KR101964531B1 - Roasting accuracy determination method and roatrer for performing the method - Google Patents

Roasting accuracy determination method and roatrer for performing the method Download PDF

Info

Publication number
KR101964531B1
KR101964531B1 KR1020170184659A KR20170184659A KR101964531B1 KR 101964531 B1 KR101964531 B1 KR 101964531B1 KR 1020170184659 A KR1020170184659 A KR 1020170184659A KR 20170184659 A KR20170184659 A KR 20170184659A KR 101964531 B1 KR101964531 B1 KR 101964531B1
Authority
KR
South Korea
Prior art keywords
roasting
graph
temperature
profile
accuracy
Prior art date
Application number
KR1020170184659A
Other languages
Korean (ko)
Inventor
손종욱
조국래
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020170184659A priority Critical patent/KR101964531B1/en
Application granted granted Critical
Publication of KR101964531B1 publication Critical patent/KR101964531B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23F—COFFEE; TEA; THEIR SUBSTITUTES; MANUFACTURE, PREPARATION, OR INFUSION THEREOF
    • A23F5/00—Coffee; Coffee substitutes; Preparations thereof
    • A23F5/04—Methods of roasting coffee
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23N—MACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
    • A23N12/00—Machines for cleaning, blanching, drying or roasting fruits or vegetables, e.g. coffee, cocoa, nuts
    • A23N12/08—Machines for cleaning, blanching, drying or roasting fruits or vegetables, e.g. coffee, cocoa, nuts for drying or roasting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs

Abstract

The present invention relates to a roasting accuracy determination method, and a roaster for performing the method. The roasting accuracy determination method determines the roasting accuracy of a user by using a first graph based on a roasting profile and a second graph representing a roasting result of which the roasting is actually completed according to the roasting profile, and minimizes variables which affect roasting by external environmental factors.

Description

로스팅 정확도 결정 방법 및 상기 방법을 수행하는 로스팅기{ROASTING ACCURACY DETERMINATION METHOD AND ROATRER FOR PERFORMING THE METHOD}ROASTING ACCURACY DETERMINATION METHOD AND ROATRER FOR PERFORMING THE METHOD

본 발명은 로스팅 정확도 결정 방법 및 로스팅기에 관한 것으로, 보다 구체적으로는 사용자가 로스팅의 정확성을 손쉽게 확인할 수 있는 로스팅 정확도 결정 방법에 관한 것이다.The present invention relates to a roasting accuracy determination method and a roasting machine, and more particularly to a roasting accuracy determination method that the user can easily check the accuracy of the roasting.

본 발명의 배경이 되는 기술은 다음의 문헌에 개시되어 있다.
1) 한국공개번호: 2013-0088976 (2013-08-09), "로우스팅 시간 제어기능을 구비한 커피 로우스팅 장치"
2) 한국공개번호: 2013-0081132 (2013-07-16), "커피 생두 로스터의 온도표시 장치"
종래의 커피 로스팅기는 생두를 열에 가하여 볶는 과정으로 가스 방식, 전기 방식 등 다양한 로스팅 방식을 사용한다. 커피 로스팅기는 로스팅 과정에 온도와 가열 시간의 작은 변화는 커피 맛에 큰 변화를 주기 때문에 전문가의 역할이 중요했다.The background technology of the present invention is disclosed in the following documents.
1) Korean Publication No. 2013-0088976 (2013-08-09), "Coffee roasting device with roasting time control"
2) Korean Publication No. 2013-0081132 (2013-07-16), "Temperature display device of coffee green bean roaster"
Conventional coffee roaster uses a variety of roasting methods such as gas, electric method in the process of roasting green beans to heat. The coffee roaster's role was important because small changes in temperature and heating time during the roasting process significantly changed the taste of the coffee.

최근에는 커피 인구의 확대와 관련 시장의 규모 증가로 전통적인 방식의 전문가용 로스팅기 제품 외에 초보자도 손쉽게 사용할 수 있는 제품에 대한 요구사항이 증가하고 있다. 또한, 커피 맛은 로스팅 온도, 지속 시간 등에 민감하고 로스팅 과정이 복잡하기 때문에, 최근 로스팅기는 로스팅 단계별 목표 온도와 히트 파워 등이 명시된 프로파일을 이용해서 간편하게 로스팅이 이루어진다.Recently, with the expansion of the coffee population and the increase in the size of the relevant market, there is an increasing demand for products that are easy to use even for beginners in addition to traditional roasting machines. In addition, since the coffee taste is sensitive to roasting temperature, duration, and the roasting process is complicated, recent roasters are easily roasted using a profile that specifies a target temperature and heat power for each roasting step.

하지만, 이와 같은 프로파일 기반의 로스팅은 누구나 쉽게 로스팅을 할 수 있는 장점이 있지만, 단순히 히트 파워나 목표 온도로 구성된 프로파일 때문에 외부 환경이나 생두 투입 양에 따라 같은 히트 파워를 사용하더라도 같은 목표 온도까지 도달하는 시간에 차이가 발생한다. 또한, 이러한 차이는 커피의 맛, 색, 향에 큰 영향을 미친다. 이와 같은 동작 방식은 사용자가 로스팅을 정확히 하는지 여부를 판단하는데 혼란을 초래할 수 있으며, 재현성에 대한 문제가 발생할 수 있다.However, this profile-based roasting has the advantage that anyone can roast easily, but because the profile is simply composed of heat power or target temperature, even if the same heat power is used depending on the external environment or green bean input amount, it reaches the same target temperature. There is a difference in time. In addition, these differences have a great influence on the taste, color and aroma of the coffee. This method of operation may cause confusion in determining whether the user roasts correctly, and may cause a problem in reproducibility.

따라서, 커피 로스팅기를 손쉽게 활용함에 있어, 사용자의 로스팅 정확성 및 환경적인 요소를 고려해 로스팅의 영향을 최소화할 수 있는 방법이 필요하다.Therefore, in easily utilizing the coffee roaster, there is a need for a method capable of minimizing the effects of roasting in consideration of roasting accuracy and environmental factors of the user.

본 발명은 원두에 특화된 로스팅 프로파일에 따른 생두를 로스팅할 때의 로스팅 출력을 나타내는 제1 그래프와 실제 생두를 로스팅할 때의 로스팅 결과를 나타내는 제2 그래프를 비교함으로써, 사용자의 원두에 대한 로스팅 정확성를 향상시키는 로스팅 정확도 결정 방법 및 로스팅기를 제공한다.The present invention improves the roasting accuracy of the user's beans by comparing the first graph showing the roasting output when roasting the green beans according to the roasting profile specialized for beans and the second graph showing the roasting result when roasting the green beans. It provides a roasting accuracy determination method and a roasting machine.

본 발명은 생두를 로스팅하는 과정에서 외부의 환경적인 요소의 영향을 최소화하기 위해 딥러닝 기반의 로스팅 프로파일을 최적화함으로써, 외부의 환경적인 요소에 따라 적응적으로 강건한 로스팅을 수행하는 로스팅 정확도 결정 방법 및 로스팅기를 제공한다.The present invention optimizes the deep learning based roasting profile in order to minimize the influence of external environmental factors in the process of roasting green beans, the roasting accuracy determination method for adaptively robust roasting according to the external environmental factors and Provide a roaster.

일실시예에 따른 로스팅 정확도 결정 방법은 원두에 특화된 로스팅 프로파일에 기초하여 상기 원두를 로스팅 시 로스팅 출력으로 나타나는 제1 그래프를 생성하는 단계; 생두를 상기 원두로 로스팅하는 과정에서 환경적인 요인에 의해 달라지는 로스팅 결과로 나타나는 제2 그래프를 생성하는 단계; 및 상기 제1 그래프 및 제2 그래프를 이용하여 원두에 대한 로스팅 정확도를 결정하는 단계를 포함할 수 있다.According to one or more exemplary embodiments, a method of determining roasting accuracy may include generating a first graph representing a roasting output when roasting the beans based on a roasting profile specialized for beans; Generating a second graph resulting from a roasting result changed by environmental factors in the process of roasting the green beans into the beans; And determining roasting accuracy of the coffee beans using the first graph and the second graph.

일실시예에 따른 제1 그래프를 생성하는 단계는 로스팅 프로파일에 포함된 목표 온도, 히터 파워 및 온도 유지 시간을 이용하여 제1 그래프를 생성할 수 있다.The generating of the first graph according to an embodiment may generate the first graph using a target temperature, a heater power, and a temperature holding time included in the roasting profile.

일실시예에 따른 로스팅 정확도를 결정하는 단계는 제1 그래프 및 제2 그래프 각각의 로스팅 시간에 따른 로스팅 온도의 면적을 이용하여 제1 그래프 및 제2 그래프 간의 유사도를 결정하는 단계; 제1 그래프 및 제2 그래프 간의 로스팅 시간에 따른 로스팅 온도의 차이로부터 평균 거리를 결정하는 단계; 및 결정된 유사도 및 평균 거리를 이용하여 로스팅 정확도를 확인하는 단계를 포함할 수 있다.The determining of the roasting accuracy may include determining similarity between the first graph and the second graph using an area of roasting temperature according to the roasting time of each of the first graph and the second graph; Determining an average distance from a difference in roasting temperature according to roasting time between the first graph and the second graph; And confirming roasting accuracy using the determined similarity and average distance.

일실시예에 따른 평균 거리를 결정하는 단계는 제1 그래프 및 제2 그래프 간의 로스팅 온도에 의한 수직 거리를 계산하여 로스팅이 진행된 공통 구간에서의 로스팅 온도의 차이에 대한 평균 거리를 결정할 수 있다.In the determining of the average distance according to an embodiment, the average distance with respect to the difference in the roasting temperature in the common section where the roasting is performed may be determined by calculating a vertical distance due to the roasting temperature between the first graph and the second graph.

일실시예에 따른 로스팅 정확도를 확인하는 단계는 유사도의 값의 크기 변화 및 평균 거리의 값의 크기 변화에 따른 (i) 로스팅의 정상 동작, (ii) 생두의 양 조절 문제, (iii) 로스팅 과정에서의 온도 차이 존재, (iv) 로스팅 구간 내 종류 시간 문제 중 적어도 하나에 의한 로스팅 정확도를 확인할 수 있다.The step of confirming the roasting accuracy according to an embodiment includes (i) the normal operation of roasting, (ii) the amount of green beans, and (iii) the roasting process according to the magnitude change of the similarity value and the magnitude change of the average distance value. (Iv) Roasting accuracy due to at least one of a kind time problem in the roasting section can be confirmed.

일실시예에 따른 로스팅 정확도 결정 방법은 제1 그래프 및 제2 그래프로부터 로스팅 프로파일을 재구성하기 위한 학습 모델을 생성하는 단계; 및 학습 모델의 출력 값을 상기 로스팅 프로파일의 특정 값에 적용하여 로스팅 프로파일을 보정하는 단계를 더 포함할 수 있다.In accordance with an embodiment, a method of determining roasting accuracy may include generating a learning model for reconstructing a roasting profile from a first graph and a second graph; And correcting the roasting profile by applying an output value of a learning model to a specific value of the roasting profile.

로스팅 정확도 결정 방법 학습 모델을 생성하는 단계는 제1 그래프의 터닝 포인트의 온도에 대응하는 제2 그래프의 터닝 포인트의 온도 간에 온도 차이를 측정하는 단계; 제1 그래프의 터닝 포인트에서 목표 온도까지의 상승 시간과 제2 그래프의 터닝 포인트에서 목표 온도까지의 상승 시간 간에 상승 시간 차이를 측정하는 단계; 및 온도 차이 및 상승 시간 차이에 기초하여 학습 모델을 생성하는 단계를 포함할 수 있다.The method for determining the roasting accuracy may include generating a temperature difference between the temperatures of the turning points of the second graph corresponding to the temperatures of the turning points of the first graph; Measuring a rise time difference between the rise time from the turning point of the first graph to the target temperature and the rise time from the turning point of the second graph to the target temperature; And generating a learning model based on the temperature difference and the rise time difference.

로스팅기는 프로세서를 포함하고, 프로세서는, 원두에 특화된 로스팅 프로파일에 기초하여 생두를 로스팅 시 예상되는 로스팅 출력을 나타내는 제1 그래프를 생성하고, 생두를 상기 원두로 로스팅하는 과정에서 환경적인 요인에 의해 달라지는 로스팅 결과를 나타내는 제2 그래프를 생성하고, 제1 그래프 및 제2 그래프를 이용하여 원두에 대한 로스팅 정확도를 결정하고, 제1 그래프 및 제2 그래프로부터 로스팅 프로파일을 재구성하기 위한 학습 모델을 생성하고, 학습 모델의 출력 값을 상기 로스팅 프로파일의 특정 값에 적용하여 로스팅 프로파일을 보정할 수 있다.The roaster includes a processor, the processor generating a first graph representing the expected roasting output when roasting the green beans based on the roasting-specific roasting profile, and varying by environmental factors in the process of roasting the green beans into the beans. Generate a second graph representing the roasting results, determine roasting accuracy for the beans using the first graph and the second graph, generate a training model for reconstructing the roasting profile from the first graph and the second graph, The roasting profile may be corrected by applying an output value of a learning model to a specific value of the roasting profile.

본 발명의 일실시예에 의하면, 로스팅 정확도 결정 방법 및 로스팅기는 원두에 특화된 로스팅 프로파일에 따른 생두를 로스팅할 때의 로스팅 출력을 나타내는 제1 그래프와 실제 생두를 로스팅할 때의 로스팅 결과를 나타내는 제2 그래프를 비교함으로써, 사용자의 원두에 대한 로스팅 정확성를 향상시킬 수 있다.According to an embodiment of the present invention, the roasting accuracy determination method and the roaster is a first graph showing the roasting output when roasting the green beans according to the roasting profile specialized for beans and a second roasting result when roasting the green beans By comparing the graphs, the roasting accuracy of the user's beans can be improved.

본 발명의 일실시예에 의하면, 로스팅 정확도 결정 방법 및 로스팅기는 생두를 로스팅하는 과정에서 외부의 환경적인 요소의 영향을 최소화하기 위해 딥러닝 기반의 로스팅 프로파일을 최적화함으로써, 외부의 환경적인 요소에 따라 적응적으로 강건한 로스팅을 수행할 수 있다.According to an embodiment of the present invention, the roasting accuracy determination method and the roaster by optimizing the deep learning-based roasting profile in order to minimize the influence of external environmental factors in the process of roasting green beans, according to the external environmental factors Robust roasting can be performed adaptively.

본 발명의 일실시예에 의하면, 로스팅 정확도 결정 방법 및 로스팅기는 사용자로 하여금 원두의 로스팅 정확성을 손쉽게 확인할 수 있으며, 외부의 환경적인 변수에 관련 없이 로스팅 프로파일에 맞는 최적의 원두 상태를 재현할 수 있다.According to an embodiment of the present invention, the roasting accuracy determination method and the roasting machine allows the user to easily check the roasting accuracy of the beans, and can reproduce the optimum state of the beans for the roasting profile regardless of external environmental variables .

도 1은 일실시예에 따른 사용자의 로스팅 정확성을 판별하는 로스팅기의 전체 구성을 도시한 도면이다.
도 2는 일실시예에 따른 로스팅기의 세부 구성을 설명하기 위한 블록도이다.
도 3은 일실시예에 따른 로스팅 프로파일에 의한 제1 그래프를 도시한 그래프이다.
도 4는 일실시예에 따른 dice metric 기법을 이용하여 제1 그래프 및 제2 그래프 간에 유사도를 측정하는 동작을 설명하기 위한 그래프이다.
도 5는 일실시예에 따른 제1 그래프 및 제2 그래프 간 유사도를 측정하기 위한 그래프이다.
도 6은 일실시예에 따른 제1 그래프 및 제2 그래프 간 평균 거리를 측정하기 위한 그래프이다.
도 7은 일실시예에 따른 딥러닝 기반의 학습 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 학습 모델에 의한 회귀 모델을 적용한 결과를 나타낸 그래프이다.
도 9는 일실시예에 따른 로스팅 정확도 결정 방법을 설명하기 위한 흐름도이다.1 is a view showing the overall configuration of a roaster for determining the roasting accuracy of the user according to an embodiment.
2 is a block diagram illustrating a detailed configuration of a roaster according to an embodiment.
3 is a graph illustrating a first graph by a roasting profile according to an exemplary embodiment.
4 is a graph for describing an operation of measuring similarity between a first graph and a second graph using a dice metric technique according to an exemplary embodiment.
5 is a graph for measuring similarity between a first graph and a second graph, according to an exemplary embodiment.
6 is a graph for measuring an average distance between a first graph and a second graph, according to an exemplary embodiment.
7 is a diagram for describing an operation of generating a deep learning based learning model, according to an exemplary embodiment.
8 is a graph illustrating a result of applying a regression model by a learning model, according to an exemplary embodiment.
9 is a flowchart illustrating a method of determining roasting accuracy according to an embodiment.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 일실시예에 따른 사용자의 로스팅 정확성을 판별하는 로스팅기의 전체 구성을 도시한 도면이다.1 is a view showing the overall configuration of a roaster for determining the roasting accuracy of the user according to an embodiment.

도 1을 참고하면, 본 발명은 로스팅기(101)를 손쉽게 활용할 수 있도록 하기 위하여 입력에 해당하는 로스팅 프로파일(102)과 출력에 해당하는 레퍼런스 그래프(이하, 제1 그래프)를 정의할 수 있다. 그리고, 본 발명은 로스팅 프로파일(102)에 따른 실제로 출력되는 로스팅 결과로써, 실시간 그래프(이하, 제2 그래프)를 이용해 사용자의 로스팅 정확성을 판별할 수 있다. 그리고, 본 발명은 외부의 환경(온도, 습도) 등에 따라 로스팅에 영향 받을 수 있는 변수를 최소화 하기 위하여 기계 학습 기반의 로스팅 프로파일(102)을 최적화할 수 있다.Referring to FIG. 1, the present invention may define a roasting profile 102 corresponding to an input and a reference graph (hereinafter referred to as a first graph) corresponding to an output in order to easily utilize the roasting machine 101. In addition, the present invention is a roasting result actually output according to the roasting profile 102, it is possible to determine the roasting accuracy of the user using a real-time graph (hereinafter, the second graph). In addition, the present invention may optimize the machine learning based roasting profile 102 in order to minimize the variable that may be affected by the roasting according to an external environment (temperature, humidity).

로스팅기(101)는 로스팅 정확성을 판별하기 위해서 로스팅 입력에 해당하는 로스팅 프로파일(102)과 로스팅 프로파일(102)을 통해 생두(104)를 로스팅할 때 예상되는 로스팅 출력에 해당하는 제1 그래프를 생성할 수 있다. 그리고, 로스팅기(101)는 제1 그래프에 따른 정확성 판별 프로파일을 구성할 수 있다. 다시 말해, 로스팅기(101)는 로스팅 프로파일(102)과 정상적인 로스팅시 나타나야 하는 제1 그래프를 생성할 수 있다.The roaster 101 generates a roasting profile 102 corresponding to the roasting input and a first graph corresponding to the roasting output expected when roasting the green beans 104 through the roasting profile 102 to determine roasting accuracy. can do. And, the roaster 101 may configure an accuracy determination profile according to the first graph. In other words, the roaster 101 may generate a roasting profile 102 and a first graph that should appear during normal roasting.

그리고, 로스팅기(101)는 로스팅 프로파일(102)에 따른 실제 출력 결과로써, 실시간으로 표현되는 로스팅 결과에 해당하는 제2 그래프를 생성할 수 있다. 그리고, 로스팅기는 제1 그래프 및 제2 그래프 간에 유사도 및 평균 거리를 이용하여 원두(105)에 대한 로스팅 정확성을 판별할 수 있다. 로스팅기(101)는 사용자가 소지하는 사용자 단말(103)과 연동하여 로스팅되는 원두(105)에 대한 로스팅 정확성을 인지할 수 있다.In addition, the roaster 101 may generate a second graph corresponding to the roasting result expressed in real time as an actual output result according to the roasting profile 102. In addition, the roaster may determine the roasting accuracy of the coffee beans 105 using the similarity and the average distance between the first graph and the second graph. The roaster 101 may recognize the roasting accuracy of the beans 105 roasted in cooperation with the user terminal 103 possessed by the user.

로스팅기(101)는 외부의 환경(온도, 습도) 등에 따라 로스팅에 영향을 최소화 하기 위하여 딥러닝의 프로파일 최적화 기법을 제안할 수 있다. 다시 말해, 로스팅기(101)는 기계 학습 모델을 적용하여 외부 환경에 따라 영향을 받을 수 있는 변수를 반영하여 로스팅 프로파일(102)을 재구성하는 기법을 통해 정밀 재현이 일어날 수 있도록 한다.The roasting machine 101 may propose a profile optimization technique of deep learning in order to minimize the influence on roasting according to an external environment (temperature, humidity). In other words, the roasting machine 101 may apply a machine learning model to accurately reproduce the roasting profile 102 by applying a machine learning model to reflect the variables that may be affected by the external environment.

도 2는 일실시예에 따른 로스팅기의 세부 구성을 설명하기 위한 블록도이다.2 is a block diagram illustrating a detailed configuration of a roaster according to an embodiment.

도 2를 참고하면, 로스팅기(201)는 사용자의 로스팅 정확성을 판별하고, 외부의 환경적인 요소에 의해 로스팅에 영향을 주는 변수를 최소화하는 동작을 수행하기 위한 프로세서(202)를 포함할 수 있다.Referring to FIG. 2, the roaster 201 may include a processor 202 for determining an accuracy of roasting of a user and performing an operation of minimizing a variable affecting roasting by external environmental factors. .

프로세서(202)는 원두에 특화된 로스팅 프로파일에 기초하여 생두를 로스팅 시 예상되는 로스팅 출력을 나타내는 제1 그래프를 생성할 수 있다. 프로세서(202)는 로스팅을 수행하기 위한 로스팅 입력에 해당하는 로스팅 프로파일을 기반으로 원두에 대한 로스팅 과정에서의 로스팅기의 온도 변화, 시간을 예측할 수 있는 참조 그래프(Reference Graph)로써, 제1 그래프를 생성할 수 있다.The processor 202 may generate a first graph representing the roasting output expected when roasting the green beans based on the roasting profile specific to the beans. The processor 202 is a reference graph that can predict the temperature change and the time of the roaster during the roasting process based on the roasting profile corresponding to the roasting input for roasting. Can be generated.

프로세서(202)는 생두를 상기 원두로 로스팅하는 과정에서 환경적인 요인에 의해 달라지는 로스팅 결과를 나타내는 제2 그래프를 생성할 수 있다. 자세하게, 프로세서(202)는 원두에 특화된 로스팅 프로파일을 이용하여 로스팅기에서 실제로 로스팅을 수행했을 때에 나타나는 실제 현상으로 제2 그래프를 생성할 수 있다. 즉, 프로세서(202)는 로스팅 프로파일에 포함된 목표 온도, 히터 파워 및 로스팅기의 내부 온도를 유지하는 시간에 대응하여 실제 로스팅을 수행했을 때에 실시간으로 변화되는 로스팅기의 온도 변화, 시간을 나타내는 제2 그래프를 생성할 수 있다.The processor 202 may generate a second graph representing a roasting result changed by environmental factors in the process of roasting the green beans into the beans. In detail, the processor 202 may generate a second graph using the roasting-specific roasting profile and the actual phenomenon that appears when the roasting machine actually performs the roasting. In other words, the processor 202 indicates a temperature change and a time of the roaster that is changed in real time when the actual roasting is performed in response to the target temperature, the heater power, and the time of maintaining the internal temperature of the roaster included in the roasting profile. 2 You can create a graph.

프로세서(202)는 제1 그래프 및 제2 그래프를 이용하여 원두에 대한 로스팅 정확도를 결정할 수 있다. 프로세서(202)는 로스팅 프로파일을 기준으로 로스팅 시 예측 가능한 로스팅 출력에 해당하는 제1 그래프와 로스팅 시 실시간으로 변화하는 로스팅 결과에 해당하는 제2 그래프를 비교하여, 로스팅 출력과 로스팅 결과 간에 차이점으로부터 원두에 대한 로스팅 정확도를 결정할 수 있다.The processor 202 may determine the roasting accuracy for the beans using the first graph and the second graph. The processor 202 compares the first graph corresponding to the predictable roasting output when roasting with the second graph corresponding to the roasting result that changes in real time when roasting, based on the roasting profile, to determine the difference between the roasting output and the roasting result. Roasting accuracy for can be determined.

자세하게, 프로세서(202)는 제1 그래프 및 제2 그래프 각각의 로스팅 시간에 따른 로스팅 온도의 면적을 이용하여 제1 그래프 및 제2 그래프 간의 유사도를 결정할 수 있다. 제1 그래프 및 제2 그래프에서 x축은 로스팅 시간에 해당하며, y축은 온도에 해당할 수 있다. 그리고, 로스팅 온도의 면적은 제1 그래프 및 제2 그래프 각각의 y축을 기준으로 시간이 지남에 따라 변화되는 로스팅 온도에 대한 그래프에서의 면적을 의미할 수 있다.In detail, the processor 202 may determine the similarity between the first graph and the second graph using the area of the roasting temperature according to the roasting time of each of the first graph and the second graph. In the first graph and the second graph, the x axis may correspond to the roasting time and the y axis may correspond to the temperature. The area of the roasting temperature may mean an area in the graph of the roasting temperature that changes with time based on the y-axis of each of the first graph and the second graph.

그리고, 프로세서(202)는 dice metric을 이용하여 제1 그래프에 대한 로스팅 온도의 면적과 제2 그래프에 대한 로스팅 온도의 면적을 비교하고, 비교 결과에 따라 두 그래프 간에 유사도를 결정할 수 있다. 즉, 프로세서(202)는 두 그래프 간 로스팅 온도의 면적에 대한 일치 정도를 고려하여 제1 그래프 및 제2 그래프 간의 유사도를 결정할 수 있다. 보다 자세한 동작은 도 4를 통해 설명하도록 한다.In addition, the processor 202 may compare the area of the roasting temperature for the first graph with the area of the roasting temperature for the second graph using a dice metric, and determine the similarity between the two graphs according to the comparison result. That is, the processor 202 may determine the similarity between the first graph and the second graph in consideration of the degree of agreement on the area of the roasting temperature between the two graphs. More detailed operation will be described with reference to FIG. 4.

프로세서(202)는 제1 그래프 및 제2 그래프 간의 로스팅 시간에 따른 로스팅 온도의 차이로부터 평균 거리를 결정할 수 있다. 프로세서(202)는 제1 그래프 및 제2 그래프 간의 로스팅 온도에 의한 수직 거리를 계산하여 로스팅이 진행된 공통 구간에서의 로스팅 온도의 차이에 대한 평균 거리를 결정할 수 있다. 보다 자세한 동작은 도 5를 통해 설명하도록 한다.The processor 202 may determine the average distance from the difference in the roasting temperature according to the roasting time between the first graph and the second graph. The processor 202 may calculate a vertical distance by the roasting temperature between the first graph and the second graph to determine an average distance of the difference in the roasting temperature in the common section where the roasting is performed. More detailed operation will be described with reference to FIG. 5.

이 후, 프로세서(202)는 결정된 유사도 및 평균 거리를 이용하여 로스팅 정확도를 확인할 수 있다. 프로세서(202)는 유사도의 값의 크기 변화 및 평균 거리의 값의 크기 변화를 고려하여 (i) 로스팅의 정상 동작, (ii) 생두의 양 조절 문제, (iii) 로스팅 과정에서의 온도 차이 존재, (iv) 로스팅 구간 내 종류 시간 문제 중 적어도 하나에 의한 로스팅 정확도를 확인할 수 있다.Thereafter, the processor 202 may check the roasting accuracy using the determined similarity and average distance. The processor 202 takes into account the magnitude change of the value of the similarity value and the magnitude change of the value of the average distance, so that (i) the normal operation of roasting, (ii) the quantity control problem of the green beans, (iii) the presence of temperature differences in the roasting process, (iv) Roasting accuracy by at least one of the kind time problems in the roasting section can be confirmed.

프로세서(202)는 제1 그래프 및 제2 그래프로부터 로스팅 프로파일을 재구성하기 위한 학습 모델을 생성할 수 있다. 자세하게, 로스팅기(201)는 위에서 언급한 바와 같이 외부 환경이나 생두 투입 양에 따라 같은 히트 파워를 사용하더라도 같은 목표 온도까지 도달하는 시간에 차이가 발생하는 문제점이 존재한다.The processor 202 may generate a learning model for reconstructing the roasting profile from the first graph and the second graph. In detail, as described above, the roasting machine 201 has a problem that a difference occurs in the time to reach the same target temperature even when the same heat power is used depending on the external environment or the green bean input amount.

이에, 프로세서(202)는 제1 그래프와 제2 그래프 간에 존재하는 차이점을 이용하여 외부 환경의 영향을 파악할 수 있다. 그리고, 프로세서(202)는 외부 환경의 영향에 따른 제1 그래프 및 제2 그래프에서 사용된 로스팅 프로파일을 재구성하기 위한 학습 모델을 생성할 수 있다. 프로세서(202)는 학습 모델의 출력 값을 상기 로스팅 프로파일의 특정 값에 적용하여 로스팅 프로파일을 보정할 수 있다.Thus, the processor 202 may determine the influence of the external environment by using the difference between the first graph and the second graph. In addition, the processor 202 may generate a learning model for reconstructing the roasting profile used in the first graph and the second graph according to the influence of the external environment. The processor 202 may correct the roasting profile by applying an output value of a learning model to a specific value of the roasting profile.

도 3은 일실시예에 따른 로스팅 프로파일에 의한 제1 그래프를 도시한 그래프이다.3 is a graph illustrating a first graph by a roasting profile according to an exemplary embodiment.

도 3을 참고하면, 로스팅기는 로스팅 프로파일에 기초하여 제1 그래프를 생성할 수 있으며, 제1 그래프에서 x축은 로스팅 시간을 의미하며, y축은 로스팅 온도를 의미할 수 있다. 제1 그래프는 로스팅 프로파일에 따라 로스팅 출력으로 상이한 로스팅 온도와 로스팅 시간으로 표현될 수 있다.Referring to FIG. 3, the roaster may generate a first graph based on the roasting profile, in which the x-axis indicates roasting time and the y-axis may indicate roasting temperature. The first graph may be represented with different roasting temperatures and roasting times with roasting outputs depending on the roasting profile.

구체적으로, 로스팅기는 원두에 대한 로스팅의 정확성을 판별하기 위해서, 원두에 특화된 로스팅 프로파일을 입력 받을 수 있다. 여기서, 로스팅 프로파일은 로스팅을 위한 입력 정보로, 로스트 프로세스(RP: Roast Process), HD의 쌍으로 구성된 각 단계가 반복해서 이루어질 수 있다.In detail, the roasting machine may receive a roasting profile specialized for beans to determine the accuracy of roasting for the beans. Here, the roasting profile is input information for roasting, and each step consisting of a roast process (RP) and a pair of HDs may be repeatedly performed.

여기서, 로스트 프로세서 단계는 생두를 로스팅하기 위한 목표 온도(Temperature) 및 히터 파워(Heat)를 설정할 수 있다. 목표 온도는 로스팅이 수행되어야 하는 로스트 프로세서 단계에서 상승해야 하는 목표 온도에 의미하며, 히터 파워는 로스트 프로세서 단계에서의 목표 온도로 로스팅기의 내부 온도를 상승시키기 위하여 가동하는 히터 파워를 의미할 수 있다. 그리고, HD 단계는 로스트 프로세서 단계에서 설정된 목표 온도에 도달한 이후 도달된 목표 온도로 로스팅기의 내부 온도를 유지하는 시간을 의미할 수 있다.Here, the lost processor step may set a target temperature and heater power for roasting green beans. The target temperature may mean a target temperature to be raised in the roast processor stage in which the roasting is to be performed, and the heater power may refer to a heater power operating to raise the internal temperature of the roaster to the target temperature in the roast processor stage. . The HD stage may refer to a time for maintaining the internal temperature of the roaster at the target temperature reached after reaching the target temperature set in the lost processor stage.

일례로, 로스팅 프로파일은 아래의 표 1과 같이 kenya AA 원두에 특화되어 다양한 로스트 프로세서 단계 및 HD 단계를 포함하는 Kenya AA 테이블일 수 있다.As an example, the roasting profile may be a Kenya AA table that is specialized in kenya AA beans, including various roast processor stages and HD stages, as shown in Table 1 below.

[표 1]TABLE 1

Figure 112017131328033-pat00001
Figure 112017131328033-pat00001

그리고, 로스팅기는 로스팅 프로파일을 이용하여 정상적으로 로스팅이 완료되었을 때에 나타날 것으로 예상되는 제1 그래프를 생성할 수 있다. 다시 말해, 로스팅기는 로스팅을 수행하기 위한 로스팅 입력에 해당하는 로스팅 프로파일을 기반으로 로스팅 프로파일에 포함된 각각의 단계에 대응하여 원두에 대한 로스팅 과정에서의 로스팅기의 온도 변화, 시간을 예측할 수 있는 참조 그래프(Reference Graph)로써, 제1 그래프를 생성할 수 있다.The roaster may generate a first graph that is expected to appear when roasting is normally completed using the roasting profile. In other words, the roaster is a reference that can predict the temperature change and the time of the roaster during the roasting process for the beans corresponding to each step included in the roasting profile based on the roasting profile corresponding to the roasting input for roasting. As a graph, a first graph may be generated.

또한, 로스팅기는 로스팅 프로파일에 통한 로스팅 출력에 해당하는 제1 그래프로부터 로스팅 정확성을 판별하기 위한 정확성 판별 프로파일을 구성할 수 있다.In addition, the roaster may configure an accuracy determination profile for determining the roasting accuracy from the first graph corresponding to the roasting output through the roasting profile.

도 4는 일실시예에 따른 dice metric 기법을 이용하여 제1 그래프 및 제2 그래프 간에 유사도를 측정하는 동작을 설명하기 위한 그래프이다.4 is a graph for describing an operation of measuring similarity between a first graph and a second graph using a dice metric technique according to an exemplary embodiment.

구체적으로, 로스팅기는 로스팅 프로파일에 기초하여 생두를 로스팅하는 경우, 로스팅 프로파일에 포함된 다양한 목표 온도, 히터 파워 및 로스팅기의 내부 온도를 유지하는 시간에 따라 상이한 로스팅 출력으로 표현될 수 있다. 또한, 로스팅기는 실제 로스팅을 수행하는 과정에서의 외부 습도, 외부 온도 등 환경적인 요인에 의해 실제 로스팅되는 로스팅 결과가 다를 수 있다.Specifically, when the roaster roasts the green beans based on the roasting profile, the roasting machine may be represented with different roasting outputs according to various target temperatures included in the roasting profile, heater power, and time for maintaining the internal temperature of the roasting machine. In addition, the roasting machine may have different roasting results due to environmental factors such as external humidity and external temperature during the actual roasting process.

이러한 경우, 사용자의 로스팅 정확성을 정확하게 판별하기 위해서, 본 발명은 (i) 로스팅 유사도를 판별하는 도 4 및 (ii) 그래프의 평균 거리를 계산하는 도 5에서 설명하는 각각의 방법을 조합하여 원두에 대한 로스팅 정확도를 결정할 수 있다.In this case, in order to accurately determine the roasting accuracy of the user, the present invention combines each method described in (i) Fig. 4 for determining roasting similarity and (ii) Fig. 5 for calculating the average distance of the graph. Can determine the roasting accuracy.

본 발명에서 로스팅기는 로스팅 유사도를 판별하기 위해서, dice metric 기법을 사용할 수 있다. 여기서, Dice metric은 그림 1과 같이 두 영역이 겹치는 정도를 나타나는 지표로써, Dice metric를 통해 나타내는 값은 '0'에서 '1'사이의 값을 포함할 수 있다.In the present invention, the roaster may use a dice metric technique to determine roasting similarity. Here, the Dice metric is an index indicating the degree of overlap between the two regions as shown in Figure 1, and the value represented by the Dice metric may include a value between '0' and '1'.

[그림 1][Figure 1]

Figure 112017131328033-pat00002
Figure 112017131328033-pat00002

본 발명에서 로스팅기는 dice metric을 이용해서 제1 그래프와 제1 그래프 간에 유사도를 측정할 수 있다. 도 4의 그래프를 살펴보면, 굵은 선으로 표시된 선은 생두를 로스팅했을 때 예상되는 로스팅 출력에 대한 제1 그래프에 해당하며, 실선으로 표시된 선은 실제 생두를 로스팅했을 때 나타나는 로스팅 결과에 대한 제2 그래프에 해당할 수 있다.In the present invention, the roaster may measure the similarity between the first graph and the first graph using a dice metric. Referring to the graph of FIG. 4, the line indicated by the thick line corresponds to the first graph of the roasting output expected when the green beans are roasted, and the line indicated by the solid line represents the second graph of the roasting results that appear when the green beans are roasted. It may correspond to.

이때, 로스팅기는 제1 그래프와 제2 그래프 간의 유사도를 측정하기 위해 제1 그래프와 제2 그래프에 대한 온도 그래프를 형성할 수 있다. 다시 말해 로스팅기는 dice metric을 이용하여 제1 그래프 및 제2 그래프에 대한 온도 그래프의 면적을 구할 수 있다.In this case, the roaster may form a temperature graph for the first graph and the second graph to measure the similarity between the first graph and the second graph. In other words, the roaster can obtain the area of the temperature graph for the first graph and the second graph by using the dice metric.

자세하게, 로스팅기는 로스팅 프로파일의 RP 01에 대응하는 제1 그래프 및 제2 그래프를 생성할 수 있다. 로스팅기는 RP 01에 대응하는 제1 그래프로부터 로스팅 시간에 따라 변화하는 로스팅 온도에 대한 제1 면적을 생성할 수 있다. 그리고, 로스팅기는 동일한 방법을 통해 제2 그래프로부터 로스팅 온도에 대한 제2 면적을 생성할 수 있다.In detail, the roaster may generate a first graph and a second graph corresponding to RP 01 of the roasting profile. The roaster may generate a first area for the roasting temperature that varies with the roasting time from the first graph corresponding to RP 01. And, the roaster may generate a second area for the roasting temperature from the second graph through the same method.

이후, 로스팅기는 제1 면적과 제2 면적을 dice metric에 적용하여, 제1 면적과 제2 면적 간에 겹치는 정도를 확인할 수 있다. 다시 말해, 로스팅기는 제1 면적과 제2 면적 각각에 대응하여 겹치는 정도에 따른 온도 그래프를 생성하고, 이에 따른 온도 그래프의 면적을 구할 수 있다.Thereafter, the roasting machine may apply the first area and the second area to the dice metric to check the degree of overlap between the first area and the second area. In other words, the roaster may generate a temperature graph according to the overlapping degree corresponding to each of the first area and the second area, and obtain the area of the temperature graph accordingly.

로스팅기는 온도 그래프의 면적에 의한 제1 그래프 및 제2 그래프가 일치하는지 여부를 확인할 수 있다. 그리고, 제1 그래프 및 제2 그래프가 일치하게 되면, dice coefficient 값은 '1'에 가까워질 수 있다. 이에, dice metric로 측정된 유사도 값은 0.968이다.The roaster may check whether the first graph and the second graph by the area of the temperature graph coincide. When the first graph and the second graph coincide, the dice coefficient may be closer to '1'. Thus, the similarity value measured by the dice metric is 0.968.

도 5는 일실시예에 따른 제1 그래프 및 제2 그래프 간 평균 거리를 측정하기 위한 그래프이다.5 is a graph for measuring an average distance between a first graph and a second graph, according to an exemplary embodiment.

도 5를 참고하면, 로스팅기는 제1 그래프 및 제2 그래프 간에 유사도를 보다 정확하게 측정하기 위하여 제1 그래프 및 제2 그래프 간의 평균 거리를 측정할 수 있다. 자세하게, dice metric은 제1 그래프 및 제2 그래프 간의 유사도를 측정하는데 부족한 점이 존재한다. 다시 말해, 제1 그래프의 굵은 선과 제2 그래프의 실선은 전체적으로 비슷한 형태로 로스팅이 진행되고 있지만 로스팅의 종료 시점이 제1 그래프의 굵은 선에 비해 제2 그래프의 실선이 늦게 표현된다.Referring to FIG. 5, the roaster may measure an average distance between the first graph and the second graph in order to more accurately measure the similarity between the first graph and the second graph. In detail, the dice metric lacks in measuring the similarity between the first graph and the second graph. In other words, although the thick line of the first graph and the solid line of the second graph are roasting in a similar manner as a whole, the solid line of the second graph is late compared to the thick line of the first graph.

그러나, 이와 같은 세부 변화는 dice coefficient로 감지하기 다소 어려운 부분이 존재함에 따라, 본 발명은 제1 그래프 및 제2 그래프 간 수직 거리의 평균 값을 계산함으로써, 로스팅 정확성을 보다 향상시킬 수 있다.However, since such a detailed change is somewhat difficult to detect with a dice coefficient, the present invention may further improve roasting accuracy by calculating an average value of the vertical distance between the first graph and the second graph.

구체적으로, 로스팅기는 제1 그래프와 제2 그래프 사이에 로스팅 온도에 의한 수직 거리를 계산할 수 있다. 이는 1초 마다 측정된 제1 그래프와 제2 그래프 간의 로스팅 온도의 차이에 대한 평균 거리를 구함으로써 로스팅이 진행된 공통 구간에서 두 그래프간의 차이 값을 구할 수 있다. 그리고, 도 5의 그래프에 따른 수직 거리의 평균 값은 5.869에 해당하며 이는 초당 5.869 도의 온도 차이가 존재함을 보여주고 있다.In detail, the roaster may calculate a vertical distance due to the roasting temperature between the first graph and the second graph. The average distance of the difference in roasting temperature between the first graph and the second graph measured every second may be obtained to determine the difference between the two graphs in the common section where the roasting is performed. In addition, the average value of the vertical distance according to the graph of FIG. 5 corresponds to 5.869, which shows that there is a temperature difference of 5.869 degrees per second.

이에, 로스팅기는 결정된 유사도 및 평균 거리를 이용하여 로스팅 정확도를 확인할 수 있다. 로스팅기는 유사도의 값의 크기 변화 및 평균 거리의 값의 크기 변화를 고려하여 (i) 로스팅의 정상 동작, (ii) 생두의 양 조절 문제, (iii) 로스팅 과정에서의 온도 차이 존재, (iv) 로스팅 구간 내 종류 시간 문제 중 적어도 하나에 의한 로스팅 정확도를 확인할 수 있다.Thus, the roaster may check the roasting accuracy using the determined similarity and average distance. The roaster takes into account (i) the normal operation of roasting, (ii) the control of the amount of green beans, (iii) the presence of temperature differences in the roasting process, taking into account the change in the magnitude of the similarity value and the change in the value of the average distance, (iv) Roasting accuracy due to at least one of the type time problem in the roasting section can be checked.

로스팅기는 유사도 및 평균 거리를 이용하여 유사도 측정 및 그래프를 비교 해석함으로써, 로스팅 정확도를 확인할 수 있다. 이는 다음의 CASE와 같이 구분될 수 있다.The roaster can confirm the roasting accuracy by comparing and analyzing the similarity measurement and graph using the similarity and the average distance. This can be classified as the following CASE.

1) Case 11) Case 1

본 발명은 유사도의 값이 크고, 평균 거리의 값이 작은 결과를 도출할 수 있다. 이러한 경우, 로스팅기는 로스팅 정확도가 가장 높은 경우에 해당할 수 있으며, 이를 통해 사용자는 현재 로스팅이 정상적으로 이루어지고 있음을 인지할 수 있다. 일례로, 유사도의 값이 0.9 이상이고, 평균 거리의 값이 5 이하인 경우, 로스팅기는 현재 로스팅 중인 원두에 대한 로스팅 정확도가 가장 높은 경우에 해당되는 것으로 파악할 수 있다.According to the present invention, the value of the similarity is large and the value of the average distance is small. In this case, the roaster may correspond to a case where the roasting accuracy is the highest, and the user may recognize that the roasting is normally performed. For example, when the value of the similarity is 0.9 or more and the average distance value is 5 or less, the roasting machine may be understood to correspond to the case where the roasting accuracy of the beans being roasted is the highest.

2) Case 22) Case 2

본 발명은 유사도의 값이 작고, 평균 거리가 큰 결과를 도출할 수 있다. 이러한 경우, 로스팅기는 현재 로스팅이 제대로 이루어지고 있지 못하는 경우에 해당할 수 있으며, 이는 로스팅기에 투입하는 생두의 양이 잘못 조절되어 있거나 또는 로스팅기에 문제가 발생한 경우에 해당할 수 있다.The present invention can result in a small value of similarity and a large average distance. In this case, the roasting machine may be a case where the roasting is not properly performed at present, which may correspond to a case in which the amount of green beans put into the roasting machine is incorrectly adjusted or a problem occurs in the roasting machine.

3) Case 33) Case 3

본 발명은 유사도의 값이 크고 평균 거리가 큰 결과를 도출할 수 있다. 이러한 경우, 로스팅기는 전체적으로 로스팅 시작 시점과 로스팅 종료 시점이 유사한 반면, 로스팅 전체 구간에서 전반적으로 온도 차이가 존재하는 경우에 해당할 수 있다. 이는 로스팅이 정상적으로 이루어져 있다고 보기 힘든 경우에 해당할 수 있다.The present invention can produce a result with a large value of similarity and a large average distance. In this case, the roasting machine may be the same as when the roasting start point and the roasting end point are similar to each other, but the temperature difference may exist in the whole roasting section. This may be the case when roasting is difficult to see normally.

4) Case 44) Case 4

본 발명은 유사도의 값이 작고 평균 거리가 작은 결과를 도출할 수 있다. 이러한 경우, 로스팅기는 전체적으로 대부분의 로스팅 구간 중에 로스팅이 정상적으로 이루어졌으나 또는, 최종적으로 로스팅을 종료하는 시간이 다른 경우에 해당할 수 있다.The present invention can yield a result of a small value of similarity and a small average distance. In this case, the roasting machine may be a case where the roasting is normally performed during most roasting sections as a whole or when the roasting time is finally different.

도 6은 일실시예에 따른 딥러닝 기반의 학습 모델을 생성하는 동작을 설명하기 위한 도면이다.6 is a diagram for describing an operation of generating a deep learning based learning model, according to an exemplary embodiment.

도 6을 참고하면, 로스팅기는 제1 그래프 및 제2 그래프로부터 로스팅 프로파일을 재구성하기 위한 학습 모델을 생성할 수 있다. 자세하게, 로스팅은 입력되는 로스팅 프로파일에 대응하여 동일한 로스팅 출력인 제1 그래프로 나타나야 한다. 하지만, 로스팅은 외부의 다양한 온도, 습도 등에 따라서 로스팅 결과가 제2 그래프와 같이 상이하게 나타날 수 있다. 일례로, 로스팅은 RP 01의 목표 온도가 180, 히터 파워가 90인 경우에도 주위 환경이나 기타 조건에 따라 목표 온도 180까지 상승하는 시간이 달라질 수 있고 이는 곧 커피 맛에 큰 영향을 끼칠 수 있다. Referring to FIG. 6, the roaster may generate a learning model for reconstructing the roasting profile from the first graph and the second graph. In detail, roasting should appear in a first graph that is the same roasting output corresponding to the roasting profile being input. However, the roasting result may be different from the roasting result according to various external temperatures, humidity, etc. as shown in the second graph. As an example, the roasting time, even if the target temperature of the RP 01 is 180, the heater power is 90, the time to rise to the target temperature 180 may vary depending on the surrounding environment or other conditions, which may have a significant effect on the coffee taste.

이에, 본 발명에서는 로스팅 프로파일을 통해 테스트 로스팅을 수행한 후에 이에 대한 로스팅 결과를 바탕으로 로스팅 프로파일을 보정하고, 이에 따라 보다 정확한 로스팅이 재현될 수 있도록 하는 기능을 제안할 수 있다.Thus, in the present invention, after performing the test roasting through the roasting profile, it is possible to propose a function of correcting the roasting profile based on the roasting result for this, so that more accurate roasting can be reproduced.

자세하게, 로스팅기는 외부 환경에 따른 현재 로스팅기의 동작에 대한 영향을 파악하기 위하여 로스팅 프로파일에 대응하여 생두를 로스팅할 수 있다. 이러한 과정에서, 로스팅기는 제1 그래프와 제2 그래프 간에 차이를 통해 외부 환경의 영향을 파악할 수 있다.In detail, the roaster may roast the green coffee in response to the roasting profile in order to grasp the influence on the operation of the current roaster according to the external environment. In this process, the roaster may determine the influence of the external environment through the difference between the first graph and the second graph.

본 발명에서는 제1 그래프와 제2 그래프에서 로스팅 프로파일을 재구성 하기 위한 학습 모델을 생성할 수 있다. 이때, 학습 모델의 입력에 해당하는 두 그래프에서 추출하는 feature는 dturning _point, drise _time 이다. 여기서, dturning _point는 제1 그래프에서 turning point 의 온도에서 제2 그래프에서 turning point 의 온도 차이에 해당할 수 있다. 그리고, drise _time는 제1 그래프의 turning point 에서 RP01 의 목표 온도까지 상승 시간과 제2 그래프의 상승 시간 간의 상승 시간 차이를 측정할 수 있다. 이 때, 학습 모델의 목표 값(출력)은 변화되어야 하는 히터 파워 양에 해당할 수 있다.In the present invention, a learning model for reconstructing a roasting profile from the first graph and the second graph may be generated. At this time, the features extracted from the two graphs corresponding to the input of the learning model are d turning _point and d rise _time . Here, d turning _point may correspond to the temperature difference of the turning point in the second graph at the temperature of the turning point in the first graph. And, d rise _time may at turning point of the first graph to the target temperature of the RP01 to measure the rising time difference between the rising time and the rising time of the second graph. At this time, the target value (output) of the learning model may correspond to the amount of heater power to be changed.

도 7은 일실시예에 따른 학습 모델에 의한 회귀 모델을 적용한 결과를 나타낸 그래프이다.7 is a graph illustrating a result of applying a regression model by a learning model, according to an exemplary embodiment.

도 7을 참고하면, 학습 모델은 다양한 방식이 사용될수 있으나, 본 발명에서는 feed forward 기반의 딥러닝 기법을 사용할 수 있다. 여기서, 첫 번째 히든 레이어는 5개의 히든 노드, 두 번째 히든 레이어는 5개의 히든 노드를 사용하고 ,출력이 하나인 회귀 모델(regression model)을 수행한 결과 rms(root mean squared) error가 2.2 정도로 수렴함을 알 수 있다.Referring to FIG. 7, a variety of methods may be used for the learning model, but the present invention may use a deep learning technique based on feed forward. Here, the first hidden layer uses five hidden nodes and the second hidden layer uses five hidden nodes, and a regression model with one output converges to a root mean squared error of 2.2. It can be seen.

즉, 본 발명은 학습 모델에서 출력되는 값을 로스팅 프로파일의 히터 파워에 적용하여 최종적으로 Pheat’ = Pheat + output 의 값을 적용시킴으로써 로스팅 프로파일에 따른 로스팅 재현성을 향상시킬 수 있다.That is, the present invention can improve the roasting reproducibility according to the roasting profile by finally applying the value of P heat '= P heat + output by applying the value output from the learning model to the heater power of the roasting profile.

도 8은 일실시예에 따른 로스팅 정확도 결정 방법을 설명하기 위한 흐름도이다.8 is a flowchart illustrating a method of determining roasting accuracy according to an exemplary embodiment.

단계(801)에서 로스팅기는 원두에 특화된 로스팅 프로파일에 기초하여 생두를 로스팅할 때 예상되는 로스팅 출력을 나타내는 제1 그래프를 생성할 수 있다. 이 때, 로스팅기는 로스팅 프로파일에 포함된 목표 온도, 히터 파워 및 온도 유지 시간을 이용하여 제1 그래프를 생성할 수 있다.In step 801 the roaster may generate a first graph representing the roasting output expected when roasting the green beans based on the roasting profile specific to the beans. At this time, the roaster may generate the first graph by using the target temperature, the heater power, and the temperature holding time included in the roasting profile.

단계(802)에서 로스팅기는 생두를 원두로 로스팅하는 과정에서 환경적인 요인에 의해 달라지는 로스팅 결과를 나타내는 제2 그래프를 생성할 수 있다. 다시 말해, 로스팅기는 생두에 대한 로스팅이 완료되면, 완료된 원두는 로스팅기에서 배출된다. 이에, 로스팅기는 로스팅 완료 후에, 실제 원두가 로스팅된 상태, 즉 로스팅 결과를 나타내는 제2 그래프를 생성할 수 있다.In step 802, the roaster may generate a second graph representing a roasting result that varies depending on environmental factors in the process of roasting the green beans. In other words, when the roaster finishes roasting the green beans, the finished beans are discharged from the roaster. Thus, after the roasting is completed, the roaster may generate a second graph representing a state in which the actual beans are roasted, that is, the roasting result.

단계(803)에서 로스팅기는 제1 그래프 및 제2 그래프를 이용하여 원두에 대한 로스팅 정확도를 결정할 수 있다. 자세하게, 로스팅기는 제1 그래프 및 제2 그래프 각각의 로스팅 시간에 따른 로스팅 온도의 면적을 이용하여 제1 그래프 및 제2 그래프 간의 유사도를 결정할 수 있다. 로스팅기는 제1 그래프 및 제2 그래프 간의 로스팅 시간에 따른 로스팅 온도의 차이로부터 평균 거리를 결정할 수 있다.In step 803 the roaster may determine the roasting accuracy for the beans using the first graph and the second graph. In detail, the roaster may determine the similarity between the first graph and the second graph using the area of the roasting temperature according to the roasting time of each of the first graph and the second graph. The roaster may determine an average distance from the difference in roasting temperature according to the roasting time between the first graph and the second graph.

여기서, 로스팅기는 제1 그래프 및 제2 그래프 간의 로스팅 온도에 의한 수직 거리를 계산하여 로스팅이 진행된 공통 구간에서의 로스팅 온도의 차이에 대한 평균 거리를 결정할 수 있다.Here, the roaster may calculate the vertical distance by the roasting temperature between the first graph and the second graph to determine an average distance of the difference of the roasting temperature in the common section where the roasting is performed.

이후, 로스팅기는 결정된 유사도 및 평균 거리를 이용하여 로스팅 정확도를 확인할 수 있다. 로스팅기는 유사도의 값의 크기 변화 및 평균 거리의 값의 크기 변화를 고려하여 (i) 로스팅의 정상 동작, (ii) 생두의 양 조절 문제, (iii) 로스팅 과정에서의 온도 차이 존재, (iv) 로스팅 구간 내 종류 시간 문제 중 적어도 하나에 의한 로스팅 정확도를 확인할 수 있다.The roaster may then verify the roasting accuracy using the determined similarity and average distance. The roaster takes into account (i) the normal operation of roasting, (ii) the control of the amount of green beans, (iii) the presence of temperature differences in the roasting process, taking into account the change in the magnitude of the similarity value and the change in the value of the average distance, (iv) Roasting accuracy due to at least one of the type time problem in the roasting section can be checked.

그리고, 제1 그래프 및 제2 그래프로부터 로스팅 프로파일을 재구성하기 위한 학습 모델을 생성할 수 있다. 구체적으로, 학습 모델을 생성하기 위해, 로스팅기는 제1 그래프의 터닝 포인트의 온도에 대응하는 제2 그래프의 터닝 포인트의 온도 간에 온도 차이를 측정할 수 있다. 그리고, 로스팅기는 제1 그래프의 터닝 포인트에서 목표 온도까지의 상승 시간과 제2 그래프의 터닝 포인트에서 목표 온도까지의 상승 시간 간에 상승 시간 차이를 측정할 수 있다.In addition, a learning model for reconstructing the roasting profile may be generated from the first graph and the second graph. Specifically, in order to generate the learning model, the roaster may measure the temperature difference between the temperatures of the turning points of the second graph corresponding to the temperatures of the turning points of the first graph. The roaster may measure a difference in rise time between a rise time from a turning point of the first graph to a target temperature and a rise time from a turning point of the second graph to a target temperature.

로스팅기는 측정한 온도 차이 및 상승 시간 차이에 기초하여 학습 모델을 생성할 수 있다. 이때, 로스팅기는 feed forward 기반의 딥러닝 기법을 사용하여 로스팅 프로파일을 이용한 로스팅의 재현성을 높이기 위한 학습 모델을 생성할 수 있다.The roaster may generate a training model based on the measured temperature difference and rise time difference. At this time, the roaster may generate a learning model to increase the reproducibility of roasting using the roasting profile by using a deep learning method based on feed forward.

로스팅기는 학습 모델의 출력 값을 로스팅 프로파일의 특정 값에 적용하여 로스팅 프로파일을 보정할 수 있다. 로스팅기는 로스팅 프로파일을 보정함으로써, 외부의 환경적인 변수에 관련 없이 로스팅 프로파일에 맞는 최적의 원두 상태를 재현할 수 있다.The roaster may correct the roasting profile by applying the output value of the learning model to a specific value of the roasting profile. The roaster compensates for the roasting profile so that it can reproduce the optimum coffee state for the roasting profile regardless of external environmental parameters.

본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체)에 기록된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.Implementations of the various techniques described herein may be implemented in digital electronic circuitry, or in computer hardware, firmware, software, or in combinations of them. Implementations may be implemented for processing by, or to control the operation of, a data processing device, eg, a programmable processor, a computer, or multiple computers, a computer program product, ie an information carrier, for example a machine readable storage. It may be embodied as a computer program recorded on a device (computer readable medium). Computer programs, such as the computer program (s) described above, may be written in any form of programming language, including compiled or interpreted languages, and may be written as standalone programs or in modules, components, subroutines, or computing environments. It can be deployed in any form, including as other units suitable for use. The computer program can be deployed to be processed on one computer or multiple computers at one site or distributed across multiple sites and interconnected by a communication network.

컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.Processors suitable for the processing of a computer program include, by way of example, both general purpose and special purpose microprocessors, and any one or more processors of any kind of digital computer. In general, a processor will receive instructions and data from a read only memory or a random access memory or both. Elements of a computer may include at least one processor that executes instructions and one or more memory devices that store instructions and data. In general, a computer may include one or more mass storage devices that store data, such as magnetic, magneto-optical disks, or optical disks, or receive data from, transmit data to, or both. It may be combined to be. Information carriers suitable for embodying computer program instructions and data include, for example, semiconductor memory devices, for example, magnetic media such as hard disks, floppy disks, and magnetic tape, compact disk read only memory. ), Optical media such as DVD (Digital Video Disk), magneto-optical media such as floppy disk, ROM (Read Only Memory), RAM , Random Access Memory, Flash Memory, Erasable Programmable ROM (EPROM), Electrically Erasable Programmable ROM (EEPROM), and the like. The processor and memory may be supplemented by or included by special purpose logic circuitry.

또한, 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용매체일 수 있고, 컴퓨터 저장매체 및 전송매체를 모두 포함할 수 있다.In addition, the computer readable medium may be any available medium that can be accessed by a computer, and may include both computer storage media and transmission media.

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. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.Although the specification includes numerous specific implementation details, these should not be construed as limiting to any invention or the scope of the claims, but rather as a description of features that may be specific to a particular embodiment of a particular invention. It must be understood. Certain features that are described in this specification in the context of separate embodiments may be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment can also be implemented in multiple embodiments individually or in any suitable subcombination. Furthermore, while the features may operate in a particular combination and may be initially depicted as so claimed, one or more features from the claimed combination may in some cases be excluded from the combination, the claimed combination being a subcombination Or a combination of subcombinations.

마찬가지로, 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 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.Likewise, although the operations are depicted in the drawings in a specific order, it should not be understood that such operations must be performed in the specific order or sequential order shown in order to obtain desirable results or that all illustrated operations must be performed. In certain cases, multitasking and parallel processing may be advantageous. Moreover, the separation of the various device components of the above-described embodiments should not be understood as requiring such separation in all embodiments, and the described program components and devices will generally be integrated together into a single software product or packaged into multiple software products. It should be understood that it can.

한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.On the other hand, the embodiments of the present invention disclosed in the specification and drawings are merely presented specific examples for clarity and are not intended to limit the scope of the present invention. It is apparent to those skilled in the art that other modifications based on the technical idea of the present invention can be carried out in addition to the embodiments disclosed herein.

101: 로스팅기
102: 로스팅 프로파일
103: 사용자 단말
104: 생두
105: 원두101: roasting machine
102: roasting profile
103: user terminal
104: green beans
105: beans

Claims (8)

로스팅기가 수행하는 로스팅 정확도 결정 방법에 있어서,
원두에 특화된 로스팅 프로파일에 기초하여 생두를 로스팅할 때 예상되는 로스팅 출력을 나타내는 제1 그래프를 생성하는 단계 -상기 로스팅 프로파일은 상기 원두가 로스팅될 때 상기 로스팅기의 내부 온도가 상승해야 하는 목표 온도, 상기 목표 온도까지 상기 로스팅기의 상기 내부 온도인 로스팅 온도를 상승시키기 위하여 가동되는 히터 파워, 상기 목표 온도에 도달된 이후 상기 로스팅기의 상기 내부 온도를 유지하는 시간을 나타내는 HD를 포함함-;
상기 로스팅 프로파일에 따라 상기 로스팅기를 이용하여 생두를 로스팅할 때 상기 생두가 원두로 로스팅되는 과정에서 환경적인 요인에 의해 달라지는 로스팅 결과를 나타내는 제2 그래프를 생성하는 단계-상기 제1 그래프 및 제2 그래프는 로스팅 시간 및 상기 로스팅 온도로 구성됨-;
상기 로스팅 시간에 따라 변화하는 로스팅 온도에 관한 제1 그래프의 면적 및 제2 그래프의 면적을 이용하여 1) 상기 제1 그래프와 상기 제2 그래프의 로스팅이 진행되는 공통 구간에 관계없이 상기 제1 그래프의 면적과 제2 그래프의 면적이 겹치는 정도를 통해 측정되는 상기 제1 그래프와 상기 제2 그래프 간의 유사도 및 2) 제1 그래프와 제2 그래프에서 공통으로 로스팅이 이루어진 것으로 나타난 구간에서 상기 제1 그래프와 제2 그래프 간 로스팅 온도의 차이를 나타내는 수직 거리의 평균 값인 평균 거리를 결정하는 단계; 및
상기 결정된 유사도 및 평균 거리를 분석하여 로스팅 출력과 로스팅 결과 간에 차이점으로부터 원두에 대한 로스팅 정확도를 결정하는 단계; 및
상기 로스팅 정확도를 기반으로 제1 그래프 및 제2 그래프로부터 상기 로스팅 프로파일을 재구성하기 위해 복수개의 히든 레이어와 하나의 출력 레이어를 통한 피드 포워드(feed forward) 방식의 학습 모델을 생성하고, 상기 생성된 학습 모델의 출력값을 상기 로스팅기의 상기 내부 온도를 상승시키기 위한 로스팅 프로파일의 상기 히터 파워에 적용함으로써, 로스팅 프로파일을 보정하는 단계
를 포함하고,
상기 학습 모델은, ⅰ) 상기 제1 그래프의 변곡점인 터닝 포인트에 대응하는 온도와 상기 제2 그래프의 변곡점인 터닝 포인트에 대응하는 온도 간의 온도 차이와 ⅱ) 상기 제1 그래프의 변곡점인 터닝 포인트에 대응하는 상기 온도에서 상기 로스팅 프로파일 상의 미리 설정된 목표 온도까지 상승하는데 필요한 상승 시간과 상기 제2 그래프의 변곡점인 터닝 포인트에 대응하는 상기 온도에서 상기 로스팅 프로파일 상의 미리 설정된 목표 온도까지 상승하는데 필요한 상승 시간 간의 시간 차이를 입력받아, 상기 feed forward 방식을 통해 상기 출력 레이어에서 상기 히터 파워를 출력하는,
로스팅 정확도 결정 방법.In the roasting accuracy determination method performed by the roaster,
Generating a first graph representing the expected roasting power when roasting green beans based on the roasting profile specific to beans, the roasting profile being a target temperature at which the internal temperature of the roasting machine should rise when the beans are roasted; A heater power operated to raise the roasting temperature, the internal temperature of the roasting machine, to the target temperature, and HD indicating a time for maintaining the internal temperature of the roasting machine after reaching the target temperature;
Generating a second graph representing a roasting result that is changed by environmental factors when the green beans are roasted into beans when the green beans are roasted using the roaster according to the roasting profile; the first graph and the second graph Consists of a roasting time and the roasting temperature;
Using the area of the first graph and the area of the second graph with respect to the roasting temperature varying with the roasting time, 1) the first graph irrespective of the common section where the roasting of the first graph and the second graph proceeds. Similarity between the first graph and the second graph measured by the overlapping area of the second graph with the area of the second graph, and 2) the first graph in a section in which roasting is commonly performed in the first graph and the second graph. Determining an average distance that is an average value of vertical distances representing a difference in roasting temperature between the second graph and the second graph; And
Analyzing the determined similarity and average distance to determine roasting accuracy for coffee beans from differences between roasting output and roasting results; And
Generate a feed forward learning model through a plurality of hidden layers and one output layer to reconstruct the roasting profile from the first graph and the second graph based on the roasting accuracy, and generate the learned Correcting the roasting profile by applying an output of the model to the heater power of the roasting profile to raise the internal temperature of the roaster
Including,
The learning model may include i) a temperature difference between a temperature corresponding to a turning point that is an inflection point of the first graph and a temperature corresponding to a turning point that is an inflection point of the second graph and ii) a turning point that is an inflection point of the first graph. Between the rise time required to rise from the corresponding temperature to a preset target temperature on the roasting profile and the rise time required to rise to the preset target temperature on the roasting profile from the temperature corresponding to the turning point, which is the inflection point of the second graph. Receiving the time difference and outputting the heater power in the output layer through the feed forward method;
How to determine roasting accuracy. 삭제delete 삭제delete 삭제delete 제1항에 있어서,
상기 로스팅 정확도를 확인하는 단계는,
상기 유사도의 값의 크기 변화 및 평균 거리의 값의 크기 변화를 고려하여 (i) 로스팅의 정상 동작, (ii) 생두의 양 조절 문제, (iii) 로스팅 과정에서의 온도 차이 존재, (iv) 로스팅 구간 내 종류 시간 문제 중 적어도 하나에 의한 로스팅 정확도를 확인하는 로스팅 정확도 결정 방법.The method of claim 1,
Checking the roasting accuracy,
(I) the normal operation of roasting, (ii) the control of the amount of green beans, (iii) the presence of temperature differences in the roasting process, and (iv) the roasting by considering the magnitude change of the value of the similarity and the magnitude change of the average distance Roasting accuracy determination method for confirming the roasting accuracy by at least one of the kind time problem in the interval. 삭제delete 삭제delete 로스팅기에 있어서,
프로세서를 포함하고,
상기 프로세서는,
원두에 특화된 로스팅 프로파일에 기초하여 생두를 로스팅 시 예상되는 로스팅 출력을 나타내는 제1 그래프를 생성하고 -상기 로스팅 프로파일은 상기 원두가 로스팅될 때 상기 로스팅기의 내부 온도가 상승해야 하는 목표 온도, 상기 목표 온도까지 상기 로스팅기의 상기 내부 온도인 로스팅 온도를 상승시키기 위하여 가동되는 히터 파워, 상기 목표 온도에 도달된 이후 상기 로스팅기의 상기 내부 온도를 유지하는 시간을 나타내는 HD를 포함함-,
상기 로스팅 프로파일에 따라 상기 로스팅기를 이용하여 생두를 로스팅할 때, 상기 생두가 원두로 로스팅되는 과정에서 환경적인 요인에 의해 달라지는 로스팅 결과를 나타내는 제2 그래프를 생성-상기 제1 그래프 및 제2 그래프는 로스팅 시간(y축) 및 상기 로스팅 온도(x축)로 구성됨-하고,
상기 로스팅 시간에 따라 변화하는 로스팅 온도에 관한 제1 그래프의 면적 및 제2 그래프의 면적을 이용하여 1) 상기 제1 그래프와 상기 제2 그래프의 로스팅이 진행되는 공통 구간에 관계없이 상기 제1 그래프의 면적과 제2 그래프의 면적이 겹치는 정도를 통해 측정되는 상기 제1 그래프와 상기 제2 그래프 간의 유사도 및 2) 제1 그래프와 제2 그래프에서 공통으로 로스팅이 이루어진 것으로 나타난 구간에서 상기 제1 그래프와 제2 그래프 간 로스팅 온도의 차이를 나타내는 수직 거리의 평균 값인 평균 거리를 결정한 후, 상기 결정된 유사도 및 평균 거리를 분석하여 로스팅 출력과 로스팅 결과 간에 차이점으로부터 원두에 대한 로스팅 정확도를 결정하고,
상기 로스팅 정확도를 기반으로 상기 제1 그래프 및 제2 그래프로부터 상기 로스팅 프로파일을 재구성하기 위해 복수개의 히든 레이어와 하나의 출력 레이어를 통한 피드 포워드(feed forward) 방식의 학습 모델을 생성하고,
상기 학습 모델의 출력 값을 상기 로스팅기의 상기 내부 온도를 상승시키기 위한 상기 로스팅 프로파일의 상기 히터 파워에 적용함으로써, 로스팅 프로파일을 보정하고,
상기 학습 모델은, ⅰ) 상기 제1 그래프의 변곡점인 터닝 포인트에 대응하는 온도와 상기 제2 그래프의 변곡점인 터닝 포인트에 대응하는 온도 간의 온도 차이와 ⅱ) 상기 제1 그래프의 변곡점인 터닝 포인트에 대응하는 상기 온도에서 상기 로스팅 프로파일 상의 미리 설정된 목표 온도까지 상승하는데 필요한 상승 시간과 상기 제2 그래프의 변곡점인 터닝 포인트에 대응하는 상기 온도에서 상기 로스팅 프로파일 상의 미리 설정된 목표 온도까지 상승하는데 필요한 상승 시간 간의 시간 차이를 입력받아, 상기 feed forward 방식을 통해 상기 출력 레이어에서 상기 히터 파워를 출력하는,
로스팅기.In the roaster,
Includes a processor,
The processor,
Generate a first graph representing the expected roasting power when roasting green beans based on the roasting profile specific to the beans, the roasting profile being a target temperature at which the internal temperature of the roaster should rise when the beans are roasted; A heater power operated to raise the roasting temperature, the roasting temperature of the roasting machine to a temperature, HD indicating the time to maintain the inner temperature of the roasting machine after reaching the target temperature;
When the green beans are roasted using the roasting machine according to the roasting profile, a second graph representing a roasting result that varies depending on environmental factors during the roasting of the green beans is generated. The first graph and the second graph are Consisting of a roasting time (y-axis) and the roasting temperature (x-axis),
Using the area of the first graph and the area of the second graph with respect to the roasting temperature varying with the roasting time, 1) the first graph irrespective of the common section where the roasting of the first graph and the second graph proceeds. Similarity between the first graph and the second graph measured by the overlapping area of the second graph with the area of the second graph, and 2) the first graph in a section in which roasting is commonly performed in the first graph and the second graph. After determining the average distance which is the average value of the vertical distance representing the difference between the roasting temperature and the second graph, and analyzing the determined similarity and average distance to determine the roasting accuracy for the beans from the difference between the roasting output and the roasting results,
Based on the roasting accuracy Generate a feed forward learning model through a plurality of hidden layers and one output layer to reconstruct the roasting profile from the first graph and the second graph,
Correcting the roasting profile by applying the output value of the learning model to the heater power of the roasting profile for raising the internal temperature of the roasting machine,
The learning model may include i) a temperature difference between a temperature corresponding to a turning point that is an inflection point of the first graph and a temperature corresponding to a turning point that is an inflection point of the second graph and ii) a turning point that is an inflection point of the first graph. Between the rise time required to rise from the corresponding temperature to a preset target temperature on the roasting profile and the rise time required to rise to the preset target temperature on the roasting profile from the temperature corresponding to the turning point, which is the inflection point of the second graph. Receiving the time difference and outputting the heater power in the output layer through the feed forward method;
Roasting machine.
KR1020170184659A 2017-12-29 2017-12-29 Roasting accuracy determination method and roatrer for performing the method KR101964531B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170184659A KR101964531B1 (en) 2017-12-29 2017-12-29 Roasting accuracy determination method and roatrer for performing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170184659A KR101964531B1 (en) 2017-12-29 2017-12-29 Roasting accuracy determination method and roatrer for performing the method

Publications (1)

Publication Number Publication Date
KR101964531B1 true KR101964531B1 (en) 2019-08-13

Family

ID=67624371

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170184659A KR101964531B1 (en) 2017-12-29 2017-12-29 Roasting accuracy determination method and roatrer for performing the method

Country Status (1)

Country Link
KR (1) KR101964531B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0650559B2 (en) * 1985-04-03 1994-06-29 日産自動車株式会社 Vehicle route guidance device
KR20010027748A (en) * 1999-09-15 2001-04-06 박진우 Method for Measuring of Operation Time
KR20140107850A (en) * 2013-02-28 2014-09-05 주식회사 스트롱홀드테크놀로지 Method for Controlling Coffee beans Roaster based in Temperature Profile
KR20150015850A (en) * 2013-08-01 2015-02-11 서울과학기술대학교 산학협력단 Coffee roaster using a smell sensor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0650559B2 (en) * 1985-04-03 1994-06-29 日産自動車株式会社 Vehicle route guidance device
KR20010027748A (en) * 1999-09-15 2001-04-06 박진우 Method for Measuring of Operation Time
KR20140107850A (en) * 2013-02-28 2014-09-05 주식회사 스트롱홀드테크놀로지 Method for Controlling Coffee beans Roaster based in Temperature Profile
KR20150015850A (en) * 2013-08-01 2015-02-11 서울과학기술대학교 산학협력단 Coffee roaster using a smell sensor

Similar Documents

Publication Publication Date Title
EP3131410B1 (en) Method and apparatus for controlling a cooking process of a food
CN105266566B (en) Cooker, and control method and control apparatus thereof
JP7335430B2 (en) AUTOMATIC MODELING METHOD AND DEVICE FOR TARGET DETECTION MODEL
JP6050559B2 (en) Identification of the initial roasting degree of coffee beans
US11547132B2 (en) Method and cooking apparatus for controlling a food cooking process
CN108345953B (en) Temperature prediction method and device
CN110503314A (en) A kind of freshness appraisal procedure and device, storage medium
KR101964531B1 (en) Roasting accuracy determination method and roatrer for performing the method
CN108571997A (en) A kind of method and apparatus that measured point is steadily contacted in detection probe
CN103890596B (en) Distribution inspection method and distribution testing fixture
CN116648184A (en) Temperature prediction method, device and storage medium
US20230089725A1 (en) Cooking apparatus and controlling method thereof
US10338547B2 (en) System, method and apparatuses for determining parameter settings for a power generation system and a tangible computer readable medium
CN109798550A (en) Kitchen range firepower control method, apparatus and kitchen range
CN110710886A (en) Cooking appliance, control method thereof, control device and computer-readable storage medium
CN105204967B (en) A kind of method and device detecting hard disk
CN115376599A (en) Screening method and device for data retention performance of flash memory chip and electronic equipment
CN111666961B (en) Intelligent household appliance, method and device for identifying food material type of intelligent household appliance and electronic equipment
CN108931946A (en) Method and apparatus, storage medium and the cooking apparatus of display culinary art count down time
CN111737072B (en) Eye pattern testing system and method for hard disk TX signal
TWI715884B (en) Device and method of analyzing transistor and non-transitory computer readable medium
TW201737124A (en) System and method for recommending music
CN110731763A (en) Method and apparatus for determining waveform characteristic information of target pulse waveform
US20230274561A1 (en) Cooking apparatus and control method thereof
CN109975349B (en) Method for measuring semiconductor thermal resistance