KR20240078733A

KR20240078733A - predictting method of river diffusion pathways and Path spread prediction device supporting the same

Info

Publication number: KR20240078733A
Application number: KR1020220161173A
Authority: KR
Inventors: 박영현; 정형주; 김형석
Original assignee: 에스케이플래닛 주식회사
Priority date: 2022-11-28
Filing date: 2022-11-28
Publication date: 2024-06-04

Abstract

본 발명은, 경로 확산 예측 장치가, 유체에 해당하는 강물의 유속 추정이 요구되는 시점을 기준으로 일정 시간 이내에, 상기 강물에 대한 복수개의 분광 이미지들을 수집하는 단계, 상기 복수개의 분광 이미지들에 대한 기계 학습을 수행하여 유체 흐름 예측 모델을 생성하는 단계, 상기 유속 추정이 요구되는 시점에 해당하는 현재 분광 이미지를 획득하는 단계, 상기 유체 흐름 예측 모델을 기반으로 상기 현재 분광 이미지를 비교 분석하여 상기 강물의 유속 추정 값을 산출하는 단계를 포함하는 유체 경로 확산 예측 방법 및 이를 지원하는 경로 확산 예측 장치를 개시할 수 있다.The present invention includes the steps of collecting, by a path diffusion prediction device, a plurality of spectral images of the river within a certain time based on the point at which flow velocity estimation of the river water corresponding to the fluid is required; Generating a fluid flow prediction model by performing machine learning, acquiring a current spectral image corresponding to a point in time when flow rate estimation is required, and comparing and analyzing the current spectral image based on the fluid flow prediction model to determine the river water A fluid path diffusion prediction method including calculating an estimated flow velocity value and a path diffusion prediction device supporting the same may be disclosed.

Description

Fluid path diffusion prediction method and path spread prediction device supporting the same {predicting method of river diffusion pathways and Path spread prediction device supporting the same}

본 발명은 유체 경로 확산 예측에 관한 것으로서, 더욱 상세하게는 유체의 분광 이미지를 기반으로 학습을 통해 유체의 경로 확산을 예측할 수 있는 기술에 에 관한 것이다.The present invention relates to prediction of fluid path diffusion, and more specifically, to a technology that can predict fluid path diffusion through learning based on spectral images of the fluid.

기상이 변하게 되면, 그에 따라 강수량의 변화가 발생하고, 강수량의 변화는 강물의 흐름에 영향을 주게 된다. 이러한 강물의 흐름은 평상시에는 축적된 기상 데이터를 기반으로 어느 정도 예측이 가능할 수 있다. 하지만 태풍, 장마, 국지적인 집중호우와 같이 급격하게 강수량이 변화하는 환경에서는 기존에 축적된 기상 데이터만으로는 강물의 흐름을 정확하게 예측하는 것이 어렵다.When the weather changes, changes in precipitation occur accordingly, and changes in precipitation affect the flow of river water. The flow of these rivers can be predicted to some extent based on accumulated weather data in normal times. However, in environments where precipitation changes rapidly, such as typhoons, rainy seasons, and localized heavy rain, it is difficult to accurately predict the flow of river water using only existing accumulated meteorological data.

강물의 흐름에 대한 예측이 어렵게 되면, 결과적으로 강물에 의한 피해를 야기할 수 있어, 다양한 재산상의 피해나 또는 인명 사고가 발생할 수 있다. 특히, 집중호우가 발생할 때마다 다양한 수해가 발생하고 있는데, 이러한 문제를 해결하기 어려운 실정이다.If it becomes difficult to predict the flow of river water, damage due to the river water may result, which may lead to various property damage or human casualties. In particular, various flood damage occurs whenever heavy rain occurs, and it is difficult to solve this problem.

본 발명은 유체(예: 강물)의 분광 이미지를 기반으로 유체 흐름 예측 모델을 생성하고, 유체 흐름 예측 모델을 이용하여 보다 신속 정확한 강물 경로 확산을 예측함으로써, 강물 확산에 의한 피해를 최소화할 수 있도록 지원하는 유체 경로 확산 예측 방법 및 이를 지원하는 경로 확산 예측 장치를 제공함에 있다. The present invention creates a fluid flow prediction model based on a spectral image of a fluid (e.g., river water), and uses the fluid flow prediction model to predict river water path diffusion more quickly and accurately, thereby minimizing damage caused by river water diffusion. To provide a method for predicting fluid path diffusion and a path diffusion prediction device that supports the same.

그러나, 이러한 본 발명의 목적은 상기의 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.However, the object of the present invention is not limited to the above object, and other objects not mentioned can be clearly understood from the description below.

상술한 바와 같은 목적을 달성하기 위한 유체 경로 확산 예측을 지원하는 경로 확산 예측 장치는, 유체에 해당하는 강물과 관련한 복수개의 분광 이미지를 획득하는 분광 카메라, 상기 분광 카메라와 기능적으로 연결되는 프로세서를 포함하고, 상기 프로세서는, 상기 강물의 유속 추정이 요구되는 시점을 기준으로 일정 시간 이내에 상기 강물에 대한 복수개의 분광 이미지들을 수집하고, 상기 복수개의 분광 이미지들에 대한 기계 학습을 수행하여 유체 흐름 예측 모델을 생성하고, 상기 유속 추정이 요구되는 시점에 해당하는 현재 분광 이미지를 획득하고, 상기 유체 흐름 예측 모델을 기반으로 상기 현재 분광 이미지를 비교 분석하여 상기 강물의 유속 추정 값을 산출하도록 설정될 수 있다. A path diffusion prediction device that supports fluid path diffusion prediction to achieve the above-described purpose includes a spectroscopic camera that acquires a plurality of spectral images related to river water corresponding to the fluid, and a processor functionally connected to the spectral camera. And, the processor collects a plurality of spectral images of the river within a certain time based on the point at which flow velocity estimation of the river water is required, and performs machine learning on the plurality of spectral images to model a fluid flow prediction model. It can be set to generate, acquire a current spectral image corresponding to the time when the flow rate estimation is required, and compare and analyze the current spectral image based on the fluid flow prediction model to calculate an estimated value of the flow rate of the river. .

구체적으로, 상기 프로세서는, 상기 유체 흐름 예측 모델의 특정 객체에 대한 랜드 마킹을 수행하고, 상기 현재 분광 이미지에서 상기 특정 객체에 대응하는 객체의 랜드 마킹을 수행한 후, 상기 랜드 마킹들의 변화를 기반으로 상기 유속 추정 값을 산출하도록 설정된 것을 특징으로 한다.Specifically, the processor performs landmarking for a specific object in the fluid flow prediction model, performs landmarking of an object corresponding to the specific object in the current spectral image, and then performs landmarking based on changes in the landmarks. It is characterized in that it is set to calculate the flow rate estimate value.

구체적으로, 상기 경로 확산 예측 장치는 유체 방향 감지 센서를 더 포함하고, 상기 프로세서는 상기 유체 방향 감지 센서가 전달한 유체 방향 값을 상기 랜드 마킹들의 변화에 적용하여 상기 유속 추정 값을 산출하도록 설정된 것을 특징으로 한다.Specifically, the path diffusion prediction device further includes a fluid direction detection sensor, and the processor is set to calculate the flow velocity estimate value by applying the fluid direction value transmitted by the fluid direction detection sensor to changes in the landmarks. Do it as

구체적으로, 상기 경로 확산 예측 장치는 오염물 감지 센서를 더 포함하고, 상기 프로세서는, 상기 오염물 감지 센서로부터 전달된 오염물을 상기 특정 객체로 정의하고, 상기 특정 객체에서의 랜드 마킹들의 변화를 기반으로 상기 유속 추정 값을 산출하도록 설정된 것을 특징으로 한다.Specifically, the path diffusion prediction device further includes a contaminant detection sensor, and the processor defines the contaminant transmitted from the contaminant detection sensor as the specific object, and based on changes in landmarks in the specific object. It is characterized in that it is set to calculate the flow rate estimate value.

구체적으로, 상기 경로 확산 예측 장치는 강우량 측정을 위한 센서를 더 포함하고, 상기 프로세서는, 강우량이 사전 정의된 값 이상인 시점부터 상기 복수개의 분광 이미지들을 수집하도록 설정된 것을 특징으로 한다.Specifically, the path diffusion prediction device further includes a sensor for measuring rainfall, and the processor is set to collect the plurality of spectral images from the time when the rainfall amount is greater than or equal to a predefined value.

본 발명의 실시 예에 따른 유체 경로 확산 예측 방법은 경로 확산 예측 장치가, 유체에 해당하는 강물의 유속 추정이 요구되는 시점을 기준으로 일정 시간 이내에, 상기 강물에 대한 복수개의 분광 이미지들을 수집하는 단계, 상기 복수개의 분광 이미지들에 대한 기계 학습을 수행하여 유체 흐름 예측 모델을 생성하는 단계, 상기 유속 추정이 요구되는 시점에 해당하는 현재 분광 이미지를 획득하는 단계, 상기 유체 흐름 예측 모델을 기반으로 상기 현재 분광 이미지를 비교 분석하여 상기 강물의 유속 추정 값을 산출하는 단계를 포함하는 것을 특징으로 한다.The fluid path diffusion prediction method according to an embodiment of the present invention includes the steps of a path diffusion prediction device collecting a plurality of spectral images of the river within a certain time based on the point in time when estimation of the flow rate of the river water corresponding to the fluid is required. , performing machine learning on the plurality of spectral images to generate a fluid flow prediction model, acquiring a current spectral image corresponding to a time when the flow rate estimation is required, based on the fluid flow prediction model It is characterized in that it includes the step of calculating an estimated value of the flow velocity of the river water by comparing and analyzing the current spectral image.

구체적으로, 상기 강물의 유속 추정 값을 산출하는 단계는 상기 경로 확산 예측 장치가 상기 유체 흐름 예측 모델의 특정 객체에 대한 랜드 마킹을 수행하는 단계, 상기 현재 분광 이미지에서 상기 특정 객체에 대응하는 객체의 랜드 마킹을 수행하는 단계, 상기 랜드 마킹들의 변화를 기반으로 상기 유속 추정 값을 산출하는 단계를 포함하는 것을 특징으로 한다.Specifically, the step of calculating the estimated value of the flow velocity of the river water includes the path diffusion prediction device performing landmarking for a specific object in the fluid flow prediction model, and the step of calculating an object corresponding to the specific object in the current spectral image. The method includes performing land marking and calculating the flow rate estimate based on changes in the landmarks.

본 발명의 실시 예에 따른 유체 경로 확산 예측 방법은 경로 확산 예측 장치가, 유체에 해당하는 강물의 유속 추정이 요구되는 시점에 상기 강물에 대한 분광 이미지를 수집하는 단계, 상기 분광 이미지에 대한 객체 검출 요구 시, 상기 분광 이미지에 포함된 적어도 하나의 객체의 분광 이미지 내에서의 좌표 및 크기를 검출하고, 검출된 좌표 및 크기 값을 출력하는 단계, 상기 분광 이미지에 대한 세그멘테이션 요구 시, 상기 분광 이미지에 포함된 적어도 하나의 객체들의 경계를 구분하여 객체 마스크를 수행하고, 객체 마스크 결과를 출력하는 단계를 포함하는 것을 특징으로 한다. The fluid path diffusion prediction method according to an embodiment of the present invention includes the steps of collecting a spectral image of the river water at a time when an estimate of the flow rate of the river water corresponding to the fluid is required by the path diffusion prediction device, and detecting an object for the spectral image. Upon request, detecting coordinates and size within the spectral image of at least one object included in the spectral image, and outputting the detected coordinates and size values; When requesting segmentation for the spectral image, the spectral image Characterized by comprising the step of performing an object mask by distinguishing the boundary of at least one included object, and outputting the object mask result.

본 발명에 따르면, 본 발명은 유체의 분광 이미지를 기반으로 유체 흐름 예측을 보다 정확하게 할 수 있도록 지원한다.According to the present invention, the present invention supports more accurate fluid flow prediction based on spectral images of the fluid.

이러한 본 발명은 유체 흐름 예측을 통해 유체의 급격한 확산에 의한 상황에 적응적으로 대처할 수 있도록 함으로써, 유체 확산에 따른 피해 발생을 개선할 수 있도록 지원한다. The present invention supports the improvement of damage caused by fluid diffusion by adaptively coping with situations caused by rapid diffusion of fluid through fluid flow prediction.

아울러, 상술한 효과 이외의 다양한 효과들이 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 수 있다.In addition, various effects other than the effects described above may be disclosed directly or implicitly in the detailed description according to embodiments of the present invention, which will be described later.

도 1은 본 발명의 실시 예에 따른 유체 경로 확산 예측과 관련한 시스템 환경의 한 예를 나타낸 도면.
도 2는 본 발명의 실시 예에 따른 경로 확산 예측 장치 구성의 한 예를 나타낸 도면.
도 3은 본 발명의 실시 예에 따른 유체 흐름 예측 모델링과 관련한 랜드 마킹의 한 예를 나타낸 도면.
도 4는 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면.
도 5는 본 발명의 실시 예에 따른 유체 유속 추정과 관련한 경로 확산 예측 장치의 운용 방법의 한 예를 나타낸 도면.1 is a diagram illustrating an example of a system environment related to fluid path diffusion prediction according to an embodiment of the present invention.
Figure 2 is a diagram showing an example of the configuration of a path diffusion prediction device according to an embodiment of the present invention.
Figure 3 is a diagram showing an example of landmarks related to fluid flow prediction modeling according to an embodiment of the present invention.
Figure 4 is a diagram showing an example of a server device configuration according to an embodiment of the present invention.
Figure 5 is a diagram showing an example of a method of operating a path diffusion prediction device related to fluid flow rate estimation according to an embodiment of the present invention.

본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.In order to make the characteristics and advantages of the problem-solving means of the present invention clearer, the present invention will be described in more detail with reference to specific embodiments of the present invention shown in the attached drawings.

다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.However, detailed descriptions of known functions or configurations that may obscure the gist of the present invention are omitted in the following description and attached drawings. Additionally, it should be noted that the same components throughout the drawings are indicated by the same reference numerals whenever possible.

이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.Terms or words used in the following description and drawings should not be construed as limited to their usual or dictionary meanings, and the inventor may appropriately define the concept of the term to explain his or her invention in the best way. It must be interpreted with meaning and concept consistent with the technical idea of the present invention based on the principle that it is. Therefore, the embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention, and do not represent the entire technical idea of the present invention, so at the time of filing the present application, various methods that can replace them are available. It should be understood that equivalents and variations may exist.

또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.In addition, terms containing ordinal numbers, such as first, second, etc., are used to describe various components, and are used only for the purpose of distinguishing one component from other components and to limit the components. Not used. For example, the second component may be referred to as the first component without departing from the scope of the present invention, and similarly, the first component may also be referred to as the second component.

또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Additionally, the terms used in this specification are only used to describe specific embodiments and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In addition, terms such as "comprise" or "have" used in the specification are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more of the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification. It should be understood that this does not exclude in advance the presence or addition of other features, numbers, steps, operations, components, parts, or combinations thereof.

또한, 명세서에 기재된 "부", "기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.Additionally, terms such as “unit,” “unit,” and “module” used in the specification refer to a unit that processes at least one function or operation, and may be implemented as hardware, software, or a combination of hardware and software. In addition, the terms "a or an", "one", "the", and similar related terms are used in the context of describing the invention (particularly in the context of the claims below) as used herein. It may be used in both singular and plural terms, unless indicated otherwise or clearly contradicted by context.

상술한 용어들 이외에, 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.In addition to the terms described above, specific terms used in the following description are provided to aid understanding of the present invention, and the use of these specific terms may be changed to other forms without departing from the technical spirit of the present invention.

아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다.Additionally, embodiments within the scope of the present invention include computer-readable media having or transmitting computer-executable instructions or data structures stored on the computer-readable media. Such computer-readable media may be any available media that can be accessed by a general-purpose or special-purpose computer system. By way of example, such computer-readable media may include RAM, ROM, EPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage, or in the form of computer-executable instructions, computer-readable instructions or data structures. It may be used to store or transmit certain program code means, and may include, but is not limited to, a physical storage medium such as any other medium that can be accessed by a general purpose or special purpose computer system. .

이하, 본 발명의 유체 경로 확산 예측을 지원하는 시스템 환경 및 이에 포함되는 각 구성들의 종류와 역할에 대하여 설명하기로 한다.Hereinafter, the system environment that supports fluid path diffusion prediction of the present invention and the types and roles of each component included therein will be described.

도 1은 본 발명의 실시 예에 따른 유체 경로 확산 예측과 관련한 시스템 환경의 한 예를 나타낸 도면이다.1 is a diagram illustrating an example of a system environment related to fluid path diffusion prediction according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 유체 경로 확산 예측 관련 시스템 환경(10)은 유체(50)(예: 강물), 경로 확산 예측 장치(100), 기지국(20) 및 서버 장치(200)를 포함할 수 있다. 여기서, 상기 시스템 환경(10)에서는 경로 확산 예측 장치(100)와 서버 장치(200) 간의 통신 채널 형성을 위한 기지국(20)을 예시하여 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 경로 확산 예측 장치(100)와 상기 서버 장치(200)는 기지국(20)의 구성 없이 무선 통신 채널 또는 유선 케이블을 통하여 직접적으로 연결될 수도 있다. 이 경우 상기 기지국(20)의 구성은 시스템 환경(10)에서 생략될 수 있다. Referring to FIG. 1, the system environment 10 related to fluid path diffusion prediction of the present invention includes a fluid 50 (e.g., river water), a path diffusion prediction device 100, a base station 20, and a server device 200. can do. Here, in the system environment 10, the base station 20 for forming a communication channel between the path diffusion prediction device 100 and the server device 200 has been described as an example, but the present invention is not limited thereto. For example, the path diffusion prediction device 100 and the server device 200 may be directly connected through a wireless communication channel or a wired cable without configuring the base station 20. In this case, the configuration of the base station 20 can be omitted from the system environment 10.

상기 유체(50)는 높은 곳에서 낮은 곳으로 흐를 수 있는 구성으로서, 본 발명에서는 강물이 될 수 있다. 상기 유체(50)는 지형의 틈이나 통로 등을 통하여 이동할 수 있으며, 지형의 형태에 따라 유속이 달라질 수 있다. 한편, 유체(50)는 다양한 분야에서 사용될 수 있다. 예컨대, 강물 형태의 유체(50)는 농업 용수가, 공업 용수로 사용될 수 있으며, 청정도에 따라 식수로 이용될 수 있다. 이에 따라, 유체(50)의 오염도 측정이 매우 중요한 부분이 되고 있다. 한편, 유체(50)의 오염도에 큰 영향을 주는 요인으로는 유체(50)의 속도 즉, 유속이 있다. 유속은 유체(50)가 흐르는 속도로서, 유속이 빠를수록 오염 물질의 이동과 확산이 빠른 대신에 정화 작용이 보다 신속하게 발생하며, 유속이 느릴수록 오염 물질의 이동과 확산은 느려지지만 오염도가 증가할 수 있다. 이러한 유체(50)의 유속을 측정하기 위해서는 유체 감지 센서가 이용될 수 있으나, 유체(50) 내부 또는 외부에 부유물이나 물체 등과 같은 이물질이 존재하는 경우, 해당 이물질이 유체 감지 센서에 충격을 주어 센서 파손이 자주 발생할 수 있다. 이에 따라, 본 발명에서는, 유체(50)의 유속 감지를 위하여 분광 카메라 장치를 포함하는 경로 확산 예측 장치(100)가 이용될 수 있다. 추가로, The fluid 50 is capable of flowing from a high place to a low place, and in the present invention, it may be river water. The fluid 50 may move through gaps or passages in the terrain, and the flow speed may vary depending on the shape of the terrain. Meanwhile, the fluid 50 can be used in various fields. For example, the fluid 50 in the form of river water can be used as agricultural water, industrial water, and can be used as drinking water depending on its cleanliness. Accordingly, measuring the contamination level of the fluid 50 has become a very important part. Meanwhile, a factor that greatly affects the degree of contamination of the fluid 50 is the speed of the fluid 50, that is, the flow rate. The flow rate is the speed at which the fluid 50 flows. The faster the flow rate, the faster the movement and diffusion of contaminants, but the purification action occurs more quickly. The slower the flow rate, the slower the movement and diffusion of contaminants, but the increase in the degree of contamination. can do. A fluid detection sensor can be used to measure the flow rate of the fluid 50. However, if foreign substances such as floating substances or objects exist inside or outside the fluid 50, the foreign substances impact the fluid detection sensor and cause the sensor to Damage may occur frequently. Accordingly, in the present invention, the path diffusion prediction device 100 including a spectroscopic camera device can be used to detect the flow rate of the fluid 50. Add to,

상기 경로 확산 예측 장치(100)는 유체(50)의 분광 이미지를 수집하는 분광 카메라, 분광 카메라를 거치하는 거치 구조물을 포함할 수 있다. 경로 확산 예측 장치(100)는 분광 카메라를 이용하여 수집한 분광 이미지만을 이용하여 유체(50)의 경로 확산을 예측할 수 있다. 또는 본 발명에 따른 경로 확산 예측 장치(100)는 분광 이미지 이외에 유체 방향 감지 센서 또는 오염물 감지 센서로부터 수집한 감지정보를 추가적으로 활용하여 강물의 경로 확산을 예측할 수 있다. 상기 유체 방향을 감지하는 센서는 유체(50)(예: 강물)의 흐름 방향을 감지하는 센서로서, 유속을 더 정확하게 예측하는데 필요한 유체의 흐름 방향에 대한 정보를 제공한다. 이와 관련하여, 경로 확산 예측 장치(100)는 먼저 분광 이미지, 유체 방향 및 유체 속도를 매칭하여 수집한다. 상기 경로 확산 예측 장치(100)는 오염물 감지 센서를 구비하는 경우 감지한 오염물에 대한 정보를 함께 매칭하여 수집할 수 있다. 상기 경로 확산 예측 장치(100)는 수집된 데이터를 기반으로 유체 흐름 예측 모델을 학습시킨다. The path diffusion prediction device 100 may include a spectroscopic camera that collects a spectral image of the fluid 50 and a mounting structure for mounting the spectral camera. The path diffusion prediction device 100 can predict the path diffusion of the fluid 50 using only spectral images collected using a spectroscopic camera. Alternatively, the path diffusion prediction device 100 according to the present invention can predict the path diffusion of river water by additionally utilizing detection information collected from a fluid direction detection sensor or a contaminant detection sensor in addition to the spectral image. The sensor that detects the fluid direction is a sensor that detects the flow direction of the fluid 50 (e.g., river water) and provides information about the flow direction of the fluid necessary to more accurately predict the flow rate. In this regard, the path diffusion prediction device 100 first collects the spectral image, fluid direction, and fluid velocity by matching them. If the path diffusion prediction device 100 is equipped with a contaminant detection sensor, it can match and collect information on the detected contaminants. The path diffusion prediction device 100 learns a fluid flow prediction model based on collected data.

한편, 경로 확산 예측 장치(100)는 유체(50)와 관련한 센서 정보(예: 분광 이미지, 유체 방향 감지 정보, 오염물 정보 중 적어도 하나)만을 수집하고, 수집된 정보를 서버 장치(200)에 전송하도록 구성될 수 있다. Meanwhile, the path diffusion prediction device 100 collects only sensor information (e.g., at least one of spectral image, fluid direction detection information, and contaminant information) related to the fluid 50, and transmits the collected information to the server device 200. It can be configured to do so.

이 경우, 상기 기지국(20)은 상기 경로 확산 예측 장치(100)와 통신 채널을 형성하고, 경로 확산 예측 장치(100)가 제공하는 센서 정보를 서버 장치(200)에 전송할 수 있다. 상기 기지국(20)은 상기 경로 확산 예측 장치(100)와 일정 거리 이격된 위치에 배치되면서, 경로 확산 예측 장치(100)와 통신 채널을 형성할 수 있도록 지형적으로 경로 확산 예측 장치(100)의 무선 통신 채널 형성 가능 거리나 위치에 배치될 수 있다. 또는, 기지국(20)은 경로 확산 예측 장치(100)와 유선으로 연결될 수도 있다. In this case, the base station 20 may form a communication channel with the path spread prediction device 100 and transmit sensor information provided by the path spread prediction device 100 to the server device 200. The base station 20 is positioned at a certain distance from the path spread prediction device 100, and topographically uses the wireless network of the path spread prediction device 100 to form a communication channel with the path spread prediction device 100. It can be placed at a distance or location where a communication channel can be formed. Alternatively, the base station 20 may be connected to the path spread prediction device 100 by wire.

상기 서버 장치(200)는 상기 기지국(20)을 통하여(또는 직접적으로) 경로 확산 예측 장치(100)와 통신 채널을 형성할 수 있다. 상기 서버 장치(200)는 경로 확산 예측 장치(100)로부터 센서 정보를 수집하고, 수집된 센서 정보를 기반으로 유체 흐름 예측 모델을 학습시킬 수 있다. 이후, 서버 장치(200)는 학습된 유체 흐름 예측 모델을 기반으로 특정 시점의 유체(50) 분광 이미지에 대한 분석을 수행하여, 해당 유체(50)의 유속을 추정할 수 있다. 상기 서버 장치(200)는 유체(50)의 유속 추정 결과를 지정된 관리자 단말(또는 사용자 단말)에 전송하거나 또는 디스플레이 장치를 통해 출력할 수 있다. 이 동작에서, 서버 장치(200)는 유체(50)의 오염도 정보, 유체 방향 정보 등을 함께 제공할 수 있다. 한편, 유체 흐름 예측 모델의 학습과 유체(50)의 유속 추정을 경로 확산 예측 장치(100)에서 처리하도록 설계된 경우, 상기 서버 장치(200) 구성은 생략되고, 상기 경로 확산 예측 장치(100)는 유속 추정 결과를 지정된 관리자 단말에 전송하거나 디스플레이에 출력할 수 있다. The server device 200 may form a communication channel with the path diffusion prediction device 100 through (or directly) the base station 20. The server device 200 may collect sensor information from the path diffusion prediction device 100 and learn a fluid flow prediction model based on the collected sensor information. Thereafter, the server device 200 may estimate the flow rate of the fluid 50 by performing analysis on the spectral image of the fluid 50 at a specific point in time based on the learned fluid flow prediction model. The server device 200 may transmit the result of estimating the flow rate of the fluid 50 to a designated administrator terminal (or user terminal) or output it through a display device. In this operation, the server device 200 may provide contamination level information of the fluid 50, fluid direction information, etc. Meanwhile, when the path diffusion prediction device 100 is designed to process learning of the fluid flow prediction model and estimation of the flow rate of the fluid 50, the configuration of the server device 200 is omitted, and the path diffusion prediction device 100 The flow rate estimation results can be transmitted to a designated administrator terminal or output on the display.

상술한 바와 같이, 본 발명의 실시 예에 따른 유체 경로 확산 예측과 관련한 시스템 환경(10)은 유체(50)의 분광 이미지를 획득하고, 획득된 분광 이미지들에 대한 학습을 기반으로 유체 흐름 예측 모델을 생성한 후, 이를 기반으로 유체 유속 추정을 수행할 수 있도록 지원한다. 이와 같이, 본 발명의 시스템 환경(10)은 추가적인 센서 없이 분광 이미지만을 이용하여 유체(50)의 유속을 추정할 수 있으며, 추가적인 센서가 있는 경우 보다 정확한 유속 추정 결과를 제공할 수 있다. As described above, the system environment 10 related to fluid path diffusion prediction according to an embodiment of the present invention acquires a spectral image of the fluid 50 and models a fluid flow prediction model based on learning about the acquired spectral images. After creating it, it supports performing fluid flow rate estimation based on it. In this way, the system environment 10 of the present invention can estimate the flow rate of the fluid 50 using only a spectral image without an additional sensor, and can provide more accurate flow rate estimation results in the case of an additional sensor.

도 2는 본 발명의 실시 예에 따른 경로 확산 예측 장치 구성의 한 예를 나타낸 도면이며, 도 3은 본 발명의 실시 예에 따른 유체 흐름 예측 모델링과 관련한 랜드 마킹의 한 예를 나타낸 도면이다.Figure 2 is a diagram showing an example of the configuration of a path diffusion prediction device according to an embodiment of the present invention, and Figure 3 is a diagram showing an example of landmarks related to fluid flow prediction modeling according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 실시 예에 따른 경로 확산 예측 장치(100)는 통신 회로(110), 분광 카메라(120), 메모리(130), 센서부(140) 및 프로세서(150)를 포함할 수 있다. 여기서, 상기 경로 확산 예측 장치(100)가 분광 이미지만을 이용하여 유속을 추정하도록 구성된 경우 상기 센서부(140)의 구성은 생략될 수도 있다. 추가로, 상기 경로 확산 예측 장치(100)는 상기 분광 카메라(120)를 이용하여 유체(50)의 적어도 일부 구간을 지향하면서 촬영할 수 있도록 상기 분광 카메라(120)를 거치하는 거치 구조물을 더 포함할 수 있다. 또한, 상기 경로 확산 예측 장치(100)는 상술한 구성들 예컨대, 통신 회로(110), 분광 카메라(120), 메모리(130), 센서부(140) 및 프로세서(150) 중 적어도 하나의 운용에 필요한 전원부(예: 영구전원 또는 배터리)를 더 포함할 수 있다.Referring to FIG. 2, the path diffusion prediction device 100 according to an embodiment of the present invention includes a communication circuit 110, a spectral camera 120, a memory 130, a sensor unit 140, and a processor 150. can do. Here, when the path diffusion prediction device 100 is configured to estimate the flow velocity using only a spectral image, the configuration of the sensor unit 140 may be omitted. In addition, the path diffusion prediction device 100 may further include a mounting structure for mounting the spectroscopic camera 120 so that the spectral camera 120 can be aimed at and photographed at least a portion of the fluid 50 using the spectral camera 120. You can. In addition, the path diffusion prediction device 100 operates at least one of the above-described components, such as the communication circuit 110, the spectral camera 120, the memory 130, the sensor unit 140, and the processor 150. It may further include a necessary power source (e.g., permanent power source or battery).

상기 통신 회로(110)는 기지국(20)을 통해 서버 장치(200)와 통신 채널을 형성할 수 있다. 또는 통신 회로(110)는 기지국(20)을 거치지 않고 직접적으로 서버 장치(200)와 통신 채널을 형성할 수도 있다. 본 발명의 실시 예에 따른 유체 경로 확산 예측과 관련한 연산을 서버 장치(200)에서 수행하도록 설계된 경우, 통신 회로(110)는 분광 카메라(120)가 수집한 분광 이미지를 서버 장치(200)에 전송할 수 있다. 한편, 유체 경로 확산 예측은 경로 확산 예측 장치(100)에 의해서 독립적으로 수행될 수 있다. 이 경우, 통신 회로(110)는 유체 경로 확산 예측 결과 또는 유체 경로 확산 예측에 따른 경고 메시지(예: 특정 지역에 대한 대피나 방제 요구 메시지)를 서버 장치(200)에 전송할 수 있다. 또는, 통신 회로(110)는 프로세서(150) 제어에 대응하여 상기 예측 결과 및 경고 메시지 중 적어도 일부를 특정 지역의 거주자 또는 특정 기관 소속 관리자에 전송할 수 있다. 상기 통신 회로(110)는 유체 경로 확산 예측에 필요한 인공신경망 알고리즘을 서버 장치(200)로부터 수신할 수도 있다. The communication circuit 110 may form a communication channel with the server device 200 through the base station 20. Alternatively, the communication circuit 110 may directly form a communication channel with the server device 200 without going through the base station 20. When the server device 200 is designed to perform calculations related to fluid path diffusion prediction according to an embodiment of the present invention, the communication circuit 110 may transmit the spectral image collected by the spectroscopic camera 120 to the server device 200. You can. Meanwhile, fluid path diffusion prediction can be independently performed by the path diffusion prediction device 100. In this case, the communication circuit 110 may transmit a fluid path diffusion prediction result or a warning message (e.g., evacuation or pest control request message for a specific area) according to the fluid path diffusion prediction to the server device 200. Alternatively, the communication circuit 110 may transmit at least some of the prediction results and warning messages to residents of a specific area or managers belonging to a specific organization in response to the control of the processor 150. The communication circuit 110 may receive an artificial neural network algorithm necessary for predicting fluid path diffusion from the server device 200.

상기 분광 카메라(120)는 유체(50)가 이동하는 일정 구간(또는 일 지점)에 대한 분광 이미지를 촬영할 수 있도록 배치될 수 있다. 분광 카메라(120)는 프로세서(150) 제어에 대응하여 유체(50)의 흐름을 포함하는 적어도 일부 구간에 대한 분광 이미지를 촬영할 수 있다. 일 예로서, 분광 카메라(120)는 사전 정의된 일정 이벤트가 발생하는 경우, 해당 이벤트 발생에 대응하여 유체(50) 관련 적어도 하나의 분광 이미지를 촬영할 수 있다. 예컨대, 분광 카메라(120)는 프로세서(150) 제어(또는 서버 장치(200) 요청)에 대응하여 날씨가 변경되는 경우(예: 비나 눈이 오는 경우), 주변 온도가 변경되는 경우, 주변 조도가 변경되는 경우(예: 비구름 형성에 의해 조도가 변경되는 경우) 유체(50) 관련 분광 이미지를 획득할 수 있다. 또는, 분광 카메라(120)는 사전 정의된 일정 주기에 따라 유체(50) 관련 분광 이미지를 촬영할 수 있다. The spectroscopic camera 120 may be arranged to capture a spectral image of a certain section (or point) through which the fluid 50 moves. The spectroscopic camera 120 may capture a spectral image of at least a portion of the section including the flow of the fluid 50 in response to the control of the processor 150. As an example, when a predefined event occurs, the spectroscopic camera 120 may capture at least one spectral image related to the fluid 50 in response to the occurrence of the event. For example, the spectral camera 120 responds to processor 150 control (or server device 200 request) when the weather changes (e.g., when it rains or snows), when the ambient temperature changes, and when the ambient illuminance changes. If it changes (e.g., if the illuminance changes due to rain cloud formation), a spectral image related to the fluid 50 can be acquired. Alternatively, the spectroscopic camera 120 may capture spectral images related to the fluid 50 according to a predefined schedule.

상기 메모리(130)는 경로 확산 예측 장치(100) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 메모리(130)는 분광 카메라(120) 구동에 필요한 제어 프로그램, 분광 카메라(120)를 통해 획득된 적어도 하나의 분광 이미지, 적어도 하나의 분광 이미지를 통해 생성된 유체 경로 확산 예측 모델, 현재 시점에 획득된 분광 이미지와 이를 기반으로 산출된 유체 경로 확산 예측 결과, 유체 경로 확산 예측 결과에 대응하는 경고 또는 안내 메시지 중 적어도 일부를 저장할 수 있다. 또한, 메모리(130)는 유체 경로 확산 예측 모델에 필요한 인공신경망 알고리즘 또는 머신 러닝 학습 알고리즘을 저장할 수 있다. The memory 130 may store at least one program or data necessary for operating the path diffusion prediction device 100. As an example, the memory 130 includes a control program necessary for driving the spectroscopic camera 120, at least one spectral image acquired through the spectral camera 120, a fluid path diffusion prediction model generated through the at least one spectral image, and a current At least some of the spectral image acquired at the time, the fluid path diffusion prediction result calculated based on it, and a warning or guidance message corresponding to the fluid path diffusion prediction result may be stored. Additionally, the memory 130 may store an artificial neural network algorithm or a machine learning learning algorithm required for a fluid path diffusion prediction model.

상기 센서부(140)는 경로 확산 예측 장치(100)의 일측에 배치되어, 분광 카메라(120)가 분광 이미지를 획득하는 시점에 유체 관련 특정 센서 정보를 수집할 수 있다. 예컨대, 상기 센서부(140)는 앞서 도 1에서 설명한 유체 방향 감지 센서 및 오염물 감지 센서 중 적어도 하나를 포함할 수 있다. 또한, 상기 센서부(140)는 주변 조도 변화를 검출할 수 있는 센서, 주변 온도 변화를 검출할 수 있는 센서를 포함할 수 있다. 상기 센서부(140) 구성은 생략될 수도 있다. The sensor unit 140 is disposed on one side of the path diffusion prediction device 100 and can collect specific sensor information related to fluid at the time when the spectral camera 120 acquires a spectral image. For example, the sensor unit 140 may include at least one of the fluid direction detection sensor and the contaminant detection sensor described above in FIG. 1. Additionally, the sensor unit 140 may include a sensor capable of detecting a change in ambient illuminance and a sensor capable of detecting a change in ambient temperature. The configuration of the sensor unit 140 may be omitted.

상기 프로세서(150)는 사전 정의된 이벤트 또는 서버 장치(200) 요청에 대응하여 분광 카메라(120)를 이용하여 유체(50) 관련 적어도 하나의 분광 이미지를 획득하도록 제어할 수 있다. 상기 프로세서(150)는 획득된 적어도 하나의 분광 이미지를 기반으로 제1 타입의 유체 흐름 예측 모델 및 제2 타입의 유체 흐름 예측 모델 중 적어도 하나를 생성할 수 있다. The processor 150 may control acquisition of at least one spectral image related to the fluid 50 using the spectroscopic camera 120 in response to a predefined event or a request from the server device 200. The processor 150 may generate at least one of a first type of fluid flow prediction model and a second type of fluid flow prediction model based on at least one acquired spectral image.

제1 타입 유체 흐름 예측 모델링(또는 학습)과 관련하여, 프로세서(150)는 복수개의 분광 이미지들을 수집할 수 있다. 상기 복수개의 분광 이미지들은 예컨대, 다양한 환경에서의 유체(50) 관련 분광 이미지들을 포함할 수 있다. 예컨대, 복수개의 분광 이미지들은 맑은 날씨, 강수량이 제1 ~ N 용량인 날씨, 적설량이 제1 ~ M 용량인 날씨, 흐린 날씨, 주변 온도가 제1 ~ L 온도인 날씨(여기서, N, M, L은 임의의 숫자)에서 각각 획득된 분광 이미지들을 포함할 수 있다. 또는, 복수개의 분광 이미지들은 일정 시점부터 현재 시점 및 현재 시점으로부터 미래의 일 시점까지 획득된 분광 이미지들을 포함할 수 있다. 상기 프로세서(150)는 복수개의 분광 이미지들을 입력 데이터와 타겟 데이터를 분류할 수 있다. 상기 입력 데이터는 현 시점까지의 분광 이미지를 포함할 수 있다. 예컨대, 프로세서(150)는 현 시점을 0이라고 할 때, t 시점까지의 자료를 입력 데이터로 설정할 수 있으며, 타임 스텝 t의 길이는 경로 확산 예측 장치(100)의 설계 목적이나 정책 또는 관리자의 경험에 의해 선택적으로 지정될 수 있다. 상기 타겟 데이터 (ground truth)는 다음 시점의 분광 이미지를 포함할 수 있다. In relation to the first type of fluid flow prediction modeling (or learning), the processor 150 may collect a plurality of spectral images. The plurality of spectral images may include, for example, spectral images related to the fluid 50 in various environments. For example, the plurality of spectral images may include clear weather, weather in which precipitation is in the 1st to N capacities, weather in which the snowfall is in the 1st to M capacities, cloudy weather, and weather in which the ambient temperature is in the 1st to L temperatures (where N, M, L is an arbitrary number), each of which may contain acquired spectral images. Alternatively, the plurality of spectral images may include spectral images acquired from a certain point in time to the present time and from the current point in time to a future point in time. The processor 150 may classify a plurality of spectral images into input data and target data. The input data may include spectral images up to the current point in time. For example, assuming that the current time point is 0, the processor 150 can set the data up to time t as input data, and the length of time step t is determined by the design purpose or policy of the path diffusion prediction device 100, or the manager's experience. Can be optionally specified. The target data (ground truth) may include a spectral image at the next time point.

상기 프로세서(150)는 유체 경로 확산 예측 모델 생성과 관련하여, 상술한 입력 데이터에 대한 인공신경망 알고리즘을 적용할 수 있다. 여기서 인공신경망 알고리즘은 시계열 자료를 처리할 수 있는 다양한 형태의 인공신경망 알고리즘 중 적어도 하나가 될 수 있으나, 그 구조에 제한을 두는 것은 아니다. 일 예로서, 상기 인공신경망 알고리즘은 비디오 입력에서 다음 프레임을 예측하는 작업을 수행하는 알고리즘(예: 모션 벡터 검출 알고리즘)을 포함할 수 있다. 상기 프로세서(150)는 입력 데이터를 기반으로 유체 경로 확산 예측 모델이 생성되면, 생성된 유체 경로 확산 예측 모델을 기반으로 타겟 데이터를 적용하여 현재 유속을 예측할 수 있다. The processor 150 may apply the artificial neural network algorithm to the above-described input data in connection with generating a fluid path diffusion prediction model. Here, the artificial neural network algorithm can be at least one of various types of artificial neural network algorithms that can process time series data, but its structure is not limited. As an example, the artificial neural network algorithm may include an algorithm (eg, a motion vector detection algorithm) that performs the task of predicting the next frame in a video input. When a fluid path diffusion prediction model is generated based on input data, the processor 150 may predict the current flow rate by applying target data based on the generated fluid path diffusion prediction model.

현재 유속 예측과 관련하여, 프로세서(150)는 도 3에 나타낸 바와 같이, 랜드 마크 매칭을 사용할 수 있다. 예를 들어, 프로세서(150)는 유체 경로 확산 예측 모델을 통해 301 이미지와 같은 기준 모델을 추출할 수 있다. 상기 프로세서(150)는 303 이미지를 타겟 데이터로부터 획득하면, 301 이미지에서의 랜드 마크 및 303 이미지에서의 랜드 마크 변화를 상호 비교하여 이동 거리를 산출할 수 있다. 상기 프로세서(150)는 도시된 도면에서와 같이, 유체 또는 이동하는 물체의 특정 지점들에 대한 변화에 대해 특징점들의 변화를 상호 비교하여 이동 거리를 산출할 수 있다. 다른 예로서, 상기 프로세서(150)는 기준 모델의 유체에 대한 영역별 마킹을 수행하고, 해당 영역별 마킹의 변화를 상호 비교하여 이동 거리를 산출할 수도 있다. In connection with predicting the current flow rate, processor 150 may use landmark matching, as shown in FIG. 3. For example, the processor 150 may extract a reference model such as image 301 through a fluid path diffusion prediction model. When the processor 150 obtains the 303 image from the target data, it can calculate the moving distance by comparing the landmark in the 301 image and the change in the landmark in the 303 image. As shown in the drawing, the processor 150 can calculate the moving distance by comparing changes in feature points with respect to changes in specific points of a fluid or moving object. As another example, the processor 150 may perform marking for each region of the fluid of the reference model and calculate the moving distance by comparing changes in marking for each region.

여기서, 상기 프로세서(150)는 분광 이미지 취득 빈도 값(예: FPS, frame per second)을 기준으로 거리(예: FPS 값의 역수)를 산출할 수 있다. 또는, 프로세서(150)는 타겟 데이터의 실제 1픽셀이 나타내는 물리적인 크기를 기반으로 랜드 마크 이동에 따른 역산을 수행하여 이동 거리를 산출할 수 있다. Here, the processor 150 may calculate the distance (e.g., the reciprocal of the FPS value) based on the spectral image acquisition frequency value (e.g., FPS, frame per second). Alternatively, the processor 150 may calculate the movement distance by performing inversion according to the movement of the landmark based on the physical size represented by one actual pixel of the target data.

제2 타입 유체 흐름 예측 모델링(또는 학습)과 관련하여, 프로세서(150)는 단일 분광 이미지를 일정 시점별로 수집할 수 있다. 예컨대, 프로세서(150)는 특정 시점에 1장의 분광 이미지를 입력 데이터로 획득하고, 다음 시점에 1장의 분광 이미지를 타겟 데이터로 획득할 수 있다. 상기 프로세서(150)는 제2 타입 유체 흐름 예측 모델링의 목적을 확인할 수 있다. 예컨대, 상기 프로세서(150)는 객체 검출이 목적인 경우, 획득된 영상 내 각 객체의 중심좌표 및 크기를 검출할 수 있다. 또는, 프로세서(150)는 세그멘테이션이 목적인 경우 영상 내 각 객체들의 경계(boundary)를 포함하는 객체 마스크를 검출할 수 있다. 세그멘테이션 모델이 요청되는 경우, instance segmentation, semantic segmentation 등 유형에 제한을 두지 않으며 둘의 융합 형태도 허용할 수 있다. 일 예로서, 상기 프로세서(150)는 segmentation 방법으로서 자기주도(self-supervised) 학습 기반의 분광 이미지 세그멘테이션 방법을 적용할 수도 있다. In relation to the second type fluid flow prediction modeling (or learning), the processor 150 may collect a single spectral image at a certain point in time. For example, the processor 150 may acquire one spectral image as input data at a specific point in time, and acquire one spectral image as target data at the next point in time. The processor 150 may confirm the purpose of the second type fluid flow prediction modeling. For example, when the purpose is object detection, the processor 150 may detect the center coordinates and size of each object in the acquired image. Alternatively, when segmentation is the purpose, the processor 150 may detect an object mask including the boundaries of each object in the image. When a segmentation model is requested, there is no limitation on the type, such as instance segmentation or semantic segmentation, and a fusion form of the two can also be accepted. As an example, the processor 150 may apply a self-supervised learning-based spectral image segmentation method as a segmentation method.

상기 프로세서(150)는 센서부(140)를 이용하여 유체 방향 정보를 획득하고, 획득된 유체 방향 정보를 참조하여, 유속에 대한 보다 정확한 정보를 추정할 수 있다. 또한, 프로세서(150)는 오염물 감지 센서로부터 오염물에 관한 정보를 수집하고, 수집된 오염물을 기반으로 유속 측정을 보다 정확히 수행할 수 있다. 예컨대, 프로세서(150)는 오염물에 대한 랜드 마킹을 수행하고, 랜드 마킹 변화를 통하여 유속 측정을 수행할 수도 있다. The processor 150 can obtain fluid direction information using the sensor unit 140 and estimate more accurate information about the flow rate by referring to the obtained fluid direction information. Additionally, the processor 150 can collect information about contaminants from a contaminant detection sensor and more accurately measure flow rate based on the collected contaminants. For example, the processor 150 may perform land marking for contaminants and measure flow rate through changes in land marking.

한편, 상기 프로세서(150)는 유체 경로 확산 예측을 경로 확산 예측 장치(100)가 수행하도록 설계된 경우 상술한 유체 흐름 예측 모델링을 수행하는 것으로, 서버 장치(200)가 유체 흐름 예측 모델링을 수행하도록 설계된 경우, 프로세서(150)는 획득된 분광 이미지를 서버 장치(200)에 전송하도록 제어할 수 있다. Meanwhile, the processor 150 performs the above-described fluid flow prediction modeling when the path diffusion prediction device 100 is designed to perform fluid path diffusion prediction, and the server device 200 is designed to perform fluid flow prediction modeling. In this case, the processor 150 may control the acquired spectral image to be transmitted to the server device 200.

도 4는 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면이다. 앞서 설명한 바와 같이, 본 발명의 유체 흐름 예측 모델링과 유속 추정을 경로 확산 예측 장치(100)가 수행하도록 설계된 경우, 상기 서버 장치(200) 구성은 생략될 수도 있다.Figure 4 is a diagram showing an example of a server device configuration according to an embodiment of the present invention. As described above, when the path diffusion prediction device 100 is designed to perform the fluid flow prediction modeling and flow velocity estimation of the present invention, the configuration of the server device 200 may be omitted.

도 4를 참조하면, 본 발명의 서버 장치(200)는 서버 통신 회로(210), 서버 메모리(230) 및 서버 프로세서(250)를 포함할 수 있다.Referring to FIG. 4, the server device 200 of the present invention may include a server communication circuit 210, a server memory 230, and a server processor 250.

상기 서버 통신 회로(210)는 기지국(20)을 통하여 또는 직접적으로 경로 확산 예측 장치(100)와 통신 채널을 형성할 수 있다. 상기 서버 통신 회로(210)는 지정된 주기 또는 사전 정의된 이벤트 발생에 대응하여 경로 확산 예측 장치(100)로부터 적어도 하나의 분광 이미지를 수집할 수 있다. 서버 통신 회로(210)는 유속 추정 결과 및 그에 따른 경고 메시지를 지정된 관리자 단말이나 기관에 전송할 수 있다. The server communication circuit 210 may form a communication channel with the path diffusion prediction device 100 through the base station 20 or directly. The server communication circuit 210 may collect at least one spectral image from the path diffusion prediction device 100 in response to a designated period or the occurrence of a predefined event. The server communication circuit 210 can transmit the flow rate estimation result and the resulting warning message to a designated administrator terminal or organization.

상기 서버 메모리(230)는 서버 장치(200) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 상기 서버 메모리(230)는 유체 흐름 예측 모델(231)을 저장할 수 있다. 추가로 상기 서버 메모리(230)는 경로 확산 예측 장치(100)로부터 수신한 적어도 하나의 분광 이미지를 저장할 수 있다. The server memory 230 may store at least one program or data necessary for operating the server device 200. As an example, the server memory 230 may store a fluid flow prediction model 231. Additionally, the server memory 230 may store at least one spectral image received from the path diffusion prediction device 100.

상기 서버 프로세서(250)는 서버 장치(200) 운용에 필요한 신호의 전달과 처리 또는 결과의 저장, 결과의 전송 또는 결과에 대응하는 메시지의 전송을 제어할 수 있다. 이와 관련하여, 상기 서버 프로세서(250)는 데이터 수집부(251), 데이터 학습부(252), 유속 추정부(253)를 포함할 수 있다.The server processor 250 may control the transmission and processing of signals necessary for operating the server device 200, storage of results, transmission of results, or transmission of messages corresponding to the results. In this regard, the server processor 250 may include a data collection unit 251, a data learning unit 252, and a flow rate estimation unit 253.

상기 데이터 수집부(251)는 사전 정의된 주기에 따라 또는 사전 정의된 이벤트 발생에 대응하여 유체(50)와 관련한 적어도 하나의 분광 이미지를 경로 확산 예측 장치(100)에 요청할 수 있다. 일 실시 예에 따르면, 데이터 수집부(251)는 유속 추정이 필요한 시점을 기준으로 이전 일정 시간 동안 유체(50) 관련 적어도 하나의 분광 이미지들을 수집할 수 있다. 그리고 데이터 수집부(251)는 유속 추정이 필요한 시점의 분광 이미지를 수집할 수 있다. The data collection unit 251 may request at least one spectral image related to the fluid 50 from the path diffusion prediction device 100 according to a predefined period or in response to the occurrence of a predefined event. According to one embodiment, the data collection unit 251 may collect at least one spectral image related to the fluid 50 for a certain period of time prior to the time when flow rate estimation is required. And the data collection unit 251 can collect spectral images at the time when flow velocity estimation is required.

상기 데이터 학습부(252)는 데이터 수집부(251)가 수집한 적어도 하나의 분광 이미지에 대한 학습을 수행할 수 있다. 이와 관련하여, 데이터 학습부(252)는 서버 메모리(230)에 저장된 학습 알고리즘을 기반으로 유체(50) 관련 복수개의 분광 이미지들에 대한 학습을 수행하여 유체 흐름 예측 모델을 생성할 수 있다. The data learning unit 252 may perform learning on at least one spectral image collected by the data collection unit 251. In this regard, the data learning unit 252 may generate a fluid flow prediction model by learning a plurality of spectral images related to the fluid 50 based on a learning algorithm stored in the server memory 230.

상기 유속 추정부(253)는 생성된 유체 흐름 예측 모델을 기반으로 특정 시점의 분광 이미지를 분석하여 유속 추정을 수행할 수 있다. 이 과정에서, 유속 추정부(253)는 유체 흐름 예측 모델의 적어도 일 지점으로 지정된 적어도 하나의 랜드 마크가 현재 시점의 분광 이미지에서 어떻게 변하는지를 검출하고, 변하는 정도를 기반으로 유속 추정을 수행할 수 있다. 상기 유속 추정부(253)는 유속 추정 값을 지정된 관리자 단말에 전송하거나 또는 유속 추정에 따른 안내 메시지 또는 경고 메시지를 지정된 관리자 단말에 전송할 수 있다. The flow velocity estimation unit 253 may perform flow velocity estimation by analyzing a spectral image at a specific point in time based on the generated fluid flow prediction model. In this process, the flow velocity estimation unit 253 detects how at least one landmark designated as at least one point of the fluid flow prediction model changes in the spectral image at the current time, and performs flow velocity estimation based on the degree of change. there is. The flow rate estimation unit 253 may transmit the flow rate estimate value to the designated manager terminal or transmit a guidance message or warning message according to the flow rate estimate to the designated manager terminal.

도 5는 본 발명의 실시 예에 따른 유체 유속 추정과 관련한 경로 확산 예측 장치의 운용 방법의 한 예를 나타낸 도면이다.Figure 5 is a diagram showing an example of a method of operating a path diffusion prediction device related to fluid flow rate estimation according to an embodiment of the present invention.

도 5를 참조하면, 본 발명의 실시 예에 따른 경로 확산 예측 장치(100) 운용 방법과 관련하여, 경로 확산 예측 장치(100)의 프로세서(150)는 501 단계에서 분광 이미지를 수집할 수 있다. 예컨대, 프로세서(150)는 유체(50)의 유속 추정이 필요한 시점을 기준으로 이전 일정 시간 동안 유체(50) 관련 복수개의 분광 이미지들을 수집할 수 있다. 일 실시 예에 따르면, 프로세서(150)는 강수량이 사전 정의된 일정량 이상 발생할 것으로 예보된 경우, 해당 예보 시점을 기준으로 사전 정의된 일정 시간 이전(예: 1시간 또는 10분 등)의 분광 이미지들을 수집할 수 있다. 또는, 프로세서(150)는 사전 정의된 제1 시간 주기로 강우 검출을 수행하다가, 지정된 값 이상의 강우량으로 증가한 시점부터 제1 시간 주기보다 짧은 제2 시간 주기로 분광 이미지들을 획득하여 유속 추정의 시점까지 분광 이미지들을 획득할 수 있다. Referring to FIG. 5, in relation to the method of operating the path diffusion prediction device 100 according to an embodiment of the present invention, the processor 150 of the path diffusion prediction device 100 may collect a spectral image in step 501. For example, the processor 150 may collect a plurality of spectral images related to the fluid 50 for a certain period of time prior to the time when estimation of the flow velocity of the fluid 50 is required. According to one embodiment, when precipitation is forecast to occur more than a predefined certain amount, the processor 150 generates spectroscopic images from a predefined time period (e.g., 1 hour or 10 minutes, etc.) prior to the forecast time. It can be collected. Alternatively, the processor 150 performs rainfall detection in a predefined first time period, and acquires spectral images in a second time period shorter than the first time period from the point in time when the amount of rainfall increases to a specified value or more until the time of flow velocity estimation. can be obtained.

503 단계에서, 프로세서(150)는 입력 데이터를 선택할 수 있다. 예컨대, 프로세서(150)는 획득된 분광 이미지들 중 유속 추정 시점을 기준으로 이전 일정 시간 동안 획득된 분광 이미지들을 입력 데이터로 선택할 수 있다. In step 503, the processor 150 may select input data. For example, the processor 150 may select spectral images acquired for a predetermined time period based on the flow rate estimation time among the acquired spectral images as input data.

505 단계에서, 프로세서(150)는 입력 데이터에 대한 학습을 수행할 수 있다. 예컨대, 상기 프로세서(150)는 상기 입력 데이터에 대한 기계 학습을 수행하여 유체 흐름 예측 모델을 생성할 수 있다. 상기 프로세서(150)는 유체 흐름 예측 모델링 과정에서, 유체 흐름 예측 모델에 대응하는 기준 프레임을 선정할 수 있다. In step 505, the processor 150 may perform learning on input data. For example, the processor 150 may perform machine learning on the input data to create a fluid flow prediction model. The processor 150 may select a reference frame corresponding to the fluid flow prediction model during the fluid flow prediction modeling process.

507 단계에서, 프로세서(150)는 타겟 데이터를 수집할 수 있다. 상기 타겟 데이터는 유속 추정 시점에 획득된 분광 이미지를 포함할 수 있다. In step 507, the processor 150 may collect target data. The target data may include a spectral image acquired at the time of flow velocity estimation.

509 단계에서, 프로세서(150)는 타겟 데이터에 대한 유속 추정을 수행할 수 있다. 예컨대, 상기 프로세서(150)는 유체 흐름 예측 모델에 대응하는 기준 프레임과 상기 타겟 데이터에 대응하는 분광 이미지를 상호 비교하여, 유체의 변화를 기반으로 유속 추정을 수행할 수 있다. 일 예로서, 상기 프로세서(150)는 기준 프레임에서의 제1 특정 객체에 대한 랜드 마킹 및 타겟 데이터에서의 제1 특정 객체에 대한 랜드 마킹을 수행하고, 랜드 마킹된 정보들의 변화를 추적하여 유속 추정을 수행할 수 있다. In step 509, the processor 150 may perform flow rate estimation for target data. For example, the processor 150 may perform flow rate estimation based on changes in fluid by comparing a reference frame corresponding to a fluid flow prediction model with a spectral image corresponding to the target data. As an example, the processor 150 performs landmarking for a first specific object in a reference frame and landmarking for a first specific object in target data, and tracks changes in the landmarked information to estimate flow rate. can be performed.

추가로, 프로세서(150)는 유속 추정 결과를 지정된 장치(예: 관리자 단말)에 전송하거나, 기능적으로 연결된 디스플레이 장치에 출력할 수 있다. 이와 관련하여, 상기 경로 확산 예측 장치(100)는 디스플레이 장치를 더 포함할 수도 있다. Additionally, the processor 150 may transmit the flow rate estimation result to a designated device (e.g., an administrator terminal) or output it to a functionally connected display device. In this regard, the path diffusion prediction apparatus 100 may further include a display device.

511 단계에서, 프로세서(150)는 유속 추정 기능의 종료 이벤트 발생 여부를 확인할 수 있다. 별도의 유속 추정 기능을 종료하기 위한 종료 이벤트 발생이 없는 경우, 501 단계 이전으로 분기하여 이하 동작을 재수행하거나, 또는 507 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다.In step 511, the processor 150 may check whether an end event of the flow rate estimation function occurs. If no termination event occurs to end the separate flow rate estimation function, the process may branch before step 501 and re-perform the following operations, or branch before step 507 and re-perform the following operations.

예컨대, 상기 경로 확산 예측 장치(100)의 프로세서(150)는 타겟 데이터에 대한 유속 추정 이후 추정에 사용된 타겟 데이터를 학습에 적용하여, 모델을 갱신할 수도 있다. 또는, 프로세서(150)는 지정된 주기를 대기하고, 다음 주기가 도래하면, 507 단계 이후 동작을 재수행할 수 있다.For example, the processor 150 of the path diffusion prediction apparatus 100 may update the model by estimating the flow rate for the target data and then applying the target data used for estimation to learning. Alternatively, the processor 150 may wait for a designated cycle and re-perform the operation after step 507 when the next cycle arrives.

한편, 상기 경로 확산 예측 장치(100)는 501 단계 내지 505 단계와 507 단계 내지 509 단계를 각각 독립적으로 수행할 수 있다. 예컨대, 상기 경로 확산 예측 장치(100)는 501 단계 내지 505 단계를 유체 흐름 예측 모델을 생성하기 위한 초기화 동작으로 수행할 수 있다. 이후 경로 확산 예측 장치(100)는 유체 흐름 예측 모델이 생성되면, 생성된 유체 흐름 예측 모델을 메모리에 저장한 후, 507 단계 내지 511 단계를 반복적으로 또는 지정된 이벤트 발생에 따라 수행할 수 있다.Meanwhile, the path diffusion prediction apparatus 100 may independently perform steps 501 to 505 and steps 507 to 509. For example, the path diffusion prediction apparatus 100 may perform steps 501 to 505 as an initialization operation to create a fluid flow prediction model. Thereafter, when the fluid flow prediction model is generated, the path diffusion prediction device 100 may store the generated fluid flow prediction model in a memory and then perform steps 507 to 511 repeatedly or according to the occurrence of a designated event.

일 예로서, 경로 확산 예측 장치(100)는 관리자 단말의 유속 추정 요청이 발생하거나, 사전 정의된 날씨 변화가 발생하거나, 사전 정의된 일정 주기가 도래한 경우, 507 단계에서 타겟 데이터를 수집하고, 이에 대한 유속 추정을 수행할 수 있다. As an example, the path diffusion prediction device 100 collects target data in step 507 when a request for flow rate estimation from the manager terminal occurs, a predefined weather change occurs, or a predefined schedule period arrives, Flow rate estimation can be performed for this.

한편, 상술한 501 단계 내지 511 단계는 서버 장치(200) 운용 방법에도 동일하게 적용될 수 있다. 예컨대, 서버 장치(200)의 서버 프로세서(250)는 501 단계 내지 511 단계를 통하여 유체 흐름 예측 모델을 생성하고, 타겟 데이터에 대한 유속 추정을 수행할 수 있다. Meanwhile, steps 501 to 511 described above may be equally applied to the method of operating the server device 200. For example, the server processor 250 of the server device 200 may generate a fluid flow prediction model through steps 501 to 511 and perform flow rate estimation on target data.

상술한 바와 같이, 유체 흐름 예측 방법 및 이를 지원하는 경로 확산 예측 장치는 강물(유체)의 분광 이미지를 기반으로 한 유체 흐름 예측 모델을 이용하여 강물의 경로 확산을 예측하고, 분광 이미지와 유체 방향 및 속도를 매칭하여 정보를 수집하는 강물의 경로 확산을 보다 정확하게 예측할 수 있다. 이와 관련하여, 상기 장치는 매칭 정보를 수집할 때, 유체 방향 감지 센서 또는 오염물 감지 센서로 수집한 정보를 함께 매칭하여 수집할 수 있다. 일 예로서, 상기 경로 확산 예측 장치는 현 시점의 분광 이미지로 다음 시점의 분광 이미지를 예측하고, 예측한 분광 이미지들을 기반으로 유속을 예측할 수 있으며, 이 과정에서, 랜드 마크 매칭을 통해서 유속을 예측(추정)할 수 있다. 또한, 경로 확산 예측 장치는 단일 분광 이미지에 대한 object detection 또는 segmentation으로 강물의 경로 확산을 예측할 수 있다. As described above, the fluid flow prediction method and the path diffusion prediction device supporting the same predict the path diffusion of the river water using a fluid flow prediction model based on the spectral image of the river water (fluid), and the spectral image and the fluid direction and By matching the speed, we can more accurately predict the spread of the river's path by collecting information. In this regard, when collecting matching information, the device may collect information collected by a fluid direction detection sensor or a contaminant detection sensor by matching it together. As an example, the path diffusion prediction device can predict the spectral image of the next time point using the spectral image of the current time point, and predict the flow rate based on the predicted spectral images. In this process, the flow rate is predicted through landmark matching. It can be (estimated). Additionally, the path diffusion prediction device can predict the path diffusion of river water through object detection or segmentation of a single spectral image.

이상에서 설명한 바와 같이, 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. As described above, although this specification contains details of numerous specific implementations, these should not be construed as limitations on the scope of any invention or what may be claimed, but rather may be specific to particular embodiments of a particular invention. It should be understood as a description of features.

또한, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.Additionally, although operations are depicted in the drawings in a specific order, this should not be construed as requiring that those operations be performed in the specific order or sequential order shown or that all of the depicted operations must be performed to obtain desirable results. In certain cases, multitasking and parallel processing may be advantageous. Additionally, the separation of various system components in the above-described embodiments should not be construed as requiring such separation in all embodiments, and the described program components and systems may generally be integrated together into a single software product or packaged into multiple software products. You must understand that it is possible.

본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 통상의 기술자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.The present description sets forth the best mode of the invention and provides examples to illustrate the invention and to enable any person skilled in the art to make and use the invention. The specification prepared in this way does not limit the present invention to the specific terms presented. Accordingly, although the present invention has been described in detail with reference to the above-described examples, those skilled in the art may make modifications, changes, and variations to the examples without departing from the scope of the present invention.

따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.Therefore, the scope of the present invention should not be determined by the described embodiments, but by the scope of the patent claims.

10: 유체 경로 확산 시스템 환경
50: 유체
100: 경로 확산 예측 장치
110: 통신 회로,
120: 분광 카메라
130: 메모리
140: 센서부
150: 프로세서
200: 서버 장치
210: 서버 통신 회로
230: 서버 메모리
250: 서버 프로세서10: Fluid Path Diffusion System Environment
50: fluid
100: Path diffusion prediction device
110: communication circuit,
120: spectral camera
130: memory
140: sensor unit
150: processor
200: Server device
210: Server communication circuit
230: Server memory
250: server processor

Claims

A spectroscopic camera that acquires a plurality of spectral images related to river water corresponding to the fluid;
A processor functionally connected to the spectral camera,
The processor,
Collecting a plurality of spectral images of the river within a certain period of time based on the point at which flow velocity estimation of the river is required,
Generate a fluid flow prediction model by performing machine learning on the plurality of spectral images,
Obtaining a current spectral image corresponding to the point in time at which the flow velocity estimation is required,
A path diffusion prediction device supporting fluid path diffusion prediction, characterized in that it is set to calculate an estimated value of the flow velocity of the river water by comparing and analyzing the current spectral image based on the fluid flow prediction model.

According to paragraph 1,
The processor,
Perform landmarking on a specific object in the fluid flow prediction model, perform landmarking on an object corresponding to the specific object in the current spectral image, and then calculate the flow rate estimate based on changes in the landmarks. A path diffusion prediction device that supports fluid path diffusion prediction, characterized in that it is set to do so.

According to paragraph 1,
Further comprising a fluid direction detection sensor,
The processor is
A path diffusion prediction device supporting fluid path diffusion prediction, characterized in that it is set to calculate the flow velocity estimate value by applying the fluid direction value transmitted by the fluid direction detection sensor to changes in the landmarks.

According to paragraph 1,
Further comprising a contaminant detection sensor,
The processor,
Path diffusion prediction supporting fluid path diffusion prediction, characterized in that the contaminant transferred from the contaminant detection sensor is defined as the specific object, and the flow rate estimate value is calculated based on changes in landmarks in the specific object. Device.

According to paragraph 1,
Further comprising a sensor for measuring rainfall,
The processor,
A path diffusion prediction device supporting fluid path diffusion prediction, characterized in that it is set to collect the plurality of spectral images from the time when the rainfall amount is greater than a predefined value.

Collecting, by a path diffusion prediction device, a plurality of spectral images of the river water within a certain period of time based on the point at which flow velocity estimation of the river water corresponding to the fluid is required;
Generating a fluid flow prediction model by performing machine learning on the plurality of spectral images;
Obtaining a current spectral image corresponding to the point in time at which flow velocity estimation is required;
Comparing and analyzing the current spectral image based on the fluid flow prediction model to calculate an estimated flow velocity of the river water. A fluid path diffusion prediction method comprising a.

According to clause 6,
The step of calculating the estimated value of the river water flow rate is
performing, by the path diffusion prediction device, landmarking on a specific object of the fluid flow prediction model;
performing landmarking of an object corresponding to the specific object in the current spectral image;
A method for predicting fluid path diffusion, comprising: calculating the estimated flow rate based on changes in the landmarks.

A path diffusion prediction device collecting spectral images of the river water at a time when estimation of the flow rate of the river water corresponding to the fluid is required;
When detecting an object for the spectral image, detecting the coordinates and size of at least one object included in the spectral image within the spectral image, and outputting the detected coordinates and size values;
When requesting segmentation of the spectral image, performing an object mask by distinguishing boundaries of at least one object included in the spectral image and outputting the object mask result; a fluid path diffusion prediction method comprising: .