WO2019164074A1 - 미세 먼지 분석 방법 및 이를 수행하기 위한 장치 - Google Patents
미세 먼지 분석 방법 및 이를 수행하기 위한 장치 Download PDFInfo
- Publication number
- WO2019164074A1 WO2019164074A1 PCT/KR2018/009868 KR2018009868W WO2019164074A1 WO 2019164074 A1 WO2019164074 A1 WO 2019164074A1 KR 2018009868 W KR2018009868 W KR 2018009868W WO 2019164074 A1 WO2019164074 A1 WO 2019164074A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- fine dust
- image
- test
- images
- generating
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 262
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims description 128
- 238000000034 method Methods 0.000 claims description 59
- 238000009499 grossing Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000005250 beta ray Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Definitions
- Embodiments of the present invention relate to fine dust analysis techniques.
- fine dust has become a social issue, and various media such as news have provided concentrations of fine dust in each region.
- Conventional fine dust measurement methods include the method of indirectly measuring the physical properties of radiation or light (such as the beta ray absorption method or the light scattering method) and the method of measuring the mass of the fine dust with a scale (weight concentration method, etc.).
- the method of indirectly measuring the physical properties of radiation or light such as the beta ray absorption method or the light scattering method
- the mass of the fine dust with a scale weight concentration method, etc.
- An embodiment of the present invention is to provide a fine dust analysis method and an apparatus for performing the same, which can easily check the fine dust level in any region.
- a method of analyzing fine dust is a method performed in a computing device having one or more processors and a memory storing one or more programs executed by the one or more processors. Obtaining a test photographing video photographed in a predetermined region for checking; Performing a smoothing process on each test image included in the test photographing video; Generating first fine dust test images based on a difference between each test image and a smoothing image of the corresponding test image; Generating secondary fine dust test images through a difference between successive primary fine dust test images in the test photographing video; Generating a plurality of feature map images by performing convolution on each of the second fine dust test images through a plurality of first windows; Performing subsampling by applying a second window to each of the plurality of feature map images; Extracting one or more final feature values for the secondary fine dust test image based on the convolution and the subsampling; And classifying fine dust levels of the secondary fine dust test image based on the extracted final feature value, a preset weight
- the generating of the plurality of feature map images may include sequentially applying the first window to each pixel of the secondary fine dust test image, thereby weighting each pixel value of the secondary fine dust test image in the first window.
- Resetting according to may include.
- the generating of the plurality of feature map images may include performing a convolution by applying a plurality of first windows having different weights in the first window to the secondary fine dust test image, respectively.
- the performing of the subsampling may include extracting a maximum value of pixel values of the feature map image included in the second window while moving the second window without overlapping the feature map image.
- each secondary fine dust test image of the test video After classifying the fine dust level, checking whether each secondary fine dust test image of the test video is classified into the same fine dust level; And when the second fine dust test images are not classified at the same fine dust level, finally determining the fine dust level at which the respective second fine dust test images are classified as the fine dust level of the test video. It may further include.
- a computing device includes: one or more processors; Memory; And one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors, wherein the one or more programs are photographed in a predetermined area to check fine dust levels.
- Instructions for obtaining a captured video Instructions for performing a smoothing process on each test image included in the test photographing video; Generating primary fine dust test images based on a difference between each test image and a smoothing image of the corresponding test image; Generating secondary fine dust test images through a difference between successive primary fine dust test images in the test photographing video; Generating a plurality of feature map images by performing a convolution on each of the secondary fine dust test images through a plurality of first windows; Applying a second window to each of the plurality of feature map images to perform subsampling; Extracting one or more final feature values for the secondary fine dust test image based on the convolution and the subsampling; And classifying fine dust levels for the secondary fine dust test image based on the extracted final feature value, a preset weighting factor, and a preset activation function.
- the command for generating the plurality of feature map images may include sequentially applying the first window to each pixel of the secondary fine dust test image to apply each pixel value of the secondary fine dust test image to the first window. It may include a command for resetting according to the weight.
- the command for generating the plurality of feature map images may include a command for performing convolution by applying a plurality of first windows having different weights in the first window to the second fine dust test image, respectively.
- the command for performing the subsampling may include a command for extracting a maximum value of pixel values of the feature map image included in the second window while moving the second window without overlapping the feature map image.
- the one or more programs may include instructions for confirming whether each secondary fine dust test image of the test shot video is classified into the same fine dust level; And when the second fine dust test images are not classified at the same fine dust level, the final fine dust level at which the respective second fine dust test images are classified most is determined as the fine dust level of the test video.
- the command may further include.
- a method for analyzing fine dust is performed in a computing device having one or more processors and a memory storing one or more programs executed by the one or more processors, wherein each level of fine dust is present.
- a computing device includes: one or more processors; Memory; And one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors, wherein the one or more programs are configured to capture a reference photographing video photographed at each fine dust level of weather.
- a computing device includes: one or more processors; Memory; And one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors, wherein the one or more programs are photographed in a predetermined area to check fine dust levels.
- a computing device includes: one or more processors; Memory; And one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors, wherein the one or more programs are configured to capture a reference photographing video photographed at each fine dust level of weather.
- the fine dust level of the region can be checked only by the photographing video, expensive fine dust measuring equipment is not required, and the fine dust level in each region where the user is located can be easily checked. That is, since only the image taken around the place to know the fine dust level is required, it is possible to easily check the fine dust level at any place regardless of the place or region.
- FIG. 1 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments.
- FIG. 2 is a flowchart illustrating a method for analyzing fine dust according to an embodiment of the present invention.
- FIG. 3 is a view showing a process of generating a secondary fine dust reference image in the fine dust analysis method according to an embodiment of the present invention
- FIG. 4 is a flowchart illustrating a method for analyzing fine dust according to another embodiment of the present invention.
- FIG. 5 is a view showing a fine dust analysis system according to an embodiment of the present invention
- the terms "transfer”, “communication”, “transmit”, “receive” and other similar meanings of signals or information are not only meant to directly convey the signal or information from one component to another. It also includes passing through other components.
- “transmitting” or “sending” a signal or information to a component indicates the final destination of the signal or information and does not mean a direct destination. The same is true for the "reception” of a signal or information.
- that two or more pieces of data or information are "related” means that if one data (or information) is obtained, at least a portion of the other data (or information) can be obtained based thereon.
- first and second may be used to describe various components, but the components should not be limited by the terms. The terms may be used for the purpose of distinguishing one component from another component.
- first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.
- FIG. 1 is a block diagram illustrating and describing a computing environment 10 that includes a computing device suitable for use in example embodiments.
- each component may have different functions and capabilities in addition to those described below, and may include additional components in addition to those described below.
- the illustrated computing environment 10 includes a computing device 12.
- computing device 12 may be a device for performing fine dust analysis in accordance with an embodiment of the present invention.
- Computing device 12 includes at least one processor 14, computer readable storage medium 16, and communication bus 18.
- the processor 14 may cause the computing device 12 to operate according to the example embodiments mentioned above.
- processor 14 may execute one or more programs stored in computer readable storage medium 16.
- the one or more programs may include one or more computer executable instructions that, when executed by the processor 14, cause the computing device 12 to perform operations in accordance with an exemplary embodiment. Can be.
- Computer readable storage medium 16 is configured to store computer executable instructions or program code, program data and / or other suitable forms of information.
- the program 20 stored in the computer readable storage medium 16 includes a set of instructions executable by the processor 14.
- computer readable storage medium 16 includes memory (volatile memory, such as random access memory, nonvolatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash Memory devices, or any other form of storage medium that is accessible by computing device 12 and capable of storing desired information, or a suitable combination thereof.
- the communication bus 18 interconnects various other components of the computing device 12, including the processor 14 and the computer readable storage medium 16.
- Computing device 12 may also include one or more input / output interfaces 22 and one or more network communication interfaces 26 that provide an interface for one or more input / output devices 24.
- the input / output interface 22 and the network communication interface 26 are connected to the communication bus 18.
- the input / output device 24 may be connected to other components of the computing device 12 via the input / output interface 22.
- Exemplary input / output devices 24 may include pointing devices (such as a mouse or trackpad), keyboards, touch input devices (such as touchpads or touchscreens), voice or sound input devices, various types of sensor devices, and / or imaging devices.
- Input devices, and / or output devices such as display devices, printers, speakers, and / or network cards.
- the example input / output device 24 may be included inside the computing device 12 as one component of the computing device 12, and may be connected to the computing device 12 as a separate device from the computing device 12. It may be.
- the method 200 for analyzing fine dust according to an embodiment of the present invention includes a computing device 12 having one or more processors and a memory for storing one or more programs executed by the one or more processors. ) May be performed.
- the fine dust analysis method 200 may be implemented in the form of a program or software including one or more computer executable instructions and stored in the memory.
- the method is divided into a plurality of steps, but at least some of the steps may be performed in a reverse order, in combination with other steps, omitted, or performed in detail. One or more steps may be added and performed.
- the computing device 12 may acquire a reference photographing video photographed in the weather of each fine dust level.
- the fine dust level may be very bad, bad, normal, good and the like. That is, the computing device 12 may acquire a reference photographing video photographed in each weather in which the fine dust level is measured as being very bad, bad, normal, or good.
- the computing device 12 may acquire a reference photographing video photographing the surroundings for a predetermined time in the weather where the fine dust level is the first level and the weather where the second level is the second level.
- the computing device 12 may perform a smoothing process on each image included in the reference captured video.
- the reference captured video is a video having a running time of 1 second
- the reference captured video may include 25 images.
- the computing device 12 may perform a smoothing process on each of the 25 images to obtain an image in an environment free of fine dust.
- the fine dust may blur each image of the reference photographing video or form irregular pixel values within each image.
- the fine dust may blur each image of the reference photographing video or form irregular pixel values within each image.
- the computing device 12 may reset each pixel value by applying a smoothing filter (eg, a 3 ⁇ 3 filter) to each pixel constituting each image.
- a smoothing filter eg, a 3 ⁇ 3 filter
- the computing device 12 may calculate an average value of pixels around the pixel, and then redefine the calculated average value to the pixel value of the pixel.
- a Gaussian blur technique may be used as the smoothing treatment technique, but is not limited thereto.
- the computing device 12 may generate the primary fine dust reference image based on a difference between each image of the reference captured video and the smoothing image (the image on which the smoothing process is performed) of the corresponding image.
- the computing device 12 may generate a primary fine dust reference image by calculating an RBG difference between each image of the reference photographed video and each pixel of the smoothing image of the corresponding image.
- the image of the reference video is an image in an environment with fine dust
- the smoothing image of the image is an image in an environment without fine dust
- the primary fine dust reference image is generated, which retains only the characteristics due to the fine dust.
- the computing device 12 may generate the secondary fine dust reference image based on the continuous primary fine dust reference image in the reference captured video. That is, the computing device 12 may generate the secondary fine dust reference image through the difference between the k (k is a natural number) th first fine dust reference image and the k + 1 th primary fine dust reference image within the reference photographing video. Can be.
- the computing device 12 may generate the secondary fine dust reference image by calculating an RGB difference between each pixel of the k-th primary fine dust reference image and the k + 1st primary fine dust reference image. When there are 25 primary fine dust reference images, 24 secondary fine dust reference images are generated.
- the secondary fine dust reference image may include information on the flow (or change) of the fine dust concentration over time. That is, the secondary fine dust reference image includes information on the amount or change of the fine dust according to the wind or weather environment.
- the computing device 12 may perform a convolution by applying each of the plurality of first windows to the secondary fine dust reference image.
- feature map images for the secondary fine dust reference image are generated. That is, the computing device 12 may generate a plurality of feature map images by applying a plurality of different first windows to one secondary fine dust reference image, respectively.
- the first window may be a convolutional window.
- the computing device 12 sequentially applies the first window to each pixel of the secondary fine dust reference image (that is, applies it while moving the first window pixel by pixel) so that each pixel of the secondary fine dust reference image is applied.
- the feature map image may be generated by resetting the value according to the weight of the first window.
- the computing device 12 may be padded along the edge of the secondary fine dust reference image (eg, zero padding). After zero padding), the first window may be sequentially applied to each pixel. For example, the computing device 12 performs a padding operation to add pixels having a value of zero along the edge of the secondary fine dust reference image, and then sequentially applies the first window to each pixel. Can be.
- the first window may be 3 ⁇ 3 in size, but is not limited thereto.
- the first window may be assigned a weight (eg, 0 or 1, etc.) to each 3 ⁇ 3 pixel.
- the computing device 12 multiplies the pixel value of the pixels in the periphery of the pixel with the respective weights of the first window for a predetermined pixel of the secondary fine dust reference image, and then adds the sum thereof. Can be reset to the new pixel value for that pixel.
- the present invention is not limited thereto, and the computing device 12 may reset the maximum value of the pixel values of the peripheral pixels included in the first window with respect to the predetermined pixel of the secondary fine dust reference image to the new pixel value of the pixel. .
- the computing device 12 may generate a plurality of feature map images by applying a plurality of first windows each having a 3 ⁇ 3 pixel weight differently applied to one secondary fine dust reference image. This process enables robust feature extraction from secondary fine dust reference images.
- the computing device 12 may apply a second window to each of the plurality of feature map images to perform sub sampling.
- the second window may be applied in a manner of reducing the size of the feature map image.
- the second window is a pixel value of the feature map image included in the second window while the second window does not overlap (ie, moves in units of the size of the second window in the feature map image) in the feature map image. Only one pixel value can be extracted.
- the second window may extract only a maximum value (or minimum value) of pixel values of the feature map image included in the second window. As such, when only the maximum value of the pixel values of the pixels of the feature map image included in the second window is extracted, the size of the feature map image may be reduced and noise may be removed.
- the second window having a size of 3 ⁇ 3 is applied to the feature map image
- the second window is extracted only the maximum value among pixel values included in the second window while the second window does not overlap in units of 3 ⁇ 3.
- the image is reduced to 1/9 the size of the feature map image.
- the computing device 12 may extract the final feature value for the secondary fine dust reference image as a result of the convolution and subsampling. For example, the computing device 12 may repeatedly perform convolution and subsampling on the secondary fine dust reference image to extract final feature values of a predetermined number of one-dimensional matrices.
- the computing device 12 may calculate a weighting factor for classifying the fine dust level with respect to the final feature values based on a predetermined number of final feature values and a preset activation function. That is, the final feature values are extracted from the secondary fine dust reference image, and the fine dust level for the secondary fine dust reference image is known information (i.e., the secondary fine dust reference image is the reference photographing movie having the fine dust level defined). It is possible to calculate a weighting factor for outputting the corresponding fine dust level when the final feature values are input to the activation function.
- the computing device 12 multiplies each of the predetermined weight coefficients with respect to a predetermined number of final feature values, and adds the sums as the inputs of the predetermined active function, the output of the active function is fine.
- the weighting coefficients can be calculated for binary classification by dust level (eg, good or bad).
- the computing device 12 may calculate the input value T of the activation function through Equation 1 below.
- n total number of final feature values
- the activation function may be a function that causes the output to be classified as -1 (fine dust level bad) or 1 (fine dust level good) according to the input value T.
- a sigmoid function a rectified linear unit (ReLU) function, a softmax function, or the like may be used as the activation function.
- ReLU rectified linear unit
- FIG 3 is a view illustrating a process of generating a secondary fine dust reference image in the fine dust analysis method according to an embodiment of the present invention.
- each reference photographed video includes a plurality of images (original images).
- a primary fine dust reference image is generated through the difference between the original image and the smoothed image of each reference captured video.
- the second fine dust reference image is generated through the difference between the k th primary fine dust reference image and the k + 1 th primary fine dust reference image of each reference photographing video.
- the method for analyzing fine dust 400 includes a computing device 12 having one or more processors and a memory storing one or more programs executed by the one or more processors. ) May be performed.
- the fine dust analysis method 400 may be implemented in the form of a program or software including one or more computer executable instructions and stored in the memory.
- the method is divided into a plurality of steps, but at least some of the steps may be performed in a reverse order, in combination with other steps, omitted, or performed in detail. One or more steps may be added and performed.
- FIG. 2 illustrates a process of calculating a weighting factor as a preprocessing for determining the fine dust level based on a reference photographing video which already knows the fine dust level.
- FIG. 2 A similar procedure is used to illustrate the process of determining the level of fine dust in a given area.
- the computing device 12 may acquire a test photographing video photographed at a predetermined region for checking the fine dust level.
- the computing device 12 may perform a smoothing process on each test image included in the test shot video.
- the test shot video may include a plurality of test images according to the running time.
- the computing device 12 may generate a first fine dust test image through a difference between each test image of the test captured video and the smoothing image of the test image.
- the computing device 12 may generate a secondary fine dust test image based on a difference between the k th primary fine dust test image and the k + 1 th primary fine dust test image in the test photographing video. .
- the computing device 12 may generate a plurality of feature map images by performing a convolution by applying the plurality of first windows to the secondary fine dust test image, respectively.
- the computing device 12 may perform subsampling by applying a second window to each of the plurality of feature map images.
- the computing device 12 may extract the final feature value for the secondary fine dust test image as a result of the convolution and the subsampling.
- the computing device 12 may classify the fine dust level for the corresponding fine dust test image based on the extracted final feature value, a preset weighting factor, and a preset activation function.
- the input value T of the active function can be obtained, and accordingly, the output of the active function for the corresponding fine dust test image (that is, the fine dust level) ) Are classified as good or bad.
- the computing device 12 may determine whether each secondary fine dust test image of the test captured video is classified into the same fine dust level.
- the computing device 12 may finally determine the fine dust level of the test captured video to the corresponding fine dust level.
- step S 422 the computing device 12 tests the fine dust level in which each secondary fine dust test image is classified most, if each secondary fine dust test image of the test shot video is not classified into the same fine dust level.
- the final level of fine dust in the captured video can be finalized.
- FIG. 5 is a view showing a fine dust analysis system according to an embodiment of the present invention.
- the fine dust analysis system 500 may include a photographing device 502, an analysis server 504, and a notification device 506.
- the imaging device 502 is communicatively connected with the analysis server 504 via a communication network.
- the communication network may comprise the Internet, one or more local area networks, wire area networks, cellular networks, mobile networks, other types of networks, or a combination of these networks. It may include.
- the photographing apparatus 502 may photograph the periphery of the photographing apparatus 502.
- the photographing apparatus 502 may be installed at a place to check the fine dust concentration.
- the photographing apparatus 502 may be a closed circuit television (CCTV) installed at a specific place.
- the photographing apparatus 102 may be installed at a place where the front view is secured.
- the present invention is not limited thereto, and the photographing apparatus 502 may be a user's mobile terminal (eg, a smartphone, a tablet PC, a digital camera, etc.).
- the photographing apparatus 502 may transmit an image (that is, a test photographing video) photographing the surroundings of the photographing apparatus 502 to the analysis server 504.
- an image that is, a test photographing video
- a user who possesses the photographing apparatus 502 may photograph (eg, photograph toward the air) of his surroundings, and transmit the photographed image (test photographed video) to the analysis server 104.
- the analysis server 504 may analyze the test shot video to classify the fine dust level of the test shot video. For example, the analysis server 504 may check the fine dust level of the test shot video through the process illustrated in FIG. 4. The analysis server 504 may transmit the information on the fine dust level of the test shot video to the notification device 506.
- the notification device 506 may be installed around a place where the photographing device 502 is installed.
- the notification device 506 may display information on the fine dust level received from the analysis server 504 on the screen.
- the present invention is not limited thereto, and the notification device 506 may transmit information on the fine dust level to a user terminal located near the photographing device 502.
- the fine dust level of the region can be checked only by the photographing video, expensive fine dust measuring equipment is not required, and the fine dust level in each region where the user is located can be easily checked.
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
미세 먼지 분석 방법 및 이를 수행하기 위한 장치가 개시된다. 개시되는 일 실시예에 따른 미세 먼지 분석 방법에 의하면, 촬영 동영상만으로 해당 지역의 미세 먼지 레벨을 확인할 수 있으므로, 고가의 미세 먼지 측정 장비가 필요치 않으며, 사용자가 위치하는 각 지역에서의 미세 먼지 레벨을 용이하게 확인할 수 있게 된다.
Description
본 발명의 실시예는 미세 먼지 분석 기술과 관련된다.
최근, 미세 먼지가 사회적 이슈가 되고 있으며, 뉴스 등 각종 매체에서도 미세 먼지의 농도를 각 지역별로 제공해주고 있다. 기존의 미세 먼지 측정 방식은 방사선 또는 빛의 물리적 특성을 이용하여 간접적으로 측정하는 방법(베타선 흡수법 또는 광 산란법 등) 및 미세 먼지의 질량을 저울로 측정하는 방법(중량 농도법 등)이 있으나, 고가의 미세 먼지 측정 장비가 필요하다는 문제점이 있다.
기존에는 행정 구역 단위(예를 들어, 구 단위) 별로 미세 먼지를 측정하였으나, 실제적으로는 동일한 행정 구역이라 하더라도 지형 특성 및 건물 밀집도 등에 따라 미세 먼지의 측정값에는 차이가 나게 된다. 따라서, 고가의 미세 먼지 측정 장비 없이도 각 위치에 따라 미세 먼지 농도를 측정할 수 있는 방안이 요구된다.
본 발명의 실시예는 어느 지역이라도 미세 먼지 레벨을 용이하게 확인할 수 있는 미세 먼지 분석 방법 및 이를 수행하기 위한 장치를 제공하기 위한 것이다.
개시되는 일 실시예에 따른 미세 먼지 분석 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득하는 단계; 상기 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행하는 단계; 상기 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 테스트 이미지들을 생성하는 단계; 상기 테스트 촬영 동영상 내에서 연속하는 1차 미세 먼지 테스트 이미지 간의 차이를 통해 2차 미세 먼지 테스트 이미지들을 생성하는 단계; 상기 2차 미세 먼지 테스트 이미지 각각에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하는 단계; 상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하는 단계; 상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 하나 이상의 최종 특징 값을 추출하는 단계; 및 상기 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류하는 단계를 포함한다.
상기 복수 개의 특징 맵 이미지를 생성하는 단계는, 상기 제1 윈도우를 상기 2차 미세 먼지 테스트 이미지의 각 픽셀에 순차적으로 적용하여 상기 2차 미세 먼지 테스트 이미지의 각 픽셀 값을 상기 제1 윈도우 내의 가중치에 따라 재설정하는 단계를 포함할 수 있다.
상기 복수 개의 특징 맵 이미지를 생성하는 단계는, 상기 2차 미세 먼지 테스트 이미지에 제1 윈도우 내의 가중치가 서로 다르게 설정된 복수 개의 제1 윈도우를 각각 적용하여 컨벌루션을 수행하는 단계를 포함할 수 있다.
상기 서브 샘플링을 수행하는 단계는, 상기 특징 맵 이미지에서 상기 제2 윈도우를 겹치지 않게 이동하면서 상기 제2 윈도우에 포함된 특징 맵 이미지의 픽셀 값 중 최대값을 추출하는 단계를 포함할 수 있다.
상기 미세 먼지 레벨을 분류하는 단계 이후에, 상기 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되는지 여부를 확인하는 단계; 및 상기 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되지 않는 경우, 상기 각 2차 미세 먼지 테스트 이미지가 가장 많이 분류된 미세 먼지 레벨을 상기 테스트 촬영 동영상의 미세 먼지 레벨로 최종 확정하는 단계를 더 포함할 수 있다.
개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들; 메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득하기 위한 명령; 상기 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행하기 위한 명령; 상기 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 테스트 이미지들을 생성하기 위한 명령; 상기 테스트 촬영 동영상 내에서 연속하는 1차 미세 먼지 테스트 이미지 간의 차이를 통해 2차 미세 먼지 테스트 이미지들을 생성하기 위한 명령; 상기 2차 미세 먼지 테스트 이미지 각각에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령; 상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령; 상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및 상기 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류하기 위한 명령을 포함한다.
상기 복수 개의 특징 맵 이미지를 생성하기 위한 명령은, 상기 제1 윈도우를 상기 2차 미세 먼지 테스트 이미지의 각 픽셀에 순차적으로 적용하여 상기 2차 미세 먼지 테스트 이미지의 각 픽셀 값을 상기 제1 윈도우 내의 가중치에 따라 재설정하기 위한 명령을 포함할 수 있다.
상기 복수 개의 특징 맵 이미지를 생성하기 위한 명령은, 상기 2차 미세 먼지 테스트 이미지에 제1 윈도우 내의 가중치가 서로 다르게 설정된 복수 개의 제1 윈도우를 각각 적용하여 컨벌루션을 수행하기 위한 명령을 포함할 수 있다.
상기 서브 샘플링을 수행하기 위한 명령은, 상기 특징 맵 이미지에서 상기 제2 윈도우를 겹치지 않게 이동하면서 상기 제2 윈도우에 포함된 특징 맵 이미지의 픽셀 값 중 최대값을 추출하기 위한 명령을 포함할 수 있다.
상기 하나 이상의 프로그램들은, 상기 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되는지 여부를 확인하기 위한 명령; 및 상기 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되지 않는 경우, 상기 각 2차 미세 먼지 테스트 이미지가 가장 많이 분류된 미세 먼지 레벨을 상기 테스트 촬영 동영상의 미세 먼지 레벨로 최종 확정하기 위한 명령을 더 포함할 수 있다.
개시되는 다른 실시예에 따른 미세 먼지 분석 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득하는 단계; 상기 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩 처리를 수행하는 단계; 상기 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 기준 이미지를 생성하는 단계; 상기 기준 촬영 동영상 내에서 연속하는 1차 미세 먼지 기준 이미지 간의 차이를 통해 2차 미세 먼지 기준 이미지를 생성하는 단계; 상기 2차 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하는 단계; 상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하는 단계; 상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 기준 이미지에 대한 하나 이상의 최종 특징 값을 추출하는 단계; 및 상기 추출한 최종 특징 값 및 기 설정된 활성 함수를 기반으로 상기 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출하는 단계를 포함한다.
개시되는 다른 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들; 메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득하기 위한 명령; 상기 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩 처리를 수행하기 위한 명령; 상기 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 기준 이미지를 생성하기 위한 명령; 상기 기준 촬영 동영상 내에서 연속하는 1차 미세 먼지 기준 이미지 간의 차이를 통해 2차 미세 먼지 기준 이미지를 생성하기 위한 명령; 상기 2차 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령; 상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령; 상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 기준 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및 상기 추출한 최종 특징 값 및 기 설정된 활성 함수를 기반으로 상기 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출하기 위한 명령을 포함한다.
개시되는 또 다른 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들; 메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득하기 위한 명령; 상기 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행하기 위한 명령; 상기 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 미세 먼지 테스트 이미지들을 생성하기 위한 명령; 상기 미세 먼지 테스트 이미지 각각에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령; 상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령; 상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 미세 먼지 테스트 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및 상기 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 상기 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류하기 위한 명령을 포함한다.
개시되는 또 다른 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들; 메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득하기 위한 명령; 상기 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩 처리를 수행하기 위한 명령; 상기 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 통해 미세 먼지 기준 이미지를 생성하기 위한 명령; 상기 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령; 상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령; 상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 미세 먼지 기준 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및 상기 추출한 최종 특징 값 및 기 설정된 활성 함수를 기반으로 상기 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출하기 위한 명령을 포함한다.
개시되는 실시예에 의하면, 촬영 동영상만으로 해당 지역의 미세 먼지 레벨을 확인할 수 있으므로, 고가의 미세 먼지 측정 장비가 필요치 않으며, 사용자가 위치하는 각 지역에서의 미세 먼지 레벨을 용이하게 확인할 수 있게 된다. 즉, 미세 먼지 레벨을 알기 위한 장소의 주변을 촬영한 영상만 있으면 되므로, 장소나 지역에 구애 받지 않고 어느 장소에서나 미세 먼지 레벨을 용이하게 확인할 수 있게 된다.
도 1은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 미세 먼지 분석 방법을 설명하기 위한 흐름도
도 3은 본 발명의 일 실시예에 따른 미세 먼지 분석 방법에서 2차 미세 먼지 기준 이미지를 생성하는 과정을 나타낸 도면
도 4는 본 발명의 다른 실시예에 따른 미세 먼지 분석 방법을 설명하기 위한 흐름도
도 5는 본 발명의 일 실시예에 따른 미세 먼지 분석 시스템을 나타낸 도면
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 본 발명의 실시예에 따른 미세 먼지 분석을 수행하기 위한 장치일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 미세 먼지 분석 방법을 설명하기 위한 흐름도이다. 전술한 바와 같이, 본 발명의 일 실시예에 따른 미세 먼지 분석 방법(200)은 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치(12)에서 수행될 수 있다. 이를 위하여, 상기 미세 먼지 분석 방법(200)은 하나 이상의 컴퓨터 실행 가능 명령어를 포함하는 프로그램 내지 소프트웨어의 형태로 구현되어 상기 메모리상에 저장될 수 있다.
또한, 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
단계 S 202에서, 컴퓨팅 장치(12)는 각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득할 수 있다. 여기서, 미세 먼지 레벨은 매우 나쁨, 나쁨, 보통, 좋음 등이 있을 수 있다. 즉, 컴퓨팅 장치(12)는 미세 먼지 레벨이 매우 나쁨, 나쁨, 보통, 좋음 등으로 측정된 각 날씨에서 촬영된 기준 촬영 동영상을 획득할 수 있다.
설명의 편의상, 이하에서는 미세 먼지 레벨이 좋음(제1 레벨)과 나쁨(제2 레벨)으로 구분되는 것으로 설명하기로 한다. 그러나, 본 발명은 미세 먼지 레벨이 3개 이상으로 구분되는 경우에도 적용될 수 있음은 물론이다. 컴퓨팅 장치(12)는 미세 먼지 레벨이 제1 레벨인 날씨 및 제2 레벨인 날씨에서 기 설정된 시간 동안 주변을 촬영한 기준 촬영 동영상을 각각 획득할 수 있다.
단계 S 204에서, 컴퓨팅 장치(12)는 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩(Smoothing) 처리를 수행할 수 있다. 예를 들어, 기준 촬영 동영상이 1초의 런닝 타임을 갖는 동영상인 경우, 기준 촬영 동영상에는 25개의 이미지가 포함될 수 있다. 컴퓨팅 장치(12)는 25개의 각 이미지에 대해 스무딩(Smoothing) 처리를 수행하여 미세 먼지가 없는 환경에서의 이미지를 얻을 수 있다.
즉, 미세 먼지가 있는 환경에서는 미세 먼지로 인해 기준 촬영 동영상의 각 이미지가 흐릿하게 되거나 각 이미지 내에서 불규칙한 픽셀 값을 형성하게 된다. 이에, 각 이미지에 대해 스무딩 처리를 수행함으로써, 미세 먼지가 없는 환경에서의 이미지를 생성할 수 있다.
구체적으로, 컴퓨팅 장치(12)는 각 이미지를 구성하는 각 픽셀에 스무딩 필터(예를 들어, 3×3 크기의 필터)를 적용하여 각 픽셀 값을 재설정할 수 있다. 예를 들어, 컴퓨팅 장치(12)는 해당 픽셀 주변의 픽셀들의 평균값을 산출한 후, 산출한 평균값을 해당 픽셀의 픽셀 값으로 재정의 할 수 있다. 스무딩 처리 기법으로는 가우시안 블러(Gausiaan Blur) 기법이 사용될 수 있으나, 이에 한정되는 것은 아니다.
단계 S 206에서, 컴퓨팅 장치(12)는 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지(스무딩 처리를 수행한 이미지) 간의 차이를 통해 1차 미세 먼지 기준 이미지를 생성할 수 있다. 컴퓨팅 장치(12)는 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지의 각 픽셀 간 RBG 차이를 계산하여 1차 미세 먼지 기준 이미지를 생성할 수 있다.
즉, 기준 촬영 동영상의 이미지는 미세 먼지가 있는 환경에서의 이미지이고, 해당 이미지의 스무딩 이미지는 미세 먼지가 없는 환경에서의 이미지이므로, 기준 촬영 동영상의 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 구하면, 미세 먼지에 의한 특징만 남아 있는 1차 미세 먼지 기준 이미지가 생성되게 된다. 기준 촬영 동영상에 25개의 이미지가 포함된 경우, 25개의 1차 미세 먼지 기준 이미지가 생성된다.
단계 S 208에서, 컴퓨팅 장치(12)는 기준 촬영 동영상 내에서 연속적인 1차 미세 먼지 기준 이미지를 기반으로 2차 미세 먼지 기준 이미지를 생성할 수 있다. 즉, 컴퓨팅 장치(12)는 기준 촬영 동영상 내에서 k(k는 자연수) 번째 1차 미세 먼지 기준 이미지와 k+1 번째 1차 미세 먼지 기준 이미지 간의 차이를 통해 2차 미세 먼지 기준 이미지를 생성할 수 있다.
컴퓨팅 장치(12)는 k번째 1차 미세 먼지 기준 이미지와 k+1 번째 1차 미세 먼지 기준 이미지의 각 픽셀 간 RGB 차이를 계산하여 2차 미세 먼지 기준 이미지를 생성할 수 있다. 1차 미세 먼지 기준 이미지가 25개인 경우, 24개의 2차 미세 먼지 기준 이미지가 생성되게 된다.
여기서, 2차 미세 먼지 기준 이미지는 시간에 따른 미세 먼지 농도의 흐름(또는 변화)에 대한 정보를 포함할 수 있다. 즉, 2차 미세 먼지 기준 이미지는 바람 또는 기상 환경 등에 따른 미세 먼지의 이동량 또는 변화량에 대한 정보를 포함하게 된다.
단계 S 210에서, 컴퓨팅 장치(12)는 2차 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 각각 적용하여 컨벌루션(Convolution)을 수행할 수 있다. 컨벌루션의 수행 결과 2차 미세 먼지 기준 이미지에 대한 특징 맵 이미지들이 생성되게 된다. 즉, 컴퓨팅 장치(12)는 하나의 2차 미세 먼지 기준 이미지에 서로 다른 복수 개의 제1 윈도우를 각각 적용하여 복수 개의 특징 맵 이미지를 생성할 수 있다. 여기서, 제1 윈도우는 컨벌루션 윈도우일 수 있다.
구체적으로, 컴퓨팅 장치(12)는 제1 윈도우를 2차 미세 먼지 기준 이미지의 각 픽셀에 순차적으로 적용(즉, 제1 윈도우를 픽셀 단위로 이동하면서 적용)하여 2차 미세 먼지 기준 이미지의 각 픽셀 값을 제1 윈도우의 가중치에 따라 재설정하여 특징 맵 이미지를 생성할 수 있다.
이때, 컴퓨팅 장치(12)는 특징 맵 이미지의 크기가 2차 미세 먼지 기준 이미지에 비해 작아지지 않도록 하기 위해, 2차 미세 먼지 기준 이미지의 테두리를 따라 패딩(Padding)(예를 들어, 제로 패딩(Zero Padding))을 수행한 후 제1 윈도우를 각 픽셀에 순차적으로 적용시킬 수 있다. 예를 들어, 컴퓨팅 장치(12)는 2차 미세 먼지 기준 이미지의 테두리를 따라 제로(0)의 값을 갖는 픽셀들을 추가하는 패딩 작업을 수행한 후, 제1 윈도우를 각 픽셀에 순차적으로 적용시킬 수 있다.
여기서, 제1 윈도우는 3×3의 크기일 수 있으나, 이에 한정되는 것은 아니다. 제1 윈도우는 3×3의 각 픽셀에 가중치(예를 들어, 0 또는 1 등)가 부여될 수 있다. 컨벌루션을 수행하는 방법으로는 예를 들어, 컴퓨팅 장치(12)는 2차 미세 먼지 기준 이미지의 소정 픽셀에 대해 해당 픽셀의 주변에 있는 픽셀들의 픽셀 값과 제1 윈도우의 각 가중치를 곱한 후 그 총합을 해당 픽셀의 새로운 픽셀 값으로 재설정 할 수 있다. 그러나, 이에 한정되는 것은 아니며 컴퓨팅 장치(12)는 2차 미세 먼지 기준 이미지의 소정 픽셀에 대해 제1 윈도우에 포함되는 주변 픽셀 들의 픽셀 값 중 최대값을 해당 픽셀의 새로운 픽셀 값으로 재설정할 수도 있다.
컴퓨팅 장치(12)는 3×3의 각 픽셀 가중치가 서로 다르게 부여된 복수 개의 제1 윈도우를 하나의 2차 미세 먼지 기준 이미지에 각각 적용하여 복수 개의 특징 맵 이미지를 생성할 수 있다. 이 과정을 통해 2차 미세 먼지 기준 이미지에서 강인한 특징을 추출할 수 있게 된다.
단계 S 212에서, 컴퓨팅 장치(12)는 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링(Sub Sampling)을 수행할 수 있다. 여기서, 제2 윈도우는 특징 맵 이미지의 크기를 줄이는 방식으로 적용될 수 있다.
예시적인 실시예에서, 제2 윈도우는 특징 맵 이미지에서 제2 윈도우가 겹치지 않게 이동(즉, 특징 맵 이미지에서 제2 윈도우 크기의 단위로 이동)하면서 제2 윈도우에 포함된 특징 맵 이미지의 픽셀 값 중 어느 하나의 픽셀 값만 추출할 수 있다. 예를 들어, 제2 윈도우는 제2 윈도우에 포함된 특징 맵 이미지의 픽셀 값 중 최대값(또는 최소값)만 추출할 수 있다. 이와 같이, 제2 윈도우에 포함된 특징 맵 이미지의 픽셀들의 픽셀 값 중 최대값만 추출하게 되면, 특징 맵 이미지의 크기를 줄일 수 있으면서 노이즈를 제거할 수 있게 된다.
여기서, 크기가 3×3인 제2 윈도우를 특징 맵 이미지에 적용하면, 제2 윈도우는 3×3 단위로 겹치지 않게 이동하면서 제2 윈도우에 포함된 픽셀 값들 중 최대값만 추출하게 되므로, 특징 맵 이미지는 특징 맵 이미지의 1/9 크기로 줄어들게 된다.
단계 S 214에서, 컴퓨팅 장치(12)는 컨벌루션 및 서브 샘플링 결과 2차 미세 먼지 기준 이미지에 대한 최종 특징 값을 추출할 수 있다. 예를 들어, 컴퓨팅 장치(12)는 2차 미세 먼지 기준 이미지에 대해 컨벌루션 및 서브 샘플링을 반복적으로 수행하여 기 설정된 개수의 1차원 행렬의 최종 특징 값을 추출할 수 있다.
단계 S 216에서, 컴퓨팅 장치(12)는 기 설정된 개수의 최종 특징 값 및 기 설정된 활성 함수(Activation Function)를 기반으로 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출할 수 있다. 즉, 최종 특징 값들은 2차 미세 먼지 기준 이미지에서 추출한 것이고, 2차 미세 먼지 기준 이미지에 대한 미세 먼지 레벨은 이미 알고 있는 정보(즉, 2차 미세 먼지 기준 이미지는 미세 먼지 레벨이 정해진 기준 촬영 동영상으로부터 획득한 것임)이므로, 최종 특징 값들을 활성 함수에 입력하였을 때 그 출력으로 해당 미세 먼지 레벨이 나오도록 하기 위한 가중치 계수를 산출할 수 있다.
예시적인 실시예에서, 컴퓨팅 장치(12)는 기 설정된 개수의 최종 특징 값들에 대해 기 설정된 가중치 계수들을 각각 곱한 후 이를 합산한 값을 기 설정된 활성 함수의 입력으로 하였을 때 활성 함수의 출력이 해당 미세 먼지 레벨(예를 들어, 좋음 또는 나쁨)으로 이진 분류되도록 하기 위한 상기 가중치 계수들을 산출할 수 있다.
컴퓨팅 장치(12)는 활성 함수의 입력 값(T)을 하기 수학식 1을 통해 산출할 수 있다.
n : 최종 특징 값의 총 개수
Xi : i번째 최종 특징 값
Wi : i번째 가중치 계수
여기서, 활성 함수는 입력 값(T)에 따라 출력이 -1(미세 먼지 레벨 나쁨) 또는 1(미세 먼지 레벨 좋음)으로 분류되도록 하는 함수일 수 있다. 예를 들어, 활성 함수는 시그모이드 함수(Sigmoid Function),ReLU(Rectified Linear Unit) 함수, Softmax 함수 등이 사용될 수 있다.
도 3은 본 발명의 일 실시예에 따른 미세 먼지 분석 방법에서 2차 미세 먼지 기준 이미지를 생성하는 과정을 나타낸 도면이다.
도 3을 참조하면, 미세 먼지 레벨이 좋음(미세 먼지 농도가 80㎍/m3 미만)인 경우의 기준 촬영 동영상과 미세 먼지 레벨이 나쁨(미세 먼지 농도가 80㎍/m3 초과)인 경우의 기준 촬영 동영상을 획득한다. 각 기준 촬영 동영상에는 복수 개의 이미지(원 이미지)가 포함된다.
다음으로, 각 기준 촬영 동영상의 원 이미지에 대해 스무딩 처리를 수행한 후, 각 기준 촬영 동영상의 원 이미지와 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 기준 이미지를 생성한다.
다음으로, 각 기준 촬영 동영상의 k번째 1차 미세 먼지 기준 이미지와 k+1 번째 1차 미세 먼지 기준 이미지 간의 차이를 통해 2차 미세 먼지 기준 이미지를 생성한다.
도 4는 본 발명의 다른 실시예에 따른 미세 먼지 분석 방법을 설명하기 위한 흐름도이다. 전술한 바와 같이, 본 발명의 일 실시예에 따른 미세 먼지 분석 방법(400)은 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치(12)에서 수행될 수 있다. 이를 위하여, 상기 미세 먼지 분석 방법(400)은 하나 이상의 컴퓨터 실행 가능 명령어를 포함하는 프로그램 내지 소프트웨어의 형태로 구현되어 상기 메모리상에 저장될 수 있다.
또한, 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 2에서는 이미 미세 먼지 레벨을 알고 있는 기준 촬영 동영상을 기반으로 미세 먼지 레벨을 판단하기 위한 사전 처리로서 가중치 계수를 산출하는 과정을 설명한 것이고, 도 4에서는 테스트 촬영 동영상만으로 상기 사전 처리 과정과 동일 또는 유사한 과정을 통해 해당 지역의 미세 먼지 레벨을 판단하는 과정을 설명하기 위한 것이다.
단계 S 402에서, 컴퓨팅 장치(12)는 미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득할 수 있다.
단계 S 404에서, 컴퓨팅 장치(12)는 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행할 수 있다. 테스트 촬영 동영상은 런닝 타임에 따라 복수 개의 테스트 이미지를 포함할 수 있다.
단계 S 406에서, 컴퓨팅 장치(12)는 테스트 촬영 동영상의 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 테스트 이미지를 생성할 수 있다.
단계 S 408에서, 컴퓨팅 장치(12)는 테스트 촬영 동영상 내에서 k번째 1차 미세 먼지 테스트 이미지와 k+1 번째 1차 미세 먼지 테스트 이미지 간의 차이를 통해 2차 미세 먼지 테스트 이미지를 생성할 수 있다.
단계 S 410에서, 컴퓨팅 장치(12)는 2차 미세 먼지 테스트 이미지에 복수 개의 제1 윈도우를 각각 적용하여 컨벌루션을 수행함으로써, 복수 개의 특징 맵 이미지를 생성할 수 있다.
단계 S 412에서, 컴퓨팅 장치(12)는 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행할 수 있다.
단계 S 414에서, 컴퓨팅 장치(12)는 컨벌루션 및 서브 샘플링 결과 2차 미세 먼지 테스트 이미지에 대한 최종 특징 값을 추출할 수 있다.
단계 S 416에서, 컴퓨팅 장치(12)는 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 해당 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류할 수 있다.
상기 수학식 1에서 최종 특징 값 및 가중치 계수는 알고 있는 값이므로, 활성 함수의 입력 값(T)를 구할 수 있게 되며, 그에 따라 해당 미세 먼지 테스트 이미지에 대한 활성 함수의 출력(즉, 미세 먼지 레벨)이 좋음 또는 나쁨으로 분류되게 된다.
단계 S 418에서, 컴퓨팅 장치(12)는 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되는지 여부를 확인할 수 있다.
단계 S 420에서, 컴퓨팅 장치(12)는 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되는 경우, 테스트 촬영 동영상의 미세 먼지 레벨을 해당 미세 먼지 레벨로 최종 확정할 수 있다.
단계 S 422에서, 컴퓨팅 장치(12)는 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되지 않는 경우, 각 2차 미세 먼지 테스트 이미지가 가장 많이 분류된 미세 먼지 레벨을 테스트 촬영 동영상의 미세 먼지 레벨로 최종 확정할 수 있다.
도 5는 본 발명의 일 실시예에 따른 미세 먼지 분석 시스템을 나타낸 도면이다.
도 5를 참조하면, 미세 먼지 분석 시스템(500)은 촬영 장치(502), 분석 서버(504), 및 알림 장치(506)를 포함할 수 있다.
촬영 장치(502)는 통신 네트워크를 통해 분석 서버(504)와 통신 가능하게 연결된다. 몇몇 실시예들에서, 통신 네트워크는 인터넷, 하나 이상의 로컬 영역 네트워크(local area networks), 광역 네트워크(wire area networks), 셀룰러 네트워크, 모바일 네트워크, 그 밖에 다른 종류의 네트워크들, 또는 이러한 네트워크들의 조합을 포함할 수 있다.
촬영 장치(502)는 촬영 장치(502)의 주변을 촬영할 수 있다. 촬영 장치(502)는 미세 먼지 농도를 확인하고자 하는 장소에 설치될 수 있다. 예를 들어, 촬영 장치(502)는 특정 장소에 설치되는 CCTV(Closed Circuit Television)일 수 있다. 촬영 장치(102)는 전방의 시야가 확보되는 장소에 설치될 수 있다. 그러나, 이에 한정되는 것은 아니며 촬영 장치(502)는 사용자의 모바일 단말기(예를 들어, 스마트 폰, 태블릿 PC, 디지털 카메라 등) 일 수도 있다.
촬영 장치(502)는 촬영 장치(502)의 주변을 촬영한 영상(즉, 테스트 촬영 동영상)을 분석 서버(504)로 전송할 수 있다. 예를 들어, 촬영 장치(502)를 소지한 사용자가 자신의 주변을 촬영(예를 들어, 공중을 향하여 촬영)하고, 촬영한 영상(테스트 촬영 동영상)을 분석 서버(104)로 전송할 수 있다.
분석 서버(504)는 테스트 촬영 동영상을 분석하여 테스트 촬영 동영상의 미세 먼지 레벨을 분류할 수 있다. 예를 들어, 분석 서버(504)는 도 4에 도시된 과정을 통해 테스트 촬영 동영상의 미세 먼지 레벨을 확인할 수 있다. 분석 서버(504)는 테스트 촬영 동영상의 미세 먼지 레벨에 대한 정보를 알림 장치(506)로 전송할 수 있다.
알림 장치(506)는 촬영 장치(502)가 설치된 장소 주변에 설치될 수 있다. 알림 장치(506)는 분석 서버(504)로부터 수신한 미세 먼지 레벨에 대한 정보를 화면에 표시할 수 있다. 그러나, 이에 한정되는 것은 아니며 알림 장치(506)는 촬영 장치(502) 주변에 위치하는 사용자 단말기로 미세 먼지 레벨에 대한 정보를 전송할 수도 있다.
개시되는 실시예에 의하면, 촬영 동영상만으로 해당 지역의 미세 먼지 레벨을 확인할 수 있으므로, 고가의 미세 먼지 측정 장비가 필요치 않으며, 사용자가 위치하는 각 지역에서의 미세 먼지 레벨을 용이하게 확인할 수 있게 된다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
Claims (14)
- 하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득하는 단계;상기 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행하는 단계;상기 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 테스트 이미지들을 생성하는 단계;상기 테스트 촬영 동영상 내에서 연속하는 1차 미세 먼지 테스트 이미지 간의 차이를 통해 2차 미세 먼지 테스트 이미지들을 생성하는 단계;상기 2차 미세 먼지 테스트 이미지 각각에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하는 단계;상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하는 단계;상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 하나 이상의 최종 특징 값을 추출하는 단계; 및상기 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류하는 단계를 포함하는, 미세 먼지 분석 방법.
- 청구항 1에 있어서,상기 복수 개의 특징 맵 이미지를 생성하는 단계는,상기 제1 윈도우를 상기 2차 미세 먼지 테스트 이미지의 각 픽셀에 순차적으로 적용하여 상기 2차 미세 먼지 테스트 이미지의 각 픽셀 값을 상기 제1 윈도우 내의 가중치에 따라 재설정하는 단계를 포함하는, 미세 먼지 분석 방법.
- 청구항 2에 있어서,상기 복수 개의 특징 맵 이미지를 생성하는 단계는,상기 2차 미세 먼지 테스트 이미지에 제1 윈도우 내의 가중치가 서로 다르게 설정된 복수 개의 제1 윈도우를 각각 적용하여 컨벌루션을 수행하는 단계를 포함하는, 미세 먼지 분석 방법.
- 청구항 1에 있어서,상기 서브 샘플링을 수행하는 단계는,상기 특징 맵 이미지에서 상기 제2 윈도우를 겹치지 않게 이동하면서 상기 제2 윈도우에 포함된 특징 맵 이미지의 픽셀 값 중 최대값을 추출하는 단계를 포함하는, 미세 먼지 분석 방법.
- 청구항 1에 있어서,상기 미세 먼지 레벨을 분류하는 단계 이후에,상기 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되는지 여부를 확인하는 단계; 및상기 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되지 않는 경우, 상기 각 2차 미세 먼지 테스트 이미지가 가장 많이 분류된 미세 먼지 레벨을 상기 테스트 촬영 동영상의 미세 먼지 레벨로 최종 확정하는 단계를 더 포함하는, 미세 먼지 분석 방법.
- 하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,상기 하나 이상의 프로그램들은,미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득하기 위한 명령;상기 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행하기 위한 명령;상기 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 테스트 이미지들을 생성하기 위한 명령;상기 테스트 촬영 동영상 내에서 연속하는 1차 미세 먼지 테스트 이미지 간의 차이를 통해 2차 미세 먼지 테스트 이미지들을 생성하기 위한 명령;상기 2차 미세 먼지 테스트 이미지 각각에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령;상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령;상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및상기 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 상기 2차 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류하기 위한 명령을 포함하는, 컴퓨팅 장치.
- 청구항 6에 있어서,상기 복수 개의 특징 맵 이미지를 생성하기 위한 명령은,상기 제1 윈도우를 상기 2차 미세 먼지 테스트 이미지의 각 픽셀에 순차적으로 적용하여 상기 2차 미세 먼지 테스트 이미지의 각 픽셀 값을 상기 제1 윈도우 내의 가중치에 따라 재설정하기 위한 명령을 포함하는, 컴퓨팅 장치.
- 청구항 7에 있어서,상기 복수 개의 특징 맵 이미지를 생성하기 위한 명령은,상기 2차 미세 먼지 테스트 이미지에 제1 윈도우 내의 가중치가 서로 다르게 설정된 복수 개의 제1 윈도우를 각각 적용하여 컨벌루션을 수행하기 위한 명령을 포함하는, 컴퓨팅 장치.
- 청구항 6에 있어서,상기 서브 샘플링을 수행하기 위한 명령은,상기 특징 맵 이미지에서 상기 제2 윈도우를 겹치지 않게 이동하면서 상기 제2 윈도우에 포함된 특징 맵 이미지의 픽셀 값 중 최대값을 추출하기 위한 명령을 포함하는, 컴퓨팅 장치.
- 청구항 6에 있어서,상기 하나 이상의 프로그램들은,상기 테스트 촬영 동영상의 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되는지 여부를 확인하기 위한 명령; 및상기 각 2차 미세 먼지 테스트 이미지가 동일한 미세 먼지 레벨로 분류되지 않는 경우, 상기 각 2차 미세 먼지 테스트 이미지가 가장 많이 분류된 미세 먼지 레벨을 상기 테스트 촬영 동영상의 미세 먼지 레벨로 최종 확정하기 위한 명령을 더 포함하는, 컴퓨팅 장치.
- 하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득하는 단계;상기 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩 처리를 수행하는 단계;상기 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 기준 이미지를 생성하는 단계;상기 기준 촬영 동영상 내에서 연속하는 1차 미세 먼지 기준 이미지 간의 차이를 통해 2차 미세 먼지 기준 이미지를 생성하는 단계;상기 2차 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하는 단계;상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하는 단계;상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 기준 이미지에 대한 하나 이상의 최종 특징 값을 추출하는 단계; 및상기 추출한 최종 특징 값 및 기 설정된 활성 함수를 기반으로 상기 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출하는 단계를 포함하는, 미세 먼지 분석 방법.
- 하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,상기 하나 이상의 프로그램들은,각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득하기 위한 명령;상기 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩 처리를 수행하기 위한 명령;상기 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 통해 1차 미세 먼지 기준 이미지를 생성하기 위한 명령;상기 기준 촬영 동영상 내에서 연속하는 1차 미세 먼지 기준 이미지 간의 차이를 통해 2차 미세 먼지 기준 이미지를 생성하기 위한 명령;상기 2차 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령;상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령;상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 2차 미세 먼지 기준 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및상기 추출한 최종 특징 값 및 기 설정된 활성 함수를 기반으로 상기 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출하기 위한 명령을 포함하는, 컴퓨팅 장치.
- 하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,상기 하나 이상의 프로그램들은,미세 먼지 레벨을 확인하기 위한 소정 지역에서 촬영된 테스트 촬영 동영상을 획득하기 위한 명령;상기 테스트 촬영 동영상에 포함된 각 테스트 이미지에 대해 스무딩 처리를 수행하기 위한 명령;상기 각 테스트 이미지와 해당 테스트 이미지의 스무딩 이미지 간의 차이를 통해 미세 먼지 테스트 이미지들을 생성하기 위한 명령;상기 미세 먼지 테스트 이미지 각각에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령;상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령;상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 미세 먼지 테스트 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및상기 추출한 최종 특징 값, 기 설정된 가중치 계수, 및 기 설정된 활성 함수를 기반으로 상기 미세 먼지 테스트 이미지에 대한 미세 먼지 레벨을 분류하기 위한 명령을 포함하는, 컴퓨팅 장치.
- 하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,상기 하나 이상의 프로그램들은,각 미세 먼지 레벨의 날씨에서 촬영된 기준 촬영 동영상을 획득하기 위한 명령;상기 기준 촬영 동영상에 포함된 각 이미지에 대해 스무딩 처리를 수행하기 위한 명령;상기 기준 촬영 동영상의 각 이미지와 해당 이미지의 스무딩 이미지 간의 차이를 통해 미세 먼지 기준 이미지를 생성하기 위한 명령;상기 미세 먼지 기준 이미지에 복수 개의 제1 윈도우를 통해 컨벌루션을 수행하여 복수 개의 특징 맵 이미지를 생성하기 위한 명령;상기 복수 개의 특징 맵 이미지 각각에 제2 윈도우를 적용하여 서브 샘플링을 수행하기 위한 명령;상기 컨벌루션 및 상기 서브 샘플링을 기반으로 상기 미세 먼지 기준 이미지에 대한 하나 이상의 최종 특징 값을 추출하기 위한 명령; 및상기 추출한 최종 특징 값 및 기 설정된 활성 함수를 기반으로 상기 최종 특징 값들에 대해 미세 먼지 레벨을 분류하기 위한 가중치 계수를 산출하기 위한 명령을 포함하는, 컴퓨팅 장치.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0021631 | 2018-02-23 | ||
KR1020180021631A KR101952122B1 (ko) | 2018-02-23 | 2018-02-23 | 미세 먼지 분석 방법 및 이를 수행하기 위한 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019164074A1 true WO2019164074A1 (ko) | 2019-08-29 |
Family
ID=65562435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2018/009868 WO2019164074A1 (ko) | 2018-02-23 | 2018-08-27 | 미세 먼지 분석 방법 및 이를 수행하기 위한 장치 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR101952122B1 (ko) |
WO (1) | WO2019164074A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823824A (zh) * | 2023-08-29 | 2023-09-29 | 山东济宁运河煤矿有限责任公司 | 基于机器视觉的井下带式输送机降尘检测*** |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102316875B1 (ko) * | 2019-07-16 | 2021-10-25 | 에스케이텔링크 주식회사 | 카메라 및 발광부가 구비된 단말기를 이용하여 미세먼지 농도를 측정하는 방법, 측정된 미세먼지 농도 정보를 공유하는 방법 및 이를 위한 서버 |
KR102185994B1 (ko) * | 2019-07-16 | 2020-12-02 | 에스케이텔링크 주식회사 | 카메라 및 발광부가 구비된 단말기를 이용하여 미세먼지 농도를 측정하는 방법, 측정된 미세먼지 농도 정보를 공유하는 방법 및 이를 위한 서버 |
KR102233402B1 (ko) * | 2019-12-05 | 2021-03-29 | 주식회사 딥비전스 | 미세먼지 농도 추정 방법 및 이를 수행하기 위한 장치 |
KR102427597B1 (ko) * | 2020-10-29 | 2022-08-01 | 주식회사 딥비전스 | 인공지능 기반의 채도 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템 |
KR102468753B1 (ko) * | 2020-10-29 | 2022-11-18 | 주식회사 딥비전스 | 인공지능 기반의 rgb 채널 잔차 산출을 통한 미세먼지 판독 솔루션 및 시스템 |
KR102446490B1 (ko) * | 2020-11-03 | 2022-09-23 | 건국대학교 산학협력단 | 미세 먼지 수준 추정 방법 및 장치 |
KR102326208B1 (ko) * | 2021-08-11 | 2021-11-16 | 한국건설기술연구원 | 영상 인식 기반 3차원 미세 먼지 정보를 구축하기 위한 시스템 및 그 방법 |
KR102374002B1 (ko) * | 2021-10-08 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 미세먼지농도 측정 장치, 방법 및 프로그램 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101461184B1 (ko) * | 2013-03-13 | 2014-11-18 | 진양공업주식회사 | Cctv 영상을 이용한 기상 상황 정보 추출 시스템 |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
KR101723073B1 (ko) * | 2016-09-01 | 2017-04-05 | (주)오션네트웍스 | 미세먼지농도 측정장치 및 미세먼지농도 측정시스템 |
KR20170042076A (ko) * | 2015-10-08 | 2017-04-18 | 엄종현 | 사용자 기기로부터 획득된 영상 데이터로부터 미세 먼지를 측정하기 위한 장치, 방법 및 컴퓨터 판독가능 저장 매체 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101892345B1 (ko) | 2016-07-01 | 2018-08-27 | 우연정 | 근거리 무선통신을 이용한 미세먼지 측정 시스템 |
-
2018
- 2018-02-23 KR KR1020180021631A patent/KR101952122B1/ko active IP Right Grant
- 2018-08-27 WO PCT/KR2018/009868 patent/WO2019164074A1/ko active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101461184B1 (ko) * | 2013-03-13 | 2014-11-18 | 진양공업주식회사 | Cctv 영상을 이용한 기상 상황 정보 추출 시스템 |
KR20170042076A (ko) * | 2015-10-08 | 2017-04-18 | 엄종현 | 사용자 기기로부터 획득된 영상 데이터로부터 미세 먼지를 측정하기 위한 장치, 방법 및 컴퓨터 판독가능 저장 매체 |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
KR101723073B1 (ko) * | 2016-09-01 | 2017-04-05 | (주)오션네트웍스 | 미세먼지농도 측정장치 및 미세먼지농도 측정시스템 |
Non-Patent Citations (1)
Title |
---|
LIU, C.: "Particle Pollution Estimation Based on Image Analysis", PLOS ONE, vol. 11, no. 2, 1 February 2016 (2016-02-01), pages e0145955, XP055631691 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823824A (zh) * | 2023-08-29 | 2023-09-29 | 山东济宁运河煤矿有限责任公司 | 基于机器视觉的井下带式输送机降尘检测*** |
CN116823824B (zh) * | 2023-08-29 | 2023-11-24 | 山东济宁运河煤矿有限责任公司 | 基于机器视觉的井下带式输送机降尘检测*** |
Also Published As
Publication number | Publication date |
---|---|
KR101952122B1 (ko) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019164074A1 (ko) | 미세 먼지 분석 방법 및 이를 수행하기 위한 장치 | |
CN110569695B (zh) | 基于定损图像判定模型的图像处理方法和装置 | |
KR102233402B1 (ko) | 미세먼지 농도 추정 방법 및 이를 수행하기 위한 장치 | |
CN109670413B (zh) | 人脸活体验证方法及装置 | |
WO2015102126A1 (ko) | 얼굴 인식 기술을 이용한 전자 앨범 관리 방법 및 시스템 | |
EP2269369A2 (en) | Selecting best image | |
WO2015182904A1 (ko) | 관심객체 검출을 위한 관심영역 학습장치 및 방법 | |
WO2016204402A1 (ko) | 부품 결함 검사 방법 및 그 장치 | |
CN111080595A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
EP3756160A1 (en) | System and method for fast object detection | |
WO2019156543A2 (ko) | 동영상의 대표 이미지를 결정하는 방법 및 그 방법을 처리하는 전자 장치 | |
CN110737795A (zh) | 相册封面的确定方法、装置、设备及存储介质 | |
CN114283416A (zh) | 车险理赔图片的处理方法和装置 | |
CN113989387A (zh) | 相机拍摄参数调整方法、装置及电子设备 | |
CN108921838A (zh) | 用于检测图像的方法和装置 | |
CN110399802B (zh) | 处理面部图像眼睛亮度的方法、装置、介质和电子设备 | |
WO2020017937A1 (en) | Method and electronic device for recommending image capture mode | |
WO2016190698A1 (ko) | 잡음 제거를 위한 가중 미디언 필터링 방법 및 장치 | |
WO2023158068A1 (ko) | 객체검출률 향상을 위한 학습시스템 및 그 방법 | |
WO2015167202A1 (ko) | 차량번호 실사화 장치, 방법 및 이를 이용한 차량번호 판독시스템 | |
CN115222693A (zh) | 一种白屏检测方法、装置、设备及介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN111353536B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
WO2011007970A1 (en) | Method and apparatus for processing image | |
CN114240843A (zh) | 图像检测方法、装置以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18907195 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18907195 Country of ref document: EP Kind code of ref document: A1 |