KR101960900B1 - 제품 식별 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 제품 식별 방법이 개시된다. 상기 방법의 처리를 위해 컴퓨터 프로그램에 저장된 동작은 컴퓨팅 장치로부터 제품 이미지를 수신하는 동작; 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하는 동작; 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하는 동작; 상기 제 1 후보 제품 정보 중 제품 정보를 결정하는 동작; 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작; 및 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하는 동작을 포함한다.

Description

제품 식별 방법{METHOD FOR RECOGNIZING PRODUCTS}

본 발명은 컴퓨팅 장치를 이용한 제품 식별 방법에 관한 것으로, 보다 구체적으로 제품 이미지에 기초하여 제품을 식별하기 위한 솔루션에 관한 것이다.

매장에 많은 고객들이 몰리는 시간대에는, 계산을 하기 위하여 고객들의 불필요한 대기 시간이 길어지는 문제가 있었다. 이에 따라 대기 시간을 감축하기 위하여 계산을 빠르게 진행할 수 있는 방법에 대한 수요가 존재한다.

또한, 최근 인건비의 상승 및 매장 임대료의 상승으로 인하여, 매장의 운영 비용을 줄일 수 있는 방법에 대한 수요가 늘어나고 있다. 따라서, 매장 운영 비용 중 큰 비중을 차지하는 인건비를 줄이기 위한 방법에 대한 수요가 존재한다.

대한민국 등록 특허 제10-1817562호는 무인 커피 음료 제조 머신을 이용한 커피 음료 주문 처리 장치 및 그 동작 방법을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 제품 식별 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 서버의 하나 이상의 프로세서에서 실행되는 경우 제품 식별을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은: 컴퓨팅 장치로부터 제품 이미지를 수신하는 동작; 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하는 동작; 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하는 동작; 상기 제 1 후보 제품 정보 중 제품 정보를 결정하는 동작; 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작; 및 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하는 동작; 및 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작을 더 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작은, 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산하는 동작; 상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하는 동작; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하는 동작을 더 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해로부터 측정된 제품 중량을 수신하는 동작; 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여, 상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하는 동작; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하는 동작을 더 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하는 동작은, 상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작; 및 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작을 더 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해로부터 측정된 제품 중량을 수신하는 동작; 을 더 포함하고, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산하는 동작; 상기 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산하는 동작; 및 상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하는 동작은, 컴퓨팅 장치로부터 매장 내 선반의 중량 측정 정보를 수신하는 동작; 및 상기 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 컴퓨팅 장치로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신하는 동작; 및 상기 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산하는 동작을 더 포함할 수 있고, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하는 동작은, 상기 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하는 동작을 포함할 수 있다.

제품 식별을 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 본 개시의 다른 일 실시예에 따라 제품 식별 방법이 개시된다. 상기 방법은, 컴퓨팅 장치로부터 제품 이미지를 수신하는 단계; 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하는 단계; 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하는 단계; 상기 제 1 후보 제품 정보 중 제품 정보를 결정하는 단계; 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 단계; 및 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서; 네트워크부; 및 메모리;를 포함하고, 상기 네트워크부는, 컴퓨팅 장치로부터 제품 이미지를 수신하고, 상기 프로세서는, 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하고, 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하고, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하고, 그리고 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하고, 그리고 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달할 수 있다.

본 개시는 제품 식별 방법을 제공할 수 있다.

도 1은 일 실시예에 따라 제품 식별을 위한 동작을 수행하는 시스템을 도시한 개략도 도면이다.
도 2는 본 개시의 일 실시예에 따라 제품 식별 방법을 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라 제품 식별을 위한 스코어링 값을 판단하는 방법을 도시한 도면이다.
도 4는 본 개시의 일 실시예의 제품 식별 방법의 순서도이다.
도 5는 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 8은 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따른 서버의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지 식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 일 실시예에 따라 제품 식별을 위한 동작을 수행하는 시스템을 도시한 개략도 도면이다. 도 1에 도시된 제품 식별을 위한 시스템(10)의 구성은 간략화 하여 나타낸 예시이다. 도 1에서는 시스템(10)내의 컴퓨팅 장치(200)가 하나 인 것으로 도시되어 있으나 이는 예시일 뿐이며 컴퓨팅 장치(200)의 수는 이에 제한되지 않는다. 시스템(10)은 시스템에 포함된 서버(100) 및 컴퓨팅 장치(200)들을 이용하여 제품의 식별을 제공한다. 서버(100)는 가맹 본사에서 관리하는 서버일 수 있다. 컴퓨팅 장치(200)는 본사와 연결된 각 매장에 배치된 컴퓨팅 장치(예를 들면, POS 단말)일 수 있다.

본 개시의 일 실시예에서 서버(100)는 서버(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있다.

서버(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다. 컴퓨팅 장치(200)는 카메라(210), 중량 측정부(222) 및 구동부(224)를 포함하는 플레이트(220) 및 프로세서(240)를 포함할 수 있다. 본 개시의 컴퓨팅 장치는 제품 식별 방법을 위한 컴퓨팅 장치를 포함할 수 있다.

네트워크부(110)는 본 개시의 일 실시예에 따른 제품 식별 방법을 수행하기 위한 데이터 등을 컴퓨팅 장치(200), 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 제품 중량, 제품 이미지, 매장 내 제품 재고 정보, 제품 정보, 매장 정보 등 본 개시의 실시예에 필요한 데이터들을 컴퓨팅 장치(200), 다른 컴퓨팅 장치, 서버 등과 송수신 할 수 있다. 예를 들어, 네트워크부(110)는 제품 식별을 위한 방법을 수행하는 하나 이상의 분산 컴퓨팅 장치 중 적어도 하나로부터 스코어링 값 들을 수신할 수 있다. 또한 예를 들어, 네트워크부(110)는 카메라(210)를 통해 촬영한 제품 이미지를 컴퓨팅 장치(200)로부터 수신할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 제품 이미지에 기초하여 하나 이상의 후보 제품 정보 중 제품 정보를 결정하기 위한 연산을 분산 처리하도록 할 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 제품 식별을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 제품 식별 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 제품 식별을 위한 계산을 수행할 수 있다.

프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 제품 식별을 위한 제품 이미지 연산, 예상 중량 연산 등을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 제품 식별을 위한 제품 이미지의 연산, 예상 중량 연산, 제품 태그에 대한 연산 등을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 제품 식별을 위한 제품 이미지에 대한 연산, 예상 중량 및 측정 중량의 비교, 제품 객체의 거리 연산 등을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

이하에서는 본 개시의 일 실시예에 따른 제품 식별을 트리거링 하는 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라, 중량 측정부(222)를 통해 측정되는 중량의 변화가 감지되는 경우, 프로세서(120)는 제품을 식별하기 위한 동작을 수행할 수 있다. 프로세서(120)는 플레이트(220)의 중량 측정부(222)를 통해 중량 변화가 감지되는 경우, 프로세서(120)는 카메라(210)를 통해 제품 이미지를 촬영하도록 할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 중량 측정부(222)로부터 수신한 제품 중량 및 카메라(210)로부터 수신한 제품 이미지 중 적어도 하나에 기초하여 제품을 식별할 수 있다. 예를 들어, 고객이 빵이 담긴 바구니를 한번에 플레이트(220) 위에 올리는 경우, 중량 측정부(222)는 중량의 변화를 감지할 수 있고, 프로세서(120)는 네트워크부(110)를 통해 수신한 중량의 변화에 기초하여 제품을 식별하기 위한 동작을 수행할 수 있다. 전술한 중량 변화에 기초한 제품 식별 동작에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 또한, 본 개시의 일 실시예에서, 컴퓨팅 장치(200)의 프로세서(240)는 중량 측정부(222)에 제품이 위치하는 것이 감지된 경우, 제품 식별을 위하여 제품의 이미지를 촬영하여 이를 서버(100)에 전송할 것을 결정할 수 있다.

본 개시의 다른 일 실시예에 따라, 중량 측정부(222)의 중량 변화가 감지되고, 새로운 중량 변화가 사전 결정된 시간 이상 없는 경우, 프로세서(120)는 제품을 식별하기 위한 동작을 수행할 수 있다. 중량 측정부(222)의 새로운 중량 변화가 사전 결정된 시간 이상 없는 경우, 프로세서(120)는 제품들이 모두 플레이트(220)위에 올려진 것으로 판단할 수 있다. 예를 들어, 고객이 하나 이상의 빵을 구매하는 경우이고, 고객이 바구니에 든 빵을 하나씩 차례로 플레이트(220)에 올리는 경우, 하나의 빵을 플레이트(220)상에 올리는 경우 중량 측정부(222)는 최초의 중량 변화를 감지할 수 있고, 프로세서(120)는 고객이 구매하려는 모든 빵을 플레이트(220)상에 올린 경우, 사전 결정된 시간 동안 중량 변화가 없음을 판단하여, 제품을 식별하기 위한 동작을 수행할 수 있다. 전술한 중량 변화에 기초한 제품 식별에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 중량 측정부(222)를 통해 측정되는 중량의 변화에 기초하여 프로세서(120)의 제품 식별 동작이 수행되는 경우, 고객은 추가적인 결제 실행 동작 없이, 곧바로 제품의 결제를 위한 제품 식별 수행이 가능하므로 편리함을 도모할 수 있다.

본 개시의 다른 일 실시예에 따라, 프로세서(120)는 컴퓨팅 장치(200)의 사용자 입력부(미도시)를 통해 컴퓨팅 장치(200)의 사용자로부터 결제 요청을 입력 받는 경우, 제품 식별을 위한 동작을 수행할 수 있다. 프로세서(120)는 결제 요청을 입력 받는 경우, 중량 측정부(222)가 제품 중량을 측정하도록 구동할 수 있고, 카메라(210)가 제품을 촬영하도록 구동할 수 있다. 예를 들어, 사용자는 제품을 플레이트(220)위에 올린 후 제품의 결제를 위해 POS 단말을 통해 프로세서(120)에 제품 결제 요청을 전송할 수 있다. 전술한 제품 결제 트리거링 동작에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 본 개시의 일 실시예에 따른 제품 이미지 및 제품 중량에 기초하여 제품을 식별하는 방법에 관하여 설명한다.

프로세서(120)는 네트워크부(110)를 통해 제품 중량 및 제품 이미지를 수신할 수 있다. 제품 중량은 컴퓨팅 장치(200)와 연결된 다른 컴퓨팅 장치에서 중량을 측정하여 네트워크부(110)를 통해 전송한 것일 수도 있고, 컴퓨팅 장치(200)와 연결된 플레이트(220)에서 측정된 값일 수도 있다. 제품 이미지는 하나 이상의 제품 객체를 카메라(210)를 이용하여 촬영한 이미지일 수 있다. 제품 이미지는 제품 객체의 적어도 일부에 대한 이미지를 포함할 수 있다. 제품 중량은 상기 제품 이미지의 대상인 하나 이상의 제품 객체에 대한 중량을 중량 측정부(222)를 이용하여 측정한 것일 수 있다. 매장 내 계산을 위한 컴퓨팅 장치(200)(본 예시에서, POS 단말기)는 제품이 위치할 수 있는 플레이트(220)를 구비할 수 있다. 플레이트(220)는 매장 내 계산대에 위치할 수 있으며, 중량 측정부(222)와 구동부(224)를 구비하여, 제품의 중량을 측정하고, 제품이 잘 촬영되도록 구동할 수 있다. 플레이트(220)는 고객이 계산을 희망하는 제품들의 중량을 측정하는 중량 측정부(222)일 수 있다. 또한, 플레이트(220)는 플레이트(220)를 회전 또는 틸팅(예를 들어, 상, 하, 좌, 우 등으로 이동)할 수 있도록 하는 구동부(224)를 포함할 수 있다. 플레이트(220)의 구동부(224)는 제품 이미지의 재촬영을 위해 플레이트(220)를 구동하여, 제품 객체들이 카메라(210)에 비추어지는 각도를 변경할 수 있다. 예를 들어, 프로세서(120)는 고객이 계산을 위하여 계산대 상단에 제품을 올려놓는 경우, 플레이트(220)의 중량 측정부(222)로부터 상기 제품에 대한 중량 정보를 수신할 수 있다. 매장 내 계산을 위한 컴퓨팅 장치(200)(본 예시에서, POS 단말기)와 연결된 제품 이미지 촬영을 위한 카메라(210)가 있을 수 있다. 예를 들어, 프로세서(120)는 컴퓨팅 장치(200)로부터 고객이 계산을 위하여 계산대 상단에 제품을 올려놓는 경우, 카메라(210)를 통해 상기 제품을 촬영한 제품 이미지를 수신할 수 있다. 예를 들어, 카메라(210)는 계산대 상단의 제품을 수직 방향, 수평 방향 등에서 촬영할 수 있다. 전술한 중량 및 이미지 측정에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 이미지 식별 모델에 기초하여 후보 제품 정보를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력할 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 제품 식별 방법을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(120)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다.

컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.

프로세서(120)는 학습 데이터 세트를 통해 연산하여 이미지 식별 모델을 학습할 수 있다. 프로세서(120)는 학습 데이터 세트를 획득할 수 있다. 학습 데이터 세트는 전체 학습 제품 이미지 및 상기 전체 학습 제품 이미지 각각에 학습 제품 정보가 라벨링된 것일 수 있다. 학습 제품 정보는 제품 객체를 다른 제품 객체와 식별하기 위한 정보를 포함할 수 있다. 학습 제품 정보는 제품 객체에 대한 상품명일 수 있다. 학습 제품 정보는 제품 객체에 대한 상품명 및 상기 상품명에 매칭되는 제품 가액일 수 있다. 라벨링된 학습 데이터는 사용자가 직접 학습 제품 이미지의 제품 객체에 학습 제품 정보를 라벨링한 것일 수 있다. 라벨링된 학습 데이터는 다른 네트워크 함수 모델을 이용하여 학습 제품 이미지에 학습 제품 정보를 라벨링한 것일 수 있다. 예를 들어, 학습 제품 이미지에 포함된 제품 객체(본 예시에서, 커피번 제품 객체 중 적어도 일부를 포함하는 제품 이미지)에 학습 제품 정보(본 예시에서, 커피번)를 라벨링한 것 일 수 있다. 프로세서(120)는 라벨링된 학습 데이터 세트에 포함된 학습 데이터 각각을 이미지 식별 모델을 이용하여 연산하여 제품 정보를 획득할 수 있다. 프로세서(120)는 상기 이미지 식별 모델을 이용하여 연산하여 획득한 제품 정보와 학습 데이터의 라벨인 학습 제품 정보를 비교하여 오차를 계산할 수 있다. 프로세서(120)는 영역이 겹쳐지는 정도에 기초하여 오차를 연산할 수 있다. 프로세서(120)는 학습 데이터의 라벨링된 학습 제품 정보의 바운딩 박스와 이미지 식별 모델을 이용하여 연산하여 획득한 제품 정보의 바운딩 박스의 영역이 겹쳐지는 정도에 기초하여 오차를 연산할 수 있다. 오차는, 라벨링된 학습 제품 정보의 바운딩 박스와 이미지 식별 모델을 이용하여 연산한 제품 정보의 바운딩 박스의 교집합을 합집합으로 나눈 것일 수 있다. 프로세서(120)는 역방향인, 이미지 식별 모델의 출력 레이어에서 입력 레이어 방향으로 계산된 오차를 역전파할 수 있다. 프로세서(120)는 출력 레이어에서 입력 레이어 방향으로 오차를 역전파하여 역전파에 따라 각 레이어의 각 노드들의 연결 가중치를 업데이트할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 이미지 식별 모델의 계산과 에러의 역전파는 학습 사이클을 구성할 수 있다. 학습률은 네트워크 함수의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 네트워크 함수의 학습 초기에는 높은 학습률을 사용하여 네트워크 함수가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높일 수 있다. 예를 들어, 네트워크 함수의 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다. 예를 들어, 프로세서(120)는 이미지 식별 모델의 학습에 대한 학습률을 0.001에서 0.1로 에폭 마다 상승시킬 수 있다. 예를 들어, 프로세서(120)는 이미지 식별 모델의 학습에 대하여 마지막 30 에폭 동안의 학습률을 0.0001로 하여 이미지 식별 모델을 학습할 수 있다. 프로세서(120)는 이미지 식별 모델의 학습에서 과적합 (overfitting)을 방지하기 위하여 히든 노드의 출력의 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃(drop out)을 설정할 수 있다. 예를 들어, 프로세서(120)는 이미지 식별 모델의 드롭 아웃률을 0.5로 설정하여 이미지 식별 모델의 학습을 수행할 수 있다. 전술한 이미지 식별 모델 학습에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 컴퓨팅 장치(200)에서 수신되는 식별된 제품에 대한 결제 정보에서 제품 정보를 획득하여 획득된 제품 정보를 학습 데이터로 하여 이미지 식별 모델을 재 학습할 수 있다. 즉, 프로세서(120)는 컴퓨팅 장치(200)에서 제품에 대한 결제 행위 등이 발생한 경우, 해당 결제 정보에 포함된 제품 정보와 획득된 제품 이미지를 추가 학습 데이터 세트로 생성할 수 있다. 예를 들어, 프로세서(120)에서 결정된 제품 정보와 실제 결제 정보에 포함된 제품 정보가 상이한 경우(즉, 이미지 식별 모델을 이용하여 결정된 제품 정보를 컴퓨팅 장치(200)의 사용자(예를 들어, 점원)이 바로잡은 경우 등), 결제 정보에 포함된 제품 정보를 획득하고, 획득된 제품 정보를 획득된 제품 이미지의 라벨로 하여 추가 학습 데이터를 생성할 수 있다.

프로세서(120)는 제품 이미지를 학습 데이터의 입력으로 하고, 제품에 대한 결제 정보에서 획득된 제품 정보를 상기 제품 이미지의 라벨로 하는, 추가 학습 데이터를 생성할 수 있다. 프로세서(120)는 추가 학습 데이터 및 기존의 학습 데이터를 포함하는 추가 학습 데이터 세트를 생성할 수 있다. 프로세서(120)는 상기 재 학습 데이터에 기초하여 이미지 식별 모델의 학습을 다시 수행할 수 있다. 프로세서(120)는 추가 학습 데이터가 생성될 때 마다 이미지 식별 모델의 학습을 다시 수행할 수도 있고, 추가 학습 데이터가 사전 결정된 개수 이상인 경우마다 이미지 식별 모델의 학습을 다시 수행할 수도 있다. 매장에서 촬영한 제품 이미지 및 제품 이미지에 기초하여 결제된 결제 데이터에 포함된 제품 정보를 학습 데이터로 하여 이미지 식별 모델을 재 학습함으로써 이미지 식별 모델의 정확성을 높일 수 있다.

프로세서(120)는 이미지 식별 모델의 입력 노드에 입력된 제품 이미지를 이미지 식별 모델을 통해 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력할 수 있다. 분류 클래스는 제품 정보를 식별하기 위한 것일 수 있다. 분류 클래스는, 각각의 제품 정보에 기초하여 결정될 수 있다. 분류 클래스는, 매장 내 제품 재고 정보에 기초하여 결정될 수 있다. 예를 들어, 분류 클래스는 서버(100)(본 예시에서 매장 본사의 서버)의 메모리(130)에 저장되어 있는 모든 제과 및 제빵들에 대한 제품 정보를 포함할 수 있다. 예를 들어, 분류 클래스는 서버(100)(본 예시에서 매장 본사)의 메모리(130)에 저장되어 있는 제품 정보(본 예시에서, 치즈번, 커피번, 꽈배기) 중 컴퓨팅 장치(200)가 배치된 매장에서 판매하는 제품 정보만(본 예시에서, 해당 매장에서 생산하는 빵인 치즈번, 꽈배기)(또는 본 예시에서, 해당 매장에서 상기 3가지의 제품을 모두 생산하였으나 고객이 치즈번을 모두 사가고 남은 제품만을 포함하는 커피번, 꽈배기)을 포함할 수 있다. 전술한 분류 클래스에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 하나 이상의 후보 제품 정보를 결정할 수 있다. 후보 제품 정보는, 제품 이미지에 포함되어 있는 하나 이상의 제품 객체에 대한 정보를 포함할 수 있다. 후보 제품 정보는, 제품 이미지에 포함되어 있는 제품 객체가 어떤 제품에 해당할 것인지에 대한 후보를 나타내는 정보를 포함할 수 있다. 프로세서(120)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 사전 결정된 임계 값 이상인 분류 클래스를 후보 제품 정보로 결정할 수 있다. 예를 들어, 사전 결정된 임계 값이 0.6인 경우, 분류 클래스 각각에 대한 스코어링 값이 0.6 이상인 분류 클래스를 후보 제품 정보로 결정할 수 있다. 프로세서(120)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 최대 스코어링 값을 가지는 하나의 분류 클래스를 후보 제품 정보로 결정할 수 있다. 프로세서(120)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 최대 스코어링 값과 사전 결정된 비율 내의 스코어링 값에 대한 분류 클래스를 후보 제품 정보로 결정할 수 있다. 예를 들어, 제품 이미지에 포함된 하나의 제품 객체에 대한 스코어링 값 중 가장 큰 값을 갖는 스코어링 값이 0.8인 경우, 상기 스코어링 값이 0.8인 분류 클래스를 후보 제품 정보로 결정할 수 있다. 예를 들어, 사전 결정된 비율이 80%인 경우, 최대 스코어링 값인 0.8의 80%에 해당하는 스코어링 값 이상(본 예시에서, 스코어링 값이 0.64 이상)인 분류 클래스도 또한 후보 제품 정보로 결정할 수 있다. 전술한 스코어링 값에 기초하여 후보 제품 정보를 결정하는 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 이미지 식별 모델로 획득한 후보 제품 정보 중 제품 정보를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력할 수 있다. 프로세서(120)는 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정할 수 있다. 프로세서(120)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 사전 결정된 임계 값 이상인 분류 클래스 및 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 최대 스코어링 값과 사전 결정된 비율 내의 스코어링 값에 대한 분류 클래스 중 적어도 하나를 후보 제품 정보로 결정할 수 있다. 프로세서(120)는 제 1 후보 제품 정보에 대한 분류 클래스의 스코어링 값 중 최대 스코어링 값이 다른 분류 클래스의 스코어링 값과 임계값 이상의 차이가 있는 큰 값을 가지는 경우, 상기 최대 스코어링 값에 기초한 분류 클래스를 제품 정보로 결정할 수 있다. 예를 들어, 분류 클래스 피자빵에 대한 스코어링 값이 0.8이고, 다른 분류 클래스에 대한 스코어링 값이 0.73, 0.72인 경우, 피자빵에 대한 스코어링 값이 임계값 이상(본 예시에서, 사전 결정된 임계값인 0.05 스코어 차이)(또는 본 예시에서, 최대 임계값의 5% 이상의 차이인 0.004)의 최대 값을 가지는 것으로 판단하여, 분류 클래스 피자빵을 제품 정보로 결정할 수 있다. 전술한 제품 정보를 결정하는 방법에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 1 후보 제품 정보 중 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 컴퓨팅 장치(200)의 플레이트(220)를 구동할 것을 결정할 수 있다. 프로세서(120)는 플레이트(220)를 구동할 것을 결정하는 경우, 플레이트(220)의 구동을 위한 정보를 네트워크부(110)를 통해 컴퓨팅 장치(200)에 전송할 수 있다. 프로세서(120)는 촬영 대상 제품 객체의 상기 플레이트(220) 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트(220)를 구동할 것을 결정할 수 있다. 플레이트(220)의 구동은, 플레이트(220)를 회전하거나 틸팅(예를 들어, 상, 하, 좌, 우, 사전 결정된 각도, 사전 결정된 속도 등으로 플레이트(220)를 움직이는 것)하는 것을 포함할 수 있다. 프로세서(120)는 촬영 대상 제품 객체가 다른 제품 객체에 의해 적어도 일부가 가려져 식별 불가능하게 제품 이미지에 포함된 경우, 상기 촬영 대상 제품 객체가 식별 가능하도록 플레이트(220)를 회전할 것을 결정할 수 있다. 프로세서(120)는 플레이트(220)를 구동함과 동시에 컴퓨팅 장치(200)로부터 제품 이미지를 수신하고, 제품 객체에 대한 제품 이미지를 분석하여, 상기 제품 이미지에 기초하여 제품 객체가 식별 가능할 때까지 플레이트(220)의 구동을 계속할 수 있다. 예를 들어, 프로세서(120)는 촬영 대상 제품 객체가 뒤집어 진 상태로 플레이트(220)에 배치되어 상기 촬영 대상 제품 객체가 식별 불가능하게 포함된 경우, 상기 촬영 대상 제품 객체가 식별 가능하도록 플레이트(220)를 일정 속도로 흔들도록 결정할 수 있다. 예를 들어, 촬영 대상 제품 객체의 상기 플레이트(220) 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우는, 제품 객체가 다른 제품 객체에 가려져 제품 이미지에 일부분만이 포함되는 경우, 제품 객체가 다른 제품 객체와 겹쳐진 상태로 플레이트(220) 위에 배치된 경우, 제품 객체가 식별가능한 윗 부분이 아닌 아래 부분이 보이도록 플레이트(220) 상에 배치된 경우 등일 수 있다. 전술한 플레이트(220)의 구동에 대한 개시는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 이미지 식별 모델로 획득한 후보 제품 정보 중 후보 제품 정보에 대한 중량에 기초하여 제품 정보를 결정할 수 있다.

프로세서(120)는 상기 하나 이상의 후보 제품 정보에 기초한 예상 중량과 중량 측정부(222)를 이용하여 측정된 상기 제품 중량의 비교 결과에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정할 수 있다.

프로세서(120)는 상기 하나 이상의 후보 제품 정보 각각에 대한 예상 중량 범위를 결정할 수 있다. 프로세서(120)는 메모리(130)에 저장된 제품 정보 각각에 대한 중량 범위를 이용하여, 이미지 식별 모델을 통해 획득한 후보 제품 정보 각각에 대한 중량 범위를 예상 중량 범위로 결정할 수 있다. 예상 중량 범위는, 메모리(130)에 저장된 제품 정보 각각에 대한 중량 범위일 수 있다. 예상 중량 범위는, 메모리(130)에 저장된 제품 정보 각각에 대한 중량 범위의 사전 결정된 오차 범위를 포함하는 범위일 수 있다. 예를 들어, 메모리(130)에 저장된 피자 빵의 예상 중량 범위 가 50-55g인 경우, 프로세서(120)는 예상 중량 범위를 50-55g으로 결정할 수 있고, 또는 프로세서(120)는 예상 중량 범위를 사전 결정된 오차 범위(본 예시에서 5%)를 포함하도록 47.5-57.75g으로 결정할 수도 있다. 전술한 예상 중량 범위에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보를 제품 정보로 결정할 수 있다. 예를 들어, 이미지 식별 모델을 이용하여 획득한 후보 제품 정보가 밤 식빵 및 우유 식빵인 경우, 프로세서(120)는 메모리(130)에 저장된 밤 식빵에 대한 중량인 95-100g을 밤 식빵 제품 정보에 대한 예상 중량 범위로 결정할 수 있고, 메모리(130)에 저장된 우유 식빵에 대한 중량인 70-73g을 우유 식빵 제품 정보에 대한 예상 중량 범위로 결정할 수 있다. 예를 들어, 프로세서(120)가 네트워크부(110)를 통해 수신한 중량 측정부(222)를 이용하여 측정된 제품 중량이 102g일 수 있다. 프로세서(120)는 네트워크부(110)를 통해 수신한 제품 중량이, 예상 중량 범위 내에 속하는 후보 제품 정보를 제품 정보로 결정할 수 있다. 예를 들어, 프로세서(120)는 측정된 제품 중량이 102g인 경우, 밤 식빵 제품 정보에 대한 예상 중량 범위(본 예시에서, 95-100g)에 측정된 제품 중량(102g)이 포함되는 것으로 판단하여, 후보 제품 정보(본 예시에서, 밤 식빵 및 우유 식빵) 중 밤 식빵을 제품 정보로 결정할 수 있다. 이미지 식별 모델을 이용하여 후보 제품 정보를 획득하고, 상기 후보 제품 정보의 중량에 기초하여 제품 정보를 출력함으로써, 빵이라는 제품 특성 상 육안으로는 식별하기 어려운 제품들도, 제품들의 중량을 통해 이중으로 확인함으로써 사람이 직접 개입하지 않고도 무인 계산이 가능할 수 있다. 전술한 제품 정보 결정에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보를 제품 정보로 결정함에 있어, 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보가 하나 이상인 경우, 상기 제품 이미지에 대한 재촬영을 결정할 수 있다. 예를 들어, 프로세서(120)가 이미지 식별 모델을 이용하여 획득한 후보 제품 정보 녹차롤케익 및 생크림롤케익에 대하여 메모리(130)에 저장된 예상 중량 범위가 각각 200-210g 및 200-210g이고, 프로세서(120)가 네트워크부(110)를 통해 획득한 중량 측정부(222)를 이용하여 측정된 제품 중량이 210g인 경우, 프로세서(120)는 후보 제품 정보의 예상 중량 범위 각각에 제품 중량이 모두 포함되는 것으로 판단하여, 제품 이미지에 대한 재촬영을 결정할 수 있다. 프로세서(120)는 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보가 하나 이상이고, 상기 후보 제품 정보들 각각의 제품 가액이 상이한 경우, 재촬영을 결정할 수 있다. 프로세서(120)는 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보가 하나 이상이고, 상기 후보 제품 정보들 각각의 제품 가액이 상이한 경우, 고객 관련 정보 및 매장 관련 정보 중 적어도 하나에 기초하여 제품 정보를 결정할 수 있다. 전술한 제품 정보 결정에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보가 하나 이상인 경우, 고객 단말 및 컴퓨팅 장치(200) 중 적어도 하나로 상기 예상 중량 범위 내에 상기 제품 중량이 속하는 후보 제품 정보를 전송할 것을 결정할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 상기 고객 단말 및 상기 컴퓨팅 장치(200) 중 적어도 하나로부터 하나의 후보 제품 정보를 수신할 수 있다. 고객 단말에는 상기 매장과 관련한 어플리케이션이 설치되어 있을 수 있다. 프로세서(120)는 네트워크부(110)를 통해 고객 단말에 후보 제품 정보를 전송하여, 실제 고객이 선택한 제품이 어떤 것인지에 대한 정보를 수신할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 컴퓨팅 장치(200)(예를 들어, POS 단말)에 후보 제품 정보를 전송할 수 있다. 예를 들어, 무인 매장의 상주 직원 또는 고객이 직접, 컴퓨팅 장치(200)에 디스플레이된 후보 제품 정보 중 실제 고객이 결제하려는 제품을 선택할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 고객 단말 및 컴퓨팅 장치(200) 중 적어도 하나로부터 수신한 하나의 후보 제품 정보를 상기 제품 정보로 결정할 수 있다. 전술한 제품 정보를 결정하는 방법에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 제품 태그 식별 결과 및 제품 이미지 식별에 기초하여 제품 정보를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정할 수 있다. 제품 태그는, 제품 객체 각각에 대해 부착되어 있는 제품 정보를 식별하기 위한 정보를 포함하는 태그일 수 있다. 예를 들어, 제품 태그는, 제품 객체에 대해 붙어있는 바코드일 수 있다. 예를 들어, 제품 태그는, 제품 태그에 대해 붙어있는 스티커일 수 있다. 예를 들어, 매장에서 육안으로 식별하기 어려운 커피번과 치즈번을 구별하기 위하여, 커피번의 포장지에 빨간색 스티커를 부착하고, 치즈번의 포장지에 노란색 스티커를 부착하여 프로세서(120)는 각 제품 태그에 기초하여 제품 정보를 식별할 수 있다. 전술한 제품 태그에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 1 후보 제품 정보 및 제 2 후보 제품 정보에 기초하여 하나 이상의 후보 제품 중에서 제품 정보를 결정할 수 있다. 제 1 후보 제품 정보는, 제품 이미지를 이미지 식별 모델을 이용하여 연산하여 획득한 제품 정보일 수 있다. 제 2 후보 제품 정보는, 제품 태그 식별 결과에 기초하여 획득한 제품 정보일 수 있다.

프로세서(120)는 하나 이상의 제 1 후보 제품 정보 중 제 2 후보 제품 정보와 동일한 후보 제품 정보가 있는 경우, 해당 후보 제품 정보를 제품 정보로 결정할 수 있다. 예를 들어, 제 1 후보 제품 정보에 A, B 및 C에 대한 제품 정보가 포함되어 있고, 제 2 후보 제품 정보에 C에 대한 제품 정보가 포함되어 있는 경우, 프로세서(120)는 C에 대한 제품 정보를 제품 정보로 결정할 수 있다. 전술한 기재는 예시일 뿐이며, 본개시는 이에 제한되지 않는다.

프로세서(120)는 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정할 수 있다. 제 1 가중치 및 제 2 가중치는 사전 결정된 가중치일 수 있다. 예를 들어, 제 1 가중치는 0이고, 제 2 가중치는 100일 수 있다. 전술한 가중치에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 1 후보 제품 정보, 제 2 후보 제품 정보, 컴퓨팅 장치(200)가 배치된 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정할 수 있다. 고객 정보는, 고객의 과거 구매 이력을 포함할 수 있다. 고객 정보는, 고객 과거 구매 이력에 기초한 고객의 구매 성향을 분석한 정보일 수 있다. 매장 정보는, 컴퓨팅 장치(200)(예를 들어, POS 단말)이 배치된 매장에 대한 정보를 의미할 수 있다. 매장 정보는, 매장에서 보유하고 있는 제품 재고 현황에 대한 정보를 포함할 수 있다. 매장 정보는, 매장의 제품 생산 정보, 매장의 제품 발주 정보 및 매장의 제품 판매 정보를 포함할 수 있다. 프로세서(120)는 학습 제 1 후보 제품 정보, 학습 제 2 후보 제품 정보, 학습 매장 정보 및 학습 고객 정보 중 적어도 하나에 학습 결제 정보를 라벨링된 학습 데이터 세트에 기초하여 제품 정보 결정 모델을 학습할 수 있다. 프로세서(120)는 학습 제 1 후보 제품 정보, 학습 제 2 후보 제품 정보, 학습 매장 정보 및 학습 고객 정보를 제품 정보 결정 모델의 입력으로 하여 획득한 결제 정보와 학습 결제 정보를 비교하여, 상기 비교 값인 오차를 역전파하여 모델에 포함된 노드 간의 가중치를 업데이트할 수 있다.

이하에서는, 제품 이미지 상에서 인식된 제품 객체의 위치 및 제품 태그의 위치에 대한 비교하여 제품 식별에 대한 정확도를 향상하기 위한 방법에 관하여 설명한다.

프로세서(120)는 네트워크부(110)를 통해 컴퓨팅 장치(200)로부터 수신한 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정할 수 있다. 제품 객체의 위치는 제품 이미지에 포함된 하나 이상의 제품 객체 각각에 대한 위치 정보를 포함할 수 있다. 제품 태그의 위치는 제품 이미지에 포함된 하나 이상의 제품 태그 각각에 대한 위치 정보를 포함할 수 있다. 프로세서(120)는 제품 객체의 위치 및 제품 태그의 위치를 비교할 수 있다. 프로세서(120)는 제품 이미지에서 식별되는 제품 객체의 위치의 개수와 제품 이미지에서 식별되는 제품 태그의 위치의 개수가 상이한 경우, 제품 객체에 대한 인식이 제대로 수행되지 못한 것으로 판단할 수 있다. 프로세서(120)는 제품 이미지에서 식별되는 제품 객체의 개수와 제품 이미지에서 식별되는 제품 태그의 개수가 상이한 경우, 제품 객체에 대한 인식이 제대로 수행되지 못한 것으로 판단할 수 있다. 예를 들어, 제품 이미지에서 제품 객체가 2개로 인식되고, 제품 태그가 3개로 인식되는 경우, 프로세서(120)는 제품 객체가 한 개 더 존재하나, 다른 제품 객체에 가려져 제품 이미지 상에서 인식이 불가능한 것으로 판단하여, 제품 객체에 대한 인식이 제대로 수행되지 못한 것으로 판단할 수 있다. 프로세서(120)는 제품 이미지에서 식별되는 제품 객체의 위치와 제품 태그의 위치가 상이한 경우, 하나 이상의 제품 객체 중 적어도 일부에 대한 인식이 제대로 수행되지 못한 것으로 판단할 수 있다. 제품 이미지에서 식별되는 제품 객체의 위치와 제품 태그의 위치가 상이한 경우는, 하나 이상의 제품 객체의 위치 및 하나 이상의 제품 태그의 위치 중 적어도 일부가 일치하지 않는 경우를 포함할 수 있다. 예를 들어, 제품 객체의 위치가 플레이트의 하단으로 식별되는 반면, 제품 태그의 위치는 플레이트의 상단으로 식별되는 경우, 프로세서(120)는 제품 이미지에 포함된 제품 객체 중 적어도 일부에 대한 인식이 제대로 수행되지 못한 것으로 판단될 수 있다. 프로세서(120)는 제품 이미지를 이미지 식별 모델을 통해 연산하여 획득한 제 1 후보 제품 정보 및 제품 태그의 식별 결과에 기초하여 획득한 제 2 후보 제품 정보가 일치하나, 상기 제품 객체의 위치 및 제품 태그의 위치가 상이한 경우, 제품 정보에 대한 결정에 오류가 있는 것으로 판단하거나 또는 하나 이상의 제품 객체 중 적어도 일부에 대한 인식이 제대로 수행되지 못한 것으로 판단할 수 있다. 프로세서(120)가 제품 객체에 대한 인식이 제대로 수행되지 못한 것으로 판단하는 경우, 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정할 수 있다. 전술한 제품 이미지의 제품 객체 및 제품 태그의 위치에 기초한 제품 식별 방법에 대한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 제품 태그를 식별할 수 없는 경우, 플레이트(220)를 구동하는 방법에 관하여 설명한다.

프로세서(120)는 제품 태그를 식별할 수 없는 경우 상기 제품 이미지에 대한 재촬영을 위해 플레이트(220)의 구동부(224)를 구동할 것을 결정할 수 있다. 프로세서(120)는 플레이트(220)의 구동부(224)를 구동할 것을 결정하는 경우, 네트워크부(110)를 통해 컴퓨팅 장치(200)에 구동부(224)의 구동에 대한 정보를 전송할 수 있다. 제품 태그를 식별할 수 없는 경우는, 제품 태그의 일부분만이 제품 이미지에 포함되어 있는 경우일 수 있다. 제품 태그를 식별할 수 없는 경우는, 제품 객체는 제품 이미지에서 식별이 가능하여 제품 객체에 대한 후보 제품 정보가 두개 이상 획득되었으나, 제품 태그는 제품 이미지에서 식별할 수 없는 경우일 수 있다. 예를 들어, 제품 태그를 식별할 수 없는 경우는, 제품 태그가 제품 객체의 아래 부분에 깔려 있는 경우, 제품 태그가 제품 객체를 촬영한 카메라(210) 부분이 아닌 반대 부분에 부착되어 있는 경우, 제품 태그가 다른 제품 객체에 의해 적어도 일부가 가려진 경우 들을 포함할 수 있다. 전술한 제품 태그를 식별할 수 없는 경우에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 촬영 대상 제품 객체의 플레이트(220) 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트(220)의 구동부(224)를 구동할 것을 결정할 수 있다. 플레이트(220)의 구동부(224)는 플레이트(220)를 회전하거나 틸팅(예를 들어, 상, 하, 좌, 우, 사전 결정된 각도, 사전 결정된 속도 등으로 플레이트(220)를 움직이는 것)하는 동작을 수행할 것을 결정할 수 있다. 프로세서(120)는 플레이트(220)의 구동부(224)를 구동할 것을 컴퓨팅 장치(200)에 네트워크부(110)를 통해 전송하고, 컴퓨팅 장치(200)로부터 수신한 구동부(224)의 구동을 통한 제품 이미지를 분석하여, 제품 이미지에 포함된 제품 태그가 식별될 때까지 플레이트(220)를 구동할 것을 결정할 수 있다. 예를 들어, 프로세서(120)는 제품 태그가 다른 제품 객체에 의해 가려져서 식별이 불가능한 경우, 상기 제품 태그가 보이도록 플레이트(220)의 구동부(224)를 사전 결정된 각도만큼 회전할 것을 결정할 수 있다. 예를 들어, 프로세서(120)는 제품 태그가 다른 제품 객체에 의해 가려져서 식별이 불가능한 경우, 플레이트(220)의 구동부(224)를 회전 또는 틸팅하면서 제품 이미지를 분석하여, 제품 태그가 식별될 때까지 플레이트(220)를 구동할 것을 결정할 수 있다. 전술한 플레이트(220)의 구동부(224)에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 이미지 식별 모델에 기초한 후보 제품 정보 및 제품 태그에 기초한 후보 제품 정보의 중량에 기초하여 제품 정보를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산할 수 있다. 프로세서(120)는 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산할 수 있다. 프로세서(120)는 메모리(130)에 각 제품 정보에 매칭되어 저장된 중량에 기초하여, 예상 중량을 연산할 수 있다. 예상 중량은, 메모리(130)에 각 제품 정보에 매칭되어 저장된 중량일 수 있다. 예상 중량은, 메모리(130)에 각 제품 정보에 매칭되어 저장된 중량에 오차 범위 내의 값을 포함할 수 있다. 예를 들어, 메모리(130)에 소보루빵의 중량이 50-55g으로 저장되어 있는 경우, 예상 중량은 메모리(130)에 저장된 중량(본 예시에서, 50-55g)일 수 있고, 또는 메모리(130)에 저장된 중량의 오차 범위 내의 값(본 예시에서, 10%, 즉 45-60.5g)일 수 있다. 전술한 예상 중량에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 제 1 예상 중량, 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 하나 이상의 후보 제품 중에서 제품 정보를 결정할 수 있다. 프로세서(120)는 측정 실제 중량이 제 1 예상 중량 및 제 2 예상 중량 중 하나의 예상 중량 범위 내에 포함되는 경우, 상기 하나의 예상 중량 범위에 기초한 후보 제품 정보를 제품 정보로 결정할 수 있다. 예를 들어, 프로세서(120)는 측정 실제 중량이 100g이고, 제 1 예상 중량이 80-83g 이고, 제 2 예상 중량이 98-103g인 경우, 제 1 예상 중량에 측정 실제 중량이 포함되는 것으로 판단하여, 제 2 예상 중량에 기초하여 식별되는 후보 제품 정보를 제품 정보로 결정할 수 있다. 전술한 제품 정보 결정에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 제품 객체 중 적어도 일부가 겹쳐져 있는 것으로 판단되는 경우, 해당 제품 이미지를 재촬영하기 위하여 플레이트(220)를 구동하는 방법에 관하여 설명한다.

프로세서(120)는 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산할 수 있다. 프로세서(120)는 제품 정보에 기초하여 이미지 식별 모델을 통해 획득한 제품 객체에 대한 크기를 연산할 수 있다. 프로세서(120)는 제품 크기 및 제품 정보 각각에 대해 메모리(130)에 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트(220)에 존재하는지 여부를 결정할 수 있다. 프로세서(120)는 연산한 제품 크기가 메모리(130)에 저장된 제품 크기보다 큰 경우, 플레이트(220) 위에 올려져 있는 제품 객체 보다 크게 보이는 것으로, 즉, 제품 이미지에 의해 식별되는 제품 객체가 다른 제품 객체와 겹쳐져서 플레이트(220) 상에서 수직 방향으로 더 위에 위치해 있음을 결정할 수 있다. 프로세서(120)는 제품 객체를 정렬하기 위하여 플레이트(220)를 구동할 것을 결정할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 플레이트(220)의 구동을 위한 정보를 컴퓨팅 장치(200)로 전송할 수 있다.

이하에서는, 플레이트(220)의 중량 측정부(222)를 통해 측정한 중량에 기초하여 제품 객체 중 적어도 일부가 제품 이미지에서 식별되지 않는 것으로 판단하여 플레이트(220)의 구동부(224)를 구동하는 방법에 관하여 설명한다.

프로세서(120)는 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트(220)에 존재하는지 여부를 결정할 수 있다. 프로세서(120)는 메모리(130)에 제품 정보와 매칭되어 저장된 중량에 기초하여 상기 결정된 제품 정보 각각에 대한 중량을 합하여 예상 중량을 연산할 수 있다. 프로세서(120)는 측정된 제품 중량이 상기 예상 중량보다 사전 결정된 값 이상인 경우, 상기 제품 정보에 기초한 제품 객체 이외의 다른 제품 객체가 플레이트(220)에 존재하는 것으로 판단할 수 있다. 예를 들어, 측정된 제품 중량이 100g이고, 예상 중량이 40g 인 경우, 프로세서(120)는 식별된 제품 객체 이외의 제품 객체가 가려지거나 밑에 깔려 있는 것으로 판단할 수 있다. 프로세서(120)는 식별되지 않은 다른 객체를 식별하기 위하여 상기 제품 객체를 정렬하도록 플레이트(220)의 구동부(224)를 구동할 것을 결정할 수 있다.

이하에서는, 고객 관련 정보 및 매장 관련 정보 중 적어도 하나에 기초하여 후보 제품 정보 중 제품 정보를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 상기 하나 이상의 후보 제품 정보 중 고객 관련 정보 및 매장 관련 정보 중 적어도 하나에 기초하여 예상 제품 정보를 출력할 수 있다. 고객 관련 정보는, 고객의 과거 구매 이력을 포함할 수 있다. 고객 관련 정보는, 고객 과거 구매 이력에 기초한 고객의 구매 성향을 분석한 정보일 수 있다. 매장 관련 정보는, 컴퓨팅 장치(200)가 배치된 매장의 정보를 포함할 수 있다. 매장 관련 정보는, 매장에서 보유하고 있는 제품 재고 현황에 대한 정보를 포함할 수 있다. 매장 관련 정보는, 매장의 제품 생산 정보, 매장의 제품 발주 정보 및 매장의 제품 판매 정보를 포함할 수 있다. 프로세서(120)는 하나 이상의 후보 제품 정보 중 고객의 과거 구매 이력에 기초하여 예상 제품 정보를 결정할 수 있다. 예를 들어, 메모리(130)에 저장된 고객의 과거 구매 이력에 우유 식빵이 포함되어 있고, 고객의 과거 구매 이력에 고객이 건포도에 알레르기가 있다는 정보가 포함되어 있는 경우, 프로세서(120)는 후보 제품 정보인 우유 식빵 및 건포도 식빵 중 우유 식빵을 예상 제품 정보로 결정할 수 있다. 프로세서(120)는 하나 이상의 후보 제품 정보 중 매장의 제품 생산 정보, 매장의 제품 발주 정보 및 매장의 제품 판매 정보에 기초하여 예상 제품 정보를 결정할 수 있다. 예를 들어, 메모리(130)에 저장된 매장 관련 정보에, 매장의 생크림 케익 1개 발주 정보, 매장의 고구마 케익 2개 생산 정보 및 매장의 생크림 케익 1개 판매 정보가 포함되어 있는 경우, 프로세서(120)는 현재 매장의 제품 재고 현황에 고구마 케익만 포함되어 있는 것으로 판단하여, 후보 제품 정보인 고구마 케익 및 생크림 케익 중, 고구마 케익을 예상 제품 정보로 결정할 수 있다. 전술한 예상 제품 정보에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 예상 제품 정보 및 상기 제품 정보가 일치하지 않는 경우, 상기 제품 이미지에 대한 재촬영을 결정할 수 있다. 프로세서(120)는 제품 객체의 중량 측정에 기초하여 결정된 제품 정보 및 후보 제품 정보 중 매장 관련 정보 및 고객 관련 정보 중 적어도 하나에 기초하여 결정된 예상 제품 정보가 일치하지 않는 경우, 이미지 식별 모델에서 획득한 후보 제품 정보 또는 중량 비교에서 오류가 있던 것으로 판단하여, 상기 제품 이미지에 대한 재촬영을 결정할 수 있다.

이는 이미지 식별 모델 및 제품 중량에 기초하여 제품 정보를 결정하는 것에 덧붙여, 매장 관련 정보 및 고객 관련 정보로 검증 절차를 거침으로써, 사람이 직접 계산을 하지 않는, 무인 매장에서 더 정확성을 높일 수 있다.

이하에서는, 매장 관련 정보에 기초하여 제품 정보를 결정하는 다른 방법에 관하여 설명한다.

프로세서(120)는 네트워크부(110)를 통해 컴퓨팅 장치(200)로부터 매장 내 선반의 중량 측정 정보를 수신할 수 있다. 매장 내 선반의 중량 측정 정보는, 컴퓨팅 장치(200)가 배치된 매장에 제품을 진열하기 위하여 배치되어 있는 선반들 각각에 설치된 중량 측정 장치에 기초하여 측정된 제품들에 대한 중량 측정 정보를 포함할 수 있다. 메모리(130)는 중량 측정 정보를 실시간으로 저장할 수 있다. 프로세서(120)는 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정할 수 있다. 예를 들어, 매장 내 선반의 중량 측정 정보에서 플레인 베이글이 진열된 선반의 중량 변화량이 없고, 블루베리 베이글이 진열된 선반의 중량 변화량이 블루베리 베이글 1개 수량만큼 발생한 경우, 프로세서(120)는 제 1 후보 제품 정보인 플레인 베이글 및 블루베리 베이글 중 블루베리 베이글을 제품 정보로 결정할 수 있다. 전술한 중량 측정 정보에 기초한 제품 정보 결정에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 네트워크부(110)를 통해 컴퓨팅 장치(200)로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신할 수 있다. 상기 매장은, 컴퓨팅 장치(200)가 배치된 매장일 수 있다. 프로세서(120)는 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산할 수 있다. 프로세서(120)는 매장 내 음성 중 사용자의 음성이 어느 마이크를 통해 수신되는 지 여부에 기초하여 사용자의 동선에 대한 정보를 메모리(130)에 저장할 수 있다. 프로세서(120)는 매장 내 영상 정보 중 사용자에 대한 식별을 통해, 사용자의 동선에 대한 정보를 메모리(130)에 저장할 수 있다. 프로세서(120)는 매장 내 음성 중 사용자의 음성 및 매장 내 영상 정보 중 사용자의 음성을 네트워크 함수를 포함하는 모델에 기초하여 연산할 수 있다. 프로세서(120)는 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정할 수 있다. 프로세서(120)는 사용자의 동선에 대한 정보에 기초하여, 사용자의 동선에 따른 제품 진열들을 식별할 수 있고, 상기 제품 진열들과 제 1 후보 제품 정보를 비교하여, 제 1 후보 제품 정보 중 상기 사용자의 동선에 기초한 제품 진열들에 포함된 후보 제품 정보를 제품 정보로 결정할 수 있다. 예를 들어, 제 1 후보 제품 정보가 바닐라 마카롱 및 바닐라 다쿠아즈이고, 상기 매장 내 음성 및 매장 내 영상에 기초하여 식별도 사용자의 동선에 따른 제품은 바닐라 다쿠아즈인 경우, 바닐라 다쿠아즈를 제품 정보로 결정할 수 있다. 전술한 사용자의 동선에 기초하여 제품 정보를 결정하는 방법에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는, 무인 매장의 운영 시 제품 가액에 기초하여 제품 정보를 결정하는 방법에 대해 설명한다.

프로세서(120)는 이미지 식별 모델을 이용하여 연산함으로써 획득한 상기 하나 이상의 후보 제품 정보 각각에 대한 제품 가액이 동일한 경우, 상기 하나 이상의 후보 제품 정보 중 임의의 후보 제품 정보를 제품 정보로 결정할 수 있다. 예를 들어, 프로세서(120)가 제품 이미지를 이미지 식별 모델을 이용하여 연산함으로써 제품 이미지에 포함된 제품 객체에 대하여 후보 제품 정보를 치즈타르트 및 에그타르트로 결정하고, 치즈타르트 및 에그타르트의 제품 가액이 모두 2400원으로 동일한 경우, 프로세서(120)는 치즈타르트 및 에그타르트 중 임의의 한 개를 제품 정보로 결정할 수 있다. 전술한 제품 정보 결정에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이미지 식별 모델을 이용하여 획득한 후보 제품 정보들의 제품 가액이 동일한 경우, 어느 제품을 제품 정보로 결정하여도, 고객의 총 결제 금액에는 변동이 없기 때문에 임의의 한 제품을 제품 정보로 결정할 수 있다.

프로세서(120)는 네트워크부(110)를 통해 하나 이상의 제품 정보를 고객 단말 및 컴퓨팅 장치(200) 중 적어도 하나로 전송할 수 있다. 고객 단말에는, 매장과 관련한 어플리케이션을 통하여 제품 정보가 디스플레이 될 수 있다. 컴퓨팅 장치(200)의 디스플레이부(미도시)에는, 제품 정보가 디스플레이될 수 있다. 컴퓨팅 장치(200)는, 제품 객체를 촬영하기 위한 카메라(210) 및 제품 중량을 측정하거나 구동하기 위한 플레이트(220) 중 적어도 하나와 연결된 컴퓨팅 장치일 수 있다. 프로세서(120)는 네트워크부(110)를 고객 단말 및 컴퓨팅 장치(200) 중 적어도 하나로부터 하나 이상의 제품 정보 중 결제 선택 정보 및 오류 정보 중 적어도 하나를 수신할 수 있다. 결제 선택 정보는 상기 제품 정보에 대한 확인 정보 및 결제 수단 정보 중 적어도 하나를 포함할 수 있다. 제품 정보에 대한 확인 정보는 상기 고객 단말 및 컴퓨팅 장치(200) 중 적어도 하나에 디스플레이 된 제품 정보들이 고객이 선택한 제품들과 일치함을 확인하는 정보일 수 있다. 결제 수단 정보는 예를 들어, 카카오 페이, 삼성 페이, 신용 카드, 계좌 이체 등일 수 있다. 전술한 결제 수단 정보에 대한 기재는 예시이며, 본개시는 이에 제한되지 않는다. 오류 정보는, 고객이 매장에서 선택한 제품과 이미지 식별 모델, 중량 검증 등을 통해 획득된 제품 정보와 상이한 경우, 고객이 고객 단말 및 결제 단말 중 적어도 하나를 통해 상기 제품 정보가 틀렸음을 표시하는 정보일 수 있다.

본 개시의 일 실시예에서, 서버(100)는 촬영된 제품 이미지를 이미지 식별 모델로 연산하여 후보 제품 정보를 추출할 수 있으며, 추출된 후보 제품 정보를 제품 태그 정보, 제품 중량 정보, 매장 내 재고 정보, 구매자의 동선에 관련한 정보, 매장 내 제품 선반에서 측정되는 중량 정보 등에 기초하여 필터링 하여 보다 정확한 인식 결과를 제공할 수 있다. 또한, 컴퓨팅 장치(200)에서 획득된 이미지에 대하여 서버(100)에서 이미지 인식 및 제품 식별 동작을 수행함으로써, 매장에 설치된 컴퓨팅 장치(예를 들어, POS 장비)의 종류와 무관하게 제품 인식 동작을 수행할 수 있다.

메모리(130)는 본 개시의 일 실시예에 따른 제품 식별 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 제품 이미지, 제품 중량, 실제 거리 등)을 임시 또는 영구 저장할 수도 있다. 메모리(130)는 컴퓨팅 장치(200)에 기초한 각 매장 별 정보를 저장할 수 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.

카메라(210)는 본 개시의 일 실시예에 따른 제품 식별 방법을 수행하기 위하여 제품 객체를 촬영하여 제품 이미지를 생성하도록 할 수 있다. 카메라(210)는 제품 객체에 붙어 있는 제품 태그를 촬영하여 제품 이미지를 생성하도록 할 수 있다. 본 개시의 일 실시예에서 컴퓨팅 장치(200)는 하나 이상의 카메라(210)를 포함할 수 있다.

플레이트(220)는 본 개시의 일 실시예에 따른 제품 식별 방법을 수행하기 위하여 제품 객체에 대한 중량을 측정하거나 플레이트(220)를 구동할 수 있다. 플레이트(220)에 포함되는 중량 측정부(222)는 본 개시의 일 실시예에 따른 제품 식별 방법을 수행하기 위하여 제품 객체에 대한 중량을 측정할 수 있다. 플레이트(220)에 포함되는 구동부(224)는 본 개시의 일 실시예에 따른 제품 식별 방법을 수행하기 위하여 재촬영을 위한 플레이트(220)의 구동을 수행할 수 있다. 본 개시의 일 실시예에서 컴퓨팅 장치(200)는 하나 이상의 플레이트(220)를 포함할 수 있다.

컴퓨팅 장치(200)의 프로세서(240)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 제품 식별을 위한 프로세서를 포함할 수 있다. 컴퓨팅 장치(200)의 프로세서(240)는 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 제품 식별 방법을 수행할 수 있다. 컴퓨팅 장치(200)의 프로세서(240)는 서버(100)로부터 수신한 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 제품 식별 방법을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(200)의 프로세서(240)는 서버(100)(본 실시예에서 가맹 본사)로부터 제품 식별을 위한 컴퓨터 프로그램을 수신하여, 제품 식별을 위한 상기와 같은 동작들을 서버(100)의 프로세서(120) 대신 수행할 수도 있다. 본 개시의 일 실시예에 따라 프로세서(240)는 제품 식별을 위한 계산을 수행할 수도 있다. 프로세서(240)는 서버(100)로부터 카메라(210) 및 플레이트(220) 중 적어도 하나에 대한 구동 정보를 수신하는 경우, 카메라(210) 및 플레이트(220) 중 적어도 하나를 구동할 것을 결정할 수 있다.

도 2는 본 개시의 일 실시예에 따라 제품 식별 방법을 도시한 도면이다.

컴퓨팅 장치(200)는 제품 식별을 위해 제품 객체(230)를 촬영할 수 있는 카메라(210)와 연결될 수 있다. 카메라는 계산대의 플레이트에 올려져 있는 제품 객체(230)를 수직 방향, 수평 방향 및 일정 각도에서 촬영하기 위하여 배치될 수 있다. 서버(100)는 카메라를 통해 제품 객체(230)를 촬영한 제품 이미지를 컴퓨팅 장치(200)로부터 수신할 수 있다.

컴퓨팅 장치(200)는 제품 객체(230)의 중량 측정을 위한 플레이트(220)와 연결될 수 있다. 서버(100)는 하나 이상의 후보 제품 정보에 기초한 예상 중량과 플레이트(220)를 통해 측정된 제품 중량의 비교 결과에 기초하여 하나 이상의 후보 제품 중에서 제품 정보를 결정할 수 있다. 서버(100)는 예상 중량 범위 내에 제품 중량이 속하는 후보 제품 정보를 제품 정보로 결정할 수 있다. 서버(100)는 예상 중량 범위 내에 제품 중량이 속하는 후보 제품 정보를 제품 정보로 결정함에 있어, 예상 중량 범위 내에 제품 중량이 속하는 후보 제품 정보가 하나 이상인 경우, 제품 이미지에 대한 카메라(210)를 통한 재촬영을 결정할 수 있다. 서버(100)는 제품 이미지에 대한 재촬영을 위하여 카메라(210)를 구동할 것을 결정할 수 있다. 서버(100)는 카메라(210)가 플레이트 상의 제품 객체(230)를 다른 방향에서 촬영하기 위하여 일정 각도 및 방향 중 적어도 하나에 기초하여 구동하도록 결정할 수 있다. 서버(100)는 제품 이미지에 대한 재촬영을 위하여 플레이트(220)를 구동할 것을 결정할 수 있다. 서버(100)는 카메라(210) 및 플레이트(220) 중 적어도 하나에 대한 구동에 관한 정보를 컴퓨팅 장치(200)로 전송할 수 있다.

플레이트(220)는 제품 객체가 카메라에 의해 촬영된 제품 이미지에서 식별 불가능하도록 배치된 경우, 제품 이미지에 제품 객체가 식별 가능하도록 플레이트를 구동할 수 있다. 플레이트의 구동은, 플레이트를 회전하거나 틸팅(예를 들어, 상, 하, 좌, 우, 사전 결정된 각도, 사전 결정된 속도 등으로 플레이트를 움직이는 것)하는 것을 포함할 수 있다. 서버(100)는 이미지 식별 모델에 기초한 후보 제품 정보가 중량, 매장 관련 정보, 고객 관련 정보 등에 기초하여 식별된 제품 정보와 일치하지 않는 경우, 제품 객체에 대한 재촬영을 위하여 플레이트(220)를 구동할 것을 결정할 수 있다.

본 개시의 제품 식별 방법은 컴퓨팅 장치(200)에서 촬영된 이미지에 의하여 서버(100)에서 수행될 수 있고, 서버(100)의 처리 없이 컴퓨팅 장치(200)에서만 수행될 수도 있다. 컴퓨팅 장치(200)의 프로세서(240)는 본 개시의 제품 식별 방법을 수행할 수도 있다.

도 3은 본 개시의 일 실시예에 따라 제품 식별을 위한 스코어링 값을 판단하는 방법을 도시한 도면이다.

서버(100)는 이미지 식별 모델의 입력 노드에 입력된 제품 이미지를 이미지 식별 모델을 통해 연산하여 하나 이상의 분류 클래스(340) 각각에 대한 스코어링 값(330)을 출력할 수 있다. 분류 클래스는 제품 정보를 식별하기 위한 것일 수 있다. 분류 클래스는, 각각의 제품 정보에 기초하여 결정될 수 있다. 분류 클래스는, 매장 내 제품 재고 정보에 기초하여 결정될 수 있다.

서버(100)는 하나 이상의 분류 클래스(340) 각각에 대한 스코어링 값(330)에 기초하여 하나 이상의 후보 제품 정보를 결정할 수 있다. 후보 제품 정보는, 제품 이미지에 포함되어 있는 하나 이상의 제품 객체에 대한 정보를 포함할 수 있다. 서버(100)는 하나 이상의 분류 클래스(340) 각각에 대한 스코어링 값(330) 중 사전 결정된 임계 값(350) 이상인 분류 클래스를 후보 제품 정보로 결정할 수 있다. 예를 들어, 도 3의 점선 부분이 사전 결정된 스코어링 임계 값(350)인 경우, 서버(100)는 임계 값(350) 이상인 스코어링 값(310 및 320)을 후보 제품 정보로 결정할 수 있다. 서버(100)는 하나 이상의 분류 클래스(340) 각각에 대한 스코어링 값(330) 중 최대 값을 가지는 스코어링 값(310)에 기초한 분류 클래스를 후보 제품 정보로 결정할 수 있다. 서버(100)는 상기 하나 이상의 분류 클래스(340) 각각에 대한 스코어링 값(330) 중 최대 스코어링 값(310)과 사전 결정된 비율 내의 스코어링 값(320)에 대한 분류 클래스를 후보 제품 정보로 결정할 수 있다.

도 4는 본 개시의 일 실시예의 제품 식별 방법의 순서도이다.

서버(100)는 컴퓨팅 장치(200)로부터 제품 이미지를 수신(510)할 수 있다. 제품 이미지는 하나 이상의 제품 객체를 촬영한 이미지일 수 있다. 제품 이미지는 제품 객체의 적어도 일부에 대한 이미지를 포함할 수 있다.

서버(100)는 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력(520)할 수 있다. 하나 이상의 분류 클래스는, 매장 내 제품 재고 정보에 기초하여 결정될 수 있다.

서버(100)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정(530)할 수 있다. 서버(100)는 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 사전 결정된 임계 값 이상인 분류 클래스를 후보 제품 정보로 결정할 수 있다. 서버(100)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 최대 스코어링 값을 가지는 하나의 분류 클래스를 후보 제품 정보로 결정할 수 있다. 서버(100)는 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값 중 최대 스코어링 값과 사전 결정된 비율 내의 스코어링 값에 대한 분류 클래스를 후보 제품 정보로 결정할 수 있다.

서버(100)는 상기 제 1 후보 제품 정보 중 제품 정보를 결정(540)할 수 있다.

서버(100)는 컴퓨팅 장치(200)로부터 매장 내 선반의 중량 측정 정보를 수신할 수 있다. 서버(100)는 상기 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정할 수 있다.

서버(100)는 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정할 수 있다.

서버(100)는 컴퓨팅 장치(200)로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신할 수 있다. 서버(100)는 상기 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산할 수 있다. 서버(100)는 상기 제 1 후보 제품 정보 중 제품 정보를 결정할 수 있다. 서버(100)는 상기 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정할 수 있다.

서버(100)는 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정(550)할 수 있다. 서버(100)는 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정할 수 있다.

서버(100)는 컴퓨팅 장치(200)로 플레이트 구동을 위한 제어 명령을 전달(560)할 수 있다.

서버(100)는 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산할 수 있다. 서버(100)는 상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정할 수 있다. 서버(100)는 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정할 수 있다.

서버(100)는 컴퓨팅 장치(200)로부터 플레이트를 통해 측정된 제품 중량을 수신할 수 있다. 제품 중량은 상기 제품 이미지의 대상인 하나 이상의 제품 객체에 대한 중량을 측정한 것일 수 있다. 서버(100)는 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여, 상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정할 수 있다. 예상 중량은, 메모리(130)에 각 제품 정보에 매칭되어 저장된 중량일 수 있다. 예상 중량은, 메모리(130)에 각 제품 정보에 매칭되어 저장된 중량에 오차 범위 내의 값을 포함할 수 있다. 서버(100)는 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정할 수 있다.

서버(100)는 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정할 수 있다. 서버(100)는 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정할 수 있다. 서버(100)는 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정할 수 있다. 서버(100)는 상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정할 수 있다. 서버(100)는 상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정할 수 있다. 서버(100)는 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정할 수 있다.

서버(100)는 컴퓨팅 장치(200)로부터 플레이트를 통해 측정된 제품 중량을 수신할 수 있다. 서버(100)는 상기 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산할 수 있다. 서버(100)는 상기 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산할 수 있다. 서버(100)는 상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정할 수 있다.

도 5는 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 제품 식별 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치로부터 제품 이미지를 수신하기 위한 로직(1010); 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하기 위한 로직(1020); 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하기 위한 로직(1030); 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 로직(1040); 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 로직(1050); 및 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하기 위한 로직(1060)에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 로직; 및 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 로직에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 로직(1050)은, 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 로직에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산하기 위한 로직; 상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 로직; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 로직에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 로직; 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여, 상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 로직; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 로직에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 로직은, 상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 로직; 및 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 로직에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 로직에 의하여 더 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 로직은, 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정하기 위한 로직에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정하기 위한 로직에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 로직에 의하여 더 구현될 수도 있고, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 로직은, 상기 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산하기 위한 로직; 상기 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산하기 위한 로직; 및 상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 로직에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 로직은, 컴퓨팅 장치로부터 매장 내 선반의 중량 측정 정보를 수신하기 위한 로직; 및 상기 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 로직에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신하기 위한 로직; 및 상기 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산하기 위한 로직에 의하여 구현 될 수 있고, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 로직은, 상기 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 로직에 의하여 구현될 수도 있다.

도 6은 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 제품 식별 방법은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치로부터 제품 이미지를 수신하기 위한 모듈(1210); 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하기 위한 모듈(1220); 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하기 위한 모듈(1230); 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 모듈(1240); 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 모듈(1250); 및 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하기 위한 모듈(1260)에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 모듈; 및 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 모듈에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 모듈(1250)은, 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 모듈에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산하기 위한 모듈; 상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 모듈; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 모듈에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 모듈; 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여, 상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 모듈; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 모듈에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 모듈은, 상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 모듈; 및 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 모듈에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 모듈에 의하여 더 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 모듈은, 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정하기 위한 모듈에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정하기 위한 모듈에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 모듈에 의하여 더 구현될 수도 있고, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 모듈은, 상기 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산하기 위한 모듈; 상기 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산하기 위한 모듈; 및 상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 모듈에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 모듈은, 컴퓨팅 장치로부터 매장 내 선반의 중량 측정 정보를 수신하기 위한 모듈; 및 상기 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 모듈에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신하기 위한 모듈; 및 상기 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산하기 위한 모듈에 의하여 구현 될 수 있고, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 모듈은, 상기 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 모듈에 의하여 구현될 수도 있다.

도 7은 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 제품 식별 방법은 다음과 같은 회로에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치로부터 제품 이미지를 수신하기 위한 회로(1310); 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하기 위한 회로(1320); 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하기 위한 회로(1330); 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 회로(1340); 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 회로(1350); 및 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하기 위한 회로(1360)에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 회로; 및 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 회로에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 회로(1350)는, 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 회로에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산하기 위한 회로; 상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 회로; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 회로에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 회로; 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여, 상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 회로; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 회로에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 회로는, 상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 회로; 및 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 회로에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 회로에 의하여 더 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 회로는, 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정하기 위한 회로에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정하기 위한 회로에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 회로에 의하여 더 구현될 수도 있고, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 회로는, 상기 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산하기 위한 회로; 상기 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산하기 위한 회로; 및 상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 회로에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 회로는, 컴퓨팅 장치로부터 매장 내 선반의 중량 측정 정보를 수신하기 위한 회로; 및 상기 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 회로에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신하기 위한 회로; 및 상기 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산하기 위한 회로에 의하여 구현 될 수 있고, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 회로는, 상기 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 회로에 의하여 구현될 수도 있다.

도 8은 본 개시의 일 실시예에 따라 제품 식별 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 제품 식별 방법은 다음과 같은 수단에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치로부터 제품 이미지를 수신하기 위한 수단(1410); 상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하기 위한 수단(1420); 상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하기 위한 수단(1430); 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 수단(1440); 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 수단(1450); 및 상기 컴퓨팅 장치로 플레이트 구동을 위한 제어 명령을 전달하기 위한 수단(1460)에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 수단; 및 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 수단에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 수단(1450)은, 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 수단에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산하기 위한 수단; 상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 수단; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 수단에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 수단; 상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여, 상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하기 위한 수단; 및 상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하기 위한 수단에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하기 위한 수단은, 상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 수단; 및 촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하기 위한 수단에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하기 위한 수단에 의하여 더 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 수단은, 상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 제품 정보를 결정하기 위한 수단에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은, 상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장 정보 및 고객 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정하기 위한 수단에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하기 위한 수단에 의하여 더 구현될 수도 있고, 상기 제 1 후보 제품 정보 및 상기 제 2 후보 제품 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 수단은, 상기 제 1 후보 제품 정보에 기초한 제 1 예상 중량을 연산하기 위한 수단; 상기 제 2 후보 제품 정보에 기초한 제 2 예상 중량을 연산하기 위한 수단; 및 상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하기 위한 수단에 의하여 구현될 수 있다.

제품 식별 방법의 대안적인 실시예에서, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 수단은, 컴퓨팅 장치로부터 매장 내 선반의 중량 측정 정보를 수신하기 위한 수단; 및 상기 매장 내 선반의 중량 측정 정보의 변화량에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 수단에 의하여 구현될 수도 있다.

제품 식별 방법의 대안적인 실시예에서, 컴퓨팅 장치로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신하기 위한 수단; 및 상기 매장 내 음성 및 상기 매장 내 영상 정보 중 적어도 하나에 기초하여 사용자의 동선에 대한 정보를 연산하기 위한 수단에 의하여 구현 될 수 있고, 상기 제 1 후보 제품 정보 중 제품 정보를 결정하기 위한 수단은, 상기 사용자의 동선에 대한 정보에 기초하여 상기 제 1 후보 제품 중 제품 정보를 결정하기 위한 수단에 의하여 구현될 수도 있다.

도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인 프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비 휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비 휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피 변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피 변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비 휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 서버의 하나 이상의 프로세서에서 실행되는 경우 제품 식별을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은,
   컴퓨팅 장치로부터 제품 이미지를 수신하는 동작;
   상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하는 동작;
   상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하는 동작;
   상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하는 동작;
   상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작;
   촬영 대상 제품 객체의 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함되어 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 상기 플레이트를 구동할 것을 결정하는 동작; 및
   상기 컴퓨팅 장치로 상기 플레이트의 구동을 위한 제어 명령을 전달하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 삭제
3. 삭제
4. 제 1 항에 있어서,
   상기 제품 이미지 상에서 인식된 상기 제품 정보에 기초한 제품 크기를 연산하는 동작;
   상기 제품 크기 및 제품 정보 각각에 대해 저장된 제품 크기의 비교에 기초하여, 상기 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하는 동작; 및
   상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 1 항에 있어서,
   컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하는 동작;
   상기 제품 정보에 기초한 제품 객체에 대한 예상 중량과 상기 측정된 제품 중량의 비교 결과에 기초하여,
   상기 결정된 제품 정보에 기초한 제품 객체 이외의 제품 객체가 상기 플레이트에 존재하는지 여부를 결정하는 동작; 및
   상기 제품 객체를 정렬하기 위하여 플레이트를 구동할 것을 결정하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하는 동작은,
   상기 제품 태그를 식별할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작; 및
   촬영 대상 제품 객체의 상기 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 태그가 식별 불가능하게 포함된 경우, 상기 제품 이미지에 상기 제품 태그가 식별 가능하게 포함되도록 플레이트를 구동할 것을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 제품 이미지에 포함된 제품 객체의 위치 및 제품 태그의 위치의 비교 결과에 기초하여, 상기 제품 이미지에 대한 재촬영을 위해 플레이트를 구동할 것을 결정하는 동작;
   을 더 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 삭제
9. 제 1 항에 있어서,
   상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은,
   상기 제 1 후보 제품 정보, 상기 제 2 후보 제품 정보, 매장의 제품 재고 현황 정보 및 고객의 과거 이력 구매 이력 정보 중 적어도 하나를 하나 이상의 네트워크 함수를 포함하는 제품 정보 결정 모델을 이용하여 연산하여 제품 정보를 결정하는 동작;
   을 포함하고, 그리고
   상기 제품 정보 결정 모델은, 학습 제 1 후보 제품 정보, 학습 제 2 후보 제품 정보, 학습 매장의 제품 재고 현황 정보 및 학습 고객의 과거 이력 구매 이력 정보 중 적어도 하나에 학습 결제 정보가 라벨링된 학습 데이터 세트에 기초하여 학습된 모델인,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    컴퓨팅 장치로부터 플레이트를 통해 측정된 제품 중량을 수신하는 동작;
    을 더 포함하고,
    상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은,
    메모리에 상기 제 1 후보 제품 정보가 포함하는 후보 제품에 대하여 매칭되어 저장된 중량을 제 1 예상 중량으로 결정하는 동작;
    상기 메모리에 상기 제 2 후보 제품 정보가 포함하는 후보 제품에 대하여 매칭되어 저장된 중량을 제 2 예상 중량으로 결정하는 동작; 및
    상기 제 1 예상 중량, 상기 제 2 예상 중량 및 측정 실제 중량을 비교한 정보에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은,
    컴퓨팅 장치로부터 상기 제 1 후보 제품 정보에 포함된 하나 이상의 후보 제품 각각에 대한 매장 내 선반의 중량 측정 정보를 수신하는 동작; 및
    상기 제 1 후보 제품 정보에 포함된 하나 이상의 후보 제품 중 상기 매장 내 선반의 중량 측정 정보의 변화량이 있는 제품을 제품 정보로 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    컴퓨팅 장치로부터 매장 내 음성 및 매장 내 영상 정보 중 적어도 하나를 수신하는 동작; 및
    상기 매장 내 하나 이상의 마이크 중 어느 마이크를 통해 사용자의 음성이 수신되는지 또는 상기 매장 내 영상 정보 중 상기 사용자에 대한 식별을 통해, 상기 사용자의 동선에 관한 정보를 저장하는 동작;
    을 더 포함하고,
    상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 동작은,
    상기 사용자의 동선과 관련된 제품을 식별하는 동작; 및
    상기 제 1 후보 제품 정보에 포함된 하나 이상의 후보 제품 중 상기 동선에 위치한 제품 진열에 따른 제품을 제품 정보를 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 서버의 하나 이상의 프로세서에서 수행되는 제품 식별을 위한 방법에 있어서,
    컴퓨팅 장치로부터 제품 이미지를 수신하는 단계;
    상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하는 단계;
    상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하는 단계;
    상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하는 단계;
    상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하는 단계;
    촬영 대상 제품 객체의 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함되어 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 상기 플레이트를 구동할 것을 결정하는 단계; 및
    상기 컴퓨팅 장치로 상기 플레이트의 구동을 위한 제어 명령을 전달하는 단계;
    를 포함하는,
    서버의 하나 이상의 프로세서에서 수행되는 제품 식별을 위한 방법.
    
14. 제품 식별을 위한 서버로서,
    하나 이상의 코어를 포함하는 프로세서;
    네트워크부; 및
    메모리;
    를 포함하고,
    상기 네트워크부는,
    컴퓨팅 장치로부터 제품 이미지를 수신하고,
    상기 프로세서는,
    상기 제품 이미지를 하나 이상의 네트워크 함수를 포함하는 이미지 식별 모델을 이용하여 연산하여 하나 이상의 분류 클래스 각각에 대한 스코어링 값을 출력하고,
    상기 하나 이상의 분류 클래스 각각에 대한 스코어링 값에 기초하여 제 1 후보 제품 정보를 결정하고,
    상기 제품 이미지에 포함되는 제품 태그의 식별 결과에 기초하여 제 2 후보 제품 정보를 결정하고,
    상기 제 1 후보 제품 정보에 대한 사전 결정된 제 1 가중치 및 상기 제 2 후보 제품 정보에 대한 사전 결정된 제 2 가중치에 기초하여 상기 하나 이상의 후보 제품 중에서 제품 정보를 결정하고,
    촬영 대상 제품 객체의 플레이트 상의 배치 상태에 의하여 상기 제품 이미지에 상기 제품 객체가 식별 불가능하게 포함되어 상기 제품 정보를 결정할 수 없는 경우, 상기 제품 이미지에 대한 재촬영을 위해 상기 제품 이미지에 상기 제품 객체가 식별 가능하게 포함되도록 상기 플레이트를 구동할 것을 결정하고, 그리고
    상기 컴퓨팅 장치로 상기 플레이트의 구동을 위한 제어 명령을 전달하는,
    제품 식별을 위한 서버.
    

Images