선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 논문에서는 냄새 인식을 위한 최적의 센서 결정 방법을 제안한다. 제안하는 센서 결정 방법은 센서간 상관관계를 구하여 상관관계가 높은 센서를 제외하는 방식으로 센서를 결정한다.
- 본 논문에서는 적은 센서를 사용하고도 높은 인식 성능을 보이기 위해 최적의 센서 결정 방법을 제안하고 꽃냄새 인식 실험을 통하여 기존 방법과 비교하여 성능을 평가한다. MOS 센서 어레이 기반의 꽃냄새 획득 모듈을 이용하여 총 12 종의 꽃냄새-Rose, Jasmine, Lavender, Lily, Musk, Rosemary, Sandalwood, Tulip, Vanilla, Chamomile, Hyssop, Neroli 에 대하여 각각 50개의 데이터베이스를 구축하였고 전체 600번의 향기 측정 결과를 본 실험에 이용하여 개별 향기에 대하여 각각 50회의 인식 실험을 수행하였다.
제안 방법
- 본 논문에서는 적은 센서를 사용하고도 높은 인식 성능을 보이기 위해 최적의 센서 결정 방법을 제안하고 꽃냄새 인식 실험을 통하여 기존 방법과 비교하여 성능을 평가한다. MOS 센서 어레이 기반의 꽃냄새 획득 모듈을 이용하여 총 12 종의 꽃냄새-Rose, Jasmine, Lavender, Lily, Musk, Rosemary, Sandalwood, Tulip, Vanilla, Chamomile, Hyssop, Neroli 에 대하여 각각 50개의 데이터베이스를 구축하였고 전체 600번의 향기 측정 결과를 본 실험에 이용하여 개별 향기에 대하여 각각 50회의 인식 실험을 수행하였다. 본 실험은 상관계수 기반의 꽃냄새 인식 실험 그리고 PCA 기반의 K-NN 및 LDA 기반의 K-NN을 이용한 꽃냄새 인식 실험을 포함한다.
- 각 센서에 대한 상관계수의 평균을 이용하여 상관도가 높은 센서를 제외하여 상관도가 낮은 센서를 선별한다. 표 2은 꽃 냄새에 대한 MOS 센서 사이의 상관관계(평균) 및 순서(Rank)를 나타내었다.
- 본 논문에서는 냄새 인식을 위한 최적의 센서 결정 방법을 제안하였으며 성능 평가를 위하여 기존 후각 인식 시스템에서 주로 사용되어진 PCA기반의 K-NN 패턴 인식 알고리즘과 LDA기반의 K-NN 패턴 인식 알고리즘 및 상관관계를 이용한 꽃냄새 인식 시스템을 개별적으로 구현하고 제안된 알고리즘을 이용한 꽃냄새 인식 실험을 수행함으로써본 제안의 유효성 등을 검증하였다. 또한 상관관계를 이용한 꽃냄새 인식 시스템에 16개 센서를 사용한 결과와 제안된 최적의 센서 결정 방법으로 6개와 8개의 센서를 선별하여 실험하였다.
- MOS 센서 어레이 기반의 꽃냄새 획득 모듈을 이용하여 총 12 종의 꽃냄새-Rose, Jasmine, Lavender, Lily, Musk, Rosemary, Sandalwood, Tulip, Vanilla, Chamomile, Hyssop, Neroli 에 대하여 각각 50개의 데이터베이스를 구축하였고 전체 600번의 향기 측정 결과를 본 실험에 이용하여 개별 향기에 대하여 각각 50회의 인식 실험을 수행하였다. 본 실험은 상관계수 기반의 꽃냄새 인식 실험 그리고 PCA 기반의 K-NN 및 LDA 기반의 K-NN을 이용한 꽃냄새 인식 실험을 포함한다. PCA 기반의 K-NN 및 LDA 기반의 K-NN 패턴인식 알고리즘을 이용한 꽃냄새 인식 시스템에서는 개별 꽃냄새에 대해 시작 시점을 기준으로 앞선 32샘플로부터 시작점 이후 480샘플까지의 특징 영역에 대한 전체 64개의 특징 파라미터를 추출하였으며 최소 유클리드 거리를 가지는 꽃냄새를 인식하였다.
- 최적의 센서 결정 방법은 냄새 영역에 따라 인식에 적절한 센서를 선택 하는 것이며, 센서의 상관계수를 이용하여 냄새 영역에 대한 유사한 특성을 갖는 센서를 배재하고 상관도가 낮은 센서만을 사용하여 인식하였다. 센서 결정 방법을 꽃냄새 인식 시스템에 적용하였으며 상용화된 센서 중 크기가 소형이며, 아로마 향에 대한 반응치가 크고, 센서 응답의 변화가 빠른 16개 센서를 선정하였다. 상용화된 센서는 MOS 센서 중 Figaro사의 TGS 계열 센서와 E2V사의 센서, FIS 사의 센서를 사용하였다.
- <표 1>에서 제시된 바와 같이 센서 어레이는 16개의 MOS 센서를 사용하였으며 이를 사용하여 꽃냄새 획득 모듈을 구현하였다. 꽃냄새 데이터를 획득하기 위한 센서 어레이와 센서의 히팅 전원 및 회로 전원, A/D 변환 및 데이터 처리를 수행하는 MCU(C8051F350) 그리고 취득된 데이터를 전송하기 위한 통신 모듈을 포함한다.
- 위와 같이 상관도가 낮은 센서를 선별하여 중심센서를 선정한 후 중심 센서를 사용하여 냄새 인식을 수행한다. 선택된 중심 센서가 M개라면, 각 센서를 통해 취득한 냄새 샘플의 반응치를 X, 참조 모델에 대한 반응치를 Y라고 할 때, 선정된 M개의 센서(1≤m≤M)로 획득된 i개의 샘플에 대한 상관계수는 수식 4와 같다.
- 제안된 방식의 성능 평가를 위해 총 12 종의 꽃 냄새 오일(Rose, Jasmine, Lavender, Lily, Musk, Rosemary, Sandalwood, Tulip, Vanilla, Chamomile, Hyssop, Neroli)을 사용하여 그 유효성을 평가하였다.
- 따라서 본 논문에서는 냄새 인식을 위한 최적의 센서 결정 방법을 제안한다. 제안하는 센서 결정 방법은 센서간 상관관계를 구하여 상관관계가 높은 센서를 제외하는 방식으로 센서를 결정한다.
대상 데이터
- 실험을 통하여 임계값을 설정하고 임계값 이상으로 엔트로피 값이 상승 할 경우 그 시점을 냄새가 검출된 시점으로 판단한다. 냄새가 검출된 시점을 기준으로 앞선 32샘플부터 시작점 이후의 480 샘플까지를 꽃 냄새 인식을 위한 특징 영역으로 총 512 샘플을 선정하였다. 검출된 시점을 기준으로 앞선 32샘플은 베이스라인에 대한 정보, 시작점 이후의 480샘플은 냄새 유입에 따른 상승 곡선으로 냄새 변화를 가장 잘 나타낼 수 있는 정보로 판단되며 이에 대한 패턴 인식 프로세스를 수행한다[24].
- 본 논문에서는 냄새 인식을 위한 최적의 센서 결정 방법을 제안하였으며 성능 평가를 위하여 기존 후각 인식 시스템에서 주로 사용되어진 PCA기반의 K-NN 패턴 인식 알고리즘과 LDA기반의 K-NN 패턴 인식 알고리즘 및 상관관계를 이용한 꽃냄새 인식 시스템을 개별적으로 구현하고 제안된 알고리즘을 이용한 꽃냄새 인식 실험을 수행함으로써본 제안의 유효성 등을 검증하였다. 또한 상관관계를 이용한 꽃냄새 인식 시스템에 16개 센서를 사용한 결과와 제안된 최적의 센서 결정 방법으로 6개와 8개의 센서를 선별하여 실험하였다. 실험한 결과 상관도가 낮은 6개, 8개의 센서로 인식한 경우 16개의 센서를 사용한 경우보다 각각 1%하락, 0.
- 센서 결정 방법을 꽃냄새 인식 시스템에 적용하였으며 상용화된 센서 중 크기가 소형이며, 아로마 향에 대한 반응치가 크고, 센서 응답의 변화가 빠른 16개 센서를 선정하였다. 상용화된 센서는 MOS 센서 중 Figaro사의 TGS 계열 센서와 E2V사의 센서, FIS 사의 센서를 사용하였다.
데이터처리
- 냄새 인식 시스템은 임의의 16개 센서를 사용하여 꽃 냄새를 획득하고 인식함에 있어 PCA와 ICA, PCA+Correlation Coefficient, ICA+Correlation Coefficient를 사용하였다[24]. 기존의 방법은 임의의 센서를 사용하여 냄새를 취득하며 취득된 냄새 데이터로부터 특징추출 및 인식을 한다.
- 최적의 센서 결정 방법에 의해 상관도가 높은 10개의 센서를 제외하고 6개의 센서만을 사용했을 때의 결과를 8개와 16개의 센서를 사용한 인식 결과와 비교하였다. (그림 6)은 16개의 센서와 센서 결정 방법에 의해 선택된 센서 6개와 8개에 대한 인식률 및 평균 인식률 나타내었다.
이론/모형
- (그림 2) (a), (b)는 16개의 MOS 센서를 하나의 기판 상에 제작한 센서 어레이 기반의 꽃냄새 획득 모듈과 외형을 보여주고 있으며 개별 센서의 응답패턴에 대한 사례는 (그림 2) (c)와 같이 장미향에 대한 센서 어레이의 응답패턴을 나타내었다. 냄새 검출 모듈에서는 입력되는 꽃냄새에 대한 센서의 응답을 C. Shannon에 의한 정보 엔트로피의 정의에 적용함으로써 입력 냄새에 대한 센서 측정값의 변화 시점을 판단하였으며 개별 센서에 대한 프레임 단위의 엔트로피는 수식 (1)과 같다. n번째 프레임의 엔트로피 값 E(n)이 검출 실험에 의해 정의된 임계값 (1.
성능/효과
- PCA 기반의 K-NN 및 LDA 기반의 K-NN 패턴인식 알고리즘을 이용한 꽃냄새 인식 시스템에서는 개별 꽃냄새에 대해 시작 시점을 기준으로 앞선 32샘플로부터 시작점 이후 480샘플까지의 특징 영역에 대한 전체 64개의 특징 파라미터를 추출하였으며 최소 유클리드 거리를 가지는 꽃냄새를 인식하였다. (그림 5)는 꽃냄새에 대한 인식률을 나타낸 것으로 전체 12 종의 꽃냄새에 대해 PCA기반의 K-NN 알고리즘의 경우 71.33%의 평균 인식률을 도출하였고, LDA기반의 K-NN 알고리즘의 경우 76.67%의 평균 인식률을 도출하였다.
- 1) MOS 센서 어레이를 이용한 꽃 냄새의 획득 단계 및 2) 엔트로피를 이용한 꽃냄새의 검출 단계, 3) 검출된 꽃냄새와 모집단 꽃냄새 참조 모델간의 각 센서별 상관계수를 획득하는 단계, 그리고 4) 꽃냄새 참조 모델들에 대한 각 센서별 상관계수의 평균값으로부터 꽃냄새 인식을 위한 최대 상관계수를 획득하는 단계를 포함한다. 입력되는 꽃 냄새와 가장 유사도가 높은 모델을 인식결과로 나타낸다.
- 또한 비교 알고리즘과 동일한 특징 영역에 대한 상관계수 기반의 꽃냄새 인식 시스템은 12종의 모든 꽃냄새에 대해 95.67%의 평균 인식률을 도출하였다.
- 본 논문에서 제안한 상관관계 기반을 둔 최적의 센서 결정 방법에 의해 상관도가 높은 8개의 센서를 제외하고 8개의 센서만을 사용하여 인식실험을 했을 때 가장 우수한 성능을 보였으며 16개의 센서를 사용한 경우보다 0.33% 향상된 96%의 성능을 보였다. 또한 8개의 센서만을 사용함으로 회로를 간소화하여 비용 절감 효과를 얻을 수 있다.
- 또한 상관관계를 이용한 꽃냄새 인식 시스템에 16개 센서를 사용한 결과와 제안된 최적의 센서 결정 방법으로 6개와 8개의 센서를 선별하여 실험하였다. 실험한 결과 상관도가 낮은 6개, 8개의 센서로 인식한 경우 16개의 센서를 사용한 경우보다 각각 1%하락, 0.33% 향상되었다. 센서의 응답 특성을 고려하여 센서를 선택할 경우 보다 우수한 성능을 나타낼 수 있지만, 다양한 냄새에 대해 모든 센서의 응답 특성을 고려하긴 매우 어렵다.
- 위의 실험에서 센서 결정 방법에 의해 결정된 센서 6개를 사용한 결과 16개를 사용한 실험에 비해 1% 낮은 인식률을보였으나, 이는 센서의 개수 차이에 비해 인식률의 하락폭이 적다고 할 수 있다.
후속연구
- 또한 암모니아와 에탄올과 같은 분자의 냄새를 검출하는 센서의 경우 특정 분자(암모니아, 에탄올)를 검출할때 여러 개 센서를 선택하는 것 보다 우수한 성능을 나타낼수 있다. 하지만 응답특성과 상관없이 센서 냄새 센서를 배열하고 냄새의 영역에 따른 최적의 센서를 선택 및 사용함으로써 높은 인식 성능을 나타내며, 향후 다양한 냄새 영역에서 냄새 인식을 위해 사용 가능할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.