KR102157611B1

KR102157611B1 - 인공지능 조리 기기

Info

Publication number: KR102157611B1
Application number: KR1020190098468A
Authority: KR
Inventors: 허진영; 김정태; 장태원
Original assignee: 엘지전자 주식회사
Priority date: 2019-08-12
Filing date: 2019-08-12
Publication date: 2020-09-18
Also published as: KR20190101334A; US20200018551A1

Abstract

인공지능 조리기기가 개시된다. 본 발명의 실시 예에 따른 인공지능 조리기기는, 하나 이상의 식재료를 촬영하고 상기 하나 이상의 식재료의 거리를 감지하는 센싱부, 및, 상기 하나 이상의 식재료를 촬영한 영상 및 상기 거리를 인공지능 모델에 제공함으로써 상기 하나 이상의 식재료의 무게를 획득하고, 상기 하나 이상의 식재료의 종류 및 상기 하나 이상의 식재료의 무게에 기초하여 설정된 조리 코스로 조리를 수행하는 프로세서를 포함하고, 상기 인공지능 모델은, 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크이다.

Description

인공지능 조리 기기 {ARTIFICIAL INTELLIGENCE COOKING APPLIANCE}

본 발명은, 영상을 촬영하여 식재료의 무게를 결정하고, 결정된 무게에 따라 조리 코스를 설정할 수 있는 인공지능 조리기기에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.

한편 오븐, 전자 레인지 등은 식재료에 따라 조리 온도, 조리 시간 등의 조리 코스를 설정하고, 설정된 조리 코스에 따라 음식물을 조리한다.

한편 같은 종류의 식재료라도 크기는 상이할 수 있으며, 식재료의 크기가 달라짐에 따라 조리 온도나 조리 시간이 달라질 수 있다. 예를 들어 작은 닭은 오븐에서 30분을 가열하면 완전히 익을 수 있으나, 큰 닭은 오분에서 50분을 가열해야 완전히 익을 수 있다.

종래에는 사용자가 시간을 직접 입력하는 방식으로 조리 시간이 설정되었다. 다만 이러한 방식은 사용자가 식재료의 크기에 따른 조리 시간(또는 조리 온도)을 알고 있어야 가능한 것이기 때문에 사용자에게 불편함을 야기할 수 있었으며, 또한 잘못된 조리 시간(또는 조리 온도)를 입력하여 조리가 제대로 되지 않는 문제가 발생하였다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 영상을 촬영하여 식재료의 무게를 결정하고, 결정된 무게에 따라 조리 코스를 설정할 수 있는 인공지능 조리기기를 제공하기 위함이다.

본 발명의 일 실시 예에 따른 인공지능 조리 기기는, 하나 이상의 식재료를 촬영하고 상기 하나 이상의 식재료의 거리를 감지하는 센싱부, 및, 상기 하나 이상의 식재료를 촬영한 영상 및 상기 거리를 인공지능 모델에 제공함으로써 상기 하나 이상의 식재료의 무게를 획득하고, 상기 하나 이상의 식재료의 종류 및 상기 하나 이상의 식재료의 무게에 기초하여 설정된 조리 코스로 조리를 수행하는 프로세서를 포함하고, 상기 인공지능 모델은, 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크이다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4 내지 도 6은 본 발명의 실시 예에 따른 인공지능 조리 기기를 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른, 인공지능 모델의 생성 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른, 식재료를 촬영하고 식재료의 거리를 감지하는 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 실시 예에 따른, 식재료의 무게를 획득하고 식재료의 무게에 기초하여 조리 코스를 설정하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 복수의 식재료가 촬영된 경우 조리 코스를 설정하는 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른, 제1 식재료 및 제2 식재료의 비율을 조절하는 방법을 설명하기 위한 도면이다.
도 13은 본 발명의 실시 예에 따른, 제1 식재료 및 제2 식재료의 총 열량을 산출하는 방법을 설명하기 위한 도면이다.
도 14는 본 발명의 실시 예에 따른 조리 코스를 수정하는 방법을 설명하기 위한 도면이다.
도 15는 본 발명의 실시 예에 따른 냉장고와의 연동 운전을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

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

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4 내지 도 6은 본 발명의 실시 예에 따른 인공지능 조리 기기를 설명하기 위한 도면이다.

이하에서는 오븐의 예를 들어 인공지능 조리기기를 설명한다.

일반적으로, 오븐은 소정의 공간에 배치된 음식물을 가열하여 조리하는 기기이다. 상기 오븐은 그 열원에 따라 전기식, 가스식, 전자식 등으로 구분될 수 있다. 예를 들어, 전기오븐은 전기히터를 열원으로 이용하고, 가스오븐은 가스에 의한 열을 열원으로 이용하며, 전자오븐(전자레인지)는 고주파로 인한 물분자의 마찰열을 열원으로 이용하고 있다.

도 4는 본 발명의 일 실시 예에 따른 오븐을 도시한 도면이고, 도 5는 본 발명의 일 실시 예에 따른 오븐의 도어 개방을 도시한 도면이다.

도 4 내지 도 5에 도시된 바와 같이, 본 발명의 사상에 따른 오븐(1)에는, 외관을 형성하는 케이스(10) 및 상기 케이스(10)의 일 면에 부착되는 도어(20)가 포함된다.

상기 케이스(10)는 내부공간을 갖는 형상으로 마련되고, 전방이 개방된다. 상기 케이스(10)는 소정의 박스형상으로 형성될 수 있으며, 외측에 사용자에 제공되는 전원부(14), 입력부(15) 및 디스플레이부(16)가 구비된다.

상기 전원부(14)는 사용자가 상기 오븐(1)의 전원을 ON/OFF 할 수 있는 다양한 형상으로 마련된다. 또한, 상기 입력부(15)는 사용자가 각종 모드, 온도 및 시간 등을 선택할 수 있도록 복수의 버튼으로 마련된다.

상기 디스플레이부(16)는 사용자가 상기 오븐(1)의 상태를 판단할 수 있도록 소정의 정보를 가시화하는 구성으로 이해될 수 있다. 특히, 상기 디플레이부(16)는 상기 전원부(14)와 함께 ON/OFF 될 수 있으며, 소정의 패널 형태로 구비될 수 있다. 이와 같은 디스플레이부(16)에 대해서는 자세하게 후술한다.

상기 케이스(10)의 내부에는, 음식물이 수용되는 조리실(11)이 형성된다. 상기 조리실(11)의 내부에는 음식물을 올려두기 위한 그릴(12)이 구비될 수 있다. 또한, 상기 조리실(11)의 내측벽에는, 상기 그릴(12)이 착탈가능하게 설치되도록, 그릴장착부(13)가 구비될 수 있다. 상기 그릴(12) 및 상기 그릴장착부(13)는 다양한 개수 및 형상으로 구비될 수 있다.

또한, 상기 케이스(10)의 내부 및 상기 조리실(11)의 외측에는 가열부(17), 팬(18) 및 상기 팬(18)에 구동력을 제공하는 팬모터(19)가 배치된다. 상기 가열부(17)는 상기 조리실(11) 내를 가열하며, 상기 팬(18)은 상기 조리실(11) 내부 공기를 유동시키는 구성으로 이해된다.

상기 가열부(17)는 전기의 입력에 의해 열을 발산하는 전기히터로 구비될 수 있으며, 상기 케이스(10)의 일 측에 설치될 수 있다. 또한, 상기 가열부(17)는 상기 팬(18)의 일 측에 설치되어 상기 팬(18)과 일체로 구성될 수 있다. 상기 팬(18)은 상기 팬모터(19)로부터 구동력을 전달받아 상기 조리실(11) 내에 상기 가열부(17)에 의해 가열된 공기를 유동시킨다.

즉, 상기 가열부(17) 및 상기 팬(18)은 상기 조리실(11) 내부의 음식물을 조리하는 구성으로 이해되며, 도면에서 도시한 형상은 예시적인 것으로 다양하게 구비될 수 있다. 또한, 본 발명의 사상에 따른 오븐(1)은 전기를 열원으로 하는 전기식 오븐에 한정되지 않고, 가스식, 전자식 등 다양한 열원으로 음식물을 조리할 수 있다.

상기 도어(20)는 상기 케이스(10)의 개방된 전면에 상기 조리실(11)을 개폐하도록 배치된다. 즉, 상기 도어(20)에 의해 상기 조리실(11)이 개폐될 수 있다. 설명의 편의상, 상기 도어(20)의 설치구조 및 잠금장치 등에 관한 구성은 생략하고 도시하였다.

도 5에 도시된 바와 같이, 상기 도어(20)는 상기 케이스(10)의 전면에 전방으로 회동가능하게 설치된다. 또한, 상기 도어(20)에는 사용자가 파지하여 회동시킬 수 있는 손잡이(21)가 구비될 수 있다.

또한, 본 발명의 사상에 따른 오븐(1)에는, 상기 조리실(11) 내부 상태를 감지할 수 있는 소정의 감지부가 구비될 수 있다. 상기 감지부에는, 상기 조리실(11) 내부를 촬영할 수 있는 카메라(32)가 구비될 수 있다. 상기 카메라(32)는 상기 조리실(11)의 일 측에 배치되어 상기 조리실(11) 내부의 영상을 제공할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 오븐의 제어구성을 도시한 도면이다.

본 발명의 사상에 따른 오븐(1)에는 상기의 구성을 제어하는 프로세서(50)가 구비된다.

사용자는 상기 전원부(14) 및 상기 입력부(15)를 이용하여 상기 프로세서 (50)에 소정의 명령을 전달할 수 있다. 이때, 상기 전원부(14) 및 상기 입력부(15)는 앞서 설명한 바와 같이 상기 케이스(11)의 외측에 구비되거나, 사용자의 모바일기기(60)에 구비될 수 있다.

예를 들어, 상기 프로세서(50)와 상기 모바일기기(60)는 블루투스 등으로 연결되어 소정의 정보를 주고 받을 수 있다. 즉, 사용자는 원거리에서 상기 오븐(1)을 제어하는 명령을 입력할 수 있다. 예를 들어, 사용자는 모바일기기(60)를 이용하여 상기 오븐(1)을 예열시키고, 예열이 완료된 후 상기 오븐(1)에 접근하여 음식물을 투입할 수 있다.

또한, 상기 프로세서(50)는 소정의 감지부에 의해 감지된 정보를 전달받을 수 있다. 상기 감지부에는 앞서 설명한 카메라(32)와 상기 조리실(11) 내부의 온도를 측정하는 온도센서(30) 등이 포함될 수 있다. 자세하게는, 상기 카메라(32)는 상기 조리실(11) 내부를 촬영하여 생성된 영상을 상기 프로세서 (50)에 전달하고, 상기 온도센서(30)는 상기 조리실(11) 내부 온도정보를 상기 프로세서(50)에 전달할 수 있다.

또한, 상기 프로세서(50)에는 소정의 시간을 측정하는 타이머(52)가 구비될 수 있다. 예를 들어, 상기 프로세서(50)는 조리가 시작될 때 상기 타이머(52)에 명령을 전달하여 조리시간을 측정하거나, 예약시간에 맞추어 상기 오븐(1)의 전원을 ON 할 수 있다.

상기 프로세서(50)는 상기 가열부(17)를 가동시키고, 상기 팬모터(19)에 전원을 공급하여 상기 팬(18)을 구동시킬 수 있다.

또한, 상기 프로세서(50)는 소정의 정보를 상기 디스플레이부 또는 상기 모바일기기(60)에 전달하여 가시화할 수 있다. 예를 들어, 상기 온도센서(30)에 의해 전달된 온도 및 상기 타이머(52)에 의해 측정되는 조리시간을 가시화할 수 있다.

상기 디스플레이부에는 앞서 설명한 상기 케이스 디스플레이부(16) 및 상기 도어 디스플레이부(40)가 포함된다. 상기 프로세서(50)는 상기 케이스 디스플레이부(16), 상기 도어 디스플레이부(40) 및 상기 모바일기기(60) 중 적어도 어느 하나에 정보를 가시화할 수 있다.

한편 오븐의 예를 들어 인공지능 조리기기를 설명하였으나 이에 한정되지 않는다.

예를 들어 본 발명에서 설명하는 인공 지능 조리기기는, 가스 레인지, 전기 레인지, 전자 레인지, 인덕션, 하이브리드, 하이라이트 등, 조리 온도나 조리 시간을 설정하고 식재료를 가열하여 조리를 수행할 수 있는 모든 제품에 적용될 수 있다.

한편 인공지능 조리 기기는, 도 1에서 설명한 AI 장치(100)의 구성의 일부 또는 전부를 포함하고, AI 장치(100)가 수행하는 기능을 수행할 수 있다.

또한 인공지능 조리기기는, 도 4 내지 도 6에서 설명한 오븐의 구성의 일부 또는 전부를 포함하고, 오븐이 수행하는 기능을 수행할 수 있다.

도 7은 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법은, 하나 이상의 식재료를 촬영하고 하나 이상의 식재료의 거리를 감지하는 단계(S710), 하나 이상의 식재료를 촬영한 영상 및 거리를 인공지능 모델에 제공하여 식재료의 무게를 획득하는 단계(S730) 및 식재료의 무게에 기초하여 설정된 조리 코스로 조리를 수행하는 단계(S750)를 포함할 수 있다.

본 발명의 본격적인 설명에 앞서, 인공지능 모델의 생성 방법에 대하여 설명한다.

도 8은 본 발명의 실시 예에 따른, 인공지능 모델의 생성 방법을 설명하기 위한 도면이다.

먼저 인공지능에 대하여 간단히 설명한다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

본 발명의 실시 예에 따른 인공지능 모델은, 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

먼저 도 8a를 참조하여, 뉴럴 네트워크가 식재료의 무게를 예측하도록 트레이닝 하는 방법을 설명한다.

학습 장치(200)는 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터에 식재료의 무게를 레이블링 하여 뉴럴 네트워크(1110)를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 식재료를 촬영한 영상 및 식재료가 촬영된 거리(즉 카메라와 식재료 사이의 거리)를 획득할 수 있다.

그리고 학습 장치(200)는 식재료를 촬영한 영상 및 식재료가 촬영된 거리(즉 카메라와 식재료 사이의 거리)를 입력 값으로, 촬영된 식재료의 무게를 출력 값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

여기서 식재료의 무게는, 뉴럴 네트워크가 식재료를 촬영한 영상 및 식재료가 촬영된 거리를 이용하여 추론해야 하는 정답일 수 있다.

따라서 학습 장치(200)는 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터에 식재료의 무게를 포함하는 레이블링 데이터를 레이블링 하여 뉴럴 네트워크에 제공할 수 있다.

이 경우 뉴럴 네트워크는 훈련용 데이터 및 레이블링 데이터를 이용하여, ‘식재료를 촬영한 영상 및 영상이 촬영된 거리’와 식재료의 무게에 대한 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.

한편 학습 장치(200)는 다양한 종류의 식재료를 다양한 거리에서 촬영한 영상들 및 식재료의 무게를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

예를 들어 1m 거리에서 3kg의 닭을 촬영한 영상이 존재하는 경우, 학습 장치(200)는 1m 거리에서 3kg의 닭을 촬영한 영상 및 1m를 입력 값으로 뉴럴 네트워크에 제공하고, 3kg을 출력 값으로 뉴럴 네트워크에 제공할 수 있다.

다른 예를 들어 30cm 거리에서 200g의 감자를 촬영한 영상이 존재하는 경우, 학습 장치(200)는 30cm 거리에서 200g의 감자를 촬영한 영상 및 30cm를 입력 값으로 뉴럴 네트워크에 제공하고, 200g을 출력 값으로 뉴럴 네트워크에 제공할 수 있다.

한편 앞선 설명에서는 레이블링 데이터가 무게인 것으로 설명하였으나 이에 한정되지 않으며, 레이블링 데이터는 식재료의 종류 및 무게일 수 있다.

구체적으로 본 발명의 실시 예에 따른 인공지능 모델은, 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 종류 및 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

구체적으로 학습 장치(200)는 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터에 식재료의 종류 및 식재료의 무게를 레이블링 하여 뉴럴 네트워크(1110)를 트레이닝 할 수 있다.

더욱 구체적으로 학습 장치(200)는 식재료를 촬영한 영상 및 식재료가 촬영된 거리(즉 카메라와 식재료 사이의 거리)를 획득할 수 있다.

그리고 학습 장치(200)는 식재료를 촬영한 영상 및 식재료가 촬영된 거리(즉 카메라와 식재료 사이의 거리)를 입력 값으로, 촬영된 식재료의 무게 및 촬영된 식재료의 종류를 출력 값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

여기서 식재료의 무게 및 식재료의 종류는, 뉴럴 네트워크가 식재료를 촬영한 영상 및 식재료가 촬영된 거리를 이용하여 추론해야 하는 정답일 수 있다.

그리고 뉴럴 네트워크는 훈련용 데이터 및 레이블링 데이터를 이용하여, ‘식재료를 촬영한 영상 및 영상이 촬영된 거리’와 ‘식재료의 종류 및 무게’에 대한 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.

예를 들어 1m 거리에서 3kg의 닭을 촬영한 영상이 존재하는 경우, 학습 장치(200)는 1m 거리에서 3kg의 닭을 촬영한 영상 및 1m를 입력 값으로 뉴럴 네트워크에 제공하고, 3kg 및 닭을 출력 값으로 뉴럴 네트워크에 제공할 수 있다.

다른 예를 들어 30cm 거리에서 200g의 감자를 촬영한 영상이 존재하는 경우, 학습 장치(200)는 30cm 거리에서 200g의 감자를 촬영한 영상 및 30cm를 입력 값으로 뉴럴 네트워크에 제공하고, 200g 및 감자를 출력 값으로 뉴럴 네트워크에 제공할 수 있다.

한편 위와 같은 방식으로 트레이닝 된 뉴럴 네트워크를 인공지능 모델이라 명칭할 수 있다.

한편 인공지능 모델은 인공지능 조리기기에 탑재될 수 있다.

구체적으로 인공지능 모델은, 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 그리고 인공지능 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공지능 모델을 구성하는 하나 이상의 명령어는 인공지능 조리기기의 메모리(170)에 저장될 수 있다.

한편 인공지능 모델은 서버에 탑재될 수도 있으며, 이 경우 인공지능 조리기기는 서버와 통신하여 식재료의 무게를 획득할 수 있다.

즉 본 명세서에서 하나 이상의 식재료를 촬영한 영상 및 거리를 인공지능 모델에 제공하여 하나 이상의 식재료의 무게를 획득한다는 의미는, 인공지능 조리 기기가 인공지능 조리 기기에 탑재된 인공 지능 모델에 하나 이상의 식재료를 촬영한 영상 및 거리를 입력하고 인공 지능 모델이 출력한 출력값을 획득한 다는 의미일 수도 있으며, 인공지능 조리기기가 서버에 하나 이상의 식재료를 촬영한 영상 및 거리를 전송하고, 서버에 탑재된 인공지능 모델이 출력한 출력 값을 서버로부터 수신한다는 의미일 수 도 있다.

또한 본 명세서에서 조리 코스를 획득한 다는 것의 의미는, 인공지능 조리기기의 메모리에 저장된 정보를 이용하여 식재료의 종류 및 무게에 대응하는 조리 코스를 결정한다는 의미일 수도 있으며, 서버에 관련 정보를 전송하고, 서버가 서버의 메모리에 저장된 정보를 이용하여 식재료의 종류 및 무게에 대응하는 조리 코스를 결정하고, 결정된 조리 코스를 서버로부터 수신한다는 의미일 수 있다.

도 9는 본 발명의 실시 예에 따른, 식재료를 촬영하고 식재료의 거리를 감지하는 방법을 설명하기 위한 도면이다.

인공지능 조리 기기(100)의 센싱부(140)는 카메라(910)를 포함할 수 있다. 여기서 카메라(910)는 인공지능 조리 기기(100)의 전면에 설치되어 인공지능 조리기기(100)의 전방을 촬영할 수 있다.

한편 도어(20)가 오픈되는 경우 조리실과 접하는 내측 플레이트(26)에는 식재료 또는 식재료가 담긴 용기가 놓일 수 있다.

그리고 카메라(910)는 내측 플레이트(26)에 놓인 식재료 또는 용기를 촬영할 수 있도록, 내측 플레이트(26)를 향해 배치될 수 있다.

한편 카메라(910)는 하나 이상의 식재료를 촬영할 수 있다.

여기서 하나 이상의 식재료는 별도로 촬영될 수도 있으며, 일괄적으로 촬영될 수도 있다.

구체적으로 복수의 식재료가 하나씩 조리실에 투입되는 경우, 프로세서는 복수의 식재료가 각각 촬영된 복수의 영상을 획득할 수 있다. 또한 복수의 식재료가 하나의 용기에 담겨서 한번에 조리실에 투입되는 경우, 프로세서는 복수의 식재료가 촬영된 하나의 영상을 획득할 수 있다.

한편 센싱부는 하나 이상의 식재료의 거리(d)를 감지할 수 있다. 여기서 하나 이상의 식재료(920)의 거리(d)는 카메라(910)와 식재료(920)의 거리(d)를 의미할 수 있다.

여기에는 현재 공지되어 있는, 오브젝트와의 거리를 측정하는 장치나 알고리즘이 그대로 적용될 수 있다.

예를 들어 센싱부(140)는 TOF(Time of Flight) 카메라 등의 거리 센서를 포함할 수 있으며, 프로세서는 빛이 식재료에 도달했다가 반사되어 돌아오는 시간을 측정하여 식재료(920)의 거리(d)를 측정할 수 있다.

한편 프로세서(180)는 하나 이상의 식재료를 촬영한 영상 및 거리를 인공지능 모델에 제공하여 하나 이상의 식재료의 무게를 획득할 수 있다.

먼저 하나의 식재료가 촬영된 경우의 동작을 설명한다.

도 10은 본 발명의 실시 예에 따른, 식재료의 무게를 획득하고 식재료의 무게에 기초하여 조리 코스를 설정하는 방법을 설명하기 위한 도면이다.

프로세서(180)는 식재료가 촬영된 영상(1010)을 인공지능 모델에 제공하여 식재료의 무게를 획득할 수 있다.

구체적으로 프로세서(180)는 식재료가 촬영된 영상(1010)을 인공지능 모델에 제공할 수 있다. 여기서 인공지능 모델은 식재료의 무게를 레이블링 데이터로 이용하여 트레이닝 된 뉴럴 네트워크일 수 있으며, 이 경우 인공지능 모델은 결과 값, 구체적으로 식재료의 무게를 출력할 수 있다.

한편 프로세서(180)는 식재료의 종류를 획득할 수 있다.

구체적으로 프로세서(180)는 영상(1010)에 포함된 식재료를 인식하고, 인식 결과에 따라 식재료의 종류를 결정할 수 있다. 예를 들어 영상(1010)에 닭이 포함된 경우, 프로세서는 오브젝트 인식을 통하여 영상(1010)에 포함된 오브젝트가 닭인 것으로 결정할 수 있다. 여기에는 현재 공지되어 있는, 오브젝트 인식 기법이 그대로 적용도리 수 있다.

또한 프로세서(180)는 식재료가 촬영된 영상(1010)을 인공지능 모델에 제공하여 식재료의 종류 및 무게를 획득할 수 있다.

구체적으로 프로세서(180)는 식재료가 촬영된 영상(1010)을 인공지능 모델에 제공할 수 있다. 여기서 인공지능 모델은 식재료의 종류 및 무게를 레이블링 데이터로 이용하여 트레이닝 된 뉴럴 네트워크일 수 있으며, 이 경우 인공지능 모델은 결과 값, 구체적으로 식재료의 종류 및 무게를 출력할 수 있다.

한편 프로세서는 식재료의 종류 및 식재료의 무게에 기초하여 조리 코스를 설정할 수 있다.

여기서 조리 코스는 조리 온도 또는 조리 시간 중 적어도 하나를 포함할 수 있다. 그리고 프로세서는 식재료의 종류 및 무게에 따라 조리 온도 또는 조리 시간 중 적어도 하나를 결정할 수 있다.

예를 들어 식재료가 닭이고 무게가 1.5kg인 경우, 프로세서는 220도의 조리 온도 및 35분의 조리 시간을 설정할 수 있다.

다른 예를 들어 식재료가 닭이고 무게가 1.0kg인 경우, 프로세서는 220도의 조리 온도 및 30분의 조리 시간을 설정할 수 있다.

또 다른 예를 들어 식재료가 돼지고기이고 무게가 2.0kg인 경우, 프로세서는 200도의 조리 온도 및 50분의 조리 시간을 설정할 수 있다.

한편 메모리에는 다양한 식재료의 다양한 무게와 조리 코스를 대응시킨 테이블이 저장될 수 있다. 그리고 프로세서는 식재료의 종류, 식재료의 무게 및 메모리에 저장된 테이블에 기초하여 조리 코스를 설정할 수 있다.

그리고 프로세서는 설정된 조리 코스로 조리를 수행할 수 있다. 예를 들어 200도의 조리 온도 및 50분의 조리 시간의 조리 코스가 설정된 경우, 프로세서는 200도의 조리 온도로 50분 간 식재료에 열을 가하도록 가열부를 가동시킬 수 있다.

이와 같이 본 발명에 따르면, 사용자가 조리 시간을 직접 입력하는 것 없이도 식재료의 종류 및 크기에 맞는 최적의 조리를 수행할 수 있는 장점이 있다.

또한 본 발명에 따르면, 식재료가 조리기기에 투입되기 전 식재료를 촬영하는 간단한 방법으로 식재료의 무게를 산출하여 최적의 조리를 수행할 수 있는 장점이 있다.

다음은 복수의 식재료가 촬영된 하나의 영상을 이용하여 조리 코스를 설정하는 방법을 설명한다.

도 11은 본 발명의 실시 예에 따른, 복수의 식재료가 촬영된 경우 조리 코스를 설정하는 방법을 설명하기 위한 도면이다.

이하에서 나오는 용어 “제1 식재료”와 “제2 식재료”는 서로 종류가 상이한 식재료를 의미할 수 있다. 예를 들어 제1 식재료는 닭, 제2 식재료는 감자일 수 있다.

또한 “제2-1 식재료”, “제2-2 식재료”, “제2-3 식재료”는 종류가 동일하고 개체가 서로 상이한 식재료를 의미할 수 있다. 예를 들어 제2-1 식재료는 첫번째 감자, 제2-2 식재료는 두번째 감자, 제2-3 식재료는 세번째 감자를 의미할 수 있다.

또한 이하에서 나오는 용어 “제2 식재료의 무게”는, 종류가 동일한 개체들의 총 무게를 의미할 수 있다. 구체적으로 “제2 식재료의 무게”는 “제2-1 식재료”의 무게, “제2-2 식재료”의 무게 및 “제2-3 식재료”의 무게의 총 합을 의미할 수 있다.

프로세서(180)는 복수의 식재료(1111, 1112, 1113, 1114)가 촬영된 영상(1110)을 인공지능 모델에 제공하여 복수의 식재료의 무게를 획득할 수 있다.

구체적으로 프로세서(180)는 복수의 식재료(1111, 1112, 1113, 1114)가 촬영된 영상(1110)을 인공지능 모델에 제공할 수 있다. 여기서 인공지능 모델은 식재료의 무게를 레이블링 데이터로 이용하여 트레이닝 된 뉴럴 네트워크일 수 있으며, 이 경우 인공지능 모델은 제1 식재료(1111)의 무게, 제2-1 식재료(1112)의 무게, 제2-2 식재료의 무게(1113) 및 제2-3 식재료의 무게(1114)를 출력할 수 있다.

한편 프로세서(180)는 식재료의 종류를 획득할 수 있다.

구체적으로 프로세서(180)는 영상(1110)에 포함된 복수의 식재료를 인식하고, 인식 결과에 따라 복수의 식재료의 종류를 결정할 수 있다. 예를 들어 프로세서는 제1 식재료(1111)가 닭이고, 제2-1, 2-2, 2-3 식재료(1112, 1113, 1114)가 감자인 것으로 결정할 수 있다.

또한 프로세서(180)는 복수의 식재료가 촬영된 영상(1110)을 인공지능 모델에 제공하여 복수의 식재료의 종류 및 무게를 획득할 수 있다.

구체적으로 프로세서(180)는 복수의 식재료가 촬영된 영상(1110)을 인공지능 모델에 제공할 수 있다. 여기서 인공지능 모델은 식재료의 종류 및 무게를 레이블링 데이터로 이용하여 트레이닝 된 뉴럴 네트워크일 수 있으며, 이 경우 인공지능 모델은 제1 식재료(1111)의 종류 및 무게, 제2-1 식재료(1112)의 종류 및 무게, 제2-2 식재료의 종류 및 무게(1113) 및 제2-3 식재료의 종류 및 무게(1114)를 출력할 수 있다.

또한 프로세서는 복수의 식재료를 촬영한 영상(1110)을 분리하여 복수의 영상을 개별적으로 인공지능 모델에 제공할 수도 있다.

구체적으로 프로세서는 복수의 식재료를 촬영한 영상(1110)을 복수의 식재료 중 제1 식재료(1111)를 포함하는 영상, 복수의 식재료 중 제2-1 식재료(1112)를 포함하는 영상, 복수의 식재료 중 제2-2 식재료(1113)를 포함하는 영상, 복수의 식재료 중 제2-3 식재료(1114)를 포함하는 영상으로 분리할 수 있다.

그리고 프로세서는 제1 식재료(1111)를 포함하는 영상을 인공지능 모델에 제공하여 제1 식재료의 무게(또는 제1 식재료의 종류 및 무게)를 획득하고, 제2-1 식재료(1112)를 포함하는 영상을 인공지능 모델에 제공하여 제2-1 식재료의 무게(또는 제2-1 식재료의 종류 및 무게)를 획득하고, 제2-2 식재료(1113)를 포함하는 영상을 인공지능 모델에 제공하여 제2-2 식재료의 무게(또는 제2-2 식재료의 종류 및 무게)를 획득하고, 제2-3 식재료(1114)를 포함하는 영상을 인공지능 모델에 제공하여 제2-3 식재료의 무게(또는 제2-3 식재료의 종류 및 무게)를 획득할 수 있다.

그리고 프로세서는 제2 식재료의 무게를 획득할 수 있다. 구체적으로 프로세서는 동일한 종류의 제2-1 식재료, 제2-2 식재료 및 제2-3 식재료의 무게를 합하여 제2 식재료의 무게를 산출할 수 있다.

한편 프로세서는 제1 식재료의 종류, 제1 식재료의 무게, 제2 식재료의 종류 및 제2 식재료의 무게를 이용하여 조리 코스를 설정할 수 있다.

구체적으로 프로세서는 제1 식재료의 종류 및 제1 식재료의 무게를 이용하여 제1 조리 코스를 획득할 수 있다. 예를 들어 프로세서는 1.5kg의 닭에 대응하는 조리 코스를 획득할 수 있다.

또한 프로세서는 제2 식재료의 종류 및 제2 식재료의 무게를 이용하여 제2 조리 코스를 획득할 수 있다. 예를 들어 프로세서는 530g의 감자에 대응하는 조리 코스를 획득할 수 있다.

한편 제1 조리 코스와 제2 조리코스는 서로 상이할 수 있다. 예를 들어 1.5kg의 닭에 대응하는 제1 조리 코스는 220도의 조리 온도 및 35분의 조리 시간이고, 530g의 감자에 대응하는 제2 조리 코스는 220도의 조리 온도 및 25분의 조리 시간일 수 있다.

그리고 제1 조리 코스와 제2 조리 코스가 상이하면, 프로세서는 제1 조리 코스 및 제2 조리 코스 중 조리 시간이 더 긴 제1 조리 코스로 조리를 수행할 수 있다.

다른 예를 들어 제1 조리 코스와 제2 조리 코스가 상이하면, 프로세서는 제1 조리 코스 및 제2 조리 코스 중 조리 온도가 더 높은 제1 조리 코스로 조리를 수행할 수 있다.

즉 본 발명에 따르면 종류가 다른 식재료끼리 조리 코스가 상이한 경우, 조리 시간이 더 길거나 조리 온도가 더 높은 조리 코스를 선택함으로써, 모든 식재료가 익혀지게 할 수 있다.

한편 제1 조리 코스와 제2 조리 코스가 상이한 경우, 프로세서는 알림을 출력할 수 있다.

구체적으로 제1 조리 코스와 제2 조리 코스가 상이한 경우, 프로세서는 복수의 식재료가 함께 조리되기에 적합하지 않다는 알림을 디스플레이 하도록 디스플레이부를 제어하거나 복수의 식재료가 함께 조리되기에 적합하지 않다는 음성을 스피커를 통하여 출력할 수 있다.

예를 들어 프로세서는 “닭과 감자는 함께 조리되기 적합하지 않으니, 별도로 조리해주세요!”라는 알림을 출력할 수 있다.

한편 프로세서는, 제1 조리코스에 대응하는 조리 시간이 제1 시간이고 제2 조리코스에 대응하는 조리 시간이 제1 시간 보다 짧은 제2 시간인 경우, 제1 식재료를 먼저 투입하라는 알림을 출력할 수 있다.

예를 들어 제1 조리코스의 조리 시간이 35분이고 제2 조리코스의 조리 시간이 25분인 경우, 프로세서는 제1 조리코스에 해당하는 닭을 먼저 투입하라는 알림을 출력할 수 있다.

이 경우 사용자는 용기에서 감자를 제거하고 닭을 인공지능 조리기기에 투입할 수 있다. 그리고 프로세서는 제1 조리 코스에 따라 조리를 수행할 수 있다.

한편 제1 조리 코스에 따른 조리 시간이 제2 시간 남은 경우, 프로세서는 제2 식재료를 투입하라는 알림을 출력할 수 있다.

구체적으로, 제1 조리코스에 따라 조리를 수행하는 중, 프로세서는 제1 조리코스의 잔여 조리 시간을 체크할 수 있다. 그리고 제1 조리 코스의 잔여 조리 시간이 제2 시간인 경우, 프로세서는 제2 식재료를 투입하라는 알림을 출력할 수 있다.

예를 들어 제1 조리코스의 조리 시간이 35분이고 제2 조리코스의 조리 시간이 25분인 경우, 프로세서는 제1 조리코스에 따라 조리를 수행할 수 있다. 그리고 제1 조리코스의 잔여 조리 시간이 25분인 경우 프로세서는 조리를 일시 중단하고 제2 식재료를 투입하라는 알림을 출력할 수 있다.

이 경우 사용자는 감자를 조리기기에 추가적으로 투입할 수 있다.

그리고 나서 프로세서는 제1 조리코스에 따른 조리를 수행할 수 있다. 구체적으로 프로세서는 제1 조리코스에 따른 조리를 잔여 조리 시간 동안 수행할 수 있다.

이와 같이 본 발명에 따르면, 다른 종류의 식재료에 대하여 식재료의 무게까지 고려하여 최적의 조리를 수행할 수 있는 장점이 있다.

한편 프로세서는, 제1 조리코스에 대응하는 조리 시간이 제1 시간이고 제2 조리코스에 대응하는 조리 시간이 제1 시간 보다 짧은 제2 시간인 경우, 투입된 제1 식재료 및 제2 식재료에 대하여 제1 조리 코스에 따른 조리를 수행할 수 있다.

예를 들어 제1 조리코스의 조리 시간이 35분이고 제2 조리코스의 조리 시간이 25분이며, 제1 식재료 및 제2 식재료가 인공지능 조리 기기에 투입된 경우, 프로세서는 제1 조리 코스에 따른 조리를 수행할 수 있다.

한편 제1 조리 코스에 따른 소리를 수행한지 제2 시간이 경과한 경우, 프로세서는 제2 식재료를 제거하라는 알림을 출력할 수 있다.

구체적으로, 제1 조리코스에 따라 조리를 수행하는 중, 프로세서는 제1 조리코스에 따른 조리 시간을 체크할 수 있다. 그리고 제1 조리 코스에 따른 조리 시간이 제2 시간인 경우, 프로세서는 제2 식재료를 제거하라는 알림을 출력할 수 있다.

예를 들어 제1 조리코스의 조리 시간이 35분이고 제2 조리코스의 조리 시간이 25분인 경우, 프로세서는 제1 조리코스에 따라 조리를 수행할 수 있다. 그리고 제1 조리코스에 따른 조리 시간이 25분인 경우 프로세서는 조리를 일시 중단하고 제2 식재료를 제거하라는 알림을 출력할 수 있다.

이 경우 사용자는 감자를 조리기기로부터 꺼낼 수 있다.

특히 본 발명에 따르면, 다른 종류의 식재료가 한꺼번에 조리기기에 투입될 때에도, 인공지능 조리기기는 다른 종류의 식재료 각각에 대한 무게를 자동으로 산출하고, 산출된 무게에 따라 다른 종류의 식재료들을 최적의 방법으로 조리할 수 있는 장점이 있다.

다음은 제1 식재료 및 제2 식재료의 비율을 조절하는 방법을 설명한다.

도 12는 본 발명의 실시 예에 따른, 제1 식재료 및 제2 식재료의 비율을 조절하는 방법을 설명하기 위한 도면이다.

메모리에는 제1 식재료와 제2 식재료의 비율이 저장될 수 있다.

여기서 제1 식재료와 제2 식재료의 비율은 영양학 적 관점에서 결정된 비율일 수 있다.

예를 들어 제1 식재료가 닭이고 제2 식재료가 감자인 경우, 사용자가 단백질, 지방 및 탄수화물을 균형있게 섭취하기 위하여, 닭의 무게와 감자의 무게의 비율이 결정될 수 있다.

예를 들어 닭과 감자의 비율(구체적으로 닭의 무게와 감자의 무게의 비율)은 3:2일 수 있다.

한편 프로세서는 제1 식재료의 무게 및 제2 식재료의 무게와, 제1 식재료 및 제2 식재료의 비율에 기초하여, 제1 식재료 및 제2 식재료 중 어느 하나의 추가 투입 또는 제거를 추천하기 위한 알림을 출력할 수 있다.

예를 들어 제1 식재료인 닭의 무게가 1.5kg이고 제2 식재료인 감자의 무게가 530g인 경우, 촬영된 닭과 감자의 비율은 메모리에 저장된 닭과 감자의 비율과 상이할 수 있다.

그리고 감자가 추가 투입되어야 메모리에 저장된 닭과 감자의 비율과 동일해지는 경우, 프로세서는 감자를 추가 투입하라는 알림을 출력할 수 있다.

다른 예를 들어 감자가 제거되어야 메모리에 저장된 닭과 감자의 비율과 동일해지는 경우, 프로세서는 감자를 제거하라는 알림을 출력할 수 있다.

이와 같이 본 발명에 따르면, 사용자가 영양학적으로 균형잡힌 식사를 하는 것을 도울 수 있는 장점이 있다.

특히 본 발명에 따르면, 다른 종류의 식재료가 한꺼번에 조리기기에 투입될 때에도, 인공지능 조리기기는 다른 종류의 식재료 각각에 대한 무게를 자동으로 산출하고, 산출된 무게에 따라 영양학적으로 균형잡힌 식사를 제공할 수 있는 장점이 있다.

다음은 종류가 다른 식재료가 투입되는 경우 총 열량을 산출하는 방법을 설명한다.

도 13은 본 발명의 실시 예에 따른, 제1 식재료 및 제2 식재료의 총 열량을 산출하는 방법을 설명하기 위한 도면이다.

메모리에는 제1 식재료의 단위 무게 당 열량 및 제2 식재료의 단위 무게 당 열량이 저장될 수 있다.

한편 프로세서는 제1 식재료의 종류, 제1 식재료의 무게, 제2 식재료의 종류 및 제2 식재료의 무게를 이용하여 총 열랑을 산출할 수 있다.

구체적으로 프로세서는 제1 식재료의 종류, 제1 식재료의 무게 및 메모리에 저장된 제1 식재료의 단위 무게 당 열량에 기초하여 촬영된 제1 식재료의 열랑을 산출할 수 있다. 예를 들어 제1 식재료가 닭이고 닭의 무게가 1.5kg이며 닭의 열량이 100g 당 150kcal인 경우, 프로세서는 촬영된 닭의 열량이 2250kcal인 것으로 결정할 수 있다.

또한 프로세서는 제2 식재료의 종류, 제2 식재료의 무게 및 메모리에 저장된 제2 식재료의 단위 무게 당 열량에 기초하여 촬영된 제2 식재료의 열랑을 산출할 수 있다. 예를 들어 제2 식재료가 감자이고 감자의 무게가 530g이며 감자의 열량이 100g 당 80kcal인 경우, 프로세서는 촬영된 닭의 열량이 424kcal인 것으로 결정할 수 있다.

그리고 프로세서는 촬영된 제1 식재료의 열량 및 촬영된 제2 식재료의 열량을 합한 총 열량을 산출하고, 산출된 총 열량을 출력할 수 있다.

이와 같이 본 발명에 따르면, 다른 종류의 식재료가 한꺼번에 조리기기에 투입될 때에도, 사용자에게 정확한 열량 정보를 전달할 수 있는 장점이 있다.

도 14는 본 발명의 실시 예에 따른 조리 코스를 수정하는 방법을 설명하기 위한 도면이다.

프로세서는 설정된 조리 코스에 대한 사용자의 피드백을 수신할 수 있다.

구체적으로 설정된 조리 코스에 따라 조리가 완료되면, 프로세서는 사용자에 대한 피드백 요청(1410)을 출력할 수 있다.

또한 프로세서는 사용자로부터 피드백(1420)을 수신하고, 피드백에 기초하여 설정된 조리 코스를 수정할 수 있다.

구체적으로 사용자의 피드백이 더 많은 가열을 요청하는 피드백인 경우, 프로세서는 설정된 조리 코스의 조리 온도를 높이거나 조리 시간을 증가시킨 후 메모리에 저장할 수 있다.

또한 사용자의 피드백이 더 적은 가열을 요청하는 피드백인 경우, 프로세서는 설정된 조리 코스의 조리 온도를 낮추거나 조리 시간을 감소시킨 후 메모리에 저장할 수 있다.

도 15는 본 발명의 실시 예에 따른 냉장고와의 연동 운전을 설명하기 위한 도면이다.

프로세서는 통신부를 통하여 냉장고와 통신할 수 있다.

그리고 프로세서는 냉장고로부터 식재료(1510)가 냉장실에서 꺼내졌는지 또는 냉동실에서 꺼내졌는지에 대한 정보를 수신할 수 있다.

그리고 냉동실에서 꺼내진 식재료(1510)를 포함하는 영상이 촬영되면, 프로세서는 해동을 요청하는 알림(1520)을 출력할 수 있다.

또한 프로세서는 해동 코스를 설정하고, 식재료가 투입되면 해동 코스를 진행할 수 있다.

다음은 인공지능 조리기기의 동작 방법을 설명한다. 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법은, 하나 이상의 식재료를 촬영하고 상기 하나 이상의 식재료의 거리를 감지하는 단계, 상기 하나 이상의 식재료를 촬영한 영상 및 상기 거리를 인공지능 모델에 제공함으로써 상기 하나 이상의 식재료의 무게를 획득하는 단계, 및, 상기 하나 이상의 식재료의 종류 및 상기 하나 이상의 식재료의 무게에 기초하여 설정된 조리 코스로 조리를 수행하는 단계를 포함한다. 이 경우 상기 인공지능 모델은, 식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 인공지능 조리기기

Claims

하나 이상의 식재료를 촬영하고 상기 하나 이상의 식재료의 거리를 감지하는 센싱부; 및
상기 하나 이상의 식재료를 촬영한 영상 및 상기 거리를 인공지능 모델에 제공함으로써 상기 하나 이상의 식재료의 무게를 획득하고, 상기 하나 이상의 식재료의 종류 및 상기 하나 이상의 식재료의 무게에 기초하여 설정된 조리 코스로 조리를 수행하는 프로세서를 포함하고,
상기 인공지능 모델은,
식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리 기기.
제 1항에 있어서,
상기 조리 코스는,
조리 온도 또는 조리 시간 중 적어도 하나를 포함하는
인공지능 조리 기기.
제 1항에 있어서,
상기 프로세서는,
제1 식재료 및 제2 식재료를 촬영한 영상 및 상기 거리를 인공지능 모델에 제공함으로써 상기 제1 식재료의 무게 및 상기 제2 식재료의 무게를 획득하고, 상기 제1 식재료의 종류, 상기 제1 식재료의 무게, 상기 제2 식재료의 종류 및 상기 제2 식재료의 무게를 이용하여 상기 조리 코스를 설정하는
인공지능 조리 기기.
제 3항에 있어서,
상기 프로세서는,
상기 제1 식재료의 종류 및 상기 제1 식재료의 무게를 이용하여 제1 조리 코스를 획득하고,
상기 제2 식재료의 종류 및 상기 제2 식재료의 무게를 이용하여 제2 조리 코스를 획득하는
인공지능 조리 기기.
제 4항에 있어서,
상기 프로세서는,
상기 제1 조리 코스와 상기 제2 조리코스가 상이하면, 상기 제1 조리 코스 및 상기 제2 조리 코스 중 조리 시간이 더 긴 상기 제1 조리 코스로 조리를 수행하는
인공지능 조리 기기.
제 4항에 있어서,
상기 프로세서는,
상기 제1 조리 코스와 상기 제2 조리 코스가 상이한 경우 알림을 출력하는
인공지능 조리 기기.
제 4항에 있어서,
상기 프로세서는,
상기 제1 조리코스에 대응하는 조리 시간이 제1 시간이고 상기 제2 조리코스에 대응하는 조리 시간이 상기 제1 시간 보다 짧은 제2 시간인 경우, 상기 제1 식재료를 먼저 투입하라는 알림을 출력하고, 상기 제1 조리 코스에 따른 조리를 수행하고, 상기 제1 조리 코스에 따른 조리 시간이 상기 제2 시간 남은 경우 상기 제2 식재료를 투입하라는 알림을 출력하는
인공지능 조리 기기.
제 4항에 있어서,
상기 프로세서는,
상기 제1 조리코스에 대응하는 조리 시간이 제1 시간이고 상기 제2 조리코스에 대응하는 조리 시간이 상기 제1 시간 보다 짧은 제2 시간인 경우 상기 제1 조리 코스에 따른 조리를 수행하고, 상기 조리를 수행한지 상기 제2 시간이 경과하면 상기 제2 식재료를 제거하라는 알림을 출력하는
인공지능 조리 기기.
제 4항에 있어서,
상기 제1 식재료 및 제2 식재료의 비율을 저장하는 메모리를 더 포함하고,
상기 프로세서는,
상기 제1 식재료의 무게 및 상기 제2 식재료의 무게와, 상기 제1 식재료 및 상기 제2 식재료의 비율에 기초하여, 상기 제1 식재료 및 상기 제2 식재료 중 어느 하나의 추가 투입 또는 제거를 추천하기 위한 알림을 출력하는
인공지능 조리 기기.
제 3항에 있어서,
상기 프로세서는,
상기 제1 식재료의 종류, 상기 제1 식재료의 무게, 상기 제2 식재료의 종류 및 상기 제2 식재료의 무게를 이용하여 총 열랑을 산출하고, 상기 총 열량을 출력하는
인공지능 조리 기기.
제 1항에 있어서,
상기 프로세서는,
상기 설정된 조리 코스에 대한 사용자의 피드백을 수신하고, 상기 피드백에 기초하여 상기 설정된 조리 코스를 수정하는
인공지능 조리 기기.
하나 이상의 식재료를 촬영하고 상기 하나 이상의 식재료의 거리를 감지하는 단계;
상기 하나 이상의 식재료를 촬영한 영상 및 상기 거리를 인공지능 모델에 제공함으로써 상기 하나 이상의 식재료의 무게를 획득하는 단계; 및
상기 하나 이상의 식재료의 종류 및 상기 하나 이상의 식재료의 무게에 기초하여 설정된 조리 코스로 조리를 수행하는 단계를 포함하고,
상기 인공지능 모델은,
식재료를 촬영한 영상 및 영상이 촬영된 거리를 포함하는 훈련용 데이터와, 식재료의 무게를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리 기기의 동작 방법.