본 연구에서는 자체 제작한 3-3형 복합압전체 초음파 트랜스듀서와 SOFM(Self Organizing Feature Map) 신경회로망을 이용한 수중 3차원 물체인식특성에 대해 연구하였다. 자체 제작한 3-3형 복합압전체 소자는 수중 초음파 트랜스듀서 재료로서의 요구조건을 비교적 잘 만족하였다. 자체 제작한 3-3형 복합압전체 트랜스듀서와 SOFM 신경회로망을 이용하여 얻어진 4종의 인식물체(정사각기둥, 직사각기둥, 원통, 정삼각기둥)에 대한 전체적인 수중 물체인식률은 학습데이터인 경우에는 100%, 시험데이터는 94.0%를 나타내었다. 이들 결과로부터 자체 제작한 3-3형 복합압전체 초음파 트랜스듀서는 수중 물체인식용 트랜스듀서로서 응용될 수 있음을 알 수 있었다.
본 연구에서는 자체 제작한 3-3형 복합압전체 초음파 트랜스듀서와 SOFM(Self Organizing Feature Map) 신경회로망을 이용한 수중 3차원 물체인식특성에 대해 연구하였다. 자체 제작한 3-3형 복합압전체 소자는 수중 초음파 트랜스듀서 재료로서의 요구조건을 비교적 잘 만족하였다. 자체 제작한 3-3형 복합압전체 트랜스듀서와 SOFM 신경회로망을 이용하여 얻어진 4종의 인식물체(정사각기둥, 직사각기둥, 원통, 정삼각기둥)에 대한 전체적인 수중 물체인식률은 학습데이터인 경우에는 100%, 시험데이터는 94.0%를 나타내었다. 이들 결과로부터 자체 제작한 3-3형 복합압전체 초음파 트랜스듀서는 수중 물체인식용 트랜스듀서로서 응용될 수 있음을 알 수 있었다.
In this study, 3-D underwater object recognition using the self-made 3-3 type composite ultrasonic transducer and modified SOFM(Self Organizing Feature Map) neural network are investigated. Properties of the self-made 3-3 type composite specimens are satisfied considerably with requirements as an un...
In this study, 3-D underwater object recognition using the self-made 3-3 type composite ultrasonic transducer and modified SOFM(Self Organizing Feature Map) neural network are investigated. Properties of the self-made 3-3 type composite specimens are satisfied considerably with requirements as an underwater ultrasonic transducer's materials. 3-D underwater all object's recognition rates obtained from both the training data and testing data in different objects, such as a rectangular block, regular triangular block, square block and cylinderical block, were 100% and 94.0%, respectively. All object's recognition rates are obtained by utilizing the self-made 3-3 type composite transducer and SOFM neural network. From the object recognition rates, it could be seen that an ultrasonic transducer fabricated with the self-made 3-3 type composite resonator will be able to have application for the underwater object recognition.
In this study, 3-D underwater object recognition using the self-made 3-3 type composite ultrasonic transducer and modified SOFM(Self Organizing Feature Map) neural network are investigated. Properties of the self-made 3-3 type composite specimens are satisfied considerably with requirements as an underwater ultrasonic transducer's materials. 3-D underwater all object's recognition rates obtained from both the training data and testing data in different objects, such as a rectangular block, regular triangular block, square block and cylinderical block, were 100% and 94.0%, respectively. All object's recognition rates are obtained by utilizing the self-made 3-3 type composite transducer and SOFM neural network. From the object recognition rates, it could be seen that an ultrasonic transducer fabricated with the self-made 3-3 type composite resonator will be able to have application for the underwater object recognition.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 종래의 PZT소자만으로 제 작된 초음파트랜스듀서의 수중 음향임 피던스정합을 개선하고 성능지수를 향상시키기 위하여 PZT-에폭시 3-3형 복합압전체 소자를 사용하여 3-3형 복합압전체 초음파트랜스듀서(이하 3-3 형 초음파트랜스듀서라 칭한다)를 자체 제작하였다(8一9). 제조된 이들 소자의 특성뿐만 아니라수중 물체인식특성을 검토하기 위해 이를 실질적인 수중 물체인식실험에 적용해 보았다.
본 연구에서는 물과의 임피던스 정합을 개선시키고 성능지수를 향상시키기 위하여 PZT-에폭시 3-3형 복합압전체 초음파 트랜스듀서를 자체제작, 이를 사용하여 실질적인 수중 물체인식실험에 적용하여 다음과 같은 결과를 얻었다.
제조된 이들 소자의 특성뿐만 아니라수중 물체인식특성을 검토하기 위해 이를 실질적인 수중 물체인식실험에 적용해 보았다. 아울러 검출된 수중 물체인식특성과 소자의 특성을 비교연구함으로써 자체 제작한 초음파트랜스듀서 가수중에서 응용 가능한지를 검토하였다.
제조된 이들 소자의 특성뿐만 아니라수중 물체인식특성을 검토하기 위해 이를 실질적인 수중 물체인식실험에 적용해 보았다. 아울러 검출된 수중 물체인식특성과 소자의 특성을 비교연구함으로써 자체 제작한 초음파트랜스듀서 가수중에서 응용 가능한지를 검토하였다.
본 실험의 X, y 좌표 값은 초음파 트랜스듀서중심의 고정된 값이므로 초음파 트랜스듀서는 직진성 만을 가진다고 가정하여 측정 범위에서 벗어난 수중 물체의 거리정보들은 제거하였다. 수중 물체의 거리정보는 초음파 트랜스듀서에 가해진 임펄스 전기신호에 의한 음파의 비행시간을 검출하여 계산하였으며, 거리정보 검출방법으로는 one-pulse echo mode를 이용하였다(10).
제안 방법
PZT트랜스듀서, PZT-에폭시 3-3형 초음파트랜스듀서로 수중 물체인식실험을 위한 거리정보 추출을 위한 펄스-에코특성을 얻기 위하여 사진 1과 같은 임펄스(impulse)를 인가하여 시편자체의 진동특성 및 펄스-에코 응답특성을 얻었다. 이때 인가된 임펄스 신호의 크기는 10배의프로브(probe)를 사용하여 측정된 값을 나타내고 있다.
SOFM 신경회로망은 3-3형 초음파 트랜스듀서에 의해 획득된 수중 물체의 거리와 위치정보들을 입력받아 3차원 수중 물체윤곽 특징을 추출하여 정사각기둥, 직사각기둥, 원기둥, 정삼각기둥인 4종류의 물체 입력데이터를 분류하였다.
본 실험에서는 SOFM 신경회로망의 출력 neuron space 크기를 NxN, 입력벡터 V는 256(16×16)차원으로 구성하고 식 (1)~(2)의 학습알고리즘을 이용하여 반복 학습시켰다. 이때 SOFM 신경회로망의 출력 neuron space 크기 및 반복학습 회수가 수중 물체인식률에 미치는 영향을 실험하기 위하여 출력 neuron space 크기를 2X2에서 10x10까지 변화시켰고 각 출력 neuron space에서 반복학습 횟수도 10~50회까지 변화시켰다.
추출된 물체정보들을 학습에 의해 분류하는 신경회로망에는 학습방법에 따라 지도학습(supervised learning)(11)과 자율학습(unsupervised learning)(12)으로 크게 구분한다. 본 연구에서는 입력 값과 목표 값을 함께 입력받아 학습함으로써 데이터 처리시간이 긴 지도학습의 신경회로망에 비해 비교적 처리시간이 빠른 자율학습계열의 신경회로망을 사용한다.
Shrout등⑸은 3-3형 복합압전체를 BURPS(BURnout Plastic Sphere method)으로 제작하였다. 본 연구에서는 플라스틱 구체 (Plastic Sphere)로 PVA(polyvinylalcohol)를 사용하여 다공질 PZT 를 제조한 후(6-7)이들을 3-3복합압전체 제조용충진상(filler phase)으로 사용하고, 고분자 매질상으로는 에폭시 수지계 (Eccogel 1365-0 : Emerson & Cuming Inc.)를 사용하여 3~3 형 복합압전체 소자를 제조하였다(8,9).
비유전율(K33)은 LF Impedance Analyzer(HP4192A)를 사용하여 구하였고, 압전정수 d33는 Berlincourt Piezo d33~meter(Model CPDT 3300, Channel Products, Inc.,)로 측정하였다. 수중 압전전압정수 gh는 pseudo dynamic gh측정법⑻에 의해 구하였으며, 또한 LF 임피던스 분석기(HP4192A)를 사용하여 공진주파수 및 공진임피던스를 측정하였다.
,)로 측정하였다. 수중 압전전압정수 gh는 pseudo dynamic gh측정법⑻에 의해 구하였으며, 또한 LF 임피던스 분석기(HP4192A)를 사용하여 공진주파수 및 공진임피던스를 측정하였다. 이로부터 전기기계결합계수, 기계적 품질계수, 종속도 및 음향임피던스를 계산하였으며, 탄성컴플라이언스는 EMAS의 규정(16)에 의해 구하였다.
실험장치로부터 획득된 원시데이트 16x16 픽셀의 3차원 수중 물체정보는 실험환경의 온도변화 등에 잡음(noise)을 포함하고 있어 이를 제거하고 물체정보를 일정한 픽셀로 전처리 한 후이를 SOFM 신경회로망의 입력으로 사용하였다.
%)로 하여 BURPS법에 의해 다공질 PZT를 제조하였다(6-7). 이들 다공질 pzT를 충진상(filler phase)으로 사용하고, 고분자 매질상으로는 에폭시 수지계 (Eccogel 1365-0 : Emerson & Cuming Inc.)를 사용하여 3-3 형 복합압전체 소자를 제조하였다(8-9). 그 후 이들 시편에 상온 건조용 은전극을 도포한 후 75(℃)의 실리콘 기름 중에서 30~35(kV/cm) 의 전계를 10분 인가하여 분극처리하였다(15).
그 후 이들 시편에 상온 건조용 은전극을 도포한 후 75(℃)의 실리콘 기름 중에서 30~35(kV/cm) 의 전계를 10분 인가하여 분극처리하였다(15). 이들 시편을 24시간 이상 aging시킨 후 각종 유전 및 압전특성을 측정하였으며, 수중용 초음파 트랜스듀서용 재료로서의 요구되는 조건과 비교하였다.
이때 SOFM 신경회로망의 출력 neuron space 크기 및 반복학습 회수가 수중 물체인식률에 미치는 영향을 실험하기 위하여 출력 neuron space 크기를 2X2에서 10x10까지 변화시켰고 각 출력 neuron space에서 반복학습 횟수도 10~50회까지 변화시켰다.
이로부터 전기기계결합계수, 기계적 품질계수, 종속도 및 음향임피던스를 계산하였으며, 탄성컴플라이언스는 EMAS의 규정(16)에 의해 구하였다. 자체 제작한 3-3형 복합압전체 트랜스듀서의 펄스 *으 에코응답특성(17)은 Testpro System(Infomatics Inc, Silver Spring. MD)과 Pulse Receiver(1010PR, Physical Acoustics Co.)를 통하여 평가하였다.
대상 데이터
)를 사용하였다. 3차원 수중 물체인식 실험에 사용된 물체의 종류와 크기는 스테인레스강 재질(S45C)의 정사각기둥 W5xL5xH2[cm], 직사각기둥 W4xL5xH2[cm], 원기둥 D5×H2[cm], 정삼각기둥 L5xH2[cm]의 4종류를 사용하였다.
3차원 수중 물체인식을 위한 실험장치로는 초음파 트랜스듀서 분석용 소프트웨어 Testpro System (Informatics Inc, Silver Spring, MD), Pulse Receiver(1010PR, ACCU-TRON Inc.) 및 수조(upk-T, Physical Acoustics Co.)를 사용하였다. 3차원 수중 물체인식 실험에 사용된 물체의 종류와 크기는 스테인레스강 재질(S45C)의 정사각기둥 W5xL5xH2[cm], 직사각기둥 W4xL5xH2[cm], 원기둥 D5×H2[cm], 정삼각기둥 L5xH2[cm]의 4종류를 사용하였다.
PZT-에폭시 3-3형 복합압전체 소자를 진동자로 사용하여 트랜스듀서 제작을 위해 음향임피던스가 비교적 크고, 내경이 15(imn)인 동(copper)파이프를 사용하였다. 탐촉자의 한쪽은 진동자를 고정하였고, 다른 한쪽은 BNC 컨넥터를 부착하였다.
그림 2는 물체인식실험의 작업영역을 나타낸 것으로 그림 2의 작업영역 중심점 O에 수중 물체인식 실험에 사용될 각 물체를 놓은 후 정사각기둥 40개, 직사각기둥 40개, 원기둥 40개, 정삼각기둥 40개의 데이터인 총 160개의 원시데이터를 추출하여 일정한 픽셀로 전처리하였다. 이중에서 96개는 SOFM 신경회로망의 학습(training) 데이터로 이용하였고, 나머지 64개는 시험(testing)데이터로 사용하였다.
제조한다. 우선 다공질 제조용 PZT분말은 PbO, ZrO2 및 TiC)2를 출발원료로 하여 상조성경계 (MPB)U4) 를 가진 PZT[Pb(Zro.52Tio.48)03] 분말을 용융염합성법〔6-7)에 의해 제조하였다 이들 분말과 기공 형성을 위한 플라스틱 구체(plastic sphere : 74—88( n m)) 로는 PVA(polyvinylalcohol)를 사용하였다. PZT와 PVA의 중량비를 92.
이중에서 96개는 SOFM 신경회로망의 학습(training) 데이터로 이용하였고, 나머지 64개는 시험(testing)데이터로 사용하였다.
자체 제작한 3-3형 초음파 트랜스듀서의 중심을 기준으로 먼저 y축으로 1[on]간격으로 16 step 이동시킨 후 X축으로 l[cm]이동시키는 동작을 반복하여 수조 내의 물체의 거리정보를 픽셀당 X축으로 l[cm], y축으로 l[cm의 크기를 갖는 16x16픽셀로 획득하였다.
이론/모형
48)03] 분말을 용융염합성법〔6-7)에 의해 제조하였다 이들 분말과 기공 형성을 위한 플라스틱 구체(plastic sphere : 74—88( n m)) 로는 PVA(polyvinylalcohol)를 사용하였다. PZT와 PVA의 중량비를 92.5 : 7.5(wt.%)로 하여 BURPS법에 의해 다공질 PZT를 제조하였다(6-7). 이들 다공질 pzT를 충진상(filler phase)으로 사용하고, 고분자 매질상으로는 에폭시 수지계 (Eccogel 1365-0 : Emerson & Cuming Inc.
수중 물체의 거리정보는 초음파 트랜스듀서에 가해진 임펄스 전기신호에 의한 음파의 비행시간을 검출하여 계산하였으며, 거리정보 검출방법으로는 one-pulse echo mode를 이용하였다(10).
수중 압전전압정수 gh는 pseudo dynamic gh측정법⑻에 의해 구하였으며, 또한 LF 임피던스 분석기(HP4192A)를 사용하여 공진주파수 및 공진임피던스를 측정하였다. 이로부터 전기기계결합계수, 기계적 품질계수, 종속도 및 음향임피던스를 계산하였으며, 탄성컴플라이언스는 EMAS의 규정(16)에 의해 구하였다. 자체 제작한 3-3형 복합압전체 트랜스듀서의 펄스 *으 에코응답특성(17)은 Testpro System(Infomatics Inc, Silver Spring.
이를 개선하기 위해 낮은 밀도, 큰 압전성을 가진 각종 압전세라믹-고분자 복합압전체(composite)에 대한 연구가 진행되고 있다⑶. 특히, PZT-고분자 3-3형 복합압전체는 D.P. Skinner⑷에의해 산호를 재료로 한 Lost-wax법에 의해 처음 제작되었으며, 그 후 T.R. Shrout등⑸은 3-3형 복합압전체를 BURPS(BURnout Plastic Sphere method)으로 제작하였다. 본 연구에서는 플라스틱 구체 (Plastic Sphere)로 PVA(polyvinylalcohol)를 사용하여 다공질 PZT 를 제조한 후(6-7)이들을 3-3복합압전체 제조용충진상(filler phase)으로 사용하고, 고분자 매질상으로는 에폭시 수지계 (Eccogel 1365-0 : Emerson & Cuming Inc.
성능/효과
1 (KHz)에서 측정한 3-3형 복합압전체 시편의 비유전율은 에폭시와 조합함으로써 PZT의 비유전율(1, 400)에 비하여 약 849정도로 작은 값이 얻어져 수중 압전전압정수 gh가 개선될 것임을 알 수 있다. 3-3형 복합압전체 시편의 d33값은 310( xi()T2c/N)정도로 자체 제작한 PZT 소결체의 값 364(xl()T2c/N)에 거의 근접하고 있으며, 전기기계 결합계수(kt)도 0.
그리고 시험데이터의 반복학습 회수에 따른 수중 물체인식률은 출력 neuron space의 변화에는 거의 무관함을 알 수 있었다. 즉, SOFM신경회로망의 출력 neuron space를 4x4, 6×6, 8×8로 변화시키고, 또한 각 출력 neuron space에서 반복학습 회수를 10~50회까지 변화시켜도 수중 물체인식률은 2x2 neuron space를 제외하고는 출력 neuron space 및 반복학습 회수에 관계없이 모두 표 2와 거의 비슷한 값을 나타내었다.
기계적품질계수(Qm)는 약 5.09정도로 PZT의 Qm값(80)에 비하여 상당히 작아짐으로서 pulse 상승시간이 빠르고 pulse-echo진폭이 크지게 됨으로써 광대역 트랜스듀서로서 응용될 수 있음을 알 수 있다. 수중 음향임피던스는 시편의 밀도와 음속(V3D)에 의해 정해지는 정수로 음향임피던스가 작은 고분자를 복합화하여 3-3 형 복합압전체를 제작함으로써 약 12.
따라서 자체 제작한 3-3형 복합압전체 소자로 자체 제작한 초음파 트랜스듀서는 수중 물체인식용으로 응용 가능함을 알 수 있었다. 그러나 본 연구에서는 고정된 물체에 대한 제한된 거리정보 검출이므로 SONAR시스템에 응용되기 위해서는 수중 물체의 이동 및 회전에 따른 물체 모서리 거리정보 검출 및 먼 거리의 정보 검출도 가능한 트랜스듀서의 재료개발에 대한 연구가 계속되어야 할 것이다.
수중 물체인식률은 표 2에서와 같이 짧은 학습시간으로 학습데이터인 경우에는 100%, 시험데이터는 92.0%의 인식률을 나타내었다. 이는 본 연구에서 자체 제작한 3-3형 초음파 트랜스듀서가 표 2에서 보여주듯 수중음향임피던스 정합의 개선, 수중전압정수 g33의 증가 및 기계적품질계수가 상당히 작아짐으로서 송수신특성이 향상되어 수중 거리정보가 양호하게 검출될 수 있었던 것으로 생각된다.
09정도로 PZT의 Qm값(80)에 비하여 상당히 작아짐으로서 pulse 상승시간이 빠르고 pulse-echo진폭이 크지게 됨으로써 광대역 트랜스듀서로서 응용될 수 있음을 알 수 있다. 수중 음향임피던스는 시편의 밀도와 음속(V3D)에 의해 정해지는 정수로 음향임피던스가 작은 고분자를 복합화하여 3-3 형 복합압전체를 제작함으로써 약 12.2(Mrayl)가 얻어져 PZT(약 31Mrayl)에 비해 상당히 개선된 값이 얻어져 음향 에너지의 전달이 더욱 잘 이루질 것임을 예측할 수 있다.
이는 3-3형 복합압전체 트랜스듀서의 성능지수가 PZT소자로 제작한 트랜스듀서에 비하여 향상됨으로써 송수신특성이 개선될 것임을 예측할 수 있다.
이는 3-3형 복합압전체의 전압정수(g33 및 gh)값이 커진 결과 성능지수가 향상되어 PZT트랜스듀서에 비하여 송수신특성이 개선될 것임을 예측할 수 있었다.
0%의 인식률을 나타내었다. 이는 본 연구에서 자체 제작한 3-3형 초음파 트랜스듀서가 표 2에서 보여주듯 수중음향임피던스 정합의 개선, 수중전압정수 g33의 증가 및 기계적품질계수가 상당히 작아짐으로서 송수신특성이 향상되어 수중 거리정보가 양호하게 검출될 수 있었던 것으로 생각된다. 한편, 경쟁학습규칙의 SOFM신경회로망을 본 연구에서의 물체인식 알고리즘으로 이용하였기 때문에 데이터 분포특성에 따라 hidden층을 변화시키는 Backpropagation신경회로망(1)에 비해 학습시간이 짧게 되었기 때문으로 생각된다.
g33)는 PZT(9, 464)에 비호H 11, 470으로 약 20% 가량 향상된 값을 보여주고 있다. 이상의 결과로부터 3-3형 복합압전체소자는 수중용 초음파 트랜스듀서 재료로서의 요구조건(18)을 비교적 잘 만족하고 있음을 알 수 있었다.
전체적인 수중 물체인식률은 4종의 인식물체(정사각기둥, 직사각기둥, 원통, 정삼각기둥)에 대해 짧은 학습시간으로 학습데이터인 경우에는 100%, 시험데이터는 94.0%의 높은 인식률을 나타내었다. 이는 자체 제작한 3-3형 초음파 트랜스듀서는 단일상 PZT에 비해 작은 밀도 및 종속도를 가짐으로써 음향임피던스 정합이 개선되었고, 수중전압정수 g33의 증가 및 기계적 품질계수가 상당히 작아짐으로서 송수신특성이 양호하였기 때문으로 생각된다.
거의 무관함을 알 수 있었다. 즉, SOFM신경회로망의 출력 neuron space를 4x4, 6×6, 8×8로 변화시키고, 또한 각 출력 neuron space에서 반복학습 회수를 10~50회까지 변화시켜도 수중 물체인식률은 2x2 neuron space를 제외하고는 출력 neuron space 및 반복학습 회수에 관계없이 모두 표 2와 거의 비슷한 값을 나타내었다. 전(全) 시험데이터에 대한 수중물체인식률은 94.
후속연구
응용 가능함을 알 수 있었다. 그러나 본 연구에서는 고정된 물체에 대한 제한된 거리정보 검출이므로 SONAR시스템에 응용되기 위해서는 수중 물체의 이동 및 회전에 따른 물체 모서리 거리정보 검출 및 먼 거리의 정보 검출도 가능한 트랜스듀서의 재료개발에 대한 연구가 계속되어야 할 것이다.
60(cm)와 거의 일치하였다. 이 결과로부터 자체 제작한 3-3형 트랜스듀서로 부터 얻은 거리정보가 물체복원 및 인식실험에 응용될 수 있음을 확인할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.