KR102699688B1 - Deep learning-based humidity sensing system and humidity sensing method - Google Patents
Deep learning-based humidity sensing system and humidity sensing method Download PDFInfo
- Publication number
- KR102699688B1 KR102699688B1 KR1020220022734A KR20220022734A KR102699688B1 KR 102699688 B1 KR102699688 B1 KR 102699688B1 KR 1020220022734 A KR1020220022734 A KR 1020220022734A KR 20220022734 A KR20220022734 A KR 20220022734A KR 102699688 B1 KR102699688 B1 KR 102699688B1
- Authority
- KR
- South Korea
- Prior art keywords
- humidity
- images
- focus
- fresnel lens
- voltage
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 title claims description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 12
- 229910021389 graphene Inorganic materials 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000003463 adsorbent Substances 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4788—Diffraction
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
- G01N2021/1776—Colour camera
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/10—Scanning
- G01N2201/108—Miscellaneous
- G01N2201/1087—Focussed scan beam, e.g. laser
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
본 발명의 일 실시예에 따른 딥러닝 기반 습도 센싱 시스템에 있어서, 광원; 상기 광원으로부터 조사되는 광을 회절시켜 초점을 형성하는 프레넬 렌즈; 상기 프레넬 렌즈에 전압을 인가하는 전원 공급부; 상기 전원 공급부에 의해 상기 프레넬 렌즈에 인가되는 전압을 변경하면서 상기 초점에 따른 복수의 이미지를 촬영하는 카메라;를 포함하는 습도 센서; 및 상기 습도 센서로부터 상기 복수의 이미지를 수신하고, 상기 복수의 이미지를 이용하여 상기 전압에 따른 초점 강도 특성을 식별하고, 상기 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 복수의 이미지에 따른 습도 정보를 식별하는 프로세서를 포함하는 습도 판별 장치;를 포함한다.In one embodiment of the present invention, a deep learning-based humidity sensing system comprises: a light source; a Fresnel lens which forms a focus by diffracting light irradiated from the light source; a power supply unit which applies a voltage to the Fresnel lens; a camera which captures a plurality of images according to the focus while changing the voltage applied to the Fresnel lens by the power supply unit; a humidity sensor; and a humidity determination device which comprises a processor which receives the plurality of images from the humidity sensor, identifies a focus intensity characteristic according to the voltage using the plurality of images, and identifies humidity information according to the plurality of images based on a deep learning model learned to perform a calculation of humidity information according to the focus intensity characteristic.
Description
본 발명은 딥러닝 기반 습도 센싱 시스템 및 습도 센싱 방법에 관한 것이다.The present invention relates to a deep learning-based humidity sensing system and humidity sensing method.
습도는 인간의 생활 환경에서 중요한 요소 중 하나로, 습도를 측정하기 위한 다양한 방법이 고안되어 왔다. Humidity is one of the important factors in the human living environment, and various methods have been devised to measure humidity.
대표적인 습도를 측정하는 방법으로 물 분자 자체의 성질을 이용하는 방법과 물 분자가 흡착되는 흡습성 물질의 물성 변화를 측정하는 방법이 있다.Representative methods for measuring humidity include a method that utilizes the properties of water molecules themselves and a method that measures changes in the properties of hygroscopic substances to which water molecules are adsorbed.
보다 구체적으로, 물 분자 자체의 성질을 이용하는 방법에는 포화를 이용하는 방법이 있으며, 노점 또는 변이점의 온도를 측정한다. 흡수에 의한 방법을 활용한 습도 센서로는, 예를 들어, 부피식, 전기분해식, 중량식 습도계가 있으며 각각 수증기 부피, 흡수된 물의 전해전류, 흡착체의 무게변화를 측정한다. 또한 증발과 냉각을 이용하는 방법을 활용한 습도 센서로는, 건습구 습도계가 있다.More specifically, there is a method that utilizes the properties of the water molecule itself, which utilizes saturation, and measures the temperature of the dew point or transition point. Humidity sensors that utilize the absorption method include, for example, volumetric, electrolytic, and gravimetric hygrometers, which measure the volume of water vapor, the electrolytic current of the absorbed water, and the weight change of the adsorbent, respectively. In addition, there is a wet-bulb hygrometer as a humidity sensor that utilizes the methods of evaporation and cooling.
흡습성 물질의 물성 변화를 측정하는 방법에는 모발의 길이변화, 전기전도도, 표면전도도, 유전상수의 변화, 변색 등을 이용하는 방법이 있다. 분광학을 이용하는 방법은 근적외선의 흡수를 측정하거나 유전성을 측정한다. 그 외에는 확산속도 차를 이용하거나 이온화 전위의 변화를 측정하는 방법이 있다.There are methods for measuring changes in the properties of hygroscopic materials, such as changes in hair length, electrical conductivity, surface conductivity, changes in dielectric constant, and discoloration. Methods using spectroscopy measure near-infrared absorption or dielectric properties. Other methods include methods using differences in diffusion rates or measuring changes in ionization potential.
다만, 물 분자의 성질을 직접 측정하거나 물 분자를 포집하여 흡착하는 방법은 측정의 안정화 시간이 필요하여 시간이 오래 걸리거나, 초기값으로의 교정(calibration) 과정이 필요하다는 단점이 있다. 분광학을 이용하는 방법은 이러한 한계를 극복할 수 있지만, 스마트 홈 기술, 인공지능 기술의 발전에 따라 이를 활용하는 경우 보다 신뢰도 높은 습도 측정이 가능할 것으로 기대된다.However, methods that directly measure the properties of water molecules or capture and adsorb water molecules have the disadvantage of requiring a stabilization time for measurement, which takes a long time, or a calibration process to the initial value. Methods using spectroscopy can overcome these limitations, but with the development of smart home technology and artificial intelligence technology, it is expected that more reliable humidity measurement will be possible if these are utilized.
본 발명의 목적은 보다 신뢰도 높은 습도 센싱 시스템 및 습도 센싱 방법을 제공하는 것이다.An object of the present invention is to provide a more reliable humidity sensing system and humidity sensing method.
본 발명의 목적은 보다 습도 센싱 시간을 단축할 수 있는 습도 센싱 시스템 및 습도 센싱 방법을 제공하는 것이다.An object of the present invention is to provide a humidity sensing system and a humidity sensing method capable of shortening the humidity sensing time.
본 발명의 일 실시예에 따른 딥러닝 기반 습도 센싱 시스템에 있어서, 광원; 상기 광원으로부터 조사되는 광을 회절시켜 초점을 형성하는 프레넬 렌즈; 상기 프레넬 렌즈에 전압을 인가하는 전원 공급부; 상기 전원 공급부에 의해 상기 프레넬 렌즈에 인가되는 전압을 변경하면서 상기 초점에 따른 복수의 이미지를 촬영하는 카메라;를 포함하는 습도 센서; 및 상기 습도 센서로부터 상기 복수의 이미지를 수신하고, 상기 복수의 이미지를 이용하여 상기 전압에 따른 초점 강도 특성을 식별하고, 상기 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 복수의 이미지에 따른 습도 정보를 식별하는 프로세서를 포함하는 습도 판별 장치;를 포함한다.In one embodiment of the present invention, a deep learning-based humidity sensing system comprises: a light source; a Fresnel lens which forms a focus by diffracting light irradiated from the light source; a power supply unit which applies a voltage to the Fresnel lens; a camera which captures a plurality of images according to the focus while changing the voltage applied to the Fresnel lens by the power supply unit; a humidity sensor; and a humidity determination device which comprises a processor which receives the plurality of images from the humidity sensor, identifies a focus intensity characteristic according to the voltage using the plurality of images, and identifies humidity information according to the plurality of images based on a deep learning model learned to perform a calculation of humidity information according to the focus intensity characteristic.
상기 프로세서는, 상기 복수의 이미지의 밝기 정보를 추출하고, 상기 밝기 정보를 이용하여 상기 초점 강도 특성을 식별하고, 상기 초점 강도 특성과 상기 초점 강도 특성에 대응하는 습도 정보를 학습데이터로 학습하여 상기 딥러닝 모델을 생성할 수 있다.The above processor can extract brightness information of the plurality of images, identify the focus intensity characteristic using the brightness information, and learn the focus intensity characteristic and humidity information corresponding to the focus intensity characteristic as learning data to generate the deep learning model.
상기 프로세서는, 상기 복수의 이미지로부터 RGB 색상을 제거하여 상기 밝기 정보를 추출할 수 있다.The above processor can extract the brightness information by removing RGB colors from the plurality of images.
상기 프로세서는, 상기 프레넬 렌즈에 연속적으로 증가하는 전압을 인가함에 따라 촬영되는 복수의 이미지를 수신할 수 있다.The above processor can receive a plurality of images captured by applying a continuously increasing voltage to the Fresnel lens.
상기 프로세서는, 상기 복수의 이미지를 이용하여 전압의 변화에 따른 초점 강도의 변화를 포함하는 상기 초점 강도 특성을 식별할 수 있다.The above processor can identify the focus intensity characteristic including a change in focus intensity according to a change in voltage using the plurality of images.
상기 프로세서는, 상기 초점 강도의 피크값에 대응하는 전압 정보에 기초하여 상기 초점 강도 특성을 식별할 수 있다.The above processor can identify the focus intensity characteristic based on voltage information corresponding to a peak value of the focus intensity.
상기 카메라는 CCD(Charge Coupled Device) 카메라인 것을 특징으로 할 수 있다.The above camera may be characterized as being a CCD (Charge Coupled Device) camera.
본 발명의 일 실시예에 따른 딥러닝 기반의 습도 센싱 방법에 있어서, 습도 판별 장치가, 프레넬 렌즈를 포함하는 습도 센서로부터 상기 프레넬 렌즈에 인가되는 전압을 변경하면서 형성되는 초점에 따른 복수의 이미지를 수신하는 단계; 상기 습도 판별 장치가, 상기 복수의 이미지를 이용하여 상기 전압에 따른 초점 강도 특성을 식별하는 단계; 상기 습도 판별 장치가, 상기 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 복수의 이미지에 따른 습도 정보를 식별하는 단계;를 포함한다.In one embodiment of the present invention, a deep learning-based humidity sensing method comprises: a step in which a humidity determination device receives a plurality of images according to a focus formed while changing a voltage applied to a Fresnel lens from a humidity sensor including a Fresnel lens; a step in which the humidity determination device identifies a focus intensity characteristic according to the voltage using the plurality of images; and a step in which the humidity determination device identifies humidity information according to the plurality of images based on a deep learning model learned to perform a calculation of humidity information according to the focus intensity characteristic.
상기 복수의 이미지에 따른 습도 정보를 식별하는 단계는, 상기 습도 판별 장치가, 상기 복수의 이미지의 밝기 정보를 추출하는 단계; 상기 습도 판별 장치가, 상기 밝기 정보를 이용하여 상기 초점 강도 특성을 식별하는 단계; 상기 습도 판별 장치가, 상기 초점 강도 특성과 상기 초점 강도 특성에 대응하는 습도 정보를 학습데이터로 학습하여 상기 딥러닝 모델을 생성하는 단계;를 포함할 수 있다.The step of identifying humidity information according to the above plurality of images may include a step of the humidity determination device extracting brightness information of the plurality of images; a step of the humidity determination device identifying the focus intensity characteristic using the brightness information; and a step of the humidity determination device learning the focus intensity characteristic and humidity information corresponding to the focus intensity characteristic as learning data to generate the deep learning model.
상기 밝기 정보를 추출하는 단계는, 상기 습도 판별 장치가, 상기 복수의 이미지로부터 RGB 색상을 제거하여 상기 밝기 정보를 추출하는 단계;를 포함할 수 있다.The step of extracting the brightness information may include a step of the humidity determination device extracting the brightness information by removing RGB colors from the plurality of images.
상기 복수의 이미지를 수신하는 단계는, 상기 습도 판별 장치가, 상기 프레넬 렌즈에 연속적으로 증가하는 전압을 인가함에 따라 촬영되는 복수의 이미지를 수신하는 단계;를 포함할 수 있다.The step of receiving the plurality of images may include the step of receiving the plurality of images captured as the humidity determination device applies a voltage that continuously increases to the Fresnel lens.
상기 초점 강도 특성을 식별하는 단계는, 상기 습도 판별 장치가, 상기 복수의 이미지를 이용하여 전압의 변화에 따른 초점 강도의 변화를 포함하는 상기 초점 강도 특성을 식별하는 단계;를 포함할 수 있다.The step of identifying the above focus intensity characteristic may include a step of the humidity determination device identifying the focus intensity characteristic including a change in focus intensity according to a change in voltage using the plurality of images.
상기 초점 강도 특성을 식별하는 단계는, 상기 습도 판별 장치가, 상기 초점 강도의 피크값에 대응하는 전압 정보에 기초하여 상기 초점 강도 특성을 식별하는 단계;를 포함할 수 있다.The step of identifying the focus intensity characteristic may include a step of the humidity determination device identifying the focus intensity characteristic based on voltage information corresponding to a peak value of the focus intensity.
본 발명의 일 실시예에 따르면, 딥러닝 모델을 이용하여 측정 환경의 습도를 판별하는 바, 보다 신뢰성 있는 습도 센싱 시스템을 구현할 수 있다. According to one embodiment of the present invention, a more reliable humidity sensing system can be implemented by determining the humidity of a measurement environment using a deep learning model.
본 발명의 일 실시예에 따르면, 습도 센싱 시스템은 광학적 특성을 이용하기 때문에 공기 중 수증기를 흡수하는 방식보다 센싱 시간을 단축할 수 있다. 따라서, 이를 활용하는 광범위한 응용분야에 적용할 수 있다. According to one embodiment of the present invention, the humidity sensing system can shorten the sensing time compared to the method of absorbing water vapor in the air because it utilizes optical characteristics. Therefore, it can be applied to a wide range of applications that utilize it.
본 발명의 일 실시예에 따르면, 그래핀으로 제작된 프레넬 렌즈에 스윕 전압을 인가하는 방법과 습도환경에서의 프레넬 렌즈의 초점 변화에 대한 분석 방법을 제공함으로써 2차원 물질 및 광학 연구와 이의 실용적 응용에 많은 도움을 줄 수 있다.According to one embodiment of the present invention, a method of applying a sweep voltage to a Fresnel lens made of graphene and a method of analyzing a change in focus of the Fresnel lens in a humid environment are provided, thereby greatly contributing to research on two-dimensional materials and optics and their practical applications.
도 1은 본 발명의 일 실시예에 따른 습도 센싱 시스템을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 습도 센싱 시스템의 구성을 도시한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 프레넬 렌즈를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 습도 판별 장치의 동작 흐름도를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 카메라가 촬영한 이미지를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 전압에 따른 초점 강도 특성을 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 습도 판별 장치의 모델 생성 과정을 도시한 그래프이다.
도 8은 본 발명의 일 실시예에 따른 모델 생성 모습을 도시한 도면이다.FIG. 1 is a schematic diagram illustrating a humidity sensing system according to one embodiment of the present invention.
FIG. 2 is a block diagram illustrating the configuration of a humidity sensing system according to one embodiment of the present invention.
FIG. 3 is a drawing illustrating a Fresnel lens according to one embodiment of the present invention.
FIG. 4 is a drawing illustrating an operation flow chart of a humidity determination device according to one embodiment of the present invention.
FIG. 5 is a drawing illustrating an image captured by a camera according to one embodiment of the present invention.
FIG. 6 is a diagram illustrating focus intensity characteristics according to voltage according to one embodiment of the present invention.
FIG. 7 is a graph illustrating a model generation process of a humidity determination device according to one embodiment of the present invention.
Figure 8 is a drawing illustrating a model generation process according to one embodiment of the present invention.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. The detailed description to be disclosed below together with the accompanying drawings is intended to explain exemplary embodiments of the present invention, and is not intended to represent the only embodiments in which the present invention may be practiced. In the drawings, in order to clearly describe the present invention, parts that are not related to the description may be omitted, and the same reference numerals may be used for the same or similar components throughout the specification.
도 1은 본 발명의 일 실시예에 따른 습도 센싱 시스템을 도시한 개략도이다.FIG. 1 is a schematic diagram illustrating a humidity sensing system according to one embodiment of the present invention.
도 1에 도시된 습도 센싱 시스템(1)(이하, 시스템(1)이라 한다.)은 습도 센서(100)와 습도 판별 장치(200)를 포함한다. The humidity sensing system (1) (hereinafter referred to as system (1)) illustrated in Fig. 1 includes a humidity sensor (100) and a humidity determination device (200).
본 발명의 일 실시예에 따른 습도 센서(100)는 공기 중 광을 조사하여 나타나는 모습을 촬영하는 장치로서, 광원(110), 프레넬 렌즈(Fresnel Lens)(120), 전원 공급부(130), 카메라(140)를 포함한다. 이때, 본 발명의 일 실시예에 따르면, 광원(110)과 프레넬 렌즈(120) 사이의 공간이 측정 환경이 되고, 이 공간의 습도가 측정 대상이 된다.A humidity sensor (100) according to one embodiment of the present invention is a device that photographs an image by irradiating light in the air, and includes a light source (110), a Fresnel lens (120), a power supply unit (130), and a camera (140). At this time, according to one embodiment of the present invention, the space between the light source (110) and the Fresnel lens (120) becomes a measurement environment, and the humidity in this space becomes a measurement target.
본 발명의 일 실시예에 따른 습도 센서(100)는 광원(110)과 카메라(140) 사이에 프레넬 렌즈(120)가 배치되는 구조를 가지고, 각 구성은 일렬로 배치된다. 따라서, 광원(110)을 통해 조사한 광은 프레넬 렌즈(120)에 의해 형성되는 초점에 모이고, 카메라(140)가 이를 전면에서 촬영한다. A humidity sensor (100) according to one embodiment of the present invention has a structure in which a Fresnel lens (120) is placed between a light source (110) and a camera (140), and each component is placed in a row. Accordingly, light irradiated through the light source (110) is focused on a focus formed by the Fresnel lens (120), and the camera (140) captures this from the front.
분광학을 이용하여 습도를 측정하는 방법은 광을 조사하는 경로에 존재하는 입자의 크기가 빛의 파장과 비슷할 경우 발생하는 산란, 즉 미 산란(Mie Scattering)을 활용한다. 조사된 광을 전면에서 관찰하면 미 산란의 영향으로 수분이 낮은 경우보다 수분이 높은 경우 미 산란으로 인한 광의 손실이 큼을 알 수 있다. 따라서 미 산란에 의한 광 손실로부터 발생하는 특성 변화를 역으로 추적하면 측정 환경의 습도를 판단할 수 있다. The method of measuring humidity using spectroscopy utilizes Mie scattering, which occurs when the size of particles existing in the path of irradiating light is similar to the wavelength of light. When observing the irradiated light from the front, it can be seen that the light loss due to Mie scattering is greater when the moisture content is high than when the moisture content is low. Therefore, by tracing the characteristic change that occurs from the light loss due to Mie scattering in reverse, the humidity of the measurement environment can be determined.
본 발명의 일 실시예에 따르면, 카메라(140)를 고정 평면에 두는 경우, 광원(110)이 프레넬 렌즈(120)를 향해 광을 조사하면, 광원(110)과 프레넬 렌즈(120) 사이의 공간에 존재하는 수분의 양에 따라 광의 초점 강도 특성이 달라진다. According to one embodiment of the present invention, when the camera (140) is placed on a fixed plane and the light source (110) irradiates light toward the Fresnel lens (120), the focal intensity characteristics of the light change depending on the amount of moisture present in the space between the light source (110) and the Fresnel lens (120).
또한, 본 발명의 일 실시예에 따르면, 프레넬 렌즈(120)는 광원(110)으로부터 조사되는 광을 회절시켜 초점을 형성한다. 이때, 프레넬 렌즈(120)에 인가되는 전압이 변화함에 따라 초점이 형성되는 거리, 즉 초점 거리가 변화한다. 이는 프레넬 렌즈(120)의 물성에 의해 나타나는 특성으로, 보다 자세한 내용은 도 2 및 도 3을 참조하여 설명한다. In addition, according to one embodiment of the present invention, the Fresnel lens (120) diffracts light irradiated from the light source (110) to form a focus. At this time, the distance at which the focus is formed, i.e., the focal length, changes as the voltage applied to the Fresnel lens (120) changes. This is a characteristic exhibited by the physical properties of the Fresnel lens (120), and more detailed information will be described with reference to FIGS. 2 and 3.
즉, 프레넬 렌즈(120)에 인가되는 전압에 의해서 초점 거리가 변화함에 따라 초점 강도가 달라지고, 측정 환경에 존재하는 수분에 따라 그 초점 강도의 특성이 달라진다. That is, the focal intensity changes as the focal distance changes depending on the voltage applied to the Fresnel lens (120), and the characteristics of the focal intensity change depending on the moisture present in the measurement environment.
본 발명의 일 실시예에 따른 습도 판별 장치(200)는 습도 센서(100)가 촬영한 복수의 이미지를 이용하여 실제 측정 환경의 습도를 식별하는 장치로써, 컴퓨터, 서버 등으로 구현될 수 있다.A humidity determination device (200) according to one embodiment of the present invention is a device that identifies humidity in an actual measurement environment by using a plurality of images captured by a humidity sensor (100), and can be implemented as a computer, server, etc.
본 발명에서는 습도에 따른 초점 강도 특성을 딥러닝을 이용하여 학습하고, 학습된 딥러닝 모델에 기초하여 실제 측정 환경에서의 수분을 측정하는 방법에 대해 제안한다. In the present invention, we propose a method for learning focus intensity characteristics according to humidity using deep learning and measuring moisture in an actual measurement environment based on the learned deep learning model.
이하, 도면들을 참조하여 본 발명의 일 실시예에 따른 습도 센싱 시스템의 구성 및 동작에 대해 구체적으로 설명한다. Hereinafter, the configuration and operation of a humidity sensing system according to one embodiment of the present invention will be specifically described with reference to the drawings.
도 2는 본 발명의 일 실시예에 따른 습도 센싱 시스템의 구성을 도시한 블럭도이다.FIG. 2 is a block diagram illustrating the configuration of a humidity sensing system according to one embodiment of the present invention.
본 발명의 일 실시예에 따르면, 습도 센서(100)는 도 1에서 설명한 바와 같이, 광원(110), 프레넬 렌즈 (120), 전원 공급부(130), 카메라(140)를 포함한다.According to one embodiment of the present invention, the humidity sensor (100) includes a light source (110), a Fresnel lens (120), a power supply (130), and a camera (140), as described in FIG. 1.
본 발명의 일 실시예에 따르면, 광원(110)은 레이저 광을 조사하는 장치이다. 이때, 광원(110)이 조사하는 레이저 광은 추후 설명하는 프레넬 렌즈(120) 설계 시 적용한 파장을 가질 수 있으며, 다만 이에 한정되는 것은 아니다. 도 1에 도시되지는 않았으나, 광원(110)이 레이저 광을 조사하는 경우, 레이저의 온도를 일정하게 유지하기 위한 온도 조절 장치, 파장을 조정하는 제어부 등을 추가로 포함할 수 있다. 또한, 본 발명의 일 실시예에 따른 광원(110)은 이에 한정되지 않으며 레이저 광 이외에도 습도를 측정하는데 사용 가능한 광이면 제한없이 적용 가능하다. According to one embodiment of the present invention, the light source (110) is a device that irradiates laser light. At this time, the laser light irradiated by the light source (110) may have a wavelength applied when designing the Fresnel lens (120) to be described later, but is not limited thereto. Although not shown in FIG. 1, when the light source (110) irradiates laser light, a temperature control device for maintaining the temperature of the laser constant, a control unit for adjusting the wavelength, etc. may be additionally included. In addition, the light source (110) according to one embodiment of the present invention is not limited thereto, and any light that can be used to measure humidity, in addition to laser light, may be applied without limitation.
본 발명의 일 실시예에 따르면, 프레넬 렌즈(120)는 광원(110)으로부터 조사되는 광을 회절시켜 초점을 형성한다. 본 발명의 일 실시예에 따른 프레넬 렌즈(120)는 그래핀(Graphene)으로 이루어질 수 있다. 그래핀은 직류 전압이 인가되었을 때 광학적 특성이 변화하는 물질로, 이로 인해 전원 공급부(130)로부터 프레넬 렌즈(120)에 인가되는 전압이 변화함에 따라 초점이 형성되는 거리, 즉 초점 거리가 변화한다. 프레넬 렌즈(120)의 세부 구성 및 제작방법에 대한 보다 자세한 내용은 도 3을 참조하여 설명한다. According to one embodiment of the present invention, the Fresnel lens (120) diffracts light irradiated from the light source (110) to form a focus. The Fresnel lens (120) according to one embodiment of the present invention may be made of graphene. Graphene is a material whose optical properties change when a direct current voltage is applied, and thus, as the voltage applied to the Fresnel lens (120) from the power supply unit (130) changes, the distance at which a focus is formed, i.e., the focal length, changes. More detailed information about the detailed configuration and manufacturing method of the Fresnel lens (120) will be described with reference to FIG. 3.
본 발명의 일 실시예에 따르면, 전원 공급부(130)는 프레넬 렌즈(120)와 연결되어 프레넬 렌즈(120)에 전원을 공급한다. 이때, 전원 공급부(130)는 제어부(미도시)를 포함하여 제어부로부터 제어 신호를 수신하거나, 추후 설명하는 습도 판별 장치(100)로부터 제어신호를 수신할 수 있으며, 프레넬 렌즈(120)에 전원을 공급하는 방식은 본 발명을 한정하지 않는다.According to one embodiment of the present invention, the power supply unit (130) is connected to the Fresnel lens (120) and supplies power to the Fresnel lens (120). At this time, the power supply unit (130) may receive a control signal from the control unit (not shown) or may receive a control signal from the humidity determination device (100) to be described later, and the method of supplying power to the Fresnel lens (120) does not limit the present invention.
본 발명의 일 실시예에 따르면, 카메라(140)는 전원 공급부(130)에 의해 프레넬 렌즈(120)에 인가되는 전압이 변경됨에 따라 나타나는 이미지를 전면에서 촬영한다. 이때, 카메라(140)는 동일 측정 환경에서는 고정 평면에 위치하는 것으로 가정한다. According to one embodiment of the present invention, the camera (140) captures an image from the front that appears as the voltage applied to the Fresnel lens (120) by the power supply (130) changes. At this time, it is assumed that the camera (140) is positioned on a fixed plane in the same measurement environment.
보다 구체적으로, 카메라(140)는 프레넬 렌즈(120)에 의해 회절되는 광을 전면에서 촬영한다. 이때, 프레넬 렌즈(120)에 의해 카메라(140)와 동일 수직 평면상에 초점이 형성되면 선명한 이미지가 촬영되고, 카메라(140)보다 앞, 뒤에 초점이 형성되면 흐릿한 이미지가 촬영된다. 이때, 초점이 어디에 형성되느냐에 따라 흐릿한 정도가 상이할 수 있다. 카메라(140)는 전압이 일정 단위로 증가할 때마다, 예를 들어 1V 증가하여 인가될 때마다 촬영하거나, 일정 주기마다, 예를 들어 10초마다 촬영할 수 있으며, 어느 하나에 한정되지 않는다. More specifically, the camera (140) captures light diffracted by the Fresnel lens (120) from the front. At this time, if a focus is formed on the same vertical plane as the camera (140) by the Fresnel lens (120), a clear image is captured, and if a focus is formed in front or behind the camera (140), a blurry image is captured. At this time, the degree of blurriness may vary depending on where the focus is formed. The camera (140) may capture images whenever the voltage increases by a certain unit, for example, by increasing by 1 V, or may capture images at certain intervals, for example, every 10 seconds, but is not limited to either.
본 발명의 일 실시예에 따른 카메라(140)는 CCD(Charge Coupled Device) 카메라인 것을 특징으로 한다. CCD 카메라는 빛을 전하로 전환시키고, 그 전하를 다시 디지털화하여 디지털 이미지를 얻을 수 있게 하는 카메라이다. 도 5는 카메라(140)가 CCD 카메라인 경우 촬영한 이미지의 일 예를 도시한다. The camera (140) according to one embodiment of the present invention is characterized by being a CCD (Charge Coupled Device) camera. A CCD camera is a camera that converts light into electric charges and digitizes the charges again to obtain a digital image. Fig. 5 illustrates an example of an image captured when the camera (140) is a CCD camera.
본 발명의 일 실시예에 따른 습도 판별 장치(200)는 입력부(210), 통신부(220), 표시부(230), 메모리(240) 및 프로세서(250)를 포함한다.A humidity determination device (200) according to one embodiment of the present invention includes an input unit (210), a communication unit (220), a display unit (230), a memory (240), and a processor (250).
입력부(210)는 습도 판별 장치(200)의 사용자 입력에 대응하여 입력데이터를 발생시킨다. 사용자 입력은 습도 정보의 식별에 관한 사용자 입력을 포함할 수 있다. 습도 정보 식별에 관한 사용자 입력은, 예를 들어, 딥러닝 모델을 형성하기 위한 레이어 구성, 파라미터에 대한 입력 등 습도 정보 식별과 관련된 입력이라면 제한 없이 적용 가능하다. The input unit (210) generates input data in response to the user input of the humidity determination device (200). The user input may include user input regarding the identification of humidity information. The user input regarding the identification of humidity information may be applied without limitation as long as it is input related to the identification of humidity information, such as input regarding layer configuration and parameters for forming a deep learning model.
입력부(210)는 적어도 하나의 입력수단을 포함한다. 입력부(210)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.The input unit (210) includes at least one input means. The input unit (210) may include a keyboard, a key pad, a dome switch, a touch panel, a touch key, a mouse, a menu button, etc.
통신부(220)는 데이터를 수신하기 위해 습도 센서(100) 등 외부장치와의 통신을 수행한다. 이를 위해, 통신부(220)는 5G(5th generation communication), LTE-A(long term evolution-advanced), LTE(long term evolution), Wi-Fi(wireless fidelity) 등의 통신을 수행할 수 있다.The communication unit (220) performs communication with an external device, such as a humidity sensor (100), to receive data. To this end, the communication unit (220) can perform communication such as 5G (5th generation communication), LTE-A (long term evolution-advanced), LTE (long term evolution), and Wi-Fi (wireless fidelity).
표시부(230)는 습도 판별 장치(200)의 동작에 따른 표시 데이터를 표시한다. 표시부(230)는 습도 정보 식별에 관한 표시데이터를 표시할 수 있다. 습도 정보 식별에 관한 표시데이터란, 예를 들어, 입력데이터를 입력하기 위한 화면, 진행 상황을 표시하는 화면, 식별한 습도 정보를 표시하는 화면 등 습도 정보 식별과 관련된 표시데이터라면 제한 없이 적용 가능하다. The display unit (230) displays display data according to the operation of the humidity determination device (200). The display unit (230) can display display data related to humidity information identification. The display data related to humidity information identification can be applied without limitation if it is display data related to humidity information identification, such as a screen for inputting input data, a screen for displaying progress, a screen for displaying identified humidity information, etc.
표시부(230)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(230)는 입력부(210)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.The display unit (230) includes a liquid crystal display (LCD), a light emitting diode (LED) display, an organic light emitting diode (OLED) display, a micro electro mechanical systems (MEMS) display, and an electronic paper display. The display unit (230) may be implemented as a touch screen by being combined with the input unit (210).
메모리(240)는 습도 판별 장치(200)의 동작 프로그램들을 저장한다. 메모리(240)는 전원의 제공 유무와 무관하게 데이터(정보)를 보존할 수 있는 비휘발성 속성의 스토리지(storage)와, 프로세서(250)에 의해 처리되기 위한 데이터가 로딩되며 전원이 제공되지 않으면 데이터를 보존할 수 없는 휘발성 속성의 메모리(memory)를 포함한다. 스토리지에는 플래시메모리(flash-memory), HDD(hard-disc drive), SSD(solid-state drive) ROM(Read Only Memory) 등이 있으며, 메모리에는 버퍼(buffer), 램(RAM; Random Access Memory) 등이 있다.The memory (240) stores the operation programs of the humidity determination device (200). The memory (240) includes non-volatile storage capable of preserving data (information) regardless of whether power is supplied, and volatile memory into which data to be processed by the processor (250) is loaded and which cannot preserving data if power is not supplied. The storage includes a flash memory, a hard-disc drive (HDD), a solid-state drive (SSD), a Read Only Memory (ROM), etc., and the memory includes a buffer, a RAM (Random Access Memory), etc.
메모리(240)는 습도 센서(100)로부터 수신한 정보 등을 저장할 수 있다. 또한, 메모리(240)는 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 관한 정보를 저장할 수 있다.The memory (240) can store information received from the humidity sensor (100), etc. In addition, the memory (240) can store information about a deep learning model learned to perform calculations of humidity information according to focus intensity characteristics.
프로세서(250)는 프로그램 등 소프트웨어를 실행하여 습도 판별 장치(200)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.The processor (250) can control at least one other component (e.g., hardware or software component) of the humidity determination device (200) by executing software such as a program, and can perform various data processing or operations.
한편, 프로세서(250)는 습도 센서(100)로부터 복수의 이미지를 수신하고, 복수의 이미지를 이용하여 전압에 따른 초점 강도 특성을 식별하고, 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 복수의 이미지에 따른 습도 정보를 식별할 수 있다. Meanwhile, the processor (250) can receive multiple images from the humidity sensor (100), identify focus intensity characteristics according to voltage using the multiple images, and identify humidity information according to the multiple images based on a deep learning model learned to perform calculations of humidity information according to the focus intensity characteristics.
이때, 프로세서(250)는 습도 센서(100)로부터 복수의 이미지를 수신하고, 복수의 이미지를 이용하여 전압에 따른 초점 강도 특성을 식별하고, 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 복수의 이미지에 따른 습도 정보를 식별하기 위한 데이터 분석, 처리, 및 결과 정보 생성 중 적어도 일부를 규칙 기반 또는 인공지능(Artificial Intelligence) 알고리즘으로서 기계학습, 신경망 네트워크(neural network), 또는 이를 이용한 딥러닝 알고리즘 중 적어도 하나를 이용하여 수행할 수 있다. 신경망 네트워크의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network)과 같은 모델을 포함할 수 있다.At this time, the processor (250) receives a plurality of images from the humidity sensor (100), identifies focus intensity characteristics according to voltage using the plurality of images, and performs a calculation of humidity information according to the focus intensity characteristics based on a deep learning model learned to perform at least some of data analysis, processing, and result information generation for identifying humidity information according to the plurality of images using at least one of machine learning, a neural network, or a deep learning algorithm using the same as a rule-based or artificial intelligence algorithm. Examples of the neural network may include models such as a CNN (Convolutional Neural Network), a DNN (Deep Neural Network), and an RNN (Recurrent Neural Network).
도 3은 본 발명의 일 실시예에 따른 프레넬 렌즈를 도시한 도면이다.FIG. 3 is a drawing illustrating a Fresnel lens according to one embodiment of the present invention.
프레넬 렌즈는 기존 입체적인 렌즈를 압축시킨 형태의 렌즈로, 빛의 회절을 이용한 렌즈이다. 일반적인 굴절 렌즈와 달리 평면의 형태이며, 슬릿으로 이루어져 있다. 각 슬릿은 중심에서 멀어짐에 따라 두께가 달라지며, 설계 초점 거리와 빛 파장에 따라 달라진다. 각 슬릿의 두께가 다르므로 광이 슬릿에서 회절한 후의 진행 방향 각도가 달라 한 초점으로 빛이 모이게 설계된다.Fresnel lenses are lenses that are compressed from existing three-dimensional lenses, and are lenses that utilize light diffraction. Unlike general refractive lenses, they are flat and made of slits. Each slit has a different thickness as it moves away from the center, and this varies depending on the design focal length and the wavelength of light. Since the thickness of each slit is different, the angle of the direction in which light travels after diffracting from the slit is different, and the light is designed to gather at one focus.
본 발명의 일 실시예에 따른 프레넬 렌즈(120)는 그래핀(Graphene)으로 이루어질 수 있다. 그래핀은 2차원 물질로, 직류 전압이 인가되었을 때 물질 내의 전하에 이동에 의해 페르미 레벨의 변화가 발생하여 전기적 특성과 함께 광학적 특성이 변화한다. 이러한 물성을 가진 그래핀으로 프레넬 렌즈를 제작하면 직류 전압 인가 시 프레넬 렌즈 링의 가장자리부터 광학적 특성 변화가 나타난다. 즉 슬릿의 두께에 변화가 생기기 때문에 광의 회절 각이 변화하고, 따라서 초점 거리가 변화하게 된다.A Fresnel lens (120) according to one embodiment of the present invention may be made of graphene. Graphene is a two-dimensional material, and when a direct current voltage is applied, a change in the Fermi level occurs due to movement of charges within the material, thereby changing the optical characteristics as well as the electrical characteristics. When a Fresnel lens is manufactured using graphene having such properties, a change in the optical characteristics appears from the edge of the Fresnel lens ring when a direct current voltage is applied. That is, since the thickness of the slit changes, the diffraction angle of light changes, and thus the focal length changes.
도 3을 참조하면, 그래핀 기반의 프레넬 렌즈(120)가 제작된 모습을 볼 수 있다. 프레넬 렌즈(120)는 아래에서부터 유리 층(121), ITO 층(122), 인슐레이터(123), 렌즈 층(124)으로 구성될 수 있다. Referring to Fig. 3, a graphene-based Fresnel lens (120) can be seen in its manufactured form. The Fresnel lens (120) can be composed of a glass layer (121), an ITO layer (122), an insulator (123), and a lens layer (124) from the bottom.
프레넬 렌즈(120)는 다음과 같은 방법으로 제작될 수 있으나, 제작 방법이 본 발명의 프레넬 렌즈(120)를 한정하지는 않는다.The Fresnel lens (120) can be manufactured by the following method, but the manufacturing method does not limit the Fresnel lens (120) of the present invention.
유리 층(121) 위에 음극 물질로 ITO 층(122)을 적층하고, 양극과의 절연을 위해 인슐레이터(123)를 적층한다. 그리고, 인슐레이터(123) 위에 양극 물질인 그래핀을 화학 기상 증착(CVD; Chemical Vapor Deposition) 방식으로 적층한 후, 설계 사이즈의 프레넬 렌즈를 집속 이온 빔(FIB; Focused Ion Beam)으로 식각하여 렌즈 층(124)을 형성한다.An ITO layer (122) is laminated as a cathode material on a glass layer (121), and an insulator (123) is laminated for insulation from the anode. Then, graphene, which is an anode material, is laminated on the insulator (123) by a chemical vapor deposition (CVD) method, and then a Fresnel lens of a design size is etched with a focused ion beam (FIB) to form a lens layer (124).
따라서 ITO 층(122)은 음극, 렌즈 층(124)을 양극으로 하여 프레넬 렌즈(120)에 전원 공급부(130)가 연결되고, 전원 공급부(130)는 프레넬 렌즈(120)에 직류 전압을 인가한다. 이때, 광원(110)이 유리 기판에서 그래핀 방향으로 광을 조사하면 식각된 슬릿(slit)에서 빛의 회절이 발생한다.Accordingly, the ITO layer (122) is connected to the Fresnel lens (120) as a cathode and the lens layer (124) as an anode, and the power supply unit (130) applies a DC voltage to the Fresnel lens (120). At this time, when the light source (110) irradiates light from the glass substrate toward the graphene, diffraction of light occurs at the etched slit.
본 발명의 일 실시예에 따르면, 그래핀으로 제작된 프레넬 렌즈에 스윕 전압을 인가하는 방법과 습도 환경에서의 프레넬 렌즈의 초점 변화에 대한 분석 방법을 제공함으로써 2차원 물질 및 광학 연구와 이의 실용적 응용에 많은 도움을 줄 수 있다.According to one embodiment of the present invention, a method of applying a sweep voltage to a Fresnel lens made of graphene and a method of analyzing a change in focus of the Fresnel lens in a humid environment are provided, thereby greatly contributing to research on two-dimensional materials and optics and their practical applications.
이하 도면에서, 습도 판별 장치(200)의 동작 흐름도에 기초하여 습도 센서(100)에 의해 획득한 이미지를 분석하는 동작에 관해 구체적으로 설명한다.In the drawing below, the operation of analyzing an image acquired by a humidity sensor (100) based on the operation flow diagram of the humidity determination device (200) is specifically described.
도 4는 본 발명의 일 실시예에 따른 습도 판별 장치의 동작 흐름도를 도시한 도면이다.FIG. 4 is a drawing illustrating an operation flow chart of a humidity determination device according to one embodiment of the present invention.
본 발명의 일 실시예에 따르면, 프로세서(250)는 프레넬 렌즈(120)를 포함하는 습도 센서(100)로부터 프레넬 렌즈(120)에 인가되는 전압을 변경하면서 형성되는 초점에 따른 복수의 이미지를 수신할 수 있다(S10).According to one embodiment of the present invention, the processor (250) can receive a plurality of images according to focus formed by changing the voltage applied to the Fresnel lens (120) from the humidity sensor (100) including the Fresnel lens (120) (S10).
앞서 서술한 바와 같이, 프레넬 렌즈(120)에 전압을 변경하면서 광을 조사하는 경우, 광원(110)과 프레넬 렌즈(120) 사이의 공간에 존재하는 수분의 양뿐 아니라, 프레넬 렌즈(120)의 물성에 의해 조사한 광의 광학적 특성이 변하게 된다. As described above, when irradiating light while changing the voltage on the Fresnel lens (120), the optical characteristics of the irradiated light change not only due to the amount of moisture present in the space between the light source (110) and the Fresnel lens (120), but also due to the physical properties of the Fresnel lens (120).
그에 따라, 프레넬 렌즈(120)가 형성하는 초점이 이동하게 되고, 카메라(140)는 전압에 따라 초점이 변하는 복수의 이미지를 촬영할 수 있다. Accordingly, the focus formed by the Fresnel lens (120) moves, and the camera (140) can capture multiple images with the focus changing according to the voltage.
이때, 프로세서(250)는 습도 센서(100) 혹은 카메라(140)에 구비된 통신부(미도시)를 통해 복수의 이미지를 실시간으로 수신할 수 있으나, 습도 센서(100)로부터 복수의 이미지를 수신하는 방식은 본 발명을 한정하지 않는다.At this time, the processor (250) can receive multiple images in real time through a communication unit (not shown) equipped in the humidity sensor (100) or camera (140), but the method of receiving multiple images from the humidity sensor (100) does not limit the present invention.
본 발명의 일 실시예에 따르면, 프로세서(250)는 복수의 이미지를 이용하여 전압에 따른 초점 강도 특성을 식별할 수 있다(S20). According to one embodiment of the present invention, the processor (250) can identify focus intensity characteristics according to voltage using multiple images (S20).
본 발명의 일 실시예에 따르면, 전압에 따른 초점 강도 특성은 프레넬 렌즈(120)에 인가되는 전압 및 측정 환경에 존재하는 수분의 양에 따라 변화하는 초점 강도를 의미한다. 이때, 초점 강도 특성은 초점 강도의 피크값을 가질 때의 전압 정보를 포함한다. According to one embodiment of the present invention, the voltage-dependent focal intensity characteristic means a focal intensity that changes depending on the voltage applied to the Fresnel lens (120) and the amount of moisture present in the measurement environment. At this time, the focal intensity characteristic includes voltage information when the focal intensity has a peak value.
보다 구체적으로, 프레넬 렌즈(120)에 전압을 인가하면 그래핀의 광학적 특성이 변화함에 따라 초점 거리가 변화하고, 카메라(140)의 위치는 고정되어 있으므로 프로세서(250)가 촬영된 이미지를 분석하면 전압에 따라 초점 강도가 변화함을 식별할 수 있다. 이 변화는 광원(110)으로부터 조사되는 광이 프레넬 렌즈(120)에 도달하여 회절하기 전 수분에 의한 미 산란 정도에도 영향을 받기 때문에 수증기의 양, 즉 습도에 따라 초점 강도의 피크값을 가지는 전압도 달라진다. More specifically, when voltage is applied to the Fresnel lens (120), the focal length changes as the optical properties of graphene change, and since the position of the camera (140) is fixed, when the processor (250) analyzes the captured image, it can identify that the focal intensity changes according to the voltage. Since this change is also affected by the degree of slight scattering by moisture before the light irradiated from the light source (110) reaches the Fresnel lens (120) and is diffracted, the voltage having the peak value of the focal intensity also changes depending on the amount of water vapor, i.e., humidity.
본 발명의 일 실시예에 따르면, 프로세서(250)는 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 복수의 이미지에 따른 습도 정보를 식별할 수 있다(S30). According to one embodiment of the present invention, the processor (250) can identify humidity information according to multiple images based on a deep learning model learned to perform calculation of humidity information according to focus intensity characteristics (S30).
본 발명의 일 실시예에 따르면, 프레넬 렌즈(120)에 인가되는 전압의 크기에 따라 초점 거리가 변화하고, 측정 환경의 수분에 의한 미 산란의 정도에 따라 초점 강도 특성이 달라지므로, 이들을 학습데이터로 학습된 딥러닝 모델을 이용할 수 있다. According to one embodiment of the present invention, since the focal length changes depending on the magnitude of the voltage applied to the Fresnel lens (120) and the focal intensity characteristic changes depending on the degree of scattering due to moisture in the measurement environment, a deep learning model learned from these can be used as learning data.
본 발명의 일 실시예에 따르면, 초점 강도 특성에 포함되는 피크값은 프레넬 렌즈(120)의 초점을 형성하는 특징에 의해 나타난다. 따라서, 본 발명의 피크값이 나타나는 초점 강도 특성은 데이터의 특징을 추출하여 학습하는 딥러닝 모델을 이용하는 데 효과적이다. According to one embodiment of the present invention, the peak value included in the focus intensity characteristic is indicated by a feature forming the focus of the Fresnel lens (120). Therefore, the focus intensity characteristic in which the peak value of the present invention appears is effective in utilizing a deep learning model that extracts and learns the features of data.
이때, 프로세서(250)가 딥러닝 모델을 학습하거나, 기 학습되어 생성된 딥러닝 모델을 외부로부터 수신 및 저장하여 이용할 수 있으며 어느 하나에 한정되는 것은 아니다. 프로세서(250)가 딥러닝 모델을 학습하는 경우의 동작에 관하여는 도 7 및 도 8과 관련하여 설명한다.At this time, the processor (250) may learn a deep learning model, or may receive and store a deep learning model that has been learned and generated from the outside and use it, but is not limited to either one. The operation when the processor (250) learns a deep learning model will be described with reference to FIGS. 7 and 8.
본 발명의 일 실시예에 따르면, 딥러닝 모델을 이용하여 측정 환경의 습도를 판별하는 바, 보다 신뢰성 있는 습도 센싱 시스템(1)을 구현할 수 있다. According to one embodiment of the present invention, a more reliable humidity sensing system (1) can be implemented by determining the humidity of a measurement environment using a deep learning model.
본 발명의 일 실시예에 따르면, 습도 센싱 시스템(1)은 광학적 특성을 이용하기 때문에 공기 중 수증기를 흡수하는 방식보다 센싱 시간을 단축할 수 있다. 따라서, 이를 활용하는 광범위한 응용분야에 적용할 수 있다. According to one embodiment of the present invention, the humidity sensing system (1) can shorten the sensing time compared to the method of absorbing water vapor in the air because it utilizes optical characteristics. Therefore, it can be applied to a wide range of applications that utilize it.
본 발명의 일 실시예에 따르면, 그래핀으로 제작된 프레넬 렌즈에 스윕 전압을 인가하는 방법과 습도환경에서의 프레넬 렌즈 초점 변화에 대한 분석 방법을 제공함으로써 2차원 물질 및 광학 연구와 이의 실용적 응용에 많은 도움을 줄 수 있다.According to one embodiment of the present invention, a method of applying a sweep voltage to a Fresnel lens made of graphene and a method of analyzing a change in focus of a Fresnel lens in a humid environment are provided, thereby greatly contributing to research on two-dimensional materials and optics and their practical applications.
도 5는 본 발명의 일 실시예에 따른 카메라가 촬영한 이미지를 도시한 도면이다.FIG. 5 is a drawing illustrating an image captured by a camera according to one embodiment of the present invention.
도 5에 도시된 이미지(510)는 카메라(140)가 CCD 카메라인 경우 프레넬 렌즈(120)에 의해 회절되는 광을 촬영한 이미지 중 하나이다. The image (510) illustrated in FIG. 5 is one of the images captured by capturing light diffracted by a Fresnel lens (120) when the camera (140) is a CCD camera.
보다 구체적으로, 이미지(510)에서 프레넬 렌즈(120)에 의해 형성되는 초점에 광이 모이는 부분이 초점 스팟(520)으로 나타난다. 추후 도 7에서 설명하는 바와 같이, 이미지(510)는 딥러닝 모델의 입력 데이터로 이용되며, 프로세서(250)는 이미지(510)의 픽셀별로 밝기 정보를 분석하여 초점 강도 특성을 식별한다. More specifically, the part where light is gathered at the focus formed by the Fresnel lens (120) in the image (510) appears as a focal spot (520). As described later in FIG. 7, the image (510) is used as input data for a deep learning model, and the processor (250) analyzes brightness information for each pixel of the image (510) to identify focal intensity characteristics.
도 6은 본 발명의 일 실시예에 따른 전압에 따른 초점 강도 특성을 도시한 도면이다. FIG. 6 is a diagram illustrating focus intensity characteristics according to voltage according to one embodiment of the present invention.
보다 구체적으로, 도 6의 그래프(610)는 전원 공급부(130)가 프레넬 렌즈(120)에 -50V 부터 50V까지 연속적으로 증가하는 전압(스윕 전압이라고도 한다.)을 인가하는 경우 카메라(140)에 의해 촬영된 이미지로부터 식별한 초점 강도(Focal Intensity)를 나타낸다. More specifically, the graph (610) of FIG. 6 represents the focal intensity identified from an image captured by the camera (140) when the power supply (130) applies a voltage (also called a sweep voltage) that continuously increases from -50 V to 50 V to the Fresnel lens (120).
이때, 도 6에 도시된 전압에 따른 초점 강도의 곡선(611, 612, 613)들은 습도 조건만 서로 다르고, 다른 조건은 동일한 상황에서 측정된 것으로 가정한다. At this time, it is assumed that the curves (611, 612, 613) of the focal intensity according to the voltage shown in Fig. 6 were measured in a situation where only the humidity conditions are different and other conditions are the same.
곡선(611, 612, 613)들을 통해 특정 습도 조건에서 초점 강도는 일정 전압 구간에서 피크값을 가짐을 알 수 있다. 본 발명의 일 실시예에 따르면, 습도 센서(100)에 프레넬 렌즈(120)를 적용함으로써 피크값을 가지는 초점 강도 특성을 획득할 수 있으므로, 데이터의 특징을 추출하여 학습하는 딥러닝 모델을 이용하는 데 효과적이다.Through the curves (611, 612, 613), it can be seen that the focal intensity has a peak value in a certain voltage range under specific humidity conditions. According to one embodiment of the present invention, by applying a Fresnel lens (120) to a humidity sensor (100), a focal intensity characteristic having a peak value can be obtained, so it is effective in utilizing a deep learning model that extracts and learns data features.
또한 곡선(611, 612, 613)들을 통해 습도에 따라 초점 강도의 피크값이 나타나는 전압의 크기가 달라짐을 알 수 있다. 따라서 다양한 습도 조건에서 초점 강도의 피크값을 데이터 셋으로 하여 학습하는 딥러닝 모델을 이용할 수 있음을 예상할 수 있다.In addition, it can be seen through curves (611, 612, 613) that the voltage size at which the peak value of the focus intensity appears varies depending on humidity. Therefore, it can be expected that a deep learning model that learns using the peak value of the focus intensity as a data set under various humidity conditions can be used.
도 7은 본 발명의 일 실시예에 따른 습도 판별 장치의 모델 생성 과정을 도시한 그래프이다.FIG. 7 is a graph illustrating a model generation process of a humidity determination device according to one embodiment of the present invention.
본 도면은 도 4의 S30에서 설명한 딥러닝 모델을 프로세서(250)가 학습하는 경우 동작 흐름도를 도시한다. This drawing illustrates an operation flow diagram when a processor (250) learns the deep learning model described in S30 of FIG. 4.
본 발명의 일 실시예에 따르면, 프로세서(250)는 복수의 이미지의 밝기 정보를 추출할 수 있다. 이때, 프로세서(250)는 밝기 정보를 추출하기 위해 복수의 이미지로부터 RGB 색상을 제거할 수 있다(S31). 본 발명의 일 실시예에 따르면, 밝기 정보는 이미지의 픽셀별 밝기값을 포함할 수 있다.According to one embodiment of the present invention, the processor (250) can extract brightness information of a plurality of images. At this time, the processor (250) can remove RGB colors from the plurality of images to extract the brightness information (S31). According to one embodiment of the present invention, the brightness information can include brightness values for each pixel of the image.
본 발명의 일 실시예에 따르면, 프로세서(250)는 식별한 밝기 정보를 이용하여 초점 강도 특성을 식별할 수 있다(S32). According to one embodiment of the present invention, the processor (250) can identify focus intensity characteristics using the identified brightness information (S32).
본 발명의 일 실시예에 따르면, 프로세서(250)는 이미지의 픽셀별로 밝기 정보를 식별하고, 밝기 정보에 대응하는 초점 강도를 벡터 형식으로 하여 벡터 데이터를 생성 및 저장할 수 있다. 이때, 습도 정보는 벡터 데이터의 레이블에 지정될 수 있다.According to one embodiment of the present invention, the processor (250) can identify brightness information for each pixel of an image, and generate and store vector data in the form of a vector of a focus intensity corresponding to the brightness information. At this time, humidity information can be specified in a label of the vector data.
즉, 본 발명의 일 실시예에 따르면, 프로세서(250)는 특정 습도 조건에서 인가되는 전압의 변화에 따른 초점 강도의 변화를 하나의 학습 데이터로 설정할 수 있다. That is, according to one embodiment of the present invention, the processor (250) can set a change in focus intensity according to a change in voltage applied under specific humidity conditions as one learning data.
그리고, 프로세서(250)는 초점 강도 특성과 초점 강도 특성에 대응하는 습도 정보를 학습데이터로 학습 데이터를 훈련 세트와 테스트 세트로 분할한 후 습도 조건을 클래스(정답)으로 하여 학습 및 최적화를 할 수 있다(S33).Then, the processor (250) can divide the learning data into a training set and a test set using the focus intensity characteristics and the humidity information corresponding to the focus intensity characteristics as learning data, and then perform learning and optimization using the humidity condition as a class (correct answer) (S33).
딥러닝 모델을 학습 및 최적화하면서 데이터의 특징을 추출하는 구성은 이하 도 8을 참조하여 설명한다. The configuration for extracting data features while learning and optimizing a deep learning model is explained below with reference to Figure 8.
도 8은 본 발명의 일 실시예에 따른 모델 생성 모습을 도시한 도면이다.Figure 8 is a drawing illustrating a model generation process according to one embodiment of the present invention.
본 발명의 일 실시예에 따른 딥러닝 모델(800)은 촬영된 이미지를 기반하여 측정 환경에서의 습도 정보를 예측하는 모델이다.A deep learning model (800) according to one embodiment of the present invention is a model that predicts humidity information in a measurement environment based on a captured image.
본 발명의 일 실시예에 따른 딥러닝 모델(800)은 학습 데이터로 특정 습도 조건에서 인가되는 전압의 변화에 따른 초점 강도의 변화에 관한 정보를 사용할 수 있다. 이때, 다양한 데이터 생성 및 구축을 위해 복수의 습도 조건에서 인가되는 전압의 변화에 따른 초점 강도의 변화 정보를 수집할 수 있다.A deep learning model (800) according to one embodiment of the present invention can use information on changes in focus intensity according to changes in voltage applied under specific humidity conditions as learning data. At this time, information on changes in focus intensity according to changes in voltage applied under multiple humidity conditions can be collected to generate and construct various data.
본 발명의 일 실시예에 따른 프로세서(250)는 학습 데이터를 이용하여 신경망 네트워크를 학습시키기 전에, 획득된 학습 데이터에 대하여 기 설정된 포맷으로 가공하거나, 노이즈를 제거하여 적절한 데이터 형태로 가공하는 등 전처리 작업을 수행하거나, 또는 복수의 학습 데이터 중에서 학습에 이용될 데이터를 선별할 수 있다.According to one embodiment of the present invention, a processor (250) may perform preprocessing operations, such as processing acquired learning data into a preset format, removing noise, and processing the acquired learning data into an appropriate data form, before training a neural network using learning data, or may select data to be used for learning from among a plurality of learning data.
본 발명의 일 실시예에 따른 딥러닝 모델(800)은 1차원(1-Dimension) CNN(Convolution Neural Network) 기법을 이용하여 학습될 수 있다. A deep learning model (800) according to one embodiment of the present invention can be trained using a 1-dimensional CNN (Convolution Neural Network) technique.
본 발명의 일 실시예에 따른 1차원 CNN 기법은 커널(Kernel)을 통해 학습 데이터를 스캔하며 CNN 레이어(CNN layer-1, CNN layer-2, CNN layer-3)을 거쳐 합성곱(Convolution)을 진행하며 데이터의 특성을 학습하고 예측한다.A one-dimensional CNN technique according to one embodiment of the present invention scans learning data through a kernel, performs convolution through CNN layers (CNN layer-1, CNN layer-2, CNN layer-3), and learns and predicts data characteristics.
본 발명의 일 실시예에 따른 1차원 CNN 기법은 합성곱을 통해 레이어가 거듭될수록 학습 데이터의 고유한 피크 특성을 식별하면서 피크 부분의 데이터 위주로 입력이 되어 파라미터의 수가 적어지는 바 효율적이다. 이때, 학습 데이터의 고유한 피크 특성은 초점 강도 특성, 피크값을 가지는 경우의 전압 정보일 수 있다.The one-dimensional CNN technique according to one embodiment of the present invention is efficient in that the number of parameters is reduced because the unique peak characteristics of the learning data are identified as layers are repeated through convolution, and data in the peak portion is mainly input. At this time, the unique peak characteristics of the learning data may be the focus intensity characteristics and voltage information in the case of having a peak value.
본 발명의 일 실시예에 따른 프로세서(250)는 딥러닝 모델(800)을 이용하여 프레넬 렌즈에 인가되는 전압을 변경하면서 획득한 초점에 따른 복수의 이미지를 이용하여 초점 강도 특성을 식별하고, 초점 강도 특성에 따라 측정 환경의 습도 정보를 식별할 수 있다. A processor (250) according to one embodiment of the present invention can identify focus intensity characteristics by using multiple images according to focus acquired while changing the voltage applied to a Fresnel lens using a deep learning model (800), and can identify humidity information of a measurement environment according to the focus intensity characteristics.
1: 습도 센싱 시스템
100: 습도 센서
110: 광원
120: 프레넬 렌즈
130: 전원 공급부
140: 카메라
200: 습도 판별 장치
210: 입력부
220: 통신부
230: 표시부
240: 메모리
250: 프로세서1: Humidity sensing system
100: Humidity sensor
110: Light source
120: Fresnel lens
130: Power supply
140: Camera
200: Humidity Determination Device
210: Input section
220: Communications Department
230: Display section
240: Memory
250: Processor
Claims (14)
광원; 상기 광원으로부터 조사되는 광을 회절시켜 초점을 형성하는 프레넬 렌즈; 상기 프레넬 렌즈에 전압을 인가하는 전원 공급부; 상기 전원 공급부에 의해 상기 프레넬 렌즈에 인가되는 전압이 변경됨에 따라 형성되는 초점에 따른 복수의 이미지를 촬영하는 카메라;를 포함하는 습도 센서; 및
상기 습도 센서로부터 상기 복수의 이미지를 수신하고,
상기 복수의 이미지를 이용하여 상기 전압에 따른 초점 강도 특성을 식별하고,
상기 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 복수의 이미지에 따른 습도 정보를 식별하는 프로세서를 포함하는 습도 판별 장치;
를 포함하는 습도 센싱 시스템.In a deep learning-based humidity sensing system,
A humidity sensor including a light source; a Fresnel lens that forms a focus by diffracting light irradiated from the light source; a power supply unit that applies voltage to the Fresnel lens; a camera that captures a plurality of images according to a focus formed as the voltage applied to the Fresnel lens by the power supply unit is changed; and
Receive the plurality of images from the humidity sensor,
Using the above multiple images, identify the focal intensity characteristics according to the voltage,
A humidity determination device including a processor for identifying humidity information according to the plurality of images based on a deep learning model learned to perform a calculation of humidity information according to the above focus intensity characteristics;
A humidity sensing system comprising:
상기 프로세서는,
상기 복수의 이미지의 밝기 정보를 추출하고,
상기 밝기 정보를 이용하여 상기 초점 강도 특성을 식별하고,
상기 초점 강도 특성과 상기 초점 강도 특성에 대응하는 습도 정보를 학습데이터로 학습하여 상기 딥러닝 모델을 생성하는 습도 센싱 시스템.In the first paragraph,
The above processor,
Extract brightness information from the above multiple images,
Using the above brightness information, the focus intensity characteristic is identified,
A humidity sensing system that creates the deep learning model by learning the above focus intensity characteristics and humidity information corresponding to the above focus intensity characteristics as learning data.
상기 프로세서는,
상기 복수의 이미지로부터 RGB 색상을 제거하여 상기 밝기 정보를 추출하는 습도 센싱 시스템.In the second paragraph,
The above processor,
A humidity sensing system that extracts brightness information by removing RGB colors from the plurality of images.
상기 프로세서는,
상기 프레넬 렌즈에 연속적으로 증가하는 전압을 인가함에 따라 촬영되는 복수의 이미지를 수신하는 습도 센싱 시스템.In the first paragraph,
The above processor,
A humidity sensing system that receives a plurality of images captured by applying a continuously increasing voltage to the above Fresnel lens.
상기 프로세서는,
상기 복수의 이미지를 이용하여 전압의 변화에 따른 초점 강도의 변화를 포함하는 상기 초점 강도 특성을 식별하는 습도 센싱 시스템.In the first paragraph,
The above processor,
A humidity sensing system for identifying a focus intensity characteristic including a change in focus intensity according to a change in voltage using the plurality of images.
상기 프로세서는,
상기 초점 강도의 피크값에 대응하는 전압 정보에 기초하여 상기 초점 강도 특성을 식별하는 습도 센싱 시스템.In paragraph 5,
The above processor,
A humidity sensing system that identifies the focus intensity characteristic based on voltage information corresponding to a peak value of the focus intensity.
상기 카메라는 CCD(Charge Coupled Device) 카메라인 것을 특징으로 하는 딥러닝 기반 습도 센싱 시스템. In the first paragraph,
A deep learning-based humidity sensing system, characterized in that the above camera is a CCD (Charge Coupled Device) camera.
습도 판별 장치가, 프레넬 렌즈를 포함하는 습도 센서로부터 상기 프레넬 렌즈에 인가되는 전압이 변경됨에 따라 형성되는 초점에 따른 복수의 이미지를 수신하는 단계;
상기 습도 판별 장치가, 상기 복수의 이미지를 이용하여 상기 전압에 따른 초점 강도 특성을 식별하는 단계;
상기 습도 판별 장치가, 상기 초점 강도 특성에 따라 습도 정보의 연산을 수행하도록 학습된 딥러닝 모델에 기초하여 상기 복수의 이미지에 따른 습도 정보를 식별하는 단계;를 포함하는 습도 센싱 방법.In a humidity sensing method based on deep learning,
A humidity determination device comprises a step of receiving a plurality of images according to a focus formed as a voltage applied to the Fresnel lens is changed from a humidity sensor including a Fresnel lens;
A step of the humidity determination device identifying the focus intensity characteristic according to the voltage using the plurality of images;
A humidity sensing method, comprising: a step of identifying humidity information according to the plurality of images based on a deep learning model learned to perform a calculation of humidity information according to the focus intensity characteristics, by the humidity determination device.
상기 복수의 이미지에 따른 습도 정보를 식별하는 단계는,
상기 습도 판별 장치가, 상기 복수의 이미지의 밝기 정보를 추출하는 단계;
상기 습도 판별 장치가, 상기 밝기 정보를 이용하여 상기 초점 강도 특성을 식별하는 단계;
상기 습도 판별 장치가, 상기 초점 강도 특성과 상기 초점 강도 특성에 대응하는 습도 정보를 학습데이터로 학습하여 상기 딥러닝 모델을 생성하는 단계;를 포함하는 습도 센싱 방법.In Article 8,
The step of identifying humidity information according to the above multiple images is:
The step of the humidity determination device extracting brightness information of the plurality of images;
A step of the humidity determination device identifying the focus intensity characteristic using the brightness information;
A humidity sensing method, comprising: a step of generating a deep learning model by learning, by the humidity determination device, the focus intensity characteristic and humidity information corresponding to the focus intensity characteristic as learning data.
상기 밝기 정보를 추출하는 단계는,
상기 습도 판별 장치가, 상기 복수의 이미지로부터 RGB 색상을 제거하여 상기 밝기 정보를 추출하는 단계;를 포함하는 습도 센싱 방법.In Article 9,
The step of extracting the above brightness information is:
A humidity sensing method, comprising: a step of extracting brightness information by removing RGB colors from the plurality of images, wherein the humidity determination device;
상기 복수의 이미지를 수신하는 단계는,
상기 습도 판별 장치가, 상기 프레넬 렌즈에 연속적으로 증가하는 전압을 인가함에 따라 촬영되는 복수의 이미지를 수신하는 단계;를 포함하는 습도 센싱 방법.In Article 9,
The step of receiving the above multiple images is:
A humidity sensing method, comprising: a step of receiving a plurality of images captured by the humidity determination device by applying a voltage that continuously increases to the Fresnel lens;
상기 초점 강도 특성을 식별하는 단계는,
상기 습도 판별 장치가, 상기 복수의 이미지를 이용하여 전압의 변화에 따른 초점 강도의 변화를 포함하는 상기 초점 강도 특성을 식별하는 단계;를 포함하는 습도 센싱 방법.In Article 9,
The step of identifying the above focus intensity characteristics is:
A humidity sensing method, comprising: a step of identifying, by the humidity determination device, the focus intensity characteristic including a change in focus intensity according to a change in voltage using the plurality of images;
상기 초점 강도 특성을 식별하는 단계는,
상기 습도 판별 장치가, 상기 초점 강도의 피크값에 대응하는 전압 정보에 기초하여 상기 초점 강도 특성을 식별하는 단계;를 포함하는 습도 센싱 방법.In Article 12,
The step of identifying the above focus intensity characteristics is:
A humidity sensing method, comprising: a step of identifying the focus intensity characteristic based on voltage information corresponding to a peak value of the focus intensity by the humidity determination device;
상기 복수의 이미지는 CCD(Charge Coupled Device) 카메라를 통해 촬영되는 것을 특징으로 하는 습도 센싱 방법.In Article 11,
A humidity sensing method, characterized in that the plurality of images are captured by a CCD (Charge Coupled Device) camera.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220022734A KR102699688B1 (en) | 2022-02-22 | 2022-02-22 | Deep learning-based humidity sensing system and humidity sensing method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220022734A KR102699688B1 (en) | 2022-02-22 | 2022-02-22 | Deep learning-based humidity sensing system and humidity sensing method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230125911A KR20230125911A (en) | 2023-08-29 |
| KR102699688B1 true KR102699688B1 (en) | 2024-08-26 |
Family
ID=87802350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220022734A KR102699688B1 (en) | 2022-02-22 | 2022-02-22 | Deep learning-based humidity sensing system and humidity sensing method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102699688B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020066209A1 (en) * | 2018-09-27 | 2020-04-02 | 株式会社堀場製作所 | Method for generating data for particle analysis, program for generating data for particle analysis, and device for generating data for particle analysis |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102563912B1 (en) * | 2018-04-02 | 2023-08-07 | 삼성전자주식회사 | The Electronic Device Including the Optical Sensor using the Fresnel lens |
| KR102452394B1 (en) * | 2020-06-11 | 2022-10-11 | 한국생산기술연구원 | A device and method for predicting the total temperature distribution of a measurement object through measurement of a thermocouple temperature sensor based on deep learning |
-
2022
- 2022-02-22 KR KR1020220022734A patent/KR102699688B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020066209A1 (en) * | 2018-09-27 | 2020-04-02 | 株式会社堀場製作所 | Method for generating data for particle analysis, program for generating data for particle analysis, and device for generating data for particle analysis |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230125911A (en) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6855587B2 (en) | Devices and methods for acquiring distance information from a viewpoint | |
| KR102702448B1 (en) | Long-term and continuous animal behavior monitoring | |
| US8891895B2 (en) | Systems and methods for imaging of falling objects | |
| Yang et al. | A statistical explanation of visual space | |
| TW202004513A (en) | Active learning for defect classifier training | |
| Dandrifosse et al. | Imaging wheat canopy through stereo vision: Overcoming the challenges of the laboratory to field transition for morphological features extraction | |
| US10914686B2 (en) | Macro inspection systems, apparatus and methods | |
| CN103424419B (en) | Flying-spot microscope with adaptive scanning | |
| TWI821499B (en) | Inspection system and method for segmenting metrology defects | |
| CN111242912A (en) | Smoke screen interference efficiency acquisition method | |
| CN107077285A (en) | Operation device, the information processor with operation device and the operation acceptance method for information processor | |
| CN111598084B (en) | Defect segmentation network training method, device, equipment and readable storage medium | |
| Gupta et al. | Saliency prediction for mobile user interfaces | |
| Masoudinejad et al. | A measurement platform for photovoltaic performance analysis in environments with ultra-low energy harvesting potential | |
| KR102699688B1 (en) | Deep learning-based humidity sensing system and humidity sensing method | |
| JP6772150B2 (en) | Devices and methods for measuring the activity of active ingredients against nematodes and other organisms in underwater tests | |
| Zou et al. | YOLOv7‐EAS: A Small Target Detection of Camera Module Surface Based on Improved YOLOv7 | |
| US20170336918A1 (en) | Touch-sensing devices using minimum depth-value surface characterizations and associated methods | |
| JP7300835B2 (en) | battery test | |
| TW201308167A (en) | Image sensor and optical touch panel system having the same | |
| US20230024872A1 (en) | Condensation Countermeasures for Airborne Particle Detectors | |
| Gampa | A data-driven approach for detecting stress in plants using hyperspectral imagery | |
| CN117128892A (en) | Three-dimensional information measuring device, measuring method and electronic equipment | |
| Korjani et al. | Temporal Deep Learning Image Processing Model for Natural Gas Leak Detection Using OGI Camera | |
| Xu et al. | TIPS: A three-dimensional phenotypic measurement system for individual maize tassel based on TreeQSM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |