• 한국음향학회지
• /
• 제28권2호
• /
• pp.119-126
• /
• 2009

본 논문에서 제안한 줄 없는 기타는 크게 레이저 현과 프렛, 음 합성 알고리듬과 프로세서로 구성된다. 레이저 현은 레이저 모듈과 포토다이오드를 이용하여 스트로크와 아르페지오를 표현할 수 있도록 하였고, 프렛은 전압 분배기를 이용하여 구현하였다. 몸통은 물리적 모델링 합성법을 이용하였기 때문에 줄 없는 기차에는 울림통의 역학을 하는 물리적인 몸통이 없다. 제안한 기타의 프렛은 실제 프렛을 동일하게 표현할 수 있어 기존의 코드 글러브를 이용한 로드 표현뿐 아니라 실제 기타와 같은 솔로 연주도 가능하다. 해머링 온, 풀링 오프, 슬라이딩과 같이 프렛 변화가 있는 연주음은 전압 분배기로부터 받은 프렛의 정보를 파라미터로 사용하여 합성한다. 연구법에 따른 음의 피치 변화는 디지털 도파관 모델에서 파동의 전파 속도 변화로 표현하였다. 이 합성 모델은 동일 프렛에서 현의 장력을 변화시켜 연주하는 비브라토 음도 합성 할 수 있다. 레이저 현과 프렛으로부터 받아들인 정보를 합성 알고리듬의 파라미터로 변환하여 기타 음을 생성하고 이를 실시간으로 출력할 수 있도록 TMS320F2812를 사용하였다. 웹에 공개한 동영상에는 제안한 알고리듬과 인터페이스를 이용하여 실시간으로 합성한 '아리랑' 연주를 볼 수 있다. 제안한 알고리듬이 피치 변화를 표현하는 기타 솔로 연주법에 효과적이고 줄 없는 기타로 실시간 연주가 가능함을 확인할 수 있다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2023년도 춘계학술발표대회
• /
• pp.743-744
• /
• 2023

타브(TAB) 악보는 주로 현악기에서 쓰이는 악보로, 일반적으로 생각하는 오선보 대신 악기의 줄 수만큼 선을 긋고 그 선 위에 프렛의 위치를 숫자 또는 문자로 표기한 형식의 악보이다. 본 논문에서는 입력된 PDF 형식의 타브 악보에서 OpenCV 를 사용하여 음표 및 악상 기호를 인식하는 시스템을 제안한다. 이 시스템은 사용자가 인식을 원하는 PDF 형식의 악보를 입력하면 PDF 파일을 PNG 파일로 변경한 뒤, 이를 OpenCV 를 활용하여 음표의 길이, 프렛의 위치 등 연주에 필요한 요소들만 객체 검출한 뒤 Tesseract 로 인식한다.

• 한국고분자학회지:고분자과학과기술
• /
• 제26권2호
• /
• pp.163-167
• /
• 2015

• 한국산학기술학회:학술대회논문집
• /
• 한국산학기술학회 2002년도 추계학술발표논문집
• /
• pp.287-289
• /
• 2002

기타 네크의 정밀 제작은 정확한 음률을 만드는데 매우 필요하다 보다 정확한 2/sup -1/12/을 이용하여 플랫 간격을 정확하게 맞추고 음쇠의 양 끝을 개량하여 기타줄이 밖으로 밀려나가지 않도록 하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2015년도 추계학술발표대회
• /
• pp.119-122
• /
• 2015

기타를 처음 접할 때 겪는 어려움은 크게 운지법과 곡에 대한 이해다. 연주자마다 곡의 연주 방법이 상이하기 때문에 한 곡에 대해서도 다양한 타브 악보가 존재한다. 이 논문은 타브 악보를 인식하여 연주를 수행하는 휴대 가능한 시스템 설계를 제안한다. 기 연구된 악보 인식은 5선 기반의 악보를 대상으로 하였으며 수평 히스토그램을 사용하여 5선을 제거 한 뒤 나타나는 기호들을 인식했다. 본 논문에서는 6선인 타브 악보 인식 및 연주 시스템을 휴대 기기에서도 사용 가능하게 설계하여 많은 연산 양이 요구되는 선 제거 과정을 거치지 않는다. 템플릿 매칭 기법으로 전체 악보에서 타브 악보의 영역을 탐색하고, 탐지된 영역 안에서 선의 시작점을 탐색한다. 선의 시작부터 끝까지 가상 블록을 사용하여 선에 존재하는 공백을 탐지하고, 공백의 분할을 이용해 프렛을 분할하며, 프렛 인식은 프로토타입 기반 분류기를 이용하여 97.0%의 인식률을 보였다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제8권1호
• /
• pp.19-26
• /
• 2019

본 논문에서는 기타 타브 악보에서 추출한 프렛 번호를 대상으로 학습 알고리즘의 분류 성능을 비교한다. 타브 악보로부터 세그먼트를 통해 추출된 타브 숫자 데이터는 타브 선과 악보 기호가 포함하기 때문에 레이블링 기법과 비선형 필터를 이용하여 프렛 숫자를 추출한다. 추가적인 데이터 확보를 위해 전처리가 수행된 데이터에 대해 4 방향으로 이동 연산을 수행한다. 선택된 학습 모델은 베이지안 분류기, 지지벡터기기, 프로토타입 기반 학습, 다층 신경망 그리고 합성곱 신경망 모델 등이다. 실험 결과 베이지안 분류기는 85.0% 평균 정확도를 보였고 나머지 분류기는 99.0% 이상의 평균 정확도를 보였다. 일반화 성능과 전처리 단계를 고려 시 합성곱 신경망이 다른 학습 모델들보다 우수하다.