KR20210080772A

KR20210080772A - 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템

Info

Publication number: KR20210080772A
Application number: KR1020190172681A
Authority: KR
Inventors: 김일호; 황환국; 이재엽
Original assignee: 한국건설기술연구원
Priority date: 2019-12-23
Filing date: 2019-12-23
Publication date: 2021-07-01
Also published as: KR102424729B1

Abstract

본 발명은 수질데이터의 라벨링과 인공신경망의 출력층 간의 오차를 최소화하여 수질을 정확히 분석할 수 있는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템에 관한 것으로, 수질이 측정될 저장수(1)가 저장된 저장조(10)의 내부에 상기 저장수(1)의 수심을 기반으로 복수로 설치되며, 기설정된 수치로 수심에 따른 저장수(1)의 수질을 측정하는 센서부(100); 상기 센서부(100)로부터 측정된 저장수(1)의 수치와 상기 저장수(1)의 수심에 대한 그래프를 포함하는 행렬을 복수로 생성하고, 상기 그래프의 모양을 기반으로 상기 저장수(1)의 수질을 양호 또는 악화로 라벨링(210)하는 라벨링부(200); 합성곱층(310), 풀링층(320) 및 출력층(330)을 각각 도출하며, 상기 라벨링부(200)로부터 생성된 행렬에 섬프로덕트(sumproduct) 함수 기반의 가중치에 편향을 더하고, 시그모이드(sigmoid) 함수를 적용하여 상기 저장수(1)의 수질을 출력층(330)에 도출하며, 상기 출력층(330)에 따라 상기 행렬을 양호 또는 악화로 판단하는 인공신경망부(300); 및 상기 라벨링(210)과 상기 출력층(330)의 오차를 도출하며, 상기 오차의 합을 최소화하기 위한 상기 합성곱층(310)의 가중치 및 편향과 상기 풀링층(320)에 부여하는 가중치 및 편향을 경사하강법이나 역전파법에 의해 도출하는 비교연산부(400);를 포함할 수 있다.

Description

수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템{Water quality analysis system using labeling of water quality data and learning of artificial neural networks}

본 발명은 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템에 관한 것으로, 보다 상세하게는 수질데이터의 라벨링과 인공신경망의 출력층 간의 오차를 최소화하여 수질을 정확히 분석할 수 있는 수질 분석시스템에 관한 것이다.

환경 규제가 점차적으로 강화됨에 따라, 하수처리장의 안정적이고 경제적인 운전을 위한 ICA(Instrumentation, Control and Automation) 기술들은 빠르게 발전되고 있다. 이러한 ICA 기술의 발전과 함께, 효과적인 공정 진단과 제어를 위한 하나의 수단이 되는 하수처리공정을 대상으로 한 모델에 대한 연구도 활발하게 진행되어 왔다.

이러한 모델은 결정론적 모델로써, 기본적으로 공정과 관련된 메커니즘과 물질 수지식 등에 기반하여 일반적으로 미분 방정식의 형태로 표현되는 white-box 모델, 공정으로부터 확보된 측정 데이터에 기반하여 주어진 입력 변수와 목표 변수 간의 변화 패턴만을 고려하여 생성되는 black-box 모델, 그리고 white-box 모델과 black-box 모델이 연속 또는 평행하게 결합되는 grey-box 모델로 구분되어 왔다. 그리고 IWA task group에 의해 제안된 활성슬러지 모델(ASM: Activated Sludge Model)과 인공신경망(ANN: Artificial Neural Network) 모델은 각각 white-box 모델과 black-box 모델의 대표적인 예가 될 수 있다.

이들 모델들은 하수처리장 건설을 위한 다양한 설계안들의 시뮬레이션에 의한 평가를 의미하는 공정 설계, 다양한 시나리오 분석을 통한 하수처리플랜트 공정의 향상 및 공정 이상 발생 시 적절한 대안 제시를 의미하는 공정의 최적화 및 제어라는 측면에서 유용하게 활용되고 있다.

공정의 최적화 및 제어 측면에서 모델의 활용은 현재 시점을 기준으로 한 활용 즉 공정의 이상이 발생한 후 정상화하는데 있어서의 활용에 국한되고 있다. 또한, 이들 모델들은 반복적인 학습을 통해 하수의 수질을 측정하기 위해 활용되고 있으나, 반복적인 학습을 수행한다 하여도 측정한 하수의 수질과 실질적인 하수의 수질은 서로 간의 큰 오차가 존재하여 하수의 수질을 정확히 측정할 수 없는 문제점이 있었다.

대한민국 등록특허공보 제10-1187416호 대한민국 공개특허공보 제10-2009-0078501호

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 본 발명의 목적은 라벨링부의 라벨링과 인공신경망부의 출력층을 기반으로 저장수의 수질이 양호 또는 악화인지 판단하여 저장수의 수질을 분석하며, 인공신경망부가 비교연산부로부터 도출되는 라벨링과 출력층 간의 오차의 합을 최소화하는 가중치 및 편향을 적용하여 라벨링과 최대한 동일하게 저장수의 수질을 양호 또는 악화로 판단할 수 있는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템을 제공하는데 있다.

한편, 본 발명에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템은 수질이 측정될 저장수(1)가 저장된 저장조(10)의 내부에 상기 저장수(1)의 수심을 기반으로 복수로 설치되며, 기설정된 수치로 수심에 따른 저장수(1)의 수질을 측정하는 센서부(100); 상기 센서부(100)로부터 측정된 저장수(1)의 수치와 상기 저장수(1)의 수심에 대한 그래프를 포함하는 행렬을 복수로 생성하고, 상기 그래프의 모양을 기반으로 상기 저장수(1)의 수질을 양호 또는 악화로 라벨링(210)하는 라벨링부(200); 합성곱층(310), 풀링층(320) 및 출력층(330)을 각각 도출하며, 상기 라벨링부(200)로부터 생성된 행렬에 섬프로덕트(sumproduct) 함수 기반의 가중치에 편향을 더하고, 시그모이드(sigmoid) 함수를 적용하여 상기 저장수(1)의 수질을 출력층(330)에 도출하며, 상기 출력층(330)에 따라 상기 행렬을 양호 또는 악화로 판단하는 인공신경망부(300); 및 상기 라벨링(210)과 상기 출력층(330)의 오차를 도출하며, 상기 오차의 합을 최소화하기 위한 상기 합성곱층(310)의 가중치 및 편향과 상기 풀링층(320)에 부여하는 가중치 및 편향을 경사하강법이나 역전파법에 의해 도출하는 비교연산부(400);를 포함할 수 있다.

일 실시예에서, 상기 센서부(100)는, 상기 저장수(1)의 제1 수심(10a)에 해당되도록 상기 저장조(10)의 내부에 설치되며, 상기 제1 수심(10a)에 따른 저장수(1)의 수질을 측정하는 제1 센서(110); 상기 제1 수심(10a)보다 상대적으로 깊은 제2 수심(10b)에 해당되도록 상기 저장조(10)의 내부에 설치되고, 상기 제2 수심(10b)에 따른 저장수(1)의 수질을 측정하는 제2 센서(120); 및 상기 제2 수심(10b)보다 상대적으로 깊은 제3 수심(10c)에 해당되도록 상기 저장조(10)의 내부에 설치되며, 상기 제3 수심(10c)에 따른 저장수(1)의 수질을 측정하는 제3 센서(130);를 포함하고, 상기 제1, 2, 3 수심(10a, 10b, 10c)에 따른 저장수(1)의 수질을 상기 기설정된 수치인 0~15 중 하나의 값으로 측정할 수 있다.

일 실시예에서, 상기 기설정된 수치는, 상기 저장수(1)의 수질 영향인자인 온도, pH, DO, BOD, MLSS, 영양염류(nutrients), 클로로필-a(chl-a: chlorophyll-a) 중 하나에 따른 수치일 수 있다.

일 실시예에서, 상기 라벨링부(200)는, 해상도가 7 행×7 열인 행렬 중 1 행은 상기 제1 센서(110)로부터 측정된 수치가 도트(dot)로 생성될 영역으로 설정하며, 4 행은 상기 제2 센서(120)로부터 측정된 수치가 도트로 생성될 영역으로 설정하고, 7 행은 상기 제3 센서(130)로부터 측정된 수치가 도트로 생성될 영역으로 설정하며, 상기 도트가 생성된 셀은 값이 1이고, 상기 도트가 생성되지 않은 셀의 값은 0이며, 상기 제1, 2, 3 센서(110, 120, 130)에서 측정하는 상기 저장수(1)의 수질 영향인자가 DO인 경우, 상기 제1 센서(110), 상기 제2 센서(120), 상기 제3 센서(130) 각각의 수치가 < 2.14이면 1 열, < 4.29이면 2 열, < 6.43이면 3 열, < 8.57이면 4 열, < 10.71이면 5 열, < 12.86이면 6 열, < 15이면 7 열에 도트를 생성할 수 있다.

일 실시예에서, 상기 라벨링부(200)는, 상기 제1, 2, 3 센서(110, 120, 130)의 수치가 상기 1, 4, 7 행에 생성된 후, 남은 2, 3, 5, 6 행에 도트를 생성하여 상기 1~7 행이 연결되는 그래프를 생성할 수 있다.

일 실시예에서, 상기 라벨링부(200)는, 상기 1~7 행의 도트가 상기 3~5 열에 생성되면서 상기 1, 4, 7 행의 도트 간 격차가 1 열 이하로 발생되는 경우, 상기 저장수(1)의 수질이 양호인 것으로 판단하며, 상기 1~7 행의 도트 중 적어도 하나의 도트가 상기 1, 2, 6, 7 열 중 하나의 열에 생성되거나 상기 1, 4, 7 행의 도트 간의 격차가 2 열 이상으로 발생되는 경우, 상기 저장수(1)의 수질이 악화인 것으로 판단하고, 상기 양호는 상기 저장수(1)에 성층이 없는 상태로 (1,0)로 라벨링(210)되며, 상기 악화는 상기 저장수(1)에 성층 또는 저부 혐기화가 발생된 상태로 (0,1)로 라벨링(210)될 수 있다.

일 실시예에서, 상기 인공신경망부(300)는, 상기 라벨링부(200)로부터 7 행×7 열의 행렬을 수신하며, 상기 행렬의 1 행의 1 열로부터 순차적으로 겹치게 3 행×3 열씩 추출하며, 상기 추출된 3 행×3 열과 상기 3 행×3 열에 대한 섬프로덕트 함수 기반의 가중치 간 동일 위치의 값끼리 곱하고, 편향을 더하여 5 행×5 열의 행렬을 도출하며, 상기 행렬에 시그모이드 함수를 적용하여 각 셀의 값을 0 또는 1로 변환된 상기 합성곱층(310)를 도출할 수 있다.

일 실시예에서, 상기 인공신경망부(300)는, 상기 라벨링부(200)로부터 수신하는 3 종류의 그래프가 포함된 3 종류의 행렬로부터 3 개의 합성곱층(310)을 도출할 수 있다.

일 실시예에서, 상기 인공신경망부(300)는, 상기 합성곱층(310)의 1 행의 1 열로부터 2 행×2 열씩 구획하며, 상기 2 행×2 열에 의해 구획되지 않는 5 행은 2 열, 5 열은 2 행으로 구획하고, 남은 5 행의 5 열은 값 자체를 최대 값으로 추출하여 3 행×3 열의 상기 풀링층(320)을 도출할 수 있다.

일 실시예에서, 상기 인공신경망부(300)는, 상기 3 개의 합성곱층(310)으로부터 3 개의 풀링층(320)을 도출할 수 있다.

일 실시예에서, 상기 인공신경망부(300)는, 상기 3 개의 풀링층(320) 각각의 3 행×3 열에 상기 3 행×3 열에 부여하는 섬프로덕트 함수 기반의 가중치와 편향을 더하고, 시그모이드 함수를 적용하여 0과 1의 값을 가지는 2 행×1 열의 상기 출력층(330)을 도출할 수 있다.

일 실시예에서, 상기 인공신경망부(300)는, 상기 출력층(330)의 값이 (1,0)인 경우, 상기 저장수(1)의 상태가 양호인 것으로 판단하고, 상기 출력층(330)의 값이 (0,1)인 경우, 상기 저장수(1)의 상태가 악화인 것으로 판단할 수 있다.

일 실시예에서, 상기 비교연산부(400)는, 상기 라벨링(210)과 상기 출력층(330)의 오차를 이하의 수학식인,

를 통해 도출할 수 있다.

본 발명의 일 실시예에 따르면, 라벨링부의 라벨링과 인공신경망부의 출력층 간 오차를 최소화함으로써, 라벨링부의 라벨링과 최대한 동일하게 양호 또는 악화를 판단하는 출력층을 도출하도록 인공신경망부를 학습시킬 수 있다.

그리고 본 발명의 일 실시예에 따르면, 인공신경망부가 라벨링부의 라벨링과 최대한 동일하게 양호 또는 악화를 판단하도록 학습됨으로써, 인공신경망부를 통해 저장수의 수질을 정확히 판단할 수 있다.

한편, 본 발명에서 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.

도 1은 본 발명에 따른 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템의 구성을 나타내는 블록도이다.
도 2는 센서부가 수심에 따른 저장수의 수질을 측정하는 방식을 설명하기 위한 단면도이다.
도 3 내지 4는 라벨링부의 행렬 및 그래프 생성 방식을 설명하기 위한 흐름도이다.
도 5는 라벨링부가 그래프를 양호 또는 악화로 라벨링하는 실시예들을 나타내는 도면이다.
도 6은 인공신경망부의 합성곱층 도출 방식을 설명하기 위한 도면이다.
도 7은 인공신경망부가 합성곱층을 이용하여 생성한 풀링층을 나타내는 도면이다.
도 8은 비교연산부가 라벨링부의 라벨링과 인공신경망부의 출력층 간의 오차를 최소화하는 과정을 나타내는 흐름도이다.
도 9는 인공신경망부의 학습에 대한 결과를 나타내는 그래프이다.

이하에서는, 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시 예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시 예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시 예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

이하에서는, 첨부된 도면들을 참조하여 본 발명의 일 실시예에 따른 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템(이하에서는, '수질 분석시스템'이라 한다.)을 자세히 설명하도록 하겠다.

도 1은 본 발명에 따른 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템의 구성을 나타내는 블록도이며, 도 2는 센서부가 수심에 따른 저장수의 수질을 측정하는 방식을 설명하기 위한 단면도이고, 도 3 내지 4는 라벨링부의 행렬 및 그래프 생성 방식을 설명하기 위한 흐름도이며, 도 5는 라벨링부가 그래프를 양호 또는 악화로 라벨링하는 실시예들을 나타내는 도면이고, 도 6은 인공신경망부의 합성곱층 도출 방식을 설명하기 위한 도면이며, 도 7은 인공신경망부가 합성곱층을 이용하여 생성한 풀링층을 나타내는 도면이고, 도 8은 비교연산부가 라벨링부의 라벨링과 인공신경망부의 출력층 간의 오차를 최소화하는 과정을 나타내는 흐름도이고, 도 9는 인공신경망부의 학습에 대한 결과를 나타내는 그래프이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 수질 분석시스템은 센서부(100), 라벨링부(200), 인공신경망부(300) 및 비교연산부(400)가 구성된다.

도 2를 참조하면, 센서부(100)는 저장조(10)에 저장되는 저장수(1)의 수질을 측정하기 위한 구성으로서, 저장수(1)의 수심에 따라 설치되는 제1 센서(110), 제2 센서(120) 및 제3 센서(130)로 구성된다. 여기서, 센서부(100)의 센서는 1, 2, 3 센서(110, 120, 130)으로 한정하는 것은 아니며, 저장수(1)의 수심에 따라 적거나 많게 저장조(10)에 설치될 수 있다.

제1 센서(110)는 저장수(1)의 상층인 제1 수심(10a)의 수질을 측정하기 위해 저장조(10)의 내부 중 제1 수심(10a)에 해당되는 위치에 설치된다. 그리고 제1 센서(110)는 저장수(1)의 제1 수심(10a)에 따른 수질을 기설정된 수치로 측정한다. 여기서, 기설정된 수치는 저장수(1)의 수질 영향인자인 온도, pH, DO, BOD, MLSS, 영양염류(nutrients), 클로로필-a(chl-a: chlorophyll-a) 중 하나이며, 0~15 중 하나의 값을 의미한다. 여기서, 상기 저장수(1)의 수질 영향인자는 녹조의 지표로 사용되는 인자를 의미할 수 있다.

제2 센서(120)는 제1 수심(10a)보다 깊은 저장수(1)의 중층인 제2 수심(10b)의 수질을 측정하기 위해 저장조(10)의 내부 중 제2 수심(10b)에 해당되는 위치에 설치된다. 또한, 제2 센서(120)는 제2 수심(10b)에 따른 수질을 제1 센서(110)와 마찬가지로, 0~15 중 하나의 값으로 측정한다.

제3 센서(130)는 제1, 2 수심(10a, 10b)보다 깊은 저장수(1)의 하층인 제3 수심(10c)의 수질을 측정하기 위해 저장조(10)의 내부 중 제3 수심(10c)에 해당되는 위치에 설치된다. 그리고 제3 센서(130)는 제3 수심(10c)에 따른 수질을 제1, 2 센서(110, 120)와 마찬가지로, 0~15 중 하나의 값으로 측정한다.

상기의 제1, 2, 3 센서(110, 120, 130)는 0~15 중 하나의 값으로 수심에 따른 저장수(1)의 수질을 측정하기 위해 저장수(1)의 수질 영향인자인 온도, pH, DO, BOD, MLSS 중 하나를 측정하기 위한 센서로 구현되는 것이 바람직할 것이며, 상기의 제1, 2, 3 센서(110, 120, 130)는 수심에 따른 저장수(1)의 수질을 서로 동일한 수질 영향인자로 측정하기 위한 센서로 구현되는 것이 더 바람직할 것이다.

또한, 제1, 2, 3 센서(110, 120, 130)는 인터넷 상 웹브라우저(web browser)에 접속이 가능하며 오픈 DB로 타 DB와 연동이 가능하다. 이를 통해, 측정한 저장수(1)의 수질 영향인자의 수치를 외부로 전송할 수 있다.

도 3 내지 도 5를 참조하면, 라벨링부(200)는 제1, 2, 3 센서(110, 120, 130)의 수치를 기반으로 저장수(1)의 수질을 판단하는 구성으로서 제1, 2, 3 센서(110, 120, 130)가 각각 수집한 수치를 기반으로 각 셀의 값이 0 또는 1인 해상도가 7 행×7 열의 행렬에 저장수(1)의 수질에 대한 그래프를 생성한다.

그리고 라벨링부(200)는 행렬 중 1 행의 1~7 열은 제1 센서(110)로부터 측정되는 수치가 도트(dot)될 영역으로 설정하며, 4 행의 1~7 열은 제2 센서(120)로부터 측정되는 수치가 도트될 영역으로 설정하고, 7 행의 1~7 열은 제3 센서(130)로부터 측정되는 수치가 도트될 영역으로 설정한다. 여기서, 도트되는 셀의 값은 1로서 그래프를 이루는 셀을 의미하며, 도트되지 않는 셀의 값은 0으로서 그래프를 제외한 영역을 이루는 셀을 의미한다.

또한, 라벨링부(200)는 제1, 2, 3 센서(110, 120, 130)로부터 각각 측정되는 수치에 따라 1, 4, 7 행의 1~7 열 중 하나의 열에 도트를 생성하며, 저장수(1)의 수질 영향인자에 따라 다른 도트 생성 기준을 통해 도트를 생성한다.

즉, 라벨링부(200)는 저장수(1)의 수질 영향인자가 온도인 경우, DO인 경우, BOD인 경우, MLSS인 경우, 영양염류인 경우, chl-a인 경우에 따라 서로 다른 도트 생성 기준을 기반으로 도트를 생성하여 저장수(1)의 수질을 라벨링(210)한다.

이하의 [표 1]은 라벨링부(200)가 저장수(1)의 수질 영향인자 중 하나인 용존산소(DO)을 기준으로 도트를 생성하는 기준이다.

센서	< 2.14	< 4.29	< 6.43	< 8.57	< 10.71	< 12.86	< 15
열	1	2	3	4	5	6	7

도 3을 참조하여 상기의 도트 생성 기준의 구체적인 예를 들면, 제1 센서(110)의 수치가 12, 제2 센서(120)의 수치가 5, 제3 센서(130)의 수치가 2인 경우, 라벨링부(200)는 1 행에는 6열, 4 행에는 3 열, 7 행에는 1 열에 각각 도트를 생성한다.

도 4를 참조하면, 라벨링부(200)는 1, 4, 7 행에 도트를 각각 생성한 후, 남은 2, 3, 5, 6 행의 1~7 열 중 하나의 열에 도트를 각각 생성하여 1~7 행이 연결되는 그래프를 생성한다. 여기서, 라벨링부(200)는 1, 4, 7 행의 도트를 최단거리로 연결하는 2, 3, 5, 6 행의 열에 도트를 각각 생성한다.

그리고 라벨링부(200)는 상기 도트 생성 방식을 기반으로, 7 행×7 열의 행렬로부터 그래프를 생성함으로써, 총 343 개(7×7×7)의 그래프를 생성하게 된다.

또한, 라벨링부(200)는 343 개의 그래프에 대해 저장수(1)의 수질을 양호(1,0) 또는 악화(0,1)로 라벨링(210)한다. 여기서, 양호(1,0)는 제1, 2, 3 센서(110, 120, 130)의 수치가 적당하면서 저장수(1)에 성층이 없는 상태로, 저장수(1)의 수질을 개선하기 위한 수질개선장치(미도시)가 가동 대기 상태로 유지되는 상태이며, 악화(0,1)는 저장수(1)에 성층 또는 제1, 2, 3 센서(110, 120, 130)의 수치가 낮아 저부 혐기화가 발생된 상태로, 수질개선장치(미도시)를 가동하여 저장수(1)의 수질을 개선해야하는 상태를 의미한다.

도 5를 참조하여 상기 라벨링(210) 과정의 구체적인 예를 들면, 라벨링부(200)는 제1 그래프(도 5의 (a))와 같이 1~7 행의 도트가 3~5 열에 생성되면서 1, 4, 7 행의 도트 간 격차가 1 열 이하로 발생되는 경우, 저장수(1)의 수치가 양호하며 성층이 없는 것으로 판단하여 상기 제1 그래프를 양호(1,0)로 라벨링(210)한다.

또한, 제2 그래프(도 5의 (b))와 같이 1~7 행의 도트 중 하나의 도트가 1, 2, 6, 7 열 중 하나의 열에 생성되고, 1, 4, 7 행의 도트 간의 격차가 2 열 이상 발생되면서 7 행의 도트가 1 열에 발생되는 경우, 저장수(1)에 저부 혐기화가 발생된 것으로 판단하며, 상기 제2 그래프를 악화(0,1)로 라벨링(210)한다.

그리고 제3 그래프(도 5의 (c))와 같이 1 행, 4 행, 7 행으로 갈수록 도트가 생성되는 열이 증가 및 감소가 반복되는 경우, 저장수(1)에 성층이 형성된 것으로 판단하며, 상기 제3 그래프를 악화(0,1)로 라벨링(210)한다.

또한, 제4 그래프(도 5의 (d))와 같이 1~7 행의 도트가 1~2 열에 생성되는 경우, 저장수(1)의 수치가 낮으며, 상기 저장수(1)에 저부 혐기화가 발생된 것으로 판단하며, 상기 제4 그래프를 악화(0,1)로 라벨링한다.

도 6 내지 8을 참조하면, 인공신경망부(300)는 라벨링부(200)로부터 수신하는 행렬을 기반으로 라벨링부(200)와는 독립적으로 저장수(1)의 수질을 양호 또는 악화로 판단하는 구성이며, 이를 위해 합성곱 신경망(CNN: Convolutional Neural Network)이 구현될 수 있다.

그리고 인공신경망부(300)는 저장수(1)의 수질을 양호 또는 악화로 판단하기 위해 합성곱층(310), 풀링층(320) 및 출력층(330)을 각각 도출한다. 상기의 합성곱층(310), 풀링층(320) 및 출력층(330)의 도출 과정은 이하와 같다.

도 6을 참조하면, 인공신경망부(300)는 라벨링부(200)로부터 수신한 7 행×7 열의 행렬의 1행의 1열로부터 순차적으로 겹치게 3 행 ×3 열씩 추출하며, 상기 추출된 3 행 ×3 열과 상기 추출된 3 행×3 열에 대한 섬프로덕트(sumproduct) 함수 기반의 가중치 간 동일 위치의 값끼리 곱하고, 편향을 더하여 5 행×5 열의 행렬을 도출한다.

상기 합성곱층(310)을 도출하는 방식의 일 예로, 인공신경망부(300)는 이하의 [수학식 1]을 통해 도 6의 1행의 1열로부터 합성곱층(310)의 1행의 1열을 도출할 수 있다.

그 후, 인공신경망부(300)는 이하의 [수학식 2]과 같이, 5 행×5 열의 행렬에 시그모이드(sigmoid) 함수를 적용하여 각 셀의 값이 0 또는 1로 변환된 5 행×5 열의 합성곱층(310)을 도출한다.

여기서, 섬프로덕트 함수는 여러 범위의 값들을 곱하고 그 값들을 더하는 함수를 의미하며, 시그모이드 함수는 로지스틱 회귀분석 또는 활성함수로써 종속변수의 값이 0 또는 1을 갖는 함수를 의미한다.

더 나아가, 인공신경망부(300)는 하나의 합성곱층(310)을 생성할 뿐만 아니라, 상기 합성곱층(310)을 포함하여 라벨링부(200)로부터 수신하는 3 종류의 그래프가 포함된 행렬로부터 3 개의 합성곱층(310)을 도출한다. 이와 같이, 3 개의 합성곱층(310)을 도출하는 것은 출력층(330)으로부터 양호(1,0)와 악화(0,1)의 변수를 도출하기 위함이다.

인공신경망부(300)는 3 개의 합성곱층(310)을 도출한 후, 5 행×5 열의 합성곱층(310)을 이하의 [수학식 3]과 같이 2 행×2 열씩 구획하며, 그 중 최대값만을 추출하여 도 7에 도시된 바와 같이, 3 행×3 열의 풀링층(320)을 도출한다.

상기 풀링층(320) 도출 과정에서, 2 행×2 열에 의해 구획되지 않는 5 행은 2 열, 5 열은 2 행으로 구획하여 최대값만을 추출하며, 남은 5 행의 5 열은 값 자체를 최대값으로 추출하여 3 행×3 열의 풀링층(320)을 도출한다.

더 나아가, 인공신경망부(300)는 합성곱층(310)이 3 개로 도출되므로, 이에 따라 3 개의 풀링층(320)을 도출하는 것으로 이해되는 것이 바람직할 것이다.

도 8을 참조하면, 인공신경망부(300)는 3 개의 풀링층(320)을 도출한 후, 3 개의 풀링층(320) 각각의 3 열×3 행에 대해 상기 3 열×3 행에 부여하는 섬프로덕트 함수 기반의 가중치와 편향을 더하고, 시그모이드 함수를 적용하여 0과 1의 값을 가지는 2 행×1 열의 출력층(330)을 도출한다. 여기서, 출력층(330)은 (1,0) 또는 (0,1)의 값을 가진다.

그리고 인공신경망부(300)는 출력층(330)의 값이 (1,0)인 경우, 저장수(1)의 상태가 양호인 것으로 판단하며, 출력층(330)의 값이 (0,1)인 경우, 저장수(1)의 상태가 악화인 것으로 판단한다.

도 8을 참조하면, 비교연산부(400)는 라벨링부(200)로부터 343 개의 그래프에 대한 라벨링(210)을 수신하며, 인공신경망부(300)로부터 343 개의 그래프에 대한 출력층(330)을 수신한다.

그리고 비교연산부(400)는 이하의 [수학식 4]을 기반으로 동일 그래프에 대한 라벨링(210)과 출력층(330)의 오차를 도출한다.

즉, 비교연산부(400)는 동일 그래프에 대한 라벨링(210)과 출력층(330)의 오차를 라벨링(210)과 출력층(330)의 인수 차의 제곱 합을 구하여 도출하는 것이다.

또한, 비교연산부(400)는 343 개의 그래프에 대한 라벨링(210)과 출력층(330)으로부터 오차를 도출하며, 상기 오차를 더한 오차의 합을 최소화하기 위한 합성곱층(310)의 가중치 및 편향과 풀링층(320)에 부여하는 가중치 및 편향을 경사하강법 또는 역전파법에 의해 도출한다.

한편, 인공신경망부(300)는 비교연산부(400)가 도출하는 라벨링(210)과 출력층(330)의 오차의 합을 최소화하기 위한 가중치 및 편향을 적용함으로써, 라벨링(210)과 최대한 동일하게 양호(1,0) 또는 악화(0,1)를 판단할 수 있는 출력층(330)을 도출하게 된다.

이와 같이, 출력층(330)을 도출하기 위해 인공신경망부(300)는 라벨링(210)을 기반으로 학습(머신러닝)을 하게 되며, 상기 학습을 통해 저장수(1)의 수질을 정확히 측정하게 됨으로써, 저장수(1)의 수질 개선이 용이해지는 장점이 있다.

더 나아가, 인공신경망부(300)는 343개의 그래프에 대한 라벨링(210)을 기반으로 학습하게 될 때 도 9의 그래프와 같은 결과를 얻었다. 여기서, 상기 도 9의 그래프에서 x축은 라벨링(210) 데이터의 개수, 왼쪽 y축은 의사결정의 정확도, 오른쪽 y축은 모든 라벨링(210) 데이터에 대해 인공신경망부(300)의 오차 개수이다.

그리고 인공신경망부(300)의 학습을 통해 50개의 그래프에 대한 라벨링(210)을 통해서 약 90 %(89.5 %)에 준하는 정답률을 얻는다는 결과를 얻었다.

또한, 인공신경망부(300)의 학습을 통해 라벨링(210) 데이터 개수가 증가하면 의사결정의 정확도가 높아지고, 오차 개수는 줄어들지만, 의사결정 정확도의 격차는 40개의 그래프에 대한 라벨링(210)으로부터 50개의 그래프에 대한 라벨링(210)의 격차가 8.2 %로서 가장 컸으며, 50개의 그래프에 대한 라벨링(210)으로부터 300개의 그래프에 대한 라벨링(210)의 격차는 1.8 %로서 큰 차이가 없다는 결과를 얻었다.

즉, 인공신경망부(300)는 343개의 그래프에 대한 라벨링(210)을 통해 학습을 수행할 수 있을 뿐만 아니라, 의사결정 정확도가 약 90 %인 50개의 그래프에 대한 라벨링(210)을 통해 학습을 수행하는 것이 가능하고, 이와 같이 50개의 그래프에 대한 라벨링(210)을 기반으로 학습하는 인공신명망부(300)를 통해 본 발명의 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템은 전수(全數) 대비 14.6 %의 라벨링 데이터로 의사결정 및 운영이 가능한 장점이 있다.

더 나아가, 인공신경망부(300)는 라벨링부(200)가 제1, 2, 3 센서(110, 120, 130)에서 측정된 저장수(1)의 수질 영향인자에 따라 다른 도트 생성 기준을 기반으로 라벨링(210)을 생성하므로, 저장수(1)의 수질 영향인자에 따라 다른 학습을 수행할 수 있다. 구체적으로, 인공신경망부(300)는 저장수(1)의 온도, pH, DO, BOD, MLSS, 영양염류(nutrients), 클로로필-a(chl-a: chlorophyll-a)에 따른 학습을 각각 수행할 수 있다.

상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시 예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시 예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.

본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.

1: 저장수,
10: 저장조,
100: 센서부,
110: 제1 센서,
120: 제2 센서,
130: 제3 센서,
200: 라벨링부,
210: 라벨링,
300: 인공신경망부,
310: 합성곱층,
320: 풀링층,
330: 출력층,
400: 비교연산부.

Claims

수질이 측정될 저장수(1)가 저장된 저장조(10)의 내부에 상기 저장수(1)의 수심을 기반으로 복수로 설치되며, 기설정된 수치로 수심에 따른 저장수(1)의 수질을 측정하는 센서부(100);
상기 센서부(100)로부터 측정된 저장수(1)의 수치와 상기 저장수(1)의 수심에 대한 그래프를 포함하는 행렬을 복수로 생성하고, 상기 그래프의 모양을 기반으로 상기 저장수(1)의 수질을 양호 또는 악화로 라벨링(210)하는 라벨링부(200);
합성곱층(310), 풀링층(320) 및 출력층(330)을 각각 도출하며, 상기 라벨링부(200)로부터 생성된 행렬에 섬프로덕트(sumproduct) 함수 기반의 가중치에 편향을 더하고, 시그모이드(sigmoid) 함수를 적용하여 상기 저장수(1)의 수질을 출력층(330)에 도출하며, 상기 출력층(330)에 따라 상기 행렬을 양호 또는 악화로 판단하는 인공신경망부(300); 및
상기 라벨링(210)과 상기 출력층(330)의 오차를 도출하며, 상기 오차의 합을 최소화하기 위한 상기 합성곱층(310)의 가중치 및 편향과 상기 풀링층(320)에 부여하는 가중치 및 편향을 경사하강법이나 역전파법에 의해 도출하는 비교연산부(400);를 포함하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 1 항에 있어서,
상기 센서부(100)는,
상기 저장수(1)의 제1 수심(10a)에 해당되도록 상기 저장조(10)의 내부에 설치되며, 상기 제1 수심(10a)에 따른 저장수(1)의 수질을 측정하는 제1 센서(110);
상기 제1 수심(10a)보다 상대적으로 깊은 제2 수심(10b)에 해당되도록 상기 저장조(10)의 내부에 설치되고, 상기 제2 수심(10b)에 따른 저장수(1)의 수질을 측정하는 제2 센서(120); 및
상기 제2 수심(10b)보다 상대적으로 깊은 제3 수심(10c)에 해당되도록 상기 저장조(10)의 내부에 설치되며, 상기 제3 수심(10c)에 따른 저장수(1)의 수질을 측정하는 제3 센서(130);를 포함하고,
상기 제1, 2, 3 수심(10a, 10b, 10c)에 따른 저장수(1)의 수질을 상기 기설정된 수치인 0~15 중 하나의 값으로 측정하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 2 항에 있어서,
상기 기설정된 수치는,
상기 저장수(1)의 수질 영향인자인 온도, pH, DO, BOD, MLSS, 영양염류(nutrients), 클로로필-a(chl-a: chlorophyll-a) 중 하나에 따른 수치인 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 3 항에 있어서,
상기 라벨링부(200)는,
해상도가 7 행×7 열인 행렬 중 1 행은 상기 제1 센서(110)로부터 측정된 수치가 도트(dot)로 생성될 영역으로 설정하며, 4 행은 상기 제2 센서(120)로부터 측정된 수치가 도트로 생성될 영역으로 설정하고, 7 행은 상기 제3 센서(130)로부터 측정된 수치가 도트로 생성될 영역으로 설정하며, 상기 도트가 생성된 셀은 값이 1이고, 상기 도트가 생성되지 않은 셀의 값은 0이며,
상기 제1, 2, 3 센서(110, 120, 130)에서 측정하는 상기 저장수(1)의 수질 영향인자가 DO인 경우, 상기 제1 센서(110), 상기 제2 센서(120), 상기 제3 센서(130) 각각의 수치가 < 2.14이면 1 열, < 4.29이면 2 열, < 6.43이면 3 열, < 8.57이면 4 열, < 10.71이면 5 열, < 12.86이면 6 열, < 15이면 7 열에 도트를 생성하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 4 항에 있어서,
상기 라벨링부(200)는,
상기 제1, 2, 3 센서(110, 120, 130)의 수치가 상기 1, 4, 7 행에 생성된 후, 남은 2, 3, 5, 6 행에 도트를 생성하여 상기 1~7 행이 연결되는 그래프를 생성하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 5 항에 있어서,
상기 라벨링부(200)는,
상기 1~7 행의 도트가 상기 3~5 열에 생성되면서 상기 1, 4, 7 행의 도트 간 격차가 1 열 이하로 발생되는 경우, 상기 저장수(1)의 수질이 양호인 것으로 판단하며,
상기 1~7 행의 도트 중 적어도 하나의 도트가 상기 1, 2, 6, 7 열 중 하나의 열에 생성되거나 상기 1, 4, 7 행의 도트 간의 격차가 2 열 이상으로 발생되는 경우, 상기 저장수(1)의 수질이 악화인 것으로 판단하고,
상기 양호는 상기 저장수(1)에 성층이 없는 상태로 (1,0)로 라벨링(210)되며, 상기 악화는 상기 저장수(1)에 성층 또는 저부 혐기화가 발생된 상태로 (0,1)로 라벨링(210)되는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 5 항에 있어서,
상기 인공신경망부(300)는,
상기 라벨링부(200)로부터 7 행×7 열의 행렬을 수신하며, 상기 행렬의 1 행의 1 열로부터 순차적으로 겹치게 3 행×3 열씩 추출하며, 상기 추출된 3 행×3 열과 상기 3 행×3 열에 대한 섬프로덕트 함수 기반의 가중치 간 동일 위치의 값끼리 곱하고, 편향을 더하여 5 행×5 열의 행렬을 도출하며, 상기 행렬에 시그모이드 함수를 적용하여 각 셀의 값을 0 또는 1로 변환된 상기 합성곱층(310)를 도출하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 7 항에 있어서,
상기 인공신경망부(300)는,
상기 라벨링부(200)로부터 수신하는 3 종류의 그래프가 포함된 3 종류의 행렬로부터 3 개의 합성곱층(310)을 도출하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 8 항에 있어서,
상기 인공신경망부(300)는,
상기 합성곱층(310)의 1 행의 1 열로부터 2 행×2 열씩 구획하며, 상기 2 행×2 열에 의해 구획되지 않는 5 행은 2 열, 5 열은 2 행으로 구획하고, 남은 5 행의 5 열은 값 자체를 최대 값으로 추출하여 3 행×3 열의 상기 풀링층(320)을 도출하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 9 항에 있어서,
상기 인공신경망부(300)는,
상기 3 개의 합성곱층(310)으로부터 3 개의 풀링층(320)을 도출하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 10 항에 있어서,
상기 인공신경망부(300)는,
상기 3 개의 풀링층(320) 각각의 3 행×3 열에 상기 3 행×3 열에 부여하는 섬프로덕트 함수 기반의 가중치와 편향을 더하고, 시그모이드 함수를 적용하여 0과 1의 값을 가지는 2 행×1 열의 상기 출력층(330)을 도출하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 11 항에 있어서,
상기 인공신경망부(300)는,
상기 출력층(330)의 값이 (1,0)인 경우, 상기 저장수(1)의 상태가 양호인 것으로 판단하고,
상기 출력층(330)의 값이 (0,1)인 경우, 상기 저장수(1)의 상태가 악화인 것으로 판단하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.
제 1 항에 있어서,
상기 비교연산부(400)는,
상기 라벨링(210)과 상기 출력층(330)의 오차를 이하의 수학식인,

를 통해 도출하는 것을 특징으로 하는 수질데이터의 라벨링과 인공신경망의 학습을 이용한 수질 분석시스템.