KR102628539B1 - Method and apparatus for algal bloom prediction using artificial intelligence deep learning - Google Patents
Method and apparatus for algal bloom prediction using artificial intelligence deep learning Download PDFInfo
- Publication number
- KR102628539B1 KR102628539B1 KR1020230037900A KR20230037900A KR102628539B1 KR 102628539 B1 KR102628539 B1 KR 102628539B1 KR 1020230037900 A KR1020230037900 A KR 1020230037900A KR 20230037900 A KR20230037900 A KR 20230037900A KR 102628539 B1 KR102628539 B1 KR 102628539B1
- Authority
- KR
- South Korea
- Prior art keywords
- artificial intelligence
- unit
- information
- data
- cnn
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 169
- 238000013135 deep learning Methods 0.000 title claims description 55
- 238000000034 method Methods 0.000 title description 37
- 239000005422 algal bloom Substances 0.000 title 1
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 241000195628 Chlorophyta Species 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 241000195493 Cryptophyta Species 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 41
- 230000000694 effects Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 6
- 230000003442 weekly effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000019645 odor Nutrition 0.000 description 2
- 239000003053 toxin Substances 0.000 description 2
- 231100000765 toxin Toxicity 0.000 description 2
- 108700012359 toxins Proteins 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 235000009245 Elaeagnus multiflora Nutrition 0.000 description 1
- 240000000298 Elaeagnus multiflora Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Atmospheric Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Ecology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 명세서는, 인공지능 플랫폼 인터페이스에 있어서, 메인화면 정보를 제공하는 메인화면 제공부, 데이터베이스 정보 및 전처리 정보를 제공하는 데이터부, 인공지능 모델 정보를 제공하는 인공지능 모델 제공부, 적어도 하나 이상의 인공지능 모델에 대한 학습을 수행하는 인공지능 모델 학습부 및 학습된 적어도 하나 이상의 인공지능 모델 중 제1 인공지능 모델을 선택하여 예측을 수행하는 예측부를 포함할 수 있다.This specification relates to an artificial intelligence platform interface, a main screen providing unit providing main screen information, a data unit providing database information and preprocessing information, an artificial intelligence model providing unit providing artificial intelligence model information, and at least one artificial intelligence It may include an artificial intelligence model learning unit that performs learning on an intelligence model, and a prediction unit that selects a first artificial intelligence model from among at least one learned artificial intelligence model and performs prediction.
Description
본 명세서는 인공지능 딥러닝 기술을 활용하여 녹조를 예측하는 방법 및 장치에 대한 것이다. 또한, 인공지능 딥러닝 기술을 활용한 녹조 예측 플랫폼에 대한 것이다.This specification relates to a method and device for predicting green algae using artificial intelligence deep learning technology. Additionally, it is about a green algae prediction platform using artificial intelligence deep learning technology.
녹조는 강, 호수 등에서 조류가 과도하게 성장하여 물 색깔이 짙은 녹색으로 변하는 현상을 의미할 수 있다. 녹조의 원인은 오염물질이 과도하게 유입되거나, 수온 또는 일사량의 증가 및 물 순환 정체 등의 이유가 있다. 조류의 성장 및 번식 과정에서 생명 활동에 필요한 물질이 합성되고 분해되는 대사 작용이 수행되는데, 과도한 조류의 대사 작용 과정에서 독소 및 악취가 발생할 수 있다. 우리나라에서는 주로 날씨가 더운 여름에 녹조가 많이 발생되며, 녹조에 의해 독소나 악취가 발생하면 수질이 오염되어 인체에 악영향을 줄 수 있다. 또한, 강이나 호수 표면이 녹조로 뒤덮이면 원활한 산소 공급이 어려워 어류들이 폐사할 수 있다. 상술한 점을 고려하면 상수원 구간에 대해 녹조 예측을 통해 사전에 관리할 수 있는 부분에 대해서 예방 작업의 필요성이 있다. 다만, 녹조는 복합적인 원인에 의해 발생할 수 있으며, 녹조가 발생하는 원인들 각각을 확인하여 녹조 발생 예측 시기나 발생량을 예측하는데 한계가 존재할 수 있다. 하기에서는 상술한 점을 고려하여 인공지능 딥러닝 기술을 활용하여 녹조를 예측하여 예측 정확도를 높이는 방법에 대해 서술한다. Green algae can refer to a phenomenon in which excessive growth of algae in rivers, lakes, etc. causes the water to turn dark green. The causes of green algae include excessive influx of pollutants, increased water temperature or solar radiation, and stagnant water circulation. During the growth and reproduction of algae, metabolic processes are carried out in which substances necessary for life activities are synthesized and decomposed. Excessive algae metabolism may produce toxins and bad odors. In Korea, a lot of green algae occurs mainly in the hot summer, and if toxins or bad odors are generated by green algae, water quality can be polluted and have a negative impact on the human body. In addition, if the surface of a river or lake is covered with green algae, it may be difficult to supply oxygen properly, leading to the death of fish. Considering the above, there is a need for preventive work in areas that can be managed in advance by predicting green algae in the water supply source section. However, green algae can occur due to complex causes, and there may be limitations in predicting the timing or amount of green algae occurrence by identifying each cause of green algae. In the following, taking the above-mentioned points into consideration, we describe how to predict green algae using artificial intelligence deep learning technology to increase prediction accuracy.
본 명세서는 인공지능 딥러닝 기술을 활용한 녹조 예측 방법 및 장치를 제공할 수 있다.This specification can provide a green algae prediction method and device using artificial intelligence deep learning technology.
본 명세서는 인공지능 딥러닝 기술들을 활용 및 알고리즘 조합을 통한 다양한 실험들을 수행할 수 있는 녹조 예측 장치에 기초하여 제공되는 인공지능 플랫폼 인터페이스를 제공할 수 있다.This specification can provide an artificial intelligence platform interface provided based on a green algae prediction device that can perform various experiments through utilizing artificial intelligence deep learning technologies and combining algorithms.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 데이터베이스에 축적되어 있는 자료들을 다양하게 조합하고, 결측 자료 데이터 가공 및 자료 보간 등 전처리작업을 수행할 수 있다.This specification utilizes an artificial intelligence platform interface to variously combine data accumulated in the database and perform preprocessing tasks such as data processing for missing data and data interpolation.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 기상청의 기상자료, 물환경정보시스템의 수질측정망 및 조류 모니터링, 수질자동측정망, 홍수통제소의 유량 및 수위, 한국수자원공사의 댐-보 운영 정보 등 데이터베이스에 축적된 자료를 추출하고, 유저가 정의한 자료로 입력하여 제공할 수 있다.This specification utilizes the artificial intelligence platform interface to accumulate in a database the meteorological data of the Korea Meteorological Administration, the water quality measurement network and tidal current monitoring of the water environment information system, the automatic water quality measurement network, the flow rate and water level of the flood control station, and the dam-barrier operation information of the Korea Water Resources Corporation. The data can be extracted and provided by inputting it as data defined by the user.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 다양한 인공지능 딥러닝 기법들을(DNN(deep neural network), RNN(recurrent neural network), CNN(convolution neural network), LSTM(long short term memory), GRU(gated recurrent unit), SEQ2SEQ(sequence-to-sequence), Attention Mechanism, Transformer, Temporal Convolution Network, Temporal Fusion Transformer, Gradient Boosting 등) 조합 및 개발할 수 있으며, 그 예시로 CNN과 LSTM을 결합한 알고리즘 고도화를 통해 녹조를 예측하는 방법 및 장치를 제공할 수 있다.This specification utilizes an artificial intelligence platform interface to apply various artificial intelligence deep learning techniques (deep neural network (DNN), recurrent neural network (RNN), convolution neural network (CNN), long short term memory (LSTM), and gated GRU (gated network). recurrent unit), SEQ2SEQ (sequence-to-sequence), Attention Mechanism, Transformer, Temporal Convolution Network, Temporal Fusion Transformer, Gradient Boosting, etc.) can be combined and developed, and as an example, green algae can be developed through algorithm advancement combining CNN and LSTM. A method and device for predicting can be provided.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 다양한 자료, 조합된 딥러닝 알고리즘, 하이퍼 파라미터들을 튜닝할 수 있는 라이브러리를 바탕으로 코드를 작성하고 프로젝트로 저장할 수 있으며, 다양한 프로젝트 구성을 통해 최적의 학습결과를 제공할 수 있다.This specification utilizes the artificial intelligence platform interface to write code and save it as a project based on various data, a combined deep learning algorithm, and a library that can tune hyper parameters, and achieve optimal learning results through various project configurations. can be provided.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 최적의 학습결과를 기반으로 미래 녹조 발생 정도를 예측할 수 있다.This specification utilizes an artificial intelligence platform interface to predict the degree of future green algae occurrence based on optimal learning results.
본 명세서의 일 실시예에 따라, 인공지능 플랫폼 인터페이스에 있어서, 메인화면 정보를 제공하는 메인화면 제공부, 데이터베이스 정보 및 전처리 정보를 제공하는 데이터부, 인공지능 모델 정보를 제공하는 인공지능 모델 제공부, 적어도 하나 이상의 인공지능 모델에 대한 학습을 수행하는 인공지능 모델 학습부 및 학습된 적어도 하나 이상의 인공지능 모델 중 제1 인공지능 모델을 선택하여 예측을 수행하는 예측부를 포함할 수 있다.According to an embodiment of the present specification, in the artificial intelligence platform interface, a main screen providing unit providing main screen information, a data unit providing database information and preprocessing information, and an artificial intelligence model providing unit providing artificial intelligence model information. , It may include an artificial intelligence model learning unit that performs learning on at least one artificial intelligence model, and a prediction unit that selects a first artificial intelligence model from among at least one learned artificial intelligence model and performs prediction.
또한, 본 명세서의 일 실시예에 따라, 데이터부에 기초하여 데이터베이스 정보에서 선택된 적어도 하나 이상의 데이터에 대한 프로세싱 방법 및 프로세싱 방법 별 속성이 설정되어 전처리가 수행되고, 전처리에 기초하여 제1 인공지능 모델에 적용되는 입력 데이터 셋이 구성되고, 인공지능 모델 제공부에 기초하여 인공지능 모델의 각 레이어 및 각 레이어별 속정 정보가 결정되고, 인공지능 모델의 각 레이어들의 머지(merge)를 통해 적어도 하나 이상의 인공지능 모델이 구축되고, 인공지능 모델 학습부에 기초하여 구축된 적어도 하나 이상의 인공지능 모델에 적용되는 학습 구성 정보를 통해 각각의 인공지능 모델에 대한 학습이 수행되고, 예측부에 기초하여 선택된 제1 인공지능 모델의 입력 데이터 셋 정보, 입력 정보, 출력 정보, 훈련 정보 및 유효 손실 정보 중 적어도 어느 하나가 선택되어 녹조 예측이 수행될 수 있다.In addition, according to an embodiment of the present specification, a processing method and properties for each processing method are set for at least one data selected from the database information based on the data unit, and preprocessing is performed, and a first artificial intelligence model is created based on the preprocessing. The input data set applied is configured, and based on the artificial intelligence model provider, each layer of the artificial intelligence model and the attribute information for each layer are determined, and at least one or more An artificial intelligence model is built, learning is performed for each artificial intelligence model through learning configuration information applied to at least one artificial intelligence model built based on the artificial intelligence model learning unit, and the data selected based on the prediction unit is performed. 1 Green algae prediction may be performed by selecting at least one of the input data set information, input information, output information, training information, and effective loss information of the artificial intelligence model.
또한, 본 명세서의 일 실시예에 따라, 선택된 제1 인공지능 모델이 CNN(convolution neural network)- LSTM(long short term memory) 모델인 경우, 인공지능 딥러닝을 활용한 녹조 예측 장치는 데이터베이스로부터 입력을 제공받는 입력부, 입력부로부터 제공받은 제1 입력을 CNN(convolution neural network)에 적용하는 CNN 동작부, CNN 동작부에 의해 도출된 제1 출력 및 입력부에서 제공받는 제2 입력 중 적어도 어느 하나에 기초하여 데이터 셋을 획득하는 데이터 셋 추출부, 데이터 셋을 CNN-LSTM(long short term memory)에 적용하는 CNN-LSTM 동작부, CNN-LSTM 동작부에서 도출된 제2 출력에 대한 검증을 수행하는 검증부 및 검증부에 기초하여 전달받은 제3 출력을 제공하는 출력부를 포함할 수 있다. 이때, 공간적 정보 및 시간적 정보가 CNN 동작부의 제1 입력으로 제공되어 시퀀스에 적용 가능한 제1 출력이 도출되고, 제3 출력은 조류 발생량 정보이고, 데이터 셋은 제1 출력 및 조류 발생량 정보를 포함하는 시퀀스 형태의 데이터로 CNN-LSTM 동작부에 적용될 수 있다.In addition, according to an embodiment of the present specification, when the selected first artificial intelligence model is a CNN (convolution neural network)-LSTM (long short term memory) model, the green algae prediction device using artificial intelligence deep learning inputs from the database. Based on at least one of an input unit provided, a CNN operation unit that applies the first input provided from the input unit to a CNN (convolution neural network), a first output derived from the CNN operation unit, and a second input provided from the input unit. A data set extraction unit that acquires a data set, a CNN-LSTM operation unit that applies the data set to CNN-LSTM (long short term memory), and a verification unit that verifies the second output derived from the CNN-LSTM operation unit. It may include an output unit that provides a third output received based on the unit and verification unit. At this time, spatial information and temporal information are provided as the first input of the CNN operation unit to derive a first output applicable to the sequence, the third output is information on the amount of algae generated, and the data set includes the first output and information on the amount of algae generated. Data in the form of a sequence can be applied to the CNN-LSTM operation unit.
또한, 본 명세서의 일 실시예에 따라, CNN 동작부는 제1 입력에 기초하여 합성곱을 통해 특징 맵을 추출하는 컨볼루션 레이어, 추출된 특징 맵에 기초하여 차원을 감소하는 폴링 레이어, 모든 노드가 연결된 완전 연결 레이어 및 0 내지 1 값으로 정규화하여 제1 출력을 도출하는 소프트맥스 레이어를 포함하되, 제1 출력은 CNN 동작부에 포함된 적어도 하나의 레이어에 기초하여 특정 값으로 도출되고, 데이터 셋은 특정 값으로 도출된 제1 출력을 포함하는 시퀀스 형태의 데이터로 구성될 수 있다.In addition, according to an embodiment of the present specification, the CNN operation unit includes a convolutional layer that extracts a feature map through convolution based on the first input, a polling layer that reduces the dimensionality based on the extracted feature map, and all nodes are connected. It includes a fully connected layer and a softmax layer that normalizes to a value of 0 to 1 to derive a first output, wherein the first output is derived as a specific value based on at least one layer included in the CNN operation unit, and the data set is It may be composed of data in the form of a sequence including a first output derived as a specific value.
또한, 본 명세서의 일 실시예에 따라, 녹조와 관련된 초분광 이미지 및 녹조와 관련된 위성 이미지가 제1 입력에 포함되어 CNN 동작부에 제공되고, 적어도 하나의 레이어에 기초하여 제1 출력에 반영될 수 있다.In addition, according to an embodiment of the present specification, a hyperspectral image related to green algae and a satellite image related to green algae are included in the first input and provided to the CNN operation unit, and are to be reflected in the first output based on at least one layer. You can.
또한, 본 명세서의 일 실시예에 따라, 녹조 관련 정보로서 강수량 정보, 수온 정보 및 그 밖의 정보로서 일간 데이터가 제1 입력에 포함되어 CNN 동작부에 적용되는 경우, 일간 데이터는 이미지 픽셀 형태로 CNN 동작부에 적용되어 적어도 하나의 레이어에 기초하여 제1 출력에 반영될 수 있다.In addition, according to an embodiment of the present specification, when daily data such as precipitation information, water temperature information, and other information as green algae-related information are included in the first input and applied to the CNN operation unit, the daily data is converted to CNN in the form of image pixels. It may be applied to the operating unit and reflected in the first output based on at least one layer.
또한, 본 명세서의 일 실시예에 따라, 데이터 셋은 특정 값으로 도출된 제1 출력, 수온 정보, TN(Total Nitrogen, 총 질소) 정보, TP(Total Phosphors, 총 인) 정보, DO(Dissolved Oxygen, 용존 산소량) 정보 및 조류 발생량 정보 중 적어도 어느 하나를 포함하는 시퀀스 형태의 데이터로 구성되어 CNN-LSTM 동작부에 적용될 수 있다.In addition, according to an embodiment of the present specification, the data set includes a first output derived from a specific value, water temperature information, TN (Total Nitrogen) information, TP (Total Phosphors) information, and DO (Dissolved Oxygen) , dissolved oxygen amount) information and algae generation amount information and can be applied to the CNN-LSTM operation unit.
또한, 본 명세서의 일 실시예에 따라, CNN-LSTN 동작부는 과거 정보량을 결정하는 망각 게이트부(forget gate), 현재 정보량을 결정하는 입력 게이트부(input gate), 망각 게이트부 및 입력 게이트부에 기초하여 셀 상태를 업데이트하는 업데이트 게이트부(update gate) 및 업데이트된 셀 상태를 출력하는 출력 게이트부(output gate)를 포함할 수 있다.In addition, according to an embodiment of the present specification, the CNN-LSTN operation unit includes a forget gate for determining the past information amount, an input gate for determining the current information amount, a forget gate unit, and an input gate unit. It may include an update gate that updates the cell state based on the cell state and an output gate that outputs the updated cell state.
본 명세서는 본 명세서는 인공지능 딥러닝을 활용한 녹조 예측 방법을 제공하는 효과가 있다.This specification has the effect of providing a method for predicting green algae using artificial intelligence deep learning.
본 명세서는 인공지능 딥러닝 기술들을 활용 및 알고리즘 조합을 통한 다양한 실험들을 수행할 수 있는 녹조 예측 장치에 기초하여 제공되는 인공지능 플랫폼 인터페이스를 제공하는 효과가 있다.This specification has the effect of providing an artificial intelligence platform interface provided based on a green algae prediction device that can perform various experiments through utilizing artificial intelligence deep learning technologies and combining algorithms.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 데이터베이스에 축적되어 있는 자료들을 다양하게 조합하고, 결측 자료 데이터 가공 및 자료 보간 등 전처리작업을 수행할 수 있는 효과가 있다. This specification has the effect of utilizing the artificial intelligence platform interface to variously combine data accumulated in the database and perform preprocessing tasks such as data processing for missing data and data interpolation.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 기상청의 기상자료, 물환경정보시스템의 수질측정망 및 조류 모니터링, 수질자동측정망, 홍수통제소의 유량 및 수위, 한국수자원공사의 댐-보 운영 정보 등 데이터베이스에 축적된 자료를 추출하고, 유저가 정의한 자료로 입력하여 제공할 수 있는 효과가 있다.This specification utilizes the artificial intelligence platform interface to accumulate in a database the meteorological data of the Korea Meteorological Administration, the water quality measurement network and tidal current monitoring of the water environment information system, the automatic water quality measurement network, the flow rate and water level of the flood control station, and the dam-barrier operation information of the Korea Water Resources Corporation. It has the effect of extracting data and providing it by inputting data defined by the user.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 다양한 인공지능 딥러닝 기법들을 조합 및 개발할 수 있으며, 그 중 CNN(convolution neural network)과 LSTM(long short term memory)을 결합한 알고리즘 고도화를 통해 녹조 예측의 정확성을 높이는 효과가 있다.This specification utilizes the artificial intelligence platform interface to combine and develop various artificial intelligence deep learning techniques, and among them, the accuracy of green algae prediction is improved through algorithm advancement combining CNN (convolution neural network) and LSTM (long short term memory). Height is effective.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 다양한 자료, 조합된 딥러닝 알고리즘, 하이퍼 파라미터들을 튜닝할 수 있는 프로젝트로 저장할 수 있으며, 다양한 프로젝트 구성을 통해 최적의 학습결과를 제공할 수 있는 효과가 있다.This specification utilizes the artificial intelligence platform interface to save various data, combined deep learning algorithms, and hyper parameters as a tunable project, and has the effect of providing optimal learning results through various project configurations.
본 명세서는 인공지능 플랫폼 인터페이스를 활용하여 최적의 학습결과를 기반으로 미래 녹조 발생 정도를 예측할 수 있는 효과가 있다. This specification has the effect of predicting the degree of future green algae occurrence based on optimal learning results by utilizing an artificial intelligence platform interface.
본 명세서는 인공지능 딥러닝으로 CNN과 LSTM을 결합한 플랫폼을 제공하는 효과가 있다.This specification has the effect of providing a platform that combines CNN and LSTM with artificial intelligence deep learning.
본 명세서는 과거 데이터가 희석되는 문제점을 고려하여 LSTM을 고려하여 녹조를 예측하여 녹조 예측의 정확성을 높이는 효과가 있다.This specification has the effect of increasing the accuracy of green algae prediction by predicting green algae by considering LSTM in consideration of the problem of diluting past data.
본 명세서는 로그 스케일 값으로 표현되는 데이터에 기초하여 녹조 예측을 수행하는 방법을 제공하는 효과가 있다.This specification has the effect of providing a method for predicting green algae based on data expressed in log scale values.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects that can be obtained in this specification are not limited to the effects mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the description below. will be.
도 1은 본 발명의 일 실시예에 따라 네트워크 환경을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따라 장치 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따라 인공지능 딥러닝을 활용한 녹조 예측 플랫폼을 나타낸 도면이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따라 인공지능 플랫폼의 인터페이스를 나타낸 도면이다.
도 5a 내지 도 5d는 본 발명의 일 실시예에 따라 인공지능 플랫폼 인터페이스의 데이터부를 나타낸 도면이다.
도 6a 내지 도 6g는 본 발명의 일 실시예에 따라 인공지능 플랫폼 인터페이스의 인공지능 모델 제공부 및 인공지능 모델 학습부를 나타낸 도면이다.
도 7a 내지 도 7b는 본 발명의 일 실시예에 따라 인공지능 플랫폼 인터페이스의 예측부를 나타낸 도면이다.
도 8a 및 도 8b는 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조예측 장치의 동작 방법을 나타낸 도면이다.
도 9a 내지 도 9c는 본 발명의 일 실시예에 따라 인공지능에 기초한 동작을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치의 동작 방법을 나타낸 도면이다.
도 11a 및 도 11b는 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치의 동작 방법을 나타낸 도면이다.
도 12는 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크에서 학습을 수행하는 방법을 나타낸 도면이다.
도 13은 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크에서 학습을 수행하는 방법을 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크를 통해 예측을 수행하는 방법을 나타낸 도면이다.
도 15는 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크에 적용되는 데이터 타입을 나타낸 도면이다.
도 16은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 대한 구체적인 동작을 나타낸 도면이다.
도 17은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 대한 구체적인 동작을 나타낸 도면이다.
도 18은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 기초하여 각각의 보에서 수행한 예측을 나타낸 도면이다.
도 19는 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 기초하여 각각의 보에서 수행한 예측을 나타낸 도면이다.
도 20은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 기초하여 각각의 보에서 수행한 예측을 나타낸 도면이다.
도 21은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 기초하여 각각의 보에서 수행한 예측을 나타낸 도면이다.1 is a diagram illustrating a network environment according to an embodiment of the present invention.
Figure 2 is a diagram showing the device configuration according to an embodiment of the present invention.
Figure 3 is a diagram showing a green algae prediction platform using artificial intelligence deep learning according to an embodiment of the present invention.
Figures 4a and 4b are diagrams showing the interface of an artificial intelligence platform according to an embodiment of the present invention.
Figures 5a to 5d are diagrams showing the data portion of the artificial intelligence platform interface according to an embodiment of the present invention.
Figures 6a to 6g are diagrams showing an artificial intelligence model providing unit and an artificial intelligence model learning unit of an artificial intelligence platform interface according to an embodiment of the present invention.
Figures 7a and 7b are diagrams showing a prediction unit of an artificial intelligence platform interface according to an embodiment of the present invention.
Figures 8a and 8b are diagrams showing a method of operating an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
9A to 9C are diagrams showing operations based on artificial intelligence according to an embodiment of the present invention.
Figure 10 is a diagram showing a method of operating an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figures 11a and 11b are diagrams showing a method of operating an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figure 12 is a diagram showing a method of performing learning in a CNN-LSTM network according to an embodiment of the present invention.
Figure 13 is a diagram showing a method of performing learning in a CNN-LSTM network according to an embodiment of the present invention.
Figure 14 is a diagram showing a method of performing prediction through a CNN-LSTM network according to an embodiment of the present invention.
Figure 15 is a diagram showing data types applied to a CNN-LSTM network according to an embodiment of the present invention.
Figure 16 is a diagram showing the specific operation of the artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figure 17 is a diagram showing the specific operation of the artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figure 18 is a diagram showing predictions made at each weir based on an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figure 19 is a diagram showing predictions made at each weir based on an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figure 20 is a diagram showing predictions made at each weir based on an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
Figure 21 is a diagram showing predictions made at each weir based on an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다. Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the attached drawings. The detailed description set forth below in conjunction with the accompanying drawings is intended to illustrate exemplary embodiments of the invention and is not intended to represent the only embodiments in which the invention may be practiced. The following detailed description includes specific details to provide a thorough understanding of the invention. However, one skilled in the art will appreciate that the present invention may be practiced without these specific details.
이하의 실시예들은 본 발명의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성할 수도 있다. 본 발명의 실시예 들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.The following embodiments combine the components and features of the present invention in a predetermined form. Each component or feature may be considered optional unless explicitly stated otherwise. Each component or feature may be implemented in a form that is not combined with other components or features. Additionally, some components and/or features may be combined to form an embodiment of the present invention. The order of operations described in embodiments of the present invention may be changed. Some features or features of one embodiment may be included in other embodiments or may be replaced with corresponding features or features of other embodiments.
이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.Specific terms used in the following description are provided to aid understanding of the present invention, and the use of such specific terms may be changed to other forms without departing from the technical spirit of the present invention.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시된다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.In some cases, in order to avoid ambiguity of the concept of the present invention, well-known structures and devices are omitted or are shown in block diagram form focusing on the core functions of each structure and device. In addition, the same components are described using the same reference numerals throughout this specification.
또한, 본 명세서에서 제1 및/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 명세서의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게, 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Additionally, in this specification, terms such as first and/or second may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another component, for example, without departing from the scope of rights according to the concepts of the present specification, a first component may be named a second component, and similarly , the second component may also be named the first component.
또한 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 그리고 명세서에 기재된 "…유닛", "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 및/또는 소프트웨어의 결합으로 구현될 수 있다. In addition, throughout the specification, when a part is said to "include" a certain component, this means that it may further include other components rather than excluding other components, unless specifically stated to the contrary. Additionally, terms such as “…unit” and “…unit” used in the specification refer to a unit that processes at least one function or operation, which may be implemented through a combination of hardware and/or software.
도 1은 본 개시에 적용되는 네트워크 환경을 나타낸 도면이다.Figure 1 is a diagram showing a network environment applied to the present disclosure.
도 1을 참조하면, 장치들(110, 120, 130, 140)은 네트워크(150)를 통해 연결될 수 있다. 일 예로, 장치들(110, 120, 130, 140)은 적어도 하나 이상의 장치 또는 서버로 유선 또는 무선 네트워크(150)를 통해 연결될 수 있으며, 이를 통해 데이터를 송수신할 수 있다. 또한, 장치들(110, 120, 130, 140)은 이동성 장치이거나, 고정형 장치일 수 있다. 구체적으로, 장치들(110, 120, 130, 140)은 스마트폰(smart phone)이나 태플릿, 웨어러블 디바이스와 같은 이동성 장치일 수 있다. 또한, 장치들(110, 120, 130, 140)은 컴퓨터, 노트북 및 PC와 같은 고정형 장치일 수 있다. 또 다른 일 예로, 장치들(110, 120, 130, 140)은 IoT(internet of things) 디바이스, VR(virtual reality)/AR(augmented reality) 디바이스 및 그 밖의 장치일 수 있으며, 특정 실시예로 한정되지 않는다.Referring to FIG. 1 , devices 110, 120, 130, and 140 may be connected through a network 150. As an example, the devices 110, 120, 130, and 140 may be connected to at least one device or server through a wired or wireless network 150, and may transmit and receive data through this. Additionally, devices 110, 120, 130, and 140 may be mobile or stationary devices. Specifically, the devices 110, 120, 130, and 140 may be mobile devices such as smart phones, tablets, and wearable devices. Additionally, devices 110, 120, 130, and 140 may be stationary devices such as computers, laptops, and PCs. As another example, the devices 110, 120, 130, and 140 may be IoT (internet of things) devices, VR (virtual reality)/AR (augmented reality) devices, and other devices, and are limited to specific embodiments. It doesn't work.
또한, 서버는 하나 이상의 장치와 네트워크(150)를 통해 연결되어 콘텐츠나 서비스를 제공하는 기능을 구비한 장치일 수 있다. 구체적인 일 예로, 서버는 네트워크(150)를 통해 접속하는 적어도 하나 이상의 장치로 서비스를 제공하거나 요청에 따른 응답을 제공할 수 있다. 여기서, 서버는 적어도 하나 이상의 장치 각각에 설치된 소프트웨어 또는 어플리케이션에 기초하여 연동될 수 있으며, 이를 통해 서비스를 제공할 수 있다.Additionally, a server may be a device that is connected to one or more devices through the network 150 and has the function of providing content or services. As a specific example, the server may provide a service or a response according to a request to at least one device connected through the network 150. Here, the server may be linked based on software or applications installed on each of at least one device, and may provide services through this.
도 2는 본 개시에 적용되는 장치 구성을 나타낸 도면이다. 도 2를 참조하면, 장치(210)는 제어부(211), 송수신부(212) 및 메모리(213)을 포함할 수 있다. 또한, 장치(210)는 상술한 구성 이외의 다른 구성을 더 포함하는 것도 가능할 수 있다. 도 2의 장치(210)는 다른 장치(220)와 통신을 통해 데이터를 송수신할 수 있으며, 사용자 디바이스일 수 있다. 일 예로, 장치(210)는 스마트폰, 스마트패드, 노트북, PC 및 그 밖의 통신이 가능한 장비들을 지칭할 수 있으며, 특정 장치로 한정되는 것은 아닐 수 있다.Figure 2 is a diagram showing the device configuration applied to the present disclosure. Referring to FIG. 2, the device 210 may include a control unit 211, a transceiver 212, and a memory 213. Additionally, the device 210 may further include other configurations other than those described above. The device 210 of FIG. 2 can transmit and receive data through communication with another device 220 and may be a user device. As an example, the device 210 may refer to a smartphone, smart pad, laptop, PC, and other communication-enabled devices, and may not be limited to a specific device.
일 예로, 장치(210)의 제어부(211)는 장치(210)의 구동 또는 동작과 관련된 명령어를 실행하고 처리하도록 구성될 수 있다. 제어부(211)는 송수신부(212) 및 그 밖의 구성을 제어하는 논리적인 엔티티일 수 있으며, 특정 실시예로 한정되지 않는다. 장치(210)의 제어부(211)는 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 일 예로, 명령은 메모리(213)에 저장되거나 송수신부(212)를 통해 획득되는 신호에 기초하여 제어부(211)에 제공될 수 있으며, 제어부(211)는 이에 기초한 동작을 수행할 수 있다.As an example, the control unit 211 of the device 210 may be configured to execute and process commands related to driving or operation of the device 210. The control unit 211 may be a logical entity that controls the transceiver 212 and other components, and is not limited to a specific embodiment. The control unit 211 of the device 210 may be configured to process commands of a computer program by performing arithmetic, logic, and input/output operations. As an example, a command may be provided to the control unit 211 based on a signal stored in the memory 213 or obtained through the transceiver 212, and the control unit 211 may perform an operation based on it.
송수신부(212)는 네트워크를 통해 다른 장치(220) 및 서버 중 적어도 어느 하나와 통신을 위한 기능을 제공할 수 있다. 일 예로, 다른 장치(220)도 제어부(221), 송수신부(222) 및 메모리(223)를 포함할 수 있다. 또한, 다른 장치(220)도 상술한 스마트 디바이스나 PC 및 그 밖의 통신이 가능한 장치일 수 있으며, 특정 실시예로 한정되지 않는다.The transceiver 212 may provide a function for communication with at least one of another device 220 and a server through a network. As an example, the other device 220 may also include a control unit 221, a transceiver 222, and a memory 223. Additionally, the other device 220 may be the above-described smart device, PC, or other communication capable device, and is not limited to a specific embodiment.
또한, 일 예로, 장치(210)는 입력부(미도시) 및 출력부(미도시)를 포함할 수 있다. 여기서, 입력부는 키보드, 마우스, 터치패드, 카메라 및 그 밖의 입력 신호를 제공하는 구성일 수 있으며, 출력부는 디스플레이나 스피커 및 그 밖의 출력 신호를 제공하는 구성일 수 있다. 다만, 이에 한정되는 것은 아닐 수 있다. 등의 장치를, 그리고 외부 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. Additionally, as an example, the device 210 may include an input unit (not shown) and an output unit (not shown). Here, the input unit may be configured to provide a keyboard, mouse, touchpad, camera, and other input signals, and the output unit may be configured to provide a display, speaker, and other output signals. However, it may not be limited to this. Devices such as, and external output devices may include devices such as displays, speakers, haptic feedback devices, etc.
메모리(213)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory)와 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있으며, 특정 형태로 한정되지 않는다. 또한, 메모리(213)에는 장치(210)의 구동 또는 동작과 관련된 명령어나 프로그램 코드를 저장할 수 있다. 또한, 메모리(213)에는 장치(210)의 운영체제나 기타 소프트웨어들이 저장될 수 있다. 또한, 일 예로, 장치(210)는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩되는 소프트웨어를 이용할 수 있다. 여기서, 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 및 그 밖의 기록매체를 포함할 수 있으며, 특정 실시예로 한정되지 않는다.The memory 213 is a non-transitory computer-readable recording medium, and is a non-perishable large capacity device such as random access memory (RAM), read only memory (ROM), disk drive, solid state drive (SSD), and flash memory. It may include a permanent mass storage device and is not limited to a specific form. Additionally, the memory 213 may store instructions or program codes related to driving or operation of the device 210. Additionally, the memory 213 may store the operating system or other software of the device 210. Additionally, as an example, the device 210 may use software loaded from a recording medium that can be read by a separate computer. Here, computer-readable recording media may include floppy drives, disks, tapes, DVD/CD-ROM drives, memory cards, and other recording media, and are not limited to specific embodiments.
하기에서는 상술한 네트워크(150)에 기초하여 데이터 송수신이 가능한 장치들(110, 120, 130, 140)에 의해 인공지능 기반 학습이 수행될 수 있다. 또한, 각각의 장치들(110, 120, 130, 140)은 네트워크(150)를 통해 데이터를 송수신하여 하기의 동작들을 수행할 수 있다. 또한, 일 예로, 인공지능 딥러닝을 활용한 녹조 예측 플랫폼은 상술한 네트워크(150)에 기초하여 다양한 형태의 장치들로부터 데이터를 획득하여 학습을 수행할 수 있다. 또한, 인공지능 딥러닝을 활용한 녹조 예측 플랫폼은 인퍼런스를 수행하여 예측 값을 도출하고, 도출된 예측 값을 다양한 형태의 장치들로 제공할 수 있으며, 특정 실시예로 한정되지 않는다. 즉, 하기의 사항들은 상술한 네트워크(150)에 기초하여 데이터 송수신이 가능한 장치들에서 적용될 수 있으며, 하기에서는 이를 위한 구체적인 사항에 대해 서술한다.In the following, artificial intelligence-based learning can be performed by devices 110, 120, 130, and 140 capable of transmitting and receiving data based on the network 150 described above. Additionally, each of the devices 110, 120, 130, and 140 can transmit and receive data through the network 150 and perform the following operations. Additionally, as an example, a green algae prediction platform using artificial intelligence deep learning can acquire data from various types of devices based on the network 150 described above and perform learning. In addition, the green algae prediction platform using artificial intelligence deep learning can perform inference to derive predicted values, provide the derived predicted values to various types of devices, and is not limited to specific embodiments. That is, the following matters can be applied to devices capable of transmitting and receiving data based on the above-described network 150, and specific details for this are described below.
도 3은 본 발명의 일 실시예에 따라 인공지능 딥러닝을 활용한 녹조 예측 플랫폼을 나타낸 도면이다. 도 3을 참조하면, 인공지능 딥러닝 녹조 예측 플랫폼(300)은 데이터베이스(310), 서버(320) 및 사용자(330)를 포함할 수 있다. 일 예로, 데이터베이스(310)는 인공지능 프로그램을 구비한 각각의 사용자(331, 332, 333)로부터 데이터를 획득하고, 획득한 데이터를 서버(320)로 제공할 수 있다. 서버(320)는 제공받은 데이터에 기초하여 학습모델에 대한 학습을 수행할 수 있다. 그 후, 서버(320)는 각각의 사용자(331, 332, 333) 요청에 따라 학습 모델에서 인퍼런스를 수행하여 결과 값을 제공할 수 있다.Figure 3 is a diagram showing a green algae prediction platform using artificial intelligence deep learning according to an embodiment of the present invention. Referring to FIG. 3, the artificial intelligence deep learning green algae prediction platform 300 may include a database 310, a server 320, and a user 330. As an example, the database 310 may obtain data from each user 331, 332, and 333 equipped with an artificial intelligence program and provide the obtained data to the server 320. The server 320 may perform learning on the learning model based on the provided data. Afterwards, the server 320 may perform inference on the learning model according to the requests of each user 331, 332, and 333 and provide a result value.
보다 상세하게는, 인공지능 딥러닝 녹조 예측 플랫폼(300)은 데이터베이스, 전처리(preprocessing), 학습 모델, 모델 트레이닝 및 모델 인퍼런스 기능을 수행할 수 있다. 구체적으로, 데이터베이스는 학습 모델에 사용할 데이터 셋을 생성할 수 있다. 일 예로, 데이터베이스에는 녹조 예측을 위한 각 지점 정보, 각각의 변수 정보 및 그 밖의 정보가 데이터 셋으로 저장될 수 있다. 그 후, 데이터 셋에 대한 전처리(preprocessing)이 수행될 수 있다. 즉, 학습 모델로 데이터 셋이 입력되기 전에 전처리 과정이 수행될 수 있다. 일 예로, 녹조 예측을 고려하여 입력 데이터에 대한 변수로 측정망 분류 정보, 지점 정보 및 변수명 정보 중 적어도 어느 하나가 반영될 수 있다. 일 예로, 전처리 과정은 결측 값 및 노이즈에 의한 오류 값 처리, 변수 분해, 차원 축 및 그 밖의 기능을 지원할 수 있으며, 하기 표 1의 기능을 지원할 수 있다. More specifically, the artificial intelligence deep learning green algae prediction platform 300 can perform database, preprocessing, learning model, model training, and model inference functions. Specifically, a database can create data sets to be used in learning models. As an example, information on each point for predicting green algae, information on each variable, and other information may be stored as a data set in the database. Afterwards, preprocessing on the data set may be performed. In other words, a preprocessing process can be performed before the data set is input to the learning model. For example, in consideration of green algae prediction, at least one of measurement network classification information, point information, and variable name information may be reflected as a variable for input data. As an example, the preprocessing process may support error value processing due to missing values and noise, variable decomposition, dimensional axis, and other functions, and may support the functions shown in Table 1 below.
인공지능 딥러닝 플랫폼(300)은 데이터 셋에 대한 전처리 과정을 수행하여 학습 모델에 적용할 수 있다. 학습 모델은 모델 아키텍처를 생성하고, 데이터 셋의 각 변수를 모델에 입력으로 제공할 수 있다. 일 예로, 인공지능 딥러닝 플랫폼(300)은 신경망 레이어를 지원할 수 있으며, 레이어 조합의 편리성을 위해 레이어 박스를 구성할 수 있다. 일 예로, 주요 레이어가 결정되고, 부수적인 레이어는 주요 레이어의 특성으로 표출될 수 있다. 또한, 일 예로, 각 레이어에 대한 커스텀 작업이 수행될 수 있으며, 커스텀 레이어들을 연결하여 신경망 모형 구조가 형성될 수 있으나, 이에 한정되는 것은 아닐 수 있다. 구체적인 일 예로, 신경망 모형의 첫 번째 층(Row:1)에 4 열(Column:1~4) 모델이 병렬로 존재할 수 있다. 또한, 두 번째 층(Row:2)에는 'DNN_v1' 유닛이 2 열(Column:2 )에 존재하고, 1층인 'CNN-LSTM_v2'와 연결될 수 있다. 세 번째 층(Row:3)은 병합 유닛으로 열(Column)의 입력(1,2,3열)에 따라 각 열의 마지막 유닛(1열:CNN-LSTM_v1, 2열:DNN_v1, 3열:CNN_LSTM_v3)을 병합할 수 있으나, 이에 한정되는 것은 아닐 수 있다.The artificial intelligence deep learning platform 300 can perform a preprocessing process on the data set and apply it to the learning model. A learning model creates a model architecture and can provide each variable in the data set as input to the model. As an example, the artificial intelligence deep learning platform 300 can support neural network layers and can configure a layer box for convenience of layer combination. For example, the main layer may be determined, and the minor layers may be expressed as characteristics of the main layer. Additionally, as an example, custom work may be performed for each layer, and a neural network model structure may be formed by connecting custom layers, but the present invention may not be limited to this. As a specific example, 4 columns (Column: 1 to 4) models may exist in parallel in the first layer (Row: 1) of the neural network model. Additionally, in the second layer (Row:2), the 'DNN_v1' unit exists in the second row (Column:2) and can be connected to 'CNN-LSTM_v2' on the first layer. The third layer (Row: 3) is a merge unit, and according to the column input (columns 1, 2, and 3), the last unit of each column (column 1: CNN-LSTM_v1, column 2: DNN_v1, column 3: CNN_LSTM_v3) may be merged, but may not be limited to this.
결정된 학습 모델에 대해서는 모델 트레이닝이 수행될 수 있다. 모델 트레이닝은 앞서 만들어진 모델들을 한번에 학습시켜 학습 진행도 및 모델별 결과를 확인할 수 있다. 그 후, 트레이닝된 학습 모델에 입력을 제공하여 출력을 획득하는 모델 인퍼런스가 수행될 수 있다. 일 예로, 트레이닝된 학습 모델에 예측기간 데이터가 입력으로 제공되고, 예측 결과가 출력으로 도출될 수 있다. 즉, 인공지능 딥러닝 플랫폼(300)은 데이터베이스에서 데이터 셋을 확보하여 전처리 수행 후 선택한 학습 모델에 대한 트레이닝을 수행할 수 있다. 또한, 트레이닝된 학습 모델에 예측 기간 데이터를 입력으로 제공하여 모델 인퍼런스를 통해 예측 결과를 출력으로 도출할 수 있다.Model training may be performed on the determined learning model. Model training trains previously created models at once, allowing you to check the learning progress and results for each model. Afterwards, model inference may be performed to obtain an output by providing input to the trained learning model. As an example, prediction period data may be provided as input to a trained learning model, and prediction results may be derived as output. In other words, the artificial intelligence deep learning platform 300 can secure a data set from a database, perform preprocessing, and then perform training for the selected learning model. Additionally, by providing prediction period data as input to the trained learning model, prediction results can be derived as output through model inference.
도 4a 및 도 4b는 본 발명의 일 실시예에 따라 인공지능 플랫폼 인터페이스를 나타낸 도면이다. 도 4a 및 도 4b를 참조하면, 인공지능 플랫폼 인터페이스(4O0)는 상술한 인공지능 딥러능 플랫폼(300)에 기초하여 사용자에게 제공되는 인터페이스일 수 있다. 여기서, 인공지능 플랫폼 인터페이스(400)는 권한이 부여된 사용자의 입력에 기초하여 인공지능 딥러닝 플랫폼(300)을 통해 인공지능 모델을 선택하여 학습을 수행 후 예측을 제공할 수 있다. 즉, 인공지능 플랫폼 인터페이스(400)는 특정 사용자에게 제공되는 유저 인터페이스일 수 있으며, 이에 따라 인공지능 기반 녹조 예측이 수행될 수 있다. 일 예로, 도 4a를 참조하면, 인공지능 플랫폼 인터페이스(400)는 메인화면 제공부(410), 데이터부(420), 인공지능 모델 제공부(430), 인공지능 모델 학습부(440) 및 예측부(450) 중 적어도 어느 하나를 포함할 수 있다. Figures 4a and 4b are diagrams showing an artificial intelligence platform interface according to an embodiment of the present invention. Referring to FIGS. 4A and 4B, the artificial intelligence platform interface 4O0 may be an interface provided to the user based on the artificial intelligence deep learning platform 300 described above. Here, the artificial intelligence platform interface 400 may select an artificial intelligence model through the artificial intelligence deep learning platform 300 based on the input of an authorized user, perform learning, and provide predictions. That is, the artificial intelligence platform interface 400 may be a user interface provided to a specific user, and accordingly, artificial intelligence-based green algae prediction may be performed. As an example, referring to Figure 4a, the artificial intelligence platform interface 400 includes a main screen providing unit 410, a data unit 420, an artificial intelligence model providing unit 430, an artificial intelligence model learning unit 440, and a prediction unit. It may include at least one of the parts 450.
일 예로, 도 4b를 참조하면, 메인화면 제공부(410)는 각 기능을 제공하는 패널의 접기 및 펼치기 기능을 제공할 수 있다. 역기서, 메인화면 제공부(410)의 패널에는 상술한 데이터부(420), 인공지능 모델 제공부(430), 인공지능 모델 학습부(440) 및 예측부(450)를 위한 각 탭이 구성될 수 있으며, 각 탭에 기초하여 각 기능이 수행될 수 있다. 일 예로, 메인화면 제공부(410)는 서버 컴퓨터의 자원 사용도 및 물리 상태 정보를 제공할 수 있으며, 도 4b와 같을 수 있다. 또한, 일 예로, 메인화면 제공부(410)는 사용자들의 서버 동시 사용 상황 정보를 제공할 수 있으며, 사용자 간 서버 사용에 대한 배분 기능을 제공할 수 있다.As an example, referring to FIG. 4B, the main screen providing unit 410 may provide folding and unfolding functions of panels providing each function. Translation, the panel of the main screen providing unit 410 is configured with tabs for the above-described data unit 420, artificial intelligence model providing unit 430, artificial intelligence model learning unit 440, and prediction unit 450. can be performed, and each function can be performed based on each tab. As an example, the main screen provider 410 may provide resource usage and physical state information of the server computer, as shown in FIG. 4B. Additionally, as an example, the main screen provider 410 may provide information on users' simultaneous use of the server and may provide a function for distributing server use among users.
도 5a 내지 도 5d는 본 발명의 일 실시예에 따라 인공지능 플랫폼 인터페이스(400)의 데이터부를 나타낸 도면이다. 도 5a를 참조하면, 데이터부(420)는 데이터베이스부(421) 및 전처리부(422)를 포함할 수 있다. 일 예로, 메인화면 제공부(410)의 패널 내에 데이터부 탭에 대한 사용자 입력에 기초하여 데이터부(420)가 동작하여 데이터 정보를 제공할 수 있다. 일 예로, 데이터부(420)는 데이터 셋 정보를 제공할 수 있다. 데이터 셋 정보는 기상, 수질 측정망, 수질 자동 측정망, 유량, 수위, 댐보운영 및 그 밖의 자료에 대한 정보일 수 있다. 또 다른 일 예로, 데이터 셋은 사용자에 의해 정의되어 입력되는 데이터를 포함할 수 있다. Figures 5a to 5d are diagrams showing the data portion of the artificial intelligence platform interface 400 according to an embodiment of the present invention. Referring to FIG. 5A, the data unit 420 may include a database unit 421 and a preprocessing unit 422. As an example, the data unit 420 may operate based on a user input on the data tab within the panel of the main screen providing unit 410 to provide data information. As an example, the data unit 420 may provide data set information. Data set information may be information about weather, water quality measurement network, automatic water quality measurement network, flow rate, water level, dam operation, and other data. As another example, a data set may include data defined and input by a user.
또한, 데이터부(420)는 데이터베이스부(421)와 전처리부(422)를 포함할 수 있으며, 데이터부(420)에서 제공되는 탭에 기초하여 구분될 수 있다. 일 예로, 데이터베이스부(421)는 상술한 데이터 셋으로 제공되는 데이터를 조회하고 제공하는 기능을 수행할 수 있다. 데이터베이스부(421)는 데이터베이스 내의 데이터를 트리형으로 제공할 수 있다. 또한, 데이터베이스부(421)는 변수 체크박스 기능, 선택 변수 박스 기능, 선택 변수 박스에서 해당 변수 삭제 기능, 선택 지점 지도에서 위치 표시 기능, 데이터 조회 기간 선택 기능, 기간 내 데이터의 관측 수, 결측 수, 0값수 등 요약 정보 표출 기능 및 기간 내 데이터 시계열 그래프 기능 중 적어도 어느 하나를 포함할 수 있으며, 도 5b와 같을 수 있다. 즉, 데이터베이스부(421)는 저장되어 있는 데이터를 선택하도록 하는 기능을 제공할 수 있다. Additionally, the data unit 420 may include a database unit 421 and a preprocessing unit 422, and may be divided based on tabs provided in the data unit 420. As an example, the database unit 421 may perform a function of searching and providing data provided in the above-described data set. The database unit 421 may provide data in the database in a tree format. In addition, the database unit 421 has a variable check box function, a selection variable box function, a function to delete the variable from the selection variable box, a function to display the location of the selected point on the map, a function to select a data search period, the number of observations of data within the period, and the number of missing data. It may include at least one of a summary information display function such as , zero value number, etc., and a data time series graph function within a period, and may be as shown in FIG. 5B. That is, the database unit 421 can provide a function to select stored data.
여기서, 전처리부(422)는 조회된 자료 결측, 로그 치환, 보간 및 그 밖의 전처리 관련 데이터 및 사용자에 의해 정의되는 데이터 입력을 제공할 수 있다. 전처리부(422)는 데이터베이스(421)로부터 선택된 데이터에 대한 전처리 작업을 수행하여 인공지능 모델에 입력으로 제공되는 입력 데이터 셋을 구성할 수 있다. 일 예로, 전처리부(422)는 선택 데이터 확인 기능, 데이터 기간 설정 기능, 데이터 표출 기능, 데이터 통계 표출 기능 및 데이터 그래프 표출 기능 중 적어도 어느 하나를 포함할 수 있으며, 도 5c와 같을 수 있다. 여기서, 전처리부(422)는 사용자의 선택에 기초하여 데이터에 대한 기간 정보를 제공할 수 있다. 또한, 전처리부(422)는 데이터를 로드하여 편집 후 데이터 정보를 확인하여 그래프 정보를 제공할 수 있다. 그 후, 전처리부(422)는 데이터를 저장한 후 데이터 프로세싱 방법(processing method)를 선택할 수 있다. 또한, 전처리부(422)는 프로세싱 방법별로 속성(attribute)를 설정할 수 있다. 즉, 사용자는 전처리부(422)에 기초하여 전처리를 희망하는 데이터를 선택하고, 선택한 데이터에 대한 프로세싱 방법을 결정할 수 있다. 그 후 결정된 프로세싱 방법에 따라 속성을 설정한 후에 전처리 동작이 적용될 수 있으며, 이는 도 5d와 같다. 그 후, 전처리된 데이터는 입력 데이터 셋으로 저장되어 인공지능 모델 제공부(430)의 입력으로 제공될 수 있다.Here, the preprocessor 422 may provide data related to missing data, log substitution, interpolation, and other preprocessing, as well as data input defined by the user. The preprocessing unit 422 may perform preprocessing on data selected from the database 421 to configure an input data set provided as input to the artificial intelligence model. As an example, the preprocessor 422 may include at least one of a selection data confirmation function, a data period setting function, a data display function, a data statistics display function, and a data graph display function, and may be as shown in FIG. 5C. Here, the preprocessor 422 can provide period information about data based on the user's selection. Additionally, the preprocessor 422 can load data, check data information after editing, and provide graph information. Thereafter, the preprocessor 422 may store the data and then select a data processing method. Additionally, the preprocessor 422 can set attributes for each processing method. That is, the user can select data desired to be pre-processed based on the pre-processing unit 422 and determine a processing method for the selected data. Afterwards, a preprocessing operation can be applied after setting the properties according to the determined processing method, as shown in Figure 5d. Afterwards, the preprocessed data can be saved as an input data set and provided as input to the artificial intelligence model providing unit 430.
도 6a 내지 도 6g는 본 발명의 일 실시예에 따라 인공지능 플랫폼 인터페이스(400)의 인공지능 모델 제공부(430) 및 인공지능 모델 학습부(440)를 나타낸 도면이다. 도 6a를 참조하면, 인공지능 모델 제공부(430)는 입력 데이터 셋이 적용되는 인공지능 모델을 제공할 수 있다. 여기서, 인공지능 모델은 RNN, LSTM, GLUE, CNN-LSTM 및 그 밖의 알고리즘을 포함할 수 있으며, 특정 형태의 인공지능 모델만으로 한정되는 것은 아닐 수 있다. 또한, 인공지능 모델 제공부(430)는 인공지능 모델 알고리즘 선택하여 다양한 형태의 조합에 기초하여 인공지능 모델을 구축할 수 있다. 구체적인 일 예로, 인공지능 모델 제공부(430)는 모델 레이어 선택부(431), 레이어 속성 결정부(432), 레이어 연결부(433) 및 모델 구성 및 저장부(434) 중 적어도 어느 하나를 포함할 수 있다. 여기서, 모델 레이어 선택부(431)는 인공지능 모델의 레이어를 선택하도록 할 수 있다. 또한, 레이어 속성 결정부(432)는 각 레이어별 속성을 설정하도록 할 수 있으며, 이는 도 6b와 같을 수 있다. 즉, 사용자는 원하는 레이어를 선택하고, 각 레이어에 대한 속성을 설정하여 추가함으로써 레이어를 쌓을 수 있으며, 이에 따라 모델을 구축할 수 있다. Figures 6a to 6g are diagrams showing the artificial intelligence model providing unit 430 and the artificial intelligence model learning unit 440 of the artificial intelligence platform interface 400 according to an embodiment of the present invention. Referring to FIG. 6A, the artificial intelligence model providing unit 430 may provide an artificial intelligence model to which an input data set is applied. Here, the artificial intelligence model may include RNN, LSTM, GLUE, CNN-LSTM, and other algorithms, and may not be limited to only a specific type of artificial intelligence model. In addition, the artificial intelligence model provider 430 can select an artificial intelligence model algorithm and build an artificial intelligence model based on a combination of various types. As a specific example, the artificial intelligence model providing unit 430 may include at least one of a model layer selection unit 431, a layer attribute determination unit 432, a layer connection unit 433, and a model configuration and storage unit 434. You can. Here, the model layer selection unit 431 can select a layer of the artificial intelligence model. Additionally, the layer property determination unit 432 can set properties for each layer, which may be as shown in FIG. 6B. In other words, users can stack layers by selecting the desired layer, setting and adding properties for each layer, and building a model accordingly.
그 후, 레이어 연결부(433)에 기초하여 모델의 레이어들을 연결하고, 머지된 레이어들을 연결하여 최종 모델을 구축할 수 있다. 여기서, 모델 구성 및 저장부(434)는 현재 인공지능 모델의 레이어 정보를 제공하고, 해당 정보를 저장할 수 있다. 구체적으로, 사용자는 각 레이어별 연결과 머지 레이어 설정을 수행하고, 행과 열 값을 통해 레이어의 위치를 지정할 수 있다. 그 후, 사용자는 입력 데이터 셋과 구축된 인공지능 모델에 기초하여 입력과 출력을 지정할 수 있으며, 이는 도 6c 및 도 6d와 같을 수 있다.Afterwards, the final model can be built by connecting the layers of the model based on the layer connection unit 433 and connecting the merged layers. Here, the model configuration and storage unit 434 can provide layer information of the current artificial intelligence model and store the information. Specifically, users can perform connection and merge layer settings for each layer and specify the location of the layer through row and column values. Afterwards, the user can specify input and output based on the input data set and the constructed artificial intelligence model, which may be shown in FIGS. 6C and 6D.
그 후, 인공지능 모델 학습부(440)는 구축된 인공지능 모델에 기초하여 학습을 수행할 수 있다. 이때, 학습 구성 설정부(441)는 학습 구성(training configuration)을 설정할 수 있다. 모델 학습 모니터링부(442)는 모델의 학습 현황 및 현재 모델 상태 정보를 제공하면서 학습을 수행할 수 있다. 그 후, 모델 상태 확인부(443)는 디버깅을 수행하여 모델 학습에 에러가 존재하는지 여부를 확인할 수 있다. 그 후, 학습 결과 확인부(444)는 학습 로그 값을 확인하여 학습 및 유효 손실(validation loss) 값에 대한 그래프 정보를 도출하여 결과를 제공할 수 있으며, 상술한 바에 기초하여 인공지능 모델 학습이 완료될 수 있으며, 도 6f 및 도 6g와 같을 수 있다.Afterwards, the artificial intelligence model learning unit 440 may perform learning based on the constructed artificial intelligence model. At this time, the learning configuration setting unit 441 can set a training configuration. The model learning monitoring unit 442 can perform learning while providing model learning status and current model status information. Afterwards, the model status check unit 443 can perform debugging to check whether an error exists in model learning. Afterwards, the learning result confirmation unit 444 can check the learning log value, derive graph information about the learning and validation loss values, and provide a result. Based on the above, the artificial intelligence model learning is performed. It can be completed and can look like FIGS. 6F and 6G.
또한, 일 예로, 도 7a 및 도 7b는 본 발명의 일 실시예에 따라 예측부(450)를 나타낸 도면이다. 도 7a를 참조하면, 예측부(450)는 선택 모델 확인부(451), 모델 리스트 선택부(452) 및 디버그 확인부(453) 중 적어도 어느 하나를 포함할 수 있다. 여기서, 선택 모델 확인부(451)는 선택된 인공지능 모델 정보를 확인하도록 할 수 있다. 일 예로, 사용자는 선택된 인공지능 모델에 대한 정보로써 선택한 입력 데이터 셋 정보, 입력 정보, 출력 정보, 학습 정보 및 유효 손실 정보 중 적어도 어느 하나를 확인할 수 있다. 그 후, 사용자는 모델 리스트 선택부(452)에 기초하여 인공지능 모델 리스트에서 특정 인공지능 모델을 선택할 수 있으며, 디버그 확인부(453)에 기초하여 오류를 확인할 수 있다. 또한, 사용자는 선택한 인공지능 모델에 기초하여 예측 기간을 설정하고, 이에 기초하여 예측을 실행할 수 있으며, 이는 도 7b와 같을 수 있다.Additionally, as an example, FIGS. 7A and 7B are diagrams showing the prediction unit 450 according to an embodiment of the present invention. Referring to FIG. 7A, the prediction unit 450 may include at least one of a selection model confirmation unit 451, a model list selection unit 452, and a debug confirmation unit 453. Here, the selection model confirmation unit 451 can confirm the selected artificial intelligence model information. As an example, the user can check at least one of the selected input data set information, input information, output information, learning information, and effective loss information as information about the selected artificial intelligence model. Afterwards, the user can select a specific artificial intelligence model from the artificial intelligence model list based on the model list selection unit 452 and check errors based on the debug confirmation unit 453. Additionally, the user can set a prediction period based on the selected artificial intelligence model and execute a prediction based on this, which may be shown in FIG. 7B.
상술한 바에 기초하여 인공지능 딥러닝 플랫폼(300)을 통해 제공되는 인공지능 플랫폼 인터페이스(400)를 통해 권한을 부여받은 사용자는 인공지능 모델에 적용될 데이터 셋을 확인하여 인공지능 모델 학습을 수행하고, 학습된 인공지능 모델 중 특정 인공지능 모델을 선택하여 예측 동작을 수행할 수 있다.Based on the above, an authorized user through the artificial intelligence platform interface 400 provided through the artificial intelligence deep learning platform 300 checks the data set to be applied to the artificial intelligence model and performs artificial intelligence model learning, You can perform prediction operations by selecting a specific artificial intelligence model among the learned artificial intelligence models.
일 예로, 상술한 바에서 다양한 인공지능 모델로서 인공지능 모델 리스트가 제공될 수 있으며, 특정 형태로 한정되는 것은 아닐 수 있다. 다만, 하기에서는 설명의 편의를 위해 CNN-LSTM이 인공지능 모델로 선택된 경우를 기준으로 서술한다. 다만, 이는 하나의 일 예일 뿐, 상술한 실시예로 한정되는 것은 아닐 수 있다.As an example, as described above, an artificial intelligence model list may be provided as a variety of artificial intelligence models, and may not be limited to a specific form. However, for convenience of explanation, the description below is based on the case where CNN-LSTM was selected as the artificial intelligence model. However, this is only one example and may not be limited to the above-described embodiment.
도 8a는 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조예측 장치를 나타낸 도면이다. 일 예로, 인공지능 딥러닝 녹조 예측 장치(810)는 상술한 바와 같이 인공지능 모델이 CNN-LSTM으로 선택된 경우를 기준으로 서술하지만, 이에 한정되지 않고 다른 인공지능 모델에도 동일하게 적용될 수 있다. 인공지능 딥러닝 녹조 예측 장치(810)는 입력부(811), CNN 동작부(812), 데이터 셋 추출부(813), CNN-LSTM 동작부(814), 검증부(815) 및 출력부(816) 중 적어도 어느 하나를 포함할 수 있다. 여기서, 입력부(811)는 데이터베이스로부터 입력을 제공받을 수 있다. 일 예로, 입력은 공간적 정보 및 시간적 정보일 수 있다. 구체적인 일 예로, 입력은 녹조 관련 이미지 정보로 초분광 이미지나 위성 이미지 및 그 밖의 이미지를 포함할 수 있다. 또한, 일 예로, 입력은 시간적 정보로 일간 정보, 주간 정보, 월간 정보 및 그 밖의 기간에 기초한 정보를 포함할 수 있으며, 특정 형태로 한정되지 않는다.Figure 8a is a diagram showing an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention. As an example, the artificial intelligence deep learning green algae prediction device 810 is described based on the case where the artificial intelligence model is selected as CNN-LSTM as described above, but it is not limited to this and can be equally applied to other artificial intelligence models. The artificial intelligence deep learning green algae prediction device 810 includes an input unit 811, a CNN operation unit 812, a data set extraction unit 813, a CNN-LSTM operation unit 814, a verification unit 815, and an output unit 816. ) may include at least one of the following. Here, the input unit 811 can receive input from the database. As an example, input may be spatial information and temporal information. As a specific example, the input may include hyperspectral images, satellite images, and other images as image information related to green algae. Additionally, as an example, the input may include daily information, weekly information, monthly information, and other period-based information as temporal information, and is not limited to a specific form.
또한, 일 예로, CNN 동작부(812)는 입력부(811)로부터 제공받은 입력을 CNN에 적용할 수 있다. 여기서, CNN에 적용되는 입력은 상술한 공간적 이미지 및 시간적 이미지 중 적어도 어느 하나일 수 있다. 또한, 일 예로, CNN 동작부(812)는 입력에 기초하여 합성곱을 통해 특징 맵을 추출하는 컨볼루션 레이어, 추출된 특징 맵에 기초하여 차원을 감소하는 폴링 레이어, 모든 노드가 연결된 완전 연결 레이어 및 0 내지 1 값으로 정규화하여 제1 출력을 도출하는 소프트맥스 레이어를 포함할 수 있으며, 이와 관련해서는 후술한다. 여기서, CNN 동작부(812)의 출력은 상술한 적어도 하나의 레이어에 기초하여 특정 값으로 도출될 수 있다. 여기서, 일 예로, 녹조와 관련된 초분광 이미지 및 녹조와 관련된 위성 이미지가 입력에 포함되어 CNN 동작부에 제공되고, 적어도 하나의 레이어에 기초하여 출력에 반영될 수 있다. 또 다른 일 예로, 녹조 관련 정보로서 강수량 정보, 수온 정보 및 그 밖의 정보로서 일간 데이터가 입력에 포함되어 CNN 동작부에 적용되는 경우, 일간 데이터는 이미지 픽셀 형태로 CNN 동작부에 적용되어 적어도 하나의 레이어에 기초하여 출력에 반영될 수 있으며, 이와 관련하여 후술한다.Additionally, as an example, the CNN operating unit 812 may apply the input provided from the input unit 811 to the CNN. Here, the input applied to the CNN may be at least one of the spatial images and temporal images described above. Additionally, as an example, the CNN operation unit 812 includes a convolutional layer that extracts a feature map through convolution based on the input, a polling layer that reduces the dimensionality based on the extracted feature map, a fully connected layer where all nodes are connected, and It may include a softmax layer that derives the first output by normalizing it to a value of 0 to 1, which will be described later. Here, the output of the CNN operating unit 812 may be derived as a specific value based on the at least one layer described above. Here, as an example, a hyperspectral image related to green algae and a satellite image related to green algae are included in the input and provided to the CNN operation unit, and may be reflected in the output based on at least one layer. As another example, when daily data such as precipitation information, water temperature information, and other information as green algae-related information are included in the input and applied to the CNN operation unit, the daily data is applied to the CNN operation unit in the form of image pixels to generate at least one It can be reflected in the output based on the layer, and this will be described later.
데이터 셋 추출부(813)는 CNN 동작부(812)에 의해 도출된 출력 및 입력부에서 제공받는 입력 중 적어도 어느 하나에 기초하여 데이터 셋을 획득할 수 있다. 즉, 데이터 셋은 CNN 동작부(812)를 거친 정보 및 입력부로부터 바로 획득한 정보를 포함할 수 있다. CNN-LSTM 동작부(814)는 데이터 셋 추출부(813)에서 도출된 데이터 셋을 CNN-LSTM에 적용할 수 있다. 여기서, 데이터 셋은 시퀀스 형태의 데이터일 수 있다. 검증부(815)는 CNN-LSTM 동작부(814)에서 도출된 출력에 대한 검증을 수행하고, 출력부(816)는 검증된 최종 출력을 제공할 수 있다. 여기서 최종 출력은 조류 발생량 정보일 수 있다. 이때, 일 예로, CNN-LSTM에 적용되는 데이터 셋은 CNN 동작부(812)의 출력 및 최종 출력으로 조류 발생량 정보를 포함하는 시퀀스 형태의 데이터일 수 있다. 구체적인 일 예로, 데이터 셋은 특정 값으로 도출된 제1 출력, 수온 정보, TN(Total Nitrogen, 총 질소) 정보, TP(Total Phosphors, 총 인) 정보, DO(Dissolved Oxygen, 용존 산소량) 정보 및 조류 발생량 정보 중 적어도 어느 하나를 포함하는 시퀀스 형태의 데이터로 구성되어 CNN-LSTM 동작부(814)에 적용될 수 있다. 또한, CNN-LSTN 동작부(814)는 과거 정보량을 결정하는 망각 게이트부(forget gate), 현재 정보량을 결정하는 입력 게이트부(input gate), 망각 게이트부 및 입력 게이트부에 기초하여 셀 상태를 업데이트하는 업데이트 게이트부(update gate) 및 업데이트된 셀 상태를 출력하는 출력 게이트부(output gate)를 포함할 수 있으며, 이와 관련하여 후술한다.The data set extraction unit 813 may obtain a data set based on at least one of the output derived from the CNN operating unit 812 and the input provided from the input unit. That is, the data set may include information that has passed through the CNN operating unit 812 and information obtained directly from the input unit. The CNN-LSTM operation unit 814 can apply the data set derived from the data set extraction unit 813 to CNN-LSTM. Here, the data set may be data in the form of a sequence. The verification unit 815 may verify the output derived from the CNN-LSTM operation unit 814, and the output unit 816 may provide the verified final output. Here, the final output may be information on the amount of algae generated. At this time, as an example, the data set applied to CNN-LSTM may be data in the form of a sequence including information on the amount of algae generated as the output and final output of the CNN operation unit 812. As a specific example, the data set includes the first output derived from a specific value, water temperature information, TN (Total Nitrogen) information, TP (Total Phosphors) information, DO (Dissolved Oxygen) information, and algae. It may be composed of sequence-type data including at least one of the generation amount information and applied to the CNN-LSTM operation unit 814. In addition, the CNN-LSTN operation unit 814 determines the cell state based on a forget gate that determines the past information amount, an input gate that determines the current information amount, and a forget gate and input gate unit. It may include an update gate for updating and an output gate for outputting the updated cell state, which will be described later.
도 8b는 본 발명의 일 실시예에 따라 심플 신경망과 딥러닝 신경망의 차이를 나타낸 도면이다. 일 예로, 인공 신경망으로 심플 신경망(821)은 입력층에서 제공되는 입력 데이터가 히든 레이어를 통해 처리되어 출력층으로 도출되는 인공 신경망일 수 있다. 여기서, 인공 신경망은 동물의 신경세포들의 합성 동작을 모방하여 만든 처리 과정을 의미할 수 있다. 일 예로, 심플 신경망(821)은 하나의 히든 레이어에 의해 입력 데이터가 처리되어 출력으로 도출될 수 있다. 반면, 딥러닝 신경망(822)은 여러 계층을 쌓아서 만든 깊은 신경망(Deep Neural Network)을 의미할 수 있다. 즉, 딥러닝 신경망은 복수의 히든 레이어를 포함할 수 있으며, 히든 레이어들 각각의 상호 간의 관계를 고려하여 출력 데이터가 도출되기 때문에 데이터 처리 양이 심플 신경망보다 방대할 수 있으나, 예측 정확도는 더 높을 수 있다. 여기서, 녹조 예측을 위해서는 딥러닝 신경망(822)에 기초한 기법이 적용될 수 있다. 일 예로, 녹조 예측을 위해 딥러닝 신경망(822)에 기초하여 시계열 데이터에 대한 학습이 수행되어 결과 값이 도출될 수 있다. 또 다른 일 예로, 딥러닝 신경망으로 CNN(convolution neural network)과 LSTM(long short term memory)을 결합한 녹조 예측 신경망으로 녹조 예측 정확도를 높여 고도화 할 수 있으며, 이와 관련하여 후술한다.Figure 8b is a diagram showing the difference between a simple neural network and a deep learning neural network according to an embodiment of the present invention. As an example, the simple neural network 821 may be an artificial neural network in which input data provided from the input layer is processed through a hidden layer and derived as an output layer. Here, the artificial neural network may refer to a processing process created by imitating the synthetic behavior of animal nerve cells. As an example, the simple neural network 821 may process input data through one hidden layer and produce output. On the other hand, the deep learning neural network 822 may refer to a deep neural network created by stacking several layers. In other words, a deep learning neural network may include multiple hidden layers, and output data is derived by considering the relationship between each hidden layer, so the amount of data processing may be more extensive than a simple neural network, but the prediction accuracy will be higher. You can. Here, a technique based on a deep learning neural network 822 can be applied to predict green algae. As an example, to predict green algae, learning on time series data may be performed based on the deep learning neural network 822 and a result value may be derived. As another example, a green algae prediction neural network that combines CNN (convolution neural network) and LSTM (long short term memory) as a deep learning neural network can be advanced to increase the accuracy of green algae prediction, which will be described later.
도 9a는 본 발명의 일 실시예에 따라 CNN(convolution neural network) 동작을 나타낸 도면이다. 일 예로, CNN은 글자, 이미지 또는 사물 인식에서 주로 적용되는 신경망일 수 있다. 도 9a를 참조하면, CNN 신경망에서는 대표 값(910)에 기초하여 CNN 커널(필터, 920)가 결정될 수 있다. 일 예로, 도 9a에서 커널(920) 사이즈는 3X3일 수 있으나, 이에 한정되는 것은 아닐 수 있다. Figure 9a is a diagram showing the operation of a convolution neural network (CNN) according to an embodiment of the present invention. As an example, CNN may be a neural network mainly applied in character, image, or object recognition. Referring to FIG. 9A, in a CNN neural network, a CNN kernel (filter, 920) may be determined based on the representative value 910. For example, in FIG. 9A, the size of the kernel 920 may be 3X3, but may not be limited thereto.
구체적으로, CNN 신경망에 입력이 제공될 수 있다.(S931) 그 후, 입력은 컨볼루션 레이어에 적용될 수 있다.(S932, S933) 즉, 입력 값들과 커널의 컨볼루션이 수행되어 결과가 도출될 수 있으며, 이에 기초하여 특징 맵(feature map)이 도출될 수 있다. 그 후, 특징 맵이 폴링(pooling) 레이어에 적용될 수 있다.(S934) 여기서, 폴링 레이어는 특징 맵에서 차원을 축소하여 불필요한 부분을 제거할 수 있다. 폴링 방식은 최대 값에 기초한 max-pooling이나 평균 값에 기초한 average pooling이 적용될 수 있으나, 특정 형태로 한정되지 않는다. 일 예로, 녹조 예측을 위해서 최대 값 방식의 폴링(max-pooling)이 적용될 수 있다. 그 후, 컨볼루션 레이어와 폴링 레이어에 각각의 값들이 반복하여 적용될 수 있다.(S935, S936) 그 후, 도출된 값들은 완전-연결 레이어(fully connected layer, dense layer)로 적용될 수 있다.(S937, S938) 여기서, 완전-연결 레이어는 각각의 노드들이 모두 결합된 형태일 수 있다. 그 후 결과 값은 Softmax 함수에 기초하여 0 내지 1 값으로 정규화되어 도출될 수 있다.(S939) 상술한 방식에 기초하여 CNN 신경망에서 결과 값이 도출될 수 있으며, 하기에서는 녹조 예측을 위해 CNN과 LSTM을 결합하는 방식에 대해 서술한다. Specifically, input may be provided to the CNN neural network. (S931) Then, the input may be applied to the convolution layer (S932, S933). That is, convolution of the input values and the kernel is performed to derive the result. And based on this, a feature map can be derived. Afterwards, the feature map can be applied to the polling layer (S934). Here, the polling layer can remove unnecessary parts by reducing the dimension of the feature map. The polling method may be max-pooling based on the maximum value or average pooling based on the average value, but is not limited to a specific type. As an example, maximum value polling (max-pooling) may be applied to predict green algae. Afterwards, each value can be repeatedly applied to the convolution layer and polling layer (S935, S936). Afterwards, the derived values can be applied to a fully connected layer (dense layer). (S935, S936) S937, S938) Here, the fully-connected layer may be a form in which all individual nodes are combined. Afterwards, the result value can be normalized to a value of 0 to 1 based on the Softmax function and derived. (S939) The result value can be derived from a CNN neural network based on the method described above, and in the following, CNN and CNN are used to predict green algae. Describes how to combine LSTM.
도 9b는 본 발명의 일 실시예에 따라 RNN과 LSTM의 차이점을 나타낸 도면이다. 도 9b를 참조하면, RNN(recurrent neural network, 941)는 입력과 출력을 시퀀스 단위로 처리하는 신경망일 수 있다. 여기서, 시퀀스는 연관성을 갖는 연속한 데이터를 의미할 수 있다. 일 예로, RNN(941)은 시계열 데이터 처리에 적합한 신경망일 수 있다. 여기서, RNN(941)은 역전파(backpropagation) 알고리즘에 기초하여 주어진 가중치에 따라 계산된 출력 값에 대한 오차를 다시 전달하여 가중치를 업데이트할 수 있다. 이때, 일 예로, 역전파 과정에서 1보다 작은 값들이 계속 곱해지면서 기울기가 사라지는 기울기 소실 문제(vanishing gradient problem)이 발생할 수 있다. 일 예로, 시계열 데이터에서는 상술한 기울기 소실 문제에 따라 먼 과거의 데이터가 현재의 학습에 아무런 영향을 미치지 못할 수 있다. 이때, LSTM(942)은 과거 데이터들이 희석되는 문제점을 개선할 수 있다. Figure 9b is a diagram showing the difference between RNN and LSTM according to an embodiment of the present invention. Referring to FIG. 9B, a recurrent neural network (RNN) 941 may be a neural network that processes input and output in sequence units. Here, a sequence may mean continuous data with correlation. As an example, the RNN 941 may be a neural network suitable for processing time series data. Here, the RNN 941 may update the weight by transmitting again the error for the output value calculated according to the given weight based on the backpropagation algorithm. At this time, for example, a vanishing gradient problem may occur in which the gradient disappears as values smaller than 1 are continuously multiplied during the backpropagation process. For example, in time series data, data from the distant past may have no effect on current learning due to the vanishing gradient problem described above. At this time, the LSTM 942 can improve the problem of dilution of past data.
구체적으로, LSTM(942)은 데이터들의 계산 위치에 기초하여 망각 게이트(forget gate), 입력 게이트(input gate), 업데이트 게이트(update gate) 및 출력 게이트(output gate)를 포함할 수 있다. 도 9c는 본 발명의 일 실시예에 따라 LSTM을 나타낸 도면이다. 도 9c를 참조하면, LSTM은 과거 데이터 반영을 고려하여 셀 상태(cell state) 값을 활용할 수 있다. 여기서, 상술한 각각의 게이터로 현재 노드의 상태 정보를 제어할 수 있다. 구체적으로, 망각 게이트(951)는 과거의 정보를 얼마만큼 가져오고 버릴지 여부를 결정할 수 있다. 일 예로, sigmoid 활성화 함수에 기초하여 0 내지 1 사이의 값이 출력되어 적용될 수 있다. 입력 게이트(952)는 현재 정보를 얼마만큼 저장하고 버릴지를 결정할 수 있다. 즉, 새로운 정보가 셀 상태(cell state)에 저장될지 여부를 결정될 수 있다. 그 후, 업데이트 게이트(953)는 망각 게이트(951)와 입력 게이트(952)에서 도출되는 값에 기초하여 과거의 셀 상태를 새로운 상태로 업데이트할 수 있다. 그 후, 출력 게이트(954)는 최종적으로 셀 상태를 밖으로 얼마나 내보낼지 여부를 결정할 수 있다. Specifically, the LSTM 942 may include a forget gate, an input gate, an update gate, and an output gate based on the calculation location of data. Figure 9c is a diagram showing LSTM according to an embodiment of the present invention. Referring to FIG. 9C, LSTM can utilize cell state values by considering reflection of past data. Here, the status information of the current node can be controlled with each of the above-described gaters. Specifically, the forgetting gate 951 can determine how much past information to retrieve and whether to discard. As an example, a value between 0 and 1 may be output and applied based on the sigmoid activation function. The input gate 952 can determine how much of the current information to store and discard. That is, it can be determined whether new information will be stored in the cell state. Afterwards, the update gate 953 may update the past cell state to a new state based on the values derived from the forget gate 951 and the input gate 952. Afterwards, the output gate 954 can finally determine how much of the cell state to export.
여기서, 일 예로, 인공지능 딥러닝 녹조 예측 장치(또는 플랫폼)은 상술한 CNN과 LSTM을 결합하여 녹조 예측의 정확도를 높일 수 있다. 구체적인 일 예로, 도 10은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치의 동작 방법을 나타낸 도면이다. Here, as an example, an artificial intelligence deep learning green algae prediction device (or platform) can increase the accuracy of green algae prediction by combining the above-described CNN and LSTM. As a specific example, Figure 10 is a diagram showing a method of operating an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention.
도 10을 참조하면, 인공지능 딥러닝 녹조 예측 장치(810)는 모든 데이터로서 시공간 데이터(spatio-temporal data)를 활용할 수 있다. 일 예로, 시공간 데이터로 가시광선 영역뿐만 아니라 적외선, 자외선 영역에 대한 이미지로 초분광 이미지(Hyperspectral Image)나 위성을 통해 획득한 이미지가 사용될 수 있으며, 특정 형태로 한정되지 않는다. 또한, 시계열 데이터로서 각각의 데이터는 시간당(hourly), 일당(daily), 주당(weekly) 및 그 밖의 기간에 기초하여 생성될 수 있으며, 특정 실시예로 한정되지 않는다. 또한, 일 예로, 인공지능 딥러닝 녹조 예측 장치(810)는 상술한 CNN과 LSTM이 조합된 신경망에 상술한 데이터를 적용할 수 있다. 즉, 인공지능 딥러닝 녹조 예측 장치(810)는 상술한 데이터에 기초하여 녹조 발생량 및 녹조 발생 시기를 예측할 수 있다. 여기서, 일 예로, 예측되는 녹조 발생량은 로그 스케일 데이터로 도출될 수 있으며, 이에 대해서는 후술한다. 또한, 신경망에 적용되는 시퀀스를 고려하여 다양한 입력이 표현 가능한 형태의 값으로 도출될 수 있으며, 이에 따라 상술한 신경망에 적용될 수 있다. Referring to FIG. 10, the artificial intelligence deep learning green algae prediction device 810 can utilize spatio-temporal data as all data. For example, as spatiotemporal data, a hyperspectral image or an image acquired through a satellite may be used as an image for the visible light region as well as the infrared and ultraviolet region, and is not limited to a specific form. In addition, as time series data, each data may be generated based on hourly, daily, weekly, and other periods, and is not limited to a specific embodiment. Additionally, as an example, the artificial intelligence deep learning green algae prediction device 810 may apply the above-described data to a neural network combining the above-described CNN and LSTM. That is, the artificial intelligence deep learning green algae prediction device 810 can predict the amount of green algae and the timing of green algae generation based on the above-described data. Here, as an example, the predicted amount of green algae may be derived from log scale data, which will be described later. In addition, considering the sequence applied to the neural network, various inputs can be derived as values in a form that can be expressed, and thus can be applied to the neural network described above.
일 예로, 도 11a를 참조하면, 인공지능 딥러닝 녹조 예측 장치(810)의 입력 레이어(1110)에서는 상술한 바에 기초하여 데이터 셋이 구성될 수 있다. 데이터 셋은 초분광 이미지(1121)나 위성 이미지 및 그 밖의 이미지를 포함할 수 있다. 일 예로, 이미지는 녹조가 발생하는 지점이나 그 밖의 녹조와 관련된 이미지 정보일 수 있다. 또한, 데이터 셋은 시계열 데이터로 일간 데이터(1122)로서 강수량, 온도, 분리 및 배출 정보를 포함할 수 있다. 또한, 데이터 셋은 시계열 데이터로 주간 데이터(1123)로서 TN(Total Nitrogen, 총 질소), TP(Total Phosphors, 총 인) 및 DO(Dissolved Oxygen, 용존 산소량) 정보를 포함할 수 있다. 또한, 일 예로, 데이터 셋은 그 밖의 데이터를 포함할 수 있으며, 특정 실시예로 한정되지 않는다. 여기서, 일 예로, 일부 데이터는 CNN 신경망에 적용될 수 있다. 구체적인 일 예로, 초분광 이미지(1121)와 일간 데이터(1122) 각각은 상술한 CNN 신경망에 기초하여 CNN 커널에 의해 합성되어 특징 맵을 도출하고, 특징 맵이 폴링 레이어(1130)에 적용되어 결과 값이 도출될 수 있다. 여기서, 결과 값은 데이터 베이스 셋(1140)에 포함될 수 있다. 또한, 일 예로, 주간 데이터(1123)는 데이터 베이스 셋(1140)에 바로 적용될 수 있으나, 이에 한정되는 것은 아닐 수 있다. 그 후, 데이터 베이스 셋(1140)에 포함된 데이터는 일반화 및 텐서(normalized and tensor) 레이어(1150)에서 데이터 시퀀스로 구성될 수 있다. 그 후, 데이터 시퀀스는 CNN-LSTM 네트워크(1160)에 적용될 수 있으며, 출력 레이어(1170)에 제공될 수 있다. 그 후, early stop(1181)에 기초하여 모델 트레이닝을 중단할지 여부를 결정하고, 중단하지 않을 경우, valid&re-train(1182)에 의해 재학습될 수 있다. 반면, early stop(1181)에 기초하여 모델 트레이닝을 중단이 가능하면 가중치를 저장하고(1190), 학습된 모델에 기초하여 예측을 수행할 수 있다. As an example, referring to FIG. 11A, in the input layer 1110 of the artificial intelligence deep learning green algae prediction device 810, a data set may be configured based on the above-described information. The data set may include hyperspectral images 1121, satellite images, and other images. For example, the image may be a point where green algae occurs or other image information related to green algae. Additionally, the data set is time series data and may include precipitation, temperature, separation, and discharge information as daily data 1122. Additionally, the data set is time-series data and weekly data 1123, which may include TN (Total Nitrogen), TP (Total Phosphors), and DO (Dissolved Oxygen) information. Additionally, as an example, the data set may include other data and is not limited to a specific embodiment. Here, as an example, some data may be applied to a CNN neural network. As a specific example, each of the hyperspectral images 1121 and daily data 1122 are synthesized by a CNN kernel based on the CNN neural network described above to derive a feature map, and the feature map is applied to the polling layer 1130 to obtain the resulting value. This can be derived. Here, the result value may be included in the database set 1140. Additionally, as an example, the weekly data 1123 may be directly applied to the database set 1140, but may not be limited thereto. Afterwards, the data included in the database set 1140 may be configured as a data sequence in the normalized and tensor layer 1150. The data sequence can then be applied to the CNN-LSTM network 1160 and provided to the output layer 1170. After that, it is decided whether to stop model training based on early stop (1181), and if not, it can be retrained by valid&re-train (1182). On the other hand, if model training can be stopped based on early stop (1181), weights can be stored (1190) and prediction can be performed based on the learned model.
구체직인 일 예로, 도 11b는 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크를 나타낸 도면이다. 도 11b를 참조하면, 도 11a의 CNN-LSTM 네트워크(1160)에는 CNN 및 LSTM이 결합될 수 있다. 일 예로, 도 11b에서 CNN-LSTM 네트워크(1160) 알고리즘에서 일정 영역은 LSTM 네트워크 영역으로 데이터 학습이 수행될 수 있다. 즉, RNN에 기초하여 상술한 바와 같이 과거 데이터가 반영될 수 있도록 구성된 영역일 수 있다. 또한, 일 예로, CNN-LSTM 네트워크(1160) 알고리즘에서 CNN 영역으로 CNN 신경망이 적용되는 영역이 존재할 수 있다. 또한, CNN 영역을 통과한 데이터가 LSTM으로 전달되어 학습이 수행되는 영역이 존재할 수 있으며, 상술한 결합 형태에 따라 CNN-LSTM 네트워크(1160) 알고리즘이 구성되어 동작할 수 있다.As a specific example, Figure 11b is a diagram showing a CNN-LSTM network according to an embodiment of the present invention. Referring to FIG. 11B, CNN and LSTM may be combined in the CNN-LSTM network 1160 of FIG. 11A. As an example, in the CNN-LSTM network 1160 algorithm in FIG. 11b, data learning may be performed on a certain area as an LSTM network area. In other words, it may be an area configured so that past data can be reflected as described above based on RNN. Additionally, as an example, in the CNN-LSTM network 1160 algorithm, there may be an area to which a CNN neural network is applied as a CNN area. In addition, there may be a region where data passing through the CNN region is transferred to the LSTM and learning is performed, and the CNN-LSTM network 1160 algorithm can be configured and operated according to the above-described combination type.
상술한 바에 기초하여 CNN-LSTM 네트워크(1160)는 이미지의 형태적 특징을 추출하는 CNN과 시퀀스의 시간적 맥락을 기억하는 LSTM 구조를 결합할 수 있으며, 두 기법의 결합을 통해 시퀀스의 공간적 특징 정보 및 시간적 특징 정보를 한번에 학습할 수 있다. 즉, CNN-LSTM 네트워크(1160)는 공간적 데이터 및 시간적 데이터를 함께 학습할 수 있다.Based on the above, the CNN-LSTM network 1160 can combine a CNN that extracts the morphological features of the image and an LSTM structure that remembers the temporal context of the sequence, and the spatial feature information and information of the sequence through the combination of the two techniques. Temporal feature information can be learned at once. That is, the CNN-LSTM network 1160 can learn spatial data and temporal data together.
구체적인 일 예로, 도 12 및 도 13은 CNN-LSTM 네트워크(1160)에서 학습을 수행하는 방법을 나타낸 도면이다. 도 12를 참조하면, CNN-LSTM 네트워크(1160)에서 입력 데이터는 커널(필터) 사이즈에 기초하여 출력 값으로 도출될 수 있다. 이때, CNN-LSTM 네트워크(1160)에 기초하여 녹조 예측이 수행되는 경우에 입력 데이터로 수온, DO, TN, 평균기온 및 조류 수를 포함할 수 있다. 여기서, 입력 사이즈(X)는 상술한 값들을 포함할 수 있으며, 출력 사이즈(Y)는 예측 값으로 조류 수일 수 있다. 여기서, 상술한 값들은 0 내지 1의 값으로 정규화될 수 있다. 그 후, 정규화된 값들은 CNN에 기초하여 일정 값으로 도출될 수 있다. 일 예로, 도 13에서 커널 사이즈는 2로 하였으나, 이에 한정되는 것은 아닐 수 있다. 즉, 녹조와 관련된 값으로써 입력으로 제공되는 각각의 값들은 0 내지 1로 정규화된 후 CNN에 적용될 수 있다. 이를 통해 녹조와 관련된 값들은 이미지 픽셀로 인식될 수 있다. 그 후, 도출된 값들은 LSTM 네트워크에 적용될 수 있으며, 예측되는 타겟 값으로 조류 수가 도출될 수 있다.As a specific example, FIGS. 12 and 13 are diagrams showing a method of performing learning in a CNN-LSTM network 1160. Referring to FIG. 12, in the CNN-LSTM network 1160, input data may be derived as an output value based on the kernel (filter) size. At this time, when green algae prediction is performed based on the CNN-LSTM network 1160, input data may include water temperature, DO, TN, average temperature, and number of algae. Here, the input size (X) may include the above-described values, and the output size (Y) may be the number of birds as a predicted value. Here, the above-mentioned values can be normalized to values of 0 to 1. Afterwards, the normalized values can be derived to constant values based on CNN. For example, in Figure 13, the kernel size is set to 2, but it may not be limited to this. In other words, each value provided as input as a value related to green algae can be normalized to 0 to 1 and then applied to the CNN. Through this, values related to green algae can be recognized as image pixels. Afterwards, the derived values can be applied to the LSTM network, and the number of birds can be derived as the predicted target value.
도 14는 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크를 통해 예측을 수행하는 방법을 나타낸 도면이다. 도 14를 참조하면, 트레이닝 데이터(1410)로 일간 데이터가 제공될 수 있다. 일 예로, 일 간 데이터로, 날짜, 수온, DO, TN, 평균기온 및 조류 수 값이 포함될 수 있으나, 이에 한정되지 않고 다른 데이터를 더 포함하는 것도 가능할 수 있다. 여기서, 조류 수는 출력 값일 수 있다. 또한, 시퀀스 길이는 기 설정된 일 수가 될 수 있다. 일 예로, 도 14에서는 시퀀스 길이는 7일이나 이에 한정되지 않는다. 여기서, CNN-LSTM 네트워크에 기초하여 트레이닝 데이터(1410)에 대한 학습이 수행될 수 있다. 그 후, 학습이 수행된 CNN-LSTM 네트워크에서 예측을 위한 시퀀스가 입력되고, 이에 따라 예측 데이터(1420)로 조류 수가 출력 값으로 제공될 수 있다. Figure 14 is a diagram showing a method of performing prediction through a CNN-LSTM network according to an embodiment of the present invention. Referring to FIG. 14, daily data may be provided as training data 1410. As an example, daily data may include date, water temperature, DO, TN, average temperature, and bird count values, but is not limited to this and may also include other data. Here, the number of birds may be an output value. Additionally, the sequence length may be a preset number of days. For example, in Figure 14, the sequence length is 7 days, but is not limited to this. Here, learning on the training data 1410 may be performed based on the CNN-LSTM network. Afterwards, a sequence for prediction is input from the CNN-LSTM network in which learning was performed, and accordingly, the number of birds can be provided as an output value as prediction data 1420.
도 15는 본 발명의 일 실시예에 따라 CNN-LSTM 네트워크에 적용되는 데이터 타입을 나타낸 도면이다. 도 15(a) 및 (b)를 참조하면, 조류 수(또는 조류 세포 수)를 그대로 학습할 경우 데이터가 광범위해질 수 있으며, 음수 값이 도출되어 실제 현상과 맞지 않을 수 있다. 상술한 점을 고려하여 조류 수는 로그 스케일로 변환하여 학습될 수 있다. 여기서, 일 예로, 조류 수를 로그 스케일로 변환하여 학습을 수행하면 조류가 대량으로 발생하는 하절기 피크 시점 예측이 가능할 수 있으며, 이에 따라 정확한 예측이 수행될 수 있다.Figure 15 is a diagram showing data types applied to a CNN-LSTM network according to an embodiment of the present invention. Referring to Figures 15 (a) and (b), if the number of algae (or the number of algae cells) is learned as is, the data may become extensive and negative values may be derived, which may not match the actual phenomenon. Considering the above, the number of birds can be learned by converting to a logarithmic scale. Here, as an example, if learning is performed by converting the number of birds to a log scale, it may be possible to predict the peak time of summer when birds occur in large quantities, and thus accurate predictions can be made.
도 16 및 도 17은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치에 대한 구체적인 동작을 나타낸 도면이다. 도 16을 참조하면, 일간 자료 또는 시간 자료(1610)가 CNN 기법에 적용될 수 있다. 이때, 일간 자료 또는 시간 자료(1610)가 커널(필터)에 의해 합성되어 특징 맵을 추출하고, 특징 맵이 폴링 방식을 거쳐 차원이 낮아서 특정 값으로 도출될 수 있다. 여기서, 특정 값은 대표 값(1620)일 수 있다. 그 후, 시퀀스(1630)에 대표 값(1620)이 반영될 수 있으며, 시퀀스(1630)는 0 내지 1의 정규화를 통해 CNN으로 적용되어 LSTM으로 적용될 수 있는 형태로 도출되어 학습될 수 있으며, 이는 상술한 바와 같다. 또 다른 일 예로, 도 17을 참조하면, 일간 자료 또는 시간 자료(1610)의 모든 자료가 시퀀스(1710)의 변수로 적용될 수 있다. 여기서, 시퀀스(1710)는 0 내지 1의 정규화를 통해 CNN으로 적용되어 LSTM으로 적용될 수 있는 형태로 도출되어 학습될 수 있으며, 이는 상술한 바와 같다.Figures 16 and 17 are diagrams showing specific operations of an artificial intelligence deep learning green algae prediction device according to an embodiment of the present invention. Referring to FIG. 16, daily data or time data 1610 can be applied to the CNN technique. At this time, the daily data or time data 1610 is synthesized by a kernel (filter) to extract a feature map, and the feature map has a low dimension through a polling method, so it can be derived as a specific value. Here, the specific value may be a representative value (1620). Afterwards, the representative value 1620 can be reflected in the sequence 1630, and the sequence 1630 can be derived and learned in a form that can be applied to CNN through normalization from 0 to 1 and applied to LSTM, which is Same as described above. As another example, referring to FIG. 17, all of the daily data or time data 1610 can be applied as variables of the sequence 1710. Here, the sequence 1710 can be derived and learned in a form that can be applied to CNN through normalization from 0 to 1 and applied to LSTM, as described above.
도 18 내지 도 21은 본 발명의 일 실시예에 따라 인공지능 딥러닝 녹조 예측 장치(810)에 기초하여 각각의 보에서 수행한 예측을 나타낸 도면이다. 도 18 내지 21을 참조하면, 상주보, 낙단보, 구미보, 칠곡보, 강정 고령보, 달성보, 합천창녕보 및 창년함안보에서 상술한 인공지능 딥러닝 녹조 예측 장치(810)로서 CNN-LSTM 결합 네트워크를 통해 녹조 발생을 예측한 경우, 약 70~80%의 높은 예측 정확도가 도출됨을 확인할 수 있다.Figures 18 to 21 are diagrams showing predictions made at each weir based on the artificial intelligence deep learning green algae prediction device 810 according to an embodiment of the present invention. Referring to Figures 18 to 21, the artificial intelligence deep learning green algae prediction device 810 described above in the Sangju reservoir, Nakdan reservoir, Gumi reservoir, Chilgok reservoir, Gangjeong Goryeong reservoir, Dalseong reservoir, Hapcheon Changnyeong reservoir and Changnyeon Haman reservoir, CNN- When predicting the occurrence of green algae using an LSTM combination network, it can be seen that a high prediction accuracy of about 70 to 80% is obtained.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. Embodiments of the present invention described above can be implemented through various means. For example, embodiments of the present invention may be implemented by hardware, firmware, software, or a combination thereof.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.In the case of hardware implementation, the method according to embodiments of the present invention uses one or more Application Specific Integrated Circuits (ASICs), Digital Signal Processors (DSPs), Digital Signal Processing Devices (DSPDs), and Programmable Logic Devices (PLDs). , can be implemented by FPGAs (Field Programmable Gate Arrays), processors, controllers, microcontrollers, microprocessors, etc.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.In the case of implementation by firmware or software, the method according to embodiments of the present invention may be implemented in the form of a module, procedure, or function that performs the functions or operations described above. Software code can be stored in a memory unit and run by a processor. The memory unit is located inside or outside the processor and can exchange data with the processor through various known means.
상술한 바와 같이 개시된 본 발명의 바람직한 실시형태에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시 형태를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 이상에서는 본 명세서의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 명세서는 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 명세서의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 명세서의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.Detailed description of preferred embodiments of the invention disclosed above is provided to enable any person skilled in the art to make or practice the invention. Although the present invention has been described above with reference to preferred embodiments, those skilled in the art may make various modifications and changes to the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that you can do it. Accordingly, the present invention is not intended to be limited to the embodiments shown herein but is to be accorded the widest scope consistent with the principles and novel features disclosed herein. In addition, although the preferred embodiments of the present specification have been shown and described above, the present specification is not limited to the specific embodiments described above, and the technical field to which the invention pertains without departing from the gist of the present specification as claimed in the claims. Of course, various modifications can be made by those skilled in the art, and these modifications should not be understood individually from the technical ideas or perspectives of the present specification.
그리고 당해 명세서에서는 물건 발명과 방법 발명이 모두 설명되고 있으며, 필요에 따라 양 발명의 설명은 보충적으로 적용될 수 있다.In addition, both the product invention and the method invention are described in the specification, and the description of both inventions can be applied supplementally as needed.
400 : 인공지능 플랫폼 인터페이스
410 : 메인화면 제공부
420 : 데이터부
430 : 인공지능 모델 제공부
440 : 인공지능 모델 학습부
450 : 예측부400: Artificial intelligence platform interface
410: Main screen provision unit
420: data unit
430: Artificial intelligence model provision department
440: Artificial intelligence model learning department
450: prediction unit
Claims (8)
메인화면 정보를 제공하는 메인화면 제공부;
데이터베이스 정보 및 전처리 정보를 제공하는 데이터부;
인공지능 모델 정보를 제공하는 인공지능 모델 제공부;
적어도 하나 이상의 인공지능 모델에 대한 학습을 수행하는 인공지능 모델 학습부; 및
상기 학습된 적어도 하나 이상의 인공지능 모델 중 제1 인공지능 모델을 선택하여 예측을 수행하는 예측부를 포함하되,
상기 메인화면 제공부는 상기 데이터부, 상기 인공지능 모델 제공부, 상기 인공지능 모델 학습부 및 상기 예측부를 위한 각 탭이 구성되어, 각 탭에 기초하여 각 기능이 수행될 수 있도록 하며,
상기 데이터부는 데이터베이스부 및 전처리부를 포함하고,
상기 데이터베이스부는 데이터베이스 내의 데이터를 트리형으로 제공하며, 변수 체크박스 기능, 선택 변수 박스 기능, 선택 변수 박스에서 해당 변수 삭제 기능, 선택 지점 지도에서 위치 표시 기능, 데이터 조회 기간 선택 기능, 기간 내 데이터의 관측 수, 결측 수, 0값수 등 요약 정보 표출 기능 및 기간 내 데이터 시계열 그래프 기능 중 적어도 하나를 포함하여, 저장되어 있는 데이터를 선택하도록 하는 기능을 제공하며,
상기 데이터부에 기초하여 상기 데이터베이스 정보에서 상기 선택된 적어도 하나 이상의 데이터에 대한 프로세싱 방법(processing method) 및 프로세싱 방법 별 속성(attribute)이 설정되어 전처리가 수행되고, 상기 전처리에 기초하여 상기 제1 인공지능 모델에 적용되는 입력 데이터 셋이 구성되고,
상기 인공지능 모델 제공부에 기초하여 인공지능 모델의 각 레이어 및 각 레이어별 속정 정보가 결정되고, 상기 인공지능 모델의 각 레이어들의 머지(merge)를 통해 상기 적어도 하나 이상의 인공지능 모델이 구축되고,
상기 인공지능 모델 학습부에 기초하여 상기 구축된 적어도 하나 이상의 인공지능 모델에 적용되는 학습 구성 정보를 통해 각각의 인공지능 모델에 대한 학습이 수행되고,
상기 예측부에 기초하여 상기 선택된 제1 인공지능 모델의 상기 입력 데이터 셋 정보, 입력 정보, 출력 정보, 훈련 정보 및 유효 손실 정보 중 적어도 어느 하나가 선택되어 녹조 예측이 수행되며,
상기 인공지능 모델 제공부는,
상기 인공지능 모델의 각 레이어를 선택할 수 있도록 하는 모델 레이어 선택부;
상기 인공지능 모델의 각 레이어에 대한 속성을 설정할 수 있도록 하는 레이어 속성 결정부;
상기 인공지능 모델의 각 레이어들을 연결하고, 머지된 레이어들을 연결하여 최종 모델을 구축할 수 있도록 하는 레이어 연결부; 및
상기 최종 모델의 레이어 정보를 제공하고, 해당 정보를 저장할 수 있도록 하는 모델 구성 및 저장부;를 포함하여, 사용자가 각 레이어별 연결과 머지 레이어 설정을 수행하고, 행과 열 값을 통해 레이어의 위치를 지정할 수 있으며, 그 후 사용자가 상기 입력 데이터 셋과 상기 구축된 인공지능 모델에 기초하여 입력과 출력을 지정할 수 있도록 하는, 인공지능 플랫폼 인터페이스.In the user interface for a green algae prediction platform using artificial intelligence deep learning technology,
A main screen provision unit that provides main screen information;
a data unit providing database information and preprocessing information;
An artificial intelligence model provision unit that provides artificial intelligence model information;
An artificial intelligence model learning unit that performs learning on at least one artificial intelligence model; and
A prediction unit that selects a first artificial intelligence model from among the at least one learned artificial intelligence model and performs prediction,
The main screen providing unit is configured with tabs for the data unit, the artificial intelligence model providing unit, the artificial intelligence model learning unit, and the prediction unit, so that each function can be performed based on each tab,
The data unit includes a database unit and a preprocessing unit,
The database unit provides data in the database in a tree format, including a variable check box function, a selection variable box function, a function to delete the variable from the selection variable box, a function to display the location on the map of the selected point, a function to select a data search period, and a function to select the data within the period. Provides a function to select stored data, including at least one of the functions for displaying summary information such as number of observations, number of missing values, number of zero values, etc., and a time series graph function for data within a period,
Based on the data unit, a processing method and an attribute for each processing method are set for the at least one data selected from the database information, and preprocessing is performed, and the first artificial intelligence is processed based on the preprocessing. The input data set applied to the model is constructed,
Based on the artificial intelligence model provider, each layer of the artificial intelligence model and attribute information for each layer are determined, and the at least one artificial intelligence model is constructed through merging of each layer of the artificial intelligence model,
Learning is performed for each artificial intelligence model through learning configuration information applied to at least one artificial intelligence model constructed based on the artificial intelligence model learning unit,
Based on the prediction unit, at least one of the input data set information, input information, output information, training information, and effective loss information of the selected first artificial intelligence model is selected to perform green algae prediction,
The artificial intelligence model provider,
A model layer selection unit that allows selection of each layer of the artificial intelligence model;
A layer property determination unit that allows setting properties for each layer of the artificial intelligence model;
A layer connection unit that connects each layer of the artificial intelligence model and connects the merged layers to build a final model; and
Including a model configuration and storage unit that provides layer information of the final model and allows the user to store the information, where the user performs connection and merge layer settings for each layer and positions the layer through row and column values. An artificial intelligence platform interface that allows the user to specify input and output based on the input data set and the constructed artificial intelligence model.
상기 선택된 제1 인공지능 모델이 CNN(convolution neural network)- LSTM(long short term memory) 모델인 경우, 인공지능 딥러닝을 활용한 녹조 예측 장치는.
데이터베이스로부터 입력을 제공받는 입력부;
상기 입력부로부터 제공받은 제1 입력을 CNN(convolution neural network)에 적용하는 CNN 동작부;
상기 CNN 동작부에 의해 도출된 제1 출력 및 상기 입력부에서 제공받는 제2 입력 중 적어도 어느 하나에 기초하여 데이터 셋을 획득하는 데이터 셋 추출부;
상기 데이터 셋을 CNN-LSTM(long short term memory)에 적용하는 CNN-LSTM 동작부;
상기 CNN-LSTM 동작부에서 도출된 제2 출력에 대한 검증을 수행하는 검증부; 및
상기 검증부에 기초하여 전달받은 제3 출력을 제공하는 출력부를 포함하되,
공간적 정보 및 시간적 정보가 상기 CNN 동작부의 상기 제1 입력으로 제공되어 시퀀스에 적용 가능한 상기 제1 출력이 도출되고,
상기 제3 출력은 조류 발생량 정보이고,
상기 데이터 셋은 상기 제1 출력 및 상기 조류 발생량 정보를 포함하는 시퀀스 형태의 데이터로 상기 CNN-LSTM 동작부에 적용되는, 인공지능 플랫폼 인터페이스.According to claim 1,
If the selected first artificial intelligence model is a CNN (convolution neural network)-LSTM (long short term memory) model, a green algae prediction device using artificial intelligence deep learning is.
an input unit that receives input from a database;
a CNN operation unit that applies the first input provided from the input unit to a convolution neural network (CNN);
a data set extraction unit that obtains a data set based on at least one of a first output derived from the CNN operating unit and a second input provided from the input unit;
A CNN-LSTM operation unit that applies the data set to CNN-LSTM (long short term memory);
a verification unit that verifies the second output derived from the CNN-LSTM operation unit; and
It includes an output unit that provides a third output received based on the verification unit,
Spatial information and temporal information are provided as the first input of the CNN operating unit to derive the first output applicable to the sequence,
The third output is information on the amount of algae generated,
The data set is data in the form of a sequence including the first output and the tidal current occurrence information and is applied to the CNN-LSTM operation unit. An artificial intelligence platform interface.
상기 CNN 동작부는,
상기 제1 입력에 기초하여 합성곱을 통해 특징 맵을 추출하는 컨볼루션 레이어;
상기 추출된 특징 맵에 기초하여 차원을 감소하는 폴링 레이어;
모든 노드가 연결된 완전 연결 레이어; 및
0 내지 1 값으로 정규화하여 상기 제1 출력을 도출하는 소프트맥스 레이어를 포함하되,
상기 제1 출력은 상기 CNN 동작부에 포함된 적어도 하나의 레이어에 기초하여 특정 값으로 도출되고,
상기 데이터 셋은 상기 특정 값으로 도출된 상기 제1 출력을 포함하는 상기 시퀀스 형태의 데이터로 구성되는, 인공지능 플랫폼 인터페이스.According to clause 3,
The CNN operation unit,
a convolution layer that extracts a feature map through convolution based on the first input;
a polling layer that reduces dimensionality based on the extracted feature map;
Fully connected layer where all nodes are connected; and
Includes a softmax layer that derives the first output by normalizing it to a value of 0 to 1,
The first output is derived as a specific value based on at least one layer included in the CNN operating unit,
The data set is an artificial intelligence platform interface consisting of data in the form of the sequence including the first output derived as the specific value.
녹조와 관련된 초분광 이미지 및 녹조와 관련된 위성 이미지가 상기 제1 입력에 포함되어 상기 CNN 동작부에 제공되고, 상기 적어도 하나의 레이어에 기초하여 상기 제1 출력에 반영되는, 인공지능 플랫폼 인터페이스. According to clause 4,
An artificial intelligence platform interface, wherein a hyperspectral image related to green algae and a satellite image related to green algae are included in the first input, provided to the CNN operation unit, and reflected in the first output based on the at least one layer.
녹조 관련 정보로서 강수량 정보, 수온 정보 및 그 밖의 정보로서 일간 데이터가 상기 제1 입력에 포함되어 상기 CNN 동작부에 적용되는 경우, 상기 일간 데이터는 이미지 픽셀 형태로 상기 CNN 동작부에 적용되어 상기 적어도 하나의 레이어에 기초하여 상기 제1 출력에 반영되는, 인공지능 플랫폼 인터페이스.According to clause 5,
When daily data such as precipitation information, water temperature information, and other information as green algae-related information are included in the first input and applied to the CNN operating unit, the daily data is applied to the CNN operating unit in the form of image pixels to display the at least An artificial intelligence platform interface reflected in the first output based on one layer.
상기 데이터 셋은 상기 특정 값으로 도출된 상기 제1 출력, 수온 정보, TN(Total Nitrogen, 총 질소) 정보, TP(Total Phosphors, 총 인) 정보, DO(Dissolved Oxygen, 용존 산소량) 정보 및 상기 조류 발생량 정보 중 적어도 어느 하나를 포함하는 상기 시퀀스 형태의 데이터로 구성되어 상기 CNN-LSTM 동작부에 적용되는, 인공지능 플랫폼 인터페이스.According to clause 6,
The data set includes the first output derived from the specific value, water temperature information, TN (Total Nitrogen) information, TP (Total Phosphors) information, DO (Dissolved Oxygen) information, and the algae. An artificial intelligence platform interface composed of data in the form of the sequence including at least one of generation amount information and applied to the CNN-LSTM operation unit.
상기 CNN-LSTM 동작부는
과거 정보량을 결정하는 망각 게이트부(forget gate);
현재 정보량을 결정하는 입력 게이트부(input gate);
상기 망각 게이트부 및 상기 입력 게이트부에 기초하여 셀 상태를 업데이트하는 업데이트 게이트부(update gate); 및
업데이트된 상기 셀 상태를 출력하는 출력 게이트부(output gate)를 포함하는, 인공지능 플랫폼 인터페이스.According to clause 7,
The CNN-LSTM operation unit
a forget gate that determines the amount of past information;
An input gate that determines the current amount of information;
an update gate that updates a cell state based on the forget gate and the input gate; and
An artificial intelligence platform interface including an output gate that outputs the updated cell state.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230037900A KR102628539B1 (en) | 2023-03-23 | 2023-03-23 | Method and apparatus for algal bloom prediction using artificial intelligence deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230037900A KR102628539B1 (en) | 2023-03-23 | 2023-03-23 | Method and apparatus for algal bloom prediction using artificial intelligence deep learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102628539B1 true KR102628539B1 (en) | 2024-01-25 |
Family
ID=89721775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230037900A KR102628539B1 (en) | 2023-03-23 | 2023-03-23 | Method and apparatus for algal bloom prediction using artificial intelligence deep learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102628539B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210090368A (en) * | 2020-01-10 | 2021-07-20 | 여승기 | Artificial intelligence model generation method using artificial intelligence model generation platform providing system |
| KR20220105530A (en) * | 2021-01-20 | 2022-07-27 | 코드비전 주식회사 | Method for predicting water quality and apparatus thereof |
| KR102489538B1 (en) | 2020-07-29 | 2023-01-17 | 박인구 | Prevention system for removing water bloom |
-
2023
- 2023-03-23 KR KR1020230037900A patent/KR102628539B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210090368A (en) * | 2020-01-10 | 2021-07-20 | 여승기 | Artificial intelligence model generation method using artificial intelligence model generation platform providing system |
| KR102489538B1 (en) | 2020-07-29 | 2023-01-17 | 박인구 | Prevention system for removing water bloom |
| KR20220105530A (en) * | 2021-01-20 | 2022-07-27 | 코드비전 주식회사 | Method for predicting water quality and apparatus thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020228376A1 (en) | Text processing method and model training method and apparatus | |
| Qin et al. | A dual-stage attention-based recurrent neural network for time series prediction | |
| US20190279075A1 (en) | Multi-modal image translation using neural networks | |
| Bu et al. | Learning high-level feature by deep belief networks for 3-D model retrieval and recognition | |
| US9239985B2 (en) | Apparatus and methods for processing inputs in an artificial neuron network | |
| CN109544524A (en) | A kind of more attribute image aesthetic evaluation systems based on attention mechanism | |
| EP3992975A1 (en) | Compound property analysis method and apparatus, compound property analysis model training method, and storage medium | |
| WO2020159890A1 (en) | Method for few-shot unsupervised image-to-image translation | |
| CN113761153B (en) | Picture-based question-answering processing method and device, readable medium and electronic equipment | |
| US20230215166A1 (en) | Few-shot urban remote sensing image information extraction method based on meta learning and attention | |
| US20180082179A1 (en) | Systems and methods for deep learning with small training sets | |
| Quintián et al. | A hybrid regression system based on local models for solar energy prediction | |
| Wang et al. | Learning performance prediction via convolutional GRU and explainable neural networks in e-learning environments | |
| CN113064968B (en) | Social media emotion analysis method and system based on tensor fusion network | |
| Zhou et al. | Classroom learning status assessment based on deep learning | |
| Wu | Image retrieval method based on deep learning semantic feature extraction and regularization softmax | |
| Du et al. | An effective hierarchical extreme learning machine based multimodal fusion framework | |
| Katal et al. | Artificial neural network: models, applications, and challenges | |
| Wang et al. | Face hallucination using multisource references and cross‐scale dual residual fusion mechanism | |
| KR102628539B1 (en) | Method and apparatus for algal bloom prediction using artificial intelligence deep learning | |
| Xia | An overview of deep learning | |
| Liu et al. | Weighted error-output recurrent echo kernel state network for multi-step water level prediction | |
| Varlik et al. | Filtering airborne LIDAR data by using fully convolutional networks | |
| Brauer | Important milestones in the study of neural networks with random weights | |
| Jing | Application of Artificial Intelligence Algorithm and VR Technology in Vocal Music Teaching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |