The demand for gas sensors is increasing because of various hazards that are caused by chemical gas leaks and exhaust gases, and growing interest in monitoring indoor/outdoor air pollutions. In particular, small-sized, low-cost, and highly sensitive semiconductor gas sensors are attracting attention as the next-generation gas sensors, but there have been limitations in practical applications because of their critical disadvantage: low selectivity. Nowadays, various studies have been conducted to solve these low selectivity problems of semiconductor gas sensors, and the method of implementing selective gas detection through multi-sensor-based electronic nose systems is in the limelight. However, the limitations that the accuracy of the identification of the gas species will be significantly reduced when the performance of the sensors is not uniform, and it is difficult to implement selective gas detection in real-time, have yet to be solved.
In this study, these problems could be solved by fabricating uniform gas sensor arrays and applying the sensing data from the sensor arrays to the deep learning network. The fabricated gas sensors used porous metal oxide nanofilms with high batch uniformity deposited through the glancing angle deposition (GLAD) as the sensing materials, and four types of metal oxides (SnO$_2$, In$_2$O$_3$, WO$_3$, and CuO) were used in this study. High-temperature conditions required for a gas detection of the semiconductor gas sensors was satisfied by utilizing a suspended microheater platform. Also, it was possible to verify the uniform gas sensing performance by utilizing the gas sensors as a sensor array and fabricating a sensor array integration module. Finally, a real-time selective gas detection for CO, NH$_3$, NO$_2$, CH$_4$, and C$_3$H$_6$O gases was achieved with an accuracy of 98% by applying preprocessed sensing data, which was collected from both the gas sensor arrays with and without Au nanoparticle decoration, to the convolutional neural network.
대기오염 모니터링에 대한 관심이 커지면서 크기가 작고 저렴한 반도체식 가스 센서가 차세대 가스 센서로 주목받고 있다. 하지만 반도체식 가스 센서는 낮은 선택성 문제로 인해 실제적인 응용에 제한이 존재했고, 이러한 문제를 해결하기 위해 전자 코 시스템을 기반으로 선택적인 가스 감지를 구현하는 방법이 각광받고 있다. 그러나 센서의 감지 성능이 균일하지 않으면 가스 종 분류의 정확도가 크게 떨어지고, 실시간으로 선택적인 가스 감지를 구현하기 힘들다는 한계가 아직 해결되지 못하였다.
본 연구에서는 센서간 균일성이 높은 반도체식 가스 센서 어레이를 제작하고 딥러닝을 적용해 실시간으로 선택적인 가스 감지를 구현함으로써 기존의 한계를 해결할 수 있었다. 제작된 가스 센서는 경사 입사 증착법을 통해 집적되어 균일성이 높은 다공성 금속산화물 박막을 감지소재로 활용하였고, 센서 어레이 통합 모듈을 통해 제작된 가스 센서의 균일한 가스 감지 성능을 확인할 수 있었다. 최종적으로 SnO$_2$, In$_2$O$_3$, WO$_3$, CuO 네 가지 금속산화물을 기반으로 제작된 8종의 가스 센서 어레이로부터 수집된 가스 감지 데이터를 합성곱 신경망에 적용함으로써 실시간으로 6종의 가스에 대한 가스 종 분류를 약 98%의 정확도로 달성하였으며, 농도 예측 또한 약 10%의 오차범위에서 구현할 수 있었다.
