KR102616969B1 - 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템 - Google Patents
인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템 Download PDFInfo
- Publication number
- KR102616969B1 KR102616969B1 KR1020230053586A KR20230053586A KR102616969B1 KR 102616969 B1 KR102616969 B1 KR 102616969B1 KR 1020230053586 A KR1020230053586 A KR 1020230053586A KR 20230053586 A KR20230053586 A KR 20230053586A KR 102616969 B1 KR102616969 B1 KR 102616969B1
- Authority
- KR
- South Korea
- Prior art keywords
- water quality
- sensing values
- total
- total nitrogen
- total phosphorus
- Prior art date
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 100
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 229910052698 phosphorus Inorganic materials 0.000 title claims abstract description 81
- 239000011574 phosphorus Substances 0.000 title claims abstract description 81
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 title claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 129
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 235000015097 nutrients Nutrition 0.000 claims description 5
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000000691 measurement method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/188—Determining the state of nitrification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1826—Organic contamination in water
- G01N33/1846—Total carbon analysis
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템은 하천별 수질 지표를 나타내는 복수의 수질 항목을 직독식으로 센싱하는 다항목 센서; 상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 표시하는 수질 표시기; 및 상기 수질 표시기로부터 상기 수질 항목에 대한 센싱값을 전송받아 인공지능 기반 알고리즘을 적용하여 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 분석 서버;를 포함하고, 상기 수질 표시기는, 상기 분석 서버로부터 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 전송받아 표시하며, 상기 분석 서버는, 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 것을 특징으로 한다.
Description
본 발명은 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템에 관한 것으로, 보다 상세하게는 각 하천별 총질소(TN) 및 총인(TP) 스마트 센싱을 위해 연관 수질항목에 대한 자율선정(autonomous selection) 알고리즘과 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용한 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템에 관한 것이다.
기존의 수질 측정 방식에는 수질오염공정시험기준에 따른 분석가에 의한 직접 분석, 분석기기 타입 및 센서 타입의 측정장치에 의한 자동/수동 측정이 존재하며, 분석기기 타입 및 센서 타입은 항목에 따라 측정 방식, 형태, 기준 등이 다양하다.
일반적으로 수질 지표를 나타내는 pH, 용존산소(DO), 수온, 탁도, 전기전도도, 질산성질소(NO3-N), 암모니아성 질소(NH4-N) 등은 분석기기 타입과 센서 타입 모두 존재하지만, 총질소(TN) 및 총인(TP) 측정 방식은 분석기기 타입만 존재한다.
또한, 기존 센서 타입의 경우 광학식, 전극식, 이온선택형 등 측정 항목에 따라 사용되는 방식이 다르고, 이러한 측정 방식은 시료에 센서를 담금으로써 직독식 센싱이 가능하지만, 총질소(TN) 및 총인(TP)은 기존의 직독식 센싱 방식으로는 불가하다.
따라서, 본 발명의 발명자는 총질소(TN) 및 총인(TP)과 연관된 수질항목(일반 항목 및 영양염류 등)에 대하여 직독식 센서를 통해 측정하고, 이 결과를 인공지능(AI) 알고리즘에 적용하여 총질소(TN) 및 총인(TP)을 연산하는 스마트 센서 형태의 시스템을 완성하였다.
본 발명은 하천별 수질 항목을 다항목 센서를 통해 직독식으로 센싱하여 인공지능(AI) 알고리즘에 적용함으로써 해당 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템을 제공하는 것을 목적으로 한다.
또한, 본 발명은 다항목 센서로부터 센싱된 데이터에서 결측치 또는 이상치의 데이터를 보정하여 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하기 위한 유효 데이터의 신뢰도를 향상시킬 수 있는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템을 제공하는 것을 목적으로 한다.
아울러, 본 발명은 하천별 수질 항목 중 총질소(TN) 및 총인(TP)과 연관된 수질 항목을 자율적으로 선정한 후, 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 총질소(TN) 및 총인(TP)의 센싱값을 산출함으로써 해당 총질소(TN) 및 총인(TP) 센싱값의 정확도를 향상시킬 수 있는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템을 제공하는 것을 목적으로 한다.
상기한 바와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템은 하천별 수질 지표를 나타내는 복수의 수질 항목을 직독식으로 센싱하는 다항목 센서; 상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 표시하는 수질 표시기; 및 상기 수질 표시기로부터 상기 수질 항목에 대한 센싱값을 전송받아 인공지능 기반 알고리즘을 적용하여 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 분석 서버;를 포함하고, 상기 수질 표시기는, 상기 분석 서버로부터 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 전송받아 표시하며, 상기 분석 서버는, 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 것을 특징으로 한다.
또한, 상기 다항목 센서는, 상기 수질 항목으로, 수온, pH, 용존산소(DO). 전기전도도, 탁도를 포함하는 일반항목; 및 질산성 질소(NO3-N), 암모니아성 질소(NH4-N), 총유기탄소(TOC)를 포함하는 영양염류;를 직독식으로 센싱할 수 있다.
또한, 상기 수질 표시기는, 상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 저장하는 저장부; 상기 수질 항목에 대한 센싱값을 사용자에게 표시하는 표시부; 및 상기 다항목 센서 및 분석 서버와 유무선 통신망을 통해 각각 연결되는 통신부;를 포함하고, 상기 통신부는, 상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 상기 분석 서버로 전송하고, 상기 분석 서버로부터 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 전송받을 수 있다.
또한, 상기 분석 서버는, 상기 수질 표시기로부터 상기 수질 항목에 대한 센싱값을 전송받고, 스마트센서모듈에서 산출된 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 상기 수질 표시기로 전송하는 송수신모듈; 상기 수질 표시기로부터 전송받은 상기 수질 항목에 대한 센싱값과, 상기 스마트센서모듈에서 산출된 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 각각 저장하는 데이터베이스모듈; 상기 데이터베이스모듈에 저장된 상기 수질 항목에 대한 센싱값 중 기설정된 기준 범위를 벗어나는 이상 센싱값을 필터링하여 상기 수질 항목에 대한 센싱값을 보정하는 전처리모듈; 하천별 추가 수질 항목으로 상기 수질 항목 중 상기 총질소(TN) 및 총인(TP)과의 연관도가 기설정된 기준값 이상인 연관 수질 항목을 자율적으로 선정하는 자율선정모듈; 및 상기 연관 수질 항목의 보정된 센싱값에 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 스마트센서모듈;을 포함할 수 있다.
또한, 상기 전처리모듈은 SHAP(Shapley Additive Expansion) 기법이 적용된 인공지능 기반의 데이터 검정 알고리즘을 이용하여 상기 수질 항목에 대한 센싱값을 보정할 수 있다.
아울러, 상기 자율선정모듈은 상기 하천별 추가 수질 항목인 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하기 위해 속성 선택(Feature Selection) 알고리즘을 적용하여 상기 수질 항목 중 연관 수질 항목을 자율적으로 선정할 수 있다.
상기한 바와 같이 본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템에 의하면, 하천별 수질 항목을 다항목 센서를 통해 직독식으로 센싱하여 인공지능(AI) 알고리즘에 적용함으로써 해당 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있는 효과가 있다.
또한, 본 발명은 다항목 센서로부터 센싱된 데이터에서 결측치 또는 이상치의 데이터를 보정하여 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하기 위한 유효 데이터의 신뢰도를 향상시킬 수 있는 효과가 있다.
아울러, 본 발명은 하천별 수질 항목 중 총질소(TN) 및 총인(TP)과 연관된 수질 항목을 자율적으로 선정한 후, 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 총질소(TN) 및 총인(TP)의 센싱값을 산출함으로써 해당 총질소(TN) 및 총인(TP) 센싱값의 정확도 향상시킬 수 있는 효과가 있다.
도 1은 본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템의 구성도이다.
도 2는 본 발명에 따른 다항목 센서를 나타낸 예시도이다.
도 3은 본 발명에 따른 수질 표시기의 구성도이다.
도 4는 본 발명에 따른 분석 서버의 구성도이다.
도 5는 본 발명에 따른 데이터베이스모듈의 구성도이다.
도 2는 본 발명에 따른 다항목 센서를 나타낸 예시도이다.
도 3은 본 발명에 따른 수질 표시기의 구성도이다.
도 4는 본 발명에 따른 분석 서버의 구성도이다.
도 5는 본 발명에 따른 데이터베이스모듈의 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 우선, 도면들 중 동일한 구성요소 또는 부품들은 가능한 한 동일한 참조부호를 나타내고 있음에 유의해야 한다. 본 발명을 설명함에 있어서 관련된 공지기능 혹은 구성에 대한 구체적인 설명은 본 발명의 요지를 모호하게 하지 않기 위해 생략한다.
도 1은 본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템의 구성도이다.
본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템은 도 1에 도시된 바와 같이, 다항목 센서(100), 수질 표시기(200), 및 분석 서버(300)를 포함한다.
다항목 센서(100)는 하천별 수질 지표를 나타내는 복수의 수질 항목을 직독식으로 센싱할 수 있다.
구체적으로, 다항목 센서(100)는 수질 항목으로, 수온, pH, 용존산소(DO). 전기전도도, 탁도를 포함하는 일반항목, 및 질산성 질소(NO3-N), 암모니아성 질소(NH4-N), 총유기탄소(TOC)를 포함하는 영양염류를 각각 직독식으로 센싱할 수 있다.
도 2는 본 발명에 따른 다항목 센서를 나타낸 예시도이다.
따라서, 다항목 센서(100)는 도 2에 도시된 바와 같이, 총질소(TN) 및 총인(TP) 연산을 위한 기초 데이터 수집을 위해, 상기한 일반항목(수온, pH, DO. 전기전도도, 탁도 등)과 영양염류(NO3-N, NH4-N, TOC 등)의 측정을 위한 해당 항목의 센서 프로브(probe)가 결합되어 설계 및 제작될 수 있다.
수질 표시기(200)는 다항목 센서(100)로부터 복수의 수질 항목에 대한 센싱값을 전송받아 표시할 수 있고, 또한 후술하는 바와 같이, 분석 서버(300)로부터 하천별 총질소(TN) 및 총인(TP)에 대한 스마트 센싱값을 전송받아 표시할 수 있다.
도 3은 본 발명에 따른 수질 표시기의 구성도이다.
구체적으로, 수질 표시기(200)는 도 3에 도시된 바와 같이, 저장부(210), 표시부(220), 및 통신부(230)를 포함할 수 있다.
저장부(210)는 다항목 센서(100)로부터 전송받은 수질 항목에 대한 센싱값을 저장할 수 있고, 또한 분석 서버(300)로부터 전송받은 하천별 총질소(TN) 및 총인(TP)에 대한 스마트 센싱값을 저장할 수 있다.
표시부(220)는 저장부(210)와 연동되어 다항목 센서(100)에 의해 센싱된 수질 항목에 대한 센싱값 및 분석 서버(300)에 의해 산출된 하천별 총질소(TN) 및 총인(TP)에 대한 스마트 센싱값을 사용자에게 표시할 수 있다.
통신부(230)는 다항목 센서(100) 및 분석 서버(300)와 유무선 통신망(400)을 통해 각각 연결될 수 있다.
구체적으로, 통신부(230)는 다항목 센서(100)로부터 수질 항목에 대한 센싱값을 전송받아 분석 서버(300)로 전송할 수 있고, 또한 분석 서버로부터 하천별 총질소(TN) 및 총인(TP)에 대한 센싱값을 전송받을 수 있다.
한편, 수질 표시기(200)는 다항목 센서(100)와 결합되어 해당 다항목 센서와 하나의 수질 측정 모듈로 형성됨으로써 다항목 센서에서 측정된 수질 항목에 대한 센싱값을 분석 서버(300)로 전송할 수 있고, 또한 분석 서버에서 산출된 하천별 총질소(TN) 및 총인(TP)에 대한 센싱값을 해당 분석 서버로부터 전송받을 수 있다.
분석 서버(300)는 수질 표시기(200)로부터 수질 항목에 대한 센싱값을 전송받아 인공지능 기반 알고리즘을 적용하여 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있다.
이러한 분석 서버(300)는 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 하천별 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있다.
도 4는 본 발명에 따른 분석 서버의 구성도이다.
구체적으로, 분석 서버(300)는 도 3에 도시된 바와 같이, 송수신모듈(310), 데이터베이스모듈(320), 전처리모듈(330), 자율선정모듈(340), 및 스마트센서모듈(350)을 포함할 수 있다.
송수신모듈(310)은 수질 표시기(200)로부터 수질 항목에 대한 센싱값을 전송받고, 후술하는 스마트센서모듈(350)에서 산출된 총질소(TN) 및 총인(TP)에 대한 센싱값을 수질 표시기로 전송할 수 있다.
따라서, 사용자는 수질 표시기를 통해 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 확인할 수 있고, 또한 해당 추가 수질 항목값을 기초로 다항목 센서(100)의 센서 측정 조건을 설정할 수 있다.
데이터베이스모듈(320)은 수질 표시기로부터 전송받은 수질 항목에 대한 센싱값과, 스마트센서모듈에서 산출된 총질소(TN) 및 총인(TP)에 대한 센싱값을 각각 저장할 수 있다.
도 5는 본 발명에 따른 데이터베이스모듈의 구성도이다.
구체적으로, 데이터베이스모듈(320)은 도 5에 도시된 바와 같이, 제 1저장모듈(321) 및 제 2저장모듈(322)을 포함할 수 있는데, 여기서, 제 1저장모듈(321)은 수질 표시기로부터 전송받은 하천별 수질 항목에 대한 센싱값을 저장할 수 있고, 또한 제 2저장모듈(322)은 스마트센서모듈에서 산출된 하천별 총질소(TN) 및 총인(TP)에 대한 센싱값을 저장할 수 있다.
전처리모듈(330)은 데이터베이스모듈에 저장된 수질 항목에 대한 센싱값 중 기설정된 기준 범위를 벗어나는 이상 센싱값을 필터링하여 수질 항목에 대한 센싱값을 보정할 수 있다.
구체적으로, 전처리모듈(330)은 SHAP(Shapley Additive Expansion) 기법이 적용된 인공지능 기반의 데이터 검정 알고리즘을 이용하여 다항목 센서(100)의 데이터(센싱값)를 가공함으로써 해당 데이터의 결측치, 이상치의 데이터 보정에 의해 유효 데이터의 신뢰도를 향상시킬 수 있다.
자율선정모듈(340)은 하천별 추가 수질 항목으로 상기 수질 항목 중 상기 총질소(TN) 및 총인(TP)과의 연관도가 기설정된 기준값 이상으로 높은 연관 수질 항목을 자율적으로 선정할 수 있다.
구체적으로, 자율선정모듈(340)은 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하기 위해, 속성 선택(Feature Selection) 알고리즘을 적용하여 수질 항목 중 상기 연관 수질 항목을 자율적으로 선정할 수 있다.
본원발명에서는 자율선정모듈(340)을 이용한 총질소(TN) 및 총인(TP) 연관 수질항목에 대한 자율선정 결과, 하기의 [표 1]과 같이, 총질소(TN)의 경우, TOC, pH, DO가 연관성이 높은 것으로 나타났고, 또한 총인(TP)의 경우 pH, 수온, TOC, 전기전도도 등이 연관성이 높은 것으로 나타났으며, 이와 같은 연관성이 높은 수질항목을 이용하여 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)의 분석이 가능하다.
스마트센서모듈(350)은 연관 수질 항목의 보정된 센싱값에 인공지능 알고리즘을 적용하여 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있다.
이러한 스마트센서모듈(350)은 여러 개의 모델을 생성하고, 그 모델들의 예측을 결합하여 보다 나은 예측 결과를 도출하는 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있다.
본원발명에서는 총질소(TN) 및 총인(TP)의 실시간 측정을 위한 스마트센서모듈(350)을 구성하기 위해, 모든 단일 머신 러닝 모델(GLM, GBM, DRF, XGBoost)과 서로 다른 조합의 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘 기반 스마트 센서 모델의 성능을 각각 Case의 테스트 데이터 세트를 이용하여 비교 및 평가하고, 가장 성능이 좋은 모델을 선정하여 스마트센서모듈(350)을 구성하였다.
구체적으로, 하기의 [표 2]와 같이, Case 1과 Case 2로 구분하여 딥러닝 모델과 앙상블 인공지능 러닝 모델의 훈련 결과, 앙상블 인공지능 러닝 모델의 총질소(TN) 분석의 정확도는 88.6%이고, 또한 총인(TP) 분석의 정확도는 78.2%로, 앙상블 인공지능 러닝 모델이 딥러닝 모델보다 정확도가 높은 것으로 나타났고, 이러한 훈련 결과에 기초하여 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용한 스마트센서모듈(350)을 구성하였다.
한편, 하기의 [표 3]과 같이, 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용한 스마트센서모듈(350)의 테스트 데이터 세트에 대한 Case 1과 Case 2에 따른 분석시간은 최대 4.162초로, 5초 이내인 빠른 시간 안에 하천별 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있다.
상기한 바와 같이, 본 발명에 따르면, 하천별 수질 항목을 다항목 센서를 통해 직독식으로 센싱하여 인공지능(AI) 알고리즘에 적용함으로써 해당 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출할 수 있고, 다항목 센서로부터 센싱된 데이터에서 결측치 또는 이상치의 데이터를 보정하여 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하기 위한 유효 데이터의 신뢰도를 향상시킬 수 있으며, 하천별 수질 항목 중 총질소(TN) 및 총인(TP)과 연관된 수질 항목을 자율적으로 선정한 후, 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 총질소(TN) 및 총인(TP)의 센싱값을 산출함으로써 해당 총질소(TN) 및 총인(TP) 센싱값의 정확도를 향상시킬 수 있다.
이상과 같이 본 발명에 따른 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템을 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상 범위 내에서 당업자에 의해 다양한 변형이 이루어질 수 있음은 물론이다.
100:다항목 센서 200:수질 표시기
210:저장부 220:표시부
230:통신부 300:분석 서버
310:송수신모듈 320:데이터베이스모듈
321:제 1저장모듈 322:제 2저장모듈
330:전처리모듈 340:자율선정모듈
350:스마트센서모듈 400:유무선통신망
210:저장부 220:표시부
230:통신부 300:분석 서버
310:송수신모듈 320:데이터베이스모듈
321:제 1저장모듈 322:제 2저장모듈
330:전처리모듈 340:자율선정모듈
350:스마트센서모듈 400:유무선통신망
Claims (6)
- 하천별 수질 지표를 나타내는 복수의 수질 항목을 직독식으로 센싱하는 다항목 센서;
상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 표시하는 수질 표시기; 및
상기 수질 표시기로부터 상기 수질 항목에 대한 센싱값을 전송받아 인공지능 기반 알고리즘을 적용하여 하천별 추가 수질 항목으로 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 분석 서버;를 포함하는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템이고,
상기 수질 표시기는,
상기 분석 서버로부터 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 전송받아 표시하며,
상기 분석 서버는,
앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하고,
상기 분석 서버는,
상기 수질 표시기로부터 상기 수질 항목에 대한 센싱값을 전송받고, 스마트센서모듈에서 산출된 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 상기 수질 표시기로 전송하는 송수신모듈;
상기 수질 표시기로부터 전송받은 상기 수질 항목에 대한 센싱값과, 상기 스마트센서모듈에서 산출된 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 각각 저장하는 데이터베이스모듈;
상기 데이터베이스모듈에 저장된 상기 수질 항목에 대한 센싱값 중 기설정된 기준 범위를 벗어나는 이상 센싱값을 필터링하여 상기 수질 항목에 대한 센싱값을 보정하는 전처리모듈;
하천별 추가 수질 항목으로 상기 수질 항목 중 상기 총질소(TN) 및 총인(TP)과의 연관도가 기설정된 기준값 이상인 연관 수질 항목을 자율적으로 선정하는 자율선정모듈; 및
상기 연관 수질 항목의 보정된 센싱값에 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하는 스마트센서모듈;을 포함하며,
상기 전처리모듈은,
SHAP(Shapley Additive Expansion) 기법이 적용된 인공지능 기반의 데이터 검정 알고리즘을 이용하여 상기 수질 항목에 대한 센싱값을 보정하고,
상기 자율선정모듈은,
상기 하천별 추가 수질 항목인 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하기 위해 속성 선택(Feature Selection) 알고리즘을 적용하여 상기 수질 항목 중 연관 수질 항목을 자율적으로 선정하며,
상기 스마트센서모듈은 여러 개의 모델을 생성하고, 그 모델들의 예측을 결합하여 예측 결과를 도출하는 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘을 적용하여 총질소(TN) 및 총인(TP)에 대한 센싱값을 산출하고,
상기 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템은 복수의 단일 머신 러닝 모델과 서로 다른 조합의 앙상블 인공지능 러닝(Ensemble AI Learning) 알고리즘 기반 스마트 센서 모델의 성능을 각각 케이스(Case)의 테스트 데이터 세트를 이용하여 비교 및 평가한 후 이를 이용하여 스마트센서모듈을 구성하는 것을 특징으로 하는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템.
- 제 1항에 있어서,
상기 다항목 센서는,
상기 수질 항목으로,
수온, pH, 용존산소(DO). 전기전도도, 탁도를 포함하는 일반항목; 및
질산성 질소(NO3-N), 암모니아성 질소(NH4-N), 총유기탄소(TOC)를 포함하는 영양염류;를 직독식으로 센싱하는 것을 특징으로 하는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템.
- 제 2항에 있어서,
상기 수질 표시기는,
상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 저장하는 저장부;
상기 수질 항목에 대한 센싱값을 사용자에게 표시하는 표시부; 및
상기 다항목 센서 및 분석 서버와 유무선 통신망을 통해 각각 연결되는 통신부;를 포함하고,
상기 통신부는,
상기 다항목 센서로부터 상기 수질 항목에 대한 센싱값을 전송받아 상기 분석 서버로 전송하고,
상기 분석 서버로부터 상기 총질소(TN) 및 총인(TP)에 대한 센싱값을 전송받는 것을 특징으로 하는 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템.
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230053586A KR102616969B1 (ko) | 2023-04-24 | 2023-04-24 | 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230053586A KR102616969B1 (ko) | 2023-04-24 | 2023-04-24 | 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102616969B1 true KR102616969B1 (ko) | 2023-12-27 |
Family
ID=89377706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230053586A KR102616969B1 (ko) | 2023-04-24 | 2023-04-24 | 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102616969B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101105287B1 (ko) | 2009-02-02 | 2012-01-17 | 경북대학교 산학협력단 | 수질 모니터링 센서 |
| KR20120081544A (ko) * | 2011-01-11 | 2012-07-19 | 한국전자통신연구원 | 수질 일반항목을 이용한 총인 측정 방법 |
| KR20140006624A (ko) * | 2012-07-06 | 2014-01-16 | 한국전자통신연구원 | 수리 모형을 사용한 실시간 수질 예측 장치 및 방법 |
| KR102085122B1 (ko) * | 2019-08-09 | 2020-03-04 | 주식회사 엠에스텍 | 빅데이터 기반 인공지능을 이용한 수돗물 실시간 스마트 관리 시스템 |
| KR20220150037A (ko) * | 2021-05-03 | 2022-11-10 | 국민대학교산학협력단 | 수처리 시설의 공정별 수질 예측 시스템 및 방법 |
-
2023
- 2023-04-24 KR KR1020230053586A patent/KR102616969B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101105287B1 (ko) | 2009-02-02 | 2012-01-17 | 경북대학교 산학협력단 | 수질 모니터링 센서 |
| KR20120081544A (ko) * | 2011-01-11 | 2012-07-19 | 한국전자통신연구원 | 수질 일반항목을 이용한 총인 측정 방법 |
| KR20140006624A (ko) * | 2012-07-06 | 2014-01-16 | 한국전자통신연구원 | 수리 모형을 사용한 실시간 수질 예측 장치 및 방법 |
| KR102085122B1 (ko) * | 2019-08-09 | 2020-03-04 | 주식회사 엠에스텍 | 빅데이터 기반 인공지능을 이용한 수돗물 실시간 스마트 관리 시스템 |
| KR20220150037A (ko) * | 2021-05-03 | 2022-11-10 | 국민대학교산학협력단 | 수처리 시설의 공정별 수질 예측 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Koch et al. | Toward a true spatial model evaluation in distributed hydrological modeling: K appa statistics, F uzzy theory, and EOF‐analysis benchmarked by the human perception and evaluated against a modeling case study | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN108984870A (zh) | 基于arima的冷库温湿度数据预测方法及相关产品 | |
| WO2017196576A4 (en) | System and method for disease risk assessment and treatment | |
| CN105091922A (zh) | 一种基于虚拟表盘的指针表读数识别方法 | |
| RU2011131072A (ru) | Система определения количества шагов, способ определения количества шагов и измеритель активности | |
| RU2012104318A (ru) | Способ и устройство навигации | |
| CN116070080A (zh) | 一种森林碳储量与碳汇价值监测系统及动态评估方法 | |
| CN102043757A (zh) | 一种测量不确定度的计算装置 | |
| EP3377891A1 (fr) | Systeme d'evaluation du potentiel cultural d'un sol agricole et procede d'estimation des flux nitriques et hydriques | |
| CN103237362A (zh) | 一种用于传感器校准的无线传感器网络移动节点 | |
| CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
| CN103279950A (zh) | 一种基于行列噪声标准差的遥感图像信噪比评估方法 | |
| CN115099512A (zh) | 一种淡水鱼养殖智能管理系统以及管理方法 | |
| KR102616969B1 (ko) | 인공지능 기반 총질소 및 총인 측정용 스마트 센서 시스템 | |
| CN108259597A (zh) | 一种高精度低成本的农田环境监测系统 | |
| CN103530288A (zh) | 一种兴趣点分布范围的测试方法和装置 | |
| Muravyov et al. | Multisensor accuracy enhancement on the base of interval voting in form of preference aggregation in WSN for ecological monitoring | |
| CN105187139B (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
| CN107576641B (zh) | 一种三维荧光光谱数据的分解方法及装置 | |
| KR102266838B1 (ko) | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 | |
| CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN111695735A (zh) | 一种基于流计算的铁路弓网实时预警方法、系统及装置 | |
| CN109444055A (zh) | 一种盐碱地土壤盐分含量的高光谱计算方法 | |
| CN106767773A (zh) | 一种室内地磁基准图构建方法及其装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |