KR102151776B1 - 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법 - Google Patents
딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법 Download PDFInfo
- Publication number
- KR102151776B1 KR102151776B1 KR1020190090025A KR20190090025A KR102151776B1 KR 102151776 B1 KR102151776 B1 KR 102151776B1 KR 1020190090025 A KR1020190090025 A KR 1020190090025A KR 20190090025 A KR20190090025 A KR 20190090025A KR 102151776 B1 KR102151776 B1 KR 102151776B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- wastewater discharge
- business
- wastewater
- review
- Prior art date
Links
- 239000002351 wastewater Substances 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013502 data validation Methods 0.000 title abstract 3
- 238000012552 review Methods 0.000 claims abstract description 172
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 90
- 238000013135 deep learning Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims description 75
- 238000013524 data verification Methods 0.000 claims description 65
- 238000012937 correction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 239000008235 industrial water Substances 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 7
- 239000000383 hazardous chemical Substances 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010200 validation analysis Methods 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 description 13
- 231100000279 safety data Toxicity 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 239000010865 sewage Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004065 wastewater treatment Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일실시예에 따르면, 딥 러닝을 이용한 폐수 배출 데이터 검증 방법 은 사업자로부터 입력된 폐수 배출 데이터를 획득하는 단계, 상기 획득한 폐수 배출 데이터 중 사업자 식별과 관련된 제1 검토 항목들을 선택하는 단계, 상기 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증하는 단계, 상기 획득한 폐수 배출 데이터 중 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 선택하는 단계, 상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하는 단계 및 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증한 결과를 기초로 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청하는 단계를 포함한다.
Description
아래의 실시예들은 폐수 배출 데이터 검증 장치 및 방법에 관한 것으로, 보다 상세하게는 폐수 배출 데이터를 검증하기 위하여 딥 러닝을 이용하는 폐수 배출 데이터 검증 장치 및 검증 방법에 관한 것이다.
최근 환경 오염 문제에 대한 관심이 확산되면서 수질 오염에 대한 문제도 대두되고 있다. 수질 오염과 관련된 폐수 처리에 대한 사업장은 1년 간 가장 많이 배출한 날을 기준으로 1일 폐수 배출량에 따라 1종 사업장 ~ 5종 사업장으로 분류된다.
또한, 개별사업장 또는 배출시설(업종)별로 배출허용 기준을 달리 적용하는 것은 선진외국에서 이미80년대부터 관련제도를 도입하기 시작하여 왔다. 미국의 국가오염물질삭감시스템(NPDES,NationalPollutantsDischargeEliminationSystem), 유럽연합의통합오염환경관리(EUIPPC,IntegratedPollutionPreventionandControl)에서 이를 모든 폐수 배출 시설 허가 과정의 필수절차로 규정하고있다.
딥 러닝(deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.
어떠한 데이터가 있을 때 이를 컴퓨터가 알아들을 수 있는 형태로 표현하고 이를 학습에 적용하기 위해 많은 연구가 진행되고 있으며, 이러한 노력의 결과로 deep neural networks, convolutional deep neural networks, deep belief networks와 같은 다양한 딥 러닝 기법들이 컴퓨터 비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용되어 최첨단의 결과들을 보여주고 있다.
본 발명의 실시예에 따르면, 사업자로부터 입력된 폐수 배출 데이터에 대한 복수회의 검증을 수행하여 상기 폐수 배출 데이터에 대한 신뢰성을 확보할 수 있는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 검증 방법을 제공할 수 있다.
또한, 본 발명의 다른 실시예에 따르면, 오류로 결정된 사업자 식별과 관련된 필드 값을 자동으로 수정할 수 있는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법을 제공할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 사업자로부터 입력된 폐수 배출 데이터를 검증할 수 있는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법을 제공할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 오류로 결정된 폐수 배출과 관련된 필드 값에 대한 재입력을 요청할 수 있는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법을 제공할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 재입력을 요청한 폐수 배출과 관련된 필드 값을 제시할 수 있는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법을 제공할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 폐수 배출 데이터 검증의 효율성을 확보할 수 있는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 검증 방법을 제공할 수 있다.
본 발명의 일실시예에 따르면, 딥 러닝을 이용한 폐수 배출 데이터 검증 방법 은 사업자로부터 입력된 폐수 배출 데이터를 획득하는 단계, 상기 획득한 폐수 배출 데이터 중 사업자 식별과 관련된 제1 검토 항목들을 선택하는 단계, 상기 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증하는 단계, 상기 획득한 폐수 배출 데이터 중 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 선택하는 단계, 상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하는 단계 및 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증한 결과를 기초로 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청하는 단계를 포함한다.
또한, 상기 제1 검토 항목들은, 관할기관, 휴업, 사업자등록번호, 업소명, 사업장소재지, 허가신고여부, 인허가등록번호, 허가신고일, 사업장규모, 특정 수질유해물질 배출여부, 업종, 경영사항, 사업장부지면적, 지역구분, 산업단지 및 농공단지 중 적어도 어느 하나일 수 있다.
또한, 상기 딥 러닝을 이용한 폐수 배출 데이터 검증 방법은, 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증한 결과 오류로 결정된 필드 값을 획득하는 단계, 획득한 상기 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터를 상기 미리 저장된 데이터에서 검색하는 단계 및 상기 검색한 적어도 하나의 데이터를 기초로 상기 오류로 결정된 필드 값을 수정하는 단계를 더 포함할 수 있다.
또한, 상기 제2 검토 항목들은, 폐수 발생량, 폐수 오염도 및 배출시설 중 적어도 어느 하나일 수 있다.
또한, 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하는 단계는, 상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습 데이터를 생성하는 단계 및 상기 생성한 학습데이터를 입력으로 상기 검증 모델을 학습시키는 단계를 더 포함할 수 있다.
또한, 상기 학습데이터는, 지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나와 관련된 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함할 수 있다.
본 발명의 다른 실시예에 따르면, 폐수 배출 데이터 검증 장치는 사업자로부터 입력된 폐수 배출 데이터를 획득하는 데이터 획득 모듈, 상기 획득한 폐수 배출 데이터 중 사업자 식별과 관련된 제1 검토 항목들을 선택하는 제1 검토 항목 선택 모듈, 상기 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증하는 제1 검토 항목 검증 모듈, 상기 획득한 폐수 배출 데이터 중 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 선택하는 제2 검토 항목 선택 모듈, 상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하는 제2 검토 항목 검증 모듈 및 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증한 결과를 기초로 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청하는 재입력 요청 모듈을 포함한다.
또한, 상기 제1 검토 항목들은, 관할기관, 휴업, 사업자등록번호, 업소명, 사업장소재지, 허가신고여부, 인허가등록번호, 허가신고일, 사업장규모, 특정 수질유해물질 배출여부, 업종, 경영사항, 사업장부지면적, 지역구분, 산업단지 및 농공단지 중 적어도 어느 하나일 수 있다.
또한, 상기 폐수 배출 데이터 검증 장치는, 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증한 결과 오류로 결정된 필드 값을 획득하는 필드 값 획득 모듈, 획득한 상기 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터를 상기 미리 저장된 데이터에서 검색하는 데이터 검색 모듈 및 상기 검색한 적어도 하나의 데이터를 기초로 상기 오류로 결정된 필드 값을 수정하는 오류 수정 모듈을 더 포함할 수 있다.
또한, 상기 제2 검토 항목 검증 모듈은, 상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습 데이터를 생성하는 학습 데이터 생성 모듈 및 상기 생성한 학습데이터를 입력으로 상기 검증 모델을 학습시키는 학습 모듈을 더 포함할 수 있다.
또한, 상기 학습데이터는, 지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나와 관련된 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함할 수 있다.
본 발명의 일실시예에 따르면, 사업자로부터 입력된 폐수 배출 데이터에 대한 복수회의 검증을 수행하여 상기 폐수 배출 데이터에 대한 신뢰성을 확보할 수 있는 효과가 있다.
또한, 오류로 결정된 사업자 식별과 관련된 필드 값을 자동으로 수정할 수 있는 효과가 있다.
또한, 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 사업자로부터 입력된 폐수 배출 데이터를 검증할 수 있는 효과가 있다.
또한, 오류로 결정된 폐수 배출과 관련된 필드 값에 대한 재입력을 요청할 수 있는 효과가 있다.
또한, 재입력을 요청한 폐수 배출과 관련된 필드 값을 제시할 수 있는 효과가 있다.
또한, 폐수 배출 데이터 검증의 효율성을 확보할 수 있는 효과가 있다.
도 1은 일실시예에 따라 폐수 배출 데이터 검증 장치가 사업자 단말 및 서버가 네트워크를 통하여 통신적으로 연결된 모습을 나타내는 도면이다.
도 2는 일실시예에 따른 딥 러닝을 이용한 폐수 배출 데이터 검증 장치의 구성을 나타내는 도면이다.
도 3은 일실시예에 따른 제1 검토 항목 필드 값 수정 모듈의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 제2 검토 항목 필드 값 수정 모듈의 구성을 나타내는 도면이다.
도 5는 일실시예에 따른 딥 러닝을 이용한 폐수 배출 데이터 검증 방법을 나타내는 플로우 차트이다.
도 2는 일실시예에 따른 딥 러닝을 이용한 폐수 배출 데이터 검증 장치의 구성을 나타내는 도면이다.
도 3은 일실시예에 따른 제1 검토 항목 필드 값 수정 모듈의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 제2 검토 항목 필드 값 수정 모듈의 구성을 나타내는 도면이다.
도 5는 일실시예에 따른 딥 러닝을 이용한 폐수 배출 데이터 검증 방법을 나타내는 플로우 차트이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.
본 발명의 실시 예에서 '통신', '통신망' 및 '네트워크'는 동일한 의미로 사용될 수 있다. 상기 세 용어들은, 파일을 사용자 단말, 다른 사용자들의 단말 및 다운로드 서버 사이에서 송수신할 수 있는 유무선의 근거리 및 광역 데이터 송수신망을 의미한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.
도 1은 일실시예에 따라 딥 러닝을 이용한 폐수 배출 데이터 검증 장치가 사업자 단말 및 서버가 네트워크를 통하여 통신적으로 연결된 모습을 나타내는 도면이다.
도 1을 참조하면, 일실시예에 따른 폐수 배출 데이터 검증 장치(100)는 사업자 단말(200) 및 서버(300)와 네트워크를 통하여 통신적으로 연결될 수 있다.
이때, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버와 클라이언트들을 연결하는 망(Network)을 의미한다. 네트워크는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 네트워크는 LAN, WAN 등의 폐쇄형 네트워크일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미한다. 또한, 클라이언트가 이동통신 단말기이거나 스마트 폰 등인 경우, 네트워크는 3G, 4G, LTE, Wi-Fi 등의 이동통신망을 포함할 수 있다.
폐수 배출 데이터 검증 장치(100)는 사업자 단말(200)이 출력한 폐수 배출 데이터를 획득할 수 있다.
폐수 배출 데이터 검증 장치(100)는 상기 획득한 폐수 배출 데이터 중 사업자 식별과 관련된 검토 항목들을 구성하는 필드 값을 검증할 수 있다.
폐수 배출 데이터 검증 장치(100)는 상기 사업자 식별과 관련된 검토 항목들을 구성하는 필드 값의 오류를 수정할 수 있다.
폐수 배출 데이터 검증 장치(100)는 서버(300)로 자료 전송 요청 신호를 전송할 수 있다.
폐수 배출 데이터 검증 장치(100)는 서버(300)가 상기 전송한 자료 전송 요청 신호에 응답하여 전송한 데이터를 수신할 수 있다. 이때 상기 수신한 데이터는 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터일 수 있다.
폐수 배출 데이터 검증 장치(100)는 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습 데이터를 생성하기 위하여 서버(300)가 전송한 상기 자료 전송 요청 신호에 응답하여 전송한 데이터를 이용할 수 있다.
폐수 배출 데이터 검증 장치(100)는 상기 생성한 학습데이터를 입력으로 검증 모델을 학습시킬 수 있다.
폐수 배출 데이터 검증 장치(100)는 학습이 완료된 검증 모델을 이용하여 사업자의 폐수 배출과 관련된 검토 항목들을 구성하는 필드 값을 검증할 수 있다.
폐수 배출 데이터 검증 장치(100)는 사업자의 폐수 배출과 관련된 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청할 수 있다.
폐수 배출 데이터 검증 장치(100)는 재입력을 요청한 상기 검토 항목들을 구성하는 필드 값에 대한 상기 검증 모델이 제시한 필드 값을 출력할 수 있다.
사업자 단말(200)은 사업자의 키 조작에 따라 AP를 포함한 통신 중개장치를 이용하여 각종 데이터를 송수신할 수 있는 단말기를 말하는 것이며, 스마트폰(smart phone), 폴더블 스마트 폰, 태블릿 PC(Tablet PC), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 스마트폰(Smart Phone), 개인휴대용 정보단말기(PDA: Personal Digital Assistant), 내비게이션(navigation) 단말기, PMP(Portable Multimedia Player) 및 이동통신 단말기(Mobile Communication Terminal) 등 중 어느 하나일 수 있으나, 이에 한정되는 것은 아니다.
사업자 단말(200)은 AP 및 통신망을 이용하여 음성 또는 데이터 통신을 수행하는 단말기이며, AP 및 통신망을 경유하여 외부 장치와 통신하기 위한 프로그램 또는 프로토콜을 저장하기 위한 메모리, 해당 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비하고 있는 단말기를 의미한다. 즉, 사업자 단말(200)은 AP 및 통신망을 이용하여 통신이 가능하다면 그 어떠한 단말기도 가능하며, 노트북 컴퓨터, 이동통신 단말기, PDA 등 여하한 통신 컴퓨팅 장치를 모두 포함하는 넓은 개념이다.
사업자 단말(200)은 사업자 단말 사용자의 조작을 통한 입출력을 수행하기 위해 화면, 터치스크린, 마우스, 전자펜, 마이크로폰, 키보드, 스피커, 이어폰, 헤드폰 또는 터치패드 등을 구비한 형태로 제작되는 것이 바람직하며, 사업자의 조작에 따른 입력을 통해 폐수 배출 데이터 입력 프로그램을 구동할 수 있다.
사업자 단말(200)은 사업자로부터 폐수 배출 데이터를 입력 받을 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100) 또는 서버(300)와 통신적으로 연결될 수 있다.
사업자 단말(200)은 사업자로부터 입력 받은 폐수 배출 데이터를 폐수 배출 데이터 검증 장치(100) 또는 서버(300)로 전송할 수 있다.
사업자 단말(200)은 사업자로부터 입력 받은 폐수 배출 데이터를 표시할 수 있다.
사업자 단말(200)은 사업자로부터 입력 받은 폐수 배출 데이터를 수정할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100)가 전송한 인터페이스를 표시할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100) 또는 서버(300)가 전송한 데이터를 표시할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100)가 전송한 제1 검토 항목들을 구성하는 필드 값의 오류 발생을 알리기 위한 신호를 표시(예컨대, 화면 테두리에 붉은 띠 점멸)할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100)가 전송한 제2 검토 항목들을 구성하는 필드 값의 오류 발생을 알리기 위한 신호를 표시(예컨대, 화면 전체 붉게 점멸)할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100)가 전송한 재입력 요청 신호를 표시할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100)가 출력한 재입력을 요청한 제2 검토 항목들을 구성하는 필드 값에 대한 검증 모델이 제시한 필드 값을 표시할 수 있다.
사업자 단말(200)은 폐수 배출 데이터 검증 장치(100)가 전송한 제1 검토 항목들을 구성하는 필드 값 중 오류인 필드 값이 수정되었음을 알리기 위한 신호를 표시(예컨대, 화면에 “수정 완료”라는 문자 표시)할 수 있다.
서버(300)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 하고 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함한다.
서버(300)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다.
서버(300)는 전술한 서버 프로그램 이외에도, 서버(300) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다.
서버(300)는 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다.
여기서 사용된 '서버'라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.
서버(300)는 폐수 배출 데이터 검증 장치(100) 또는 사업자 단말(200)과 통신적으로 연결될 수 있다.
서버(300)는 사업자 단말(200)이 전송한 폐수 배출 데이터를 획득하고, 상기 획득한 폐수 배출 데이터를 저장할 수 있다.
서버(300)는 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 및 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터를 저장할 수 있다.
서버(300)는 폐수 배출 데이터 검증 장치(100)가 전송한 자료 전송 요청 신호를 수신하고, 상기 수신한 자료 요청 전송 신호에 응답하여 상기 생활 안전 데이터, 상기 전국 오염원 조사 3개년 확정 데이터 및 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 상기 수질 TMS 데이터를 폐수 배출 데이터 검증 장치(100)로 전송할 수 있다.
도 2는 일실시예에 따른 딥 러닝을 이용한 폐수 배출 데이터 검증 장치의 구성을 나타내는 도면이고, 도 3은 일실시예에 따른 제1 검토 항목 필드 값 수정 모듈의 구성을 나타내는 도면이며, 도 4는 일실시예에 따른 제2 검토 항목 필드 값 수정 모듈의 구성을 나타내는 도면이다.
도 2를 참조하면, 폐수 배출 데이터 검증 장치(100)는 제어 모듈(110), 데이터 획득 모듈(120), 제1 검토 항목 선택 모듈(130), 제1 검토 항목 검증 모듈(140), 제1 검토 항목 필드 값 수정 모듈(150), 제2 검토 항목 선택 모듈(160), 제2 검토 항목 검증 모듈(170), 재입력 모듈(180) 및 저장 모듈(190)을 포함한다.
폐수 배출 데이터 검증 장치(100)를 구성하는 제어 모듈(110), 데이터 획득 모듈(120), 제1 검토 항목 선택 모듈(130), 제1 검토 항목 검증 모듈(140), 제1 검토 항목 필드 값 수정 모듈(150), 제2 검토 항목 선택 모듈(160), 제2 검토 항목 검증 모듈(170), 재입력 모듈(180) 및 저장 모듈(190)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.
제어 모듈(110)은 데이터를 처리하기 위한 프로세서(미도시) 및 프로그램들이 저장된 메모리(미도시)를 포함할 수 있다.
제어 모듈(110)은 상기 프로세서(미도시)를 이용하여 상기 포함한 메모리(미도시)에 저장된 프로그램들을 실행시킬 수 있다. 이때, 상기 메모리(미도시)에는 폐수 배출 데이터 검증 장치(100)를 동작시키기 위한 동작프로그램(예컨대, OS)이 저장될 수 있다.
제어 모듈(110)은 상기 프로세서(미도시)를 이용하여 폐수 배출 데이터 검증 장치(100)를 구성하는 모듈들의 동작을 관리하기 위한 프로그램을 실행시킬 수 있다.
제어 모듈(110)은 사업자의 입력을 획득하기 위한 인터페이스를 생성하고, 상기 생성한 인터페이스를 데이터 획득 모듈(120)을 통해 사업자 단말(200)로 전송할 수 있다.
제어 모듈(110)은 데이터 획득 모듈(120)이 수신한 데이터(예컨대, 로그인 데이터)를 기초로 사업자 단말(200)을 식별할 수 있다.
데이터 획득 모듈(120)은 사업자 단말(200)로부터 전송된 데이터(예컨대, 로그인 데이터)를 수신할 수 있다.
데이터 획득 모듈(120)은 사업자 단말(200)로부터 전송된 폐수 배출 데이터를 수신할 수 있다.
데이터 획득 모듈(120)은 서버(300)로 자료 전송 요청 신호를 전송할 수 있다.
데이터 획득 모듈(120)은 상기 자료 전송 요청 신호에 응답하여 서버(300)가 전송한 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터를 수신할 수 있다.
데이터 획득 모듈(120)은 제어 모듈(110)이 생성한 사업자의 입력을 획득하기 위한 인터페이스를 사업자 단말(200)로 전송할 수 있다.
데이터 획득 모듈(120)은 검증이 완료된 폐수 배출 데이터를 미리 설정된 장치(예컨대, 데이터 베이스)로 전송할 수 있다.
제1 검토 항목 선택 모듈(130)은 데이터 획득 모듈(120)이 수신한 상기 폐수 배출 데이터 중 사업자 식별과 관련된 제1 검토 항목들을 선택할 수 있다. 이때, 상기 제1 검토 항목들은 관할기관, 휴업, 사업자등록번호, 업소명, 사업장소재지, 허가신고여부, 인허가등록번호, 허가신고일, 사업장규모, 특정 수질유해물질 배출여부, 업종, 경영사항, 사업장부지면적, 지역구분, 산업단지 및 농공단지 중 적어도 어느 하나일 수 있으나 제1 검토 항목 선택 모듈(130)이 사업자 식별과 관련하여 선택한 상기 제1 검토 항목들이 이에 한정되는 것은 아니다.
제1 검토 항목 선택 모듈(130)은 데이터 획득 모듈(120)을 통해 수신한 상기 생활 안전 데이터, 상기 전국 오염원 조사 3개년 확정 데이터 또는 상기 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 상기 수질 TMS 데이터에서 사업자 식별과 관련된 제1 검토 항목들을 선택할 수 있다.
제1 검토 항목 선택 모듈(130)이 선택한 상기 제1 검토 항목들은 적어도 하나의 필드 값으로 구성될 수 있다.
제1 검토 항목 선택 모듈(130)은 사업자 단말(200)로부터 전송된 폐수 배출 데이터에서 선택한 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 저장할 수 있다.
제1 검토 항목 선택 모듈(130)은 상기 생활 안전 데이터, 상기 전국 오염원 조사 3개년 확정 데이터 또는 상기 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 상기 수질 TMS 데이터에서 선택한 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 저장할 수 있다.
제1 검토 항목 검증 모듈(140)은 제1 검토 항목 선택 모듈(130)이 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증할 수 있다. 이때, 상기 미리 저장된 데이터의 필드 값은 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터의 필드 값일 수 있으나, 상기 미리 저장된 데이터의 필드 값이 이에 한정되는 것은 아니다.
제1 검토 항목 검증 모듈(140)은 제1 검토 항목 선택 모듈(130)이 저장한 사업자 단말(200)로부터 전송된 폐수 배출 데이터에서 선택한 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값과 상기 생활 안전 데이터, 상기 전국 오염원 조사 3개년 확정 데이터 또는 상기 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 상기 수질 TMS 데이터에서 선택한 사업자 식별과 관련된 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증할 수 있다.
제1 검토 항목 검증 모듈(140)은 제1 검토 항목 선택 모듈(130)이 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 제1 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 결정할 수 있다.
제1 검토 항목 검증 모듈(140)은 제1 검토 항목 선택 모듈(130)이 저장한 사업자 단말(200)로부터 전송된 폐수 배출 데이터에서 선택한 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값과 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터에서 선택한 사업자 식별과 관련된 필드 값을 비교하여 상기 제1 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 결정할 수 있다.
제1 검토 항목 검증 모듈(140)은 상기 결정한 상기 제1 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 저장할 수 있다.
제1 검토 항목 검증 모듈(140)은 상기 제1 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 결정하면 데이터 획득 모듈(120)을 통해 상기 제1 검토 항목들을 구성하는 필드 값의 오류 발생을 알리기 위한 신호를 사업자 단말(200)로 전송할 수 있다.
도 3을 참조하면, 제1 검토 항목 필드 값 수정 모듈(150)은 오류 필드 값 획득 모듈(151), 데이터 검색 모듈(152) 및 오류 수정 모듈(153)을 포함한다.
오류 필드 값 획득 모듈(151)은 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값 중 제1 검토 항목 검증 모듈(140)에 의해 오류로 결정된 필드 값을 획득할 수 있다.
오류 필드 값 획득 모듈(151)은 제1 검토 항목 검증 모듈(140)이 상기 저장한 상기 제1 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 획득할 수 있다.
데이터 검색 모듈(152)은 획득한 상기 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터를 상기 미리 저장된 데이터에서 검색할 수 있다. 이때, 상기 미리 저장된 데이터는 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터일 수 있다.
데이터 검색 모듈(152)은 검색한 상기 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터에서 상기 적어도 하나의 데이터를 구성하는 필드 값을 획득할 수 있다.
오류 수정 모듈(153)은 데이터 검색 모듈(152)이 검색한 적어도 하나의 데이터를 기초로 상기 오류로 결정된 필드 값을 수정할 수 있다.
오류 수정 모듈(153)은 데이터 검색 모듈(152)이 획득한 상기 적어도 하나의 데이터를 구성하는 필드 값을 기초로 상기 오류로 결정된 필드 값을 수정할 수 있다.
오류 수정 모듈(153)은 상기 오류로 결정된 필드 값을 데이터 검색 모듈(152)이 획득한 상기 적어도 하나의 데이터를 구성하는 필드 값으로 교체할 수 있다.
오류 수정 모듈(153)은 제1 검토 항목들을 구성하는 필드 값 중 오류인 필드 값이 수정되었음을 알리기 위한 신호를 데이터 획득 모듈(120)을 통해 사업자 단말(200)로 전송할 수 있다.
제2 검토 항목 선택 모듈(160)은 데이터 획득 모듈(120)이 수신한 상기 폐수 배출 데이터 중 폐수 배출과 관련된 제2 검토 항목들을 선택할 수 있다. 이때, 상기 제2 검토 항목들은 폐수 발생량, 폐수 오염도 및 배출시설 중 적어도 어느 하나일 수 있으나, 제2 검토 항목 선택 모듈(160)이 폐수 배출과 관련하여 선택한 상기 제2 검토 항목들이 이에 한정되는 것은 아니다.
제2 검토 항목 선택 모듈(160)이 선택한 상기 제2 검토 항목들은 적어도 하나의 필드 값으로 구성될 수 있다.
제2 검토 항목 선택 모듈(160)이 선택한 상기 제2 검토 항목들은 복수개의 필드 값들로 구성될 수 있다.
도 4를 참조하면, 제2 검토 항목 검증 모듈(170)은 학습데이터 생성 모듈(171), 학습 모듈(172) 및 검증 모듈(173)을 포함한다.
학습데이터 생성 모듈(171)은 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습 데이터를 생성할 수 있다. 이때, 상기 미리 저장된 데이터는 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터일 수 있다.
학습데이터 생성 모듈(171)은 용수 사용 및 폐수 발생 처리 현황의 오류를 검출할 수 있도록 미리 저장된 데이터를 가공하여 학습데이터를 생성할 수 있다.
일실시예에 따라, 학습데이터 생성 모듈(171)은 사업자의 총 용수 사용량과 각종 용수 사용량과의 비율을 산출하고, 산출 결과를 학습데이터로 생성할 수 있다.
일실시예에 따라, 학습데이터 생성 모듈(171)이 생성한 학습데이터는 사업자의 소정기간동안 누적된 총 용수 사용량 및 각종의 용수 사용 상태와 관련된 데이터일 수 있다.
학습데이터 생성 모듈(171)이 생성한 학습데이터는 사업자의 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함할 수 있다. 이때, 상기 사업자는 지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나를 기초로 식별될 수 있다.
또한, 상기 지역은 법정 동, 리이고, 사업장 규모는 폐수 배출(방류)량을 기준으로 1종(2,000㎥/일 이상), 2종(700㎥/일 이상 2,000㎥/일 이하), 3종(200㎥/일 이상 700㎥/일 이하), 4종(50㎥/일 이상 200㎥/일 이하) 또는 5종(50㎥/일 이하)이고, 업종은 폐수 배출 시설에 따른 한국 표준산업분류(1종 ? 82종)이며, 처리형태는 개별처리 후 직접방류, 개별처리 후 산업단지(농공단지) 폐수종말처리장 유입처리, 개별처리 후 하수종말처리장 유입처리, 공동처리 후 직접방류, 공동처리 후 산업단지(농공단지) 폐수종말처리장 유입처리, 공동처리 후 하수종말처리장 유입처리, 면제승인 후 직접방류, 면제승인 후 산업단지(농공단지) 폐수종말처리장 유입처리, 면제승인 후 하수종말처리장 유입처리, 전량 재이용, 전량 위탁처리, 물 재이용시설 또는 폐수무방류시설이다.
학습데이터 생성 모듈(171)이 생성한 학습데이터는 지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나와 관련된 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함할 수 있다. 이때 상기 지역은 법정 동, 리이고, 사업장 규모는 폐수 배출(방류)량을 기준으로 1종(2,000㎥/일 이상), 2종(700㎥/일 이상 2,000㎥/일 이하), 3종(200㎥/일 이상 700㎥/일 이하), 4종(50㎥/일 이상 200㎥/일 이하) 또는 5종(50㎥/일 이하)이고, 업종은 폐수 배출 시설에 따른 한국 표준산업분류(1종 ? 82종)이며, 처리형태는 개별처리 후 직접방류, 개별처리 후 산업단지(농공단지) 폐수종말처리장 유입처리, 개별처리 후 하수종말처리장 유입처리, 공동처리 후 직접방류, 공동처리 후 산업단지(농공단지) 폐수종말처리장 유입처리, 공동처리 후 하수종말처리장 유입처리, 면제승인 후 직접방류, 면제승인 후 산업단지(농공단지) 폐수종말처리장 유입처리, 면제승인 후 하수종말처리장 유입처리, 전량 재이용, 전량 위탁처리, 물 재이용시설 또는 폐수무방류시설이다.
학습데이터 생성 모듈(171)은 검증 시간 단축과 검증 효율 개선을 위해 학습 모듈(172) 또는 검증 모듈(173)에서 검증 대상인 필드 값을 정상으로 판단하는 범위를 확장시킬 수 있다.
일실시예에 따라, 학습데이터 생성 모듈(171)은 이미 생성된 학습 데이터에 포함된 총 용수 사용량과 각종 용수 사용량 등의 값들을 미리 설정된 범위(예컨대, 5% ~ 10%)로 변형시킬 수 있다. 이때, 상기 총 용수 사용량과 각종 용수 사용량 등의 값들은 검증 시간 단축과 검증 효율 개선을 위해 다양한 범위로 변형될 수 있다.
학습 모듈(172)은 검증 모델을 포함할 수 있다. 이때, 상기 검증 모델은 다층의 레이어로 구성된 신경망 모델일 수 있으며, 상기 검증 모델은 기계 학습(machine learning) (예컨대, 딥 러닝(deep learning))을 이용하여 학습시킬 수 있다.
학습 모듈(172)은 학습 데이터 생성 모듈(171)이 생성한 상기 학습데이터를 입력으로 검증 모델을 학습시킬 수 있다.
학습 모듈(172)은 학습 데이터 생성 모듈(171)이 생성한 상기 학습데이터를 입력으로 하여 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위해 상기 검증 모델을 학습시킬 수 있다.
검증 모듈(173)은 학습이 완료된 검증 모델을 이용하여 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증할 수 있다.
검증 모듈(173)은 학습이 완료된 검증 모델을 이용하여 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 결정할 수 있다.
검증 모듈(173)은 상기 결정한 상기 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 저장할 수 있다.
검증 모듈(173)은 학습이 완료된 검증 모델을 이용하여 상기 결정한 상기 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 대신하기 위한 새로운 필드 값을 제시할 수 있다.
검증 모듈(173)은 상기 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 결정하면 데이터 획득 모듈(120)을 통해 상기 제2 검토 항목들을 구성하는 필드 값의 오류 발생을 알리기 위한 신호를 사업자 단말(200)로 전송할 수 있다.
일실시예에 따라 학습 모듈(172)과 검증 모듈(173)이 각각 표현되었으나, 다른 실시예에 따라 학습 모듈(172)과 검증 모듈(173)은 하나의 모듈로 구현될 수 있다.
재입력 모듈(180)은 검증 모듈(173)이 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증한 결과를 기초로 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청할 수 있다.
재입력 모듈(180)은 검증 모듈(173)이 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값 중 오류로 결정한 필드 값의 재입력을 요청할 수 있다.
재입력 모듈(180)은 검증 모듈(173)이 저장한 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값의 재입력을 요청할 수 있다.
재입력 모듈(180)은 데이터 획득 모듈(120)을 통해 제2 검토 항목들을 구성하는 필드 값 재입력을 요청하는 재입력 요청 신호를 사업자 단말(200)로 전송할 수 있다.
재입력 모듈(180)은 재입력을 요청한 제2 검토 항목들을 구성하는 필드 값에 대한 검증 모듈(173)이 제시한 필드 값을 획득할 수 있다.
재입력 모듈(180)은 재입력을 요청한 제2 검토 항목들을 구성하는 필드 값에 대한 검증 모듈(173)이 제시한 복수의 필드 값을 획득할 수 있다.
재입력 모듈(180)은 데이터 획득 모듈(120)을 통해 상기 획득한 검증 모듈(173)이 제시한 필드 값을 사업자 단말(200)로 전송할 수 있다.
저장 모듈(190)은 제어 모듈(110)이 생성한 인터페이스를 저장할 수 있다.
저장 모듈(190)은 데이터 획득 모듈(120)이 수신한 데이터를 저장할 수 있다.
저장 모듈(190)은 데이터 획득 모듈(120)이 전송한 자료 요청 신호를 저장할 수 있다.
저장 모듈(190)은 사업자 단말(200)이 전송한 폐수 배출 데이터를 저장할 수 있다.
저장 모듈(190)은 서버(300)가 전송한 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터를 저장할 수 있다.
저장 모듈(190)은 검증이 완료된 폐수 배출 데이터를 저장할 수 있다.
저장 모듈(190)은 제1 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 저장할 수 있다.
저장 모듈(190)은 사업자 단말(200)로 전송한 신호를 저장할 수 있다.
저장 모듈(190)은 제1 검토 항목들을 구성하는 필드 값 중 수정한 필드 값을 저장할 수 있다.
저장 모듈(190)은 학습데이터 생성 모듈(171)이 생성한 학습데이터를 저장할 수 있다.
저장 모듈(190)은 제2 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 저장할 수 있다.
저장 모듈(190)은 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 대신하기 위한 새로운 필드 값을 저장할 수 있다.
여기서 사용된 '장치 또는 모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.
도 5는 일실시예에 따른 딥 러닝을 이용한 폐수 배출 데이터 검증 방법을 나타내는 플로우 차트이다.
도 5를 참조하면, 폐수 배출 데이터 검증 장치가 폐수 배출 데이터를 획득한다(400).
이때, 상기 상기 폐수 배출 데이터는 사업자로부터 입력 받은 폐수 배출 데이터일 수 있다.
폐수 배출 데이터 검증 장치가 사업자 식별과 관련된 제1 검토 항목들을 선택한다(401).
이때, 상기 제1 검토 항목들은 관할기관, 휴업, 사업자등록번호, 업소명, 사업장소재지, 허가신고여부, 인허가등록번호, 허가신고일, 사업장규모, 특정 수질유해물질 배출여부, 업종, 경영사항, 사업장부지면적, 지역구분, 산업단지 및 농공단지 중 적어도 어느 하나일 수 있다.
폐수 배출 데이터 검증 장치가 제1 검토 항목들을 구성하는 필드 값을 검증한다(402).
이때, 상기 폐수 배출 데이터 검증 장치는 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증할 수 있다.
폐수 배출 데이터 검증 장치가 오류로 결정된 필드 값을 획득한다(403).
이때, 상기 폐수 배출 데이터 검증 장치는 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 획득할 수 있다.
폐수 배출 데이터 검증 장치가 제1 검토 항목과 관련된 적어도 하나의 데이터를 검색한다(404).
여기서, 상기 폐수 배출 데이터 검증 장치는 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터를 미리 저장된 데이터에서 검색할 수 있다. 이때, 상기 미리 저장된 데이터는 생활 안전 데이터, 전국 오염원 조사 3개년 확정 데이터 또는 TMS (Tele Monitoring System, 이하 ‘TMS’라 함) 데이터 중 수질 TMS 데이터일 수 있다.
폐수 배출 데이터 검증 장치가 오류로 결정된 필드 값을 수정한다(405).
이때, 상기 폐수 배출 데이터 검증 장치는 상기 오류로 결정된 필드 값을 상기 검색한 적어도 하나의 데이터를 구성하는 필드 값으로 교체할 수 있다.
폐수 배출 데이터 검증 장치가 학습데이터를 생성한다(406).
이때, 상기 학습데이터는 지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나와 관련된 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함할 수 있다.
폐수 배출 데이터 검증 장치가 검증 모델을 학습시킨다(407).
이때, 상기 검증 모델은 상기 검증 모델은 다층의 레이어로 구성된 신경망 모델일 수 있으며, 상기 검증 모델은 기계 학습(machine learning) (예컨대, 딥 러닝(deep learning))을 이용하여 학습시킬 수 있다.
폐수 배출 데이터 검증 장치가 제2 검토 항목들을 구성하는 필드 값을 검증한다(408).
이때, 상기 폐수 배출 데이터 검증 장치는 제2 검토 항목들을 구성하는 필드 값 중 오류인 필드 값을 결정할 수 있다.
폐수 배출 데이터 검증 장치가 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청한다(409).
이때, 상기 폐수 배출 데이터 검증 장치는 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값 중 오류로 결정한 필드 값의 재입력을 요청할 수 있다.
폐수 배출 데이터 검증 장치가 검증 모델이 제시한 필드 값을 출력한다(410).
이때, 상기 폐수 배출 데이터 검증 장치는 재입력 요청과 동시에 또는 순차적으로 검증 모델이 제시한 필드 값을 출력할 수 있다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다.
또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다.
이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.
기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명에서 개시된 방법들은 상술된 방법을 달성하기 위한 하나 이상의 동작들 또는 단계들을 포함한다. 방법 동작들 및/또는 단계들은 청구항들의 범위를 벗어나지 않으면서 서로 상호 교환될 수도 있다. 다시 말해, 동작들 또는 단계들에 대한 특정 순서가 명시되지 않는 한, 특정 동작들 및/또는 단계들의 순서 및/또는 이용은 청구항들의 범위로부터 벗어남이 없이 수정될 수도 있다.
본 발명에서 이용되는 바와 같이, 아이템들의 리스트 중 "그 중 적어도 하나" 를 지칭하는 구절은 단일 멤버들을 포함하여, 이들 아이템들의 임의의 조합을 지칭한다. 일 예로서, "a, b, 또는 c: 중의 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 엘리먼트의 다수의 것들과의 임의의 조합 (예를 들어, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 다른 임의의 순서 화한 것) 을 포함하도록 의도된다.
본 발명에서 이용되는 바와 같이, 용어 "결정하는"는 매우 다양한 동작들을 망라한다. 예를 들어, "결정하는"는 계산하는, 컴퓨팅, 프로세싱, 도출하는, 조사하는, 룩업하는 (예를 들어, 테이블, 데이터베이스, 또는 다른 데이터 구조에서 룩업하는), 확인하는 등을 포함할 수도 있다. 또한, "결정하는"은 수신하는 (예를 들면, 정보를 수신하는), 액세스하는 (메모리의 데이터에 액세스하는) 등을 포함할 수 있다. 또한, "결정하는"은 해결하는, 선택하는, 고르는, 확립하는 등을 포함할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100...폐수 배출 데이터 검증 장치
Claims (12)
- 사업자로부터 입력된 폐수 배출 데이터를 획득하는 단계;
상기 획득한 폐수 배출 데이터 중 사업자 식별과 관련된 제1 검토 항목들을 선택하는 단계;
상기 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증하는 단계;
상기 검증한 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 수정하는 단계;
상기 획득한 폐수 배출 데이터 중 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 선택하는 단계;
상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하는 단계;
상기 검증한 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값에 대해 상기 검증 모델이 제시한 새로운 필드 값을 제시하는 단계; 및
상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증한 결과를 기초로 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청하는 단계
를 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 방법. - 제1항에 있어서,
상기 제1 검토 항목들은,
관할기관, 휴업, 사업자등록번호, 업소명, 사업장소재지, 허가신고여부, 인허가등록번호, 허가신고일, 사업장규모, 특정 수질유해물질 배출여부, 업종, 경영사항, 사업장부지면적, 지역구분, 산업단지 및 농공단지 중 적어도 어느 하나인 딥 러닝을 이용한 폐수 배출 데이터 검증 방법. - 제1항에 있어서,
상기 딥 러닝을 이용한 폐수 배출 데이터 검증 방법은,
상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증한 결과 오류로 결정된 필드 값을 획득하는 단계;
획득한 상기 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터를 상기 미리 저장된 데이터에서 검색하는 단계; 및
상기 검색한 적어도 하나의 데이터를 기초로 상기 오류로 결정된 필드 값을 수정하는 단계
를 더 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 방법. - 제1항에 있어서,
상기 제2 검토 항목들은,
폐수 발생량, 폐수 오염도 및 배출시설 중 적어도 어느 하나인 딥 러닝을 이용한 폐수 배출 데이터 검증 방법. - 제1항에 있어서,
상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하는 단계는,
상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습 데이터를 생성하는 단계; 및
상기 생성한 학습데이터를 입력으로 상기 검증 모델을 학습시키는 단계
를 더 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 방법. - 제5항에 있어서,
상기 학습데이터는,
지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나와 관련된 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 방법. - 사업자로부터 입력된 폐수 배출 데이터를 획득하는 데이터 획득 모듈;
상기 획득한 폐수 배출 데이터 중 사업자 식별과 관련된 제1 검토 항목들을 선택하는 제1 검토 항목 선택 모듈;
상기 선택한 상기 제1 검토 항목들을 구성하는 필드 값과 미리 저장된 데이터의 필드 값을 비교하여 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증하는 제1 검토 항목 검증 모듈;
상기 검증한 상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값을 수정하는 제1 검토 항목 필드 값 수정 모듈;
상기 획득한 폐수 배출 데이터 중 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 선택하는 제2 검토 항목 선택 모듈;
상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습이 완료된 검증 모델을 이용하여 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증하고, 상기 검증한 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값 중 오류로 결정된 필드 값에 대해 상기 검증 모델이 제시한 새로운 필드 값을 제시하는 제2 검토 항목 검증 모듈; 및
상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값을 검증한 결과를 기초로 상기 사업자의 폐수 배출과 관련된 제2 검토 항목들을 구성하는 필드 값에 대한 재입력을 요청하는 재입력 요청 모듈
을 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치. - 제7항에 있어서,
상기 제1 검토 항목들은,
관할기관, 휴업, 사업자등록번호, 업소명, 사업장소재지, 허가신고여부, 인허가등록번호, 허가신고일, 사업장규모, 특정 수질유해물질 배출여부, 업종, 경영사항, 사업장부지면적, 지역구분, 산업단지 및 농공단지 중 적어도 어느 하나인 딥 러닝을 이용한 폐수 배출 데이터 검증 장치. - 제7항에 있어서,
상기 폐수 배출 데이터 검증 장치는,
상기 사업자 식별과 관련된 제1 검토 항목들을 구성하는 필드 값을 검증한 결과 오류로 결정된 필드 값을 획득하는 필드 값 획득 모듈;
획득한 상기 오류로 결정된 필드 값을 갖는 제1 검토 항목과 관련된 적어도 하나의 데이터를 상기 미리 저장된 데이터에서 검색하는 데이터 검색 모듈; 및
상기 검색한 적어도 하나의 데이터를 기초로 상기 오류로 결정된 필드 값을 수정하는 오류 수정 모듈
을 더 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치. - 제7항에 있어서,
상기 제2 검토 항목들은,
폐수 발생량, 폐수 오염도 및 배출시설 중 적어도 어느 하나인 딥 러닝을 이용한 폐수 배출 데이터 검증 장치. - 제7항에 있어서,
상기 제2 검토 항목 검증 모듈은,
상기 미리 저장된 데이터를 기초로 용수 사용 및 폐수 발생 처리 현황의 오류를 검출하기 위한 학습 데이터를 생성하는 학습 데이터 생성 모듈; 및
상기 생성한 학습데이터를 입력으로 상기 검증 모델을 학습시키는 학습 모듈
을 더 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치. - 제11항에 있어서,
상기 학습데이터는,
지역, 사업장규모, 업종 및 처리형태 중 적어도 어느 하나와 관련된 총 용수 사용량 대비 공업용수 사용량 비율, 총 용수 사용량 대비 생활용수 사용량 비율, 총 용수 사용량 대비 폐수 발생량 비율, 총 용수 사용량 대비 폐수 방유량 비율, 총 용수 사용량 대비 재이용수량 비율, 처리필요 물질의 처리 전 농도 및 처리 후 농도를 포함하는 딥 러닝을 이용한 폐수 배출 데이터 검증 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190090025A KR102151776B1 (ko) | 2019-07-25 | 2019-07-25 | 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190090025A KR102151776B1 (ko) | 2019-07-25 | 2019-07-25 | 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102151776B1 true KR102151776B1 (ko) | 2020-09-03 |
Family
ID=72469484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190090025A KR102151776B1 (ko) | 2019-07-25 | 2019-07-25 | 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102151776B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120117429A (ko) * | 2011-04-15 | 2012-10-24 | 한국환경공단 | 수질 원격감시시스템과 이를 이용한 원격감시방법 |
| KR101841514B1 (ko) | 2017-12-18 | 2018-03-23 | 염철호 | 오폐수 배출이 없는 수상가옥 |
| KR101897441B1 (ko) * | 2018-06-25 | 2018-09-10 | 임영현 | 빅데이터 수집 기반 오·폐수 수질 차등화 처리 시스템 및 방법, 그리고 빅데이터를 이용한 오·폐수 수질 차등화 프로그램을 기록한 컴퓨터로 판독가능한 기록매체 |
-
2019
- 2019-07-25 KR KR1020190090025A patent/KR102151776B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120117429A (ko) * | 2011-04-15 | 2012-10-24 | 한국환경공단 | 수질 원격감시시스템과 이를 이용한 원격감시방법 |
| KR101841514B1 (ko) | 2017-12-18 | 2018-03-23 | 염철호 | 오폐수 배출이 없는 수상가옥 |
| KR101897441B1 (ko) * | 2018-06-25 | 2018-09-10 | 임영현 | 빅데이터 수집 기반 오·폐수 수질 차등화 처리 시스템 및 방법, 그리고 빅데이터를 이용한 오·폐수 수질 차등화 프로그램을 기록한 컴퓨터로 판독가능한 기록매체 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10546135B1 (en) | Inquiry response mapping for determining a cybersecurity risk level of an entity | |
| US11012466B2 (en) | Computerized system and method for providing cybersecurity detection and response functionality | |
| US10515328B2 (en) | Non-intrusive techniques for discovering and using organizational relationships | |
| US8856545B2 (en) | Security level determination of websites | |
| CN110602029B (zh) | 一种用于识别网络攻击的方法和系统 | |
| CN110869962A (zh) | 基于数据的计算机分析的数据核对 | |
| US20120047581A1 (en) | Event-driven auto-restoration of websites | |
| US9934310B2 (en) | Determining repeat website users via browser uniqueness tracking | |
| CN103984673A (zh) | 与应用程序商店有关的欺骗性评级/评论的自动检测 | |
| Bayuk et al. | Measuring systems security | |
| TWI734466B (zh) | 針對隱私資料洩漏的風險評估方法及裝置 | |
| US11625486B2 (en) | Methods and systems of a cybersecurity scoring model | |
| US20220005126A1 (en) | Virtual assistant for recommendations on whether to arbitrate claims | |
| US20140279810A1 (en) | System and method for developing business rules for decision engines | |
| CN110059981B (zh) | 信任度评估方法、装置及终端设备 | |
| EP3570242A1 (en) | Method and system for quantifying quality of customer experience (cx) of an application | |
| KR101947757B1 (ko) | 취약점 분석을 수행하는 보안 관리 시스템 | |
| US11144930B2 (en) | System and method for managing service requests | |
| CN111404937A (zh) | 一种服务器漏洞的检测方法和装置 | |
| US11057362B2 (en) | Adaptive selection of authentication schemes in MFA | |
| CN106104546A (zh) | 提供多级密码和网络钓鱼保护 | |
| CN107948149B (zh) | 基于随机森林的策略自学习和优化方法及装置 | |
| KR102151776B1 (ko) | 딥 러닝을 이용한 폐수 배출 데이터 검증 장치 및 방법 | |
| US11093619B2 (en) | Automated fixups based on partial goal satisfaction | |
| CN110278123A (zh) | 检查方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |