| 1 |
1
구분이 요구되는 의약품에 대한 이미지를 입력 데이터로 입력받는 데이터 입력부;부스팅된 복수의 신경망 중 어느 하나의 신경망을 이용하여 상기 입력 데이터에 대한 전체 특징값을 추출하고, 상기 전체 특징값에 기반하여 기 저장된 복수의 의약품 데이터로부터 적어도 하나의 의약품 데이터를 추출하여 후보 의약품으로 설정하는 특징 추출부;상기 후보 의약품이 복수 개로 추출되면, 상기 부스팅된 복수의 신경망 중 다른 신경망을 이용하여 상기 구분이 요구되는 의약품 및 상기 후보 의약품에 표시된 텍스트에 대한 부분 특징값을 추출하고, 추출된 부분 특징값을 비교하여 상기 구분이 요구되는 의약품의 텍스트와 가장 높은 유사도를 가진 어느 하나의 후보 의약품 텍스트를 선택하는 객체 관계 분류부; 및상기 특징 추출부 및 상기 객체 관계 분류부에 의해 처리된 결과를 기초로 상기 입력 데이터를 상기 복수의 의약품 데이터 중 어느 하나의 의약품 데이터로 구분한 결과를 출력하는 출력부를 포함하고,상기 특징 추출부는,상기 전체 특징값을 기초로 상기 입력데이터가 각각의 의약품 데이터일 확률값을 산출하되,가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 이상인 경우, 가장 높은 확률값을 가진 어느 하나의 의약품 데이터를 단일 후보 의약품으로 설정하고,가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 미만인 경우, 가장 높은 확률값을 가진 의약품 데이터와 차순위 확률값을 가진 의약품 데이터를 복수의 후보 의약품으로 설정하고,학습 데이터를 이용하여 상기 복수의 신경망을 학습시키는 학습부를 더 포함하고,상기 학습부는,상기 학습 데이터에 대한 의료 데이터별 확률값을 분석하여, 가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 미만인 경우, 가장 높은 확률값을 가진 의약품 데이터와 차순위 확률값을 가진 의약품 데이터를 상기 다른 신경망의 학습 데이터로 입력시켜 상기 다른 신경망에 설정된 노드 간 가중치를 업데이트하고,상기 특징 추출부는,ON/OFF ReLu 함수를 적용하는, 의약품 분류 장치
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 학습부는,상기 다른 신경망에 입력된 서로 다른 학습 데이터의 부분 특징값의 차이값을 산출하여 상기 다른 신경망에 설정된 노드 간 가중치를 업데이트하는, 의약품 분류 장치
|
| 5 |
5
제1항에 있어서,상기 객체 관계 분류부는,상기 구분이 요구되는 의약품의 중심부를 기준으로 상기 입력 데이터를 확대하여 상기 입력 데이터에 대한 부분 특징값을 추출하고, 상기 후보 의약품으로 설정된 의약품의 중심부를 기준으로 상기 의약품 데이터를 확대하여 상기 의약품 데이터에 대한 부분 특징값을 추출하며, 상기 입력 데이터에 대한 부분 특징값을 상기 후보 의약품에 대한 부분 특징값과 비교하여 상기 구분이 요구되는 의약품에 표시된 텍스트와 상기 후보 의약품에 표시된 텍스트 간의 유사도를 산출하는, 의약품 분류 장치
|
| 6 |
6
제5항에 있어서,상기 객체 관계 분류부는,상기 구분이 요구되는 의약품의 외곽선을 추출하고, 추출된 외곽선 이내의 영역만 입력 데이터에 포함되도록 상기 입력 데이터를 확대하는, 의약품 분류 장치
|
| 7 |
7
의약품 분류 장치에 의해 수행되는 의약품 분류 방법에 있어서,구분이 요구되는 의약품에 대한 이미지를 입력 데이터로 입력받는 단계;부스팅된 복수의 신경망 중 어느 하나의 신경망을 이용하여 상기 입력 데이터에 대한 전체 특징값을 추출하고, 상기 전체 특징값에 기반하여 기 저장된 복수의 의약품 데이터로부터 적어도 하나의 의약품 데이터를 추출하여 후보 의약품으로 설정하는 단계;상기 후보 의약품이 복수 개로 추출되면, 상기 부스팅된 복수의 신경망 중 다른 신경망을 이용하여 상기 구분이 요구되는 의약품 및 상기 후보 의약품에 표시된 텍스트에 대한 부분 특징값을 추출하고, 추출된 부분 특징값을 비교하여 상기 구분이 요구되는 의약품의 텍스트와 가장 높은 유사도를 가진 어느 하나의 후보 의약품 텍스트를 선택하는 단계; 상기 후보 의약품으로 설정하는 단계 및 상기 어느 하나의 후보 의약품 텍스트를 선택하는 단계에서의 처리된 결과를 기초로 상기 입력 데이터를 상기 복수의 의약품 데이터 중 어느 하나의 의약품 데이터로 구분하는 단계를 포함하고,상기 후보 의약품으로 설정하는 것은,상기 전체 특징값을 기초로 상기 입력데이터가 각각의 의약품 데이터일 확률값을 산출하되,가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 이상인 경우, 가장 높은 확률값을 가진 어느 하나의 의약품 데이터를 단일 후보 의약품으로 설정하고,가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 미만인 경우, 가장 높은 확률값을 가진 의약품 데이터와 차순위 확률값을 가진 의약품 데이터를 복수의 후보 의약품으로 설정하는 것이고,상기 전체 특징값을 추출하는 것은,ON/OFF ReLu 함수를 적용하여 추출하는 것인, 의약품 분류 방법
|
| 8 |
8
삭제
|
| 9 |
9
제7항에 있어서,상기 어느 하나의 후보 의약품 텍스트를 선택하는 것은,상기 구분이 요구되는 의약품의 중심부를 기준으로 상기 입력 데이터를 확대하여 상기 입력 데이터에 대한 부분 특징값을 추출하고, 상기 후보 의약품으로 설정된 의약품의 중심부를 기준으로 상기 의약품 데이터를 확대하여 상기 의약품 데이터에 대한 부분 특징값을 추출하며, 상기 입력 데이터에 대한 부분 특징값을 상기 후보 의약품에 대한 부분 특징값과 비교하여 상기 구분이 요구되는 의약품에 표시된 텍스트와 상기 후보 의약품에 표시된 텍스트 간의 유사도를 산출하는 것을 특징으로 하는, 의약품 분류 방법
|
| 10 |
10
제9항에 있어서,상기 의약품 데이터를 확대하는 것은,상기 구분이 요구되는 의약품의 외곽선을 추출하고, 추출된 외곽선 이내의 영역만 입력 데이터에 포함되도록 상기 입력 데이터를 확대하는 것을 특징으로 하는, 의약품 분류 방법
|
| 11 |
11
의약품 분류 장치에 의해 수행되는 의약품 분류를 위한 학습 방법에 있어서,구분이 요구되는 의약품에 대한 이미지를 학습 데이터로 입력받는 단계;부스팅된 복수의 신경망 중 어느 하나의 신경망을 이용하여 상기 학습 데이터에 대한 전체 특징값을 추출하고, 상기 전체 특징값에 기반하여 기 저장된 복수의 의약품 데이터로부터 적어도 하나의 의약품 데이터를 추출하는 단계; 및상기 의약품 데이터가 복수 개로 추출되면, 추출된 복수의 의약품 데이터를 상기 부스팅된 복수의 신경망 중 다른 신경망의 학습 데이터로 전달하여 상기 다른 신경망을 학습하는 단계를 포함하고,상기 적어도 하나의 의약품 데이터를 추출하는 것은,상기 전체 특징값을 기초로 상기 학습 데이터가 각각의 의약품 데이터일 확률값을 산출하되,가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 미만인 경우, 가장 높은 확률값을 가진 의약품 데이터와 차순위 확률값을 가진 의약품 데이터를 상기 적어도 하나의 의약품 데이터로 추출하는 것이고,상기 다른 신경망을 학습하는 것은,상기 학습 데이터에 대한 의료 데이터별 확률값을 분석하여, 가장 높은 확률값과 차순위 확률값의 차이가 미리 설정된 임계값 미만인 경우, 가장 높은 확률값을 가진 의약품 데이터와 차순위 확률값을 가진 의약품 데이터를 상기 다른 신경망의 학습 데이터로 입력시켜 상기 다른 신경망에 설정된 노드 간 가중치를 업데이트 하고,상기 전체 특징값을 추출하는 것은,ON/OFF ReLu 함수를 적용하여 추출하는 것인, 의약품 분류를 위한 학습 방법
|
| 12 |
12
삭제
|
| 13 |
13
삭제
|
| 14 |
14
제11항에 있어서,상기 다른 신경망을 학습하는 것은,상기 다른 신경망에 입력된 서로 다른 학습 데이터의 부분 특징값의 차이값을 산출하여 상기 다른 신경망에 설정된 노드 간 가중치를 업데이트 하는 것을 특징으로 하는, 의약품 분류를 위한 학습 방법
|
| 15 |
15
제11항 및 제14항 중 어느 하나의 항에 따른 의약품 분류를 위한 학습 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체
|
