KR102100675B1 - 골프화용 깔창 제조 방법 - Google Patents

Abstract

골프화용 깔창 제조 방법이 개시된다. 일실시예에 따른 골프화용 깔창 제조 방법은 인공지능을 기반으로 한 골프화용 깔창 제조 방법에 있어서, 미리 촬영된 사용자의 스윙 영상들을 저장소에 저장하고, 저장된 영상들을 프레임 단위의 사진들로 변환해 제1 입력 신호를 생성하고, 생성된 제1 입력 신호를, 초고속 인터넷망을 통해 블록체인 네트워크 내 미리 학습된 컨벌루션 신경망에 입력하고, 입력에 기초하여, 제1 출력 신호를 획득하고, 획득한 제1 출력 신호에 기초하여, 제1 공정 설비를 제어하고, 제어 결과로 제조된 골프화용 깔창을 사용자에 착장한 후 제어 장치의 관리자가 입력한 수정값에 기초하여, 학습 신호를 생성하고, 학습 신호에 기초하여, 컨벌루션 신경망을 학습시킬 수 있다.

Description

골프화용 깔창 제조 방법{METHOD FOR MANUFACTURING GOLF SHOE INSOLE}

아래 실시예들은 골프화용 깔장 체조 방법에 관한 것이다.

골프화는 골프를 위한 운동화로서 장시간의 라운딩을 위해 발이 편하고, 바닥솔이 단단하도록 설계되는 기능성 운동화라고 할 수 있다. 따라서 통기성 및 무게를 분산시킬 수 있도록 고안된 깔창의 제조는 골프화에 있어 중요한 요소라고 할 수 있다.

일반적으로 골프화용 깔창의 제조는 개별 사용자에 대한 맞춤형이 아닌 기성형으로 생산되며, 맞춤형으로 생산되는 경우도 실제 스윙 동작에서 느껴지는 편안함보다는 일상의 기립 자세에서의 편안함에 초점을 두는 경우가 많다. 더불어 사용자 맞춤형으로 제작되는 경우는 그 제작의 시간이 오래 소요되는 단점이 존재해왔다. 따라서, 빠르고 효율적인 자동화 제작 환경에서 개별 사용자의 요구에 맞출 수 있는 기술의 연구가 요구된다.

KR200434478 KR200435458 KR1020110063601 KR200438351

실시예들은 골프화용 깔창 제조의 방법에 딥러닝 기술을 적용해 정확성과 효율성을 높이고자 한다.

실시예들은 골프화용 깔창 제조의 방법에 대한 제조 오류의 오차를 이용해 계속적인 피드백을 하고자 한다.

실시예들은 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강화된 보안을 사용하고자 한다.

일실시예에 따른 골프화용 깔창 제조 방법은 인공지능을 기반으로 한 골프화용 깔창 제조 방법에 있어서, 미리 촬영된 사용자의 스윙 영상들을 저장소에 저장하는 단계; 저장된 상기 영상들을 프레임 단위의 사진들로 변환해 제1 입력 신호를 생성하는 단계; 상기 생성된 제1 입력 신호를, 초고속 인터넷망을 통해 블록체인 네트워크 내 미리 학습된 컨벌루션 신경망에 입력하는 단계; 상기 입력에 기초하여, 제1 출력 신호를 획득하는 단계; 획득한 제1 출력 신호에 기초하여, 제1 공정 설비를 제어하는 단계; 상기 제어 결과로 제조된 골프화용 깔창을 상기 사용자에 착장한 후 제어 장치의 관리자가 입력한 수정값에 기초하여, 학습 신호를 생성하는 단계; 및 상기 학습 신호에 기초하여, 상기 컨벌루션 신경망을 학습시키는 단계를 포함할 수 있다.

일실시예에 따르면, 제1 공정 설비를 제어하는 단계는 공기홀을 포함한 하부 패드를 제1 공정 설비 내 제1 위치에 위치시키는 단계; 상기 제1 출력 신호에 기초하여, 상기 하부 패드 상단에 상기 제1 공정 설비의 3D 프린터를 제어해 상기 제1 출력 신호 내의 좌표 정보 및 두께 정보에 대응하는 위치 및 높이로 EVA(Ethylene-Vinyl Acetate copolymer)를 축성하는 단계; 상기 축성된 EVA 상단에 상부 패드를 위치시키는 단계; 상기 상부 패드의 위치 결과에 기초하여, 상기 제1 공정 설비의 고온 프레서를 제어해 상기 상부패드, EVA 및 하부패드를 적합시키는 단계; 및 상기 적합의 결과에 기초하여, 상기 상부 패드, EVA 및 하부 패드 결합체를 상기 제1 공정 설비의 다이아몬드 팁을 제어해 표준화된 300mm 사이즈로 재단하는 단계를 포함할 수 있다.

일실시예에 따르면, 상기 블록체인 네트워크는 온라인을 통해 수집한 골프 스윙 영상들 및 무게 중심에 따른 깔창의 제조 정보를 포함하는 데이터 베이스 및 미리 학습된 상기 컨벌루션 신경망을 포함하는 블록들; 각 블록을 시간 순으로 연결하는 체인들; 및 상기 각 블록 및 체인을 저장하는 상기 네트워크 저장장치들을 포함하는 프라이빗 블록체인 네트워크이고, 상기 네트워크 저장장치들은 상기 골프화용 깔창의 재료 제공자를 포함하는 제1 네트워크 저장장치; 상기 골프화용 깔창의 제어 장치 관리자를 포함하는 제2 네트워크 저장장치; 상기 골프화용 깔창의 사용자를 포함하는 제3 네트워크 저장장치; 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망을 포함할 수 있다.

일실시예에 따르면, 상기 데이터 베이스는 발바닥에 압력 센서를 부착한 피실험자들에 의해 수집된 골프 스윙 영상 및 압력 정보; 상기 영상들을 프레임 단위로 구분한 사진 정보; 상기 영상과의 비교를 위해 온라인 상의 빅데이터에서 수집된 상기 골프 스윙 영상들; 상기 피실험자들로부터 수집된 발바닥에 가해지는 압력에 따른 유효 깔창 두께 정보; 및 상기 압력 정보 및 두께 정보의 개별 위치를 상기 표준화된 300mm 사이즈에 비례해 표시하기 위해 X 및 Y 좌표로 표현한 좌표 정보를 포함할 수 있다.

일실시예에 따르면, 상기 컨벌루션 신경망은 상기 촬영된 사용자의 스윙 영상들에 기초하여, 영상들을 프레임 단위 사진들로 변환 및 색 정보-상기 색 정보는 RGB 색상, 채도, 명도를 수치화한 값으로 나타냄-로 인코딩한 제1 입력 신호를 입력으로 하고, 상기 색 정보에 기초하여, 상기 영상 내 스윙 자세에서의 시간대별 발바닥 압력 정보의 크기 및 위치 이동을 상기 컨벌루션 신경망의 특징 추출 신경망과 분류 신경망을 통해 분류하고, 상기 분류에 기초하여, 상기 골프화용 깔창의 부위별 높이를 조절하기 위한 상기 좌표 정보 및 두께 정보를 포함하는 제1 출력 신호를 출력으로 하고, 상기 사용자의 착장 결과에 기초하여, 제어 장치 관리자에 의해 수정해야 할 정보를 포함하여 수동으로 생성된 학습 신호를 통해 학습할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 골프화용 깔창 제조의 방법에 딥러닝 기술을 적용해 정확성과 효율성을 높일 수 있다.

실시예들은 골프화용 깔창 제조의 방법에 대한 제조 오류의 오차를 이용해 계속적인 피드백을 할 수 있다.

실시예들은 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강화된 보안을 사용할 수 있다.

도 1은 일실시예에 따른 골프화용 깔창 제조 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 공정 설비를 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 데이터 베이스를 설명하기 위한 도면이다.
도 5은 일실시예에 따른 컨벌루션 신경망을 설명하기 위한 도면이다.
도 6는 일실시예에 따른 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 골프화용 깔창 제조 방법을 설명하기 위한 순서도이다.

일실시예에 따른 인공지능을 기반으로 한 골프화용 깔창 제조 방법에 있어서, 골프화용 깔창 제조를 위한 제어 장치(이하, 제어 장치)는 미리 촬영된 사용자의 스윙 영상을 저장소에 저장할 수 있다(101). 제어 장치는 골프화용 깔창의 제조를 위한 제어 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.

일실시예에 따르면, 제어 장치는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 전자 장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 전자 장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 전자 장치는 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일실시예에에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

일실시예에 따른 전자 장치는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.

일실시예에 따르면, 사용자는 자신이 촬영한 자신의 스윙 영상을 온라인을 통해 등록할 수 있으며, 최소 3개 이상의 스윙 영상을 업로드 할 경우, 맞춤형 골프화 깔창을 제조할 수 있다. 사용자는 최초 자신의 골프화용 깔창 제조를 의뢰 시, 자신의 스윙 영상을 다양한 각도로 촬영한 영상들을 업로드를 할 수 있다. 업로드 한 영상은 블록체인 네트워크 내 데이터 베이스에 저장될 수 있으며, 컨벌루션 신경망을 통해 사용자 맞춤형 골프화용 깔창의 제조에 사용될 수 있다. 최초 업로드한 사용자의 스윙 영상은 서버를 통해 제조사의 저장 장치에 저장될 수 있다. 저장소는 제조사의 저장장치를 의미할 수 있다. 제조사의 저장장치는 블록체인 네트워크 내 제2 네트워크 저장장치로 구분될 수 있다. 이에 대한 상세한 설명은 도 4를 참조하여 후술한다.

일실시예에 따르면, 제어 장치는 저장된 영상들을 프레임 단위의 사진들로 변환해 제1 입력 신호를 생성할 수 있다(102).

일실시예에 따르면, 제어 장치는 저장된 영상들을 초당 30 내지 60 프레임으로 변환한 프레임 별 사진들을 바탕으로 제1 입력 신호를 생성할 수 있다. 제1 입력 신호는 이렇게 구별한 사진들을 색 정보들로 다시 수치화하여 컨벌루션 신경망에 입력되기에 적절한 규격화된 크기로 인코딩 될 수 있다.

일실시예에 따르면, 제어 장치는 생성된 제1 입력 신호를, 초고속 인터넷망을 통해 블록체인 네트워크 내 미리 학습된 컨벌루션 신경망에 입력할 수 있다(103).

일실시예에 따른 컨벌루션 신경망은 스윙 영상을 바탕으로 무게 중심의 이동 및 이에 따른 발바닥의 압력 변화를 판단할 수 있도록 설계되어 있으며, 골프화용 깔창 제조를 위해 깔창의 두께 조절 방법에 대한 판단을 내릴 수 있다. 이러한 컨벌루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨벌루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨벌루션 계층은 컨벌루션 연산, 컨벌루션 필터 및 활성함수를 포함하고 있다. 컨벌루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조정되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨벌루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 골프화용 깔창의 제조 방법을 위한 컨벌루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨벌루션 신경망의 출력층 노드는 총 100개로 할 수 있다. 분류 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 100개의 출력 중 하나의 출력만을 선택하는 것이 가능하다.

일실시예에 따른 블록체인 네트워크는 데이터 베이스를 저장하는 블록들과 이를 시간순으로 연결하는 체인 등으로 구성되며, 데이터 베이스는 골프화용 깔창의 제조를 위한 스윙 영상들, 압력 정보, 깔창의 두께 정보 및 좌펴 정보 등의 데이터를 저장할 수 있다. 저장된 데이터 베이스는 빅데이터로 관리되며, 블록체인 네트워크는 이 데이터 베이스의 정보를 안전하게 보관하도록 돕고 제한된 사용자들만이 사용할 수 있도록 할 수 있다. 블록체인 네트워크 및 컨벌루션 신경망에 대한 설명은 도 3, 도 4 및 도 5를 참조하여 후술한다.

일실시예에 따르면, 제어 장치는 입력에 기초하여, 제1 출력 신호를 획득할 수 있다(104). 제어 장치는 획득한 제1 출력 신호에 기초하여, 제1 공정 설비를 제어할 수 있다(105).

일실시예에 따르면, 컨벌루션 신경망은 100개의 출력을 가질 수 있는데, 각각은 스윙 영상을 바탕으로 한 골프화용 깔창 제조를 위한 좌표 정보 및 두께 정보를 포함할 수 있다. 제1 공정 설비는 골프화용 깔창을 제조하기 위한 실질적인 작업이 이뤄지는 공정 설비 장치로서, 골프화용 깔창의 각 층별 제조를 진행하고 3D 프린터를 활용해 개별 맞춤형 깔창의 제조를 용이하게 할 수 있다. 제1 공정 설비에 관한 자세한 설명은 도 2를 참조하여 후술한다.

일실시예에 따르면, 제어 장치는 제1 공정 설비의 제어 결과로 제조된 골프화용 깔창을 사용자에 착장한 후 제어 장치의 관리자가 입력한 수정값에 기초하여, 학습 신호를 생성할 수 있다(106). 제어 장치는 학습 신호에 기초하여, 컨벌루션 신경망을 학습시킬 수 있다(107).

일실시예에 따르면, 제어 장치는 제1 공정 설비의 제어 결과로 제조된 골프화용 깔창을 제어 장치의 관리자 혹은 골프화용 깔창의 제조자가 사용자에게 착장을 한 후, 그 결과를 입력하면 그 입력값에 기초하여 학습 신호를 생성할 수 있다. 만약 관리자 혹은 제조자가 이러한 피드백을 기입하지 않을 경우, 컨벌루션 신경망은 기 제조된 깔창에 대한 신뢰수준을 높이는 방향으로 학습을 진행할 수 있다.

일실시예에 따른 제어 장치는 골프화용 깔창 제조의 방법에 딥러닝 기술을 적용해 정확성과 효율성을 높일 수 있다.

도 2는 일실시예에 따른 공정 설비를 설명하기 위한 순서도이다.

일실시예에 따르면, 제어 장치는 제1 공정 설비를 제어하는 과정에서 공기홀을 포함한 하부 패드를 제1 공정 설비 내 제1 위치에 위치시킬 수 있다(201).

일실시예에 따르면, 하부 패드는 골프화용 깔창의 최하부에 들어가는 패드로서, 기본적인 압력 전달 및 통기성에 중요한 역할을 수행할 수 있다. 하부패드에 포함한 공기홀은 통기성에 매우 밀접한 상관관계를 가질 수 있으며, 하중의 분산 및 충격 흡수에도 보조적인 기능을 수행할 수 있다.

일실시예에 따르면, 제1 위치는 제1 공정 설비 내에 위치하며, 가로 50cm 및 세로 50cm의 공간일 수 있으나, 경우에 따라 그 이상 또는 그 이하일 수 있다. 하부패드를 비롯한 각종 골프화용 깔창용 재료들은 제1 위치 내에 위치하기 적합한 사이즈로 제작되어 있으며, 필요에 따라 재단을 거친 후 제1 위치에 위치할 수 있다.

일실시예에 따르면, 제어 장치는 제1 출력 신호에 기초하여, 하부 패드 상단에 제1 공정 설비의 3D 프린터를 제어해 제1 출력 신호 내의 좌표 정보 및 두께 정보에 대응하는 위치 및 높이로 EVA를 축성할 수 있다(202).

일실시예에 따른 3D 프린터는 입체의 형태를 만드는 방식에 따라 적층형, 절삭형으로 크게 구분할 수 있는데, 골프화용 깔창을 제조하는 방법에 있어서는 일반적으로 적층형을 사용할 수 있다. 적층형은 보통 파우더나 플리스틱 액체 또는 플라스틱 실을 종이보다 얇은 0.01~0.08mm의 층으로 쌓아 입체 형태를 만드는 방식을 의미한다. 골프화용 깔창 제조 방법에 있어서 3D 프린터는 제1 출력 신호 내의 좌표 정보 및 두께 정보를 바탕으로 설계된 설계도에 따라 에틸렌과 초산 비닐 모노머를 공중합시켜 만드는 EVA 중합체를 적층형으로 쌓아갈 수 있다. 일반적으로 EVA는 샌달이나 구두창 등의 발포성형품으로 사용될 수 있는데, 골프화용 깔창의 제조에서는 깔창의 충격 흡수를 대부분 담당하는 역할을 수행하도록 설계될 수 있다.

일실시예에 따르면, 좌표 정보는 2차원 좌표 정보를 나타내는 값으로 제1 위치를 기준으로 X 및 Y좌표의 값으로 표현할 수 있다. 두께 정보는 각 위치에 대응하는 3차원 Z좌표 값으로 표현될 수 있는데, 각 값은 EVA가 쌓이게 될 두께에 대한 정보를 표현한 것으로 해석할 수 있다.

일실시예에 따르면, 제어 장치는 축성된 EVA 상단에 상부 패드를 위치시킬 수 있다(203).

일실시예에 따른 상부 패드는 하부 패드와 동일한 재질일 수 있으며, 경우에 따라 더 높은 생체적합성을 지닌 재료로 대체될 수 있다. 상부 패드의 주된 역할은 발바닥에서 발생하는 땀의 흡수, 통기성, 발열도 및 기본적인 충격 흡수 역할일 수 있다. 상부 패드는 EVA 상단에 놓일 수 있으나, 그 크기 및 위치는 하부 패드와 동일할 수 있다.

일실시예에 따르면, 제어 장치는 상부 패드의 위치 결과에 기초하여, 제1 공정 설비의 고온 프레서를 제어해 상기 상부패드, EVA 및 하부패드를 적합시킬 수 있다(204).

일실시예에 따른 고온 프레서는 골프화용 깔창의 각 부위에 고른 압력을 제공하기 위하여, 고온 고압의 공기로 순간적으로 눌러주는 동작을 수행하도록 하여 고르게 각 재료들이 접합되도록 할 수 있다. 각 부위의 접착은 3D 프린터를 이용한 EVA 축성 시, 가장 하부와 가장 상부 층에 고농도 EVA를 사용함으로써 접착 효과를 내도록 할 수 있다.

일실시예에 따르면, 제어 장치는 적합의 결과에 기초하여, 상부 패드, EVA 및 하부 패드 결합체를 제1 공정 설비의 다이아몬드 팁을 제어해 표준화된 300mm 사이즈로 재단할 수 있다(205).

일실시예에 따른 다이아몬드 팁은 공업용 다이아몬드를 연마하여 만든 절삭날로서, 경우에 따라 금속을 덧대 만들어지는 골프화용 깔창의 제조를 위해 고안된 장비일 수 있다. 경우에 따라 다이아몬드 팁을 대신해 레이저 절삭 기구를 사용할 수 있으나, 이에 국한하지 않는다. 다이아몬드 팁은 절삭날의 수명이 길고, 매우 날카로우며 강도가 높아 평탄한 절단면을 생성하는데 도움을 줄 수 있다.

일실시예에 따르면, 표준화된 300mm는 남성 사용자의 경우를 기준으로 한 값으로, 여성 사용자의 경우 이보다 작은 표준화된 값을 가질 수 있다. 표준화된 300mm 깔창은 사용자의 발 크기에 따라 잘라서 사용할 수 있도록 고안된 형태일 수 있다. 표준화된 300mm는 발볼의 너비를 평균화된 값으로 고정한 체계이며, 경우에 따라 변환된 발볼의 너비를 적용할 수 있다.

도 3은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.

도 3을 참조하면, 온라인을 통해 수집한 골프 스윙 영상들 및 무게 중심에 따른 깔창의 제조 정보를 포함하는 데이터 베이스 및 미리 학습된 컨벌루션 신경망을 포함하는 데이터 베이스 및 미리 학습된 컨벌루션 신경망을 포함하는 블록(301)들; 각 블록(301)을 시간 순으로 연결하는 체인(302)들; 및 각 블록체인을 저장하는 제1(310), 제2(320), 제3 네트워크 저장장치(330)를 포함하는 프라이빗 블록체인 네트워크일 수 있다.

일실시예에 따르면, 블록체인 네트워크의 블록(301)은 온라인을 통해 수집한 골프 스윙 영상들 및 무게 중심에 따른 깔창의 제조 정보를 포함하는 데이터 베이스와 이를 다루는 미리 학습된 컨벌루션 신경망을 포함할 수 있다. 각 블록(301)들은 일반적으로 시간 순으로 연결이 되며, 이에 따라 10분 간격으로 새로운 블록(301)들이 생산될 수 있다. 이미 생성된 블록(301)의 내용들은 모든 네트워크 저장장치들에 저장되며, 시간 내에 과반수의 내용이 변경되지 않는 한 변경될 수 없는 구조로 되어있다. 예를 들어, 총 3개의 네트워크 저장장치를 가진 블록체인 네트워크에서 각 네트워크 저장장치 당 1개씩의 블록(301)을 가지고 있다고 했을 때, 제한된 시간 내에 2개 이상의 블록(301)의 내용을 바꾸지 못하면, 각 블록(301)은 검증을 통해 과반수와 다른 내용의 블록(301)을 과반수와 같도록 값을 재변경 시킬 수 있다. 이에 따라 높은 보안을 유지할 수 있는데, 실제로 블록체인 네트워크에 참여하는 네트워크 저장장치의 수는 수십에서 수십만에 달할 수 있기 때문에 더욱 높은 보안성을 나타낼 수 있다.

일실시예에 따른 체인(302)들은 해시값으로 구성될 수 있다. 체인(302)들은 블록(301)을 시간 순으로 연속되도록 하는데, 이 때 해시값을 이용해 각 블록(301)들이 연결되게 할 수 있다. 블록(301)에는 데이터 베이스 및 데이터 베이스의 해시값, 이전 헤더 및 현 블록의 헤더를 보관할 수 있다. 여기서 현 블록의 헤더는 다음 블록에서 이전 헤더의 기능을 하게 되어 각 블록(301)들은 유기적으로 연결될 수 있다. 더불어 해시값은 블록의 내용이 조금이라도 바뀌면 완전히 다른 형태로 변형이 되는데, 이 때문에 데이터 베이스의 내용을 변경하려는 시도를 효과적으로 막을 수 있다. 현 블록의 헤더는 데이터 베이스, 데이터 베이스의 해시값 및 이전 헤더를 포함한 총 합의 해시값이 되기 때문에, 데이터 베이스와 해시값을 효과적으로 수정해 보안을 해치려는 시도도 성공하기 어렵게 된다. 왜냐하면 데이터 베이스와 해시값을 수정하는 순간, 헤더의 내용도 바뀌게 되고 이에 따라 다음 블록에 들어가는 이전 헤더도 바뀌게 되며, 이에 따라 그 블록의 헤더도 바뀌어 다음 블록의 이전 헤더를 다시 바꾸게 될 수 있다. 즉, 이후의 모든 블록(301)을 해킹해야만 하게 된다. 따라서, 해시값을 통한 체인(302)으로 블록체인의 보안을 높일 수 있다. 제어 장치는 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강화된 보안을 사용할 수 있다.

일실시예에 따르면, 네트워크 저장장치들은 골프화용 깔창의 재료 제공자를 포함하는 제1 네트워크 저장장치(310); 골프화용 깔창의 제어 장치 관리자를 포함하는 제2 네트워크 저장장치(320); 골프화용 깔창의 사용자를 포함하는 제3 네트워크 저장장치(330); 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망(303)을 포함할 수 있다. 제1, 제2 및 제3으로 분류된 네트워크 저장장치들은 포함된 실무자의 수, 사용자의 수 및 그 저장 장치의 수에 따라 그 수가 결정될 수 있다.

일실시예에 따르면, 제1 네트워크 저장장치(310)는 골프화용 깔창의 재료 제공자를 포함할 수 있으며, 골프화용 깔창의 재료 제공자들은 1개 업체 혹은 그 이상일 수 있다. 제1 네트워크 저장장치(310)의 수는 각 업체가 사용하는 저장 장치의 수에 따라 그 수가 결정 될 수 있다. 제1 네트워크 저장장치(310)의 골프화용 깔창 재료 제공자들은 블록체인 네트워크의 데이터 베이스 및 컨벌루션 신경망을 바탕으로 오류가 잦은 재료의 교환 및 더 나은 재료의 개발 시 데이터 베이스에 업로드하는 방식으로 업데이트를 제공할 수 있다.

일실시예에 따르면, 제2 네트워크 저장장치(320)는 골프화용 깔창의 제어 장치 관리자를 포함할 수 있다. 제2 네트워크 저장장치(320)는 골프화용 깔창의 제어 장치를 사용하는 업체 및 그 사용자의 수에 따라 그 수가 결정될 수 있다. 제2 네트워크 저장장치(320)는 골프화용 깔창의 제어 장치를 사용하는 실 사용자로서, 관리자 혹은 골프화용 깔창의 제조자로 부를 수 있다. 제2 네트워크 저장장치(320)의 제어 장치 관리자들은 실 사용 중에 발생하는 오류들에 대한 정보를 관리자들이 수동으로 입력함으로써 컨벌루션 신경망의 학습을 용이하게 할 수 있다.

일실시예에 따르면, 제3 네트워크 저장장치(330)는 골프화용 깔창의 사용자를 포함할 수 있다. 제3 네트워크 저장장치(330)의 사용자는 자신이 제조 주문한 깔창의 주문 체결 시 제3 네트워크 저장장치(330) 사용자로서 승인을 받을 수 있으며, 자신이 주문한 깔창의 현재 상황에 대한 업데이트 정보를 블록체인 네트워크를 통해 확인할 수 있다.

일실시예에 따른 초고속 인터넷 연결망(303)은 통상적으로 10Mb/s 이상의 속도를 보이는 인터넷 연결망을 의미하는데, 유선, 무선, 광케이블 기술 등을 포함하는 연결망으로 LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않는다.

도 4는 일실시예에 따른 데이터 베이스를 설명하기 위한 도면이다.

도 4를 참조하면, 데이터 베이스는 발바닥에 압력 센서를 부착한 피실험자들로부터 수집된 골프 스윙 영상(401) 및 압력 정보(402); 피실험자들로부터 수집된 영상과의 비교를 위해 온라인 상의 빅데이터에서 수집 골프 스윙 영상들(403); 영상들을 프레임 단위로 구분한 사진 정보(404); 피실험자들로부터 수집된 발바닥에 가해지는 압력에 따른 유효 깔창 두께 정보(405); 및 압력 정보 및 두께 정보의 개별 위치를 표준화된 300mm 사이즈에 비례해 표시하기 위해 X 및 Y 좌표로 표현한 좌표 정보(406)를 포함할 수 있다.

일실시예에 따른 피실험자들은 프로 골프 선수 및 아마추어 골프 선수를 포함할 수 있으며, 다양한 경우의 수를 위해 골프 초심자들이 다수 포함될 수 있다. 피실험자들의 수는 최소 100명 이상으로 하며, 경우에 따라 그 이상일 수 있다. 발바닥에 부착한 압력 센서는 측정 결과를 전기신호로 변환하여 출력하는 압력계를 의미할 수 있다. 압력은 단위면적당 힘으로 표현하며, 크기와 방향을 가진 값이기 때문에 벡터로 표현될 수 있다. 따라서, 압력 정보(402)는 매트릭스 형태로 저장된 벡터 값일 수 있다.

일실시예에 따른 빅데이터로부터 수집된 골프 스윙 영상들(403)은 피실험자들을 통해 얻은 골프 스윙 영상(401)과의 비교를 위해 수집될 수 있다. 빅데이터로부터 수집된 스윙 영상들(403)은 피실험자들로부터 수집된 골프 스윙 영상(401)과의 비교를 통해 각 영상과의 유사도를 확인할 수 있는데, 유사도가 큰 영상의 압력 정보를 택하는 방식이 아니라, 그 유사도에 따른 비율을 바탕으로 실제 압력 정보를 비율에 맞게 조합한 벡터합으로 각 영상에 맞는 압력 정보를 얻을 수 있다.

일실시예에 따른 사진 정보(404)는 빅데이터로부터 수집된 스윙 영상들(403)을 초당 30 내지 60 프레임의 영상으로 인코딩한 후, 각 프레임을 사진으로 추출하는 작업을 통해 얻을 수 있다. 각 사진 정보(404)는 색 정보로 변환되어 기록될 수 있는데, 이에 대한 자세한 설명은 도 5를 참조하여 후술한다.

일실시예에 따른 유효 깔창 두께 정보(405)는 스윙으로만 나타나는 압력 정보뿐 아니라 실제 피실험자들이 일상적으로 걷는 동작을 할 때 느껴지는 불편감까지 포함하여 두께를 결정하기 위한 지침일 수 있다. 유효 깔창 두께 정보(405)는 피실험자들을 기준으로 그 값이 결정될 수 있으며, 향후 맞춤 제조를 의뢰한 사용자의 착장 결과에 따른 학습 신호로부터 그 값이 지속적으로 업데이트될 수 있다.

일실시예에 따른 좌표 정보(406)는 제1 공정 설비 내 제1 위치의 크기를 모두 포함하여, X 및 Y축을 따라 1mm 단위로 구분한 좌표로서 골프화용 깔창의 부위별 두께를 조절하는 데에 있어, 그 부위를 결정하도록 하는 수치일 수 있다. X 및 Y좌표는 제1 위치를 기준으로 모든 값을 포함하나, 실제로 사용하는 값은 좌우측 발의 표준화된 300mm 사이즈 이내에서 일 수 있다. 두께 정보는 여기에 Z좌표 값으로 기록된 값을 통해 부위별 깔창이 축성될 높이를 결정하도록 할 수 있다.

도 5은 일실시예에 따른 컨벌루션 신경망을 설명하기 위한 도면이다.

도 5를 참조하면, 블록체인 네트워크 내 블록들은 미리 학습된 컨벌루션 신경망(510) 및 데이터 베이스(520)를 포함할 수 있으며, 제1 입력 신호(501)를 입력으로 하고, 제1 출력 신호(502)를 출력으로 하며, 학습 신호(503)를 통해 학습할 수 있다.

일실시예에 따르면, 컨벌루션 신경망(510)의 입력이 되는 제1 입력 신호(501)는 촬영된 사용자의 스윙 영상들에 기초하여, 영상들을 프레임 단위 사진들로 변환 및 색 정보로 인코딩하여 생성될 수 있다. 색 정보는 RGB 색상, 채도, 명도를 수치화한 값으로 나타낼 수 있다. 제1 입력 신호(501)는 색 정보의 각 값들을 바탕으로 골프 스윙 하는 대상 사용자를 구별해 스윙 동작을 확인할 수 있는 정보를 제공할 수 있으며, 사용자의 자세를 확인할 수 있도록 할 수 있다. 제1 입력 신호(501)가 포함하는 색 정보들은 컨벌루션 신경망(510)을 통해 깔창 제조를 위한 정보의 분류가 이뤄지도록 할 수 있다.

일실시예에 따르면, 컨벌루션 신경망(510)은 제1 입력 신호 내의 색 정보에 기초하여, 상기 영상 내 스윙 자세에서의 시간대별 발바닥 압력 정보의 크기 및 위치 이동을 상기 컨벌루션 신경망의 특징 추출 신경망과 분류 신경망을 통해 분류할 수 있다. 특징 추출 신경망은 입력 신호를 컨벌루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨벌루션 계층은 컨벌루션 연산, 컨벌루션 필터 및 활성함수를 포함하고 있다. 컨벌루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조정되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨벌루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행될 수 있다. 분류 신경망은 은닉층과 출력층을 가지고 있다. 골프화용 깔창의 제조 방법을 위한 컨벌루션 신경망(510)에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨벌루션 신경망(510)의 출력층 노드는 총 100개로 할 수 있다. 분류 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 100개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있다. 100개의 출력은 깔창의 제조를 위한 좌표 정보 및 두께 정보를 보여주며, 이에 대한 다양한 정보는 데이터 베이스(520) 상에 저장돼있을 수 있다.

일실시예에 따르면, 컨벌루션 신경망(510)의 출력이 되는 제1 출력 신호(502)는 컨벌루션 신경망의 분류에 기초하여, 골프화용 깔창의 부위별 높이를 조절하기 위한 좌표 정보 및 두께 정보를 포함할 수 있다. 제1 출력 신호(502)는 좌표 정보 및 두께 정보의 조합을 보여줄 수 있는데, 여기서 조합의 분류는 일반적으로 데이터 베이스(520) 상에 저장된 정보에 기초할 수 있다. 데이터 베이스(520) 상에 저장된 데이터들은 컨벌루션 신경망(510)의 학습 과정에 따라 그 데이터의 수가 증가 혹은 감소할 수 있는데, 이에 따른 출력 노드의 수도 100개 이상 혹은 이하로 변경될 수 있다.

일실시예에 따르면, 컨벌루션 신경망(510)의 학습을 위한 학습 신호(503)는 사용자의 착장 결과에 기초하여, 제어 장치 관리자에 의해 수정해야 할 정보를 포함하여 수동으로 생성될 수 있다. 제어 장치 관리자는 학습 신호 생성의 필요에 대한 판단을 바탕으로 수정해야 할 정보를 수동으로 입력할 수 있으며, 이를 통해 학습 신호(503)의 종류에 따라 데이터 베이스 정보의 강화 혹은 약화가 이뤄질 수 있다.

일실시예에 따른 학습 신호(503)는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 학습 신호에 의해 컨벌루션 신경망(510)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

일실시예에 따르면, 컨벌루션 신경망(510)은 학습 신호(503)를 바탕으로 데이터 베이스(520) 내의 골프화용 깔창 제조를 위한 좌표 정보 및 두께 정보를 수정하기 위한 학습을 할 수 있다. 미리 학습된 컨벌루션 신경망(510)은 3개 이상의 은닉층을 가지고 있으며, 각 은닉층은 50개 이상의 은닉 노드를 가질 수 있다. 각 은닉 노드의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수를 사용할 수 있으나, 이에 국한되지 않는다. 출력 노드의 함수는 one-hot 인코딩 기법을 활용한 소프트맥스 함수를 사용할 수 있다. 출력은 One-hot 인코딩 기법에 따라 하나의 분류만을 선택하며, 선택된 분류로부터 명령을 수행하도록 할 수 있다.

일실시예에 따르면, 데이터 베이스(520)는 정보들을 빅데이터로 저장할 수 있으며, 블록체인 네트워크와 연결된 초고속 인터넷 연결망을 통해 지속적으로 업데이트될 수 있다.

일실시예에 따른 제어 장치는 골프화용 깔창 제조의 방법에 대한 제조 오류의 오차를 이용해 계속적인 피드백을 할 수 있다.

도 6은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(1201)는 프로세서(1202) 및 메모리(1203)를 포함한다. 일실시예에 따른 장치(1201)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 5를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1203)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1203)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

일실시예에 따르면, 프로세서(1202)는 프로그램을 실행하고, 장치(1201)를 제어할 수 있다. 프로세서(1202)에 의하여 실행되는 프로그램의 코드는 메모리(1203)에 저장될 수 있다. 장치(1201)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (5)

1. 인공지능을 기반으로 한 골프화용 깔창 제조 방법에 있어서,
   프로세서에서, 미리 촬영된 사용자의 스윙 영상들을 저장소에 저장하는 단계;
   상기 프로세서에서, 저장된 상기 스윙 영상들을 프레임 단위의 사진들로 변환하여 색 정보-상기 색 정보는 RGB 색상, 채도, 명도를 수치화한 값으로 나타냄-로 인코딩한 제1 입력 신호를 생성하는 단계;
   상기 프로세서에서, 상기 생성된 제1 입력 신호를, 인터넷망을 통해 블록체인 네트워크 내 컨볼루션 신경망-상기 컨볼루션 신경망은 제2 사용자들의 제2 스윙 영상들을 인코딩하여 생성된 제2 색 정보들 및 상기 제2 스윙 영상들 내 제2 스윙 자세들에서의 시간대별 발바닥 압력 정보의 제2 크기들 및 제2 위치 이동들을 포함하는 제2 입력 신호들; 상기 제2 사용자들의 골프화용 깔창들의 부위별 높이를 조절하기 위한 제2 좌표 정보들 및 제2 두께 정보들을 포함하는 제2 출력 신호들; 및 상기 제2 사용자들의 착장 결과들 및 상기 제2 출력 신호들에 포함된 제2 좌표 정보들 및 제2 두께 정보들에 기초하여 생성된 학습 신호들에 의해 미리 학습됨-에 입력하는 단계;
   상기 프로세서에서, 상기 컨볼루션 신경망에 입력된 상기 제1 입력 신호에 기초하여, 제1 출력 신호를 획득하는 단계;
   상기 프로세서에서, 상기 획득된 제1 출력 신호에 기초하여, 제1 공정 설비를 제어하는 단계;
   상기 프로세서에서, 상기 제어 결과로 제조된 골프화용 깔창을 상기 사용자에 착장한 후 제어 장치의 관리자가 입력한 수정값에 기초하여, 학습 신호를 생성하는 단계; 및
   상기 프로세서에서, 상기 학습 신호에 기초하여, 상기 컨볼루션 신경망을 학습시키는 단계
   를 포함하고,
   상기 제1 출력 신호를 획득하는 단계는
   상기 색 정보로 인코딩된 상기 제1 입력 신호에 기초하여, 상기 컨볼루션 신경망을 통해 상기 스윙 영상들 내 스윙 자세에서의 시간대별 발바닥 압력 정보의 크기 및 위치 이동을 분류하는 단계; 및
   상기 분류된 상기 시간대별 발바닥 압력 정보의 크기 및 위치 이동에 기초하여, 상기 컨볼루션 신경망을 통해 상기 골프화용 깔창의 부위별 높이를 조절하기 위한 좌표 정보 및 두께 정보를 포함하는 상기 제1 출력 신호를 획득하는 단계
   를 포함하는,
   골프화용 깔창 제조 방법.
   
   
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제

Images