WO2014200155A1 - 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치 - Google Patents

스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치 Download PDF

Info

Publication number
WO2014200155A1
WO2014200155A1 PCT/KR2013/009361 KR2013009361W WO2014200155A1 WO 2014200155 A1 WO2014200155 A1 WO 2014200155A1 KR 2013009361 W KR2013009361 W KR 2013009361W WO 2014200155 A1 WO2014200155 A1 WO 2014200155A1
Authority
WO
WIPO (PCT)
Prior art keywords
peak
layer
output
input
overlapping
Prior art date
Application number
PCT/KR2013/009361
Other languages
English (en)
French (fr)
Inventor
이재환
천선일
박동선
윤숙
박정권
Original Assignee
전북대학교산학협력단
목포대학교산학협력단
주식회사 아이에스피
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 전북대학교산학협력단, 목포대학교산학협력단, 주식회사 아이에스피 filed Critical 전북대학교산학협력단
Publication of WO2014200155A1 publication Critical patent/WO2014200155A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/345—Accessories, mechanical or electrical features mathematical transformations on beams or signals, e.g. Fourier

Definitions

  • the present invention relates to an X-ray fluorescence analysis technology, and more particularly, to an overlapping peak separation device and an X-ray fluorescence analysis device using the same to more easily and quickly separate the overlapping peak included in the spectrum for X-ray fluorescence analysis will be.
  • the X-Ray Fluorescence Analyzer is a device that analyzes the level of heavy metals that are harmful to the human body.
  • the sample is easy to prepare, can be tested nondestructively, the analysis time is short, and the skill of the analyst Has the advantage of not affecting the accuracy of the analysis.
  • the X-ray fluorescence analyzer removes the background and noise from the spectrum and then analyzes the contents and content of the sample using the channel position and size of the peak data.
  • the channel position of the peak included in the spectrum indicates the type of element, and the magnitude of the peak indicates the amount of elements, the channel position and size of the peak data of the peak are very important for spectral analysis.
  • An artificial neural network comprising a concealed layer located in the interconnection layer, wherein the artificial layer is connected between the input layer and the concealed layer and between the concealed layer and the output layer with a connection strength that is a correlation between the overlapping peak and the peak detection value;
  • a learner configured to repeatedly input training data into the artificial neural network, and adjust the connection strength so that the error rate of the output layer reaches a target error rate.
  • the input layer has n (n is a natural number) nodes
  • the output layer has 2n nodes
  • the hidden layer has less than m (m is a natural number less than n) nodes.
  • the training data is a signal spectrum in which two peak data are superimposed.
  • a DAQ (Data Acquisition Systems) system for obtaining spectral data;
  • An artificial effect remover which removes noise and a background included in the spectral data;
  • a peak separation unit detecting a peak included in the spectral data and separating an overlapping peak through an artificial neural network;
  • an X-ray fluorescence analysis apparatus comprising a quantitative qualitative analysis unit for grasping the element type and content through the position and size of the peak.
  • the peak separation unit includes an input layer to which a signal spectrum including an overlapping peak is input, an output layer to output peak detection values of the signal spectrum, and a hidden layer positioned between the input layer and the output layer, and between the input layer and the hidden layer. And between the hidden layer and the output layer include an artificial neural network connected to connection strength which is a correlation between the overlapping peak and the peak detection value.
  • the input layer has n (n is a natural number) nodes
  • the output layer has 2n nodes
  • the hidden layer has less than m (m is a natural number less than n) nodes.
  • the peak separation unit may further include a learner configured to adjust the connection strength such that the error rate of the output layer reaches a target error rate while repeatedly inputting training data into the artificial neural network.
  • the present invention it is not necessary to perform a preprocessing operation to remove the noise included in the spectrum by separating the overlap peak through an artificial neural network having a robust against noise. As a result, the time and resources required for overlapping peak separation may be reduced as a whole.
  • the computational speed of the artificial neural network is determined by the speed at which the input data passes through the neural network, and is not affected by the complexity of the input data, so that it is possible to accurately estimate the computation time, thereby ensuring the reliability of the system operation. do.
  • 1 is a diagram illustrating an example of a spectrum having overlapping peaks.
  • FIG. 2 is a diagram illustrating a separation result of overlapping peaks.
  • FIG. 3 is a diagram illustrating an overlapping peak separation device according to an embodiment of the present invention.
  • 4 and 5 are diagrams illustrating learning data and learning target values according to an embodiment of the present invention.
  • FIG. 6 is a view for explaining the principle of operation of the artificial neural network included in the overlap peak separation device according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating an X-ray fluorescence analysis system including an overlap peak separation apparatus according to an embodiment of the present invention.
  • FIG. 8 is a view for explaining the X-ray fluorescence analysis method according to an embodiment of the present invention.
  • first and second may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
  • the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
  • FIG. 3 is a diagram illustrating an overlapping peak separation device according to an embodiment of the present invention.
  • the overlapping peak separation device 10 of the present invention includes an artificial neural network 11 and a learning unit 12, and the artificial neural network 11 has n (n is a natural number) nodes. Located between input layer (x1 ⁇ x64), output layer (y1 ⁇ y128) with 2n nodes, and between input layer (x1 ⁇ x64) and output layer (y1 ⁇ y128) with less than m (m is a natural number less than n) Consists of hidden layers (z1 to z10) with nodes of between input layer (x1 to x64) and hidden layers (z1 to z10) and between hidden layers (z1 to z10) and output layers (y1 to y128). Connected by correlated connection strength.
  • Artificial neural network is a mathematical model that aims to express some characteristics of brain function by computer simulation. Artificial neural network changes the strength of synaptic connection through learning by artificial neurons (nodes) formed by synaptic network. This refers to a model that has problem solving capabilities.
  • the artificial neural network is used to separate overlapping peaks present in the spectrum, thereby improving processing speed and accuracy.
  • the learner 12 generates one learning data by adding two peak data having a channel location and size specified by the user as shown in FIG. 4, and output layers y1 to y128 should output in response to the learning data. Set the channel position and size of the two peak data.
  • connection strength is adjusted so that the output layers y1 to y128 output two preset peak signals as shown in FIG. If the artificial neural network 11 outputs two preset peak signals, the connection strength at this time is stored and the learning ends. That is, the learner 12 adjusts the connection strength so that the error rate of the output layer reaches the target error rate through an artificial neural network learning process.
  • the artificial neural network 11 has the overlapping peaks having different channels and sizes as shown in FIG. 6 when the spectral data including the overlapping peaks is input through the input layers x1 to x64 while the learning is completed. Split into two peaks and output through the output layer (y1 ⁇ y128).
  • the number of nodes of the output layers y1 to y128 of the artificial neural network 11 is preferably twice the number of nodes of the input layers x1 to x64 because most of the overlapping peaks are generated by overlapping two peak data.
  • the artificial neural network 11 configured and operated as described above has a strong characteristic against noise and has a characteristic of always taking a constant calculation time regardless of the complexity of the input data.
  • the overlapping peak separation device 10 of the present invention which performs the overlapping peak separation operation using the artificial neural network 11, does not need to perform a preprocessing operation to remove the noise included in the spectrum, and also the operation time. Can be predicted to have improved operational reliability.
  • Table 1 is a table comparing the performance of separating the overlap peak through the artificial neural network and the separation of the overlap peak by the Maquat method (ML).
  • FIG. 7 is a diagram illustrating an X-ray fluorescence analysis system including an overlap peak separation apparatus according to an embodiment of the present invention.
  • the X-ray fluorescence analysis system of the present invention includes a fluorescent X-ray detector 100, a data acquisition systems (DAQ) system 200, an artificial effect remover 300, and a peak separator 400. , And a quantitative qualitative analysis unit 500 and the like.
  • DAQ data acquisition systems
  • the fluorescent X-ray detector 100 includes an X-ray source 110, an X-ray detector 120, an amplifier 130, and the like, and irradiates the primary X-ray toward the sample 5, thereby Detect secondary fluorescence X-rays.
  • the DAQ system 200 receives fluorescence X-rays in the form of an exponential function and accumulates the number of detections of the maximum value of the trapezoidal filter to obtain spectral data.
  • the artificial effect remover 300 removes various unnecessary signals included in the spectrum data. More specifically, after removing the noise by flattening the spectral data, the signal at the position estimated to be the peak is expanded to facilitate the background and the peak region separation, and the background included in the spectral data is removed.
  • the peak separation unit 400 may be implemented as the overlapping peak separation device 10 that is configured and operated in FIG. 3. That is, the peak separation unit 400 detects the peak included in the spectral data, and the overlapping peak is separated into two peak signals through the separation device 10 of FIG. 3, in particular, the artificial neural network 11.
  • the position of the peak indicates the type of element and the magnitude of the peak indicates the amount of elements, when there are a plurality of elements having the same energy position and two to three peak signals overlap, accurate quantitative qualitative analysis is impossible. Accordingly, in the present invention, all the overlapping peaks included in the spectrum are separated through the overlapping peak separation device 10 that performs the overlapping peak separation operation using an artificial neural network.
  • the quantitative qualitative analysis unit 500 extracts the channel position and size of the peak included in the spectrum, and then determines the type of the element based on the peak position and the content of the element based on the peak size.
  • FIG. 8 is a view for explaining the X-ray fluorescence analysis method according to an embodiment of the present invention.
  • the X-ray fluorescence analysis method of the present invention is a spectrum acquisition step (S10), planarization step (S20), background removal step (S30), peak detection step (S40), overlapping peak separation step (S50) and Quantitative qualitative analysis step (S70).
  • the primary X-rays are irradiated toward the sample, and the secondary fluorescence X-rays generated thereby are detected to obtain a spectrum for the sample.
  • the fluorescent X-rays are input in exponential form, and the spectral data can be obtained by accumulating the number of detections of the maximum value of the trapezoidal filter.
  • a moving average filter, a Savitzky-Golay smoothing derivative filter, etc. are used to reduce noise included in the spectral data.
  • the signal at the estimated position is extended to facilitate the distinction between the background and the peak area.
  • the background included in the spectrum is estimated and removed through a morphology algorithm, a SNIP algorithm, a threshold application method, and the like.
  • Background refers to the portion of the continuum that excludes the fluorescence energy of the actual element, which adds to the original peak and affects component analysis.
  • the background is detected differently depending on the type of detector and the filter, but unlike peaks, the neighboring channels have similar sizes, and the background may be removed using these characteristics.
  • the peak included in the spectral data is detected.
  • the spectral data is the distribution of the energy of the fluorescent X-rays, and the position of the peak becomes an important variable in analyzing the inclusion of elements.
  • the position of the peak can be detected by applying a top hat filter or the like leaving only peaks corresponding to the half width of the Gaussian curve.
  • the overlapping peak separation step S50 after detecting the overlapping peak included in the spectral data, the overlapping peak is separated more quickly and accurately through the artificial neural network 11.
  • the peaks included in the spectrum are found, and the intensity of each channel is analyzed based on the peaks to quantitatively / quantitatively analyze the elements of the spectrum.

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

본 발명은 인공 신경망을 이용하여 중첩 피크를 보다 간단하고 신속하게 분리할 수 있도록 하는 중첩 피크 분리 장치 및 이를 이용하는 X선 형광 분석 장치에 관한 것으로, 상기 중첩 피크 분리 장치는 중첩 피크를 포함하는 신호 스펙트럼이 입력되는 입력층, 상기 신호 스펙트럼의 피크 검출값이 출력되는 출력층, 및 상기 입력층과 출력층 사이에 위치하는 은닉층으로 구성되고, 상기 입력층과 은닉층 사이와 상기 은닉층과 출력층 사이는 상기 중첩 피크와 상기 피크 검출값의 상관관계인 연결강도로 연결되는 인공 신경망; 및 상기 인공 신경망에 학습 데이터를 반복 입력하면서, 상기 출력층의 오차율이 목표 오차율에 도달하도록 상기 연결 강도를 조정하는 학습부;를 포함할 수 있다.

Description

스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 X선 형광 분석 장치
본 발명은 X선 형광 분석 기술에 관한 것으로, 특히 X선 형광 분석을 위해 스펙트럼에 포함된 중첩 피크를 보다 간단하고 신속하게 분리할 수 있도록 하는 중첩 피크 분리 장치 및 이를 이용하는 X선 형광 분석 장치에 관한 것이다.
X선 형광 분석기(X-Ray Fluorescence Analyzer)는 인체에 유해한 중금속의 함유 정도를 분석하는 장치로, 샘플의 조제가 용이하고, 비 파괴적으로 검사가 가능하며, 분석 시간이 짧고, 뿐만 아니라 분석자의 숙련도가 분석의 정확도에 영향을 미치지 않는 장점을 가진다.
X선 형광 분석기는 스펙트럼에 포함된 백그라운드와 잡음을 제거한 후, 피크 데이터의 채널 위치와 크기를 이용하여 샘플의 함유물과 함유량을 분석하도록 한다.
스펙트럼에 포함된 피크의 채널 위치는 원소의 종류를 나타내고, 피크의 크기는 원소량을 나타내므로, 피크의 피크 데이터의 채널 위치와 크기는 스펙트럼 분석에 매우 중요한 근거가 된다.
그러나 도 1에 도시된 바와 같이, 일부 원소가 가지는 에너지의 위치가 같으면 2~3개의 피크 데이터가 중첩되게 되며, 이러한 경우 정확한 정성 및 정량 분석이 불가능해지는 문제가 발생하게 된다.
이에 종래에는 마콰트법(Marquardt-Levenberg method) 등을 이용하여, 스펙트럼에 포함된 중첩 피크를 도 2와 같이 서로 분리하도록 하였으나, 이는 전처리 과정을 통해 스펙트럼에 포함된 잡음을 반드시 제거한 후에야 수행 가능한 단점이 있었다. 또한, 스펙트럼 데이터의 복잡도에 따라 연산 시간이 증가되는 문제도 있었다.
이에 본 발명에서는 잡음에 대해 강인한 특성을 가지며 항상 일정한 연산 시간만을 소요하는 인공 신경망을 학습시킨 후 이를 통해 중첩 피크를 분리함으로써, 중첩 피크 분리 동작을 보다 간단하고 신속하게 수행할 수 있도록 하는 중첩 피크 분리 장치 및 이를 이용하는 X선 형광 분석 장치를 제안하고자 한다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시 형태에 따르면, 중첩 피크를 포함하는 신호 스펙트럼이 입력되는 입력층, 상기 신호 스펙트럼의 피크 검출값이 출력되는 출력층, 및 상기 입력층과 출력층 사이에 위치하는 은닉층으로 구성되고, 상기 입력층과 은닉층 사이와 상기 은닉층과 출력층 사이는 상기 중첩 피크와 상기 피크 검출값의 상관관계인 연결강도로 연결되는 인공 신경망; 및 상기 인공 신경망에 학습 데이터를 반복 입력하면서, 상기 출력층의 오차율이 목표 오차율에 도달하도록 상기 연결 강도를 조정하는 학습부;를 포함하는 중첩 피크 분리 장치를 제공한다.
상기 입력층은 n(n은 자연수)개의 노드를 구비하고, 상기 출력층은 2n개의 노드를 구비하며, 상기 은닉층은 m(m은 n 보다 작은 자연수)개 미만의 노드를 구비하는 것을 특징으로 한다.
상기 학습 데이터는 두 개의 피크 데이터를 중첩시킨 신호 스펙트럼인 것을 특징으로 한다.
상기 과제를 해결하기 위한 수단으로서, 본 발명의 다른 실시 형태에 따르면, 스펙트럼 데이터를 획득하는 DAQ(Data Acquisition Systems) 시스템; 상기 스펙트럼 데이터에 포함된 잡음과 백그라운드를 제거하는 인공 효과 제거부; 상기 스펙트럼 데이터에 포함된 피크를 검출하고, 중첩 피크는 인공 신경망을 통해 분리하는 피크 분리부; 및 상기 피크의 위치 및 크기를 통해 원소 종류 및 함유량을 파악하는 정량 정성 분석부를 포함하는 X선 형광 분석 장치를 제공한다.
상기 피크 분리부는 중첩 피크를 포함하는 신호 스펙트럼이 입력되는 입력층, 상기 신호 스펙트럼의 피크 검출값이 출력되는 출력층, 및 상기 입력층과 출력층 사이에 위치하는 은닉층으로 구성되고, 상기 입력층과 은닉층 사이와 상기 은닉층과 출력층 사이는 상기 중첩 피크와 상기 피크 검출값의 상관관계인 연결강도로 연결되는 인공 신경망을 포함하는 것을 특징으로 한다.
상기 입력층은 n(n은 자연수)개의 노드를 구비하고, 상기 출력층은 2n개의 노드를 구비하며, 상기 은닉층은 m(m은 n 보다 작은 자연수)개 미만의 노드를 구비하는 것을 특징으로 한다.
상기 피크 분리부는 상기 인공 신경망에 학습 데이터를 반복 입력하면서, 상기 출력층의 오차율이 목표 오차율에 도달하도록 상기 연결 강도를 조정하는 학습부;를 더 포함하는 것을 특징으로 한다.
본 발명에서는 잡음에 강인한 특성을 가지는 인공 신경망을 통해 중첩 피크를 분리하도록 함으로써, 스펙트럼에 포함된 잡음을 제거하기 위한 전처리 작업을 수행할 필요가 없다. 이에 중첩 피크 분리에 소요되는 시간 및 자원이 전체적으로 감소될 수 있다.
또한, 인공 신경망의 연산 속도는 입력 데이터가 신경망을 통과하는 속도에 의해 결정될 뿐 입력 데이터의 복잡도에는 영향을 받지 않으므로, 연산 소요 시간을 정확하게 예측할 수 있으며, 이에 따라 시스템 동작의 신뢰성도 보장할 수 있게 된다.
도 1은 중첩 피크를 가지는 스펙트럼의 일예를 도시한 도면이다.
도 2는 중첩 피크의 분리 결과를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 중첩 피크 분리 장치를 도시한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 학습 데이터와 학습 목표치를 도시한 도면이다.
도 6는 본 발명의 일 실시예에 따른 중첩 피크 분리 장치에 포함된 인공 신경망의 동작 원리를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 중첩 피크 분리 장치를 포함하는 X선 형광 분석 시스템을 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 X선 형광 분석 방법을 설명하기 위한 도면이다.
이하 첨부된 도면을 참조하여 본 발명에 대해 구체적으로 살펴보기로 한다.
다만, 본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 용어가 동일하더라도 표시하는 부분이 상이하면 도면 부호가 일치하지 않음을 미리 말해두는 바이다.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 설정된 용어들로서 이는 실험자 및 측정자와 같은 사용자의 의도 또는 관례에 따라 달라질 수 있으므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 명세서에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하 첨부된 도면을 참조하여 본 발명에 대해 구체적으로 설명하기로 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 3은 본 발명의 일 실시예에 따른 중첩 피크 분리 장치를 도시한 도면이다.
도 3을 참고하면, 본 발명의 중첩 피크 분리 장치(10)는 인공 신경망(11) 및 학습부(12)를 포함하여 구성되고, 인공 신경망(11)은 n(n은 자연수)개의 노드를 가지는 입력층(x1~x64), 2n개의 노드를 가지는 출력층(y1~y128), 및 입력층(x1~x64)과 출력층(y1~y128) 사이에 위치하며 m(m은 n 보다 작은 자연수)개 미만의 노드를 가지는 은닉층(z1~z10)으로 구성되고, 입력층(x1~x64)과 은닉층(z1~z10) 사이와 은닉층(z1~z10)과 출력층(y1~y128) 사이는 입력값과 출력값의 상관관계인 연결강도로 연결된다.
인공 신경망은 뇌기능의 특성 몇 가지를 컴퓨터 시뮬레이션으로 표현하는 것을 목표로 하는 수학 모델로, 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 연결 강도를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.
인공 신경망에는 교사 신호(정답)의 입력에 의해서 문제에 최적화되어 가는 교사 학습과 교사 신호를 필요로 하지 않는 비교사 학습이 있다. 명확한 해답이 있는 경우에는 교사 학습이, 데이터 클러스터링에는 비교사 학습이 이용된다. 결과적으로 모두 차원을 줄이기 위해, 화상이나 통계 등 다차원량의 데이터로, 선형 분리 불가능한 문제에 대해서, 비교적 작은 계산량으로 양호한 회답을 얻을 수 있는 것이 많다. 그 때문에, 패턴 인식이나 데이터 마이닝 등, 다양한 분야에서 응용되고 있다.
본 발명에서는 이와 같은 인공 신경망을 이용하여 스펙트럼내에 존재하는 중첩 피크를 분리함으로써, 처리 속도 및 정확도의 향상을 도모하고자 한다.
먼저, 학습부(12)는 도 4와 같이 사용자가 지정한 채널 위치와 크기를 가지는 두 개의 피크 데이터를 더하여 하나의 학습 데이터를 생성하고, 학습 데이터에 대응하여 출력층(y1~y128)이 출력해야 할 두 개의 피크 데이터의 채널 위치와 크기를 설정한다.
그러고 나서 생성된 학습 데이터를 인공 신경망(11)에 반복 입력하면서 출력층(y1~y128)이 도 5와 같이 사전에 설정된 두 개의 피크 신호를 출력할 수 있도록 연결 강도를 조정한다. 만약 인공 신경망(11)이 사전에 설정된 두 개의 피크 신호를 출력하면, 이때의 연결 강도를 저장하고 학습 종료한다. 즉, 학습부(12)는 인공 신경망 학습 과정을 통해 출력층의 오차율이 목표 오차율에 도달하도록 연결 강도를 조정하도록 한다.
인공 신경망(11)은 상기와 같은 학습이 종료된 상태에서, 입력층(x1~x64)을 통해 중첩 피크가 포함된 스펙트럼 데이터가 입력되면, 도 6와 같이 중첩 피크를 서로 다른 채널과 크기를 가지는 두 개의 피크로 분리하여 출력층(y1~y128)을 통해 출력한다.
인공 신경망(11)의 출력층(y1~y128)의 노드수는 입력층(x1~x64)의 노드수의 두 배인 것이 바람직한데, 이는 중첩 피크 대부분이 두 개의 피크 데이터가 중첩되어 발생되기 때문이다.
이와 같이 구성 및 동작하는 인공 신경망(11)은 잡음에 대해 강인한 특성을 가지며, 입력 데이터의 복잡도와 상관없이 항상 일정한 연산 시간을 소요하는 특징을 가지게 된다.
그 결과, 인공 신경망(11)을 이용하여 중첩 피크 분리 동작을 수행하는 본 발명의 중첩 피크 분리 장치(10)는 스펙트럼에 포함된 잡음을 제거하기 위한 전처리 작업을 수행할 필요가 없고, 또한 연산 시간을 예측할 수 있어 향상된 동작 신뢰성을 가질 수 있다.
이하의 표1은 인공 신경망을 통해 중첩 피크를 분리하는 경우와 마콰트법(ML)을 통해 중첩 피크를 분리하는 경우의 성능을 비교한 표이다.
표1을 참고하면, 인공 신경망을 통해 중첩 피크 분리 동작을 수행하는 경우는, 마콰트법(ML)에 비해 실행시간과 PSNR 측면 모두에서 보다 우수한 특성을 가짐을 알 수 있다.
표 1
SNR (dB) 인공 신경망 평균 실행시간 ML 알고리즘 평균 실행시간 인공 신경망 평균 PSNR(dB) ML 알고리즘 평균 PSNR(dB)
50 0.0148 0.0418 43.1 54.6
40 0.0182 0.0418 45.4 44.1
30 0.0182 0.0434 44.1 11.4
20 0.0182 0.0447 38.3 12.4
10 0.0186 0.0457 29.7 16.9
도 7은 본 발명의 일 실시예에 따른 중첩 피크 분리 장치를 포함하는 X선 형광 분석 시스템을 도시한 도면이다.
도 7에 도시된 바와 같이, 본 발명의 X선 형광 분석 시스템은 형광 X 선 검출부(100), DAQ(Data Acquisition Systems) 시스템(200), 인공 효과 제거부(300), 피크 분리부(400), 및 정량 정성 분석부(500) 등을 포함하여 구성된다.
이하, 각 구성 요소의 기능을 살펴보면 다음과 같다.
형광 X 선 검출부(100)는 X-선 소스(110), X-선 검출기(120), 및 증폭기(130) 등을 구비하고, 샘플(5)을 향해 1차 X-선을 조사하고, 이에 의하여 발생되는 2차 형광 X-선을 검출한다.
DAQ 시스템(200)은 형광 X-선을 지수 함수 형태로 입력받고, 사다리꼴 필터의 최대값의 검출 횟수를 누적하여 스펙트럼 데이터를 획득한다.
인공 효과 제거부(300)는 스펙트럼 데이터에 포함된 각종 불필요 신호를 제거한다. 더욱 상세하게는, 스펙트럼 데이터를 평탄화하여 잡음을 제거한 후, 피크로 추정되는 위치의 신호를 확장하여 백그라운드와 피크 영역 구분을 용이하고, 스펙트럼 데이터에 포함된 백그라운드를 제거한다.
피크 분리부(400)는 도 3의 구성 및 동작되는 중첩 피크 분리 장치(10)로 구현될 수 있다. 즉, 피크 분리부(400)는 스펙트럼 데이터에 포함된 피크를 검출하고, 중첩 피크는 도 3의 분리 장치(10), 특히 인공 신경망(11)을 통해 두 개의 피크 신호로 분리한다.
피크의 위치는 원소의 종류를 나타내며, 피크의 크기는 원소량을 나타내므로, 에너지 위치가 같은 원소가 다수개 존재하여 2~3개의 피크 신호가 겹쳐지면 정확한 정량 정성분석이 불가능해진다. 이에 본 발명에서는 인공 신경망을 이용하여 중첩 피크 분리 동작을 하는 중첩 피크 분리 장치(10)를 통해 스펙트럼에 포함된 중첩 피크를 모두 분리하도록 한다.
그러면, 정량 정성 분석부(500)는 스펙트럼에 포함된 피크의 채널 위치와 크기를 추출한 후, 피크 위치를 기반으로 원소의 종류를 파악하고, 피크 크기를 기반으로 원소의 함유량을 파악하도록 한다.
도 8은 본 발명의 일 실시예에 따른 X선 형광 분석 방법을 설명하기 위한 도면이다.
도 8을 참고하면, 본 발명의 X선 형광 분석 방법은 스펙트럼 획득 단계(S10), 평탄화 단계(S20), 백그라운드 제거 단계(S30), 피크 검출 단계(S40), 중첩 피크 분리 단계(S50) 및 정량 정성 분석 단계(S70)를 포함한다.
스펙트럼 획득 단계(S10)에서는, 샘플을 향해 1차 X-선을 조사하고, 이에 의하여 발생되는 2차 형광 X-선을 검출하여 샘플에 대한 스펙트럼을 획득한다. 형광 X-선은 지수 함수 형태로 입력되며, 사다리꼴 필터의 최대값의 검출 횟수를 누적하여 스펙트럼 데이터를 얻을 수 있다.
평탄화 단계(S20)에서는, 이동평균 필터(Moving average filter), 사비츠키-골레이 스무딩 데리버티브 필터(Savitzky-Golay smoothing derivative filter) 등을 이용하여 스펙트럼 데이터에 포함된 잡음을 줄이고, 피크로 추정되는 위치의 신호를 확장하여 백그라운드와 피크 영역 구분을 용이하게 한다.
백그라운드 제거 단계(S30)에서는, 모폴로지 알고리즘, SNIP 알고리즘, 임계값 적용 방법 등을 통해 스펙트럼에 포함된 백그라운드를 추정 및 제거한다. 백그라운드는 실제 원소의 형광 에너지를 제외한 컨티넘(continuum) 부분을 의미하며, 원래 피크에 크기가 더해져 성분 분석에 영향을 준다. 백그라운드는 검출기의 종류와 필터의 따라서 다르게 검출되지만, 피크와 달리 이웃한 채널에서는 서로 유사한 크기를 가지며, 이러한 특성을 이용하여 백그라운드를 제거할 수 있다.
피크 검출 단계(S40)에서는, 스펙트럼 데이터에 포함된 피크를 검출한다. 스펙트럼 데이터는 형광 X-선의 에너지의 분포이며, 원소의 포함도를 분석하기 위해서는 피크의 위치가 중요한 변수가 된다. 피크의 위치는 가우시안 곡선의 반치 폭에 해당하는 피크들만을 남기는 탑햇 필터 등을 적용하여 검출할 수 있다.
중첩 피크 분리 단계(S50)에서는, 스펙트럼 데이터에 포함된 중첩 피크를 검출한 후, 인공 신경망(11)을 통해 중첩 피크를 보다 신속하고 정확하게 분리하도록 한다.
정량/정성 분석 단계(S60)에서는, 스펙트럼에 포함된 피크를 찾고, 이러한 피크들을 기반으로 하여 채널별 강도를 분석하여 스펙트럼의 원소별 정량/정성 분석한다.
상기의 설명에서는 본 발명의 중첩 피크 분리 기술을 X선 형광 분석 기술에 적용하는 경우에 한하여 설명하였으나, 이는 영상 처리 분야, 데이터 통신 분야 등에도 동일하게 적용 가능할 것이다. 즉, 신호 중첩이 빈번히 발생하고, 이를 처리해야 하는 모든 분야에 적용될 수 있을 것이다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (7)

  1. 중첩 피크를 포함하는 신호 스펙트럼이 입력되는 입력층, 상기 신호 스펙트럼의 피크 검출값이 출력되는 출력층, 및 상기 입력층과 출력층 사이에 위치하는 은닉층으로 구성되고, 상기 입력층과 은닉층 사이와 상기 은닉층과 출력층 사이는 상기 중첩 피크와 상기 피크 검출값의 상관관계인 연결강도로 연결되는 인공 신경망; 및
    상기 인공 신경망에 학습 데이터를 반복 입력하면서, 상기 출력층의 오차율이 목표 오차율에 도달하도록 상기 연결 강도를 조정하는 학습부;를 포함하는 중첩 피크 분리 장치.
  2. 제1 항에 있어서,
    상기 입력층은 n(n은 자연수)개의 노드를 구비하고, 상기 출력층은 2n개의 노드를 구비하며, 상기 은닉층은 m(m은 n 보다 작은 자연수)개 미만의 노드를 구비하는 것을 특징으로 하는 중첩 피크 분리 장치.
  3. 제1항에 있어서, 상기 학습 데이터는
    두 개의 피크 데이터를 중첩시킨 신호 스펙트럼인 것을 특징으로 하는 중첩 피크 분리 장치.
  4. 스펙트럼 데이터를 획득하는 DAQ(Data Acquisition Systems) 시스템;
    상기 스펙트럼 데이터에 포함된 잡음과 백그라운드를 제거하는 인공 효과 제거부;
    상기 스펙트럼 데이터에 포함된 피크를 검출하고, 중첩 피크는 인공 신경망을 통해 분리하는 피크 분리부; 및
    상기 피크의 위치 및 크기를 통해 원소 종류 및 함유량을 파악하는 정량 정성 분석부를 포함하는 X선 형광 분석 장치.
  5. 제4항에 있어서, 상기 피크 분리부는
    중첩 피크를 포함하는 신호 스펙트럼이 입력되는 입력층, 상기 신호 스펙트럼의 피크 검출값이 출력되는 출력층, 및 상기 입력층과 출력층 사이에 위치하는 은닉층으로 구성되고, 상기 입력층과 은닉층 사이와 상기 은닉층과 출력층 사이는 상기 중첩 피크와 상기 피크 검출값의 상관관계인 연결강도로 연결되는 인공 신경망을 포함하는 것을 특징으로 하는 X선 형광 분석 장치.
  6. 제5 항에 있어서,
    상기 입력층은 n(n은 자연수)개의 노드를 구비하고, 상기 출력층은 2n개의 노드를 구비하며, 상기 은닉층은 m(m은 n 보다 작은 자연수)개 미만의 노드를 구비하는 것을 특징으로 하는 X선 형광 분석 장치.
  7. 제5항에 있어서, 상기 피크 분리부는
    상기 인공 신경망에 학습 데이터를 반복 입력하면서, 상기 출력층의 오차율이 목표 오차율에 도달하도록 상기 연결 강도를 조정하는 학습부;를 더 포함하는 것을 특징으로 하는 X선 형광 분석 장치.
PCT/KR2013/009361 2013-06-13 2013-10-18 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치 WO2014200155A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20130067850 2013-06-13
KR10-2013-0067850 2013-06-13

Publications (1)

Publication Number Publication Date
WO2014200155A1 true WO2014200155A1 (ko) 2014-12-18

Family

ID=52022429

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/009361 WO2014200155A1 (ko) 2013-06-13 2013-10-18 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치

Country Status (1)

Country Link
WO (1) WO2014200155A1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564000A (zh) * 2018-03-20 2018-09-21 中北大学 一种基于神经网络的破片信号自动识别方法
WO2019098644A1 (ko) * 2017-11-17 2019-05-23 삼성전자주식회사 멀티모달 데이터 학습 방법 및 장치
CN110110842A (zh) * 2019-04-29 2019-08-09 滁州学院 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法
CN111982949A (zh) * 2020-08-19 2020-11-24 东华理工大学 一种四次导数结合三样条小波变换分离edxrf光谱重叠峰方法
US11651214B2 (en) 2017-11-17 2023-05-16 Samsung Electronics Co., Ltd. Multimodal data learning method and device
GB2613868A (en) * 2021-12-17 2023-06-21 Thermo Fisher Scient Bremen Gmbh Method of analysing a spectral peak
GB2614237A (en) * 2021-12-17 2023-07-05 Thermo Fisher Scient Bremen Gmbh Method of analysing a spectral peak using a neural network

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070038040A (ko) * 2004-05-14 2007-04-09 세모메테크 에이/에스 시료 평가 방법 및 시스템
KR20090034798A (ko) * 2006-03-23 2009-04-08 에밀리타 데 구스만 브라이어 아포지단백질 핑거프린팅 기술
KR101035381B1 (ko) * 2009-08-26 2011-05-20 (주)케이디티 인공신경망을 이용한 트랙킹 검출장치 및 검출방법
KR20130050707A (ko) * 2011-11-08 2013-05-16 삼성전자주식회사 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070038040A (ko) * 2004-05-14 2007-04-09 세모메테크 에이/에스 시료 평가 방법 및 시스템
KR20090034798A (ko) * 2006-03-23 2009-04-08 에밀리타 데 구스만 브라이어 아포지단백질 핑거프린팅 기술
KR101035381B1 (ko) * 2009-08-26 2011-05-20 (주)케이디티 인공신경망을 이용한 트랙킹 검출장치 및 검출방법
KR20130050707A (ko) * 2011-11-08 2013-05-16 삼성전자주식회사 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHUN, SEON IL: "A Research on Decompose Overlapped Peak in the Spectrum Using Neural Network", GRADUATE SCHOOL OF CHONBUK NATIONAL UNIVERSITY, ELECTRONICS AND INFORMATION ENGINEERING, A MASTER'S THESIS, 22 February 2012 (2012-02-22), pages 1 - 45 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019098644A1 (ko) * 2017-11-17 2019-05-23 삼성전자주식회사 멀티모달 데이터 학습 방법 및 장치
US11651214B2 (en) 2017-11-17 2023-05-16 Samsung Electronics Co., Ltd. Multimodal data learning method and device
CN108564000A (zh) * 2018-03-20 2018-09-21 中北大学 一种基于神经网络的破片信号自动识别方法
CN108564000B (zh) * 2018-03-20 2021-09-28 中北大学 一种基于神经网络的破片信号自动识别方法
CN110110842A (zh) * 2019-04-29 2019-08-09 滁州学院 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法
CN111982949A (zh) * 2020-08-19 2020-11-24 东华理工大学 一种四次导数结合三样条小波变换分离edxrf光谱重叠峰方法
CN111982949B (zh) * 2020-08-19 2022-06-07 东华理工大学 一种四次导数结合三样条小波变换分离edxrf光谱重叠峰方法
GB2613868A (en) * 2021-12-17 2023-06-21 Thermo Fisher Scient Bremen Gmbh Method of analysing a spectral peak
GB2614237A (en) * 2021-12-17 2023-07-05 Thermo Fisher Scient Bremen Gmbh Method of analysing a spectral peak using a neural network
GB2613868B (en) * 2021-12-17 2024-04-10 Thermo Fisher Scient Bremen Gmbh Method of analysing a spectral peak
GB2614237B (en) * 2021-12-17 2024-04-10 Thermo Fisher Scient Bremen Gmbh Method of analysing a spectral peak using a neural network

Similar Documents

Publication Publication Date Title
WO2014200155A1 (ko) 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치
CN108761287B (zh) 一种变压器局部放电类型识别方法
CN110312462B (zh) 受试者为医疗或兽医检查所做准备的改进或相关的改进
CN110927682B (zh) 一种宽带通道干扰分类识别方法
WO2015111771A1 (ko) 음주 판별 방법, 이를 수행하기 위한 기록매체 및 단말기
CN108542386A (zh) 一种基于单通道eeg信号的睡眠状态检测方法和系统
WO2019182166A1 (ko) 변형된 mfcc를 이용한 전기부하 판별 장치 및 방법
CN103440494A (zh) 一种基于视觉显著性分析的恐怖图像识别方法及系统
Su et al. Classification of partial discharge events in GILBS using probabilistic neural networks and the fuzzy c-means clustering approach
Natanael et al. Estimating the distance to an object based on image processing
CN107145778A (zh) 一种入侵检测方法及装置
Jin et al. Adaptive CSP with subspace alignment for subject-to-subject transfer in motor imagery brain-computer interfaces
Meng et al. Gaussian mixture models of ECoG signal features for improved detection of epileptic seizures
Jao et al. Using robust principal component analysis to reduce eeg intra-trial variability
Baumbach et al. IMS2–An integrated medical software system for early lung cancer detection using ion mobility spectrometry data of human breath
CN115101205A (zh) 基于智能网关的健康状态监控方法、系统、设备及介质
CN117853935B (zh) 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台
CN107590788A (zh) 一种遥感图像处理方法
Kingphai et al. Mental workload prediction level from EEG signals using deep learning models
CN111881922A (zh) 一种基于显著性特征的绝缘子图像识别方法及系统
WO2015043301A1 (zh) 一种对3d图像识别的方法及装置
Ferreira et al. Eeg-based motor imagery classification using multilayer perceptron neural network
WO2024101464A1 (ko) 인공지능 기반 테스트 채점 시스템 및 이를 이용한 질환 진단 방법
Shalizi Comment on" Why and When'Flawed'Social Network Analyses Still Yield Valid Tests of no Contagion"
CN109272054A (zh) 一种基于独立性的振动信号去噪方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13887001

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13887001

Country of ref document: EP

Kind code of ref document: A1