earticle

영어

In this paper, we propose a method to determine toxicity according to the behavior pattern of Daphnia Magna exposed to toxic substances. The behavior pattern was analyzed by using the shadow tracking device and the artificial intelligence technique in various conditions and categorized. We show the toxicity can be evaluated only by the observation of the behavior pattern using the categorized data. For this purpose, we select four substances; potassium dichromate (K2Cr2O7), potassium chloride (KCl), cadmium chloride (CdCl2) and ammonium chloride (NH4Cl). Experiments were conducted according to the ecotoxicity test procedure and the density corresponding to EC50 and TU1~5 were calculated. In addition, a light sensing system for detecting the movement path of Daphnia Magna was constructed and the behavior pattern data of Daphnia Magna at the density corresponding to each TU was collected. The movement of the Daphnia Magna was measured once a second and used as data for analysis by recognizing them as (x, y) coordinates. This data was used to train artificial intelligence and to verify the accuracy of learned artificial intelligence. We conducted five ecotoxicity tests for each of TU1~5 and repeatedly learned 50 times using 25 training data. In order to test the performance of the learned artificial intelligence, five verification data were used and all five were classified successfully and 100% accuracy was obtained.

한국어

본 논문에서는 독성물질에 노출된 물벼룩의 행동 패턴에 따라 독성도를 판단하는 방법을 제안하였다. 다양한 조건에서 의 물벼룩의 그림자 추적 장치와 인공지능 기법을 이용하여 행동 패턴을 분석하여 범주화하고 범주화된 자료를 이용하 여 행동 패턴의 변화만으로 독성도를 평가하였다. 이를 위하여 중크롬산칼륨(potassium dichromate, K2Cr2O7), 염화칼륨 (potassium chloride, KCl), 염화카드뮴(cadmium chloride, CdCl2), 염화암모늄(ammonium chloride, NH4Cl)의 4가지 물 질을 선정하여 생태독성시험 절차에 따라 실험을 진행하였으며 EC50 및 TU1~5에 해당하는 농도를 산정하였다. 또한 물 벼룩 이동 경로 검출용 광 감지 시스템을 제작하여 각 TU에 해당하는 농도에서의 물벼룩의 행동 패턴 데이터를 수집하 였다. 물벼룩의 움직임을 1초에 한번을 측정하여(x, y) 좌표로 인식하여 분석을 위한 데이터로 활용하였고 이 데이터는 머신 러닝에서 인공 지능을 학습하는 용도와 학습된 인공 지능의 정확성을 검증하는 용도로 사용하였다. TU1~5 각각에 대하여 5번의 생태독성실험을 실시하여 25개의 학습 데이터를 이용하여 50번을 반복적으로 학습하였다. 학습된 인공지 능의 성능을 시험하기 위해서 5개의 검증 데이터를 사용하였고 5개 모두 분류에 성공하여 100%의 정확성을 도출하였다.