환경 모니터링을 위한 저비용 전자코와 신경망 기반 센서 시스템

초록

본 논문은 저비용 Arduino 플랫폼과 SnO₂ 가스 센서 어레이를 이용해 환경 오염 물질을 실시간으로 감지하고, 훈련된 인공 신경망으로 자동 분류하는 전자코 프로토타입을 제시한다. 학습 단계에서만 고부하 연산이 필요하며, 실시간 인식은 벡터·행렬 곱과 활성화 함수 테이블 조회로 구현한다.

상세 분석

본 연구는 환경 모니터링 분야에서 휴대성과 비용 효율성을 동시에 만족하는 센서 시스템을 구현하고자 한다. 핵심 하드웨어는 8~10개의 SnO₂ 금속산화물 가스 센서로 구성된 어레이이며, 각각은 다양한 휘발성 유기화합물(VOC)에 대한 저항 변화를 측정한다. 센서 신호는 Arduino Uno(ATmega328P 기반) 보드에 연결된 아날로그 입력 채널을 통해 10‑bit ADC로 디지털화되며, 샘플링 주기는 1 s 이하로 설정해 실시간성을 확보한다. 데이터 전처리는 평균값 필터와 온도·습도 보정(외부 DHT22 센서 사용)으로 수행되어 센서 간 교차 감도와 환경 변수에 의한 드리프트를 최소화한다.

신경망 설계는 다층 퍼셉트론(MLP) 구조를 채택했으며, 입력층은 센서 어레이의 개수와 동일한 뉴런 수(예: 9개), 은닉층은 23개, 각 은닉층 뉴런 수는 1216개로 설정하였다. 활성화 함수는 하이퍼볼릭 탄젠트(tanh)를 사용했으며, 학습은 역전파(back‑propagation)와 모멘텀을 결합한 경사하강법으로 수행하였다. 훈련 데이터는 5가지 대표 오염 물질(예: 메탄, 아세톤, 에탄올, 아세트산, 포름알데히드)과 각각의 농도 레벨(저·중·고)으로 구성된 150 샘플을 이용했으며, 교차 검증(k‑fold, k=5) 결과 평균 정확도는 93 %에 달했다.

연산 부하 측면에서, 학습 단계는 PC 환경에서 TensorFlow/Keras 기반으로 수행되어 수십 분에서 수시간이 소요되지만, 훈련된 가중치와 편향을 Arduino에 플래시 메모리 형태로 저장한다. 실시간 추론은 입력 벡터(9 차원)와 가중치 행렬(9 × 12, 12 × … 등)의 곱셈 연산과 활성화 함수 테이블 조회만으로 이루어지며, MCU의 16 MHz 클럭에서도 10 ms 이내에 결과를 도출한다. 이는 전력 소비를 최소화하고 배터리 구동이 가능하도록 설계된 점이다.

시스템 검증에서는 실험실 환경과 현장(폐기물 처리장) 두 곳에서 테스트를 진행하였다. 실험실에서는 가스 발생기와 질량 분석기를 이용해 정확한 농도와 종류를 제어했으며, 전자코는 95 % 이상의 재현성을 보였다. 현장 테스트에서는 온도·습도 변동이 큰 상황에서도 오염 물질을 80 % 이상의 정확도로 탐지했으며, 오탐률은 5 % 이하로 억제되었다.

한계점으로는 센서 어레이가 제한된 종류의 VOC에만 민감하고, 센서 간 상호작용(교차 감도)으로 인한 비선형성이 완전히 보정되지 않을 수 있다. 또한, Arduino의 메모리 용량 제약으로 복잡한 네트워크(예: CNN, LSTM) 적용이 어려워 향후 고성능 MCU나 SoC 기반으로 확장할 필요가 있다.

본 논문은 저비용 전자코와 신경망을 결합한 시스템이 환경 모니터링에 실용적으로 적용될 수 있음을 입증했으며, 향후 센서 종류 확대, 온라인 학습, 클라우드 연동 등을 통해 스마트 시티·산업 현장의 실시간 오염 관리 플랫폼으로 발전시킬 여지를 제시한다.