WO2021107509A1 - 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법 - Google Patents

기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법 Download PDF

Info

Publication number
WO2021107509A1
WO2021107509A1 PCT/KR2020/016434 KR2020016434W WO2021107509A1 WO 2021107509 A1 WO2021107509 A1 WO 2021107509A1 KR 2020016434 W KR2020016434 W KR 2020016434W WO 2021107509 A1 WO2021107509 A1 WO 2021107509A1
Authority
WO
WIPO (PCT)
Prior art keywords
source
time
machine learning
movement path
distribution
Prior art date
Application number
PCT/KR2020/016434
Other languages
English (en)
French (fr)
Inventor
정재필
Original Assignee
정재필
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 정재필 filed Critical 정재필
Publication of WO2021107509A1 publication Critical patent/WO2021107509A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources

Definitions

  • the present invention relates to a system and method for predicting the distribution and movement path of a source (light source, electricity, magnetism, radiation) in a machine learning-based three-dimensional space, and in particular, time-wise position information and source of a source while moving the source in a three-dimensional space
  • a data set of response signals by time is acquired by a plurality of detectors, and location information and crew information by time of the crew are input to the output node of the artificial neural network, and the data set of response signals by time is input to the input node.
  • the multi-source distribution is predicted by repeatedly selecting and superimposing the time-based learning data of a single source, and inputting the data set of time-dependent response signals from a plurality of detectors to the machine-learning artificial neural network.
  • a source refers to radiation, a light source, electricity, magnetism, or the like. While radiation is being used in many fields such as medical, industrial, educational, public, and military fields, accidents caused by radiation sources continue to occur at home and abroad.
  • a photoconductive layer that absorbs radiation passing through a subject to generate electric charge, an upper electrode formed on the photoconductive layer, and the upper electrode are electrically connected to the A radiation detector including an automatic exposure control unit that is connected to measure the current generated in the photoconductive layer and generates a control signal for controlling the amount of radiation in response to the current is disclosed.
  • the prior art has the advantage of reducing the exposure dose of the examinee and shortening the imaging time, but there is a problem that the location and distribution of the radiation source cannot be grasped.
  • an object of the present invention is to enable relatively simple and accurate prediction of a multi-source distribution and a movement path of a source, a machine learning-based three-dimensional space.
  • An object of the present invention is to provide a system and method for predicting the distribution and movement path of phase sources.
  • the system for predicting the distribution and movement path of a source in 3D space based on machine learning is equipped with a source, and moving the source in 3D space by time of the source a mobile seafarer device configured to acquire location information and seafarer information; a plurality of detectors installed in a three-dimensional space and configured to obtain a data set of the response signals for each time of the source; a data collection unit configured to collect time-based location information and source information of a source from the mobile source device, and also collect a data set of time-based response signals of the source from the plurality of detectors; a machine learning unit configured to input the collected time-based location information and source information to an output node of the artificial neural network, and input the collected data set of time-dependent response signals of the seafarer to the input node for machine learning; a multi-source distribution prediction unit configured to predict a distribution of multiple sources by repeatedly performing overlapping time-wise learning data of a set number of single sources from the machine learning
  • the source may include a light source, electricity, magnetism, and radiation.
  • the source information may include energy, intensity, and particle type.
  • a method for predicting the distribution and movement path of a source in 3D space based on machine learning is a method of predicting the distribution and movement path of a source in 3D space while the mobile source device moves in 3D space, position information and source information for each time of the source obtaining, by a plurality of detectors, obtaining a data set of time-dependent response signals of the source; collecting, by a data collection unit, time-based location information and source information of a source from the mobile source device, and collecting a data set of time-dependent response signals of the source from the detector; performing machine learning by inputting, by a machine learning unit, the location information and the source information of the seafarer collected by time to an output node of an artificial neural network, and inputting the collected data set of the response signals by time of the seafarer to the input node; predicting the distribution of multiple sources by repeatedly performing, by a multi-source distribution predicting unit, selecting and overlapping time-wise learning data of a set
  • the mobile seafarer device acquires the position information and the seafarer information by time while moving in the three-dimensional space
  • a plurality of detectors acquire a data set of time response signals of the source
  • a data collection unit collects location information and source information of a crew member by time from the mobile source device, and collects a data set of response signals of the crew member by time from the detector
  • the machine learning unit inputs the collected time-based location information and source information of the seafarer to an output node of the artificial neural network, and inputs the collected data set of the time-wise response signals of the seafarer to the input node to perform machine learning
  • predicting the distribution of multiple sources by repeatedly performing, by a multi-source distribution predicting unit, selecting and overlapping time-wise learning data of a set number of single sources from the machine learning unit
  • the crew movement path prediction unit is configured to predict the movement path of the source by inputting a data set of
  • FIG. 1 is a block diagram of a machine learning-based three-dimensional space source distribution and movement path prediction system according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a two-dimensional example (a) and a three-dimensional example (b) of a data collection process for each detector as the mobile source device of FIG. 1 moves.
  • FIG. 3 is a diagram illustrating a data set of time-based location information and source information of a seafarer collected by the data collection unit in FIG. 1, and time-dependent response signals of a seafarer.
  • FIG. 4 is a diagram illustrating an artificial neural network used in the machine learning unit of FIG. 1 .
  • FIG. 5 is a diagram illustrating a process of selecting and superimposing learning data for each time of a single source in the multi-source distribution prediction unit of FIG. 1 .
  • FIG. 6 is a diagram illustrating a process of predicting a movement path for a seafarer in the sailor movement path prediction unit of FIG. 1 .
  • FIG. 7 is a flowchart illustrating a method for predicting a distribution and movement path of a source in a machine learning-based three-dimensional space according to an embodiment of the present invention.
  • any one component 'transmits', 'transfers' or 'provides' data or signal to another component one component directly transmits data or signal to another component, as well as, and transmitting data or signals to the other component via at least one further component.
  • FIG. 1 is a block diagram of a machine learning-based three-dimensional space source distribution and movement path prediction system according to an embodiment of the present invention.
  • the machine learning-based three-dimensional space source distribution and movement path prediction system includes a mobile source device 100, a plurality of detectors 110, and a data collection unit ( 200 ), a machine learning unit 300 , a multi-source distribution prediction unit 400 , and a source movement path prediction unit 500 .
  • the mobile source device 100 is equipped with a source including a light source, electricity, magnetism, and radiation, and serves to obtain positional information and source information of the source by time while moving the source in a three-dimensional space. 2 shows a path along which a source moves by the mobile source device 100 .
  • a plurality of detectors 110 are installed in a three-dimensional space, and serve to acquire a data set of time-dependent response signals of a source.
  • Fig. 2 (a) shows a two-dimensional example of the installation position of the detector 110 and the data collection process for each detector 110, and
  • Fig. 2 (b) shows the 3 data collection process for each detector 110 A dimensional example is shown.
  • the data collection unit 200 collects the positional information and the source information by time of the seafarer from the mobile seafarer device 100 and collects the data set of the response signals of the seafarer by time from the plurality of detectors 110 to collect the machine learning unit 300 ) serves to provide
  • FIG. 3 shows a data set of positional information and source information of a source by time, which the data collection unit 200 collects, and response signals of a source by time.
  • f is the source information (S) at time (t) and spatial location information (x 1 , y 1 , z 1 , x 2 , y 1 , z 1 , ..., x x , y y , z z ) is an input function
  • R is a data set of signals reacted at the detectors (D 1 , D 2 , D 3 , ..., D n-1 , D n ) 110 at time t.
  • the source information (S) may include various types of information such as energy, strength, and particle types.
  • the machine learning unit 300 inputs the hourly position information and the source information of the seafarer collected from the data collection unit 200 to the output node of the artificial neural network, and inputs the collected data set of the hourly response signals of the seafarer to the input node. It works for machine learning.
  • FIG. 4 is a diagram illustrating an artificial neural network used in the machine learning unit 300 .
  • spatial location information (x 1 , y 1 , z 1 , x 2 , y 1 , z 1 , ..., x x , y y , z z ) and the source of The information (S) is input, and the data set R(D 1 , D 2 , D 3 , ..., D n-1 , D of the signals reacted by the detector 110 at time t) is input to the input node of the artificial neural network.
  • n is entered.
  • the multi-source distribution prediction unit 400 serves to predict the distribution of multiple sources by repeatedly performing overlapping by selecting and overlapping time-based learning data of a set number of single sources from the machine learning unit 300 .
  • FIG. 5 is a diagram illustrating a process in which the multi-source distribution prediction unit 400 selects and overlaps learning data for each time of a single source.
  • the time (t) is 1, 300, 500 (see Fig. 5 a)
  • select the training data [see Fig. 5 b, here three training data (i.e., blue, black, and red curves)]
  • the curve of FIG. 5(c) is obtained.
  • the position and strength of the source can be predicted through the learning result when a plurality of sources exist without direct experimentation.
  • the crew movement path prediction unit 500 inputs a data set of response signals for each time from the detector 110 to the machine-learned artificial neural network of the machine learning unit 300 to predict the movement path of the crew member.
  • FIG. 6 is a diagram illustrating a process of predicting a movement path for a seafarer in the sailor movement path prediction unit of FIG. 1 .
  • S means a step.
  • the mobile seafarer apparatus 100 moves in a three-dimensional space (S10), it acquires positional information and source information of a seafarer by time (S20).
  • the plurality of detectors 110 acquires a data set of the response signals for each time of the source (S30).
  • the data collection unit 200 collects the position information and the source information by time of the seafarer obtained in step S20 from the mobile seafarer device 100 and the data of the response signals of the seafarer obtained in step S30 by time A set is collected from the detector 110 (S40).
  • the machine learning unit 300 inputs the position information and the source information by time of the seafarer collected in step S40 to the output node of the artificial neural network, and inputs the data set of the response signals by time of the collected seafarer to the input node. machine learning (S50).
  • the multi-source distribution prediction unit 400 selects and overlaps the time-based learning data of a set number of single sources from the machine learning unit 300 repeatedly to predict the distribution of the multi-source sources (S60).
  • the movement path prediction unit 500 for the sailor predicts the movement path for the sailor by inputting a data set of response signals for each time from the detector 110 to the machine-learned artificial neural network of the machine learning unit 300 (S70). .
  • the mobile seafarer device acquires the position information and the seafarer information by time of the seafarer while moving in the three-dimensional space
  • a plurality of detectors acquire a data set of the time-dependent response signals of the source
  • a data collection unit collects location information and source information of a crew member by time from the mobile source device, and collects a data set of response signals of the crew member by time from the detector
  • the machine learning unit inputs the collected time-based location information and source information of the seafarer to an output node of the artificial neural network, and inputs the collected data set of the time-wise response signals of the seafarer to the input node to perform machine learning
  • predicting the distribution of multiple sources by repeatedly performing, by a multi-source distribution predicting unit, selecting and overlapping time-wise learning data of a set number of single sources from the machine learning unit
  • the crew movement path prediction unit

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기계학습 기반 3차원 공간상 선원(광원, 전기, 자기, 방사선)의 분포 및 이동 경로 예측 시스템과 그 방법에 관한 것으로서, 특히 3차원 공간상에서 선원을 이동시키면서 선원의 시간별 위치정보 및 선원 정보를 획득함과 아울러 복수의 디텍터(detector)에 의해 시간별 반응신호 들의 데이터 집합을 획득하고, 선원의 시간별 위치정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습 시킨 후, 임의의 단일 선원의 시간별 학습데이터들을 반복적으로 선택하여 중첩시킴으로써 다중 선원 분포를 예측하고, 기계학습 된 인공 신경망에 복수의 디텍터로부터의 시간별 반응신호 들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하는, 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법에 관한 것이다.

Description

기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법
본 발명은 기계학습 기반 3차원 공간상 선원(광원, 전기, 자기, 방사선)의 분포 및 이동 경로 예측 시스템과 그 방법에 관한 것으로서, 특히 3차원 공간상에서 선원을 이동시키면서 선원의 시간별 위치정보 및 선원 정보를 획득함과 아울러 복수의 디텍터(detector)에 의해 시간별 반응신호 들의 데이터 집합을 획득하고, 선원의 시간별 위치정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습 시킨 후, 임의의 단일 선원의 시간별 학습데이터들을 반복적으로 선택하여 중첩시킴으로써 다중 선원 분포를 예측하고, 기계학습 된 인공 신경망에 복수의 디텍터로부터의 시간별 반응신호 들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하는, 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법에 관한 것이다.
일반적으로, 선원은 방사선, 광원, 전기, 자기 등을 말한다. 방사선 의 이용 분야는 의료, 산업, 교육, 공공, 군사 분야 등 많은 분야에서 사용되고 있 는 반면, 방사선원에 의한 사고사례는 국내외에서 꾸준히 발생하고 있다.
특히, 의료분야에서는 방사선치료에서의 방사선 과잉 조사에 의한 사고가 대부분을 차지하며 환자의 사망과 환자 및 의료진의 과피폭이 대부분을 차 지한다. 의료피폭의 세부적인 원인으로는 선량단위의 오인, 선량계산의 착오, 광자 와 전자선을 착각한 잘못된 조사, 방사성동위원소의 과잉투여, 선원을 몸속에 두고 잊어버리는 일 등이다.
방사선 비파괴조사 분야에서는 공업용 조사선원의 사용 또는 수리, 공업용 감마선사진 촬영 과정, 및 방사선원의 관리 부실에 의한 사고가 주로 발생 한다. 작업자뿐 아니라 방사선원과는 아무런 관련이 없는 불특정 다수의 사람이 사 망이나 신체절단, 피부손상 등의 인명피해로 이어지는 경우가 많다.
국내 특허 등록 제1677172호 공보(이하, 선행기술이라 함)에는 피사 체를 투과한 방사선을 흡수하여 전하를 생성하는 광도전층과, 상기 광도전층 상에 형성되는 상부전극과, 상기 상부전극에 전기적으로 연결되어 상기 광도전층에서 발 생되는 전류를 계측하고, 상기 전류에 대응하여 방사선의 조사량을 제어하는 제어 신호를 발생시키는 자동노출제어부를 포함하는 방사선 디텍터가 개시되어 있다.
그러나 상기 선행기술은 검진자의 피폭선량을 감소시키고 촬영시간 을 단축시킬 수 있는 장점이 있지만, 방사선원의 위치 및 분포를 파악할 수 없다는문제점이 있었다.
따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 이루어진 것 으로서, 본 발명의 목적은 다중 선원 분포에 대한 예측과 선원의 이동경로 예측을 비교적 단순하고 정확하게 수행할 수 있게 하는, 기계학습 기반 3차원 공간상 선원 의 분포 및 이동 경로 예측 시스템과 그 방법을 제공하는 데에 있다.
상기의 목적을 달성하기 위해, 본 발명의 일 실시형태에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템은 선원을 장착하고 있으며, 해당 선원을 3차원 공간상에서 이동시키면서 선원의 시간별 위치 정보 및 선원 정보를 획득하도록 구성된 이동형 선원 장치; 3차원 공간상에 복수개 설치되어 상기 선원의 시간별 반응신호들의 데이터 집합을 획득하도록 구성된 복수의 디텍터; 상기 이동형 선원 장치로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 상기 복수의 디텍터로부터 상기 선원의 시간별 반응신호들의 데이터 집합을 수집하도록 구성된 데이터 수집부; 수집된 상기 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 수집된 상기 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습 시키도록 구성된 기계학습부; 상기 기계학습부로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하도록 구성된 다중 선원 분포 예측부; 및 상기 기계학습부의 기계학습 된 인공신경망에 상기 디텍터로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하도록 구성된 선원 이동경로 예측부;를 포함하는 것을 특징으로 한다.
상기 일실시 형태에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템에 있어서, 상기 선원은 광원, 전기, 자기 및 방사선을 포함할 수 있다.
상기 일실시 형태에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템에 있어서, 상기 선원 정보는 에너지, 강도, 입자 종류를 포함할 수 있다.
상기의 목적을 달성하기 위해, 본 발명의 다른 실시형태에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 방법은 이동형 선원 장치가 3차원 공간상에서 이동하면서 선원의 시간별 위치 정보 및 선원 정보를 획득함과 아울러, 복수의 디텍터가 상기 선원의 시간별 반응신호들의 데이터 집합을 획득하는 단계; 데이터 수집부가 상기 이동형 선원 장치로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 상기 디텍터로부터 상기 선원의 시간별 반응 신호들의 데이터 집합을 수집하는 단계; 기계학습부가 수집된 상기 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 수집된 상기 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습시키는 단계; 다중 선원 분포 예측부가 상기 기계학습부로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하는 단계; 및 선원 이동경로 예측부가 상기 기계학습부의 기계학습 된 인공신경망에 상기 디텍터로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하는 단계;를 포함하는 것을 특징으로 한다.
본 발명의 실시형태들에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템 및 그 방법에 의하면, 이동형 선원 장치가 3차원 공간상에서 이동하면서 선원의 시간별 위치 정보 및 선원 정보를 획득함과 아울러, 복수의 디텍터가 상기 선원의 시간별 반응신호들의 데이터 집합을 획득하고; 데이터 수집부가 상기 이동형 선원 장치로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 상기 디텍터로부터 상기 선원의 시간별 반응신호들의 데이터 집합을 수집하며; 기계학습부가 수집된 상기 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 수집된 상기 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습시키며; 다중 선원 분포 예측부가 상기 기계학습부로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하며; 선원 이동경로 예측부가 상기 기계학습부의 기계학습 된 인공신경망에 상기 디텍터로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하도록 구성됨으로써, 다중 선원 분포에 대한 예측과 선원의 이동경로 예측을 비교적 단순하고 정확하게 수행할 수 있게 한다는 뛰어난 효과가 있다.
도 1은 본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템의 블록 구성도이다.
도 2는 도 1의 이동형 선원 장치가 이동함에 따라 디텍터별 데이터 수집과정에 대한 2차원적 예시(a) 및 3차원적 예시(b)를 나타낸 도면이다.
도 3은 도 1에서 데이터 수집부가 수집하는 선원의 시간별 위치 정보 및 선원 정보와, 선원의 시간별 반응신호들의 데이터 집합을 나타낸 도면이다.
도 4는 도 1의 기계학습부에서 이용하는 인공신경망을 나타낸 도면이다.
도 5는 도 1의 다중 선원 분포 예측부에서 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 과정을 나타낸 도면이다.
도 6은 도 1의 선원 이동경로 예측부에서 선원에 대한 이동경로를 예측하는 과정을 나타낸 도면이다.
도 7은 본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 방법을 설명하기 위한 플로우챠트이다.
본 발명의 실시예를 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예를 기술하기 위한 것이며, 결코 제한적으로 해석되어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하는 것으로 해석되어서는 안 된다.
도면에서 도시된 각 시스템에서, 몇몇 경우에서의 요소는 각각 동일한 참조 번호 또는 상이한 참조 번호를 가져서 표현된 요소가 상이하거나 유사할 수가 있음을 시사할 수 있다. 그러나 요소는 상이한 구현을 가지고 본 명세서에서 보여지거나 기술된 시스템 중 몇몇 또는 전부와 작동할 수 있다. 도면에서 도시된 다양한 요소는 동일하거나 상이할 수 있다. 어느 것이 제1 요소로 지칭되는지 및 어느 것이 제2 요소로 불리는지는 임의적이다.
본 명세서에서 어느 하나의 구성요소가 다른 구성요소로 자료 또는 신호를 '전송', '전달' 또는 '제공'한다 함은 어느 한 구성요소가 다른 구성요소로 직접 자료 또는 신호를 전송하는 것은 물론, 적어도 하나의 또 다른 구성요소를 통하여 자료 또는 신호를 다른 구성요소로 전송하는 것을 포함한다.
이하, 본 발명의 실시예를 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템의 블록 구성도이다.
본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템은, 도 1에 도시된 바와 같이, 이동형 선원 장치(100), 복수의 디텍터(110), 데이터 수집부(200), 기계학습부(300), 다중 선원 분포 예측부(400) 및 선원 이동경로 예측부(500)를 포함한다.
이동형 선원 장치(100)는 광원, 전기, 자기 및 방사선을 포함하는 선원을 장착하고 있으며, 선원을 3차원 공간상에서 이동시키면서 선원의 시간별 위치 정보 및 선원 정보를 획득하는 역할을 한다. 도 2에는 이동형 선원 장치(100)에 의해 선원이 이동하는 경로를 나타낸다.
복수의 디텍터(110)는 3차원 공간상에 복수개 설치되어 선원의 시간별 반응신호들의 데이터 집합을 획득하는 역할을 한다. 도 2의 (a)에는 디텍터(110)의 설치 위치와 디텍터(110)별 데이터 수집과정에 대한 2차원적 예시를 나타내고, 도 2의 (b)에는 디텍터(110)별 데이터 수집과정에 대한 3차원적 예시를 나타낸다.
데이터 수집부(200)는 이동형 선원 장치(100)로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 복수의 디텍터(110)로부터 선원의 시간별 반응신호들의 데이터 집합을 수집하여 기계학습부(300)에 제공하는 역할을 한다.
도 3에는 데이터 수집부(200)가 수집하는 선원의 시간별 위치 정보 및 선원 정보와, 선원의 시간별 반응신호들의 데이터 집합이 도시되어 있다. 여기서, f는 시간(t)에서의 선원의 정보(S)와 공간상 위치 정보(x1, y1, z1, x2, y1, z1, …, xx, yy, zz)가 입력된 함수이고, R은 시간(t)에서의 디텍터(D1, D2, D3, …, Dn-1, Dn)(110)에서 반응한 신호들의 데이터 집합이다. 선원의 정보(S)에는 에너지, 강도, 입자의 종류 등의 여러 정보가 포함될 수 있다.
기계학습부(300)는 데이터 수집부(200)로부터 수집된 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고, 수집된 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습 시키는 역할을 한다.
도 4는 기계학습부(300)에서 이용하는 인공신경망을 나타낸 도면이다. 여기서 인공신경망의 출력노드에는 시간(t)에서의 공간상 위치 정보(x1, y1, z1, x2, y1, z1, …, xx, yy, zz) 및 선원의 정보(S)가 입력되고, 인공신경망의 입력노드에는 시간(t)에서의 디텍터(110)에서 반응한 신호들의 데이터 집합R(D1, D2, D3, …, Dn-1, Dn)이 입력된다.
다중 선원 분포 예측부(400)는 기계학습부(300)로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하는 역할을 한다.
도 5는 다중 선원 분포 예측부(400)에서 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 과정을 나타낸 도면이다. 시간(t)이 1, 300, 500일 때(도 5의 a 참조)의 학습데이터를 선택하여[도 5의 b 참조, 여기서는 3개의 학습데이터(즉, 청색, 흑색, 적색의 곡선)], 중첩시키면 도 5의 (c) 곡선이 획득된다. 이와 같은 학습 데이터의 중첩을 반복할 경우, 직접 실험을 하지 않고도 다수의 선원이 존재할 경우 그 학습결과를 통하여 선원의 위치 및 세기를 예측할 수 있다.
선원 이동경로 예측부(500)는 기계학습부(300)의 기계학습 된 인공신경망에 디텍터(110)로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하는 역할을 한다.
도 6은 도 1의 선원 이동경로 예측부에서 선원에 대한 이동경로를 예측하는 과정을 나타낸 도면이다. 도 6에는 시간(t=1, 2, 3, 4)의 이동정보로부터 미래 시간(t=5)에서의 선원의 위치와 이동경로를 예측하여 나타낸 2차원 도면(도 6의 a) 및 3차원 도면(b)을 나타낸다.
상기와 같이 구성된 본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템을 이용한 선원의 분포 및 이동 경로 예측 방법에 대해 도면을 참조하여 설명하기로 한다.
도 7은 본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 방법을 설명하기 위한 플로우챠트로서, 여기서 S는 스텝(step)을 의미한다.
먼저, 이동형 선원 장치(100)가 3차원 공간상에서 이동하면서(S10), 선원의 시간별 위치 정보 및 선원 정보를 획득한다(S20).
이때, 복수의 디텍터(110)가 선원의 시간별 반응신호들의 데이터 집합을 획득한다(S30).
이어서, 데이터 수집부(200)가 스텝(S20)에서 획득된 선원의 시간별 위치 정보 및 선원 정보를 이동형 선원 장치(100)로부터 수집함과 아울러 스텝(S30)에서 획득된 선원의 시간별 반응신호들의 데이터 집합을 디텍터(110)로부터 수집한다(S40).
다음, 기계학습부(300)가 스텝(S40)에서 수집된 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고, 수집된 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습시킨다(S50).
이어서, 다중 선원 분포 예측부(400)가 기계학습부(300)로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측한다(S60).
이후, 선원 이동경로 예측부(500)가 기계학습부(300)의 기계학습된 인공신경망에 디텍터(110)로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측한다(S70).
본 발명의 실시예에 의한 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템 및 그 방법에 의하면, 이동형 선원 장치가 3차원 공간상에서 이동하면서 선원의 시간별 위치 정보 및 선원 정보를 획득함과 아울러, 복수의 디텍터가 상기 선원의 시간별 반응신호들의 데이터 집합을 획득하고; 데이터 수집부가 상기 이동형 선원 장치로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 상기 디텍터로부터 상기 선원의 시간별 반응신호들의 데이터 집합을 수집하며; 기계학습부가 수집된 상기 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 수집된 상기 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습시키며; 다중 선원 분포 예측부가 상기 기계학습부로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하며; 선원 이동경로 예측부가 상기 기계학습부의 기계학습 된 인공신경망에 상기 디텍터로부터의 시간별 반응 신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하도록 구성됨으로써, 다중 선원 분포에 대한 예측과 선원의 이동경로 예측을 비교적 단순하고 정확하게 수행할 수 있게 한다는 뛰어난 효과가 있다.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로 부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (6)

  1. 선원을 장착하고 있으며, 해당 선원을 3차원 공간상에서 이동시키면서 선원의 시간별 위치 정보 및 선원 정보를 획득하도록 구성된 이동형 선원 장치;
    3차원 공간상에 복수개 설치되어 상기 선원의 시간별 반응신호들의 데이터 집합을 획득하도록 구성된 복수의 디텍터;
    상기 이동형 선원 장치로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 상기 복수의 디텍터로부터 상기 선원의 시간별 반응신호들의 데이터 집합을 수집하도록 구성된 데이터 수집부;
    수집된 상기 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력 노드에 입력하고 수집된 상기 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습 시키도록 구성된 기계학습부;
    상기 기계학습부로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하도록 구성된 다중 선원 분포 예측부; 및
    상기 기계학습부의 기계학습 된 인공신경망에 상기 디텍터로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하도록 구성된 선원 이동경로 예측부;를 포함하는 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템.
  2. 제 1 항에 있어서,
    상기 선원은 광원, 전기, 자기 및 방사선을 포함하는 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템.
  3. 제 1 항에 있어서,
    상기 선원 정보는 에너지, 강도, 입자 종류를 포함하는 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템.
  4. 제 1 항에 기재된 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예
    측 시스템을 이용한 선원의 분포 및 이동 경로 예측 방법으로서,
    이동형 선원 장치가 3차원 공간상에서 이동하면서 선원의 시간별 위치 정보 및 선원 정보를 획득함과 아울러, 복수의 디텍터가 상기 선원의 시간별 반응신호들의 데이터 집합을 획득하는 단계;
    데이터 수집부가 상기 이동형 선원 장치로부터 선원의 시간별 위치 정보 및 선원 정보를 수집함과 아울러 상기 디텍터로부터 상기 선원의 시간별 반응신호들의 데이터 집합을 수집하는 단계;
    기계학습부가 수집된 상기 선원의 시간별 위치 정보 및 선원 정보를 인공신경망의 출력노드에 입력하고 수집된 상기 선원의 시간별 반응신호들의 데이터 집합을 입력노드에 입력시켜 기계학습시키는 단계;
    다중 선원 분포 예측부가 상기 기계학습부로부터 설정된 개수의 단일 선원의 시간별 학습데이터를 선택하여 중첩시키는 것을 반복적으로 수행하여 다중 선원의 분포를 예측하는 단계; 및
    선원 이동경로 예측부가 상기 기계학습부의 기계학습 된 인공신경망에 상기 디텍터로부터의 시간별 반응신호들의 데이터 집합을 입력시켜 선원에 대한 이동경로를 예측하는 단계;를 포함하는 기계학습 기반 3차원 공간상 선원의 분포 및 이동경로 예측 방법.
  5. 제 4 항에 있어서,
    상기 선원은 광원, 전기, 자기 및 방사선을 포함하는 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 방법.
  6. 제 4 항에 있어서,
    상기 선원 정보는 에너지, 강도, 입자의 종류를 포함하는 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 방법.
PCT/KR2020/016434 2019-11-27 2020-11-20 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법 WO2021107509A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0154535 2019-11-27
KR1020190154535A KR102273576B1 (ko) 2019-11-27 2019-11-27 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법

Publications (1)

Publication Number Publication Date
WO2021107509A1 true WO2021107509A1 (ko) 2021-06-03

Family

ID=76130345

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/016434 WO2021107509A1 (ko) 2019-11-27 2020-11-20 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법

Country Status (2)

Country Link
KR (1) KR102273576B1 (ko)
WO (1) WO2021107509A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120119158A (ko) * 2011-04-20 2012-10-30 국방과학연구소 다층구조의 방사선 차폐체 및 이의 제조방법
JP2013195274A (ja) * 2012-03-21 2013-09-30 Shimizu Corp ３次元線量評価マッピングシステム及びその方法
JP2014126429A (ja) * 2012-12-26 2014-07-07 Chubu Electric Power Co Inc 放射線の表示方法、放射線表示装置
JP2016223876A (ja) * 2015-05-29 2016-12-28 東京電力ホールディングス株式会社 線量予測装置、線量予測方法及び線量予測プログラム
KR20190074817A (ko) * 2017-12-20 2019-06-28 서강대학교산학협력단 군집화와 딥러닝을 이용한 멀티플렉싱 신호 처리 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101677172B1 (ko) 2015-04-06 2016-11-17 주식회사 디알텍 방사선 디텍터와 이를 포함하는 방사선 촬영장치, 그 자동노출제어방법 및 방사선 촬영방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120119158A (ko) * 2011-04-20 2012-10-30 국방과학연구소 다층구조의 방사선 차폐체 및 이의 제조방법
JP2013195274A (ja) * 2012-03-21 2013-09-30 Shimizu Corp ３次元線量評価マッピングシステム及びその方法
JP2014126429A (ja) * 2012-12-26 2014-07-07 Chubu Electric Power Co Inc 放射線の表示方法、放射線表示装置
JP2016223876A (ja) * 2015-05-29 2016-12-28 東京電力ホールディングス株式会社 線量予測装置、線量予測方法及び線量予測プログラム
KR20190074817A (ko) * 2017-12-20 2019-06-28 서강대학교산학협력단 군집화와 딥러닝을 이용한 멀티플렉싱 신호 처리 장치 및 방법

Also Published As

Publication number Publication date
KR20210065595A (ko) 2021-06-04
KR102273576B1 (ko) 2021-07-06

Similar Documents

Publication Publication Date Title
WO2022010065A1 (ko) 부호화구경 기반 이중입자 영상 융합장치
CN109507710A (zh) 核电站辐射监测方法、装置、计算机设备及存储介质
WO2021107509A1 (ko) 기계학습 기반 3차원 공간상 선원의 분포 및 이동 경로 예측 시스템과 그 방법
US20140264061A1 (en) Mobile radiation imaging apparatus, method for controlling mobile radiation imaging apparatus, and storage medium
WO2022010144A1 (ko) 부호화구경 기반 이중입자 영상 융합장치를 이용한 이중입자 영상 융합방법
CN105911579A (zh) 无人机载核辐射检测装置
CN111724891A (zh) 一种x射线辐射场管理系统及其辐射管理方法
Hu et al. Acute radiation risk assessment and mitigation strategies in near future exploration spaceflights
WO2021256835A1 (ko) 공유자율주행장치의 원격 제어를 이용한 공유 콘텐츠 서비스 제공 시스템
Aleotti et al. Haptic teleoperation of UAV equipped with gamma-ray spectrometer for detection and identification of radio-active materials in industrial plants
Wilkins et al. Reducing the background in x-ray imaging detectors via machine learning
CN108926356B (zh) 探测器光子到达信息确定方法、装置和医疗设备
CN108460474A (zh) 疏散系统和疏散方法
Milis et al. Integrated modelling of medical emergency response process for improved coordination and decision support
Lazo et al. The state of radiological protection; views of the radiation protection profession: IRPA13, Glasgow, May 2012
CN109709516A (zh) 一种红外传感定位方法、装置、系统、存储介质
WO2021137371A1 (ko) 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법
Durham Concepts, quantities, and dose limits in radiation protection dosimetry
WO2024096611A1 (ko) 변환 모델 구축 장치 및 이를 이용한 이미지 변환 장치
Cheminant et al. Cosmic Ray Extremely Distributed Observatory: a global network of detectors to probe contemporary physics mysteries
Smith The international commission on radiological protection: historical overview
WO2019235759A1 (ko) 멀티형 직교 센서를 이용한 방사선원 위치 검증 및 방사선량 분포 검출 장치 및 방법
Ihantola et al. Impact of novel technologies on nuclear security and emergency preparedness
Goans et al. MA1 9: 05 AM, Gatlin A1
Abdelkrim et al. Abnormalities detection for radiotherapy Services

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: 20893384

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: 20893384

Country of ref document: EP

Kind code of ref document: A1