http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 신승태(Sungtae Shin) (검색결과 2 건)
- 무료
- 기관 내 무료
- 유료
-
EGaIn-Silicone 소프트 센서 기반 데이터 글러브를 이용한 손동작 인식에 관한 연구
최순영(Soonyoung Choi),신승태(Sungtae Shin),유병석(Byungseok Yoo) 대한기계학회 2021 대한기계학회 춘추학술대회 Vol.2021 No.4
본 논문은 유연한 EcoFlex 00-30 실리콘과 EGaIn(Eutectic Galium-Indium)합금[1]을 사용한 부드럽고 견고한 실리콘 변형 센서의 제작과 이를 이용한 데이터 글러브 기반 손동작 인식 시스템을 통해 소프트 센서의 성능 평가을 제시한다. 센서는 탄성체 기반의 마이크로 유체 개념으로 설계되었으며, EcoFlex 실리콘 몰드로 제작된 마이크로 채널에 전도성 금속 액체인 EGaIn 합금을 주입하여 제작하였다. EGaIn-Silicone 센서는 손가락 관절의 움직임을 모니터링 하는 두 개의 실리콘 마이크로 채널에 EGaIn 합금 주입하여 두 개의 감지 채널을 포함하도록 설계되었으며, EcoFlex 실리콘을 접착 재료로 사용하여 센서 5 개를 천 재질의 글러브 손바닥 측에 접합하였다. 센서가 접히는 동작에 의한 저항 변화가 센서 인장에 의한 변화보다 훨씬 효과적이기 때문에 센서를 글러브의 손바닥 측에 설치하였고 데이터 수집 시스템은 지정된 손동작을 수행하는 동안 개별 손가락의 관절 운동으로 유도되는 전도성 센서의 저항 변화를 측정하였다. 손동작 인식의 성능을 분석하기 위해 전처리, 특정 길이 분할 방법을 통한 특징점 추출[2], 기계학습을 통한 분류 모델 훈련 등의 절차를 수행하였다. 손동작의 분류를 위해 본 논문은 6 가지 전통적인 기계학습 기법(k-nearest neighbors, naïve bayes, linear discriminant analysis, quadratic discriminant analysis, support vector machine, and random fores)을 사용하였다. 제안된 소프트 센서(데이터 글러브)를 사용하여 손동작 인식의 성능을 추정하기 위해 정확도, 재현율, 정밀도 및 F1 Score를 조사하였다. 결과로는 LDA 가 가장 낮은 87.4%의 정확도와 가장 큰 ±5.6%의 표준 편차를 나타내었고, NB는 93.9%의 정확도와 ± 1.7%의 표준편차로 가장 작은 표준편차를 보여주었다. 가장 높은 정확도는 RF로 97.3%의 정확도와 ± 2.4%의 표준편차를 보여주었다. This paper presents the development of 1) soft and robust silicone strain sensors based on a Eutec-tic Gallium-Indium (EGaIn) alloy enclosed in a highly flexible Ecoflex 00-30 silicone matrix and 2) a hand gesture recognition system via a customized glove including the proposed sensors. The EGaIn-silicone sensor was designed by the concept of elastomer-based microfluidics and fabricat-ed by injecting the conductive liquid EGaIn alloy into microchannels constructed in the Ecoflex silicone mold. The EGaIn-silicone sensor was uniquely designed to include two sensing channels to monitor the finger joint movements and to facilitate the EGaIn alloy injection into the mean-der-type microchannels. To estimate the performance of the glove in hand gesture recognition, 12 hand gestures were investigated and 15 participants were recruited to collect the hand gesture data. Also, 6 traditional machine learning classification algorithms, k-nearest neighbors, naïve bayes, linear discriminant analysis, quadratic discriminant analysis, support vector machine, and random forest, were studied and the classification accuracy, precision, recall, and F1 score were interpreted for analysis. From the results, a random forest classifier shows the best classification accuracy of 97.3% and a linear discriminant analysis classifier shows the worst accuracy of 87.4% because of a non-linearity behavior of the soft sensor.
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
