KR20230033331A - 알고리즘 기반 피부 노화 정도 측정 시스템 및 방법 - Google Patents
알고리즘 기반 피부 노화 정도 측정 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230033331A KR20230033331A KR1020210116160A KR20210116160A KR20230033331A KR 20230033331 A KR20230033331 A KR 20230033331A KR 1020210116160 A KR1020210116160 A KR 1020210116160A KR 20210116160 A KR20210116160 A KR 20210116160A KR 20230033331 A KR20230033331 A KR 20230033331A
- Authority
- KR
- South Korea
- Prior art keywords
- skin
- image
- algorithm
- present
- user terminal
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000009759 skin aging Effects 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 title claims description 12
- 230000032683 aging Effects 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000000691 measurement method Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 7
- 239000011247 coating layer Substances 0.000 description 23
- 238000004891 communication Methods 0.000 description 18
- 239000010410 layer Substances 0.000 description 18
- 239000008199 coating composition Substances 0.000 description 15
- ZWEHNKRNPOVVGH-UHFFFAOYSA-N 2-Butanone Chemical compound CCC(C)=O ZWEHNKRNPOVVGH-UHFFFAOYSA-N 0.000 description 12
- 238000000695 excitation spectrum Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 239000002270 dispersing agent Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 239000010954 inorganic particle Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000003020 moisturizing effect Effects 0.000 description 5
- 239000003960 organic solvent Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- -1 acrylic compound Chemical class 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 206010051246 Photodermatosis Diseases 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 125000002529 biphenylenyl group Chemical group C1(=CC=CC=2C3=CC=CC=C3C12)* 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000006071 cream Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000001506 fluorescence spectroscopy Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000011242 organic-inorganic particle Substances 0.000 description 2
- 230000008845 photoaging Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- WZZBNLYBHUDSHF-DHLKQENFSA-N 1-[(3s,4s)-4-[8-(2-chloro-4-pyrimidin-2-yloxyphenyl)-7-fluoro-2-methylimidazo[4,5-c]quinolin-1-yl]-3-fluoropiperidin-1-yl]-2-hydroxyethanone Chemical compound CC1=NC2=CN=C3C=C(F)C(C=4C(=CC(OC=5N=CC=CN=5)=CC=4)Cl)=CC3=C2N1[C@H]1CCN(C(=O)CO)C[C@@H]1F WZZBNLYBHUDSHF-DHLKQENFSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 230000037394 skin elasticity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004078 waterproofing Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
- A61B5/442—Evaluating skin mechanical properties, e.g. elasticity, hardness, texture, wrinkle assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Dermatology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
알고리즘 기반 피부 노화 정도 측정 시스템 및 방법이 개시된다. 본 발명은 피부 노화 상태를 감지하는 시스템에 있어서, 타겟 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 생성하는 분광기 및 심층 신경망을 통하여 상기 제1 스펙트럼 이미지를 학습하고, 상기 제1 스펙트럼 이미지에 대한 특징점을 추출하며, 상기 특징점을 기초로 상기 시료의 노화 상태를 감지하는 사용자 단말을 포함하되, 상기 사용자 단말은 미리 라벨링된 제2 스펙트럼 이미지를 학습하고, 학습된 결과값 및 상기 제1 스펙트럼 이미지를 기초로 상기 노화 상태를 감지하고, 상기 제2 스펙트럼 이미지는 노화된 피부의 고유 형광도에 대한 정보를 포함하는 것일 수 있다.
Description
본 발명은 알고리즘 기반 피부 노화 정도 측정 시스템 및 방법에 관한 것이다. 보다 상세하게는, 여기 스펙트럼을 학습한 결과값을 기초로 클러스터링 알고리즘을 적용하여 자동으로 피부의 노화 정도를 측정할 수 있는 시스템 및 방법에 관한 것이다.
최근 미용에 대한 관심이 고조되고 피부 관리에 대한 니즈(needs)가 늘어나면서 피부에 대한 연구가 활발히 이루어지고 있다. 인간의 피부는 인간의 다른 장기처럼 세월의 흐름에 따라 노화된다(내인성 노화, intrinsic aging). 또한 피부는 다른 장기와 달리 직접적으로 외부 환경과 접촉을 하므로 이와 관련된 환경적 영향에 따른 노화를 겪는다.
인간의 피부의 노화를 일으키는 주요 환경 요소는 태양광이며 이러한 태양광에 의해 유발된 피부 노화(광 노화, photo aging)는 내인성 노화와 같이 세월에 따라 누적된다.
일반적으로 피부 노화 또는 피부 탄력 측정은 피부 주름 정도를 육안으로 측정하는 방법을 이용하나 이에 의하면 측정자의 판단이 필요하므로 측정의 정확도가 떨어진다.
또한, 인간 및 생쥐 피부의 고유 형광도는 노후 및 UV 노출에 따라 예상 가능한 방식으로 변하는 것으로 나타났다(문헌 [Brancaleon et al., J. Invest. Dermatol. 113(6): 977-982, 1999], 문헌[Kollias et al., J. Invest. Dermatol. 111(5): 776-780, 1998], 문헌[Leffell et al., Arch Dermatol. 124(10): 1514-1518, 1988], 문헌[Na et al., J. Invest. Dermatol. 116(4): 536-540, 2001] 및 문헌[Tian et al., J. Invest. Dermatol. 116(6): 840-845, 2001] 참조). 따라서, 형광 분광법은 피부 노화 및 광노화(photoaging)을 연구하기 위한 객관적인 정량 방법인 것으로 입증된 것이다.
또한, 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
이에, 인공지능과 형광 분광법을 병합하여, 대상이 되는 사람의 피부의 노화를 자동으로 측정하기 위한 시스템 및 방법에 대한 필요성이 증가하고 있다.
본 발명의 목적은 여기 스펙트럼을 학습한 결과값을 기초로 클러스터링 알고리즘을 적용하여 자동으로 피부의 노화 정도를 측정할 수 있는 시스템 및 방법을 제공하기 하기 위한 것이다.
상술한 문제점을 해결하기 위하여, 본 발명은 피부 노화 상태를 감지하는 시스템에 있어서, 타겟 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 생성하는 분광기 및 심층 신경망을 통하여 상기 제1 스펙트럼 이미지를 학습하고, 상기 제1 스펙트럼 이미지에 대한 특징점을 추출하며, 상기 특징점을 기초로 상기 시료의 노화 상태를 감지하는 사용자 단말을 포함하되, 상기 사용자 단말은, 미리 라벨링된 제2 스펙트럼 이미지를 학습하고, 상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지를 학습한 결과를 기초로 상기 노화 상태를 감지하고, 상기 제2 스펙트럼 이미지는 노화된 피부의 고유 형광도에 대한 정보를 포함할 수 있다.
또한, 상기 사용자 단말은 상기 심층 신경망을 통하여 상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지에 포함된 복수의 피크(peak)에 대한 복수의 좌표 정보를 획득하고, 상기 복수의 좌표 정보에 대하여 K-중심 군집화 과정을 수행하며, 상기 K-중심 군집화 과정을 기초로 최종적으로 2개의 클러스터를 생성하며, 상기 2개의 클러스터 사이의 유클리드 거리를 기초로 유사도를 도출할 수 있다.
또한, 상기 사용자 단말은 상기 2개의 클러스터 각각의 평균값을 추출하고, 상기 각각의 평균값 간의 최종 거리값을 추출하며, 상기 최종 거리값을 기초로 상기 노화 상태를 감지할 수 있다.
또한, 상기 심층 신경망은, CNN 알고리즘을 사용한 이미지 필터를 포함할 수 있다.
또한, 상기 사용자 단말은, 상기 제1 스펙트럼 이미지를 촬영하기 위한 카메라 모듈을 포함하고, 상기 카메라 모듈은 측벽에 관통홀을 포함하는 하우징 및 상기 관통홀에 설치된 렌즈를 포함할 수 있다.
또한, 상술한 문제점을 해결하기 위하여, 본 발명은 노화된 피부의 고유 형광도에 대한 정보를 기초로 미리 라벨링된 제2 스펙트럼 이미지를 학습하는 단계, 타겟의 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 학습하는 단계 및 상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지를 학습한 결과값을 기초로 상기 타겟의 피부의 노화 상태를 감지하는 단계를 포함할 수 있다.
또한, 상술한 문제점을 해결하기 위하여, 본 발명은 명령어들을 저장하는 비일시적 컴퓨터 판독가능 매체로서, 상기 명령어들은 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 상술한 방법을 수행하게 하는, 비일시적 컴퓨터 판독가능 매체일 수 있다.
본 발명은 고유 형광도에 대한 스펙트럼 데이터 또는 스펙트럼 이미지를 사용자 단말에 입력하는 것만으로, 누구든 쉽게 피부의 노화 상태를 확인할 수 있는 효과를 가진다.
또한, 본 발명은 특유의 코팅층을 포함하는 카메라를 통하여 스펙트럼 이미지를 촬영하는 사용자 단말을 사용함으로써 외부 오염물질로부터 렌즈를 보호하여, 정확한 스펙트럼 이미지를 생성할 수 있는 효과를 가진다.
또한, 본 발명은 특유의 보정 상수를 활용한 노화 상태 감지 알고리즘을 제안함으로써, 보다 정확한 노화 상태의 감지가 가능한 효과를 가진다.
본 발명에 따라 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 보호부의 외부면으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 알고리즘 기반 피부 노화 정도 측정 시스템을 나타낸 도면이다.
도 2는 본 발명에 따른 사용자 단말을 개략적으로 나타낸 것이다.
도 3은 본 발명에 따른 메모리의 기능적 구성을 나타낸 것이다.
도 4는 본 발명에 따른 K-중심 군집화 과정 수행 모듈을 적용한 그래프를 나타낸 것이다.
도 5는 본 발명에 따른 모드별 유클리드 거리값을 비교한 예시이다.
도 6은 회절 격자형 분광기를 도시한 도면이다.
도 7은 필터형 분광기를 도시한 도면이다.
도 8은 본 발명에 따른 여기 스펙트럼의 일 예시를 나타낸 것이다.
도 9는 본 발명에 따른 카메라 모듈을 나타낸 것이다.
도 10은 본 발명에 따른 이미지 보정 필터의 예시를 나타낸 도면이다.
도 11은 본 발명에 따른 알고리즘 기반 피부 노화 정도 측정 방법을 나타낸 것이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 2는 본 발명에 따른 사용자 단말을 개략적으로 나타낸 것이다.
도 3은 본 발명에 따른 메모리의 기능적 구성을 나타낸 것이다.
도 4는 본 발명에 따른 K-중심 군집화 과정 수행 모듈을 적용한 그래프를 나타낸 것이다.
도 5는 본 발명에 따른 모드별 유클리드 거리값을 비교한 예시이다.
도 6은 회절 격자형 분광기를 도시한 도면이다.
도 7은 필터형 분광기를 도시한 도면이다.
도 8은 본 발명에 따른 여기 스펙트럼의 일 예시를 나타낸 것이다.
도 9는 본 발명에 따른 카메라 모듈을 나타낸 것이다.
도 10은 본 발명에 따른 이미지 보정 필터의 예시를 나타낸 도면이다.
도 11은 본 발명에 따른 알고리즘 기반 피부 노화 정도 측정 방법을 나타낸 것이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 보호부의 외부면된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 상술한 내용들을 바탕으로 본 명세서의 바람직한 일 실시예에 따른, 알고리즘 기반 피부 노화 정도 측정 시스템에 관하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 알고리즘 기반 피부 노화 정도 측정 시스템을 나타낸 도면이다.
도 1에 따르면, 본 발명에 따른 시스템은 사용자 단말(100) 및 분광기(200)를 포함할 수 있다. 본 발명에 따른 사용자 단말(100)은 스마트폰, 휴대폰, PDA, 노트북, 컴퓨터 등 사용자가 휴대하거나 사용자가 사용할 수 있는 모든 컴퓨팅 장치를 의미할 수 있다. 또한, 본 발명에 따른 분광기(200)는 적외선(IR) 분광기 또는 푸리에 변환 분광기일 수 있다. 또한, 본 발명에 따른 분광기(200)는 빛의 스펙트럼을 통한 고분자의 구성 성분을 파악할 수 있는 모든 장치를 의미할 수 있다.
본 발명에 따른 분광기(200)는 분석 대상이 되는 타겟의 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 생성할 수 있다. 본 발명에 따른 제1 스펙트럼 이미지는 특정 성분의 빛(레이너 등)을 대상 시료를 향하여 발사함에 따라 생성된 스펙트럼에 대한 데이터 또는 그 이미지를 의미할 수 있다.
본 발명에 따른 사용자 단말(100)은 심층 신경망을 통하여 제1 스펙트럼 이미지를 학습하고, 제1 스펙트럼 이미지에 대한 특징점을 추출하며, 특징점을 기초로 시료의 노화 상태를 감지할 수 있다.
본 발명의 심층 신경망(Deep Neural Network)은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 의미한다. 예를 들어, 심층 신경망은 컨볼루션 풀링 층(Convolutional Pooling Layer), 로컬 접속 층(a locallyconnectedlayer) 및 완전 연결 층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다. 일 예로, 심층 신경망의 전체적인 구조는 컨볼루션 풀링 층에 로컬 접속 층이 이어지고, 로컬 접속 층에 완전 연결 층이 이러지는 형태인 나선형 신경망(즉, Convolutional Neural Network; CNN) 구조로 이루어질 수 있다. 또한 심층 신경망은, 예를 들어, 각 레이어의 노드들에 자신을 가르키는 엣지(edge)가 포함됨에 따라 재귀적으로 연결되는 순환형 신경망(Recurrent Neural Network; RNN) 구조로 형성될 수도 있다. 심층 신경망은 다양한 판단기준을 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단기준을 추가할 수 있다. 다만, 본 발명의 실시예에 따른 심층 신경망의 구조는 이에 한정되지 아니하고, 다양한 구조의 신경망으로 형성될 수 있다.
본 발명에 따른 노화 상태는 피부 시료에 대한 고유 형광도를 기초로 판단되며, 노화 상태로 판단되는 기준은 미리 정해진 나이의 평균 피부 상태를 기준으로 할 수 있다.
일 예로, 미리 정해진 나이를 40세로 설정한 경우, 40세 이상인 사람들을 대상으로 피부에 대한 고유 형광도 표본 데이터를 수집하고, 표본 데이터는 미리 저장되어 학습될 수 있다. 타겟의 피부로부터 추출된 시료와 40세 이상인 사람들로부터 추출된 피부에 대한 고유 형광도 표본 데이터들 사이의 유사도가 도출될 수 있다.
또한, 본 발명에 따른 사용자 단말(100)은 미리 라벨링된 제2 스펙트럼 이미지를 학습하고, 제1 스펙트럼 이미지 및 제2 스펙트럼 이미지를 학습한 결과를 기초로 상기 노화 상태를 감지할 수 있다.
본 발명에 따른 미리 라벨링된 제2 스펙트럼 이미지는 하기의 2가지의 스펙트럼 이미지를 의미할 수 있다.
제2 스펙트럼 이미지는 미리 정해진 나이대의 사람들의 피부에서 추출된 표본 시료로부터 측정된 고유 형광도들에 대하여 미리 수집된 빅데이터일 수 있다. 미리 라벨링된 제2 스펙트럼 이미지는 각각의 고유 형광도를 나타내는 이미지에 대응하는 나이 정보를 포함하는 이미지를 의미할 수 있다. 이때, 라벨링은 미리 정해진 나이대의 사람들에 대한 나이 정보를 의미할 수 있다. 즉, 본 발명에 따른 사용자 단말(100)은 미리 라벨링된 빅데이터, 즉, 제2 스펙트럼 이미지를 학습한 심층 신경망을 포함할 수 있다.
본 발명에 따른 제1 및 제2 스펙트럼 이미지는 그래프를 포함하는 이미지로서, 해당 그래프에 있어서 x축의 단위는 파장(nm)일 수 있고, y축의 단위는 형광 강도(A.U.)일 수 있으며, 자세한 내용은 도 8에서 후술한다.
도 2는 본 발명에 따른 사용자 단말을 개략적으로 나타낸 것이다.
도 2에 따르면, 본 발명에 따른 사용자 단말(100)은 프로세서, 메모리, 통신 모듈, 디스플레이부 및 카메라 모듈을 포함할 수 있다. 본 발명에 따른 카메라 모듈은 이하 도 9에서 후술한다.
프로세서(110)는 메모리(120)에 저장된 명령어를 실행하여 다른 구성들을 제어할 수 있다. 프로세서(110)는 메모리(120)에 저장된 명령어를 수행할 수 있다.
프로세서(110)는, 연산을 수행하고 다른 장치를 제어할 수 있는 구성이다. 주로, 중앙 연산 장치(CPU), 어플리케이션 프로세서(AP), 그래픽스 처리 장치(GPU) 등을 의미할 수 있다. 또한, CPU, AP 또는 GPU는 그 내부에 하나 또는 그 이상의 코어들을 포함할 수 있으며, CPU, AP 또는 GPU는 작동 전압과 클락 신호를 이용하여 작동할 수 있다. 다만, CPU 또는 AP는 직렬 처리에 최적화된 몇 개의 코어로 구성된 반면, GPU는 병렬 처리용으로 설계된 수 천 개의 보다 소형이고 효율적인 코어로 구성될 수 있다.
프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
메모리(120)는 사용자 단말(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(120)는 사용자 단말(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 사용자 단말(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 사용자 단말(100)로부터 다운로드 될 수 있다. 또한 응용 프로그램은, 메모리(120)에 저장되고, 사용자 단말(100)에 설치되어, 프로세서(110)에 의하여 상기 사용자 단말(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 인터넷(internet)상에서 저장 기능을 수행하는 웹 스토리지(web storage)를 포함할 수도 있다.
통신 모듈(130)은 안테나를 통해 기지국 또는 통신 기능을 포함하는 카메라와 정보의 송수신을 실행한다. 통신 모듈(130)은 변조부, 복조부, 신호 처리부 등을 포함할 수 있다.
무선 통신은, 통신사들이 기존에 설치해둔 통신 시설과 그 통신 시설의 주파수를 사용하는 무선 통신망을 사용한 통신을 말할 수 있다. 이때, 통신 모듈(130)은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 통신 시스템에 사용될 수 있으며, 뿐만 아니라, 통신 모듈(130)은 3GPP(3rd generation partnership project) LTE(long term evolution) 등에도 사용될 수 있다. 또한, 최근 상용화 중인 5G 통신뿐만 아니라, 추후 상용화가 예정되어 있는 6G 등도 사용될 수 있다. 다만, 본 명세서는 이와 같은 무선 통신 방식에 구애됨이 없이 기설치된 통신망을 활용할 수 있다.
또한, 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), BLE(Bluetooth Low Energy), 비콘(Beacon), RFID(Radio Frequency Identification), NFC(Near Field Communication), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.
본 발명에 따른 디스플레이부(140)는 프로세서(110)로부터 화면 데이터를 수신하여 사용자가 감각을 통하여 이를 확인할 수 있도록 표시하는 장치를 의미할 수 있다. 디스플레이부(140)는 자발광 디스플레이 패널 또는 비자발광 디스플레이 패널을 포함할 수 있다. 자발광 디스플레이 패널로는 예를 들어 백라이트가 필요하지 않은 OLED 패널 등이 예시될 수 있고, 비자발광 디스플레이 패널로는 예를 들어 백라이트가 필요한 LCD 패널 등이 예시될 수 있으나, 이에 제한되는 것은 아니다.
본 발명에 따른 카메라 모듈(150)은 사용자 단말(100)에 포함된 구성으로서 광학 모듈을 통한 이미지 데이터를 생성할 수 있는 구성일 수 있다. 이에 대한 구체적인 내용은 후술한다.
도 3은 본 발명에 따른 메모리의 기능적 구성을 나타낸 것이고, 도 4는 본 발명에 따른 K-중심 군집화 과정 수행 모듈을 적용한 그래프를 나타낸 것이다.
도 3에 따르면, 본 발명에 따른 메모리(120)에 포함된 기능적 구성은 CNN 학습 모듈(121), K-중심 군집화 과정 수행 모듈(122) 및 데이터 저장 모듈(123)을 포함할 수 있다.
본 발명에 따른 데이터 저장 모듈(123)은 본 발명에 따른 학습 대상이 되는 모든 빅데이터를 저장하는 모듈일 수 있다. 본 발명에 따른 메모리(120)에 포함되는 다른 기능적 구성들은 데이터 저장 모듈(123)로부터 빅데이터를 전달받을 수 있다. 본 발명에 따른 데이터 저장 모듈(123)은 사용자에 의하여 라벨링된 빅데이터를 저장하는 모듈일 수 있다.
본 발명에 따른 CNN 학습 모듈(121)은 데이터 저장 모듈에 학습된 빅데이터를 학습하는 모듈일 수 있다. 구체적으로, 본 발명에 따른 CNN 학습 모듈(121)은 미리 라벨링된 제2 스펙트럼 이미지를 학습할 수 있다. 이때, CNN 학습 모듈(121)은 제1 스펙트럼 이미지도 학습할 수 있으며, 제2 스펙트럼 이미지와 같이 제1 스펙트럼 이미지에 대한 특징점 역시 추출될 수 있다. 본 발명에 따른 CNN 학습 모듈(121)은 이하 도 9에서 후술할 이미지 필터를 활용한 CNN 알고리즘을 포함할 수 있다.
본 발명에 따른 K-중심 군집화 과정 수행 모듈(122)은 상술한 제1 스펙트럼 이미지와 상술한 제2 스펙트럼 이미지의 유사도를 측정하여 분류하는 모듈일 수 있다. 구체적으로, K-중심 군집화 과정 수행 모듈(122)은 K개의 클러스터를 생성하고, 생성된 클러스터의 거리값을 기초로 유사도를 판단하여 데이터를 분류할 수 있다.
K-중심 군집화 과정은 주어진 데이터를 K개의 군집으로 군집화하는 것을 말한다. 이러한 K-중심 군집화 과정은, 주어진 데이터 표본에서 임의로 샘플값 하나를 고른 후 해당 샘플값에서 다른 샘플 데이터까지의 거리를 측정한다. 이때, 각 데이터 샘플에서 가장 가까운 중심을 선택하여, 다시 해당 샘플을 중심으로 다른 데이터 샘플값까지의 거리를 계산한다. 이러한 과정을 반복하여, 군집화를 이룬다. 즉, 복수의 클러스터(cluster)를 생성한다. 이러한 클러스터링 기법은 주로 파이썬(Python)으로 구현될 수 있다. 클러스터링은 신호 분석에서 사용될 수 있는 알고리즘 중 하나로서 이용되고 있다.
도 4에 따르면, K-중심 군집화 과정을 수행한 결과, 최종적으로 2개의 클러스터가 생성된다. 본 발명에 따른 K-중심 군집화 과정을 수행한 결과, 클러스터링 1과 클러스터링 2로 측정값들이 분류될 수 있다.
이때, 클러스터링의 대상이 되는 데이터들은 스펙트럼 이미지에 포함된 스펙트럼 이미지에 포함된 복수의 피크(peak)에 대한 복수의 좌표 정보일 수 있다. 즉, 본 발명에 따른 사용자 단말(100)은 복수의 피크에 대한 복수의 좌표 정보에 대하여 K-중심 군집화 과정을 수행할 수 있다.
본 발명에 따른 사용자 단말(100)은 K-중심 군집화 과정을 기초로 최종적으로 2개의 클러스터를 생성하며, 2개의 클러스터 사이의 유클리드 거리를 기초로 유사도를 도출할 수 있다.
또한, 본 발명에 따른 사용자 단말(100)은 2개의 클러스터 각각의 평균값을 추출하고, 각각의 평균값 간의 최종 거리값을 추출하며, 최종 거리값을 기초로 상기 노화 상태를 감지할 수 있다. 노화 상태를 감지하는 구체적인 방법은 후술한다.
본 발명에 따른 K-중심 군집화 과정 수행 모듈(122)은 클러스터링 1(제1 차이값에 대한 클러스터링)의 제1 중심값을 평균 계산법을 통하여 산출하고, 클러스터링 2(제2 차이값에 대한 클러스터링)의 제2 중심값을 평균 계산법을 통하여 산출할 수 있다. 본 발명에 따른 K-중심 군집화 과정 수행 모듈은 제1 중심값과 제2 중심값의 최종 거리값을 산출하고, 최종 거리값의 크기가 미리 정해진 값보다 큰 경우, 각각의 클러스터의 유사도가 미리 정해진 값보다 낮은 것으로 판단할 수 있다. 반대로, 최종 거리값의 크기가 미리 정해진 값보다 작은 경우, 각각의 클러스터의 유사도가 미리 정해진 값보다 높은 것으로 판단할 수 있다.
즉, 본 발명에 따른 K-중심 군집화 과정 수행 모듈(122)은 제1 중심값과 제2 중심값의 최종 거리값을 산출하고, 최종 거리값의 크기가 미리 정해진 값보다 작은 경우, 해당 시료의 출처가 되는 타겟의 피부가 노화 상태인 것으로 판단할 수 있다. 또한, 노화 상태인 것으로 판단하는 기준이 되는 최종 거리값의 종류에 따라, 본 발명에 따른 시료의 출처가 되는 타겟의 피부는 노화 상태에 따른 모드(mode) 별로 분류될 수 있다.
본 발명에 따른 K-중심 군집화 과정 수행 모듈(122)은 특징 1을 x축 좌표로, 특징 2를 y축 좌표로 하여 K-중심 군집화 과정을 수행할 수 있다. 본 발명에 따른 K-중심 군집화 과정 수행 모듈(122)은 클러스터 1의 제1 중심값과 클러스터 2의 제2 중심값을 산출하고, 제1 중심값과 제2 중심값 사이의 유클리드 거리를 산출할 수 있다. 유클리드 거리는 하기 수학식 1에 의하여 정의될 수 있다.
[수학식 1]
(단, d는 거리값, (x, y)는 좌표값으로서, x는 파장(nm)에 대응되고, y는 형광 강도(A.U.)에 대응함)
본 발명에 따른 시스템은 클러스터 1과 클러스터 2의 최종 거리값을 추출하고, 최종 거리값을 기초로 시료의 출처가 되는 타겟의 피부의 노화 상태를 감지할 수 있다.
이때, 본 발명에 따른 최종 거리값은 다음과 같은 순서로 추출될 수 있다.
(1) 클러스터 1의 제1 평균값(x1, y1) 및 클러스터 2의 제2 평균값(x2, y2)을 추출
(2) 제1 평균값 및 제2 평균값은 각각 좌표값이고, 제1 평균값 및 제2 평균값 사이의 최종 거리값(L)을 하기 수학식 2를 기초로 추출
[수학식 2]
(단, (x1, y1)은 클러스터 1의 평균값(=제1 중심값)을 기초로 생성된 좌표값이고, (x2, y2)은 클러스터 2의 평균값(=제2 중심값)을 기초로 생성된 좌표값임)
본 발명은 추출된 최종 거리값(L)이 미리 설정된 거리값보다 작은 경우, 해당 시료의 출처가 되는 타겟의 피부의 상태가 노화 상태인 감지된 것으로 정의할 수 있다.
또한, 본 발명에 따른 최종 거리값(L)에 보정 계수를 곱하고, 이를 기초로 미리 설정된 거리값과 비교하는 것이 보다 효율적이다. 이를 보정된 최종 거리값(L')이라고 하고 하기 수학식 3 및 수학식 4를 기초로 추출될 수 있다.
[수학식 3]
(단, (x1, y1)은 클러스터 1의 평균값을 기초로 생성된 좌표값이고, (x2, y2)은 클러스터 2의 평균값을 기초로 생성된 좌표값임)
[수학식 4]
이때, α는 보다 정확한 이상 상태의 판별을 위한 보정 상수로서, α의 단위는 무시될 수 있다.
이처럼, 수학식 3 및 수학식 4를 이용한 보정된 최종 거리값(L')을 기초로 노화 상태를 판단하는 경우, 시료의 출처가 되는 타겟의 피부의 노화 상태 여부가 보다 정확하게 도출될 수 있는 효과가 있다.
[실험 예]
본 발명에 따른 보정 상수를 사용하여 생성된 유클리드 거리를 기초로 노화 상태를 감지하는 시스템과, 보정 상수를 사용하지 않은 유클리드 거리를 기초로 노화 상태를 감지하는 시스템의 정확도를 비교한 결과는 하기 표 1과 같다.
이때, 정확도는 해당 분야의 전문가 10인을 대상으로 산정된 것으로서, 총 100개의 케이스를 동일한 환경에서 각각의 전문가 10인을 대상으로 설문 및 실험하여 산정된 수치일 수 있다. 정확도는 본 발명에 따른 시스템에 의하여 감지된 노화 상태와 실제 전문가에 의하여 나이별로 측정된 노화 상태를 비교한 것이다.
| 보정 계수 α 미사용 | 보정 계수 α 사용 | |
| 정확도(%) | 83 | 98 |
표 1은 본 발명에 따른 케이스들의 정확도를 나타낸 것이다. 실험 결과, 보정 계수 α를 사용한 경우가, 보정 계수 α를 사용하지 않은 경우보다 현저히 높은 정확도를 가진다.
도 5는 본 발명에 따른 모드별 유클리드 거리값을 비교한 예시이다.
도 5에 따르면, 본 발명에 따른 시료의 출처가 되는 타겟의 피부의 노화 상태는 유클리드 거리값에 따른 모드(mode) 별로 분류될 수 있다. 본 발명에 따른 모드는 노화 상태의 정도를 상술한 최종 거리값을 기초로 분류한 것일 수 있다.
구체적으로, 제1 모드는 노화가 일부 진행된 피부로써 에센스만으로도 충분한 보습이 가능한 단계를 의미할 수 있다. 일 예로, 제1 모드의 판단의 기준은 30세의 피부 노화 상태의 평균을 의미할 수 있다. 따라서, 제1 모드는 30세 이상 40세 미만의 피부 노화 상태의 평균을 의미할 수 있다.
제2 모드는 노화가 어느 정도 진행된 피부로써 에센스 뿐만 아니라 보습 크림을 이용하여야만 충분한 보습이 가능한 단계를 의미할 수 있다. 일 예로, 제2 모드의 판단의 기준은 40세의 피부 노화 상태의 평균을 의미할 수 있다. 따라서, 제2 모드는 40세 이상 50세 미만의 피부 노화 상태의 평균을 의미할 수 있다.
제3 모드는 노화가 상당히 진행된 피부로써 에센스, 보습크림 뿐만 아니라 노화 방지 화장품을 추가로 이용하여야만 충분한 보습이 가능한 단계를 의미할 수 있다. 일 예로, 제3 모드의 판단의 기준은 50세의 피부 노화 상태의 평균을 의미할 수 있다. 따라서, 제3 모드는 50세 이상의 피부 노화 상태의 평균을 의미할 수 있다.
또한, 본 발명에 따른 사용자 단말(100)은 각각의 모드별로 적절한 보습 제품을 추천할 수 있다. 즉, 본 발명에 따른 제1 모드 내지 제3 모드는 노화 상태에 따른 대처 방법에 따라 분류된 것으로서, 각각의 모드에 따른 대처 방법은 서로 다를 수 있다.
도 5에 따르면, 본 발명에 따른 노화 상태는 제1 모드 내지 제3 모드로 나누어질 수 있다. 제1 모드에서의 최종 거리값은 12 이상 ~ 25 미만의 유클리드 거리값을 가지고, 제2 모드에서의 최종 거리값은 25 이상 ~ 39 미만의 유클리드 거리값을 가지며, 제3 모드에서의 최종 거리값은 39 이상의 유클리드 거리값을 가질 수 있다. 이때 노화 상태가 발생한 것으로 감지하기 위한 기준이 되는 미리 설정된 유클리드 거리값은 12일 수 있다.
즉, 제1 모드 내지 제3 모드는 시료의 출처가 되는 타겟의 피부가 노화 상태로 감지된 것을 전제로 나누어진 것으로서 대처 방법 또는 활용 방법에 따라 분류되는 것을 특징으로 할 수 있다. 도 5에 따른 거리값은 타겟의 피부의 노화 상태에 대한 하나의 예시로서 이해될 수 있으며, 타겟의 피부의 노화 상태에도 동일한 방식으로 적용될 수 있다.
도 6은 회절 격자형 분광기를 도시한 도면이고, 도 7은 필터형 분광기를 도시한 도면이다.
분광기(spectrometer)는 좁은 의미로는 전자기파를 파장의 차이에 따라 분해하여 그 세기 분포를 측정하는 장치를 뜻하나, 넓은 의미로는 전자기파뿐만 아니라 전자선 등 입자선의 에너지 분석 장치를 포함하는 용어이다.
도 6에 따르면, 일반적으로 분광기는 분석 대상체가 자체적으로 방출하는 빛, 또는 외부 광원에서 조사되는 빛을 반사하거나 투과하는 빛을 파장 별로 분해하여 그 세기를 측정하는 장치를 말한다. 통상 도 6과 같이 회절격자에 의한 분광기가 주로 상용되고 있으며 이 경우 분해능이 0.1nm이하까지도 가능하여 매우 우수한 반면 부피가 크고 가격이 비싸다. 분광기가 파장 정보를 정확하고 세밀하게 나타내는 정도를 분해능(resolution)이라고 하며, 이러한 분해능은 분광기의 성능을 평가하는 중요한 요소로서 평가된다.
도 7에 따르면, 이에 반해 투과 필터 어레이를 이용하는 필터형 분광기는 초소형화가 가능하지만 분해능이 3~10 nm범위로 실용화에 한계가 있고 이차원 어레이 광검출기를 사용해야 하므로 특히 적외선 영역에서는 가격이 비싸진다. 필터형 분광기(200)는 소정의 서로 다른 투과 특성을 구비하여 분석 대상체로부터 방출, 반사 또는 투과되는 빛을 통과시키는 광필터 어레이(210), 복수의 필터를 통과한 신호를 검출하는 광검출기 어레이(220), 그리고, 검출된 신호를 분석 및 처리하는 제어부(230)로 구성된다.
도 7에 따르면, 이러한 필터형 분광기의 해상도는 필터간의 광학적 상관도가 작고 필터의 개수가 많을수록 좋아지므로 해상도 향상을 위해서는 서로 특성이 다른 다수의 광필터를 구비하는 것이 필요하다. 그리고 분광기를 구성하는 필터 어레이(210)를 투과하는 신호를 검출하기 위해서는 필터 어레이(210)에 대응되는 광검출기 어레이(220)가 필요하다. 예를 들면 도 6와 같이 2차원 광필터 어레이(210)를 구비한 필터형 분광기(200)는 2차원 어레이 형태의 광검출기(220)를 구비해야 하며 이는 필터형 분광기의 원가에서 가장 큰 비중을 차지한다.
도 8은 본 발명에 따른 여기 스펙트럼의 일 예시를 나타낸 것이다.
도 8에 따르면, 여기 스펙트럼은 스펙트럼의 형태에 따라 해당 피크가 나타내는 성분의 특성을 표시할 수 있다. 이는 종래에 알려진 것으로서, 본 발명에 따른 제2 스펙트럼 이미지는 파장대별 형광 강도의 연령별 분포를 나타낼 수 있다. 구체적으로, 도 8에 따른 여기 스펙트럼은 30세(점선) 및 60세(실선)의 2명의 개인의 여기 스펙트럼(excitation spectrum)을 각각 나타내는 것일 수 있다.
도 9는 본 발명에 따른 카메라 모듈을 나타낸 것이다.
도 9에 따르면, 본 카메라 모듈(150)은 광 이미지로부터 이미지 데이터를 생성할 수 있다. 이때, 이미지 데이터는 상기 도 8과 같은 여기 스펙트럼의 이미지 데이터일 수 있다. 본 발명에 따른 사용자 단말(100)은 카메라 모듈(150)로부터 여기 스펙트럼을 이미지 데이터 형태로 수신할 수 있고, 수신된 이미지 데이터로부터 피크값 및/또는 피크의 형태를 학습하여 각 피크에 대응되는 유기물 또는 작용기를 도출할 수 있다.
일 예로, 사용자는 분광기로부터 생성된 여기 스펙트럼을 사용자 단말에 포함된 카메라 모듈(150)을 사용하여 촬영하고, 사용자의 사용자 단말은 카메라 모듈(150)에서 생성된 스펙트럼 이미지를 학습하여 자동으로 노화 상태를 도출할 수 있다.
본 발명에 따른 카메라 모듈(150)은 측벽에 관통홀을 포함하는 하우징(1324), 관통홀에 설치된 렌즈(1321) 및 렌즈(1321)를 구동하는 구동부(1323)를 포함할 수 있다. 관통홀은 렌즈(1321)의 직경에 대응되는 크기로 형성될 수 있다. 렌즈(1321)는 관통홀에 삽입될 수 있다.
렌즈 구동부(1323)는 렌즈(1321)를 전방 또는 후방으로 움직이도록 제어하는 구성일 수 있다. 렌즈(1321)와 렌즈 구동부(1323)는 종래 알려진 방식으로 연결되고 렌즈(1321)는 종래 알려진 방식으로 렌즈 구동부(1323)에 의하여 제어될 수 있다.
다양한 이미지를 수득하기 위해서는 렌즈(1321)가 카메라 모듈(150) 또는 하우징(1324)의 외부로 노출될 필요가 있다.
특히, 본 발명에 따른 렌즈(1321)는 하우징(1324)의 외부에 노출되도록 위치하여야 한다. 따라서, 내오염성이 강한 렌즈가 필요하다. 본 발명은 렌즈를 코팅하는 코팅층을 제안하여, 이러한 문제점을 해결하고자 하였다.
바람직하게 상기 렌즈(1321)는 그 표면에 하기의 화학식 1로 표시되는 아크릴계 화합물; 유기 용매, 무기 입자 및 분산제가 포함되는 코팅조성물로 코팅된 것일 수 있다.
[화학식 1]
여기서,
n 및 m은 서로 동일하거나 상이하며, 각각 독립적으로 1 내지 100의 정수이며,
L1은 바이페닐렌기이다.
상기 코팅조성물로 렌즈(1321)가 코팅된 경우 우수한 발수성 및 내오염성을 나타낼 수 있기 때문에 외부에 설치된 렌즈(1321)가 오염 환경에 장기간 노출되더라도, 도로정보로 활용할 수 있는 이미지 또는 영상을 수집할 수 있다.
상기 무기 입자는 실리카, 알루미나 및 이들의 혼합물로 이루어진 군으로부터 선택될 수 있다. 상기 무기 입자의 평균 직경은 70 내지 100㎛이지만, 상기 예시에 국한되지 않는다. 상기 무기 입자는 렌즈(1321) 표면에 코팅층(1322)으로 형성 후, 물리적인 강도를 향상시키고, 점도를 일정 범위로 유지시켜 성형성을 높일 수 있다.
상기 유기 용매는 메틸에틸케톤(MEK), 톨루엔 및 이들의 혼합으로 이루어진 군으로부터 선택되며, 바람직하게는 메틸에틸케톤을 사용할 수 있으나, 상기 예시에 국한되지 않는다.
상기 분산제로는 폴리에스테르 계열의 분산제를 사용할 수 있고, 구체적으로 2-메톡시프로필 아세테이트 및 1-메톡시-2-프로필 아세테이트의 공중합체로 이루어진 폴리에스테르 계열의 분산안정제로서 TEGO-Disperse 670 (제조사: EVONIK)을 사용할 수 있으나, 상기 예시에 국한되지 않고 통상의 기술자에게 자명한 분산제는 제한 없이 모두 사용 가능하다.
상기 코팅 조성물은 기타 첨가제로 안정화제를 추가로 포함할 수 있고, 상기 안정화제는 자외선 흡수제, 산화방지제 등을 포함할 수 있으나, 상기 예시에 국한되지 않고 제한 없이 사용 가능하다.
상기 코팅층(1322)을 형성하기 위한, 코팅 조성물은 보다 구체적으로 상기 화학식 1로 표시되는 아크릴계 화합물; 유기 용매, 무기 입자 및 분산제를 포함할 수 있다.
상기 코팅 조성물은 유기용매 100 중량부에 대하여, 상기 화학식 1로 표시되는 아크릴계 화합물 40 내지 60 중량부, 무기 입자 20 내지 40 중량부 및 분산제 5 내지 15 중량부를 포함할 수 있다. 상기 범위에 의하는 경우 각 구성 성분의 상호 작용에 의한 발수 효과가 임계적 의의가 있는 정도의 상승효과가 발현되며, 상기 범위를 벗어나는 경우 상승효과가 급격히 저하되거나 거의 없게 된다.
보다 바람직하게, 상기 코팅 조성물의 점도는 1500 내지 1800cP이며, 상기 점도가 1500cP 미만인 경우에는 렌즈(1321) 표면에 도포하면, 흘러내려 코팅층(1322)의 형성이 용이하지 않은 문제가 있고, 1800cP를 초과하는 경우에는 균일한 코팅층(1322)의 형성이 용이하지 않은 문제가 있다.
[제조예 1: 코팅층의 제조]
1. 코팅 조성물의 제조
메틸에틸케톤에 하기 화학식 1로 표시되는 아크릴계 화합물, 무기입자 및 분산제를 혼합하여, 코팅 조성물을 제조하였다:
[화학식 1]
여기서,
n 및 m은 서로 동일하거나 상이하며, 각각 독립적으로 1 내지 100의 정수이며,
L1은 바이페닐렌기이다.
상기 대전방지 조성물의 보다 구체적인 조성은 하기 표 2와 같다.
| TX1 | TX2 | TX3 | TX4 | TX5 | |
| 유기용매 | 100 | 100 | 100 | 100 | 100 |
| 아크릴계 화합물 | 30 | 40 | 50 | 60 | 70 |
| 무기입자 | 10 | 20 | 30 | 40 | 50 |
| 분산제 | 1 | 5 | 10 | 15 | 20 |
(단위 중량부)
2. 코팅층의 제조
렌즈(1321)의 일면에 상기 DX1 내지 DX5의 코팅 조성물을 도포 후, 경화시켜 코팅층(1322)을 형성하였다.
[실험예]
1. 표면 외관에 대한 평가
코팅 조성물의 점도 차이로 인해, 코팅층(1322)을 제조한 이후, 균일한 표면이 형성되었는지 여부에 대해 관능 평가를 진행하였다. 균일한 코팅층(1322)을 형성하였는지 여부에 대한 평가를 진행하였고, 하기와 같은 기준에 의해 평가를 진행하였다.
○: 균일한 코팅층 형성
×: 불균일한 코팅층의 형성
| TX1 | TX2 | TX3 | TX4 | TX5 | |
| 관능 평가 | Х | ○ | ○ | ○ | Х |
코팅층(1322)을 형성할 때, 일정 점도 미만인 경우에는 렌즈(1321)의 표면에서 흐름이 발생하여, 경화 공정 이후, 균일한 코팅층(1322)의 형성이 어려운 경우가 다수 발생하였다. 이에 따라, 생산 수율이 낮아지는 문제가 발생할 수 있다. 또한, 점도가 너무 높은 경우에도, 조성물의 균일 도포가 어려워 균일한 코팅층(1322)의 형성이 불가하였다.
2. 발수각의 측정
상기 렌즈(1321) 표면에 코팅층(1322)을 형성한 이후, 발수각을 측정한 결과는 하기 표 4와 같다.
전진 접촉각 (  |
정지 접촉각 (  |
후진 접촉각 (  |
|
| TX1 | 117.1±2.9 | 112.1±4.1 | < 10 |
| TX2 | 132.4±1.5 | 131.5±2.7 | 141.7±3.4 |
| TX3 | 138.9±3.0 | 138.9±2.7 | 139.8±3.7 |
| TX4 | 136.9±2.0 | 135.6±2.6 | 140.4±3.4 |
| TX5 | 116.9±0.7 | 115.4±3.0 | < 10 |
상기 표 4에 나타낸 바와 같이, TX1 내지 TX5의 코팅 조성물을 이용하여 코팅층(1322)을 형성한 이후, 접촉각을 측정한 결과를 확인하였다. TX1 및 TX5는 후진 접촉각이 10도 미만으로 측정되었다. 즉, 코팅 조성물을 제조하기 위한 최적의 범위를 벗어나게 되는 경우, 물방울이 피닝(Pinning)되는 현상이 발생하는 것을 확인하였다. 반면 TX2 내지 4에서는 피닝 현상이 발생하지 않음을 확인하여 우수한 방수 효과를 나타낼 수 있음을 확인하였다.
3. 내오염성 평가
외부 환경에 상기 실시예에 따른 코팅층(1322)을 형성한 렌즈(1321)를 모형 카메라에 부착하고, 40일 간 외부 환경에 노출되도록 하였다. 비교예(Con)로는 코팅층(1322)이 형성되지 않은 동일한 렌즈(1321)를 사용하였으며, 각 실시예에 모형카메라는 동일한 외부 환경에 설치하였다.
그 뒤 실험 전후의 렌즈(1321)의 오염 정도를 유관으로 평가하였고, 객관적인 비교를 위하여 코팅층(1322)이 형성되지 않은 비교예와 비교하여 그 결과를 1 내지 10의 지수로 평가하여 하기의 표 5에 나타내었다. 하기의 지수는 그 숫자가 낮을수록 내오염성이 우수한 것이다.
| Con | TX1 | TX2 | TX3 | TX4 | TX5 | |
| 내오염성 | 10 | 7 | 3 | 3 | 3 | 8 |
(단위: 지수)
상기 표 5를 참조하면, 렌즈(1321)에 코팅층(1322)을 형성하는 경우 외부 환경에 카메라 모듈을 설치하면서 렌즈(1321)가 외부로 노출되도록 하여도 높은 내오염성을 기초로 오랜 기간 분석하기 용이한 형태로 이미지 데이터를 수집할 수 있다는 점을 알 수 있다. 특히 TX2 내지 TX4에 의하는 경우 코팅층(1322)에 의한 내오염성이 매우 우수하다는 점을 확인할 수 있다.
도 10은 본 발명에 따른 이미지 보정 필터의 예시를 나타낸 도면이다.
도 10에 따르면, 필터의 종류와 기능이 나타나 있다. 즉, CNN 알고리즘은 복수의 레이어를 사용하는 학습 알고리즘일 수 있다. 또한, CNN 알고리즘은 이미지 분류 정확도를 최대화하는 필터를 자동으로 학습할 수 있으며, 합성곱 계층과 폴링 계층이라고 하는 새로운 층을 풀리 커넥티드 계층 이전에 추가함으로써 원본 이미지에 필터링 기법을 적용한 뒤에 필터링된 이미지에 대해 분류 연산을 수행할 수 있다. CNN 알고리즘은 합성곱 계층 (convolutional layer)과 풀링 계층 (pooling layer)이라고 하는 새로운 층을 fully-connected 계층 이전에 추가함으로써 원본 이미지에 필터링 기법을 적용한 뒤에 필터링된 이미에 대해 분류 연산이 수행되도록 구성될 수 있다.
이때, CNN 알고리즘을 사용한 이미지 필터에 대한 연산식은 아래의 수학식 5와 같다.
[수학식 5]
(단,
도 11은 본 발명에 따른 알고리즘 기반 피부 노화 정도 측정 방법을 나타낸 것이다.
도 11에 따르면, 본 발명에 따른 알고리즘 기반 피부 노화 정도 측정 방법은 노화된 피부의 고유 형광도에 대한 정보를 기초로 미리 라벨링된 제2 스펙트럼 이미지를 학습하는 단계(S1100), 타겟의 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 학습하는 단계(S1200) 및 상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지를 학습한 결과값을 기초로 상기 타겟의 피부의 노화 상태를 감지하는 단계(S1300)를 포함할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 모델링하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 모델링되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
앞에서 설명된 본 발명의 어떤 실시 예들 또는 다른 실시 예들은 서로 배타적이거나 구별되는 것은 아니다. 앞서 설명된 본 발명의 어떤 실시 예들 또는 다른 실시 예들은 각각의 구성 또는 기능이 병용되거나 조합될 수 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 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.
100: 사용자 단말
200: 분광기
200: 분광기
Claims (7)
- 피부 노화 상태를 감지하는 시스템에 있어서,
타겟 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 생성하는 분광기; 및
심층 신경망을 통하여 상기 제1 스펙트럼 이미지를 학습하고, 상기 제1 스펙트럼 이미지에 대한 특징점을 추출하며, 상기 특징점을 기초로 상기 시료의 노화 상태를 감지하는 사용자 단말;을 포함하되,
상기 사용자 단말은,
미리 라벨링된 제2 스펙트럼 이미지를 학습하고, 상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지를 학습한 결과를 기초로 상기 노화 상태를 감지하고,
상기 제2 스펙트럼 이미지는 노화된 피부의 고유 형광도에 대한 정보를 포함하는 것인,
알고리즘 기반 피부 노화 정도 측정 시스템.
- 제1항에 있어서,
상기 사용자 단말은,
상기 심층 신경망을 통하여 상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지에 포함된 복수의 피크(peak)에 대한 복수의 좌표 정보를 획득하고, 상기 복수의 좌표 정보에 대하여 K-중심 군집화 과정을 수행하며, 상기 K-중심 군집화 과정을 기초로 최종적으로 2개의 클러스터를 생성하며, 상기 2개의 클러스터 사이의 유클리드 거리를 기초로 유사도를 도출하는 것인,
알고리즘 기반 피부 노화 정도 측정 시스템.
- 제2항에 있어서,
상기 사용자 단말은,
상기 2개의 클러스터 각각의 평균값을 추출하고, 상기 각각의 평균값 간의 최종 거리값을 추출하며, 상기 최종 거리값을 기초로 상기 노화 상태를 감지하는 것인,
알고리즘 기반 피부 노화 정도 측정 시스템.
- 제1항에 있어서,
상기 심층 신경망은,
CNN 알고리즘을 사용한 이미지 필터를 포함하는 것인,
알고리즘 기반 피부 노화 정도 측정 시스템.
- 제1항에 있어서,
상기 사용자 단말은,
상기 제1 스펙트럼 이미지를 촬영하기 위한 카메라 모듈을 포함하고,
상기 카메라 모듈은,
측벽에 관통홀을 포함하는 하우징; 및
상기 관통홀에 설치된 렌즈;를 포함하는 것인,
알고리즘 기반 피부 노화 정도 측정 시스템.
- 노화된 피부의 고유 형광도에 대한 정보를 기초로 미리 라벨링된 제2 스펙트럼 이미지를 학습하는 단계;
타겟의 피부로부터 추출된 시료에 대한 제1 스펙트럼 이미지를 학습하는 단계; 및
상기 제1 스펙트럼 이미지 및 상기 제2 스펙트럼 이미지를 학습한 결과값을 기초로 상기 타겟의 피부의 노화 상태를 감지하는 단계;를 포함하는,
알고리즘 기반 피부 노화 정도 측정 방법.
- 명령어들을 저장하는 비일시적 컴퓨터 판독가능 매체로서,
상기 명령어들은 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 제6항의 방법을 수행하게 하는, 비일시적 컴퓨터 판독가능 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210116160A KR102652563B1 (ko) | 2021-09-01 | 2021-09-01 | 알고리즘 기반 피부 노화 정도 측정 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210116160A KR102652563B1 (ko) | 2021-09-01 | 2021-09-01 | 알고리즘 기반 피부 노화 정도 측정 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230033331A true KR20230033331A (ko) | 2023-03-08 |
| KR102652563B1 KR102652563B1 (ko) | 2024-03-28 |
Family
ID=85508374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210116160A KR102652563B1 (ko) | 2021-09-01 | 2021-09-01 | 알고리즘 기반 피부 노화 정도 측정 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102652563B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180015492A (ko) | 2016-08-03 | 2018-02-13 | 삼성전자주식회사 | 피부 노화 정보 제공 장치 및 방법 |
| KR20210019702A (ko) * | 2019-08-13 | 2021-02-23 | 프리즈머블 주식회사 | 상태정보 분석장치, 방법, 시스템 및 프로그램 |
| KR20210069944A (ko) * | 2019-12-04 | 2021-06-14 | 삼성전자주식회사 | 노화도 추정 장치 및 방법 |
-
2021
- 2021-09-01 KR KR1020210116160A patent/KR102652563B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180015492A (ko) | 2016-08-03 | 2018-02-13 | 삼성전자주식회사 | 피부 노화 정보 제공 장치 및 방법 |
| KR20210019702A (ko) * | 2019-08-13 | 2021-02-23 | 프리즈머블 주식회사 | 상태정보 분석장치, 방법, 시스템 및 프로그램 |
| KR20210069944A (ko) * | 2019-12-04 | 2021-06-14 | 삼성전자주식회사 | 노화도 추정 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102652563B1 (ko) | 2024-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Weaverdyck et al. | Tools of the Trade Multivoxel pattern analysis in fMRI: a practical introduction for social and affective neuroscientists | |
| Sun et al. | Low-rank and sparse matrix decomposition-based anomaly detection for hyperspectral imagery | |
| Daszykowski et al. | Looking for natural patterns in analytical data. 2. Tracing local density with OPTICS | |
| Wang et al. | The equivalence of two-dimensional PCA to line-based PCA | |
| Yu et al. | Maskcov: A random mask covariance network for ultra-fine-grained visual categorization | |
| Smulko et al. | Determination of gas mixture components using fluctuation enhanced sensing and the LS-SVM regression algorithm | |
| Ayech et al. | Terahertz image segmentation using k-means clustering based on weighted feature learning and random pixel sampling | |
| Kamandar et al. | Linear feature extraction for hyperspectral images based on information theoretic learning | |
| CN105023006B (zh) | 基于增强型非参数最大边缘准则的人脸识别方法 | |
| Liu et al. | Robust face recognition via sparse boosting representation | |
| Pan et al. | Orthogonal nonnegative tucker decomposition | |
| Lock et al. | Supervised multiway factorization | |
| Fang et al. | A pyroelectric infrared biometric system for real-time walker recognition by use of a maximum likelihood principal components estimation (MLPCE) method | |
| Bose et al. | In-situ recognition of hand gesture via Enhanced Xception based single-stage deep convolutional neural network | |
| CN111523582A (zh) | 一种基于迁移学习的跨仪器拉曼光谱定性分析方法 | |
| Ren et al. | Nonparametric subspace analysis fused to 2DPCA for face recognition | |
| Vaquet et al. | Investigating intensity and transversal drift in hyperspectral imaging data | |
| KR102652563B1 (ko) | 알고리즘 기반 피부 노화 정도 측정 시스템 및 방법 | |
| Zhou et al. | A de-illumination scheme for face recognition based on fast decomposition and detail feature fusion | |
| KR102500593B1 (ko) | 머신 러닝 기반 식품 상태 감지 시스템 및 방법 | |
| CN116502899A (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
| KR20230023435A (ko) | 딥러닝 기반 고분자 부품의 열화 특성 감지 시스템 및 방법 | |
| KR102527974B1 (ko) | 클러스터링 알고리즘 기반 환경 오염 상태 감지 시스템 및 방법 | |
| Demontis et al. | Super-sparse regression for fast age estimation from faces at test time | |
| Kishore et al. | Hyperspectral imaging technique for plant leaf identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |