WO2018097491A1 - 샘플수 분석장치 및 방법 - Google Patents

샘플수 분석장치 및 방법 Download PDF

Info

Publication number
WO2018097491A1
WO2018097491A1 PCT/KR2017/011846 KR2017011846W WO2018097491A1 WO 2018097491 A1 WO2018097491 A1 WO 2018097491A1 KR 2017011846 W KR2017011846 W KR 2017011846W WO 2018097491 A1 WO2018097491 A1 WO 2018097491A1
Authority
WO
WIPO (PCT)
Prior art keywords
zooplankton
type
sample number
moving area
images
Prior art date
Application number
PCT/KR2017/011846
Other languages
English (en)
French (fr)
Inventor
박규원
김성태
이해돈
이광호
김대원
Original Assignee
(주) 테크로스
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 (주) 테크로스 filed Critical (주) 테크로스
Publication of WO2018097491A1 publication Critical patent/WO2018097491A1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models

Definitions

  • the present invention relates to a sample number analysis apparatus and method. More particularly, the present invention relates to an apparatus and method for analyzing sample water, which enables accurate analysis of aquatic organisms to be applicable to a ballast water treatment system.
  • ballast water or ballast water is ballast tanks installed on a ship to maintain balance when the ship is unloaded from the ship or when the cargo is loaded with very little cargo. It is the sea water to fill.
  • ballast water Since the ballast water is inhabited by various water vapors, if it is discharged from other regions without any treatment, there is a high possibility of causing serious marine pollution and ecosystem destruction.
  • the ballast water treatment device mounted on a ship must be operated after receiving a certificate after a land test and a ship test according to the International Maritime Organization (MO) standards.
  • MO International Maritime Organization
  • a system is needed to monitor whether the ballast water treated by the water treatment system complies with the emission standards set by the International Maritime Organization.
  • ballast water treatment system satisfies the criteria (for example, Float) was also confused with living organisms, so there was a problem of poor accuracy.
  • the present invention has been made to solve the above problems, and in particular, the object of the present invention is to provide an apparatus and method for analyzing the number of samples that can accurately determine aquatic life.
  • Sample number analysis device devised to achieve the above object, the chamber containing the sample number; An imaging unit which photographs the number of samples in the chamber; And a controller configured to analyze images consecutively photographed through the imaging unit, wherein the controller is configured to receive a plurality of image images for each creature type, generate learning data through machine learning, and compare the continuously photographed images. Obtain a moving area, and compare the learning data with the moving area to determine the species living in the mall child area.
  • the organism may be one kind of zooplankton.
  • the controller may be configured to recognize that the type of zooplankton determined is correct when the accuracy of the zooplankton species determined by comparing the learning data with the moving region is 20% or more.
  • the apparatus for analyzing the number of samples further includes a display unit showing the photographed image.
  • the display unit may further display the type of zooplankton recognized as being correct.
  • the display unit may further display the size of the zooplankton recognized as being correct.
  • the display unit may display whether or not the size of the zooplankton recognized as correct.
  • the size of the zooplankton may be calculated based on the number of horizontal and vertical pixels of the moving area and the actual size per pixel.
  • the image pickup unit may continuously capture an image of one frame or more per second.
  • the moving area may be obtained based on a difference between two consecutive frames.
  • the image image may be provided with mapping information for classifying a creature type corresponding to a file name or a storage folder, classifying a file name, or the like so as to be classified by organism type.
  • the number of samples analysis method a plurality of biological species Receiving learning image images and generating learning data through machine learning; Photographing the number of samples continuously and comparing the continuously photographed images to obtain a moving area; And comparing the learning data with the moving area to determine a type of living organism in the second area.
  • FIG. 1 is a block diagram showing a sample number analysis apparatus according to an embodiment of the present invention
  • Figure 2 is a view showing the learning images of the animal plankton input to the sample number analysis apparatus according to an embodiment of the present invention
  • Figure 3 shows a display of the sample number analysis apparatus according to an embodiment of the present invention.
  • the sample number analyzing apparatus 100 includes a chamber 110 in which a sample number of aquatic organisms is accommodated, and an imaging unit photographing the number of samples in the chamber 110. 120, and a controller 130 for processing an image captured by the imaging unit 120.
  • the number of samples in the chamber 110 may be sampled in various fields that need to analyze the organisms in the water, and the aquatic organisms included in the sample water may be analyzed.
  • ballast water is treated in a variety of ways, such as electrolysis or chemical injection during ballasting, then flowed into and stored in the ballast tanks and then discharged out of the ship through discharge piping during deballasting. Since the ballast water discharged must be determined to comply with the discharge standards prescribed by the International Maritime Organization, the ballast water discharged is sampled to analyze the types of aquatic organisms present in the ballast water, and the determination of life and death discrimination. I will work.
  • the sterilized purified water may be sampled and analyzed by the sample water analyzing apparatus 100 of the present invention.
  • the chamber 110 is constructed so that the number of samples to be analyzed can be accommodated and moored during the analysis time. It is made.
  • the chamber 110 may include an inlet (not shown) and an outlet (not shown) for inflow and outflow, and may be configured to allow the sample water to flow in and out, and the inlet (not shown) and the outlet (not shown). It is configured in the form of a bowl, etc., which is not provided, and the experimenter may use water by hand.
  • the imaging unit 120 may be installed at an upper side or a lower side and a side direction of the chamber 110 to photograph the aquatic organisms included in the sample water of the chamber 110.
  • the imaging unit 120 includes a driving unit (not shown) to move vertically or horizontally to adjust the separation distance with the chamber 110 according to the measurement environment.
  • the controller 130 is an apparatus that analyzes images photographed by the imaging unit 120.
  • the controller 130 of the present invention is configured to generate learning data through machine learning, and to analyze the underwater data by comparing the learning data with the image photographed by the imaging unit 120.
  • control unit 130 the process of receiving a plurality of image images, such as learning images of zooplankton input to the sample number analysis apparatus according to an embodiment of the present invention shown in Figure 2 in advance Learning data should be generated through.
  • the learning image 200 may be labeled to be classified according to the type of zooplankton.
  • the storage folder 210 of the learning image 200 to be classified by the zooplankton type to be classified by the zooplankton type, or the part of the filename 220 of the image 200 is not To be the type name of zooplankton Can be classified.
  • the controller 130 reads the plurality of learning images 200 from the path in which the learning images 200 are stored by the programmed machine learning, and performs learning to distinguish the types of zooplankton.
  • mapping information for mapping the file name and the type of zooplankton to be treated may be provided.
  • it is configured to generate mapping information in which a file name and each label (a type of zooplankton type to be treated) are input in a text file or the like, and obtain learning images 200 according to the type using the mapping information. can do.
  • FIG. 2 of the present invention nine learning images 200 are used for each type of zooplankton, but for a more accurate analysis, it is necessary to learn a larger amount of learning images 200.
  • the learning images 200 may use a smaller amount of the learning images 200 by using those having similar similarities with each other. For example, photographs of the same type of zooplankton, but varying in size and shape can enhance machine learning effects.
  • the controller 130 performs machine learning through the learning image 200 as described above, generates learning data, and analyzes the water vapor organism by comparing with the image photographed by the imaging unit 120.
  • the controller 130 obtains a moving area by comparing images taken by the imaging unit 120 continuously.
  • the imaging unit Q20 continuously photographs an image of one frame or more per second.
  • the controller 130 extracts a moving region, which is a region in which motion is detected, from the continuously photographed images, and compares it with the learning data generated by machine learning.
  • the moving area may be obtained based on the difference between two consecutive frames. In this way, the analysis error can be reduced by extracting the moving region due to the difference between successive frames.
  • the controller 130 compares the learning data with the moving area to determine the type of zooplankton surviving in the moving area, and determines whether the determined result is true or false based on the accuracy of the analysis result. . That is, when the accuracy of the determined zooplankton type is greater than or equal to a predetermined threshold value, the determined zooplankton type may be configured to be recognized. In the embodiment of the present invention, if the accuracy of the test results of more than 20%, the judgment result is recognized that the determination result is correct when it is 20% or more because it is very high.
  • the sample number analysis apparatus 100 may further include a display unit 140 for showing the captured image.
  • an image unit 141 showing an image of a water vapor creature is located on the left side, and the image unit 141 on the right side.
  • the result of comparing and analyzing the part recognized as the moving areas 141a, 141b and 141c with the learning data Analytical information such as type image (142), type name (143), accuracy (144) and size (145) of the obtained zooplankton is provided.
  • the display unit 140 may be configured such that only the accuracy 144 is greater than or equal to a predetermined value (for example, 20%).
  • the size of the displayed zooplankton 145 may be calculated based on the number of horizontal and vertical pixels and the actual size per pixel of the moving regions 141a, 141b, and 141c.
  • the number of pixels in an area is 18 * 25, and the actual size per pixel is.
  • the actual size is 45mm * 62.5mm, and the actual size is displayed on the display unit 140.
  • the display unit 140 may include a size display unit 146 that displays whether the size of the phytoplankton is 5 kW or more based on the sizes of the moving regions 141a, 141b, and 141c.
  • a size display unit 146 that displays whether the size of the phytoplankton is 5 kW or more based on the sizes of the moving regions 141a, 141b, and 141c.
  • FIG. 3 is configured to display how many individuals are 50 / m or more, and how many are less than ⁇ 50 / ⁇ .
  • the sample number analyzing apparatus 100 of the present invention receives an image of the sample number photographed by the imaging unit 120 from the control unit 130 and analyzes what kind of organisms exist in the sample number to balance the vessel. It is possible to determine whether the water sterilization result satisfies the MO standard. If the criteria are met, the deballasting operation is carried out to discharge the treated water into the coastal waters. If the criteria are not satisfied, the treated water is increased and the reprocessing process for the sterilization of aquatic organisms is performed. In particular, through the machine learning, the result of the analysis of the control unit 130 automatically not only performs biosatellite classification, but also what kind of zooplankton is contained, the number of the above zooplankton can be automatically displayed. It is configured to be.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Farming Of Fish And Shellfish (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

본 발명은 샘플수 분석장치에 관한 것으로, 샘플수가 수용되는 챔버; 상기 챔버 내의 샘플수를 촬영하는 촬상부; 및 상기 촬상부를 통해 연속 촬영된 영상들을 분석하는 제어부; 를 포함하되, 상기 제어부는, 생물 종류별로 복수의 화상 이미지를 입력받아 기계학습을 통해 학습데이터를 생성하고, 상기 연속 촬영된 영상들을 비교하여 이동영역을 획득하고, 상기 학습데이터와 상기 이동영역을 비교하여 상기 이동영역 내에 생존한 생물 종류를 판단하도록 구성됨으로써, 인공지능 이미지 인식을 통해 높은 정확도의 분석결과를 제공하는 효과가 있다.

Description

【명세서】
【발명의 명칭】
샘플수 분석장치 및 방법
【기술분야】
본 발명은 샘플수 분석장치 및 방법에 관한 것이다. 보다 상세하게는 선박평 형수 처리장치에 적용가능하도록 수증생물을 정확하게 분석할 수 있도록 하는 샘플 수 분석장치 및 방법에 관한 것이다.
【배경기술】
일반적으로 선박평형수 또는 밸러스트수 (Ballast Water)는 선박으로부터 화 물을 하역시킨 상태 또는 선박에 적재된 화물량이 매우 적은 상태에서 선박을 운행 할 경우， 선박이 균형을 유지할 수 있도록 선박에 설치된 밸러스트탱크에 채우는 해수를 말하는 것이다.
이러한 선박평형수에는 각종 수증생물이 서식하고 있으므로， 이를 아무런 처 리없이 타지역에서 배출시킬 경우 심각한 해양오염 및 생태계 파괴를 유발시킬 우 려가 높게 된다.
이에 따라 국제해사기구 (IMO: International Maritime Organization)에서는 국제협약을 체결하여 선박평형수의 살균 및 정화처리에 필요한 장치를 선박에 탑재 토록 하였다.
선박에 탑재된 선박평형수 처리장치는， 국제해사기구 (MO)의 기준에 맞추어 육상시험 및 선상시험을 거쳐 인증서를 받은 다음 운항하여야 하기 때문에 선박평 형수 처리장치에 의하여 처리된 평형수가 국제해사기구에서 규정한 배출기준에 적 합한 것인지를 모니터링하는 시스템이 필요하게 된다.
그러나， 선박평형수 처리장치의 기준 만족여부를 판단하기 위한 생물생사판 별 측정이나 생물 계수시 영상분석 장치의 화면에 표시된 물체의 움직임 (Mobility) 만으로 판단하였기 때문에 생물이 아닌 물체 (예를 들면， 부유물)도 생물로 혼돈되 어 측정되어 정확도가 떨어지는 문제점이 있었다.
【발명의 상세한 설명】
【기술적 과제】
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로， 특히 수중생 물을 보다 정확하게 판단할 수 있는 샘플수 분석장치 및 방법을 제공하는 데 그 목 적이 있다.
【기술적 해결방법】
상기 목적을 달성하기 위해 안출된 본 발명의 일관점에 따른 샘플수 분석장 치는， 샘플수가 수용되는 챔버; 상기 챔버 내의 샘플수를 촬영하는 촬상부; 및 상 기 촬상부를 통해 연속 촬영된 영상들을 분석하는 제어부；를 포함하되， 상기 제어 부는， 생물 종류별로 복수의 화상 이미지를 입력받아 기계학습을 통해 학습데이터 를 생성하고， 상기 연속 촬영된 영상들을 비교하여 이동영역을 획득하고， 상기 학 습데이터와 상기 이동영역을 비교하여 상가 아동영역 내에 생존한 생물 종류를 판 단하도록 구성된다.
여기서， 상기 생물은， 동물성 플랑크톤의 한 종류일 수 있다. 또한， 상기 제어부는， 상기 학습데이터와 상기 이동영역을 비교하여 판단된 동물성 플랑크톤 종류의 정확도가 20% 이상일 경우， 판단된 동물성 플랑크톤의 종 류가 맞다고 인식하도록 구성할 수 있다.
한편， 본 발명의 일실시예에 따른 샘플수 분석장치는， 촬영된 상기 영상을 보여주는 디스플레이부를 더 포함하되， 상기 디스플레이부는, 맞다고 인식된 상기 동물성 플랑크톤의 종류가 추가로 표시될 수 있다.
여기서， 상기 디스플레이부는， 맞다고 인식된 상기 동물성 플랑크톤의 크기 가 추가로 표시될 수 있다.
또한， 상기 디스플레이부는， 맞다고 인식된 상기 동물성 플랑크톤의 크기가 50/圆이상인지 여부를 표시할 수도 있다.
본 발명의 일실시예에서， 상기 동물성 플랑크톤의 크기는， 상기 이동영역의 가로 및 세로의 화소수와 화소당 실제 크기를 근거로 산출될 수 있다.
본 발명의 일실시예에서， 상기 촬상부는， 1초에 한 프레임 (frame) 이상의 영 상을 연속적으로 촬영할 수 있다.
또한， 상기 이동영역은， 연속된 2개의 프레임들의 차이를 근거로 획득될 수 있다.
상기 화상 이미지는， 생물 종류별로 분류가 되도록 저장 폴더가 구분되거나, 파일이름이 구분되거나, 파일이름과 대응되는 생물 종류를 매핑시키는 매핑정보가 제공될 수 있다.
한편， 본 발명의 다른 관점에 따른 샘플수 분석방법은， 생물 종류별로 복수 의 화상 이미지를 입력받아 기계학습을 통해 학습데이터를 생성하는 단계; 샘플수 를 연속 촬영하고， 상기 연속 촬영된 영상들을 비교하여 이동영역을 획득하는 단 계; 및 상기 학습데이터와 상기 이동영역을 비교하여 상기 이등영역 내에 생존한 생물 종류를 판단하는 단계;를 포함한다.
【발명의 효과】
본 발명에 의하면 수증의 부유물과 생물을 정확하게 구분하여 보다 정확하게 수중생물의 생사판별을 하고， 살균 처리 유무를 검사할 수 있도록 하는 효과가 있 다.
또한， 본 발명에 의하면 수증생물의 종류뿐만 아니라 크기정보를 정확하게 획득함으로써 보다 다양하게 수중생물정보를 제공하는 효과가 있다.
【도면의 간단한 설명】
도 1은 본 발명의 일실시예에 따른 샘플수 분석장치를 도시한 구성도이고， 도 2는 본 발명의 일실시예에 따른 샘플수 분석장치에 입력되는 동물성 플랑 크톤의 학습이미지들을 도시한 것이고，
도 3은 본 발명의 일실시예에 따른 샘플수 분석장치의 디스플레이부를 도시 한 것이다.
【발명의 실시를 위한 최선의 형태】
이하， 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명 한다ᅳ 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서， 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가 지도록 하고 있음에 유의해야 한다. 또한， 본 발명을 설명함에 있어， 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되 는 경우에는 그 상세한 설명은 생략한다. 또한， 이하에서 본 발명의 바람직한 실시 예를 설명할 것이나， 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당 업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
도 1은 본 발명의 일실시예에 따른 샘플수 분석장치를 도시한 구성도이다. 도 1에 도시된 바와 같이， 본 발명의 실시예에 따른 샘플수 분석장치 (100)는， 수중 생물 포함된 샘플수가 수용되는 챔버 (110)와， 챔버 (110) 내의 샘플수를 촬영하는 촬상부 (120)와， 촬상부 (120)에서 촬영된 영상을 처리하는 제어부 (130)를 포함한다. 여기서， 챔버 (110) 내의 샘플수는， 수중의 생물을 분석할 필요가 있는 다양 한 분야에서 샘플링되어 샘플수 내에 포함된 수중생물이 분석될 수 있다.
일례로， 선박평형수는 밸러스팅 (ballasting)시에 전기분해 또는 화학약품 투 입 등 다양한 방식으로 처리된 다음， 밸러스트 탱크로 유입되어 저장되었다가 디밸 러스팅 (deballasting)시 배출배관을 통해 선박 밖으로 배출되는데， 배출되는 선박 평형수는 국제해사기구에서 규정한 배출기준에 적합한 것인지를 판단하여야 하기 때문에， 배출되는 선박평형수를 샘플링하여 선박평형수 내에 존재하는 수중생물의 종류， 생사판별 등의 분석작업을 하게 된다.
다른 실시예로， 정수장에서 살균처리된 정수를 샘플링하여 본 발명의 샘플수 분석장치 (100)를 통해 분석할 수도 있다.
챔버 (110)는, 분석할 샘플수가 수용되어 분석시간 동안 계류될 수 있도록 구 성된다. 여기서, 챔버 (110)는 유입 및 유출되는 유입부 (미도시) 및 유출부 (미도시) 를 구비하여 샘플수가 유입 및 유출되도록 구성할 수도 있고， 유입부 (미도시) 및 유출부 (미도시)를 구비하지 않는 그릇 등의 형태로 구성되어 실험자가 수작업으로 물을 담아서 사용할 수도 있다.
촬상부 (120)는， 챔버 (110)의 샘플수 내에 포함된 수중생물을 촬영하도록 챔 버 (110)의 상측 또는 하측 방향， 측면 방향에 설치될 수 있다.
여기서, 촬상부 (120)는 상하 또는 좌우로 이동이 가능하도록 구동부 (미도시) 를 포함하여 챔버 (110)와의 이격거리를 측정환경에 맞게 조절할 수 있도록 한다. 제어부 (130)는， 촬상부 (120)를 통해 촬영된 영상들을 분석하는 장치이다. 본 발명의 제어부 (130)는， 특히 기계학습을 통해 학습데이터를 생성하고 학 습데이터와， 촬상부 (120)에서 촬영된 영상을 비교하여 수중 생물을 분석할 수 있도 록 구성된다.
이를 위해， 제어부 (130)는， 도 2에 도시된 본 발명의 일실시예에 따른 샘플 수 분석장치에 입력되는 동물성 플랑크톤의 학습이미지들과 같은 복수의 화상이미 지들을 사전에 입력받아 학습하는 과정을 거쳐 학습데이터를 생성하여야 한다. 이때， 학습이미지 (200)는， 동물성 플랑크톤의 종류별로 분류가 되도록 라벨 링 (Labeling)될 수 있다.
라벨링의 일실시예로서， 동물성 플랑크톤 종류별로 분류가 되도록 학습이미 지 (200)의 저장폴더 (210)가 동물성 플랑크톤 종류별로 구분되도록 하거나， 학습이 미지 (200)의 파일이름 (220)의 일부가 동물성 플랑크톤의 종류명이 되도록 설정하여 분류할 수 있다. 제어부 (130)는 프로그램된 기계학습에 의해 학습이미지 (200)가 저 장된 경로에서 복수개의 학습이미지 (200)들을 읽어서 동물성 플랑크톤의 종류를 구 분하는 학습을 수행하게 된다.
라벨링의 다른 실시예로서, 파일이름과 대웅되는 동물성 플랑크톤 종류를 각 각 매핑시키는 매핑정보를 제공할 수도 있다. 예를 들면， 텍스트 파일 등에 파일이 름과 각각의 라벨 (대웅되는 동물성 플랑크톤 종류명)을 한줄씩 입력한 매핑정보를 생성하고， 매핑정보를 사용하여 종류에 맞는 학습이미지 (200)들을 획득하도록 구성 할 수 있다.
본 발명의 도 2에서는 동물성 플랑크톤의 종류별로 9개의 학습이미지 (200)들 을 사용하몄지만， 더욱 정확한 분석을 위해서는 더 많은 양의 학습이미지 (200)를 학습시킬 필요가 있다.
여기서， 학습이미지 (200)들은 상호간에 유사도가 떨어지는 것들을 사용하면 더욱 적은 양의 학습이미지 (200)를 사용할 수 있다. 예를 들면, 같은 종류의 동물 성 플랑크톤 사진이지만， 크기나 형태를 다양하도록 하는 것이 기계학습 효과를 향 상시킬 수 있게 된다.
제어부 (130)은， 이와 같이 학습이미지 (200)를 통해 기계학습을 수행하여 학 습데이터를 생성하고， 촬상부 (120)에서 촬영된 영상과 비교하여 수증생물을 분석하 게 된다.
이때, 제어부 (130)는， 촬상부 (120)에서 샘플수를 연속으로 촬영한 영상들을 비교하여 이동영역을 획득한다. 본 발명의 일실시예에서 촬상부 Q20)는， 1초에 한 프레임 (frame) 이상의 영 상을 연속적으로 촬영한다. 이를 통해 보다 신뢰성 높은 영상데이터들을 확보하여 수중생물의 분석을 정확하게 진행할 수 있게 된다.
제어부 (130)에서는， 움직임이 감지된 영역인 이동영역을 연속촬영된 영상에 서 추출하여 기계학습올 통해 기생성된 학습데이터와 비교하는데， 이때
이동영역은, 연속된 2개의 프레임들의 차이를 근거로 획득될 수 있다. 이와 같이 연속된 프레임간의 차이로 이동영역을 추출함으로써 분석 오류를 줄일 수 있게 된 다.
여기서, 제어부 (130)는， 학습데이터와 이동영역을 비교하여 이동영역 내에 생존한 동물성 플랑크톤의 종류를 판단하게 되는데， 판단된 결과가 참인지 거짓인 지 여부는 분석결과의 정확도를 기준으로 판단한다. 즉， 판단된 동물성 플랑크톤 종류의 정확도가 소정의 임계값 이상일 경우， 판단된 동물성 플랑크톤의 종류가 맞 다고 인식하도록 구성할 수 있다. 본 발명의 실시예에서는， 다수회의 실험결과 정 확도가 20% 이상일 경우, 판단결과가 맞을ᅳ확를이一매우一높기 때문에 20% 이상일 때 판단결과가 맞다고 인식한다.
한편， 본 발명의 일실시예에 따른 샘플수 분석장치 (100)는， 촬영된 영상을 보여주는 디스플레이부 (140)를 더 포함할 수 있다.
디스플레이부 (140)는， 도 3에 도시된 바와 같이， 수증생물이 촬영된 영상을 보여주는 영상부 (141)가 좌측에 위치되고， 우측에는 영상부 (141)에서
이동영역 (141a, 141b, 141c)으로 인식된 부분과 학습데이터를 비교분석한 결과 판단 된 동물성 플랑크톤의 종류이미지 (142)와， 종류명 (143), 정확도 (144)와 크기 (145) 등의 분석 정보를 제공한다.
이때， 정확도 (144)가 소정값 (일례로 20%)이상인 것만 디스플레이부 (140)에 표시되도록 구성할 수 있다.
여기서， 표시된 동물성 플랑크톤의 크기 (145)는， 이동영역 (141a, 141b, 141c) 의 가로 및 세로의 화소수와 화소당 실제 크기를 근거로 산출될 수 있다. 예를 들 면， 영역의 화소수가 18*25이고， 화소당 실제 크기가 . 2.5mm인 경우， 실제 크기는 45mm*62.5mm가 되고， 이 실제 크기를 디스플레이부 (140)에 표시하게 된다.
또한, 디스플레이부 (140)는， 이동영역 (141a, 141b, 141c)의 크기를 근거로 동 물성 플랑크톤의 크기가 5 圆이상인지 여부를 표시하는 크기표시부 (146)를 포함할 수 있다. 크기표시부 (146)의 일례로 도 3에서는 50/ m이상인 개체수가 몇 개인지， ΚΓ50/ΜΠ미만의 개체수가 몇개인지를 표시하도록 구성하였다.
도 3의 실시예에서는， 수증에 3개 종류의 동물성 플랑크톤이 존재한다고 판 단하였고， 그 크기는 모두 50/ m이상인 것으로 분석하였다.
이와 같이 본 발명의 샘플수 분석장치 (100)는， 제어부 (130)에서 촬상부 (120) 에서 촬영된 샘플수의 영상을 수신하고 샘플수내에 어떠한 종류의 생물체가 존재하 는지를 분석하여 선박평형수 살균처리 결과가 MO 기준에 만족하는지를 판단할 수 있게 된다. 기준에 만족할 경우， 처리수를 연안해역에 배출하는 디밸러스팅 동작을 수행하고， 기준에 불만족할 경우 처리수의 배출올 증단하고 수중생물의 살균을 위 한 재처리공정을 수행하게 된다. 특히， 기계학습을 통해 제어부 (130)에서 분석된 결과값을 통해 생물 생사판 별을 자동으로 수행할 뿐만 아니라 어떤 종류의 동물성 플랑크톤이 들어 있는지， 이상의 동물성 플랑크톤의 개수는 몇 개인지를 자동으로 표시할 수 있도록 구 성된다.
이와 같이 기계학습을 통해 수중 생물와 분석작업을 자동으로 진행할 경우에 는 자동으로 데이터를 측정함으로써 데이터 축적할 수 있을 뿐만 아니라 생물크기 및 종류정보를 제공하며 보다 신뢰성이 높게 생사판별을 수행할 수 있게 된다. 이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으 로서， 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질 적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정， 변경 및 치환이 가능할 것 이다. 따라서， 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상 을 한정하기 위한 것이 아니라 설명하기 위한 것이고， 이러한 실시예 및 첨부된 도 면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동둥한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

【청구의 범위】
【청구항 1】
샘플수가 수용되는 챔버;
상기 챔버 내의 샘플수를 촬영하는 촬상부; 및
상기 촬상부를 통해 연속 촬영된 영상들을 분석하는 제어부；를 포함하되, 상기 제어부는，
생물 종류별로 복수의 화상 이미지를 입력받아 기계학습을 통해 학습데이터 를 생성하고，
상기 연속 촬영된 영상들을 비교하여 이동영역을 획득하고，
상기 학습데이터와 상기 이동영역을 비교하여 상기 이동영역 내에 생존한 생 물 종류를 판단하도록 구성되는， 샘플수 분석장치.
【청구항 2】
청구항 1에 있어서，
상기 생물은，
동물성 플랑크톤의 한 종류인, 샘플수 분석장치.
【청구항 3】
청구항 2에 있어서，
상기 제어부는，
상기 학습데이터와 상기 이동영역을 비교하여 판단된 동물성 플랑크톤 종류 의 정확도가 20% 이상일 경우， 판단된 동물성 플랑크톤의 종류가 맞다고 인식하는， 샘플수 분석장치 .
【청구항 4】
청구항 3에 있어서，
상기 샘플수 분석장치는，
촬영된 상기 영상을 보여주는 디스플레이부를 더 포함하꾀，
상기 디스플레이부는，
맞다고 인식된 상기 동물성 플랑크톤의 종류가 추가로 표시되는， 샘플수 분 석장치.
【청구항 5】
청구항 4에 있어서，
상기 디스플레이부는,
맞다고 인식된 상기 동물성 플랑크톤의 크기가 추가로 표시되는， 샘플수 분 석장치.
【청구항 6】
청구항 4에 있어서，
상기 디스플레이부는，
맞다고 인식된 상기 동물성 플랑크톤의 크기가 50/ m이상인지 여부를 표시하 는, 샘플수 분석장치.
【청구항 7】
청구항 6에 있어서， 상기 동물성 플랑크톤의 크기는，
상기 이동영역의 가로 및 세로의 화소수와 화소당 실제 크기를 근거로 산출 되는， 샘플수 분석장치.
【청구항 8】
청구항 1에 있어서，
상기 촬상부는,
1초에 한 프레임 (frame) 이상의 영상을 연속적으로 촬영하는， 샘플수 분석장 치.
【청구항 9】
청구항 1에 있어서,
상기 이동영역은，
연속된 2개의 프레임들의 차이를 근거로 획득되는， 샘플수 분석장치.
【청구항 10】
청구항 1에 있어서，
상기 화상 이미지는,
생물 종류별로 분류가 되도록 저장 폴더가 구분되거나， 파일이름이 구분되거 나， 파일이름과 대응되는 생물 종류를 매핑시키는 매핑정보가 제공되는， 샘플수 분 석장치.
【청구항 11】
생물 종류별로 복수의 화상 이미지를 입력받아 기계학습을 통해 학습데이터 를 생성하는 단계;
샘플수를 연속 촬영하고, 상기 연속 촬영된 영상들을 비교하여 획득하는 단계 ; 및
상기 학습데이터와 상기 이동영역을 비교하여 상기 이동영역 ' 물 종류를 판단하는 단계 ;를 포함하는， 샘플수 분석방법 .
PCT/KR2017/011846 2016-11-22 2017-10-25 샘플수 분석장치 및 방법 WO2018097491A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2016-0155614 2016-11-22
KR1020160155614A KR101883350B1 (ko) 2016-11-22 2016-11-22 샘플수 분석장치 및 방법

Publications (1)

Publication Number Publication Date
WO2018097491A1 true WO2018097491A1 (ko) 2018-05-31

Family

ID=62195567

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/011846 WO2018097491A1 (ko) 2016-11-22 2017-10-25 샘플수 분석장치 및 방법

Country Status (2)

Country Link
KR (1) KR101883350B1 (ko)
WO (1) WO2018097491A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7172302B2 (ja) * 2018-08-31 2022-11-16 株式会社明電舎 汚水処理運転状況評価装置及び汚水処理運転状況評価方法
KR102105184B1 (ko) * 2018-11-29 2020-04-28 (주) 테크로스 샘플수 분석장치 및 방법
KR102294417B1 (ko) * 2019-11-04 2021-08-26 주식회사 테크로스 샘플수 분석장치 및 방법
KR102351562B1 (ko) * 2019-12-26 2022-01-14 박상준 인공지능을 이용한 다중촬영 영상 분석 기반 개체 계수 시스템
KR102562371B1 (ko) * 2021-08-19 2023-08-02 (주)엠큐빅 인공지능을 이용하는 미세조류 분석장치
KR102531861B1 (ko) 2022-10-05 2023-05-12 주식회사 엠에스텍 수중 유충 실시간 모니터링 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080090734A (ko) * 2007-04-05 2008-10-09 (주)월드이엔지 영상처리를 이용한 선박 밸러스트 워터 검사 장치 및 그방법
KR20110050289A (ko) * 2009-11-06 2011-05-13 주식회사 파나시아 밸러스트수 실시간 감시장치 및 이를 이용한 감시방법
KR20120100581A (ko) * 2011-03-04 2012-09-12 주식회사 엔케이 선박용 밸러스트수의 모니터링 시스템
KR20160078955A (ko) * 2013-10-28 2016-07-05 몰레큘라 디바이스 엘엘씨 현미경 이미지 내에서 각각의 세포를 분류 및 식별하는 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05263411A (ja) * 1992-03-19 1993-10-12 Hitachi Ltd 物体の観察方法および装置
JP6149710B2 (ja) 2013-11-27 2017-06-21 富士ゼロックス株式会社 画像処理装置及びプログラム
JP2016095259A (ja) 2014-11-17 2016-05-26 横河電機株式会社 プランクトン測定システムおよびプランクトン測定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080090734A (ko) * 2007-04-05 2008-10-09 (주)월드이엔지 영상처리를 이용한 선박 밸러스트 워터 검사 장치 및 그방법
KR20110050289A (ko) * 2009-11-06 2011-05-13 주식회사 파나시아 밸러스트수 실시간 감시장치 및 이를 이용한 감시방법
KR20120100581A (ko) * 2011-03-04 2012-09-12 주식회사 엔케이 선박용 밸러스트수의 모니터링 시스템
KR20160078955A (ko) * 2013-10-28 2016-07-05 몰레큘라 디바이스 엘엘씨 현미경 이미지 내에서 각각의 세포를 분류 및 식별하는 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"FDA Calcein- AM", OCEAN AND POLAR RESEARCH, December 2009 (2009-12-01), pages 349 - 357, Retrieved from the Internet <URL:http://www.dbpia.co.kr/Journal/PDFViewNew?id=NODE01412731&prevPathCode> *

Also Published As

Publication number Publication date
KR20180057793A (ko) 2018-05-31
KR101883350B1 (ko) 2018-08-02

Similar Documents

Publication Publication Date Title
WO2018097491A1 (ko) 샘플수 분석장치 및 방법
JP6870826B2 (ja) 側方多視点から試料を定量化するように構成された方法及び装置
CN110414334B (zh) 一种基于无人机巡视的智能水质识别方法
KR101932009B1 (ko) 다중 객체 검출을 위한 영상 처리 장치 및 방법
WO2018097492A1 (ko) 샘플수 분석장치 및 방법
US9489562B2 (en) Image processing method and apparatus
French et al. Deep neural networks for analysis of fisheries surveillance video and automated monitoring of fish discards
JP5414707B2 (ja) 分析装置
KR101743270B1 (ko) 다수의 플랑크톤이 응집 혹은 산재해 있는 현미경 영상에서 딥러닝을 이용하여 개개 플랑크톤을 분리 및 인식하는 방법
KR100889997B1 (ko) 영상처리를 이용한 선박 밸러스트 워터 검사 장치 및 그방법
JP2016008927A (ja) 検出装置および生体試料分析装置
CN114170549A (zh) 一种基于深度学习的水面漂浮物检测方法
CN113239854A (zh) 一种基于深度学习的船舶身份识别方法及系统
Le et al. Benchmarking and automating the image recognition capability of an in situ plankton imaging system
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
EP4078441A1 (en) Cell line development image characterization with convolutional neural networks
Chan et al. Real-time Detection of Aquarium Fish Species Using YOLOv4-tiny on Raspberry Pi 4
Abalos et al. Fresh fish classification using hog feature extraction and svm
KR102294417B1 (ko) 샘플수 분석장치 및 방법
CN113326749A (zh) 目标检测方法、装置以及存储介质、电子设备
KR102105184B1 (ko) 샘플수 분석장치 및 방법
KR102324418B1 (ko) 수중생물 측정장치 및 방법
Elsayed et al. Automated Identification and Classification of Teeth Fossils
Le Benchmarking the Automated Analysis of In situ Plankton Imaging and Recognition
US20220398846A1 (en) Apparatus and methods of identifying tube assembly type

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: 17874031

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: 17874031

Country of ref document: EP

Kind code of ref document: A1