WO2024090949A1 - 이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법 - Google Patents

이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법 Download PDF

Info

Publication number
WO2024090949A1
WO2024090949A1 PCT/KR2023/016554 KR2023016554W WO2024090949A1 WO 2024090949 A1 WO2024090949 A1 WO 2024090949A1 KR 2023016554 W KR2023016554 W KR 2023016554W WO 2024090949 A1 WO2024090949 A1 WO 2024090949A1
Authority
WO
WIPO (PCT)
Prior art keywords
image data
absorption
frame
absorbent material
absorption rate
Prior art date
Application number
PCT/KR2023/016554
Other languages
English (en)
French (fr)
Inventor
김경락
류지혜
박제섭
강호성
신민화
Original Assignee
주식회사 엘지화학
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
Priority claimed from KR1020230142281A external-priority patent/KR20240060457A/ko
Application filed by 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Publication of WO2024090949A1 publication Critical patent/WO2024090949A1/ko

Links

Images

Classifications

    • 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
    • G01N33/44—Resins; Plastics; Rubber; Leather
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Definitions

  • the present invention relates to a method for calculating the absorption rate of a highly absorbent absorbent material.
  • the absorption rate of an absorbent material has been calculated and a use corresponding to the absorption rate has been given and used.
  • a method was used to measure the absorption time manually using a timer after inserting the sample absorbent material into the place of use.
  • Patent Document 1 a method of measuring the change in mass of the absorbent material to roughly determine the time required for the amount of absorbed liquid in the sample to reach the maximum absorbed amount is disclosed.
  • this method has the problem that it can only be applied if the maximum absorption amount and penetration rate coefficient of the sample are known.
  • Patent Document 1 Japanese Patent Laid-open Publication 2020-051997
  • the present invention seeks to provide a method and system for calculating the degree of absorption of an absorbent material from each frame image of absorption image data of the absorbent material.
  • the present invention includes a learning data preparation step comprising image data of a predetermined absorbent material and classification data labeled by dividing the image into whether it is an image in progress or an image that has completed absorption;
  • An artificial neural network construction step of receiving predetermined image data and classifying the input images into predetermined labels;
  • a machine learning step of learning the artificial neural network by inputting the learning data into the artificial neural network and updating parameters constituting the artificial neural network. It provides a method of generating an artificial neural network model for calculating the absorption rate of an absorbent material, including a machine learning step of learning the artificial neural network.
  • the image data of the absorbent material includes an image data acquisition step of acquiring absorption image data for a plurality of absorbers; A frame image data acquisition step of acquiring each frame image data constituting the image data.
  • the absorption image data is characterized in that it is image data captured by putting a predetermined amount of water in a container and adding a predetermined amount of the absorbent material while stirring, and the process of the water being absorbed and hardening.
  • the present invention also includes an absorbent image data acquisition step of inserting an absorbent material and acquiring image data of the absorbent material for a predetermined period of time; A frame image data acquisition step of dividing the image data into individual frame image data to obtain frame image data; A frame image classification step of classifying the frame image by inputting the frame image data into an artificial neural network model; An absorption rate calculation step of extracting an absorption end frame and an absorption start frame from the classified frame image and calculating the absorption rate using these.
  • a method for calculating the absorption rate of an absorbent material including;
  • the absorption rate can be calculated by (Equation 1) below.
  • the present invention also includes an image data acquisition unit that acquires absorption image data of the absorbent material; a frame image data acquisition unit that separates the absorbed image data into each frame image data constituting the image data and obtains frame image data; An absorption rate calculation unit that calculates the absorption rate of the absorbent material by calculating the absorption start time and absorption completion time from the frame image data.
  • the present invention is a frame image that receives each frame image data acquired by the frame image data acquisition unit in frame order and determines whether it is an image in progress in which the absorbent material is absorbing water or an image in which water absorption has been completed. Determination unit; It further includes, wherein the absorption speed calculation unit calculates the absorption start time from the frame number (start frame number) of the image that the frame image determination unit determines as the image being absorbed first, and determines it as the image that has completed absorption first. It is characterized by calculating the absorption completion time from the frame number (end frame number) of one image.
  • the frame image determination unit is configured to include an artificial neural network unit trained in advance to receive each frame image data, classify it as an image being absorbed or an image that has been absorbed, and output the determination result.
  • the neural network unit inputs sample frame image data that separates the absorption sample image data of a plurality of sample absorbers into individual sample frame image data, and data that labels each sample frame image data as being absorbed or absorbed as learning data. Then, the labeling data is learned to match each sample frame image data.
  • the absorption rate can be measured more accurately by applying an image classification algorithm through absorption imaging for absorbents with various absorption rates. brings about an effect.
  • FIG. 1 is a diagram showing an outline of a system for calculating the absorption rate of an absorbent material according to the present invention.
  • Figure 2 is a diagram showing an example of an image for each frame of an absorption image according to an embodiment of the present invention.
  • Figure 3 is a diagram actually showing a frame image of video data taken to prepare learning data.
  • Figure 4 is a diagram showing the score calculation output per frame when video data is input to a prediction model learned according to the present invention.
  • the present invention relates to a method and system for calculating the absorption rate of a superabsorbent polymer using an image classification algorithm.
  • the image classification algorithm used in the present invention can use a typical CNN (Convolutional Neural Network), and in addition, image classification models known before the filing date of the present invention can be applied. It should be noted that the technical feature of the present invention is not in the image classification model itself, but in calculating the absorption rate from the absorption image of the superabsorbent polymer using the image classification model.
  • the present invention includes an image data acquisition unit that acquires absorption image data of an absorbent material.
  • the image data acquisition unit performs the image data acquisition step in the method for calculating the absorption rate of an absorbent material according to the present invention.
  • Absorption image data of an absorbent material refers to video data captured at a predetermined number of frames per second (fps) of the absorption process of a predetermined absorbent material under predetermined conditions.
  • the image data acquisition unit receives the image data and may include a typical video camera.
  • An example of acquiring absorption image data of an absorbent material is shown.
  • a 100 mL beaker is filled with 50 mL of 0.9 wt% salt water, and while the salt water is rotated through magnetic stirring at 600 rpm, 2 g of superabsorbent polymer (absorbent material) is added to complete the entire process of the salt water being absorbed and hardening.
  • Image data was acquired by filming. At this time, the image was taken with a video camera so that the surface inside the beaker was visible at an angle between 30 and 60 degrees as captured in the image.
  • the frame image data acquisition unit separates the image data (absorbed image data) acquired or input from the image data acquisition unit into image data in units of frames. It is well known to those skilled in the art that the task of separating predetermined image data into each frame image data can be easily implemented through conventional image processing software or image processing algorithms.
  • the frame image data acquisition unit performs a frame image data acquisition procedure in the artificial neural network model generation method and the absorption rate calculation method of the absorbent material of the present invention.
  • the absorption speed calculation unit receives the obtained frame image data, classifies the frame image, and outputs the score.
  • An artificial neural network model 31 is used to calculate the absorption start time and absorption completion time from the output of the artificial neural network model. It is configured to include a progress determination unit 32 and an absorption rate calculation unit 33 that calculates the absorption rate from the absorption start time and the absorption completion time.
  • Image discrimination unit artificial neural network model (31)
  • the present invention is a frame image that receives each frame image data acquired by the frame image data acquisition unit in frame order and determines whether it is an image in progress in which the absorbent material is absorbing water or an image in which water absorption has been completed. Includes a determination unit.
  • the image determination unit 31 may be composed of an artificial neural network model.
  • the artificial neural network model of the present invention is an example of an image classification algorithm used to calculate the absorption rate of the superabsorbent polymer in the above-mentioned present invention.
  • the artificial neural network model can use a typical CNN (Convolutional Neural Network), and in addition, image classification models known before the filing date of the present invention can be applied.
  • CNN Convolutional Neural Network
  • the artificial neural network constituting the artificial neural network model of the present invention is machine learned according to the learning procedure described later, and receives each frame image data constituting the absorption image data of the absorbent material described above to determine whether the image is an image in progress or an image that has been absorbed. Separately, the probability of an image being absorbed and the probability of an image being absorbed completed are output as scores.
  • the score output for each frame image is a value between 0 and 1.
  • An example of the score for each frame image output by the artificial neural network model of the present invention learned according to the learning procedure described later is shown in Figure 4.
  • the artificial neural network model 31 of the present invention includes an artificial neural network that is machine learned according to the procedure below.
  • CNN is basically used as an artificial neural network.
  • the image data is separated into each frame image data to obtain frame image data.
  • Such image data acquisition and frame image data for learning data can be acquired using the image data acquisition unit 10 and frame image data acquisition unit 20 described above.
  • labeling data that labels whether the corresponding frame image is an image in progress or an image that has been absorbed is merged with the frame image data. Labeling data is not merged with frame image data and can also be handled independently by frame number.
  • Figure 2 shows an example of separating and labeling each image data into frame image data to prepare learning data.
  • an artificial neural network is constructed that receives image data and classifies the input image into a predetermined label.
  • An artificial neural network may have the structure of a typical CNN, and the data structure of a CNN as a data processing structure implemented on a computer is well known to those skilled in the art.
  • machine learning is performed by inputting the learning data described above into the constructed artificial neural network, and learning of the artificial neural network is completed.
  • the parameters of each layer constituting the artificial neural network are updated, and the artificial neural network model 31 of the present invention, which includes a fully learned artificial neural network, inputs frame image data obtained from arbitrary absorber image data. It receives the image and outputs a score, which is a judgment value for whether the image corresponds to an image being absorbed or an image that has been absorbed.
  • the absorption progress determination unit 32 calculates the absorption start time and absorption completion time based on the score of each frame image data output by the artificial neural network model 31.
  • the frame where the score stabilizes close to 0 is selected as the frame at the start of absorption, and the frame where the score rises by 0.5 or more is selected as the frame at the end of absorption.
  • the absorption rate calculation unit 33 calculates the absorption rate from the absorption start point and the absorption completion point.
  • the absorption rate calculation unit 33 calculates the absorption rate according to Equation 1 below from the calculated absorption start time and absorption end time.
  • the absorption rate can also be calculated from 2 below.
  • Absorption speed (absorption end frame number - absorption start frame number) / fps of video data
  • the method for calculating the absorption rate of the absorbent material according to the present invention includes the following procedures.
  • an absorbent image data acquisition step of adding a predetermined absorbent material to water and acquiring image data of the absorbent material for a predetermined time is described in the above-described embodiment.
  • it includes a frame image data acquisition step of dividing the image data into each frame image data to obtain frame image data, and inputting the obtained frame image data into an artificial neural network model machine-learned in the manner described above. It includes a frame image classification step for classifying frame images.
  • the absorption rate of Samples 1 to 16 is measured as follows.
  • the frames of the video data were separated to create frame images, and the generated frame images were divided into two groups before hardening and after hardening, and labeling was performed to secure learning data.
  • CNN was applied as an image classification algorithm and a neural network model was learned using the labeled training data.
  • frame images are sequentially input into the learned neural network model to extract the frame number of the absorption start image and the frame number of the absorption type image, and the calculation according to (Equation 2) is performed to calculate the absorption rate for each sample. was calculated.
  • each 100 ml beaker was filled with 50 mL of 0.9 wt% saline solution, and then while the water was rotating through magnetic stirring at 600 rpm, samples 1 to 16 were mixed. 16 was carried out by adding 2g.
  • the researcher directly measured the time using a timer during the process of water absorption and hardening.
  • the timer was started when Samples 1 to 16 were added to the beaker being stirred, and the timer was terminated when the water was absorbed and hardened so that stirring could no longer be performed, and the absorption rate was measured using the time measured on the timer.
  • Table 1 below shows the differences from the absorption rate measurements according to the examples.
  • the unit of measurement values in each Example and Comparative Example is seconds.
  • the absorption rate measured according to the present invention shows an average difference of 0.38 s compared to the absorption rate of the absorbent material measured manually using a conventional timer. Considering that the method may have operational errors depending on the researcher, it appears that the method according to the present invention ensures sufficient accuracy.
  • the method of the present invention is effective in automating the process of calculating the absorption rate of the absorbent material, and it is effective in calculating the absorption rate accurately in a standardized manner for various samples.
  • Example 2 Sample 1 in Example 1 above was measured 10 times each using the method according to the present invention and the conventional manual measurement method.
  • the method according to the present invention has a much smaller difference between the maximum and minimum values and a smaller standard deviation than the conventional method, showing that the method according to the present invention is superior in terms of repetition accuracy. .
  • Image discrimination unit artificial neural network model

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 소정의 흡수재가 물을 흡수하는 영상을 촬영한 영상데이터로부터 훕수재의 흡수속도를 산출하는 방법 및 시스템을 제공한다. 본 발명에 따르면, 흡수 영상데이터를 각 프레임 이미지 데이터로 분리하고, 인공신경망 모델을 사용하여 각 프레임 이미지 데이터가 흡수중 이미지인지 흡수완료 이미지인지를 판별하여, 흡수시작 시점과 흡수종료시점을 검출하여 흡수재의 흡수속도를 산출한다.

Description

이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법
본 발명은, 고흡수성 흡수재의 흡수속도를 산출하는 방법에 관한 것이다.
종래에는 흡수재의 흡수속도를 산출하고, 흡수속도에 부합하는 용도를 부여하여 사용하여 왔다. 종래에 이와 같은 흡수속도를 산출하기 위하여, 샘플 흡수재를 사용처에 투입 후, 수동으로 타이머를 이용하여 흡수시간을 측정하는 방식을 사용하였다.
그러나 이와 같은 방식은 연구자들이 일일이 수작업으로 흡수시간을 측정하여야 하므로 비효율적이었다.
특허문헌 1과 같은 경우에는, 흡수재의 질량 변화를 측정하여 시료의 흡액량이 최대 흡수량에 도달하기까지 필요로 하는 시간을 대략적으로 파악하는 방식을 개시한다. 그러나 이와 같은 방식은 시료의 최대 흡수량과 침투속도계수를 알아야만 적용이 가능한 문제가 있다.
관련 선행기술로는 아래와 같은 문헌이 있다.
특허문헌 1: 일본 특허공개공보 2020-051997
본 발명은, 종래의 방식과는 달리, 흡수재의 흡수영상데이터의 프레임별 이미지로부터 흡수재의 흡수정도를 산출하는 방법 및 시스템을 제공하고자 한다.
본 발명은, 소정의 흡수재의 이미지 데이터와 해당 이미지가 흡수중 이미지인지, 흡수완료 이미지인지로 구분하여 라벨링한 분류 데이터를 포함하여 구성되는 학습데이터 마련단계; 소정의 이미지 데이터를 입력받아 입력된 이미지를 소정의 라벨로 분류하는 인공신경망 구성단계; 상기 학습데이터를 상기 인공신경망에 입력하여 상기 인공신경망을 구성하는 파라미터들을 갱신함으로써 인공신경망을 학습하는 기계학습단계;를 포함하여 구성되는 흡수재 흡수 속도 산출을 위한 인공신경망 모델의 생성방법을 제공한다.
이때, 상기 흡수재의 이미지 데이터는, 다수의 흡수재에 대하여 흡수 영상데이터를 획득하는 영상데이터 획득단계; 상기 영상데이터를 구성하는 각 프레임 이미지 데이터를 획득하는 프레임 이미지 데이터 획득단계;를 통하여 획득한다. 또한 상기 흡수 영상데이터는, 소정량의 물을 용기에 담아 교반하는 동안 소정량의 상기 흡수재를 투입하고, 물이 흡수되어 굳어가는 과정이 촬영된 영상 데이터인 것을 특징으로 한다.
본 발명은 또한, 흡수재를 투입하고 소정의 시간동안 흡수재의 영상데이터를 획득하는 흡수재 영상데이터 획득단계; 상기 영상데이터를 각 프레임 이미지데이터로 분리하여 프레임 이미지데이터를 획득하는 프레임 이미지 데이터 획득단계; 상기 프레임 이미지 데이터를 인공신경망 모델에 입력하여 프레임 이미지를 분류하는 프레임 이미지 분류단계;상기 분류된 프레임 이미지로부터 흡수 종료 프레임과 흡수 시작 프레임을 추출하고, 이를 이용하여 흡수속도를 산출하는 흡수속도 산출단계;를 포함하여 구성되는 흡수재의 흡수속도 산출방법을 제공한다.
이때, 상기 흡수속도 산출단계에서 상기 흡수속도는 아래 (수식 1)에 의해 산출될 수 있다. (수식 1) 흡수속도 = (흡수 종료 프레임 넘버 - 흡수 시작 프레임 넘버)/영상의 fps
본 발명은 또한, 상기 흡수재의 흡수 영상데이터를 획득하는 영상데이터 획득부; 상기 흡수 영상데이터로부터 영상데이터를 구성하는 각 프레임 이미지데이터로 분리하여, 프레임 이미지데이터를 획득하는 프레임 이미지 데이터 획득부; 상기 프레임 이미지데이터로부터 흡수 시작시점과 흡수 완료시점을 산출하여 흡수재의 흡수속도를 산출하는 흡수속도 산출부;를 포함하여 구성되는 흡수재의 흡수속도 산출시스템을 제공한다.
본 발명은, 상기 프레임 이미지 데이터 획득부가 획득한 각각의 프레임 이미지 데이터들을 프레임 순서대로 입력받아 흡수재가 물을 흡수하는 중인 흡수중 이미지인지, 물 흡수가 완료된 물 흡수완료 이미지인지 구분하여 판별하는 프레임 이미지 판별부; 를 추가로 포함하며, 상기 흡수속도 산출부는, 상기 프레임 이미지 판별부가 가장 먼저 흡수중 이미지로 판별한 이미지의 프레임 넘버(시작 프레임 넘버)로부터 상기 흡수 시작시점을 산출하고, 가장 먼저 흡수완료 이미지로 판별한 이미지의 프레임 넘버(종료 프레임 넘버)로부터 흡수 완료시점을 산출하는 것;을 특징으로 한다.
상기 프레임 이미지 판별부는, 입력되는 각 프레임 이미지 데이터를 입력받아 이를 흡수중 이미지 또는 흡수완료 이미지로 구분하여 판별하고, 그 판별 결과를 출력하도록 미리 학습된 인공신경망부;를 포함하여 구성되며, 상기 인공신경망부는, 다수의 샘플 흡수재의 흡수 샘플 영상데이터를 각 샘플 프레임 이미지 데이터로 분리한 샘플 프레임 이미지 데이터 및 상기 각 샘플 프레임 이미지 데이터에 대하여 흡수중과 흡수완료인 상태로 라벨링한 데이터를 학습데이터로 입력받아, 상기 각 샘플 프레임 이미지 데이터에 대하여 상기 라벨링 데이터가 매칭되도록 학습된다.
본 발명에 따르면, 종래에 수동으로 타이머를 이용하여 흡수재의 흡수속도를 측정하던 방법에 비하여, 흡수속도가 다양한 흡수재에 대하여 흡수영상 촬영을 통하여 이미지 분류 알고리즘을 적용하여 흡수속도를 보다 정확하게 측정할 수 있는 효과를 가져온다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 전술된 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되지 않아야 한다.
도 1은 본 발명에 따른 흡수재의 흡수속도를 산출하는 시스템의 개요를 보이는 도면이다.
도 2는 본 발명의 실시예에 따른 흡수 영상의 프레임별 이미지의 예를 보이는 도면이다.
도 3은 학습 데이터 마련을 위해 촬영한 영상데이터의 프레임 이미지를 실제로 보이는 도면이다.
도 4은 본 발명에 따라 학습된 예측모델에 영상데이터 입력시 프레임당 스코어 계산 출력을 보이는 도면이다.
본 발명은, 이미지 분류 알고리즘을 활용하여 고흡수성 수지의 흡수속도를 산출하는 방법 및 시스템에 관한 것이다. 본 발명에서 사용한 이미지 분류 알고리즘은 통상의 CNN(Convolutional Neural Network)을 사용할 수 있으며, 이외에도 본 발명의 출원일 이전에 공지된 이미지 분류 모델이 적용될 수 있다. 본 발명의 기술적 특징은 이미지 분류 모델 자체에 있는 것이 아니라, 이미지 분류 모델을 활용하여 고흡수성 수지의 흡수 영상으로부터 흡수속도를 산출하는 것에 있음을 밝혀 둔다.
1. 본 발명에 따른 흡수재(고흡수성 수지)의 흡수속도 산출 시스템
1.1. 흡수 영상데이터 획득부(10)
본 발명은, 흡수재의 흡수 영상데이터를 획득하는 영상데이터 획득부를 포함한다. 영상데이터 획득부는 본 발명에 따른 흡수재의 흡수속도 산출방법에서, 영상데이터 획득단계를 수행한다.
흡수재의 흡수 영상데이터는 소정의 조건하에서 소정의 흡수재가 흡수하는 과정을 소정의 fps(number of frames per second)로 촬영한 영상 데이터(video data)를 의미한다. 영상데이터 획득부는 상기 영상 데이터를 입력 받는 구성으로서, 통상의 비티오 카메라를 포함하여 구성될 수 있다.
<흡수재의 흡수 영상데이터 획득의 실시예>
흡수재의 흡수 영상데이터를 획득하는 실시예를 보인다. 본 발명에서는, 100mL의 비커에 50mL의 0.9wt%의 염수를 채운 뒤, 600rpm의 자성교반을 통해 염수가 회전하는 동안, 고흡수성 수지(흡수재) 2g을 투입하여 염수가 흡수되어 굳어가는 전 과정을 촬영하여 영상 데이터를 획득하였다. 이 때, 영상의 촬영은 비커 내 표면이 영상 내에서 잡히는 각도로 30 내지 60도 사이의 각도로 보이도록 비디오 카메라로 촬영하였다.
1.2. 프레임 이미지 데이터 획득부(20)
프레임 이미지 데이터 획득부는 상기 영상데이터 획득부에서 획득한 또는 입력받은 영상데이터(흡수 영상데이터)를 프레임 단위의 이미지데이터로 분리하는 구성이다. 소정의 영상데이터를 각 프레임 이미지데이터로 분리하는 작업은 통상의 이미지 처리 소프트웨어 또는 이미지 처리 알고리즘을 통하여 쉽게 구현될 수 있음이 통상의 기술자에게 잘 알려져 있다.
프레임 이미지 데이터 획득부는 본 발명의 인공신경망 모델 생성 방법 및 흡수재의 흡수속도 산출방법에서, 프레임 이미지 데이터 획득절차를 수행한다.
1.3. 흡수속도 산출부(30)
흡수속도 산출부는 상기 획득한 프레임 이미지 데이터를 입력 받아 프레임 이미지를 분류하고 그 스코어(score)를 출력하는 인공신경망모델(31), 인공신경망모델의 출력으로부터 흡수 시작시점과 흡수 완료시점을 산출하는 흡수진행 판단부(32), 흡수 시작시점과 흡수 완료시점으로부터 흡수속도를 산출하는 흡수속도 연산부(33)을 포함하여 구성된다.
(1) 이미지 판별부: 인공신경망모델(31)
본 발명은, 상기 프레임 이미지 데이터 획득부가 획득한 각각의 프레임 이미지 데이터들을 프레임 순서대로 입력받아 흡수재가 물을 흡수하는 중인 흡수중 이미지인지, 물 흡수가 완료된 물 흡수완료 이미지인지 구분하여 판별하는 프레임 이미지 판별부를 포함한다.
이미지 판별부(31)는 인공신경망모델로 구성될 수 있는데, 본 발명의 인공신경망모델은 앞서 언급한 본 발명에서 고흡수성 수지의 흡수속도를 산출하기 위하여 사용하는 이미지 분류 알고리즘의 일례이다. 인공신경망모델은 통상의 CNN(Convolutional Neural Network)을 사용할 수 있으며, 이외에도 본 발명의 출원일 이전에 공지된 이미지 분류 모델이 적용될 수 있다.
본 발명의 인공신경망모델을 구성하는 인공신경망은 후술하는 학습절차에 따라 기계학습되며, 상술한 흡수재의 흡수영상데이터를 구성하는 각 프레임 이미지 데이터를 입력받아 해당 이미지가 흡수 진행중 이미지인지 흡수완료 이미지인지 구분하여, 흡수 진행중 이미지일 확률과 흡수 완료 이미지일 확률을 스코어(score)로 출력한다. 각 프레임 이미지에 대하여 출력되는 스코어는 0과 1을 포함하는 그 사이의 값이다. 후술하는 학습절차에 따라 학습된 본 발명의 인공신경망모델이 출력하는 각 프레임 이미지에 대한 스코어의 예시를 도 4에 보인다.
(2) 인공신경망의 학습
본 발명의 인공신경망모델(31)은 아래 절차에 따라 기계학습되는 인공신경망을 포함한다. 인공신경망은 기본적으로 CNN이 사용된다.
먼저, 학습데이터로서, 100mL의 비커에 50mL의 0.9wt%의 염수를 채운 뒤, 600rpm의 자성교반을 통해 염수가 회전하는 동안, 고흡수성 수지(흡수재) 2g을 투입하여 염수가 흡수되어 굳어가는 전 과정을 촬영하여 영상 데이터를 획득한다. 이 때, 영상의 촬영은 비커 내 표면이 영상 내에서 잡히는 각도로 30 내지 60도 사이의 각도로 보이도록 비디오 카메라로 촬영하였다.
다음으로, 상기 영상 데이터를 각 프레임 이미지 데이터로 분리하여 프레임 이미지 데이터를 획득한다.
이와같은 학습데이터용 영상데이터 획득 및 프레임 이미지 데이터는 앞서 설명한 영상 데이터 획득부(10) 및 프레임 이미지 데이터 획득부(20)를 사용하여 획득될 수 있다.
다음으로, 상기 프레임 이미지 데이터에 해당 프레임 이미지가 흡수중 이미지인지 흡수완료 이미지인지를 라벨링한 라벨링 데이터를 병합한다. 라벨링 데이터는 프레임 이미지 데이터에 병합되지 않고, 프레임 번호별로 독립적으로 취급하는 것도 가능하다.
도 2에 학습데이터 마련을 위한 각 영상 데이터를 프레임 이미지 데이터로 분리하고, 라벨링한 예를 보인다.
다음으로, 이미지 데이터를 입력받아 입력된 이미지를 소정의 라벨로 분류하는 인공신경망을 구성한다. 인공신경망은 통상의 CNN 의 구조를 가질 수 있으며, 컴퓨터에서 구현되는 데이터 처리 구조로서의 CNN 의 데이터 구조는 통상의 기술자에게 잘 알려져 있다.
다음으로, 상기 구성된 인공신경망에 위에서 설명한 학습데이터를 입력하여 기계학습을 진행하고, 인공신경망의 학습을 완료한다. 이와 같은 기계학습단계에서 인공신경망을 구성하는 각 레이어의 파라미터들이 갱신되어, 학습이 완료된 인공신경망을 포함하는 본 발명의 인공신경망 모델(31)은 임의의 흡수재 영상데이터로부터 획득한 프레임 이미지 데이터를 입력받아 해당 이미지가 흡수중 이미지에 해당하는지, 흡수완료 이미지에 해당하는 지에 대한 판별 값인 스코어(score)를 출력하게 된다.
소졍의 흡수제 A(시료 10), B(시료 16)의 흡수영상 데이터 및 프레임 이미지 데이터에 대한 스코어 출력값의 예시를 도 4에 보인다. 스코어가 0에 가까울 수록 흡수가 진행중이라는 의미를 가지며, 스코어가 1에 가까울 수록 흡수가 종료되었음을 의미한다.
(3) 흡수진행 판단부(32)
흡수진행 판단부(32)는, 인공신경망 모델(31)이 출력하는 각 프레임 이미지 데이터의 스코어에 기반하여, 흡수 시작시점과 흡수 완료시점을 산출한다.
도 4의 예에서는 스코어가 0에 가깝게 안정화되는 프레임을 흡수시작 시점, 스코어가 0.5 이상 올라가는 프레임을 흡수종료 시점의 프레임으로 선택한 것이다.
(4) 흡수속도 연산부(33)
흡수 시작시점과 흡수 완료시점으로부터 흡수속도를 산출하는 흡수속도 연산부(33)을 포함하여 구성된다. 흡수속도 연산부(33)는 상기 산출한 흡수시작 시점, 흡수종료 시점으로부터 아래 수식 1에 따라 흡수속도를 산출한다.
(수식 1)
흡수속도= 흡수종료 시점 - 흡수시작 시점
흡수속도는 아래 2로부터 산출하는 것도 가능하다.
(수식 2)
흡수속도 = (흡수 종료 프레임 넘버 - 흡수 시작 프레임 넘버)/영상데이터의 fps
2. 본 발명에 따른 흡수재(고흡수성 수지)의 흡수속도 산출 방법
본 발명에 따른 흡수재의 흡수속도의 산출방법은, 아래의 절차들을 포함하여 구성된다.
먼저, 상술한 실시예에 설명한 것과 같이, 물에 소정의 흡수재를 투입하고 소정의 시간동안 흡수재의 영상데이터를 획득하는 흡수재 영상데이터 획득단계;를 포함한다.
다음으로, 상기 영상데이터를 각 프레임 이미지데이터로 분리하여 프레임 이미지데이터를 획득하는 프레임 이미지 데이터 획득단계;를 포함하며, 상기 획득한 프레임 이미지 데이터를 앞서 설명한 방식으로 기계 학습한 인공신경망 모델에 입력하여 프레임 이미지를 분류하는 프레임 이미지 분류단계를 포함한다.
또한, 상기 분류된 프레임 이미지로부터 흡수 종료 프레임과 흡수 시작 프레임을 추출하고, 이를 이용하여 흡수속도를 산출하는 흡수속도 산출단계; 를 포함하며, 흡수속도는 앞서의 (수식 1) 또는 (수식 2)를 사용하여 산출될 수 있다.
(실시예 1)
본 발명에 따른 흡수속도 산출 방법에 따라서 시료 1 내지 시료 16의 흡수속도를 측정방법은 다음과 같다.
① 신경망 모델의 학습
100ml비커에 50mL의 0.9wt% 염수를 채운 뒤, 600rpm의 자성교반을 통해 물이 회전하고 있는 동안, 고흡수성수지 시료 2g 을 투입하고, 물이 흡수되어 굳어가는 전 과정을 촬영한 영상 데이터를 획득하였다. 영상데이터는 16가지의 고흡수성수지 시료에 대하여 영상데이터를 확보하였다.
이후, 영상 데이터의 프레임을 분리하여 프레임 이미지를 생성하고, 생성된 프레임 이미지를 굳기 전과 굳은 후 두 가지로 구분하여 라벨링을 진행하여 학습데이터를 확보하였다.
다음으로 이미지 분류 알고리즘으로 CNN을 적용하여 라벨링이 된 상기 학습데이터를 이용하여 신경망 모델을 학습하였다.
② 시료(흡수재)에 대한 흡수속도 산출
고흡수성 수지 시료 1 내지 16에 대하여, 각각 100ml비커에 50mL의 0.9wt% 염수를 채운 뒤, 600rpm의 자성교반을 통해 물이 회전하고 있는 동안, 시료 1 내지 16을 2g 을 투입하고, 물이 흡수되어 굳어가는 전 과정을 촬영한 영상 데이터를 획득하고, 프레임 이미지로 분리하였다.
각 시료에 대하여 프레임 이미지를 순차적으로 상기 학습된 신경망 모델에 입력하여 흡수시작 이미지의 프레임 넘버와 흡수 종류 이미지의 프레임 넘버를 추출하고 상기 (수식 2)에 따른 연산을 수행하여 각 시료에 대한 흡수속도를 산출하였다.
시료 1 내지 16에 대한 흡수속도 산출 값은 아래 표 1에 보인다.
(비교예 1)
비교예는 상기 실시예와 동일하게, 고흡수성 수지 시료 1 내지 16에 대하여, 각각 100ml비커에 50mL의 0.9wt% 염수를 채운 뒤, 600rpm의 자성교반을 통해 물이 회전하고 있는 동안, 시료 1 내지 16을 2g 을 투입하여 진행하였다.
다만, 비교예는 물이 흡수되어 굳어가는 과정에서, 연구원이 직접 타이머를 이용하여 시간을 측정하였다. 시료 1 내지 16을 교반되고 있는 비커에 투입할 때 타이머를 시작하고, 물이 흡수되어 다 굳어져서 더 이상 교반이 되지 않는 상태에서 타이머를 종료하여, 타이머에 측정된 시간으로 흡수속도를 측정하였다.
아래 표 1에 실시예에 따른 흡수속도 측정값과의 차이를 보인다. 각 실시예와 비교예의 측정값의 단위는 초(second) 이다.
시료 실시예 비교예 차이(s)
시료 1 29.00 28.70 0.30
시료 2 16.85 16.55 0.30
시료 3 24.39 24.19 0.20
시료 4 31.87 31.13 0.74
시료 5 40.11 40.01 0.10
시료 6 88.62 88.15 0.47
시료 7 16.82 16.42 0.40
시료 8 16.85 16.32 0.53
시료 9 23.96 23.36 0.60
시료 10 25.06 24.52 0.54
시료 11 32.47 32.33 0.14
시료 12 31.16 30.76 0.40
시료 13 41.04 40.67 0.37
시료 14 31.48 31.10 0.33
시료 15 85.55 85.39 0.16
시료 16 90.16 85.59 0.57
평균 0.38
상기 실시예와 비교예를 통해 볼 수 있듯이, 본 발명에 따라 측정한 흡수속도는 종래에 수동으로 타이머를 이용하여 흡수재의 흡수속도를 측정한 것과 비교할 때, 평균 0.38s 의 차이를 보이는데, 이는 종래의 방식이 연구자에 따라서 조작의 오차가 있을 것임을 감안하면 본 발명에 따른 방식이 충분히 정확성을 담보하는 것임을 보인다.
또한 본 발명의 방식에 따르면, 흡수재의 흡수속도 산출 과정을 자동화 할 수 있는 효과가 있으며, 다양한 시료에 대하여 표준화된 방식으로 정확하게 흡수속도를 산출할 수 있는 효과가 있음을 보인다.
(실시예 2/비교예 2)
실시예 2에서는, 위 실시예 1에서의 시료 1에 대하여, 본 발명에 따른 방식과 종래 수동으로 측정하던 방식으로 각각 10회 측정하였다.
아래 표는, 각 방식에 의해 측정한 결과를 보인다.
측정횟수 실시예 비교예
1 28.8 29.5
2 29.0 29.5
3 29.0 30.3
4 29.1 28.3
5 29.1 27.0
6 29.0 29.2
7 29.1 28.1
8 28.9 27.9
9 29.1 29.7
10 28.9 27.6
평균 29.0 28.7
표준편차 0.1 1.1
(최대값 - 최소값) 0.3 3.3
위 표 2에서 보이는 것과 같이, 본 발명에 따른 방식은 종래방식에 비하여 최대값과 최소값 사이의 차이가 훨씬 적고 표준편차도 작은 것을 볼 때, 반복 정확도에 있어서, 본 발명에 따른 방식이 우수함을 보인다.
본 발명의 도면 및 설명에 사용된 구성의 부호와 그 명칭은 다음과 같다.
10 흡수 영상데이터 획득부
20 프레임 이미지 데이터 획득부
30 흡수속도 산출부
31 이미지 판별부(인공신경망모델)
32 흡수진행 판단부
33 흡수속도 연산부

Claims (11)

  1. 소정의 흡수재의 이미지 데이터와 해당 이미지가 흡수중 이미지인지, 흡수완료 이미지인지로 구분하여 라벨링한 분류 데이터를 포함하여 구성되는 학습데이터 마련단계;
    소정의 이미지 데이터를 입력받아 입력된 이미지를 소정의 라벨로 분류하는 인공신경망 구성단계;
    상기 학습데이터를 상기 인공신경망에 입력하여 상기 인공신경망을 구성하는 파라미터들을 갱신함으로써 인공신경망을 학습하는 기계학습단계;
    를 포함하여 구성되는 인공신경망 모델의 생성방법.
  2. 제1항에 있어서,
    상기 흡수재의 이미지 데이터는,
    다수의 흡수재에 대하여 흡수 영상데이터를 획득하는 영상데이터 획득단계;
    상기 영상데이터를 구성하는 각 프레임 이미지 데이터를 획득하는 프레임 이미지 데이터 획득단계;
    를 통하여 획득한 상기 각 프레임 이미지 데이터인 것;을 특징으로 하는 인공신경망 모델의 생성방법.
  3. 제2항에 있어서,
    상기 흡수 영상데이터는,
    소정량의 물을 용기에 담아 교반하는 동안 소정량의 상기 흡수재를 투입하고, 물이 흡수되어 굳어가는 과정이 촬영된 영상 데이터인 것;
    인 인공신경망 모델의 생성방법.
  4. 흡수재를 투입하고 소정의 시간동안 흡수재의 영상데이터를 획득하는 흡수재 영상데이터 획득단계;
    상기 영상데이터를 각 프레임 이미지데이터로 분리하여 프레임 이미지데이터를 획득하는 프레임 이미지 데이터 획득단계;
    상기 프레임 이미지 데이터를 인공신경망 모델에 입력하여 프레임 이미지를 분류하는 프레임 이미지 분류단계;
    상기 분류된 프레임 이미지로부터 흡수 종료 프레임과 흡수 시작 프레임을 추출하고, 이를 이용하여 흡수속도를 산출하는 흡수속도 산출단계;
    를 포함하여 구성되는 흡수재의 흡수속도 산출방법.
  5. 제4항에 있어서,
    상기 인공신경망 모델은,
    청구항 1 내지 3항 중 어느 한 항의 인공신경망 모델의 생성방법에 따라 생성된 인공신경망 모델인 것;
    을 특징으로 하는 흡수재의 흡수속도 산출방법.
  6. 제4항에 있어서,
    상기 흡수속도 산출단계에서 상기 흡수속도는 아래 (수식 1)에 의해 산출되는 것;을 특징으로 하는 흡수재의 흡수속도 산출방법.
    (수식 1) 흡수속도 = (흡수 종료 프레임 넘버 - 흡수 시작 프레임 넘버)/영상의 fps
  7. 흡수재의 흡수속도를 산출하는 시스템에 있어서,
    상기 흡수재의 흡수 영상데이터를 획득하는 영상데이터 획득부;
    상기 흡수 영상데이터로부터 영상데이터를 구성하는 각 프레임 이미지데이터로 분리하여, 프레임 이미지데이터를 획득하는 프레임 이미지 데이터 획득부;
    상기 프레임 이미지데이터로부터 흡수 시작시점과 흡수 완료시점을 산출하여 흡수재의 흡수속도를 산출하는 흡수속도 산출부;
    를 포함하여 구성되는 흡수재의 흡수속도 산출시스템.
  8. 제8항에 있어서,
    상기 프레임 이미지 데이터 획득부가 획득한 각각의 프레임 이미지 데이터들을 프레임 순서대로 입력받아 흡수재가 물을 흡수하는 중인 흡수중 이미지인지, 물 흡수가 완료된 물 흡수완료 이미지인지 구분하여 판별하는 프레임 이미지 판별부;
    를 추가로 포함하며,
    상기 흡수속도 산출부는,
    상기 프레임 이미지 판별부가 가장 먼저 흡수중 이미지로 판별한 이미지의 프레임 넘버(시작 프레임 넘버)로부터 상기 흡수 시작시점을 산출하고, 가장 먼저 흡수완료 이미지로 판별한 이미지의 프레임 넘버(종료 프레임 넘버)로부터 흡수 완료시점을 산출하는 것;
    을 특징으로 하는 흡수재의 흡수속도 산출시스템.
  9. 제8항에 있어서,
    상기 흡수속도는 아래 수식 1로부터 산출되는 것;을 특징으로 하는 흡수재의 흡수속도 산출시스템.
    (수식 1)
    흡수속도 = (종료 프레임 넘버 - 시작 프레임 넘버)/영상데이터의 fps
  10. 제7항에 있어서,
    상기 프레임 이미지 판별부는,
    입력되는 각 프레임 이미지 데이터를 입력받아 이를 흡수중 이미지 또는 흡수완료 이미지로 구분하여 판별하고, 그 판별 결과를 출력하도록 미리 학습된 인공신경망부;
    를 포함하여 구성된 것을 특징으로 하는 흡수재의 흡수속도 산출시스템.
  11. 제10항에 있어서,
    상기 인공신경망부는,
    다수의 샘플 흡수재의 흡수 샘플 영상데이터를 각 샘플 프레임 이미지 데이터로 분리한 샘플 프레임 이미지 데이터 및 상기 각 샘플 프레임 이미지 데이터에 대하여 흡수중과 흡수완료인 상태로 라벨링한 데이터를 학습데이터로 입력받아, 상기 각 샘플 프레임 이미지 데이터에 대하여 상기 라벨링 데이터가 매칭되도록 학습된 것;
    을 특징으로 하는 흡수재의 흡수속도 산출시스템.
PCT/KR2023/016554 2022-10-28 2023-10-24 이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법 WO2024090949A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0141535 2022-10-28
KR20220141535 2022-10-28
KR10-2023-0142281 2023-10-23
KR1020230142281A KR20240060457A (ko) 2022-10-28 2023-10-23 이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법

Publications (1)

Publication Number Publication Date
WO2024090949A1 true WO2024090949A1 (ko) 2024-05-02

Family

ID=90831245

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/016554 WO2024090949A1 (ko) 2022-10-28 2023-10-24 이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법

Country Status (1)

Country Link
WO (1) WO2024090949A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0139392B1 (ko) * 1994-08-03 1998-07-01 김은영 부직상 흡수체의 액체 흡수 성능 측정 방법 및 그 장치
KR20210117179A (ko) * 2020-03-13 2021-09-28 프라운호퍼 게젤샤프트 쭈르 푀르데룽 데어 안겐반텐 포르슝 에. 베. 표면에서 물을 검출하는 장치 및 표면에서 물을 검출하는 방법
KR20210146781A (ko) * 2020-05-27 2021-12-06 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 영상을 인식하는 방법, 장치, 전자 기기, 매체 및 프로그램
KR20220077722A (ko) * 2020-12-02 2022-06-09 주식회사 엘지화학 고흡수성 수지의 제조 방법
JP2022135498A (ja) * 2021-03-05 2022-09-15 東海旅客鉄道株式会社 座席濡れ検出システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0139392B1 (ko) * 1994-08-03 1998-07-01 김은영 부직상 흡수체의 액체 흡수 성능 측정 방법 및 그 장치
KR20210117179A (ko) * 2020-03-13 2021-09-28 프라운호퍼 게젤샤프트 쭈르 푀르데룽 데어 안겐반텐 포르슝 에. 베. 표면에서 물을 검출하는 장치 및 표면에서 물을 검출하는 방법
KR20210146781A (ko) * 2020-05-27 2021-12-06 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 영상을 인식하는 방법, 장치, 전자 기기, 매체 및 프로그램
KR20220077722A (ko) * 2020-12-02 2022-06-09 주식회사 엘지화학 고흡수성 수지의 제조 방법
JP2022135498A (ja) * 2021-03-05 2022-09-15 東海旅客鉄道株式会社 座席濡れ検出システム

Similar Documents

Publication Publication Date Title
WO2019132168A1 (ko) 수술영상데이터 학습시스템
WO2021101053A1 (ko) 상품 인식을 위한 데이터 취득 시스템
WO2017051945A1 (ko) 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치
WO2021095991A1 (ko) 불량 이미지 생성 장치 및 방법
WO2021194056A1 (en) Method for training deep learning network based on artificial intelligence and learning device using the same
WO2022149894A1 (ko) 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2018216948A1 (ko) 인공신경망 분석에 근거한 복합적 물체 인식 시스템 및 방법
WO2020111754A9 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2020067632A1 (ko) 인공지능 영상 학습을 위한 동영상의 학습 대상 프레임 이미지 샘플링 방법, 장치, 프로그램 및 그 영상 학습 방법
WO2024090949A1 (ko) 이미지 분류 알고리즘에 기초한 고흡수성 수지의 흡수속도 산출 방법
WO2020004749A1 (ko) 동영상 파일을 이용한 설비 학습 장치 및 방법
CN107389681A (zh) 一种全自动血型分析仪的图像判读方法
WO2015030397A1 (ko) 고분자의 팽윤 현상 평가 지수를 계산하는 방법 및 이를 이용한 시스템
WO2022146050A1 (ko) 우울증 진단을 위한 인공지능 연합학습 방법 및 시스템
WO2020141751A1 (ko) 신체 사이즈 측정용 사진 획득 방법 및 이를 이용한 신체 사이즈 측정 방법, 서버 및 프로그램
WO2022114340A1 (ko) 스마트 비전 얼라인먼트 시스템 및 이를 이용한 스마트 비전 얼라인먼트 방법
WO2015182841A1 (ko) 관객반응 분석 시스템 및 방법
WO2021020949A2 (ko) 트레이닝 완성도를 평가하기 위한 장치 및 방법
WO2018048200A1 (ko) 편석 분석 장치 및 방법
WO2022045519A1 (ko) 최적화 모델 선택 장치 및 방법
WO2021118047A1 (ko) 딥러닝을 이용한 사고 영상의 사고과실 평가 방법 및 장치
WO2021015490A2 (ko) 이미지의 특이 영역 분석 방법 및 장치
WO2022108249A1 (ko) 학습데이터 생성 방법, 장치, 프로그램 및 이를 이용한 이물질 검출 방법
CN208861326U (zh) 一种血液样本交接系统
CN113096076A (zh) 一种基于机器视觉的西林瓶计数对数系统及方法