KR20210011473A - Apparatus for detecting airborne mcicrobes - Google Patents
Apparatus for detecting airborne mcicrobes Download PDFInfo
- Publication number
- KR20210011473A KR20210011473A KR1020210007324A KR20210007324A KR20210011473A KR 20210011473 A KR20210011473 A KR 20210011473A KR 1020210007324 A KR1020210007324 A KR 1020210007324A KR 20210007324 A KR20210007324 A KR 20210007324A KR 20210011473 A KR20210011473 A KR 20210011473A
- Authority
- KR
- South Korea
- Prior art keywords
- wave
- storage tank
- speckle
- liquid
- unit
- Prior art date
Links
Images
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
- G01N21/47—Scattering, i.e. diffuse reflection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L2/00—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor
- A61L2/26—Accessories or devices or components used for biocidal treatment
- A61L2/28—Devices for testing the effectiveness or completeness of sterilisation, e.g. indicators which change colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/2202—Devices for withdrawing samples in the gaseous state involving separation of sample components during sampling
- G01N1/2205—Devices for withdrawing samples in the gaseous state involving separation of sample components during sampling with filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/16—Injection
- G01N30/20—Injection using a sampling valve
-
- 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
- G01N21/4795—Scattering, i.e. diffuse reflection spatially resolved investigating of object in scattering medium
- G01N2021/4797—Scattering, i.e. diffuse reflection spatially resolved investigating of object in scattering medium time resolved, e.g. analysis of ballistic photons
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
Description
본 발명의 실시예들은 공기중 부유균 측정 장치에 관한 것이다.Embodiments of the present invention relate to an apparatus for measuring airborne bacteria.
일반적으로, 공기 중에 부유하는 미생물을 측정하는 방법으로 부유균 측정법이 있으며, 부유균 측정법은 강제적으로 일정량의 공기를 흡입시켜 배지를 통과시키고 배지에 흡착된 미생물을 배양하여 측정하는 방법으로서, 부유 미생물 균수와 상당히 근접한 결과를 얻을 수 있다는 장점이 있으나 배양 조건 또는 측정 위치에 따라 결과가 달라진다는 문제점과 결과를 얻기 위한 시간이 매우 길다는 문제점이 있다.In general, as a method of measuring microorganisms floating in the air, there is a method for measuring suspended bacteria. The method for measuring suspended bacteria is a method of forcibly inhaling a certain amount of air, passing through a medium, and culturing microorganisms adsorbed on the medium. There is an advantage in that a result that is very close to the number of bacteria can be obtained, but there is a problem in that the result varies depending on the culture conditions or the measurement location, and the time to obtain the result is very long.
상기한 문제 및/또는 한계를 해결하기 위하여, 혼돈파 센서를 이용하여 공기중 부유균을 측정할 수 있는 장치를 제공하는 데에 목적이 있다.In order to solve the above problems and/or limitations, an object of the present invention is to provide an apparatus capable of measuring airborne bacteria using a chaotic wave sensor.
본 발명의 일 실시예는, 내부에 포집액을 수용하는 저장조와, 상기 저장조의 일측에 외부 공기를 흡입하여 상기 포집액으로 안내하는 흡기유로와, 상기 저장조의 타측에 상기 저장조의 공기를 외부로 배출하는 배기유로를 구비하는 포집유닛, 상기 포집유닛의 상기 포집액을 향하여 파동을 조사하는 파동원, 상기 파동이 상기 포집액 내에서 다중 산란되어 발생되는 파동 스펙클을 시계열적으로 측정하는 영상센서 및 상기 측정된 파동 스펙클의 시간에 따른 변화를 기초로 상기 포집액 내 미생물의 존재여부를 검출하는 제어부를 포함하는 공기중 부유균 측정 장치를 제공한다.According to an embodiment of the present invention, a storage tank for accommodating a collection liquid therein, an intake passage for sucking external air to one side of the storage tank and guiding it to the collection liquid, and an air of the storage tank outside the other side of the storage tank A collection unit having an exhaust flow path for discharging, a wave source for irradiating a wave toward the collecting liquid of the collecting unit, and an image sensor for time-sequentially measuring a wave speckle generated by multiple scattering of the wave in the collecting liquid And a control unit configured to detect the presence or absence of microorganisms in the collected liquid based on a change in the measured wave speckle over time.
본 발명의 일 실시예에 있어서, 상기 제어부는 상기 파동 스펙클의 시간 상관관계(temporal correlation)를 획득하고, 상기 획득된 시간 상관관계에 기초하여 상기 포집액 내 미생물의 존재여부를 검출할 수 있다. In an embodiment of the present invention, the control unit may obtain a temporal correlation of the wave speckle and detect the presence of microorganisms in the collection solution based on the obtained temporal correlation. .
본 발명의 일 실시예에 있어서, 상기 포집유닛은 검출이 완료된 상기 포집액을 배출하는 포집액 배출관과, 상기 저장조로 새로운 포집액을 유입하는 포집액 유입관을 더 구비할 수 있다. In one embodiment of the present invention, the collection unit may further include a collection liquid discharge pipe for discharging the collected liquid after detection, and a collection liquid inlet pipe for introducing a new collection liquid into the storage tank.
본 발명의 일 실시예에 있어서, 상기 포입액 유입관에 설치되어, 상기 포집액 유입관을 선택적으로 개폐하는 제1 밸브 및 상기 포집액 배출관에 설치되어, 상기 포집액 배출관을 선택적으로 개폐하는 제2 밸브를 더 포함하고, 상기 제어부는 사전에 설정된 프로그램에 의해 상기 제1 밸브 또는 상기 제2 밸브의 동작을 제어할 수 있다. In one embodiment of the present invention, a first valve installed in the collecting liquid inlet pipe and selectively opening and closing the collecting liquid inlet pipe, and a first valve installed in the collecting liquid discharge pipe, selectively opening and closing the collecting liquid discharge pipe It further includes 2 valves, and the controller may control the operation of the first valve or the second valve by a preset program.
본 발명의 일 실시예에 있어서, 상기 저장조 내 검출이 완료된 상기 포집액을 살균처리하는 살균 유닛을 더 포함하고, 상기 제어부는 상기 포집액에 살균처리가 완료된 후 상기 포집액이 배출되도록 상기 제2 밸브의 동작을 제어할 수 있다. In one embodiment of the present invention, further comprising a sterilization unit for sterilizing the collected liquid in the storage tank has been detected, the control unit is the second to discharge the collected liquid after the sterilization treatment is completed. The operation of the valve can be controlled.
본 발명의 일 실시예에 있어서, 상기 흡기유로에 설치되며, 상기 흡기유로로 유입되는 상기 외부 공기 내에 포함된 일정 크기 이상의 물질을 여과하는 필터유닛을 더 포함할 수 있다. In an embodiment of the present invention, a filter unit installed in the intake passage may further include a filter unit for filtering substances of a predetermined size or more contained in the external air introduced into the intake passage.
본 발명의 일 실시예에 있어서, 상기 포집유닛은 상기 포집액으로부터 출사되는 상기 파동의 적어도 일부를 상기 포집액으로 반사시켜 상기 포집액 내에서의 다중 산란 횟수를 증폭시키는 다중산란증폭부를 더 구비할 수 있다. In one embodiment of the present invention, the collection unit further includes a multiple scattering amplification unit configured to amplify the number of multiple scattering in the collection liquid by reflecting at least a part of the wave emitted from the collection liquid to the collection liquid. I can.
본 발명의 일 실시예에 있어서, 상기 제어부는 상기 파동 스펙클의 시간에 따른 변화를 기초로 상기 포집액 내 존재하는 미생물의 종류 또는 농도를 구분할 수 있다. In an embodiment of the present invention, the control unit may classify the type or concentration of microorganisms present in the collection liquid based on the change over time of the wave speckle.
본 발명의 일 실시예에 있어서, 상기 제어부는 상기 시계열 순으로 측정한 상기 파동 스펙클의 시간에 따른 변화를 기초로 미생물 분류기준을 기계학습하고, 상기 미생물 분류기준을 이용하여 상기 포집액에 존재하는 상기 미생물의 종류 또는 농도를 구분할 수 있다. In an embodiment of the present invention, the control unit machine learns the classification criteria for microorganisms based on the change over time of the wave speckle measured in the order of the time series, and exists in the collection liquid using the microorganism classification criteria. The type or concentration of the microorganism can be distinguished.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.Other aspects, features, and advantages other than those described above will become apparent from the following drawings, claims, and detailed description of the invention.
본 발명의 실시예들에 따른 공기중 부유균 측정 장치는 공기중 부유균을 포집액에 포집한 후, 파동 스펙클을 이용하여 포집액 내 미생물 존재여부를 검출함으로써, 별도의 화학적 방법에 의하지 않고도 공기중 부유균을 빠르고 정확하게 검출할 수 있다. 또한, 공기중 부유균 측정 장치는 기계학습을 통해 스펙클의 시간 상관관계의 변화를 이용하여 미생물의 종류 또는 농도를 분류하는 분류기준을 획득함으로써, 신속하고 정확하게 공기중 부유균의 종류 또는 농도를 구분할 수 있다. 이를 통해, 지역 내 공기중 병원균 존재유무를 파악할 수 있고, 네트워크 환경을 통해 지역적 방역 정보를 효과적으로 확인할 수 있다.The apparatus for measuring airborne bacteria according to embodiments of the present invention collects airborne bacteria in a collection liquid, and then detects the presence of microorganisms in the collection liquid using a wave speckle, without using a separate chemical method. Airborne bacteria can be quickly and accurately detected. In addition, the airborne bacteria measurement device obtains a classification standard for classifying the type or concentration of microorganisms using the change in the time correlation of the speckle through machine learning, thereby quickly and accurately determining the type or concentration of airborne bacteria. Can be distinguished. Through this, it is possible to determine the presence or absence of pathogens in the air in the region, and to effectively check regional quarantine information through the network environment.
도 1은 본 발명의 일 실시예에 따른 공기중 부유균 측정 장치를 개략적으로 도시한 도면이다.
도 2는 도 1의 공기중 부유균 측정 장치의 측정원리를 설명하기 위한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 혼돈파 센서의 원리를 설명하기 위한 도면이다.
도 4는 도 1의 공기중 부유균 측정 장치의 블록도이다.
도 5는 도 1의 공기중 부유균 측정 장치가 공기 중 부유균 측정 후 포집액 처리 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 서버를 개략적 도시한 블록도이다.
도 8은 본 발명의 일 실시예에 따른 학습부에서 스펙클의 시간 상관관계를 분석하는 방법을 설명하기 위한 도면이다.
도 9는 시간에 따라 측정된 파동 스펙클의 빛 세기의 표준편차 분포를 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 컨볼루션 신경망의 예시도이다.
도 11 및 도 12은 도 10의 컨볼루션 연산을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 기계학습을 통해 공기중 부유균 측정하여 획득된 예상 미생물 정보(prediction)와 실제 미생물 정보(ground truth)를 비교한 그래프이다.1 is a diagram schematically showing an apparatus for measuring airborne bacteria according to an embodiment of the present invention.
FIG. 2 is a conceptual diagram illustrating a measurement principle of the airborne bacteria measuring apparatus of FIG. 1.
3 is a view for explaining the principle of a chaotic wave sensor according to an embodiment of the present invention.
4 is a block diagram of the apparatus for measuring airborne bacteria of FIG. 1.
5 is a view for explaining a process of processing a collected liquid after the airborne bacteria measurement apparatus of FIG. 1 measures airborne bacteria.
6 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
7 is a block diagram schematically showing a server according to an embodiment of the present invention.
8 is a diagram illustrating a method of analyzing a temporal correlation of speckles in a learning unit according to an embodiment of the present invention.
9 is a diagram showing a distribution of standard deviations of light intensity of wave speckles measured over time.
10 is an exemplary diagram of a convolutional neural network according to an embodiment of the present invention.
11 and 12 are diagrams for explaining the convolution operation of FIG. 10.
13 is a graph comparing predicted microbial information (prediction) obtained by measuring airborne bacteria through machine learning according to an embodiment of the present invention and actual microbial information (ground truth).
이하, 첨부된 도면을 참조하여 이하의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, the following embodiments will be described in detail with reference to the accompanying drawings, and when describing with reference to the drawings, the same or corresponding components are assigned the same reference numerals, and redundant descriptions thereof will be omitted.
본 실시예들은 다양한 변환을 가할 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 실시예들의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 내용들을 참조하면 명확해질 것이다. 그러나 본 실시예들은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. Since the present embodiments can apply various transformations, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. Effects and features of the present embodiments, and a method of achieving them will become apparent with reference to the contents described later in detail together with the drawings. However, the present embodiments are not limited to the embodiments disclosed below and may be implemented in various forms.
이하의 실시예에서 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. In the following embodiments, terms such as first and second are not used in a limiting meaning, but are used for the purpose of distinguishing one component from another component.
이하의 실시예에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.In the following embodiments, expressions in the singular include plural expressions, unless the context clearly indicates otherwise.
이하의 실시예에서 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. In the following embodiments, terms such as include or have means that the features or elements described in the specification are present, and do not preclude the possibility that one or more other features or components may be added.
이하의 실시예에서 유닛, 영역, 구성 요소 등의 부분이 다른 부분 위에 또는 상에 있다고 할 때, 다른 부분의 바로 위에 있는 경우뿐만 아니라, 그 중간에 다른 유닛, 영역, 구성 요소 등이 개재되어 있는 경우도 포함한다. In the following embodiments, when a part, such as a unit, a region, or a component, is on or on another part, not only is it directly above the other part, but also another unit, region, component, etc. is interposed therebetween. Includes cases.
이하의 실시예에서 연결하다 또는 결합하다 등의 용어는 문맥상 명백하게 다르게 뜻하지 않는 한, 반드시 두 부재의 직접적 및/또는 고정적 연결 또는 결합을 의미하는 것은 아니며, 두 부재 사이에 다른 부재가 개재된 것을 배제하는 것이 아니다.In the following examples, terms such as connect or combine do not necessarily mean direct and/or fixed connection or combination of two members, unless the context clearly means differently, and that another member is interposed between the two members. It is not to exclude.
명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.It means that a feature or component described in the specification is present, and does not preclude the possibility that one or more other features or components may be added.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 이하의 실시예는 반드시 도시된 바에 한정되지 않는다.In the drawings, components may be exaggerated or reduced in size for convenience of description. For example, the size and thickness of each component shown in the drawings are arbitrarily shown for convenience of description, and thus the following embodiments are not necessarily limited to those shown.
도 1은 본 발명의 일 실시예에 따른 공기중 부유균 측정 장치(10)를 개략적으로 도시한 도면이고, 도 2는 도 1의 공기중 부유균 측정 장치(10)의 측정원리를 설명하기 위한 개념도이다. 도 3은 본 발명의 일 실시예에 따른 혼돈파 센서의 원리를 설명하기 위한 도면이고, 도 4는 도 1의 공기중 부유균 측정 장치(10)의 블록도이며, 도 5는 도 1의 공기중 부유균 측정 장치(10)가 공기 중 부유균 측정 후 포집액 처리 과정을 설명하기 위한 도면이다. 1 is a diagram schematically showing an
종래의 부유균 측정기(air sampler)의 경우, 공기중 부유균 측정을 위해서 부유균을 포함하는 공기를 흡입한 후 측정가능한 양이 될 수 있도록 배지에서 스프레딩(spreading)하여 키우게 되는데, 이때, 배양시간이 길어 공기중 부유균을 빠르게 검출하는 것이 어려웠다. In the case of a conventional air sampler, in order to measure airborne bacteria, air containing airborne bacteria is sucked and then spread in a medium to obtain a measurable amount. It was difficult to detect airborne bacteria quickly due to the long time.
본 발명은 상기한 문제점을 해결하기 위한 것으로서, 본 발명의 일 실시예에 따른 공기중 부유균 측정 장치(10)는 박테리아, 세균과 같은 미생물이 떠다니는 공기를 포집액과 접촉시켜 공기중 부유균들을 포집액 내에 포집한 후 파동 스펙클을 이용하여 검출함으로써, 빠른 시간 내에 공기중 부유균을 검출하는 것을 특징으로 한다. The present invention is to solve the above problems, the airborne
먼저, 도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 공기중 부유균 측정 장치(10)는 포집유닛(1000), 파동원(100), 영상센서(300) 및 제어부(400)를 포함할 수 있다. First, referring to FIGS. 1 and 2, the airborne
포집유닛(1000)은 포집액을 수용하여 흡입되는 공기로부터 부유균을 포집시키는 기능을 수행한다. 구체적으로 포집유닛(1000)은 내부에 포집액(W)을 수용하는 저장조(1001)와, 저장조(1001)의 일측에 외부 공기를 흡입하여 포집액(W)으로 안내하는 흡기유로(1101)와, 저장조(1001)의 타측에 저장조(1001)의 공기를 외부로 배출하는 배기유로(1102)를 구비할 수 있다. The
여기서, 포집액(W)은 공기중 부유균과의 접촉을 통해 부유균을 포집할 수 있는 어떠한 종류의 시료든 가능하다. 다시 말해, 포집액(W)은 액체이거나 겔(gel) 형태의 시료일 수 있다. 다만, 본 발명은 공기중 부유균의 존재여부 또는 농도를 정확하게 검출하기 위해, 포집액(W)은 공기와 접촉하기 전 미생물과 같은 불순물을 포함하지 않는 상태로 준비되거나, 후술하는 혼돈파 센서를 통해 공기와 접촉하기 전 포집액(W) 내 미생물을 포함하는 불순물의 농도를 사전에 측정하여 미리 저장할 수 있다.Here, the collection liquid W may be any type of sample capable of collecting airborne bacteria through contact with airborne bacteria. In other words, the collection liquid W may be a liquid or a gel sample. However, in the present invention, in order to accurately detect the presence or concentration of airborne bacteria, the collection liquid (W) is prepared in a state that does not contain impurities such as microorganisms before contact with air, or a chaotic wave sensor to be described later is used. The concentration of impurities including microorganisms in the collection liquid W can be measured in advance and stored in advance before contacting with air.
일 실시예로서, 포집액(W)은 액체로 이루어질 수 있으며, 이때, 미생물 배양을 위한 배양물질을 포함할 수 있다. 포집액(W)은 다양한 미생물 배양물질을 포함할 수 있으며, 예를 들어 문헌 ("Manual of Methods for General Bacteriology" by the American Society for Bacteriology, Washington D.C., USA, 1981.)에 기재되어 있다. 이들 배지는 다양한 탄소원, 질소원 및 미량원소 성분들을 포함한다. 탄소원은 포도당, 유당, 자당, 과당, 맥아당, 전분 및 섬유소와 같은 탄수화물; 대두유, 해바라기 오일, 피마자유(castor oil) 및 코코넛 오일(coconut oil)과 같은 지방; 팔미트산, 스테아르산(stearic acid) 및 리놀레산(linoleic acid)과 같은 지방산; 글리세롤 및 에탄올과 같은 알코올과 아세트산과 같은 유기산을 포함할 수 있으며, 이들 탄소원은 단독으로 또는 조합되어 사용될 수 있으나, 이에 한정되지 않는다. 질소원으로는 펩톤(peptone), 효모추출액(yeast extract), 육즙(gravy), 맥아추출액(malt extract), 옥수수침출액(corn steep liquor (CSL)) 및 콩가루(bean flour)와 같은 유기 질소원 및 요소, 암모늄 설페이트, 암모늄 클로라이드, 암모늄 포스페이트, 암모늄 카보네이트 및 암모늄 니트레이트와 같은 무기 질소원을 포함할 수 있으며, 이들 질소원은 단독으로 또는 조합되어 사용될 수 있으나, 이에 한정되지 않는다. 상기 배지에는 인산원으로서 추가적으로 포타슘 디히드로겐 포스페이트(potassium dihydrogen phosphate), 포타슘 디히드로겐 포스페이트(dipotassium hydrogen phosphate) 및 상응하는 소듐 포함 염(sodium-containing salts)을 포함할 수 있으나, 이에 한정되지 않는다. 또한 배지는 마그네슘 설페이트(magnesium sulfate) 또는 황산철(iron sulfate)와 같은 금속을 포함할 수 있고, 아미노산, 비타민 및 적합한 전구체 등이 첨가될 수 있다. As an embodiment, the collection liquid W may be made of a liquid, and at this time, it may include a culture material for culturing microorganisms. The collection liquid (W) may contain various microbial culture materials, and is described in, for example, "Manual of Methods for General Bacteriology" by the American Society for Bacteriology, Washington D.C., USA, 1981. These media contain various carbon sources, nitrogen sources and trace element components. Carbon sources include carbohydrates such as glucose, lactose, sucrose, fructose, maltose, starch and fiber; Fats such as soybean oil, sunflower oil, castor oil and coconut oil; Fatty acids such as palmitic acid, stearic acid and linoleic acid; Alcohol such as glycerol and ethanol and organic acids such as acetic acid may be included, and these carbon sources may be used alone or in combination, but are not limited thereto. Nitrogen sources include organic nitrogen sources and urea such as peptone, yeast extract, gravy, malt extract, corn steep liquor (CSL) and bean flour, Inorganic nitrogen sources such as ammonium sulfate, ammonium chloride, ammonium phosphate, ammonium carbonate and ammonium nitrate may be included, and these nitrogen sources may be used alone or in combination, but are not limited thereto. The medium may additionally contain potassium dihydrogen phosphate, potassium dihydrogen phosphate, and corresponding sodium-containing salts as a phosphoric acid source, but is not limited thereto. . Further, the medium may contain a metal such as magnesium sulfate or iron sulfate, and amino acids, vitamins, and suitable precursors may be added.
또한, 포집액(W)의 호기성 조건을 유지하기 위해서, 포집액(W) 내로 산소 또는 산소를 포함한 가스(예, 공기)가 포집액(W)에 주입될 수 있다. 포집액(W)의 온도는 일반적으로 20-45℃일 수 있으며, 구체적으로는 25-40℃일 수 있다.In addition, in order to maintain the aerobic condition of the collecting liquid W, oxygen or a gas containing oxygen (eg, air) may be injected into the collecting liquid W into the collecting liquid W. The temperature of the collecting liquid W may be generally 20-45°C, specifically 25-40°C.
저장조(1001)는 적어도 일부가 파동이 관통할 수 있는 재질로 이루어질 수 있다. 예를 들면, 저장조(1001)는 적어도 파동이 입사되는 영역 또는 출사되는 영역을 유리와 같은 재질로 형성할 수 있다. 다른 실시예로서, 저장조(1001)가 파동이 관통할 수 없는 재질, 예를 들어 금속재질로 형성되는 경우, 파동이 입사되는 영역과 출사되는 영역에 대응하여 관통홀을 형성할 수 있다. 이때, 저장조(1001)는 관통홀에 배치되는 커버부(미도시)를 더 포함할 수 있다. 커버부(미도시)는 파동이 투과될 수 있도록 투명 또는 반투명 재질로 이루어질 수 있다. 예를 들면, 커버부(미도시)는 유리 또는 플라스틱 재질로 이루어질 수 있으며, 유연성(flexible)을 갖는 플레이트 형태로 형성되거나, 필름(film)으로 제조될 수도 있다. 또 다른 실시예로서, 커버부(미도시)는 관통홀의 일측에 배치되는 형태가 아닌 관통홀 내부를 채우는 형태로 형성될 수 도 있다. At least part of the
한편, 포집유닛(1000)은 포집액(W)으로부터 출사되는 파동의 적어도 일부를 포집액(W)으로 반사시켜 포집액(W) 내에서의 다중 산란(multiple scattering) 횟수를 증폭시키는 다중산란증폭부(MS)를 더 구비할 수 있다. 예를 들면, 다중산란증폭부(MS)는 저장조(1001)로 입사되어 포집액(W) 내 부유균들로 인해 산란된 후 저장조(1001)로부터 출사되는 파동의 적어도 일부를 다시 포집액(W) 내로 산란시킬 수 있다. 이렇게 산란된 파동은 다시 포집액(W) 내 부유균들로 인해 다시 산란되어 출사되며, 이러한 과정을 통해 포집액(W) 내에서 다중산란 횟수는 증가될 수 있다. On the other hand, the
일실시예로서, 다중산란증폭부(MS)는 저장조(1001)와 파동원(100) 사이에 배치되고, 저장조(1001)와 영상센서(300) 사이에 배치되어 포집액(W)으로부터 다중산란되어 출사되는 파동의 적어도 일부를 반사시킬 수 있다. 다시 말해, 다중산란증폭부(MS)는 포집액(W)으로부터 다중산란되어 출사되는 파동이 포집액(W)과 다중산란증폭부(MS) 사이의 공간을 적어도 1회 이상 왕복할 수 있도록 할 수 있다. 다중산란증폭부(MS)는 다중산란물질(Multiple scattering material)을 포함하여 형성될 수 있으며, 예를 들면, 다중산란물질은 산화티타늄(TiO2)을 포함할 수 있다. As an embodiment, the multiple scattering amplification unit MS is disposed between the
다른 실시예로서, 포집유닛(1000)은 저장조(1001)의 적어도 일부에 다중산란물질을 포함하는 다중산란증폭영역을 형성할 수 있다. 예를 들면, 저장조(1001) 중 적어도 포집액(W)이 수용되는 공간에 대응되는 영역에 다중산란물질로 코팅(coating)하여 다중산란증폭영역을 형성할 수 있다. 그러나, 본 발명의 기술적 사상은 이에 제한되지 않으며, 파동의 입사부분과 출사부분을 제외한 저장조(1001) 전(全) 영역에 다중산란증폭영역이 배치될 수도 있다. As another embodiment, the
한편, 흡기유로(1101)는 저장조(1001)의 일측에 배치되며, 외부 공기를 흡입하여 포집액(W)으로 안내하는 기능을 수행하며, 배기유로(1102)는 저장조의 타측에 배치되어 저장조(1001)의 공기를 외부로 배출하는 기능을 수행할 수 있다. 흡기유로(1101)는 도시한 바와 같이, 일단이 포집액(W)에 담궈져 공기가 포집액(W)과 직접적으로 접촉이 가능한 형태로 형성될 수 있다. 그러나 본 발명은 이에 제한되지 않으며, 흡기유로(1101)는 포집액(W)으로 외부 공기를 안내할 수 있는 어떠한 형태로든 형성가능함은 물론이다. On the other hand, the
한편, 흡기유로(1101)에는 필터유닛(1400)이 설치될 수 있다. 필터유닛(1400)은 흡기유로(1101)로 유입되는 외부 공기 내에 포함된 일정 크기 이상의 물질을 여과하는 기능을 수행할 수 있다. Meanwhile, a
배기유로(1102)는 저장조(1001)의 공기를 외부로 배출할 수 있도록 포집액(W)을 제외한 저장조(1001)의 수용공간 상에 일단을 배치시킬 수 있다. 외부 공기는 흡기유로(1101)를 통해 포집액(W)으로 안내된 후 포집된 부유균을 제외한 잔여공기가 포집액(W)으로부터 빠져나오게 되는데, 배기유로(1102)는 이러한 공기를 외부로 배출시키는 기능을 수행하게 된다. 도시하지 않았지만, 포집유닛(1000)은 배기유로(1102)를 공압펌프 또는 압축기와 같은 수단과 연결하여, 저장조(1001) 내부의 공기를 외부로 배출시킬 수 있다. 또한, 상기한 과정을 통해 저장조(1001)의 압력차를 생성함으로써, 포집유닛(1000)은 저장조(1001) 내부로 공기를 흡입시킬 수 있다. One end of the
포집유닛(1000)은 외부에 저장된 포집액(W)을 저장조(1001)로 유입시키기 위한 포집액 유입관(1201)과, 검출이 완료된 포집액(W)을 저장조(1001)로부터 배출하는 포집액 배출관(1202)을 더 포함할 수 있다. 포집액 유입관(1201)과 포집액 배출관(1202)은 도면에 도시된 바와 같이 저장조(1001) 하부에 설치되어 포집액(W)의 유입과 배출을 용이하게 할 수 있다. The
한편, 파동원(100)은 포집유닛(1000)의 포집액(W)을 향하여 파동을 조사할 수 있다. 파동원(100)은 파동(wave)을 생성할 수 있는 모든 종류의 소스 장치를 적용할 수 있으며, 예를 들면, 특정 파장 대역의 광을 조사할 수 있는 레이저(laser)일 수 있다. 본 발명은 파동원 종류에 제한이 없으나, 다만, 이하에서는 설명의 편의를 위하여 레이저인 경우를 중심으로 설명하기로 한다. Meanwhile, the
예를 들어, 포집액(W) 내에 파동 스펙클을 형성하기 위해서 간섭성(coherence)이 좋은 레이저를 파동원(100)으로 이용할 수 있다. 이때, 레이저 파동원의 간섭성을 결정하는 파동원의 스펙트럴 대역폭(spectral bandwidth)이 짧을수록 측정 정확도가 증가할 수 있다. 즉, 간섭길이(coherence length)가 길수록 측정 정확도가 증가할 수 있다. 이에 따라, 파동원의 스펙트럴 대역폭이 기정의된 기준 대역폭 미만인 레이저광이 파동원(100)으로 이용될 수 있으며, 기준 대역폭보다 짧을수록 측정 정확도는 증가할 수 있다. 예컨대, 아래의 수학식 1의 조건이 유지되도록 파동원의 스펙트럴 대역폭이 설정될 수 있다. For example, a laser having good coherence may be used as the
[수학식 1][Equation 1]
수학식 1에 따르면, 파동 스펙클의 패턴 변화를 측정하기 위해, 기준 시간마다 포집액(W) 내에 광을 조사 시에, 파동원(100)의 스펙트럴 대역폭은 5nm 미만을 유지할 수 있다. According to
영상 센서(300)는 파동이 포집액(W) 내에서 다중 산란되어 발생되는 파동 스펙클을 시계열적으로 측정할 수 있다. 다시 말해, 영상 센서(300)는 파동의 출사경로 상에 배치되며, 포집액(W)으로부터 출사되는 파동을 시계열 순으로 촬영하여 복수의 영상을 획득할 수 있다. 영상 센서(300)는 파동원(100)의 종류에 대응한 감지수단을 포함할 수 있으며, 예를 들면, 가시광선 파장 대역의 광원을 이용하는 경우에는 영상을 촬영하는 촬영장치인 CCD 카메라(camera)가 이용될 수 있다. The
여기서, 복수의 영상 각각은 포집액(W)으로 입사되는 파동에 기인하여 부유균에 의해 다중산란(multiple scattering)되어 발생되는 스펙클(speckle) 정보를 포함할 수 있다. 다시 말해, 영상 센서(300)는 조사된 파동이 포집액(W) 내에서 다중 산란되어 발생되는 파동 스펙클을, 사전에 설정된 시점에 검출할 수 있다. 여기서, 시점(time)이란, 연속적인 시간의 흐름 가운데 어느 한 순간을 의미하며, 시점(time)들은 동일한 시간 간격으로 사전에 설정될 수 있으나 반드시 이에 제한되지 않으며, 임의의 시간 간격으로 사전에 설정될 수도 있다. Here, each of the plurality of images may include speckle information generated by multiple scattering by airborne bacteria due to a wave incident on the collecting liquid W. In other words, the
영상 센서(300)는 적어도 제1 시점에서의 제1 스펙클 정보를 포함하는 제1 영상을 검출하고, 제2 시점에서의 제2 스펙클 정보를 포함하는 제2 영상을 촬영하여 제어부(400)로 제공할 수 있다. 한편, 제1 시점 및 제2 시점은 설명의 편의를 위하여 선택된 하나의 예시일 뿐이며, 영상 센서(300)는 제1 시점 및 제2 시점보다 많은 복수의 시점에서 복수의 영상들을 촬영할 수 있다. 영상 센서(300)는 파동이 출사되는 경로에 편광판(polarizer, 305)을 구비함으로써, 스펙클 형성을 위한 간섭 효율의 최대화가 가능하며, 불필요한 외부의 반사광 등을 제거할 수 있다. The
영사 센서(300)는 영상 센서 한 픽셀(pixel)의 크기 d가 스펙클 패턴의 입자 크기(grain size)보다 작거나 같아지도록 포집유닛(1000)으로부터 일정 거리 이격된 위치에 배치될 수 있다. 예컨대, 아래의 수학식 2의 조건을 만족하도록 영상 센서(300)는 출사파동이 지나가는 경로 상에 배치될 수 있다. The
[수학식 2][Equation 2]
수학식 2와 같이, 영상 센서(300)의 한 픽셀(pixel)의 크기 d가 스펙클 패턴의 입자 크기(grain size) 이하여야 하나, 픽셀의 크기가 너무 작아지면 언더샘플링(undersampling)이 발생해서 픽셀 해상도를 활용하는데 어려움이 존재할 수 있다. 이에 따라, 효과적인 SNR(signal to noise ratio)를 달성하기 위해 스펙클 입자 크기(speckle grain size)에 최대 5개 이하의 픽셀이 위치하도록 영상 센서(300)가 배치될 수 있다. As shown in
제어부(400)는 측정된 파동 스펙클의 시간에 따른 변화를 기초로 포집액(W) 내 부유균, 즉 미생물의 존재여부를 검출할 수 있다. 일 실시예로서, 제어부(400)는 파동 스펙클의 시간 상관관계(temporal correlation)를 획득하고, 획득된 시간 상관관계에 기초하여 포집액(W) 내 미생물의 존재여부를 검출할 수 있다. The
구체적으로, 제어부(400)는 제1 시점에서 측정된 제1 파동 스펙클의 제1 영상정보와, 제1 시점과 다른 제2 시점에서 검출된 제2 파동 스펙클의 제2 영상정보 차이를 이용하여 미생물(M)의 존재여부를 검출할 수 있다. 여기서, 제1 영상정보 및 제2 영상정보는 파동 스펙클의 패턴 정보 및 파동의 세기 정보 중 적어도 어느 하나일 수 있다. Specifically, the
한편, 본 발명의 일 실시예는, 제1 시점에서의 제1 영상정보와 제2 시점에서의 제2 영상정보의 차이만을 이용하는 것은 아니며, 이를 확장하여 복수의 시점에서 복수의 파동 스펙클의 영상 정보를 이용할 수 있다. 제어부(400)는 사전에 설정된 복수의 시점마다 생성된 파동 스펙클의 영상정보를 이용하여 영상들 간의 시간 상관 관계 계수를 계산할 수 있으며, 시간 상관 관계 계수에 기초하여 포집액 내의 미생물의 존재여부, 나아가 공기중 부유균의 존재여부를 검출할 수 있다. 검출된 파동 스펙클 영상의 시간 상관 관계는 아래의 수학식 3을 이용하여 계산될 수 있다. On the other hand, an embodiment of the present invention does not use only the difference between the first image information at the first viewpoint and the second image information at the second viewpoint, but expands this to provide an image of a plurality of wave speckles at a plurality of viewpoints. Information is available. The
[수학식 3][Equation 3]
수학식 3에서 은 시간 상관 관계 계수, 은 표준화된 빛 세기, (x,y)는 카메라의 픽셀 좌표, t는 측정된 시간, T는 총 측정 시간, 는 타임래그(time lag)를 나타낸다.In
수학식 3에 따라 시간 상관 관계 계수가 계산될 수 있으며, 일 실시예로서, 시간 상관 관계 계수가 사전에 설정된 기준값 이하로 떨어지는 분석을 통해 미생물의 존재여부를 검출할 수 있다. 구체적으로, 시간 상관 관계 계수가 사전에 설정된 오차 범위를 넘어 기준값 이하로 떨어지는 것으로 미생물이 존재한다고 검출할 수 있다. The time correlation coefficient may be calculated according to
이하, 도 3을 참조하여, 본 발명의 공기중 부유균 측정 장치(10)의 원리에 대하여 설명한다. Hereinafter, with reference to Figure 3, the principle of the airborne
유리와 같이 내부 굴절율이 균질한 물질의 경우에는 광을 조사했을 때에 일정한 방향으로 굴절이 일어난다. 하지만, 내부 굴절률이 불균질한 물체에 레이저와 같은 간섭광(coherent light)을 조사하면, 물질 내부에서 매우 복잡한 다중 산란(multiple scattering)이 발생하게 된다. In the case of a material having a homogeneous internal refractive index such as glass, refraction occurs in a certain direction when irradiated with light. However, when a coherent light such as a laser is irradiated onto an object having a non-homogeneous internal refractive index, very complex multiple scattering occurs inside the material.
도 3을 참조하면, 파동원에서 조사한 빛 또는 파동(이하, 간략화를 위하여 파동이라 함) 중, 다중 산란을 통해 복잡한 경로로 산란된 파동의 일부는 검사 대상면을 통과하게 된다. 검사 대상면의 여러 지점을 통과하는 파동들이 서로 보강 간섭(constructive interference) 또는 상쇄 간섭(destructive interference)를 일으키게 되고, 이러한 파동들의 보강/상쇄 간섭은 낱알 모양의 무늬(스펙클; speckle)를 발생시키게 된다. Referring to FIG. 3, some of the waves scattered in a complex path through multiple scattering among light or waves irradiated from a wave source (hereinafter, referred to as waves for simplicity) pass through the inspection target surface. Waves passing through several points on the inspection target surface cause constructive or destructive interference with each other, and constructive/destructive interference of these waves generates grain-shaped patterns (speckles). do.
본 명세서에서는 이러한 복잡한 경로로 산란되는 파동들을 "혼돈파(chaotic wave)"라고 명명하였으며, 혼돈파는 스펙클 정보를 통해 검출할 수 있다. In the present specification, waves scattered through such a complex path are referred to as "chaotic waves", and chaotic waves can be detected through speckle information.
다시, 도 3의 좌측 도면은 안정한 매질을 레이저로 조사하였을 때를 나타낸 도면이다. 내부 구성 물질의 움직임이 없는 안정한 매질을 간섭광(예를 들어 레이저)으로 조사하였을 때에는 변화가 없는 안정한 스펙클 무늬를 관측할 수 있다. Again, the left side of FIG. 3 is a view showing when a stable medium is irradiated with a laser. When a stable medium with no movement of the internal material is irradiated with interference light (eg, laser), a stable speckle pattern without change can be observed.
그러나, 도 3의 우측 도면과 같이, 내부에 박테리아 등, 내부 구성 물질 중 움직임이 있는 불안정한 매질을 포함하고 있는 경우에는 스펙클 무늬가 변화하게 된다. However, as shown in the right diagram of FIG. 3, when an unstable medium having movement among internal constituent materials such as bacteria is contained therein, the speckle pattern changes.
즉, 생물의 미세한 생명활동(예컨대, 세포 내 움직임, 미생물의 이동, 진드기의 움직임 등)으로 인해 광경로가 실시간으로 변화할 수 있다. 스펙클 패턴은 파동의 간섭으로 인해 발생하는 현상이기 때문에, 미세한 광경로의 변화는 스펙클 패턴에 변화를 발생시킬 수 있다. 특히, 미세한 광경로의 변화는 본 발명의 실시예들에 의해 측정된 데이터의 특성으로 인해 높은 신호대 잡음비로 표현되는데, 이는 좁은 대역폭의 광원이 간섭한 이미지이며 다중 산란으로 인해 신호가 미생물에 의해 여러 번 영향을 받기 때문이다. 이에 따라, 스펙클 패턴의 시간적인 변화를 측정함으로써, 생물의 움직임을 신속하게 측정할 수 있다. 이처럼, 스펙클 패턴의 시간에 따른 변화를 측정하는 경우, 생물의 존재여부 및 농도를 알 수 있으며, 더 나아가서는 생물의 종류 또한 알 수 있다. In other words, the light path may change in real time due to microscopic biological activities of living things (eg, intracellular movement, movement of microorganisms, movement of ticks, etc.). Since the speckle pattern is a phenomenon that occurs due to the interference of waves, a change in a minute light path may cause a change in the speckle pattern. In particular, the change in the minute light path is expressed by a high signal-to-noise ratio due to the characteristics of the data measured by the embodiments of the present invention, which is an image interfered by a light source of a narrow bandwidth, and the signal is caused by multiple Because it is affected times. Accordingly, by measuring the temporal change of the speckle pattern, it is possible to quickly measure the movement of the organism. In this way, when the change of the speckle pattern over time is measured, the existence and concentration of an organism can be known, and furthermore, the type of the organism can also be known.
도 4 및 도 5를 참조하면, 본 발명의 일 실시예에 따른 공기중 부유균 측정 장치(10)는 살균 유닛(500)을 더 포함할 수 있다. 4 and 5, the
살균 유닛(500)은 저장조(1001) 내 포집액(W)을 살균처리를 수행할 수 있다. 살균 유닛(500)은 포집액(W) 내 미생물을 제거할 수 있는 어떠한 수단도 가능하다. 예를 들면, 살균 유닛(500)은 자외선(UV) 램프 또는 일정 이상 출력을 갖는 레이저 중 적어도 어느 하나를 포함할 수 있다. 또는, 살균 유닛(500)은 전기분해를 이용하여 살균할 수도 있다. 한편, 다른 실시예로서, 살균 유닛(500)은 저장조(1001) 내 포집액(W)을 살균처리하는 것이 아니라, 포집액 배출관(1202)의 배출 경로 상에 배치되어 배출되는 포집액(W)을 살균처리할 수도 있음은 물론이다.The
한편, 공기중 부유균 측정 장치(10)는 포집액 유입관(1201)에 설치되어 포집액 유입관(1201)을 선택적으로 개폐하는 제1 밸브(1301)와, 포집액 배출관(1202)에 설치되어 포집액 배출관(1202)을 선택적으로 개폐하는 제2 밸브(1302)를 더 포함할 수 있다. 이때, 제어부(400)는 사전에 설정된 프로그램에 의해 제1 밸브(1301) 또는 제2 밸브(1302)의 동작을 제어할 수 있다.On the other hand, the airborne
구체적으로 도 5의 (a)를 참조하면, 공기중 부유균 측정 장치(10)는 포집유닛(1000)을 이용하여 공기중 부유균(M)을 포집액(W)에 포집할 수 있다. 앞서 설명한 바와 같이, 공기중 부유균 측정 장치(10)는 부유균(M)을 흡입하기 전 포집액(W)이 미생물을 포함하지 않도록 관리된 포집액(W)을 검출 직전 저장조(1001)로 유입시키거나, 저장조(1001)에 수용된 포집액(W)을 사전에 미리 측정하여 미생물을 포함하는 불순물의 농도를 저장할 수 있다. 외부에 저장된 포집액(W)을 저장조(1001)로 유입시키는 경우, 제어부(400)는 제1 밸브(1301)가 개방되도록 제어할 수 있으며, 일정량의 포집액(W)을 수용한 후 제1 밸브(1301)가 폐쇄되도록 제어할 수 있다. 이후, 공기중 부유균 측정 장치(10)는 흡입된 외부 공기를 상기한 포집액(W)에 접촉시키는 것에 의해 외부 공기 내 포함된 부유균(M)을 포집할 수 있다. Specifically, referring to FIG. 5A, the airborne
도 5의 (b)를 참조하면, 공기중 부유균 측정 장치(10)는 포집액(W) 내 파동을 조사하여 미생물(M)의 존재유무 또는 농도를 실시간(real-time)으로 검출할 수 있으나, 다른 실시예로서, 일정 시간 동안 포집액(W) 내에서 미생물(M)을 배양시킨 후 검출할 수도 있다. 만약, 일정 시간 동안 포집액(W) 내에서 미생물(M)을 배양시킨 후 측정하는 경우, 공기중 부유균 측정 장치(10)는 상기한 시간을 고려하여 검출된 미생물(M)의 농도로부터 공기중 부유균의 실제 농도를 추정할 수 있다. Referring to FIG. 5B, the airborne
도 5의 (c)를 참조하면, 상기와 같이 검출이 완료된 포집액(W)은 살균유닛(500)에 의해 살균처리될 수 있다. 이를 통해, 공기중 부유균 측정 장치(10)는 포집액(W)을 살균처리시킨 후 배출함으로써 오염물 발생을 최소화할 수 있을 뿐만 아니라, 보다 궁극적으로는 저장조(1001) 내 미생물을 제거함으로써, 반복적인 검출과정의 정확도를 높일 수 있다. Referring to (c) of FIG. 5, the collection liquid W, which has been detected as described above, may be sterilized by the
도 5의 (d)를 참조하면, 살균처리가 완료되면, 제어부(400)는 제2 밸브(1302)가 개방되도록 제어하여 저장조(1001) 내 포집액(W)을 외부로 배출시킬 수 있다. 상기한 과정을 반복함으로써, 공기중 부유균 측정 장치(10)는 공기중 부유균을 반복적으로 측정할 수 있고, 이러한 데이터들은 외부 서버로 제공되어 빅데이터로서 활용될 수 있다. Referring to FIG. 5D, when the sterilization treatment is completed, the
이하에서는 도면을 참조하여, 전술한 구성을 갖는 공기중 부유균 측정 장치(10)를 포함하는 네트워크 환경에 대해 설명하고, 이때, 기계학습을 통해 공기중 부유균 검출뿐만 아니라 농도 또는 종류를 구분하는 방법에 대해서 설명하기로 한다. Hereinafter, with reference to the drawings, a network environment including the
도 6은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 6 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
도 6의 네트워크 환경(1)은 하나 이상의 공기중 부유균 측정 장치(10), 사용자 단말(20), 서버(30) 및 네트워크(40)를 포함하는 예를 나타내고 있다. 이러한 도 6은 발명의 설명을 위한 일례로 사용자의 단말의 수나 서버의 수가 도 6과 같이 한정되는 것은 아니다. The
공기중 부유균 측정 장치(10)는 하나 이상 구비될 수 있으며, 각각 다른 지역에 배치되어 상기한 검출 과정을 통해 각 지역에서의 공기중 부유균을 검출할 수 있다. 공기중 부유균 측정 장치(10)는 통신망인 네트워크(40)를 이용하여 서버(30) 또는 사용자 단말(20)로 제공할 수 있다. 이렇게 제공된 데이터를 이용하여 서버(30)는 지역에 따른 공기중 부유균 정보, 좀 더 구체적으로 부유균과 관련된 방역 정보를 지도와 함께 생성하고 사용자 단말(20)로 제공할 수 있다. One or more airborne
사용자 단말(20)은 컴퓨터 장치로 구현되는 고정형 단말(22)이거나 이동형 단말(21)일 수 있다. 사용자 단말(20)은 서버(30)를 제어하는 관리자의 단말일 수 있다. 사용자 단말(20)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 사용자 단말 1(21)은 무선 또는 유선 통신 방식을 이용하여 통신망(40)을 통해 다른 사용자 단말(22) 및/또는 서버(30)와 통신할 수 있다. The
통신 방식은 제한되지 않으며, 네트워크(40)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(40)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(40)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.The communication method is not limited, and not only a communication method using a communication network (for example, a mobile communication network, a wired Internet, a wireless Internet, a broadcasting network), but also a short-range wireless communication between devices may be included. For example, the
서버(30)는 사용자 단말(20) 또는 공기중 부유균 측정 장치(10)와 네트워크(40)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. The
본 발명의 일 실시예예 따른 공기중 부유균 측정 장치(10)는 독립적인 구성을 통해 공기중 부유균을 포집하고, 포집액으로부터 출사되는 파동 스펙클을 측정한 후, 제어부(400)에 의해 파동 스펙클을 이용하여 미생물 분류기준을 학습하고, 학습된 미생물 분류기준을 이용하여 포집액 내의 부유균을 검출하는 기능을 수행할 수 있다. The airborne
그러나, 본 발명의 기술적 사상은 이에 제한되지 않으며, 공기중 부유균 측정 장치(10)는 검출 데이터들을 외부의 서버(30)로 전송하고, 전송된 데이터들을 이용하여 외부의 서버(30)는 미생물 분류기준을 기계학습한 후 학습된 알고리듬을 공기중 부유균 측정 장치(10)로 제공할 수 있다. 공기중 부유균 측정 장치(10)는 이렇게 제공된 알고리듬 및 신규로 측정되는 파동 스펙클에 관한 데이터를 이용하여 공기중 부유균의 존재여부를 검출하거나 농도 또는 종류를 구분할 수 있다. 이하에서는, 설명의 편의를 위하여 서버(30)에서 미생물 분류기준을 기계학습하는 경우를 중심으로 설명하기로 한다. However, the technical idea of the present invention is not limited thereto, and the airborne
도 7은 본 발명의 일 실시예에 따른 서버(30)를 개략적 도시한 블록도이다. 7 is a block diagram schematically showing the
서버(30)는 적어도 하나 이상의 프로세서(processor)에 해당하거나, 적어도 하나 이상의 프로세서를 포함할 수 있다. 이에 따라 서버(30)는 마이크로 프로세서나 범용 컴퓨터 시스템과 같은 하드웨어 장치에 포함된 형태로 구동될 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. The
도 7에 도시된 서버(30)는 본 실시예의 특징이 흐려지는 것을 방지하기 위하여 본 실시예와 관련된 구성요소만을 도시한 것이다. 따라서, 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.The
도 7을 참조하면, 본 발명의 일 실시예에 따른 서버(30)는 입출력 인터페이스(31), 수신부(32), 프로세서(33) 및 메모리(34)를 포함할 수 있다. Referring to FIG. 7, the
메모리(34)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random acess memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. The
입출력 인터페이스(31)는 입출력 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(31)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. The input/
수신부(32)는 공기중 부유균 측정 장치(10)로부터 복수의 영상을 수신할 수 있다. 이때, 복수의 영상이란, 공기중 부유균 측정 장치(10)의 영상센서(300)에서 포집액(W)으로부터 출사되는 파동을 시계열 순으로 촬영한 영상들일 수 있다. 즉, 수신부(32)는 유선 또는 무선 통신을 이용하는 통신모듈로서 기능하여, 복수의 영상을 제공받을 수 있다. 이때, 수신부(32)는 네트워크(40)를 통해 사용자 단말1(21)과 서버(30)가 통신하기 위한 기능을 제공할 수 있으며, 다른 사용자 단말(일례로 사용자단말2(22)) 또는 다른 서버와 통신하기 위한 기능을 제공할 수 있다. The
프로세서(33)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(34) 또는 수신부(32)에 의해 프로세서(33)로 제공될 수 있다. 예를 들어, 프로세서(33)는 메모리(34)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 프로세서(33)는 학습부(331), 검출부(332) 및 판단부(333)를 포함할 수 있다.The
검출부(322)는 수신부(32)에 의해 수신된 복수의 학습영상으로부터 시간에 따른 변화의 특징(feature)을 추출할 수 있다. 여기서, 복수의 학습영상들은 시간 간격을 두고 연속적으로 촬영된 영상들로서, 시계열 순으로 촬영한 복수의 학습영상들 사이에는 시간(time) 정보를 포함하게 된다. 검출부(322)는 이러한 복수의 학습영상들로부터 시간에 따른 변화의 특징(feature)을 추출할 수 있다.The detection unit 322 may extract a feature of a change over time from a plurality of training images received by the
학습부(331)는 추출된 특징을 기초로 포집액(W) 내에 존재하는 미생물의 종류 또는 농도를 구분하는 미생물 분류기준을 학습할 수 있다. 학습부(331)는 딥러닝(Deep learning)을 기반으로 미생물 분류기준을 학습하며, 딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 학습부(331)는 딥러닝의 모델 중 예컨대 심층 신경망(Deep Neural Networks, DNN), 컨볼루션 신경망(Convolutional Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경 망(Deep Belief Networks, DBN) 중 어느 하나를 이용한 것일 수 있다.The
일 실시예로서, 학습부(331)는 상기 수신한 복수의 학습영상들의 시간 상관관계(temporal correlation)를 기초로 분류기준을 기계학습(machine learning)할 수 있다. As an embodiment, the
복수의 학습영상은 전술한 바와 같이, 포집액(W) 내 미생물로(M)로부터 다중산란되어 발생된 파동 스펙클의 정보를 포함할 수 있다. 앞서 도 3을 통해 설명한 바와 같이, 포집액(W) 내 부유균이 존재하는 경우, 미생물의 생명활동으로 인하여 스펙클은 시간에 따라 변화할 수 있다. 또한, 이러한 시간에 따른 스펙클의 변화는 미생물의 종류 또는 농도에 따라서 다르므로, 학습부(331)는 스펙클의 시간에 따른 변화를 이용하여 미생물의 종류 또는 농도를 분류하는 미생물 분류기준을 학습할 수 있다. As described above, the plurality of learning images may include information on wave speckles generated by multiple scattering from the microbial path M in the collection liquid W. As described above with reference to FIG. 3, when suspended bacteria are present in the collection liquid W, the speckle may change over time due to the biological activity of the microorganism. In addition, since the change of the speckle over time varies according to the type or concentration of the microorganism, the
도 8은 본 발명의 일 실시예에 따른 학습부(331)에서 스펙클의 시간 상관관계를 분석하는 방법을 설명하기 위한 도면이다. 8 is a view for explaining a method of analyzing the temporal correlation of speckles in the
도 8을 참조하면, 학습부(331)는 사전에 설정된 복수의 시점에 생성된 스펙클의 영상정보를 이용하여 상기 수학식 3과 같이 영상들 간의 시간 상관 관계 계수를 계산할 수 있으며, 시간 상관 관계 계수에 기초하여 미생물 분류기준을 학습할 수 있다. 도 8에 도시된 바와 같이, 미생물의 농도가 증가할수록 시간 상관 관계 계수는 기준값 이하로 떨어지는 시간이 짧아지는데, 이를 이용하여 시간 상관 관계 계수를 나타내는 그래피의 기울기 값을 통해 미생물의 농도를 분석할 수 있다. 학습부(331)는 시간 상관 관계 계수의 기울기 값 분석을 이용하여 미생물의 농도를 구분하는 미생물 분류기준을 학습할 수 있다. Referring to FIG. 8, the
도 9는 시간에 따라 측정된 파동 스펙클의 빛 세기의 표준편차 분포를 도시한 도면이다. 9 is a diagram showing a distribution of standard deviations of light intensity of wave speckles measured over time.
도 9를 참조하면, 학습부(331)는 기준 시간마다 측정된 복수의 학습영상들을 이용하여 스펙클 패턴의 빛 세기(intensity)의 표준편차를 계산할 수 있다. 시료 내에 존재하는 세균 및 미생물이 지속적으로 움직임에 따라 보강 간섭과 상쇄 간섭이 상기 움직임에 대응하여 변화할 수 있다. 이때, 보강 간섭과 상쇄 간섭이 변화함에 따라, 빛 세기의 정도가 변화할 수 있다. 학습부(331)는 빛의 세기의 변화 정도를 나타내는 표준편차를 구하여 시료에서 세균 및 미생물이 있는 곳을 분석하고, 세균 및 미생물의 분포도를 학습할 수 있다. Referring to FIG. 9, the
예를 들어, 학습부(331)는 복수의 학습영상 각각에서 검출된 스펙클 패턴의 시간에 따른 빛 세기의 표준편차를 계산할 수 있다. 스펙클의 시간에 따른 빛 세기 표준편차는 아래의 수학식 4에 기초하여 계산될 수 있다. For example, the
[수학식 4][Equation 4]
수학식 4에서, S: 표준편차, (x,y): 카메라 픽셀 좌표, T: 총 측정 시간, t: 측정 시간, It: t 시간에 측정된 빛 세기, : 시간에 따른 평균 빛 세기를 나타낼 수 있다.In Equation 4, S: standard deviation, (x,y): camera pixel coordinates, T: total measurement time, t: measurement time, It: light intensity measured at time t, : It can show the average light intensity over time.
세균 및 미생물의 움직임에 따라 보강 및 상쇄 간섭 패턴이 달라지게 되고, 수학식 4에 기초하여 계산된 표준편차 값이 달라지기 때문에 이에 기초하여 세균 및 미생물의 농도가 측정될 수 있다. 학습부(331)는 스펙클 패턴의 빛의 세기의 표준편차 값의 크기와 세균 및 미생물 농도와의 선형적인 관계에 기초하여 분류기준을 학습할 수 있다.Since the reinforcing and destructive interference patterns vary according to the movement of bacteria and microorganisms, and the standard deviation value calculated based on Equation 4 is different, the concentration of bacteria and microorganisms can be measured based on this. The
이하에서는, 학습부(331)가 컨볼루션 신경망(CNN)을 이용하여 분류기준을 학습하는 경우를 중점으로 설명하기로 한다.Hereinafter, a case in which the
여기서, 컨볼루션 신경망(CNN)은 최소한의 전처리(prepocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 컨볼루션 신경망(CNN)은 입력 데이터에 대하여 컨볼루션을 수행하는 컨볼루션 계층을 포함하며, 그리고 영상에 대해 서브샘플링(subsampling)을 수행하는 서브샘플링 계층을 더 포함하여, 해당 데이터로부터 특징맵을 추출할 수 있다. 여기서, 서브샘플링 계층이란 이웃하고 있는 데이터 간의 대비율(contrast)을 높이고 처리해야 할 데이터의 양을 줄여주는 계층으로서, 최대 풀링(max pooling), 평균 풀링(average pooling) 등이 이용될 수 있다. Here, the convolutional neural network (CNN) is a type of multilayer perceptrons designed to use minimal pre-processing. The convolutional neural network (CNN) includes a convolution layer that performs convolution on input data, and further includes a subsampling layer that performs subsampling on an image, and extracts a feature map from the data. can do. Here, the subsampling layer is a layer that increases a contrast between neighboring data and reduces the amount of data to be processed, and may use max pooling, average pooling, or the like.
도 10은 본 발명의 일 실시예에 따른 컨볼루션 신경망의 예시도이고, 도 11 및 도 12은 도 10의 컨볼루션 연산을 설명하기 위한 도면이다. 10 is an exemplary diagram of a convolutional neural network according to an embodiment of the present invention, and FIGS. 11 and 12 are diagrams for explaining the convolution operation of FIG. 10.
도 10 내지 도 12를 참조하면, 본 발명의 일 실시예에 따른 학습부(331)에서 이용하는 컨볼루션 신경망(CNN, 2510)은 복수의 컨볼루션 레이어들(A1)을 포함할 수 있다. 학습부(331)는 컨볼루션 레이어들의 커널들 및 입력들 사이의 컨볼루션 연산을 수행하여 출력을 생성할 수 있다. 10 to 12, a convolutional neural network (CNN, 2510) used in the
컨볼루션 레이어의 입력은 해당 컨볼루션 레이어의 입력으로 채용되는 데이터로서, 최초 입력 데이터 또는 이전 레이어에 의해 생성된 출력에 대응하는 적어도 하나의 입력 특징 맵(feature map)을 포함한다. 예를 들어, 도 8에 도시된 컨볼루션 레이어 1(A11)의 입력은 컨볼루션 신경망(2510)의 최초 입력인 복수의 영상들(2501)이며, 컨볼루션 레이어 2(A12)의 입력은 컨볼루션 레이어 1(A11)의 출력(2511)일 수 있다. The input of the convolutional layer is data used as an input of the corresponding convolutional layer, and includes at least one input feature map corresponding to initial input data or an output generated by a previous layer. For example, the input of the convolution layer 1 (A11) shown in FIG. 8 is a plurality of
컨볼루션 신경망(2510)의 입력(2501)은 수신부(32)에서 수신한 C개의 복수의 영상들(2501)이며, 입력 특징 맵인 각 영상들 사이에는 시간 상관관계가 성립될 수 있다. 각 영상, 다시 말해 각 입력 특징 맵은 사전에 설정된 너비(W)와 높이(H)로 이루어진 복수의 픽셀들을 가질 수 있다. 이러한 입력 특징 맵이 C개이므로, 입력(2501)의 크기는 W x H x C로 표현될 수 있다. 학습부(331)는 컨볼루션 레이어(A1)에 대응하는 하나의 커널을 이용하여, 입력(2501)에 대응하는 컨볼루션 연산을 수행할 수 있다. The
컨볼루션 레이어(A1)의 적어도 하나의 커널은 해당 컨볼루션 레이어(A1)에 대응하는 컨볼루션 연산을 위해 채용되는 데이터로서, 예를 들면 해당 컨볼루션 레이어의 입력 및 출력에 기초하여 정의될 수 있다. 컨볼루션 신경망(2510)을 구성하는 컨볼루션 레이어(A1)들 별로 적어도 하나의 커널이 설계될 수 있는데, 각 컨볼루션 레이어에 대응하는 적어도 하나의 커널을 커널 세트(S600)로 지칭할 수 있다. At least one kernel of the convolutional layer A1 is data employed for a convolution operation corresponding to the convolutional layer A1, and may be defined, for example, based on inputs and outputs of the convolutional layer. . At least one kernel may be designed for each convolutional layer A1 constituting the convolutional
여기서, 커널 세트(S600)는 출력 채널들(D)에 대응하는 커널들을 포함할 수 있다. 예를 들면, 컨볼루션 레이어(A1)의 원하는 출력을 획득하기 위해, 해당 컨볼루션 레이어의 입력과 컨볼루션 연산이 수행되도록 해당 컨볼루션 레이어의 커널 세트(S600)가 정의될 수 있다. 컨볼루션 레이어(A1)의 출력은 해당 컨볼루션 레이어의 입력과 커널 세트 사이의 컨볼루션 연산 결과에 의한 데이터로서, 적어도 하나의 출력 특징 맵을 포함하고 다음 레이어의 입력으로 채용될 수 있다. Here, the kernel set S600 may include kernels corresponding to the output channels D. For example, in order to obtain a desired output of the convolutional layer A1, a kernel set S600 of a corresponding convolutional layer may be defined so that an input of a corresponding convolutional layer and a convolution operation are performed. The output of the convolutional layer A1 is data obtained from a result of a convolution operation between an input of a corresponding convolutional layer and a kernel set, and includes at least one output feature map and may be used as an input of a next layer.
학습부(331)는 컨볼루션 레이어(A1)에 대응하는 커널 세트(S600)와 입력(2501) 사이의 컨볼루션 연산을 수행하여 출력(2511)을 생성할 수 있다. 컨볼루션 레이어(A1)의 출력(2511)은 D개의 출력 채널에 대응하는 출력 특징 맵(25111)들을 포함하고, 각 출력 특징 맵(25111)의 크기는 W x H일 수 있다. 여기서, 출력(2511)의 너비, 높이 및 개수(깊이)는 각각 W, H 및 D이고, 출력(2511)의 크기는 W x H x D로 표현될 수 있다. The
예를 들어, 컨볼루션 레이어(A1)에 대응하는 커널 세트(S600)는 D개의 출력 채널 개수에 대응하는 컨볼루션 커널들을 포함할 수 있다. 학습부(331)는 입력(2501)과 D개의 출력 채널들에 대응하는 커널들 사이의 연산결과들에 기초하여, D개의 출력 채널들에 대응하는 출력 특징 맵(25111)들을 생성할 수 있다. For example, the kernel set S600 corresponding to the convolution layer A1 may include convolution kernels corresponding to the number of D output channels. The
학습부(331)는 복수의 컨볼루션 레이어(A1)를 포함하며, 일 실시예로서 4 내지 7개의 컨볼루션 레이어(A1)들을 포함할 수 있다. 예를 들면, 도면에 도시된 바와 같이, 5개의 컨볼루션 레이어들(A11, A12, A13, A14, A15)들을 포함할 수 있다. 이러한 복수의 컨볼루션 레이어(A11, A12, A13, A14, A15)들을 통해, 학습부(331)는 복잡한 비선형 관계를 함축할 수 있는 학습용량이 높아질 수 있다. 그러나, 본 발명은 이에 제한되지 않으며, 더 많은 컨볼루션 레이어(A1)들을 이용하여 학습할 수 있음은 물론이다. The
한편, 컨볼루션 레이어(A1) 각각은 활성 함수(activation function)을 포함할 수 있다. 활성 함수는 각층의 레이어들마다 적용되어 각 입력들이 복잡한 비선형성(non-linear) 관계를 갖게 하는 기능을 수행할 수 있다. 활성 함수는 입력을 표준화(normalization)된 출력으로 변환시킬 수 있는 시그모이드 함수(Sigmoid), 탄치 함수(tanh), 렐루(Rectified Linear Unit, ReLU), 리키 렐루(Leacky ReLU) 등이 사용될 수 있다. Meanwhile, each of the convolutional layers A1 may include an activation function. The activation function is applied to each layer to perform a function of making each input have a complex non-linear relationship. As the activation function, a sigmoid function (Sigmoid), a tanh function (tanh), a rectified linear unit (ReLU), and a leaky relu (Leacky ReLU) that can convert an input into a normalized output can be used. .
본 발명의 일 실시예에 따른 학습부(331)는 컨볼루션 신경망(510)을 이용하여 처음 학습시킴에 있어 -1 내지 1의 값들을 이용하여 커널들을 완전히 초기화시키기게 되는데, 음수값을 갖는 데이터들을 모두 0으로 출력하는 활성함수를 이용하는 경우 유효한 정보들을 포함하는 출력값들이 다음 컨볼루션 레이어로 전달될 수 없어 학습 효율이 떨어질 수 있다. 따라서, 본 발명의 일 실시예에 있어서, 학습부(331)는 컨볼루션 레이어(A1) 뒤에 리키 렐루(Leacky ReLU) 레이어를 추가하여, 양수 값은 그대로 출력하되, 음수 값의 입력 데이터에는 일정한 기울기를 갖도록 출력할 수 있다. 이를 통해, 학습부(331)는 학습하는 동안 수렴 속도 저하와 로컬 최소화 문제를 방지할 수 있다. The
입력(2501)은 패딩(padding)이 적용된 입력 특징 맵들의 집합일 수 있는데, 패딩이란 입력의 일부 영역을 특정 값으로 채우는 기법을 의미한다. 구체적으로 패드(Pad)의 크기를 1로 하여 입력에 패딩을 적용한다는 것은 입력 특징 맵의 가장자리에 특정값을 채우는 동작을 의미하고, 제로 패딩(zoro padding)은 그 특정 값을 0으로 설정하는 것을 의미한다. 예를 들어, X x Y x Z의 크기 입력에 패드(pad)의 크기가 1인 제로 패딩(zero padding)이 적용된다면, 패딩이 적용된 입력은 가장자리가 0이고, 크기가 (X+1) x (Y+1) x Z인 데이터로서, (X+1) x (Y+1) x Z개의 입력 요소들을 포함할 수 있다. The
한편, 학습부(331)는 스펙클 정보를 포함하는 복수의 영상들을 입력으로 하여 컨볼루션 연산을 수행함에 있어, 복수의 영상들의 시간 상관관계를 이용하여 학습하게 되는데, 이때, 각각의 영상들에는 낱알 모양의 무늬들인 복수의 스펙클들을 포함할 수 있다. 이때, 학습부(331)는 스펙클 각각의 시간 상관관계를 기초로 하여 분류기준을 학습시킬 수 있으며, 다시 말해, 학습부(331)는 영상의 2차원적인 정보가 아닌 시간의 정보를 포함하는 3차원적 정보를 이용하여 분류기준을 학습하게 된다. Meanwhile, the
학습부(331)는 하나의 스펙클에 대한 정보에 집중해야 하며, 하나의 스펙클에 대한 3차원적 정보를 정확히 획득하기 위하여 상기한 하나의 스펙클과 주변의 스펙클들을 구분하여 분류기준을 학습시켜야 한다. 따라서, 학습부(331)는 하나의 스펙클의 크기보다 작은 크기를 갖는 컨볼루션 커널(convolution kernel)을 이용하여 컨볼루션 연산을 수행할 수 있다. 즉, 학습부(331)는 하나의 스펙클의 크기가 m개의 픽셀(pixel)에 대응되는 경우, m보다 작은 n x n 크기의 컨볼루션 커널을 이용하여 컨볼루션 연산을 수행하게 된다. 일 실시예로서, 전술한 바와 같이, 영상 센서(300)는 스펙클 입자 크기(speckle grain size)에 최대 5개 이하의 픽셀이 위치하도록 배치되므로, m은 5가 될 수 있고 이때 n은 1의 값을 가질 수 있다. 즉, 학습부(331)는 1 x 1 컨볼루션 커널을 이용하여 컨볼루션 연산을 수행할 수 있다. 그러나, 본 발명의 기술적 사상은 스펙클의 크기보다 작은 크기의 커널을 이용하여 컨볼로션 연산을 수행하는 것인 바, 이에 제한되는 것은 아니다. The
커널 세트(S600)는 D개의 출력 채널들에 대응하는 컨볼루션 커널들을 포함하고, 각 컨볼루션 커널은 복수의 영상 개수에 대응되는 커널 특징 맵들을 포함할 수 있다. 각 커널 특징 맵의 크기가 n x n 이므로, 커널 세트(S600)는 n x n x C x D 개의 커널 요소들을 포함한다. 여기서, 컨볼루션 커널의 사이즈는 n x n x C가 되며, C는 복수의 영상들의 개수, 즉 영상 프레임 수가 될 수 있다. 컨볼루션 커널의 개수는 복수의 영상들의 개수(C)와 동일할 수 있고, 이 경우, 각 레이어의 출력 결과를 이용해 동일 조건의 푸리에 변환 또는 이를 이용한 분석 등에 사용할 수 있다. The kernel set S600 includes convolution kernels corresponding to D output channels, and each convolution kernel may include kernel feature maps corresponding to the number of images. Since the size of each kernel feature map is n x n, the kernel set S600 includes n x n x C x D kernel elements. Here, the size of the convolution kernel is n x n x C, and C may be the number of a plurality of images, that is, the number of image frames. The number of convolution kernels may be the same as the number C of a plurality of images, and in this case, the output result of each layer may be used for Fourier transform under the same condition or analysis using the same.
도 9에 도시된 바와 같이, 학습부(331)는 커널 세트(S600) 중 첫번째 출력 채널에 대응하는 컨볼루션 커널과 입력(2501) 사이의 연산을 수행하여 첫번째 출력 채널에 대응하는 출력 특징 맵(25111)을 생성할 수 있다. 이와 같은 방식으로 학습부(331)는 커널 세트(S600) 내 D개의 커널들과 입력(2501) 사이의 연산을 각각 수행하여 D개의 출력 채널들에 대응하는 출력 특징 맵(25111)들을 생성할 수 있고, 생성된 출력 특징 맵(25111)들을 포함한 출력(22511)을 생성할 수 있다. As shown in FIG. 9, the
예를 들면, 학습부(331)는 n x n x C개의 크기인 D번째 출력 채널에 대응하는 컨볼루션 커널(600)과 W x H x C의 크기인 입력(501) 사이의 연산을 수행하여 W x H의 크기인 출력 특징 맵(25111)을 생성할 수 있고, 생성된 출력 특징 맵(5111)은 D번째 출력 채널에 대응한다. 구체적으로, D번째의 출력 채널에 대응하는 컨볼루션 커널(600)은 C개의 컨널 특징 맵들을 포함하고, 각 커널 특징 맵의 크기는 n x n이다. 학습부(331)는 입력(501)에 포함된 W x H의 크기인 각 입력 특징 맵 상에서 n x n의 크기인 각 커널 특징 맵을 특정 스트라이드(stride)로 슬라이딩하여, D번째의 출력 채널에 대응하는 컨볼루션 커널(2600) 및 입력(2501) 사이의 연산 결과인 출력 특징 맵(25111)을 생성할 수 있다. For example, the
여기서, 스트라이드(stride)란 컨볼루션 연산 시 커널 특징 맵을 슬라이딩하는 간격을 의미한다. 앞서 설명한 바와 같이, 학습부(331)는 하나의 스펙클에 대한 정보에 집중하기 위해, 상기한 하나의 스펙클과 주변의 스펙클들을 구분하여 분류기준을 학습시켜야 하므로, 슬라이딩 간격인 스트라이드(s)는 각 컨볼루션 커널들과 이에 대응되는 영역이 중첩되지 않도록 컨볼루션 커널의 크기에 대응되는 값을 가질 수 있다. 다시 말해, n x n 크기의 컨볼루션 커널을 사용하는 경우, 스트라이드(s)는 n 값을 가질 수 있다. 예를 들면, 1 x 1 컨볼루션 커널인 경우, 스트라이드(s)는 1일 수 있다. 이를 통해, 학습부(331)는 하나의 스펙클이 주변 다른 스펙클들과 비중첩시켜, 오직 하나의 스펙클이 갖는 시간 정보로 분류기준을 학습시킬 수 있다. Here, the stride means an interval for sliding the kernel feature map during a convolution operation. As described above, since the
일 실시예로서, 학습부(331)는 컨볼루션 신경망(510)을 이용하여 분류기준을 학습함에 있어, 복수의 영상 개수(C)와 동일한 출력 채널 개수(D)를 갖도록 컨볼루션 연산을 수행할 수 있다. 다시 말해, 커널 세트(S600)는 C개의 커널 특징 맵을 포함하는 컨볼루션 커널들을 D개 구비할 수 있으며, 이때, C와 D는 동일할 수 있다. As an embodiment, in learning the classification criteria using the convolutional neural network 510, the
한편, 학습부(331)는 컨볼루션 레이어(A1)들을 이용한 컨볼루션 연산 후 풀링 연산을 이용하여 출력(2515)의 사이즈를 축소시킬 수 있다. 예를 들면, 학습부(331)는 서브 샘플링(sub sampling, A2)을 이용하여 출력(2515)의 사이즈를 축소시킬 수 있다. 예를 들면, 서브 샘플링은 일정한 크기의 범위 내의 평균치를 해당 범위의 대표로 설정하는 연산인 평균 풀링(global average pooling)일 수 있다. 그러나, 본 발명은 이에 제한되지 않으며 최대 풀링(max pooling), 최소 풀링(min pooing) 등이 사용될 수 있음은 물론이다. Meanwhile, the
이후, 학습부(331)는 완전 연결 레이어(Fully connected layer)를 이용하여, 서브 샘플링(A2) 필터를 통과시켜 추출한 특징 맵(521)들에 대해 소정의 연산과 함께 가중치를 적용한 후, 최종 출력(2541)을 획득할 수 있다. 예를 들면, 학습부(331)는 서브 샘플링(A2)을 수행한 후의 완전 연결 레이어(Fully connected layer)에 리키 렐루(Leaky ReLU)를 더 적용하고(A3), 이후, 완전 연결 레이어(Fully connected layer)에 소프트맥스 레이어(softmax layer)를 적용하여(A4) 최종 출력을 획득할 수 있다. 여기서, 최종 출력(2541)은 스펙클의 시간 상관관계에 의한 미생물 종류 또는 농도를 구분하는 미생물 분류기준일 수 있다.Thereafter, the
이후, 서버(30)는 공기중 부유균 측정 장치(10)로부터 신규 포집액(W)에 파동을 조사하여 획득한 파동 스펙클에 관한 영상을 수신할 수 있고, 판단부(333)는 상기 획득한 미생물 분류기준을 기초로 신규 포집액(W)에 포함된 부유균의 종류 또는 농도를 구분할 수 있다. 그러나, 판단부(333)는 서버(30)에 반드시 포함될 필요는 없으며, 서버(30)로부터 학습된 미생물 분류기준이 공기중 부유균 측정 장치(10)의 제어부(400)로 제공되면, 제어부(400)는 판단부(333)의 기능과 같이, 미생물 분류기준을 기초로 신규 포집액(W)에 포함된 부유균의 종류 또는 농도를 구분할 수 있다.Thereafter, the
도 13은 본 발명의 일 실시예에 따른 기계학습을 통해 공기중 부유균 측정하여 획득된 예상 미생물 정보(prediction)와 실제 미생물 정보(ground truth)를 비교한 그래프이다. 13 is a graph comparing predicted microbial information (prediction) obtained by measuring airborne bacteria through machine learning according to an embodiment of the present invention and actual microbial information (ground truth).
도 13을 참조하면, 본 발명의 일 실시예에 따른 공기중 부유균 측정 기술을 통해 획득한 예상 미생물 정보와 실제 미생물 정보 사이의 매칭율이 매우 높음을 확인할 수 있다. 도 13의 결과를 통해, 공기중 부유균 측정 장치(10)는 미생물 분류기준을 이용하여 포집액(W) 내에 포함된 미생물의 종류(B.subtilis, E.Coli, P.aeruginosa, S.aureus) 등을 구분함은 물론, 각각의 농도까지 구분하고 있음을 확인할 수 있다.Referring to FIG. 13, it can be seen that the matching rate between the expected microbial information obtained through the airborne microbial measurement technology according to an embodiment of the present invention and the actual microbial information is very high. 13, the airborne
전술한 바와 같이, 본 발명의 실시예들에 따른 공기중 부유균 측정 장치는 공기중 부유균을 포집액에 포집한 후, 파동 스펙클을 이용하여 포집액 내 미생물 존재여부를 검출함으로써, 별도의 화학적 방법에 의하지 않고도 공기중 부유균을 빠르고 정확하게 검출할 수 있다. 또한, 공기중 부유균 측정 장치는 기계학습을 통해 스펙클의 시간 상관관계의 변화를 이용하여 미생물의 종류 또는 농도를 분류하는 분류기준을 획득함으로써, 신속하고 정확하게 공기중 부유균의 종류 또는 농도를 구분할 수 있다. 이를 통해, 지역 내 공기중 병원균 존재유무를 파악할 수 있고, 네트워크 환경을 통해 지역적 방역 정보를 효과적으로 확인할 수 있다. As described above, the apparatus for measuring airborne bacteria according to embodiments of the present invention collects airborne bacteria in the collection liquid, and then detects the presence of microorganisms in the collection liquid using a wave speckle. Airborne bacteria can be quickly and accurately detected without chemical methods. In addition, the airborne bacteria measurement device obtains a classification standard for classifying the type or concentration of microorganisms using the change in the time correlation of the speckle through machine learning, thereby quickly and accurately determining the type or concentration of airborne bacteria. Can be distinguished. Through this, it is possible to determine the presence or absence of pathogens in the air in the region, and to effectively check regional quarantine information through the network environment.
이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 한다.So far, we have looked at the center of the preferred embodiment for the present invention. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments should be considered from an illustrative point of view rather than a limiting point of view. The scope of the present invention is shown in the claims rather than the above description, and all differences within the scope equivalent thereto should be interpreted as being included in the present invention.
10 : 공기중 부유균 측정 장치
100 : 파동원
300 : 영상 센서
400 : 제어부
1000 : 포집유닛10: airborne bacteria measurement device
100: wave source
300: image sensor
400: control unit
1000: collection unit
Claims (1)
상기 포집유닛의 상기 포집액을 향하여 파동을 조사하는 파동원;
상기 파동이 상기 포집액 내에서 다중 산란되어 발생되는 파동 스펙클을 시계열적으로 측정하는 영상센서; 및
상기 측정된 파동 스펙클의 시간에 따른 변화를 기초로 상기 포집액 내 미생물의 존재여부를 검출하는 제어부;를 포함하는 공기중 부유균 측정 장치.
A collection having a storage tank for receiving the collection liquid therein, an intake flow path for sucking external air to one side of the storage tank to guide the collected liquid, and an exhaust flow channel for discharging the air of the storage tank to the outside on the other side of the storage tank unit;
A wave source for irradiating a wave toward the collecting liquid of the collecting unit;
An image sensor that measures a wave speckle generated by multiple scattering in the collection liquid in time series; And
Airborne bacteria measurement apparatus comprising a; a control unit for detecting the presence or absence of microorganisms in the collection liquid based on the change over time of the measured wave speckle.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210007324A KR102528012B1 (en) | 2019-05-17 | 2021-01-19 | Apparatus for detecting airborne mcicrobes |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190057746A KR102207043B1 (en) | 2019-05-17 | 2019-05-17 | Apparatus for detecting airborne mcicrobes |
KR1020210007324A KR102528012B1 (en) | 2019-05-17 | 2021-01-19 | Apparatus for detecting airborne mcicrobes |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190057746A Division KR102207043B1 (en) | 2018-05-18 | 2019-05-17 | Apparatus for detecting airborne mcicrobes |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210011473A true KR20210011473A (en) | 2021-02-01 |
KR102528012B1 KR102528012B1 (en) | 2023-05-03 |
Family
ID=86380188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210007324A KR102528012B1 (en) | 2019-05-17 | 2021-01-19 | Apparatus for detecting airborne mcicrobes |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102528012B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040094817A (en) * | 2002-03-28 | 2004-11-10 | 타카이 토후 앤 소이 밀크 이큅먼트 컴퍼니 리미티드 | Evaluation method and device for gel state or sol-gel state change of object |
KR20080057507A (en) * | 2006-12-20 | 2008-06-25 | 재단법인 포항산업과학연구원 | Apparatus for correcting mist |
KR20160013646A (en) * | 2014-07-28 | 2016-02-05 | 엘지전자 주식회사 | Airborne microbial measurement apparatus and measurement method |
KR20170136989A (en) * | 2016-06-02 | 2017-12-12 | 주식회사 더웨이브톡 | A pattern structure inspection system and inspection method using the same |
-
2021
- 2021-01-19 KR KR1020210007324A patent/KR102528012B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040094817A (en) * | 2002-03-28 | 2004-11-10 | 타카이 토후 앤 소이 밀크 이큅먼트 컴퍼니 리미티드 | Evaluation method and device for gel state or sol-gel state change of object |
KR20080057507A (en) * | 2006-12-20 | 2008-06-25 | 재단법인 포항산업과학연구원 | Apparatus for correcting mist |
KR20160013646A (en) * | 2014-07-28 | 2016-02-05 | 엘지전자 주식회사 | Airborne microbial measurement apparatus and measurement method |
KR20170136989A (en) * | 2016-06-02 | 2017-12-12 | 주식회사 더웨이브톡 | A pattern structure inspection system and inspection method using the same |
Also Published As
Publication number | Publication date |
---|---|
KR102528012B1 (en) | 2023-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11280716B2 (en) | Optical detecting system | |
US11514270B2 (en) | Speckle contrast analysis using machine learning for visualizing flow | |
US20230250386A1 (en) | Data Collection and Analytics Based on Detection of Biological Cells or Biological Substances | |
KR102207043B1 (en) | Apparatus for detecting airborne mcicrobes | |
KR102402198B1 (en) | Detection technology for micro-objects in fluids | |
KR20210099575A (en) | Methods and systems for determining the concentration of an analyte in a sample of bodily fluid, and methods and systems for creating software-implemented modules | |
US11391659B2 (en) | Optical detecting system | |
KR20220112913A (en) | Automatic fire and smoke detection method and surveillance systems based on dilated cnns using the same | |
CN112005099A (en) | Optical detection system | |
KR102528012B1 (en) | Apparatus for detecting airborne mcicrobes | |
CN116630294B (en) | Whole blood sample detection method and device based on deep learning and storage medium | |
Zhang et al. | Epistemic and aleatoric uncertainties reduction with rotation variation for medical image segmentation with convnets | |
KR102587495B1 (en) | Apparatus and method for providing microorganism information | |
US20210340591A1 (en) | Microorganism information providing device and method | |
WO2019040646A2 (en) | Detection of biological cells or biological substances | |
KR102207945B1 (en) | Apparatus and method for providing microorganism information | |
Kesarwani et al. | Non-invasive haemoglobin estimation using different colour and texture features of palm | |
US20230010416A1 (en) | Systems and methods for compound concentration sensing in fluids | |
Yuan et al. | Detection of lameness and mastitis pathogens in milk using visual and olfactory sensing | |
Olgun et al. | Defining materials using laser signals from long distance via deep learning | |
EA039195B1 (en) | Detecting microscopic objects in fluids | |
WO2022251925A1 (en) | Method, system and software product for processing skin field images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |