673B1 (ko) * 2015-10-12 2016-01-28 (주)휴레이포지티브 시약 키트의 이미지를 통한 감염병 진단 방법 및 장치
KR102047237B1 (ko) * 2017-12-13 2019-12-02 (주)엔텔스 영상 데이터를 분석하는 인공 지능을 이용한 질병 진단 방법 및 진단 시스템
KR102343796B1 (ko) * 2017-12-20 2021-12-28 주식회사 메디웨일 안구영상을 이용한 심혈관계 질환 예측방법
KR102091832B1 (ko) * 2019-08-05 2020-03-20 주식회사 에프앤디파트너스 멀티미디어 정보를 이용한 휴대용 체외진단키트 해석장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140029958A (ko) * 2012-08-31 2014-03-11 주식회사 인포피아 검체 분석 장치
KR20180005440A (ko) * 2016-07-06 2018-01-16 에스케이텔레콤 주식회사 진단분석 서비스를 제공하는 기능을 가지는 단말장치와, 진단분석 서비스를 제공하기 위한 프로그램 및 그 프로그램이 기록된 컴퓨터 판독 가능 기록매체
KR102135479B1 (ko) * 2020-05-09 2020-07-17 주식회사 디퍼아이 인공 지능형 동전 계수 장치 및 그 방법

Also Published As

Publication number Publication date
KR102613633B1 (ko) 2023-12-14
WO2023282611A1 (ko) 2023-01-12

Similar Documents

Publication Publication Date Title
US20190102605A1 (en) Method and apparatus for generating information
CN113379123A (zh) 基于数字孪生的故障预测方法、装置、服务器及存储介质
US20200402221A1 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
US20210264271A1 (en) Adaptable neural network
US11301995B2 (en) Feature identification in medical imaging
KR102246266B1 (ko) 레이블 정보에 대한 피드백을 제공하는 방법 및 시스템
CN110286938B (zh) 用于输出针对用户的评价信息的方法和装置
CN108121961A (zh) 巡检行为识别方法、装置、计算机设备和存储介质
JP2018045516A (ja) 分類装置、分類方法およびプログラム
US11494704B2 (en) Information processing method and information processing system
CN111899883B (zh) 少样本或零样本的疾病预测设备、方法、装置及存储介质
KR20210155655A (ko) 이상 온도를 나타내는 객체를 식별하는 방법 및 장치
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN110427998A (zh) 模型训练、目标检测方法及装置、电子设备、存储介质
JP2019158684A (ja) 検査システム、識別システム、及び識別器評価装置
CN112397195B (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
KR102613633B1 (ko) 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법
CN111126566B (zh) 基于gan模型的异常家具布局数据检测方法
CN117173154A (zh) 玻璃瓶的在线图像检测系统及其方法
US11688175B2 (en) Methods and systems for the automated quality assurance of annotated images
US20220067480A1 (en) Recognizer training device, recognition device, data processing system, data processing method, and storage medium
CN113537407B (zh) 基于机器学习的图像数据评价处理方法及装置
KR20210044116A (ko) 전자 장치 및 그 영유아 발달 상태 분류 방법
CN114238968A (zh) 应用程序检测方法及装置、存储介质及电子设备
CN114550249A (zh) 人脸图像生成方法及装置、计算机可读介质和电子设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant