KR20230084900A - 액체 점도 추정 시스템 및 방법 - Google Patents

액체 점도 추정 시스템 및 방법 Download PDF

Info

Publication number
KR20230084900A
KR20230084900A KR1020210173058A KR20210173058A KR20230084900A KR 20230084900 A KR20230084900 A KR 20230084900A KR 1020210173058 A KR1020210173058 A KR 1020210173058A KR 20210173058 A KR20210173058 A KR 20210173058A KR 20230084900 A KR20230084900 A KR 20230084900A
Authority
KR
South Korea
Prior art keywords
test object
viscosity
liquid
solubility
test
Prior art date
Application number
KR1020210173058A
Other languages
English (en)
Other versions
KR102631970B1 (ko
Inventor
이현종
장경인
장재은
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020210173058A priority Critical patent/KR102631970B1/ko
Publication of KR20230084900A publication Critical patent/KR20230084900A/ko
Application granted granted Critical
Publication of KR102631970B1 publication Critical patent/KR102631970B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • G01N2011/006—Determining flow properties indirectly by measuring other parameters of the system
    • G01N2011/0066—Determining flow properties indirectly by measuring other parameters of the system electrical properties

Landscapes

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

Abstract

본 발명의 일 실시 예는 점도 검사를 위한 검사대상체가 검사체 내에서 번지는(녹는) 속도에 따라 변화하는 전압을 측정하는 센서를 통해 액상의 검사대상체의 용해 속도에 따라 검사대상체의 점도를 출력할 수 있는 액체 점도 추정 시스템 및 방법을 발명한다.

Description

액체 점도 추정 시스템 및 방법{MEASURING APPARATUS AND METHOD FOR VISCOSITY OF LIQUIDS}
본 발명은 액체의 맛을 분류할 수 있도록 액체 점도를 추정할 수 있는 액체 점도 추정 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 액체가 용해되는 속도에 기반하여 액상의 검사대상체의 점도를 머신 러닝 기반의 학습 모델로 추정하는 장치 및 방법에 관한 것이다.
이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.
식품 산업에서 품질 검사의 목적으로 미각 센서를 개발하고 있다. 현재까지 개발된 미각 센서는 대부분 지질막 (lipid membrane), 금속, 고분자 재료 등 단순한 화학재료를 이용하여 전기적 또는 광학적 방법으로 맛 물질을 감지하는 원리를 이용하여 맛 물질을 검지하는 것으로 맛 물질 분석에 있어서 선택도(selectivity)와 민감도(sensitivity)가 떨어지고, 인간의 미각 시스템을 재현할 수 없다는 한계를 가지고 있다.
특히, 인간이 인식하는 액체의 맛 분류는 미각 기관에서 느끼는 감각뿐 아니라 촉각 기관에서 담당하는 점도에서도 큰 영향을 받는다. 따라서, 인간은 같은 음료라도 점도에 따라서 전혀 다른 맛 또는 다른 음식으로 인식할 수 있다. 하지만 현재의 미각 센서는 전압값을 반영하기 때문에 액체의 점도를 반영하는데 한계가 있다.
또한, 미각 데이터는 단일 센서에만 반응하는 것이 아니라 여러 센서에 복합적으로 반응하기 때문에 점도, 맛에 따라 분류가 필요한 실정이다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
선행기술 1: 한국 등록특허 제10-1684620호(2016.12.08. 등록)
본 발명의 일 실시 예는 액체의 점도에 따라 맛에 대한 데이터를 분류할 수 있는 액체 점도 추정 시스템 및 방법을 제공하는 것이다.
또한, 본 발명의 일 실시 예는 액체 점도에 따라 액체의 종류를 분류할 수 있는 액체 점도 추정 시스템 및 방법을 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따라 액체의 점도에 기초하여 액체 점도를 추정하는 방법은, 센서가 포함된 액상의 검사체 내에 액상의 검사대상체를 유입하고, 상기 검사대상체의 용해 속도에 따라 변경되는 상기 검사체의 전압을 측정하며, 측정되는 상기 검사체 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델에 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하는 과정으로 수행될 수 있다.
본 발명의 실시 예에 의해, 상기 검사대상체의 용해 속도는 상기 검사체로 상기 검사대상체의 유입 시점에서부터 상기 센서로부터 측정된 상기 검사체의 농도 변화이고, 상기 검사체의 농도 변화는 상기 검사대상체의 용해도에 기초하여 추출한 상기 검사체의 전압 변화를 나타내는 기울기일 수 있다.
본 발명의 실시 예에 의해, 상기 용해도 추정 모델은 상기 검사대상체의 용해 속도로 레이블링된 훈련 데이터로 훈련될 수 있다.
본 발명의 실시 예에 의해 상기 용해도 추정 모델을 훈련하기 위한 상기 훈련 데이터를 생성하고, 상기 검사대상체의 용해 정도를 일정 시간 간격으로 수집한 상기 검사대상체의 점도를 샘플링할 수 있다.
본 발명의 실시 예에 의해, 상기 검사대상체의 점도 출력 시, 상기 용해도 추정 모델을 기초로 기 설정되어 미각을 구분하는 리스트 중에서 상기 검사대상체의 용해 속도에 대응하는 어느 하나의 레벨을 출력할 수 있다.
본 발명의 실시 예의 상기 용해도 추정 모델은 합성공 신경망을 기반하고, 상기 검사대상체의 용해 속도가 상기 용해도 추정 모델에 포함된 전결합층(Fully Connected layer)에서 처리한 상기 검사대상체 농도 변화 정도에 대한 기울기를 출력하도록 훈련될 수 있다.
본 발명의 실시 예에 의한 상기 용해도 추정 모델은 액체별로 구분되어 생성된 머신 러닝 기반의 학습 모델일 수 있다.
본 발명의 실시 예에 따라 상기 검사대상체의 점도를 출력할 때, 상기 용해도 추정 모델이 출력한 상기 검사대상체의 점도에 기반하여 액상의 상기 검사대상체를 분류할 수 있다.
본 발명의 실시 예에 따라 액체의 점도에 기초하여 액체 점도를 추정하는 장치는, 상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고, 상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가 측정되는 상기 검사체 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델을 기반으로 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하도록 야기하는 코드들을 저장할 수 있다.
전술한 것 외의 다른 측면, 특징, 및 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시 예는 점도 검사를 위한 검사대상체가 검사체 내에서 번지는(녹는) 속도에 따라 변화하는 전압을 측정하는 센서를 통해 액상의 검사대상체의 용해 속도에 따라 검사대상체의 점도를 출력할 수 있다. 특히, 검사대상체의 용해 속도로 레이블링되어 생성된 학습 데이터로 훈련된 용해도 추정 모델을 기초로 검사대상체의 점도를 추정할 수 있다.
또한, 본 발명의 실시 예는 추정한 검사대상체의 점도에 따라 검사대상체를 액체별로 분류할 수 있도록 한다.
더욱이, 점도별로 검사대상체를 분류하여 액체 점도에 따라 맛을 분류할 수도 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 액체 점도 추정 시스템 환경을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버와 통신 연결되는 센서의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 용해도 추정 모델을 생성하는 예를 도시한 도면이다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 액체 점도 추정 방법을 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 발명된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 발명된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 발명된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 발명된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 발명된 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.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 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.
도 1은 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 환경을 개략적으로 설명하기 위한 도면이다.
액체 점도 추정 시스템(1)은 미각 센서가 구현된 전자 혀, 전자 혀와 같이 미각을 측정할 수 있는 장치에 구현될 수 있다. 또한, 전자 혀에 장착된 센서와 유무선 통신으로 연결된 전자 장치(예: 개인 단말, 서버)로 구현될 수 있다.
본 발명의 실시 예에서 액체 점도 추정 시스템(1)은 서버(100)를 통해 구현되고, 서버(100)와 전자 혀가 통신 연결되어 서버(100)에 저장된 액체 점도 추정 모델을 통해 액체의 점도를 추정하는 예를 들어 설명하기로 한다.
구체적으로 일 실시 예에서 액체 점도 추정 시스템(1)은 액체의 점도를 추정할 수 있으며, 추정한 액체의 점도를 기반으로 점도에 따른 액체의 맛을 분류할 수 있도록 한다.
설명한 바와 같이, 본 발명의 실시 예에 따른 액체 점도 추정 시스템(1)은 전자 혀를 통해 구현할 수 있다. 예컨대, 액체 점도 추정 시스템(1)은 음용 가능한 액체가 수용될 수 있도록 형성될 수 있다. 특히, 점도를 추정하기 위한 검사대상체(20)는 액상으로 제공될 수 있으며, 액상의 검사대상체(20)를 넣는 액상의 검사체(10) 내에는 검사대상체(20)가 검사체(10) 내에서 퍼지는 속도에 따라 검사체(10)의 농도 변화를 전압으로 측정하는 센서(50)가 마련될 수 있다.
즉, 액상의 검사대상체(20)의 점도가 높으면 검사대상체(20)가 검사체(10)에서 번지는 속도가 느릴 수 있다. 이와 반대로 검사대상체(20)의 점도가 낮을수록 검사체(10)에서 번지는 속도가 빠를 수 있다. 따라서 검사대상체(20)가 검사체(10)에서 녹는 속도에 따라 검사대상체(20)의 점도를 추정할 수 있다.
이때, 검사체(10)에 마련된 센서(50)는 복수 개 마련될 수 있으며, 센서(50)는 일정 시간 간격으로 검사대상체(20)의 점도를 샘플링하고, 기 설정된 미각 분류(리스트)와 대응하여 점도에 따라 맛의 정도를 분류할 수 있다.
한편, 액체 점도 추정 시스템(1)은 용해도 추정 모델을 포함할 수 있다. 검사대상체(20)가 검사체(10)에서 용해되면서 검사체(10)의 농도 변화가 발생할 수 있다. 이러한 검사체(10)의 농도 변화는 센서(50)를 통해 전압값으로 측정될 수 있다. 측정된 전압값을 학습한 모델이 용해도 추정 모델일 수 있다. 즉, 용해도 추정 모델은 검사대상체(20)가 검사체(10)에서 번지면서 발생하는 전압값 변화에 따라 검사대상체(20)의 점도를 예측할 수 있도록 한다.
구체적으로 용해도 추정 모델은 센서(50)가 기 설정된 전압값에 수렴하기까지 변화하는 기울기를 학습하여 생성될 수 있다. 여기서, 용해도 추정 모델은 심층 신경망에 Fully connected layer에 추가하는 방식으로 학습할 수 있지만 실시 예가 이에 국한되는 것은 아니다.
도 2는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버의 구성을 나타낸 블록도이고, 도 3은 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 서버와 통신 연결되는 센서의 구성을 나타낸 블록도이다.
도면의 설명에 앞서, 설명의 편의상 액체 점도를 추정하기 위한 장치는 전자 혀에 구현된 예를 들어 설명하기로 하며, 센서(50)는 액상의 검사체(10) 내에 포함된 예를 들어 설명하기로 한다.
또한, 액체 점도를 추정하기 위한 학습 모델은 서버(100)로부터 다운로드 받을 수 있으며, 다운받은 학습 모델은 전자 혀의 프로세서를 통해 구현될 수 있다. 또는 이와 다르게 전자 혀의 프로세서에 학습 모델이 저장될 수 있으며, 저장된 학습 모델을 기반으로 액체의 점도를 측정할 수도 있다.
도 2를 참고하면, 서버(100)는 센서(50)에서 측정한 검사체(10)의 농도 변화를 측정한 전압값을 기반으로 액상의 검사대상체(20)의 점도를 추정할 수 있다.
이러한 서버(100)는 통신부(120), 메모리(160), 러닝 프로세서(150) 및 프로세서(180) 등을 포함하여 구성될 수 있다.
서버(100)의의 통신부(120)는 센서(50)와 통신 연결될 수 있는 구성이고, 센서(50)로 습득한 검사대상체(20)가 녹는 정도에 따라 검사체(10)의 농도 변화를 수신 받을 수 있다.
메모리(160)는 모델 저장부(161)를 포함할 수 있다. 모델 저장부(161)는 러닝 프로세서(150)를 통해 학습 전 또는 학습된 모델(161a)을 저장할 수 있다. 학습된 모델 또는 학습 전 모델을 포함하는 학습 모델은 심층 신경망 기반 등 특별히 그 종류를 한정하지 않는다.
러닝 프로세서(150)는 학습 데이터를 이용하여 학습 모델(161a)을 학습시킬 수 있다. 학습 모델은 서버(100)나 센서(50) 등에 탑재된 상태에서 이용될 수 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(160)에 저장될 수 있다.
본 발명의 학습 모델은 머신 러닝을 기반으로 하는 액체 점도 추정 시스템의 용해도 추정 모델이며, 용해도 추정 모델은 검사대상체(20)가 검사체(10)에 유입되면서부터 검사대상체(20)가 검사체(10)에 용해되며 검사체(10)의 변화 농도를 입력 받은 전압의 변화 기울기로 레이블링(labeling)한 훈련 데이터로 훈련될 수 있다.
구체적으로, 용해도 추정 모델에 적용하는 검사대상체(20)의 용해 정도는 검사대상체(20)가 검사체(10)에 유입된 시점에서부터 검사대상체(20)가 검사체(10)에 번지는 속도에 따라 검사체(10)의 농도 변화일 수 있다. 여기서, 농도변화는 검사체(10)의 농도 변화에 따라 측정되는 전압값일 수 있으며, 전압값은기 설정된 값(예: 1 또는 0)으로 수렴할 수 있다. 또한, 검사체(10)의 농도 변화는 검사대상체(20)의 용해도에 따라 측정하는 검사체(10)의 전압 변화를 나타내는 기울기일 수 있다.
예를 들어 측정하고자 하는 액체인 검사대상체(20)를 검사체(10)에 녹일 때, 검사대상체(20)가 퍼져나감에 따라 검사체(10) 안의 액체 농도가 높아질 수 있다. 이에 따라 센서(50)에서 측정되는 측정값이 커질 수 있다. 즉, 센서(50)에서 측정되는 값의 기ㄹ울기가 측정하고자 하는 검사대상체(20)가 검사체(10)에서 퍼지는 속도라고 할 수 있다.
여기서 검사대상체(20)의 점도가 클수록 검사대상체(20)가 검사체(10) 안에서 느리게 퍼져나가므로 센서(50)에서 측정하는 기울기 변화는 작을 수 있다. 즉, 센서(50)에서 측정하는 기울기는 검사대상체(20)의 점도가 반영된 것이라 할 수 있다.
실시 예에서, 센서(50)에서 측정한 전압의 변화 기울기를 심층 신경망의 Fully connected layer에 추가할 수 있으며, 구체적인 예는 아래에서 자세히 설명한다.
센서(50)에서 검사체(10)의 농도 변화를 측정하면 측정한 검사체(10)의 농도 변화를 기 설정된 용해도 추정 모델에 입력할 수 있다. 이때, 용해도 추정 모델은 검사대상체(20)가 검사체(10)에 용해되는 속도에 따라 검사체(10)의 농도 변화 정도를 레이블링된 훈련 데이터로 훈련된다.
구체적으로, 훈련 데이터는 앞서 설명한 센서(50)가 측정한 검사체(10)의 농도 변화에 따른 전압 변화(기울기)를 일정 시간 간격 또는 실시간/준실시간으로 수집하고, 수집한 검사체(10)의 농도 변화에 따른 전압 변화를 나타내는 기울기로 샘플링할 수 있다.
즉, 본 발명의 훈련 데이터는 예를 들어 센서(50)가 검사체(10)의 농도 변화를 전압값으로 1초 간격으로 5분 동안 수집할 수 있고, 수집한 데이터를 매초마다 변화하는 전압값의 기울기를 기초로 생성할 수 있다.
이후, 훈련 데이터는 센서(50)가 측정하는 전압값이 기 설정된 전압값으로 수렴하는 시점까지 훈련 데이터를 생성할 수 있다. 예컨대, 센서(50)의 수렴값을 전압값 10이라 가정하고 센서(50)가 측정하는 전압값이 10을 수렴할때까지 훈련 데이터를 생성할 수 있도록 한다.
한편, 본 발명의 실시 예에 다른 용해도 추정 모델은 센서(50)가 측정하는 전압값이 기 설정된 값까지 수렴하기 전까지 변하는 기울기 값을 심층 신경망에 Fully connected layer에 추가하여 센서(50)에서 측정한 전압값에 대해 검사대상체(20)가 퍼져나가는 속도에 관한 값을 출력하도록 훈련된 모델일 수 있다.
이와 같이 생성된 용해도 추정 모델은 점도를 검사하고자 하는 검사대상체에 대응하는 미각에 대응하여 생성된 학습 모델일 수 있다. 실시 예에서 학습 모델은 검사하고자 하는 검사대상체가 검사체로 유입되었을 때부터 번지며 검사체의 농도 변화를 입력으로 하는 검사대상체의 점도를 미각을 구분하는 리스트와 매핑할 수도 있다.
예를 들어, 점도를 검사하고자 하는 제1 검사대상체의 점도 정도에 대응하는 미각 리스트를 검사대상체의 용해 속도에 대응하여 점도를 검사하고자 하는 제1 검사대상체의 점도 정도에 따라 실제 음용하는 경우 사람이 느낄 수 있는 미각을 출력할 수 있다.
이때, 용해도 추정 모델의 정확성을 위해 다양한 검사 대상체의 용해도에 대한 훈련 데이터를 생성하도록 할 수 있다. 예를 들어, 훈련 데이터가 생성된 검사대상체의 용해 속도와 기 설정된 미각 정보를 매핑하여 저장한 후, 학습 모델을 훈련하여 검사대상체의 점도 추정을 수행하다가, 훈련 데이터가 생성되지 않은 검사대상체가 검사체에 유입되는 경우 검사대상체가 검사체에서 번지는 속도에 대한 변동되는 전압값의 기울기를 입력 받은 후, 훈련 데이터에 추가하여 다시 학습 모델을 훈련할 수 있다.
프로세서(180)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
프로세서(180)는 통신부(120)를 통해 센서(50)로부터 수신한 검사대상체가 검사체에서 번지는 속도에 대한 정보에 학습모델을 적용하여 검사대상체의 점도를 평가할 수 있다.
도 3을 참고하면, 센서(50)는 통신부(52), 센싱부(54), 메모리(56) 및 프로세서(58)를 포함하여 구성될 수 있다.
통신부(52)는 서버(100)의 통신부(120)와 통신 연결될 수 있다. 구체적으로 통신부(52)는 검사체(10)에 검사대상체(20)에 유입되면 검사대상체(20)의 용해도에 따라 검사체(10)의 농도 변화에 따른 전압값을 서버(100)로 송신하도록 한다.
센싱부(54)는 검사대상체(20)가 검사체(10)에서 녹으면서 검사체(10)의 농도 변화를 센싱하는 구성이다. 구체적으로, 센싱부(54)는 검사체(10) 농도 변화를 측정한 전압값을 센싱할 수 있고, 다르게는 검사체(10)에 유입된 검사대상체(20)가 번지는 과정에서 검사체(10) 농도의 변화 자체를 센싱할 수도 있다. 이하 본 발명의 실시 예에서 센싱부(54)는 검사체(10)가 농도 변화를 측정한 전압값을 센싱한 예를 들어 설명하기로 한다.
이때, 센싱부(54)는 검사체(10)의 농도 변화를 전압값으로 1초 간격으로 5분 동안 수집할 수 있고, 수집한 데이터를 매초마다 변화하는 전압값의 기울기를 서버(100)로 송신할 수 있다.
메모리(56)는 센싱부(54)에서 검사체(10)의 농도 변화를 통해 검사대상체(20)의 점도 정도를 측정하고자 하는 검사대상체 점도 측정 조건을 저장할 수 있다. 즉, 메모리(55)는 검사대상체의 점도를 측정할 수 있는 센싱부(54)의 동작을 위한 데이터들, 명령어들이 저장될 수 있다.
프로세서(58)는 메모리(56)에 저장된 응용 프로그램과 관련된 동작 이외에 센서(50)의 전반적인 동작을 제어할 수 있다. 프로세서(58)는 앞서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(56)에 저장된 응용 프로그램을 구동하도록 하여 액체 점도 추정 시스템으로 적절한 정보 또는 기능을 제공 또는 처리할 수 있도록 한다.
도 4는 본 발명의 일 실시 예에 따른 액체 점도 추정을 위한 용해도 추정 모델을 생성하는 예를 도시한 도면이다.
도면의 설명에 앞서 본 발명의 실시 예는 센서(50)에서 측정된 전압값 이외에 검사대상체(20)의 점도를 반영하는 값을 입력 값으로 넣어주어 검사대상체(20)의 점도를 심층 신경망에서 처리할 하나의 정보로 사용할 수 있도록 한다. 이를 통해 인간이 직관적으로 느끼는 맛에 가까운 분류할 수 있도록 한다.
구체적으로 도면을 참고하여 훈련 데이터를 생성하는 과정을 살펴보면, 액체를 센서에서 측정하기 위해 용액 등에 녹여서 측정할 수 있다. 즉, 본 발명의 실시 예는 검사체(10)에 검사대상체(20)를 넣어 시간에 따라 검사체(10)의 농도가 변화하는 변화값을 측정할 수 있다. 즉, 센서(50)는 시간에 따라 변화하는 검사체(10)의 농도를 전압값으로 측정할 수 있고, 측정된 전압값은 시간에 따라 변화하는 기울기로 추출될 수 있다. 추출된 전압값에 대한 기울기는 검사대상체의 점도를 추정할 수 있도록 심층 신경망에 입력하는 입력값일 수 있다.
이와 다르게 심층 신경망에 입력되는 입력값으로 센서(50)에서 측정되는 농도 변화 이외에 검사체(10) 변화 정보일 수 있으며, 센서(50)에서 측정하는 검사체(10) 전압값과 전압값 이외의 센서 측정값을 입력값으로 하여 훈련 데이터를 생성할 수 있다.
구체적으로, 센서(50)가 검사체(10)의 농도 변화를 전압값으로 1초 간격으로 5분 동안 수집할 수 있고, 수집한 데이터를 매초마다 변화하는 전압값의 기울기를 기초로 생성할 수 있다.
이후, 훈련 데이터는 센서(50)가 측정하는 전압값이 기 설정된 전압값으로 수렴하는 시점까지 훈련 데이터를 생성할 수 있다. 예컨대, 센서(50)의 수렴값을 전압값 10이라 가정하고 센서(50)가 측정하는 전압값이 10을 수렴할때까지 훈련 데이터를 생성할 수 있도록 한다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 액체 점도 추정 방법을 도시한 흐름도이다.
도면을 참고하면, 액상의 검사대상체가 액상의 검사체에 유입되어 용해되면서 검사대상체의 점도를 측정할 수 있다. 구체적으로 검사대상체의 점도는 검사대상체가 검사체에 유입되면 검사대상체가 검사체에 녹으면서 검사체의 농도가 변화할 수 있다. 변화된 검사체 농도 변화를 일정 시간 마다 전압값으로 측정할 수 있다(S110 S120).
여기서 일정 시간은 1초 간격으로 검사체의 농도 변화를 수집할 수 있으며, 검사체의 검사 농도가 기 설정된 농도 이상인 경우인 센서(50)가 측정하는 전압값이 기 설정된 전압값으로 수렴할때까지 라고 가정할 수 있다.
측정되는 전압값을 심층 신경망에 Fully connected layer에 추가하여 센서(50)에서 측정한 전압값에 대해 검사대상체(20)가 퍼져나가는 속도에 관한 값을 출력할 수 있다. 즉 점도를 검사하고자 하는 검사대상체에 대응하는 미각에 대응하여 생성된 학습 모델이 용해도 추정 모델이라고 할 수 있다.
점도를 측정하고자 하는 액상의 검사대상체(20)를 액상의 검사대상체(20)에 유입함에 따라 검사대상체(20)가 검사체(10)에 번지를 속도를 미각을 구분한 리스트와 매핑할 수 있다. 이렇게 맵핑된 조건에 따라 검사대상체(20)의 액상 점도에 따라 검사대상체(20)의 점도를 출력할 수 있다(S130).
특히, 음용 가능한 액상의 검사대상체의 검사체에서 용해되는 정도가 학습 데이터인 경우, 서버(100)에서 측정한 검사대상체의 용해 속도를 통해 검사대상체의 점도뿐만 아니라 액체 점도에 따른 맛의 특징을 분류할 수도 있다.
즉, 점도를 검사하고자 하는 검사대상체에 대응하는 미각 리스트와 비교할 수 있다(S122). 실시 예에서 검사하고자 하는 검사대상체가 검사체로 유입되었을 때부터 번지며 검사체의 농도 변화를 입력으로 하는 검사대상체의 점도를 미각을 구분하는 리스트와 매핑하여 검사대상체의 점도를 추정하고, 검사대상체의 맛을 출력할 수 있다(S124, S126).
구체적으로, 수집한 학습 데이터는 점도 별로 추출한 데이터는 학습(훈련)에 사용될 수 있으며, 점도 별로 추출한 데이터를 기반으로 같은 음용 가능한 검사 대상체라도 점도에 따른 맛을 분류할 수 있다. 이로써, 점도별로 액체의 용해도 추정 모델의 정확도를 평가할 수 있다.
이와 같이 생성된 학습 데이터는 개인 단말(예: 휴대 단말기, 태블릿, 스마트 워치 등)에서 학습 모델을 훈련시키는 데 이용되거나 서버로 전송되어 학습 모델을 훈련시키는 데 이용될 수 있다.
따라서, 액체가 가진 점도에 따라 학습 데이터를 세분화할 수 있으며, 세분화된 액체의 점도별로 맛을 분류하여 같은 음료라도 점도에 따라 음식의 맛, 음식의 종류를 분류할 수 있도록 할 수 있다.
이로써, 음용 가능한 음료 별로 음용자가 느끼는 주관적인 점도별로 음료를 구분할 수 있게 되어 점도의 특징에 따른 맛을 보다 정확하게 분류할 수 있게 된다.
이상 설명된 본 발명의 실시 예에 대한 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 각 단계의 적어도 일부가 프로세서에 의해 수행되고, 액체의 점도에 기초하여 액체 점도를 추정하는 방법으로서,
    센서가 포함된 액상의 검사체 내에 액상의 검사대상체를 유입하는 단계;
    상기 검사대상체의 용해 속도에 따라 변경되는 상기 검사체의 전압을 측정하는 단계; 및
    측정되는 상기 검사체 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델에 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하는 단계를 포함하는,
    액체 점도 추정 방법.
  2. 제1항에 있어서,
    상기 검사대상체의 용해 속도는 상기 검사체로 상기 검사대상체의 유입 시점에서부터 상기 센서로부터 측정된 상기 검사체의 농도 변화이고,
    상기 검사체의 농도 변화는 상기 검사대상체의 용해도에 기초하여 추출한 상기 검사체의 전압 변화를 나타내는 기울기인,
    액체 점도 추정 방법.
  3. 제1항에 있어서,
    상기 용해도 추정 모델은 상기 검사대상체의 용해 속도로 레이블링된 훈련 데이터로 훈련된,
    액체 점도 추정 방법.
  4. 제3항에 있어서,
    상기 용해도 추정 모델을 훈련하기 위한 상기 훈련 데이터를 생성하는 단계를 포함하고,
    상기 훈련 데이터를 생성하는 단계는,
    상기 검사대상체의 용해 정도를 일정 시간 간격으로 수집한 상기 검사대상체의 점도를 샘플링하는 단계를 포함하는,
    액체 점도 추정 방법.
  5. 제1항에 있어서,
    상기 검사대상체의 점도를 출력하는 단계는,
    상기 용해도 추정 모델을 기초로 기 설정되어 미각을 구분하는 리스트 중에서 상기 검사대상체의 용해 속도에 대응하는 어느 하나의 레벨을 출력하는 단계를 포함하는,
    액체 점도 추정 방법.
  6. 제1항에 있어서,
    상기 용해도 추정 모델은 합성공 신경망을 기반하고, 상기 검사대상체의 용해 속도가 상기 용해도 추정 모델에 포함된 전결합층(Fully Connected layer)에서 처리한 상기 검사대상체 농도 변화 정도에 대한 기울기를 출력하도록 훈련된,
    액체 점도 추정 방법.
  7. 제6항에 있어서,
    상기 용해도 추정 모델은 액체별로 구분되어 생성된 머신 러닝 기반의 학습 모델인,
    액체 점도 추정 방법.
  8. 제1항에 있어서,
    상기 검사대상체의 점도를 출력하는 단계 이후에,
    상기 용해도 추정 모델이 출력한 상기 검사대상체의 점도에 기반하여 액상의 상기 검사대상체를 분류하는 단계를 더 포함하는,
    액체 점도 추정 방법.
  9. 액체의 점도에 기초하여 액체 점도를 추정하는 장치로서,
    상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가
    센서가 포함된 액상의 검사체 내에 액상의 검사대상체를 유입한 후 상기 검사체에서 측정되는 전압에 기반하여 상기 검사대상체의 용해 정도를 출력하도록 훈련된 머신 러닝 기반의 용해도 추정 모델을 기반으로 상기 검사대상체의 용해 속도를 반영하여 상기 검사대상체의 점도를 출력하도록 야기하는 코드들을 저장하는,
    액체 점도 추정 시스템.
  10. 제9항에 있어서,
    상기 검사대상체의 용해 속도는 상기 검사체로 상기 검사대상체의 유입 시점에서부터 상기 센서로부터 측정된 상기 검사체의 농도 변화이고,
    상기 검사체의 농도 변화는 상기 검사대상체의 용해도에 기초하여 추출한 상기 검사체의 전압 변화를 나타내는 기울기인,
    액체 점도 추정 시스템.
  11. 제9항에 있어서,
    상기 용해도 추정 모델은 상기 검사대상체의 용해 속도로 레이블링된 훈련 데이터로 훈련된,
    액체 점도 추정 시스템.
  12. 제11항에 있어서,
    상기 훈련 데이터는,
    상기 검사대상체의 용해 정도를 일정 시간 간격으로 수집한 상기 검사대상체의 점도를 샘플링한,
    액체 점도 추정 시스템.
  13. 제9항에 있어서,
    상기 메모리는 상기 프로세서가,
    상기 용해도 추정 모델을 기초로 기 설정되어 미각을 구분하는 리스트 중에서 상기 검사대상체의 용해 속도에 대응하는 어느 하나의 레벨을 출력 하도록 야기하는 코드들을 더 저장하는,
    액체 점도 추정 시스템.
  14. 제9항에 있어서,
    상기 용해도 추정 모델은 합성공 신경망을 기반하고, 상기 검사대상체의 용해 속도가 상기 용해도 추정 모델에 포함된 전결합층(Fully Connected layer)에서 처리한 상기 검사대상체 농도 변화 정도에 대한 기울기를 출력하도록 훈련된,
    액체 점도 추정 시스템.
  15. 제14항에 있어서,
    상기 용해도 추정 모델은 액체별로 구분되어 생성된 머신 러닝 기반의 학습 모델인,
    액체 점도 추정 시스템.

KR1020210173058A 2021-12-06 2021-12-06 액체 점도 추정 시스템 및 방법 KR102631970B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210173058A KR102631970B1 (ko) 2021-12-06 2021-12-06 액체 점도 추정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210173058A KR102631970B1 (ko) 2021-12-06 2021-12-06 액체 점도 추정 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230084900A true KR20230084900A (ko) 2023-06-13
KR102631970B1 KR102631970B1 (ko) 2024-01-30

Family

ID=86762852

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210173058A KR102631970B1 (ko) 2021-12-06 2021-12-06 액체 점도 추정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102631970B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH063243A (ja) * 1992-06-23 1994-01-11 Asahi Chem Ind Co Ltd ゴム状重合体の物性推定方法
JP2007271640A (ja) * 1998-03-19 2007-10-18 Orgenics Biosensors Ltd 血液サンプルの凝固時間を測定するためのキット
JP2009258129A (ja) * 2009-08-04 2009-11-05 Panasonic Corp バイオセンサ、バイオセンサ用測定装置及び基質の定量方法
KR101684620B1 (ko) 2010-03-29 2016-12-08 서울대학교산학협력단 미각 수용체 기능화된 탄소 나노튜브 전계효과 트랜지스터 기반 미각센서 및 이를 포함한 고선택성 바이오 전자혀
JP2018059841A (ja) * 2016-10-06 2018-04-12 キヤノンメディカルシステムズ株式会社 自動分析装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH063243A (ja) * 1992-06-23 1994-01-11 Asahi Chem Ind Co Ltd ゴム状重合体の物性推定方法
JP2007271640A (ja) * 1998-03-19 2007-10-18 Orgenics Biosensors Ltd 血液サンプルの凝固時間を測定するためのキット
JP2009258129A (ja) * 2009-08-04 2009-11-05 Panasonic Corp バイオセンサ、バイオセンサ用測定装置及び基質の定量方法
KR101684620B1 (ko) 2010-03-29 2016-12-08 서울대학교산학협력단 미각 수용체 기능화된 탄소 나노튜브 전계효과 트랜지스터 기반 미각센서 및 이를 포함한 고선택성 바이오 전자혀
JP2018059841A (ja) * 2016-10-06 2018-04-12 キヤノンメディカルシステムズ株式会社 自動分析装置

Also Published As

Publication number Publication date
KR102631970B1 (ko) 2024-01-30

Similar Documents

Publication Publication Date Title
Bakrania et al. Intensity thresholds on raw acceleration data: Euclidean norm minus one (ENMO) and mean amplitude deviation (MAD) approaches
CN109363620B (zh) 一种视力检测方法、装置、电子设备和计算机储存介质
Dias et al. Semi-quantitative and quantitative analysis of soft drinks using an electronic tongue
US11172025B2 (en) Server apparatus, odor sensor data analysis method, and computer-readable recording medium
US10963739B2 (en) Learning device, learning method, and learning program
CN103649731A (zh) 测试装置
US11598740B2 (en) Server apparatus, odor sensor data analysis method, and computer-readable recording medium
CN104582568A (zh) 用于检测使用过且变干的传感器的系统和方法
CN103268399B (zh) 基于视频处理设备的健康管理方法及系统
CN105488055B (zh) 计算机个性化学习和评测产品的生成方法及系统
CN113628079A (zh) 评分方法、装置、电子设备及可读介质
US20150276769A1 (en) Sample analyzer and sample analysis method
CN115024690A (zh) 酒精代谢检测方法、计算机设备及存储介质
TW201730838A (zh) 互動式服務平台及其運作方法
Alqahtani et al. Analysis of the technology acceptance theoretical model in examining users’ Behavioural intention to use an augmented reality app (IMAPCampus)
KR20230084900A (ko) 액체 점도 추정 시스템 및 방법
Kim et al. A simple taste analyzing system design for visual and quantitative analysis of different tastes using multi-array chemical sensors and pattern recognition techniques
CN112071407A (zh) 一种信息识别方法、样本分析设备和可读存储介质
US20140170628A1 (en) System and method for detecting multiple-intelligence using information technology
CN105528505A (zh) 线上自动化诊断学习风格系统及方法
CN112315463B (zh) 一种婴幼儿听力测试方法、装置及电子设备
CN114218078A (zh) 一种ui页面测试方法、装置、设备及可读存储介质
JP7420214B2 (ja) 学習データ生成装置、学習データ生成方法、学習モデル生成方法、プログラム
TWI585407B (zh) 光學檢測裝置、光學檢測方法與光學檢測系統
CN110400639B (zh) 一种基于人工智能技术的多模婴儿语言生活管理车

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant