KR102234771B1

KR102234771B1 - 인공 지능 냉장고

Info

Publication number: KR102234771B1
Application number: KR1020190171666A
Authority: KR
Inventors: 신현석; 조수호
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-20
Filing date: 2019-12-20
Publication date: 2021-04-01
Also published as: US20210192329A1; WO2021125453A1; US11669722B2

Abstract

본 개시의 일 실시 예에 따른 인공 지능 냉장고는 인너 도어, 전면에 투명 디스플레이를 구비하는 아웃터 도어, 상기 아웃터 도어에 구비된 하나 이상의 카메라, 상기 아웃터 도어의 개폐 또는 개방 각도를 감지하는 센서 및 상기 아웃터 도어의 닫힘을 감지한 경우, 상기 아웃터 도어의 개방 각도가 기 설정된 각도인지를 판단하고, 상기 아웃터 도어의 개방 각도가 상기 기 설정된 각도인 경우, 상기 하나 이상의 카메라를 통해, 상기 인너 도어를 촬영하고, 촬영된 이미지에 기반하여, 상기 인너 도어에 수납된 식품들의 수납 상태를 획득하고, 획득된 수납 상태에 기반하여, 식품 관리 정보를 상기 투명 디스플레이에 표시하는 하나 이상의 프로세서를 포함할 수 있다.

Description

인공 지능 냉장고{ARTIFICIAL INTELLIGENCE REFRIGERATOR}

본 발명은 인공 지능 냉장고에 관한 것으로, 보다 상세하게는, 냉장고 내부를 촬영하고, 촬영된 이미지에 기반하여, 식품을 인식할 수 있는 것에 관한 것이다.

냉장고는 냉동 사이클에 의해 생성된 냉기를 냉장실 및 냉동실로 공급하여 각종 식품의 신선도를 장기간 유지할 수 있도록 하는 장치이다.

일반적으로 냉장고는 식품의 보관을 위한 냉장실 및 냉동실을 가지는 본체, 본체의 일측에 회전 가능하도록 결합되어 상기 냉장실 및 냉동실을 개폐하는 도어를 포함하여 구성된다.

냉장실은 저장물의 종류에 따라 수납 및 저장을 효율적으로 수행할 수 있도록 선반 등에 의하여 복수의 공간으로 구획되어 있으며, 냉장실의 상부 영역에는 육류 및 생선 등을 저장하기 위한 저장실이 마련되어 있고, 냉장실의 하부 영역에는 야채 및 과일 등을 저장하기 위한 저장실이 마련된다.

한편, 최근에는 생활 환경의 향상으로 고급화된 냉장고에 대한 수요가 점차 증가함에 따라 냉장고에 관한 정보의 제공 및 냉장고 제어를 위해 디스플레이부가 냉장고의 도어 등에 마련된다.

또한, 최근에는, 냉장실의 도어가 2개의 도어로 구비되어, 수납 공간을 넓히고 있다.

사용자가 현재 냉장고의 저장물을 파악하기 위해서는 직접 냉장고 도어를 열고 내부를 살펴보아야 하는 불편이 있다.

이를 위해, 종래에는 냉장고의 천장에 카메라를 구비하여, 냉장고의 수납 상태에 대한 정보를 제공하였다.

그러나, 냉장실의 도어가 2개의 도어로 구비된 경우, 천장에 구비된 카메라만으로는 내측에 있는 도어의 식품 수납 상태를 제대로 파악할 수 없는 문제가 있다.

본 개시는 냉장실의 도어가 아웃터 도어 및 인너 도어, 2개로 이루어진 경우, 인너 도어의 식품 수납 상태를 식별할 수 있는 인공 지능 냉장고의 제공을 목적으로 한다.

본 개시는 인너 도어의 식품 수납 상태를 정확하게 식별할 수 있는 인공 지능 냉장고의 제공을 목적으로 한다.

본 개시는 인너 도어의 식품 수납 상태를 파악하여, 인너 도어의 식품 재고 관리, 식품 구매를 유도할 수 있는 인공 지능 냉장고의 제공을 그 목적으로 한다.

상기 아웃터 도어는 아웃터 케이스, 상기 아웃터 케이스의 배면에 장착되는 도어 라이너, 상기 도어 라이너에 배치되고, 상기 아웃터 케이스의 배면에 식품을 수납할 수 있는 아웃터 바스켓을 고정시키는 도어 다이크를 포함하고, 상기 하나 이상의 카메라는 상기 도어 다이크에 배치될 수 있다.

상기 하나 이상의 카메라는 90도에서 상기 기 설정된 개방 각도를 뺀 각도만큼 틸팅되어 배치될 수 있다.

인공 지능 냉장고는 상기 수납 상태에 기반하여, 상기 식품의 재고 변경 정보, 상기 식품의 구매 연동 정보 및 상기 식품을 이용한 레시피 정보 중 하나 이상을 포함하는 상기 식품 관리 정보를 투명 디스플레이 상에 표시할 수 있다.

본 개시의 실시 예에 따르면, 사용자는 인너 도어의 식품 수납 상태에 대한 정보를 손쉽게 파악할 수 있다.

본 개시의 실시 예에 따르면, 인너 도어의 식품 재고 관리, 구매 연동 서비스를 통해, 사용자의 냉장고 활용 편의성이 크게 향상될 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 개시의 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 개시의 일 실시 예에 따른 냉장고의 사시도이고, 도 6은 본 개시의 일 실시 예에 따른 냉장고의 냉장실 도어가 개방된 모습을 보여주는 사시도이고, 도 7은 본 개시의 일 실시 예에 따른 냉장고의 냉장실 도어 중, 아우터 도어가 개방된 모습을 보여주는 사시도이다.
도 8은 본 개시의 일 실시 예에 따른 냉장고의 냉장실 도어 중, 인너 도어의 구성을 보여주는 사시도이다.
도 9는 본 개시의 실시 예에 따른 냉장실 도어가 닫힌 상태에서 보여주는 냉장고의 정면도이다.
도 10은 본 개시의 실시 예에 따른 아웃터 도어가 개방되고, 인너 도어는 닫혀 있는 상태를 보여주는 냉장고의 정면도이다.
도 11은 본 개시의 실시 예에 따른 냉장고의 동작 방법을 설명하기 위한 흐름도이다.
도 12는 본 개시의 실시 예에 따라, 아웃터 도어가 기 설정된 각도에서 인너 도어를 촬영하는 예를 설명하는 도면이다.
도 13 내지 도 14는 본 개시의 다양한 실시 예에 따른 아웃터 도어에 구비된 카메라의 배치를 설명하는 도면이다.
도 15a 및 도 15b는 본 개시의 일 실시 예에 따라 아웃터 도어의 도어 다이크에 부착된 카메라의 배치 위치를 설명하는 도면이다.
도 16a는 도 15a의 도면에서, 아웃터 도어(14)를 A1-A2 방향으로 자른 횡단면도이고, 도 16b는 도 15a의 도면에서, 아웃터 도어(14)를 B1-B2 방향으로 자른 종단면도이다.
도 17은 본 개시의 실시 예에 따라 아웃터 도어가 90만큼 개방된 경우와, 아웃터 도어가 기 설정된 각도만큼 개방된 경우, 카메라의 촬영 방향을 설명하는 도면이다.
도 18 및 도 19는 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.
도 20은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.
도 21a 내지 도 21d는 본 개시의 실시 예에 따라 냉장고의 인너 도어에 식품을 수납할 시, 투명 디스플레이 상에 표시되는 식품 관리 정보의 예를 보여준다.
도 22a 내지 도 22c는 본 개시의 실시 예에 따라 영상 인식을 통해 식품 인식에 오류가 발생한 경우, 식품 관리 정보를 수정하는 과정을 설명하는 도면이다.
도 23a 내지 도 23d는 본 개시의 실시 예에 따라 냉장고의 인너 도어에 식품을 인출할 시, 투명 디스플레이 상에 표시되는 식품 관리 정보의 예를 보여준다.
도 24a 내지 도 24c는 본 개시의 실시 예에 따라 인식된 식품을 이용한 요리의 레시피를 추천해 주는 과정을 설명하는 도면이다.
도 25a 내지 도 25d는 냉장고에 구비된 투명 디스플레이를 통해, 식품을 구매하는 과정을 설명하는 도면이다.
도 26 및 도 27은 본 개시의 실시 예에 따라, 인너 도어에 수납된 식품과 인너 도어의 내측에 배치된 내측 저장실에 수납된 식품을 구분하는 과정을 설명하는 도면이다.

<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 개시의 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 개시의 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 개시의 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 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

도 1과 중복되는 설명은 생략한다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

이하에서 설명하는 냉장고는 인공 지능을 갖는 가전 기기일 수 있다. 즉, 인공 지능 장치(100)는 냉장고일 수 있다.

냉장고는 도 4에 도시된 인공 지능 장치(100)의 구성 요소들을 모두 포함할 수 있다.

냉장고는 인공 지능 냉장고로 명명될 수 있다.

도 5는 본 개시의 일 실시 예에 따른 냉장고의 사시도이고, 도 6은 본 개시의 일 실시 예에 따른 냉장고의 냉장실 도어가 개방된 모습을 보여주는 사시도이고, 도 7은 본 개시의 일 실시 예에 따른 냉장고의 냉장실 도어 중, 아우터 도어가 개방된 모습을 보여주는 사시도이다.

도 5 내지 도 7을 참조하면, 냉장고(10)는 내부에 복수의 저장실들이 구비되는 캐비닛(11), 캐비닛(11)의 전면에 구비되어, 복수의 저장실들 중 어느 하나를 선택적으로 개폐하는 도어들(12, 15)을 포함할 수 있다.

복수의 저장실들은 냉장실(18) 및 냉동실(19)을 포함할 수 있다.

도어들(12, 15)은 냉장실(180)의 전방에 회동 가능하게 구비되는 냉장실 도어(12) 및 냉동실(19)의 전방에 회동 가능하게 구비되는 냉동실 도어(15)를 포함할 수 있다.

냉장실(18)에는 증발기에서 생성된 냉기가 공급되어, 냉장실(180)의 내부가 냉각될 수 있다. 증발기는 냉장실의 후벽 후측에 구비될 수 있다.

냉장실 도어(12)는 한 쌍으로 구비되어, 캐비닛(11)의 전면 좌측 가장자리와 우측 가장자리 각각에 회동 가능하게 연결될 수 있다.

냉장실 도어(12)는 캐비닛(11)의 전면에 밀착되는 인너 도어(13) 및 인너 도어(13)의 전면에서 인너 도어(13)에 회동 가능하게 연결되는 아웃터 도어(14)를 포함할 수 있다.

아웃터 도어(14) 및 인너 도어(13) 각각은 제1 도어, 제2 도어로 명명될 수 있다.

인너 도어(13)는 닫힌 상태에서, 배면 가장자리가 캐비닛(11)의 전면에 밀착되며, 아웃터 도어(14)는 닫힌 상태에서, 배면 가장자리가 인너 도어(13)의 전면에 밀착될 수 있다. 인너 도어(13)의 배면에는 하우징(101)이 장착될 수 있다.

캐비닛(11)의 상측에는 냉장실 도어(12)가 캐비닛(11)에 대해 회동 가능하도록 제1 힌지(114)가 구비될 수 있다.

제1 힌지(114)의 일측은 캐비닛(11)의 상면에 연결되고, 타측은 인너 도어(13)에 연결될 수 있다. 인너 도어(13) 및 아웃터 도어(13)는 제1 힌지(114)를 중심으로, 함께 회동될 수 있다.

인너 도어(13)는 아웃터 도어(14)가 인너 도어(13)에 대해 회동 가능하도록 하는 제2 힌지(미도시)를 구비할 수 있다. 아웃터 도어(14)는 단독으로, 제2 힌지를 중심으로 회동하며, 아웃터 도어(14)의 회동에 의해, 인너 도어(13)의 전면부가 개방될 수 있다.

아웃터 도어(14)는 아웃터 케이스(141), 아웃터 케이스(141)의 배면에 장착되는 도어 라이너(142) 및 도어 라이너(142)에서 소정 높이로 돌출되고, 도어 라이너(142)의 외측 가장자리를 따라 둘러지는 도어 다이크(door dike, 143)를 포함할 수 있다.

아웃터 도어(14)의 배면에는 식품을 수납할 수 있는 아웃터 바스켓(145)이 설치될 수 있다. 아웃터 바스켓(145)은 도어 다이크(143)에 분리 가능하게 결합될 수 있다. 아웃터 바스켓(145)은 복수 개로 구비될 수 있고, 상하 방향으로 설정 거리만큼 이격되어 배치될 수 있다.

도어 라이너(142)에는 실링 부재(144)가 구비될 수 있다. 실링 부재(144)는 아웃터 케이스(141)의 배면부 가장 자리를 따라 배치되어, 인너 도어(13)와 아웃터 도어(14) 사이 공간에서의 냉기 누출을 방지할 수 있다.

도어 다이크(143)는 아웃터 바스켓(145)을 고정시킬 수 있다.

도 8은 본 개시의 일 실시 예에 따른 냉장고의 냉장실 도어 중, 인너 도어의 구성을 보여주는 사시도이다.

인너 도어(13)의 후방에는 하우징(101)이 결합될 수 있다. 하우징(101)의 수납 공간에는 바스켓(102)이 설치될 수 있다.

바스켓(102)은 복수개로 구비되어, 식품을 수납할 수 있다.

도 9는 본 개시의 실시 예에 따른 냉장실 도어가 닫힌 상태에서 보여주는 냉장고의 정면도이다.

즉, 도 9는 인너 도어(13) 및 아웃터 도어(14)가 모두 닫힌 상태를 나타낸다.

냉장고(10)의 아웃터 도어(14)의 전면에는 투명 디스플레이(14-1)가 구비될 수 있다. 사용자는 투명 디스플레이(14-1)를 통해 냉장실에 저장된 식품들을 볼 수 있다.

후술하겠지만, 투명 디스플레이(14-1)는 냉장고(10)에 저장된 식품에 대한 정보를 표시할 수 있다.

도 10은 본 개시의 실시 예에 따른 아웃터 도어가 개방되고, 인너 도어는 닫혀 있는 상태를 보여주는 냉장고의 정면도이다.

도 10을 참조하면, 냉장실 도어를 구성하는 아웃터 도어(14)만이 개방되고, 인너 도어(13)는 닫혀 있는 상태를 보여준다.

아웃터 도어(14)에는 하나 이상의 카메라가 구비될 수 있다. 하나 이상의 카메라는 아웃터 도어(14)가 닫힐 시, 냉장실의 내부를 촬영할 수 있다.

특히, 하나 이상의 카메라는 인너 도어(13)에 구비된 식품들을 촬영할 수 있다.

도 11은 본 개시의 실시 예에 따른 냉장고의 동작 방법을 설명하기 위한 흐름도이다.

도 11에서, 냉장고(10)는 도 4의 구성 요소들을 모두 포함할 수 있다.

도 11은 냉장고(10)의 인너 도어(13)에 수납된 식품의 관리를 위한 냉장고(10)의 동작 방법을 설명하는 도면일 수 있다.

도 11을 참조하면, 냉장고(10)의 프로세서(180)는 아웃터 도어(14)가 개방됨을 감지한다(S1101).

프로세서(180)는 센싱부(140)에 구비된 센서를 이용하여, 아웃터 도어(14)의 개폐 여부를 감지할 수 있다.

예를 들어, 센싱부(140)는 광학 센서, 기구 센서, 전자석 센서, 가속도 센서 중 하나 이상을 포함할 수 있다.

프로세서(180)는 센싱부(140)가 감지된 감지 신호에 기반하여, 아웃터 도어(14)의 개폐 동작 또는 아웃터 도어(14)의 개방 각도를 감지할 수 있다.

센싱부(140)는 힌지(114)에 포함되거나, 힌지(114)와 인접한 위치에 배치될 수 있다.

광학 센서는 빛의 유무, 빛의 세기 등을 감지하는 센서로, 감지 대상이 되는 물체의 근접 여부를 감지하는 근접 센서일 수 있다. 프로세서(180)는 광학 센서가 감지한 빛의 유무 또는 빛의 세기를 이용하여, 아웃터 도어(14)의 개폐 여부 또는 개방 각도를 판단할 수 있다.

기구 센서는 외부로부터의 접촉 여부를 감지하는 센서로, 스위치 센서일 수 있다. 프로세서(180)는 기구 센서가 감지한 접촉 여부를 나타내는 감지 신호를 이용하여, 아웃터 도어(14)의 개폐 여부 또는 개방 각도를 검출할 수 있다.

전자석 센서는 전자기장의 크기와 방향을 감지하는 센서로, 홀 효과를 이용한 홀 센서일 수 있다. 프로세서(180)는 전자석 센서가 감지한 전자기장의 크기 변화 또는 전자기장의 방향 변화를 이용하여, 아웃터 도어(14)의 개폐 여부 또는 개방 각도를 검출할 수 있다.

가속도 센서는 x축, y축, z축 각각의 가속도의 크기를 측정하는 센서일 수 있다. 프로세서(180)는 3축에서 측정된 가속도의 크기들을 이용하여, 아웃터 도어(14)의 개폐 여부 또는 개방 각도를 측정할 수 있다.

냉장고(10)의 프로세서(180)는 아웃터 도어(14)의 개방 각도가 기 설정된 각도 이상인지를 판단한다(S1103).

프로세서(180)는 광학 센서, 기구 센서, 전자석 센서, 가속도 센서 중 어느 하나를 이용하여, 아웃터 도어(14)의 개방 각도를 측정할 수 있다.

아웃터 도어(14)의 개방 각도는 아웃터 도어(14)가 완전히 닫힌 상태를 기준으로, 열려 있는 각도를 나타낼 수 있다.

기 설정된 각도는 인너 도어(13)에 수납된 식품들에 대한 이미지를 최적으로 획득하기 위해 설정된 각도일 수 있다.

기 설정된 각도는 60도일 수 있으나, 이는 예시에 불과하다. 즉, 특정 각도 대신, 각도 범위로 설정될 수 있다.

냉장고(10)의 프로세서(180)는 아웃터 도어(14)의 개방 각도가 기 설정된 각도 이상인 것으로 판단한 후, 아웃터 도어(14)의 닫힘을 감지한다(S1105).

냉장고(10)의 프로세서(180)는 아웃터 도어(14)의 개방 각도가 기 설정된 각도에 도달했는지를 판단한다(S1107).

프로세서(180)는 아웃터 도어(14)가 닫혀지면서, 아웃터 도어(14)의 개방 각도가 기 설정된 각도와 동일한지를 판단할 수 있다.

냉장고(10)의 프로세서(180)는 아웃터 도어(14)가 닫혀지면서, 개방 각도가 기 설정된 각도에 도달한 경우, 아웃터 도어(14)에 구비된 하나 이상의 카메라를 통해, 냉장고 내부를 촬영한다(S1109).

프로세서(180)는 아웃터 도어(14)의 개방 각도가 기 설정된 각도와 동일한 경우, 아웃터 도어(14)에 구비된 하나 이상의 카메라에 캡쳐 명령을 전송할 수 있다.

하나 이상의 카메라는 캡쳐 명령에 따라, 냉장고(10)의 내부를 촬영할 수 있다.

특히, 하나 이상의 카메라는 인너 도어(13)에 수납된 식품들을 촬영할 수 있다.

하나 이상의 카메라는 아웃터 도어(14)의 측면에 구비될 수 있다. 하나 이상의 카메라는 아웃터 도어(14)의 엣지 근방에 구비될 수 있다.

이하에서는, 아웃터 도어(14)가 개방 후, 닫힘 시, 하나 이상의 카메라를 통해 냉장고 내부를 촬영하는 과정 및 하나 이상의 카메라의 배치에 대해 설명한다.

도 12는 본 개시의 실시 예에 따라, 아웃터 도어가 기 설정된 각도에서 인너 도어를 촬영하는 예를 설명하는 도면이다.

냉장고(10)는 아웃터 도어(14)가 기 설정된 각도 이상 개방된 후, 아웃터 도어(14)가 닫혀짐을 감지할 수 있다.

냉장고(10)는 아웃터 도어(14)가 닫혀지면서, 아웃터 도어(14)의 개방 각도가 기 설정된 각도에 도달한 경우, 카메라(121)에 캡쳐 명령을 전송할 수 있다. 카메라(121)는 캡쳐 명령을 수신한 시점에, 전방을 촬영할 수 있다.

아웃터 도어(14)가 기 설정된 각도만큼 개방된 경우, 카메라(121)의 촬영 방향(1201)은 인너 도어(13)의 전면일 수 있다.

즉, 카메라(121)는 아웃터 도어(14)가 기 설정된 각도에 도달할 시, 인너 도어(13)의 전면을 촬영할 수 있다.

사용자는 아웃터 도어(14)를 열어, 인너 도어(13)에 식품을 수납하거나, 인너 도어(13)로부터 식품을 빼낼 수 있다.

종래에는 냉장고(10)의 천장 벽면에만 카메라가 구비되어 있어, 인너 도어(13)에 구비된 식품에 대한 정보는 제대로 파악하기 어려웠다.

본 개시의 실시 예에 따르면, 사용자가 아웃터 도어(14)를 개방하고, 닫을 시, 최적의 촬영 각도로, 인너 도어(13)의 이미지를 촬영할 수 있다. 촬영된 이미지는 인너 도어(13)의 식품 수납 상태를 관리하는데 사용될 수 있다.

도 13 내지 도 14는 본 개시의 다양한 실시 예에 따른 아웃터 도어에 구비된 카메라의 배치를 설명하는 도면이다.

도 13은 아웃터 도어에 1개의 카메라가 구비된 경우의 실시 예이고, 도 14는 아웃터 도어에 2개의 카메라가 구비된 경우의 실시 예이다.

도 13 내지 도 14를 참조하면, 아웃터 도어(14)는 아웃터 케이스(141), 도어 라이너(142), 실링 부재(144), 도어 다이크(143)를 포함할 수 있다.

도어 케이스(141)는 아웃터 도어(14)의 전면을 구성하는 쇠판일 수 있다.

도어 라이너(142)는 도어 케이스(141)의 내측에 플라스틱과 같은 재질로 형성될 수 있다.

실링 부재(144)는 고무와 같은 탄성 재질로 구성될 수 있다.

실링 부재(144)는 아웃터 도어(14)의 폐쇄시, 냉장실의 내부 냉기가 외부로 누설되지 못하게 밀폐시킬 수 있다.

실링 부재(144)는 도어 라이너(142)의 배면에 배치될 수 있다.

실링 부재(144)는 내측 실링 부재(144a) 및 외측 실링 부재(144b)를 포함할 수 있다. 내측 실링 부재(144a)는 제1 힌지(114)에 근접하게 배치될 수 있고, 외측 실링 부재(144b)는 내측 실링 부재(144a)에 비해, 제1 힌지(114)보다 더 멀리 배치될 수 있다.

내측 실링 부재(144a) 및 외측 실링 부재(144b) 사이에는 둘을 잇는 한쌍의 연결 가스켓이 더 구비될 수 있다.

도어 다이크(143)는 아웃터 도어(14)에 구비된 바스켓을 고정시킬 수 있다.

도 13은 한 개의 카메라(121)가 아웃터 도어(14)의 도어 다이크(143)에 배치된 예를 도시하고 있다.

도 13을 참조하면, 카메라(121)는 외측 실링 부재(144b)에 인접한 도어 다이크(143)에 위치할 수 있다.

도어 다이크(143)에는 카메라(121)를 구비하기 위한 수용 홈이 형성되어 있을 수 있고, 수용 홈 내에 카메라(121)가 구비될 수 있다.

도 14를 참조하면, 아웃터 도어(14)의 도어 다이크(143)에 2개의 카메라가 배치된 예를 도시하고 있다.

도어 다이크(143)에는 제1 카메라(121a) 및 제2 카메라(121b)가 구비될 수 있다.

제1 카메라(121a) 및 제2 카메라(121b)는 일정한 거리를 두고 배치될 수 있다. 제1 카메라(121a) 및 제2 카메라(121b) 간 거리는 338mm일 수 있으나, 이는 예시에 불과하다.

제1 카메라(121a)가 촬영한 제1 이미지는 인너 도어(13)의 상측 선반에 구비된 식품의 수납 상태를 분석하기 위해 사용될 수 있고, 제2 카메라(121b)가 촬영한 제2 이미지는 인너 도어(13)의 하측 선반에 구비된 식품의 수납 상태를 분석하기 위해 사용될 수 있다.

도 13에 도시된 카메라(121), 도 14에 도시된 카메라들(121a, 121b) 각각은 블러에 강인한 고 프레임 레이트를 가질 수 있다. 예를 들어, 각 카메라의 프레임 레이트는 60fps일 수 있다.

각 카메라는 광각 카메라일 수 있고, 카메라의 화각은 135도일 수 있다.

이하에서는, 아웃터 도어 및 아웃터 도어에 구비된 카메라의 배치 구조를 상세히 설명한다.

도 15a 및 도 15b는 본 개시의 일 실시 예에 따라 아웃터 도어의 도어 다이크에 부착된 카메라의 배치 위치를 설명하는 도면이다.

특히, 도 15a는 도어 다이크(143)에 2개의 카메라(121a, 121b)가 구비된 예이다.

도 15a를 참조하면, 아웃터 도어(14)는 도어 라이너(142) 및 도어 라이너(142)에서 소정 높이로 돌출되고, 도어 라이너(142)의 외측 가장자리를 따라 둘러지는 도어 다이크(143)를 포함할 수 있다.

도어 다이크(143)는 제1 파트(143a), 제2 파트(143b), 제3 파트(143c)를 포함할 수 있다. 도어 다이크(143)는 사각 형상을 갖는 프레임일 수 있다.

제1 파트(143a) 및 제2 파트(143b)는 서로 마주볼 수 있다. 제1 파트(143a)의 길이 및 제2 파트(143b)의 길이는 제3 파트(143c)의 길이보다 길 수 있다.

제3 파트(143c)는 제1 파트(143a) 및 제2 파트(143b)를 서로 연결할 수 있다.

제4 파트(미도시) 또한, 제1 파트(143a) 및 제2 파트(143b)를 서로 연결할 수 있다.

제1 파트(143a)는 제2 파트(143b)에 비해 제1 힌지(114)에 보다 더 가까울 수 있다.

제1 카메라(121a) 및 제2 카메라(121b)는 도어 다이크(143)의 제2 파트(143b)에 내장될 수 있다. 제1 카메라(121a) 및 제2 카메라(121b)가 도어 다이크(143)의 제2 파트(143b)에 내장되기 위해, 제2 파트(143b)는 내장 홈이 구비될 수도 있다.

도 15b를 참조하면, 제1 카메라(121a)의 배치 위치에 대해 도시되어 있다. 도어 다이크(143)의 제2 파트(143b)는 제1면(1501), 제2 면(1503) 및 제3 면(1505)을 포함할 수 있다. 제2 파트(143b)는 도어 라이너(142)를 기준으로 소정 높이(k7)만큼 돌출될 수 있다.

제1면(1501) 및 제2 면(1503)은 서로 마주보도록 배치될 수 있다. 제3 면(1505)은 제1 면(1501) 및 제2 면(1503)을 연결할 수 있다.

제1 면(1501)은 아웃터 도어(14)의 우측을 향하고, 제2 면(1503)은 아웃

제1 카메라(121a)는 제2 파트(143b)의 제1 면(1501)에 구비될 수 있다.

아웃터 도어(14)가 완전히 닫힌 상태에서, 제1 면(1051)은 인너 도어(13)의 전면을 바라볼 수 있다.

제2 카메라(미도시)는 제1 카메라(121a) 보다 하측에 구비될 수 있다. 제2 카메라 또한, 제2 파트(143b)의 제1 면(1501)에 구비될 수 있다.

카메라가 한 개 구비된 경우에도, 카메라는 제2 파트(143b)의 제1 면(1501)에 구비될 수 있다.

카메라의 배치에 대해 보다 상세히 설명한다.

도 16a는 도 15a의 도면에서, 아웃터 도어(14)를 A1-A2 방향으로 자른 횡단면도이고, 도 16b는 도 15a의 도면에서, 아웃터 도어(14)를 B1-B2 방향으로 자른 종단면도이다.

도 16a 및 도 16b를 참조하면, 도어 라이너(142)의 외측 가장자리를 따라 구비된 도어 다이크(143)의 제2 파트(143b)에는 제1 카메라(121a)가 구비될 수 있다.

제2 파트(143b) 내에는 광을 조사하는 LED 모듈(1601) 및 LED 커버(1603)가 더 구비될 수 있다.

제1 카메라(121a)의 일부는 도어 다이크(143)의 제2 파트(143b)로부터 일정 거리(d1)만큼 돌출될 수 있다.

제1 카메라(121a)의 촬영 방향과 도어 다이크(143)의 제2 파트(143b)가 이루는 각도를 나타내는 촬영 각도는 90도에서, 기 설정된 개방 각도를 뺀 각도일 수 있다.

이에 대해서는 후술한다.

도 16a 및 도 16b는 도어 다이크(143)에 하나의 카메라가 구비된 경우를 기준으로 자른 단면도들 및 제2 카메라(121b)를 기준으로 자른 단면도들에도 적용될 수 있다.

도 17은 본 개시의 실시 예에 따라 아웃터 도어가 90만큼 개방된 경우와, 아웃터 도어가 기 설정된 각도만큼 개방된 경우, 카메라의 촬영 방향을 설명하는 도면이다.

도 17을 참조하면, 아웃터 도어(14)가 닫힌 상태의 인너 도어(13)를 기준으로, 90도만큼 개방되어 있는 경우, 카메라(121)의 촬영 방향(1701)과 아웃터 도어(14)가 이루는 각도인 촬영 각도는 90도에서, 기 설정된 개방 각도(a)를 뺀 각도일 수 있다.

즉, 카메라(121)는 아웃터 도어(14), 정확하게는 도어 다이크(143)의 제2 파트(143b)를 기준으로, 90-a만큼 틸팅되어 배치될 수 있다.

이는, 아웃터 도어(14)가 기 설정된 개방 각도(a)에 도달할 경우, 인너 도어(13)의 전면을 정확하게 촬영하기 위함이다.

즉, 아웃터 도어(14)가 기 설정된 개방 각도(a)만큼 개방된 경우, 카메라(121)의 촬영 방향(1703)은 인너 도어(13)의 전면을 향할 수 있다. 이에 따라, 인너 도어(13)에 있는 식품들이 블러 없이, 정확히 촬영될 수 있다.

기 설정된 개방 각도가 60도인 경우, 카메라(121)의 틸팅 각도는 30도일 수 있다.

도 17에서는 하나의 카메라가 도어 다이크(143)에 구비된 경우를 가정하여 설명하였으나, 도 17의 실시 예는 2개의 카메라가 도어 다이크(143)에 구비된 경우에도 각 카메라에 적용될 수 있다.

다시, 도 11을 설명한다.

냉장고(10)의 프로세서(180)는 하나 이상의 카메라를 통해 촬영된 이미지에 기반하여, 이너 도어(13)의 식품 수납 상태를 획득한다(S1111).

프로세서(180)는 영상 인식 모델을 이용하여, 촬영된 이미지에 포함된 복수의 식품들을 인식할 수 있다.

프로세서(180)는 인식된 복수의 식품들에 대한 정보에 기반하여, 식품 수납 상태를 획득할 수 있다. 식품 수납 상태는 인너 도어(13)에 구비된 복수의 식품들 각각의 종류, 위치, 개수에 대한 정보를 포함할 수 있다.

영상 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 학습된 인공 신경망 기반의 모델일 수 있다.

영상 인식 모델은 객체 감지 모델 및 객체 식별 모델을 포함할 수 있다.

객체 감지 모델은 이미지 데이터로부터 하나 이상의 객체를 감지하는 모델이고, 객체 식별 모델은 감지된 하나 이상의 객체가 무엇인지를 식별하는 모델일 수 있다.

객체 감지 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 기반의 모델일 수 있다.

객체 감지 모델은 인공 지능 장치(100)의 러닝 프로세서(130)에 의해 학습되어, 메모리(170)에 저장된 모델일 수 있다.

또 다른 예로, 객체 감지 모델은 AI 서버(200)의 러닝 프로세서(240)에 의해 학습되어, AI 서버(200)로부터 인공 지능 장치(100)에 전송된 모델일 수 있다.

객체 감지 모델을 이용하여, 영상으로부터, 복수의 객체들을 감지하는 예를 이하의 도면들을 참조하여, 설명한다.

객체는 식품일 수 있다.

도 18 및 도 19는 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.

도 18을 참조하면, 객체 감지 모델(1810)은 복수의 영상 데이터들을 포함하는 학습용 영상 데이터 세트(1800)를 이용하여, 각 학습용 영상 데이터로부터, 복수의 객체들을 포함하는 객체 경계 박스 세트를 획득할 수 있다.

객체 경계 박스 세트는 객체를 포함하는 경계 박스들의 집합일 수 있다.

객체 감지 모델(1800)은 YOLO(You Only Look Once) 알고리즘을 이용하여, 영상 데이터로부터, 복수의 객체들을 감지할 수 있다.

YOLO(You Only Look Once) 알고리즘은 복수의 CNN들로 구성될 수 있다.

YOLO(You Only Look Once) 알고리즘에 대해서는, 후술한다.

YOLO(You Only Look Once) 알고리즘은 그리드 분할 과정, 예측 과정, 신뢰도 계산 과정, 객체 선정 과정을 포함할 수 있다.

그리드 분할 과정은 이미지 데이터(1900)를 복수의 그리드들로 나누는 과정일 수 있다. 복수의 그리드들 각각의 크기는 동일할 수 있다.

예측 과정은 각 그리드에 대해 그리드 중앙을 중심으로, 미리 정의된 형태(predefined shape)로 지정된 경계 박스의 개수를 예측하는 과정일 수 있다.

미리 정의된 형태(predefined shape)로 지정된 경계 박스는 K-평균 알고리즘에 의한 데이터로부터 생성될 수 있고, 객체의 크기 및 형태에 대한 사전 정보를 담고 있을 수 있다.

각 경계 박스는 각기 다른 크기 및 형태의 객체를 감지하도록 설계될 수 있다.

각 경계 박스는 객체의 형태 또는 경계를 나타낼 수도 있다.

신뢰도 계산 과정은 예측 과정에서, 얻어진 경계 박스들 각각에 객체가 포함되어 있는지, 배경만 단독으로 있는지 여부에 따라, 경계 박스의 신뢰도를 계산하는 과정일 수 있다.

객체 판단 과정은 신뢰도 계산 과정에 따라 기 설정된 값 이상의 신뢰도를 갖는 경계 박스에 객체가 존재하는 것으로 판단하는 과정일 수 있다.

객체 판단 과정을 통해 이미지 데이터(1900)에 포함된 복수의 경계 박스들(1901 내지 1905)이 추출될 수 있다.

다시, 도 5를 설명한다.

프로세서(180)는 객체 감지 모델(1800)을 통해 추출된 복수의 경계 박스들로부터, 각 객체의 식별 정보를 획득할 수 있다.

프로세서(180)는 객체 식별 모델을 이용하여, 각 경계 박스에 해당하는 이미지 데이터로부터, 경계 박스 내에 존재하는 객체를 식별할 수 있다.

객체 식별 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 학습된 인공 신경망 기반의 모델일 수 있다.

객체 식별 모델은 지도 학습을 통해 학습된 모델일 수 있다.

객체 식별 모델은 이미지 데이터로부터, 객체의 식별 정보를 추론하는 모델일 수 있다. 객체의 식별 정보는 객체의 명칭, 객체의 식별자 등 객체를 식별하는 정보일 수 있다.

객체 식별 모델은 학습용 이미지 데이터 및 학습용 이미지 데이터에 레이블된 레이블링 데이터를 포함하는 트레이닝 데이터 세트를 입력 데이터로 하여, 객체의 식별 정보를 출력하는 모델일 수 있다.

도 20은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.

도 20을 참조하면, 객체 식별 모델(2000)은 학습용 이미지 데이터 및 이에 레이블된 레이블링 데이터를 포함하는 트레이닝 데이터 세트를 이용하여, 객체 식별 정보를 추론할 수 있다.

레이블링 데이터는 정답 데이터로, 객체 식별 정보일 수 있다.

객체 식별 모델(2000)은 레이블링 데이터와 객체 식별 정보 간의 차이에 상응하는 비용 함수를 최소화하도록 학습될 수 있다.

객체 식별 모델(2000)의 비용 함수는 각 이미지 데이터에 상응하는 객체 식별 정보에 대한 라벨과, 각 이미지 데이터로부터 추론된 객체 식별 정보 간의 차이의 제곱 평균으로 표현될 수 있다.

학습용 이미지 데이터에서 입력 특징 벡터가 추출되어, 입력되면, 객체의 식별 결과가 대상 특징 벡터로서 출력되고, 객체 식별 모델(2000)은 출력된 대상 특징 벡터와 라벨링된 객체 식별 정보의 차이에 상응하는 손실 함수를 최소화하도록 학습되는 것일 수 있다.

객체 식별 모델(2000)은 냉장고(10)의 러닝 프로세서(130) 또는 AI 서버(200)의 러닝 프로세서(240)에 의해 학습되어, 냉장고(10)에 탑재될 수 있다.

객체 식별 모델(2000)은 도 19에 도시된, 제1 경계 박스(1901)에 해당되는 제1 이미지 데이터로부터, 제1 객체 식별 정보를 결정할 수 있다. 예를 들어, 제1 객체 식별 정보는 음료수(또는 콜라)일 수 있다.

객체 식별 모델(2000)은 제2 경계 박스(1902)에 해당되는 제2 이미지 데이터로부터, 제2 객체 식별 정보를 결정할 수 있다. 예를 들어, 제2 객체 식별 정보는 우유일 수 있다.

이와 같이, 객체 식별 모델(2000)을 통해, 이미지 데이터로부터, 객체가 어떤 식품인지가 식별될 수 있다.

다시, 도 11을 설명한다.

프로세서(180)는 획득된 객체 식별 정보를 이용하여, 식품 수납 상태를 획득할 수 있다. 식품 수납 상태는 인너 도어(13)에 구비된 복수의 식품들 각각의 종류, 위치, 개수 중 하나 이상을 포함할 수 있다.

식품의 위치는 객체 감지 모델(1800)을 통해 감지된 객체 경계 박스의 위치를 통해 획득될 수 있다.

냉장고(10)의 프로세서(180)는 획득된 이너 도어(13)의 식품 수납 상태에 기반하여, 식품 관리 정보를 출력한다(S1113).

식품 관리 정보는 식품의 재고 변경 정보, 식품의 재고에 따른 구매 연동 정보, 레시피 정보 중 하나 이상을 포함할 수 있다.

재고 변경 정보는 인너 도어(13)에 구비된 식품의 재고가 변경되었음을 나타내는 정보일 수 있다.

구매 연동 정보는 식품의 재고 상태에 따라 특정 식품을 구매할 수 있는 사이트 정보를 나타낼 수 있다.

레시피 정보는 인너 도어(13)에 구비된 식품을 이용하여, 조리될 수 있는 요리의 레시피를 나타내는 정보일 수 있다.

프로세서(180)는 아웃터 도어(14)에 구비된 투명 디스플레이(14-1)를 통해 식품 관리 정보를 출력할 수 있다.

프로세서(180)는 아웃터 도어(14)가 완전히 닫히는 시점에 식품 관리 정보를 투명 디스플레이(14-1) 상에 표시할 수 있다.

이하에서는, 사용자가 식품을 인너 도어(13)에 수납하거나, 뺄 때 출력되는 식품 관리 정보에 대해 설명한다.

도 21a 내지 도 21d는 본 개시의 실시 예에 따라 냉장고의 인너 도어에 식품을 수납할 시, 투명 디스플레이 상에 표시되는 식품 관리 정보의 예를 보여준다.

도 21a를 참조하면, 사용자는 2개의 우유를 인너 도어에 수납할 수 있다. 냉장고(10)는 아웃터 도어(14)가 개방되고, 2개의 우유가 인너 도어에 수납된 후, 아웃터 도어(14)의 닫힘을 감지할 수 있다.

냉장고(10)는 아웃터 도어(14)가 닫혀지면서, 아웃터 도어(14)의 개방 각도가 기 설정된 각도에 도달한 경우, 하나 이상의 카메라를 통해 인너 도어를 촬영할 수 있다.

냉장고(10)는 촬영된 이미지에 기반하여, 인너 도어에 수납된 식품들 각각을 식별하고, 식별된 정보에 기초하여, 식품 수납 상태를 획득할 수 있다.

냉장고(10)는 식품 수납 상태를 투명 디스플레이(14-1) 상에 표시할 수 있다.

도 21b를 참조하면, 인너 도어에 수납된 식품들의 수납 상태가 변경된 경우, 냉장고(10)는 식품 수납 상태가 변경되었음을 알리는 알림(2110)을 투명 디스플레이(14-1) 상에 표시할 수 있다.

알림(2110)은 아이콘 또는 텍스트와 같은 시각적인 형태로 표시될 수 있으나, 이에 한정될 필요는 없다. 즉, 냉장고(10)는 음성과 같은 형태로, 알림을 출력할 수도 있다.

냉장고(10)는 알림(2110)이 선택된 경우, 도 21c에 도시된 바와 같이, 변경된 식품의 수납 상태를 알리는 수납 상태 정보(2130)를 투명 디스플레이(14-1) 상에 표시할 수 있다.

수납 상태 정보(2130)는 인너 도어에 투입된 식품의 명칭(우유), 식품의 개수(2개) 및 식품의 이미지(우유의 이미지) 중 하나 이상을 포함할 수 있다.

냉장고(10)는 수납 상태 정보(2130)가 사용자의 터치를 통해 선택된 경우, 도 21d에 도시된 바와 같이, 식품 관리 정보(2170)를 투명 디스플레이(14-1) 상에 표시할 수 있다.

식품 관리 정보(2170)는 냉장고(10) 내에 보관된 식품들에 대한 정보를 포함할 수 있다.

식품 관리 정보(2170)는 야채칸에 수납된 식품들에 대한 정보(2171) 및 인너 도어에 수납된 식품들에 대한 정보(2173)를 포함할 수 있다.

야채칸에 수납된 식품들에 대한 정보(2171)는 품목, 각 품목의 수량, 장기 보관된 수량, 구매 항목을 포함할 수 있다. 장기 보관된 수량은 각 품목의 유통 기한을 고려하여 설정된 기간 이상 보관된 수량일 수 있다.

인너 도어에 수납된 식품들에 대한 정보(2173)는 인너 도어에 수납된 식품의 품목, 각 품목의 수량, 장기 보관된 수량, 구매 항목을 포함할 수 있다.

구매 항목은 해당 식품의 구매를 위한 사이트로 연결시킬 수 있는 항목일 수 있다. 냉장고(10)는 특정 품목에 해당하는 구매 항목이 선택된 경우, 해당 품목을 구매할 수 있는 구매 사이트의 화면을 투명 디스플레이(14-1) 상에 표시할 수 있다. 사용자는 구매 사이트를 통해 재고가 부족한 식품을 손쉽게 구매할 수 있다.

한편, 인너 도어에는 2개의 우유가 추가로 수납되었으므로, 2개의 우유 추가에 대한 사항이 식품 관리 정보(2170)에 반영될 수 있다.

즉, 인너 도어에 수납된 식품들에 대한 정보(2173)는 2개의 우유가 추가된 사항(2180)이 반영될 수 있다.

이와 같이, 사용자는 인너 도어에 해당되는 식품 관리 정보를 통해 식품의 재고 관리, 구매 연동 등의 서비스를 받을 수 있어, 향상된 사용자 경험을 느낄 수 있다.

다음으로, 카메라를 통해 촬영된 이미지에 기반하여, 인식된 식품에 오류가 발생한 경우, 식품 관리 정보를 수정하는 예를 설명한다.

도 22a 내지 도 22c는 본 개시의 실시 예에 따라 영상 인식을 통해 식품 인식에 오류가 발생한 경우, 식품 관리 정보를 수정하는 과정을 설명하는 도면이다.

도 22a를 참조하면, 투명 디스플레이 상에 표시된 식품 관리 정보(2170)가 도시되어 있다. 도 21a에서처럼, 사용자가 인너 도어에 2개의 우유를 수납하였는데, 우유 항목(2210)에는 1개의 우유가 수납된 결과가 얻어질 수 있다. 이는 카메라를 통한 식품 인식 시, 오류가 발생된 경우일 수 있다.

사용자는 이러한 오류를 수정하기 위한 작업을 수행할 수 있다.

식품 관리 정보(2170)는 식품의 수납 상태를 수정하기 위한 수정 항목(2175)를 포함할 수 있다.

냉장고(10)는 수정 항목(2175)이 선택된 경우, 도 22b에 도시된 바와 같이, 우유 항목(2210)의 일측에, 우유의 수량을 수정하기 위한 버튼(2230)이 표시될 수 있다.

냉장고(10)는 버튼(2230)에 입력된 사용자 입력에 따라 수정된 우유의 수량을 식품 관리 정보(2170)에 반영할 수 있다.

도 23a 내지 도 23d는 본 개시의 실시 예에 따라 냉장고의 인너 도어에 식품을 인출할 시, 투명 디스플레이 상에 표시되는 식품 관리 정보의 예를 보여준다.

도 23a를 참조하면, 사용자는 1개의 우유를 인너 도어로부터 인출할 수 있다. 냉장고(10)는 아웃터 도어(14)가 개방되고, 1개의 우유가 인출된 후, 아웃터 도어(14)의 닫힘을 감지할 수 있다.

도 23b를 참조하면, 인너 도어에 수납된 식품들의 수납 상태가 변경된 경우, 냉장고(10)는 식품 수납 상태가 변경되었음을 알리는 알림(2310)을 투명 디스플레이(14-1) 상에 표시할 수 있다.

냉장고(10)는 알림(2310)이 선택된 경우, 도 23c에 도시된 바와 같이, 변경된 식품의 수납 상태를 알리는 수납 상태 정보(2330)를 투명 디스플레이(14-1) 상에 표시할 수 있다.

수납 상태 정보(2130)는 인너 도어로부터 인출된 식품의 명칭(우유), 인출된 식품의 개수(1개) 및 인출된 식품의 이미지(우유의 이미지) 중 하나 이상을 포함할 수 있다.

냉장고(10)는 수납 상태 정보(2330)가 사용자의 터치를 통해 선택된 경우, 도 23d에 도시된 바와 같이, 식품 관리 정보(2170)를 투명 디스플레이(14-1) 상에 표시할 수 있다.

식품 관리 정보(2170)에 대한 상세한 설명은 도 21d의 설명으로 대체한다.

한편, 인너 도어로부터, 1개의 우유가 인출되었으므로, 우유 항목(2210)은 1개의 우유가 인출된 상태를 반영할 수 있다.

다시, 도 11을 설명한다.

한편, 단계 S1103에서, 냉장고(10)의 프로세서(180)는 아웃터 도어(14)의 개방 각도가 기 설정된 각도 미만인 경우, 아웃터 도어(14)의 닫힘을 감지하는 순간, 하나 이상의 카메라를 통해 냉장고(10)의 내부를 촬영한다(S1115).

그 후에는, 단계 S1111로 넘어가, 프로세서(180)는 촬영된 이미지에 기반하여, 이너 도어의 식품 수납 상태를 획득하고(S1111), 획득된 식품 수납 상태에 기반하여 식품 관리 정보를 출력한다(S1113).

도 24a 내지 도 24c는 본 개시의 실시 예에 따라 인식된 식품을 이용한 요리의 레시피를 추천해 주는 과정을 설명하는 도면이다.

도 24a를 참조하면, 투명 디스플레이(14-1)는 냉장고(10)와 관련된 복수의 어플리케이션들을 포함하는 앱 리스트(2400)를 표시한다.

냉장고(10)는 앱 리스트(2400)에 포함된 파노라마 카메라 어플리케이션(2401)이 선택된 경우, 도 24b에 도시된 바와 같이, 파노라마 카메라를 통해 인식된 식품들을 포함하는 식품 리스트(2410)를 투명 디스플레이(14-1) 상에 표시할 수 있다.

파노라마 카메라는 냉장고(10)의 천장에 부착된 카메라로, 인너 도어보다 더 내측에 위치한 저장실을 촬영하는 카메라일 수 있다.

도 24c에 도시된 바와 같이, 냉장고(10)는 식품 리스트(2410) 상에서 복수의 식품들이 선택된 경우, 선택된 식품의 종류 및 개수에 맞는 복수의 레시피들을 검색할 수 있다.

냉장고(10)는 레시피 어플리케이션을 통해, 검색된 복수의 레시피들을 제공할 수 있다.

도 25a 내지 도 25d는 냉장고에 구비된 투명 디스플레이를 통해, 식품을 구매하는 과정을 설명하는 도면이다.

도 25a를 참조하면, 식품 리스트(2410)가 도시되어 있다. 식품 리스트(2410) 상에서 가지에 해당하는 구매 버튼(2501)이 선택된 경우, 냉장고(10)는 가지의 구매 의사를 묻는 제1 팝업 창(2510)을 투명 디스플레이(14-1) 상에 표시할 수 있다.

냉장고(10)는 가지 이외에 다른 식품들에 대해서도, 구매 의사를 동의하는 입력을 수신한 경우, 도 25c에 도시된 바와 같이, 구매 의사를 밝힌 복수의 식품들의 구매를 확정함을 묻는 제2 팝업 창(2530)을 투명 디스플레이(14-1) 상에 표시할 수 있다.

냉장고(10)는 제2 팝업 창(2530)을 통해 구매 확정을 위한 입력을 수신한 경우, 도 25d에 도시된 바와 같이, 구매 완료를 알리는 제3 팝업 창(2550)을 투명 디스플레이(14-1) 상에 표시할 수 있다.

이와 같이, 본 개시의 실시 예에 따르면, 사용자는 투명 디스플레이(14-1) 상에서, 구매하고자 하는 식품을 간단하고 편리하게 구매할 수 있다.

한편, 아웃터 도어(14)에 구비된 하나 이상의 카메라를 통해 인너 도어(13)를 촬영하는 경우, 인너 도어(13)보다 더 내측에 위치한 내측 저장실의 식품들도 함께 촬영될 수 있다.

따라서, 인너 도어(13)에 수납된 식품들만을 인식하기 위해서는, 내측 저장실에 수납된 식품들을 제거하는 과정이 필요하다.

도 26 및 도 27은 본 개시의 실시 예에 따라, 인너 도어에 수납된 식품과 인너 도어의 내측에 배치된 내측 저장실에 수납된 식품을 구분하는 과정을 설명하는 도면이다.

먼저, 도 26을 참조하면, 냉장고(10)의 프로세서(180)는 아웃터 도어(14)가 닫히는 과정에서, 기 설정된 개방 각도에 도달할 시, 깊이 센서를 통해 깊이 이미지를 획득한다(S2601).

단계 S2601은 도 11의 단계 S1109와 동시에 수행될 수 있다.

깊이 센서의 배치 위치는 아웃터 도어(14)의 도어 다이크(143)에 구비된 카메라(121)에 인접한 위치에 배치될 수 있다.

이는, 카메라(121)를 통해 촬영된 이미지의 뷰와 깊이 센서를 통해 얻어진 깊이 이미지 간의 뷰가 동일해야 하기 때문이다. 즉, 보이는 뷰가 다르게 되면, 카메라(121)를 통해 촬영된 이미지 및 깊이 이미지 각각에 포함된 식품이 동일한지를 판별하는 추가적인 과정이 필요하여, 이미지 처리의 loss로 발생되기 때문이다.

도 27을 참조하면, 인너 도어 및 내측 저장실의 일부(2710)가 도시되어 있다. 프로세서(180)는 깊이 센서를 상기 일부(2710)에 해당하는 깊이 이미지(2730)를 획득할 수 있다.

프로세서(180)는 획득된 깊이 이미지로부터, 기 설정된 깊이 값을 기준으로, 인너 도어(13)와 내측 저장실을 분리한다(S2603).

일 실시 예에서, 기 설정된 깊이 값은 인너 도어(13)가 차지하는 영역의 수평 거리일 수 있다.

프로세서(180)는 기 설정된 임계 값 보다 큰 값을 갖는 영역을 내측 저장실로, 기 설정된 임계 값 보다 작은 값을 갖는 영역을 인너 도어(13)로 각각 분리할 수 있다.

도 27을 참조하면, 깊이 이미지(2730)는 기 설정된 깊이 값에 따라 인너 도어(13)에 해당되는 영역(2731)과 그 이외의 영역으로 구분될 수 있다.

프로세서(180)는 상기 분리 단계의 결과에 따라, 하나 이상의 카메라를 통해 촬영된 이미지로부터, 내측 저장실에 해당되는 영역을 제거한다(S2605).

프로세서(180)는 내측 저장실에 해당되는 영역이 제거된 후의 이미지에 기반하여, 인너 도어(13)에 수납된 식품들을 인식할 수 있다. 이에 대해서는, 도 18 내지 도 20의 실시 예가 적용될 수 있다.

이와 같이, 본 개시의 실시 예에 따르면, 인너 도어(13)에 구비된 식품과 인너 도어(13)의 내측에 구비된 내측 저장실에 구비된 식품을 분리하여, 인너 도어(13)에 구비된 식품이 정확히 인식될 수 있다.

한편, 단계 S2603 및 S2605는 AI 서버(200)의 프로세서(260)에 의해 수행될 수도 있다. 이 경우, 냉장고(10)는 카메라를 통해 촬영된 이미지 및 깊이 센서를 통해 획득된 깊이 이미지를 AI 서버(200)에 전송할 수 있다.

전술한 본 개시는, 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 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims

인공 지능 냉장고에 있어서,
인너 도어;
전면에 투명 디스플레이를 구비하는 아웃터 도어;
상기 아웃터 도어에 구비된 하나 이상의 카메라;
상기 아웃터 도어의 개폐 또는 개방 각도를 감지하는 센서; 및
상기 아웃터 도어의 닫힘을 감지한 경우, 상기 아웃터 도어의 개방 각도가 기 설정된 각도인지를 판단하고, 상기 아웃터 도어의 개방 각도가 상기 기 설정된 각도인 경우, 상기 하나 이상의 카메라를 통해, 상기 인너 도어를 촬영하고, 촬영된 이미지에 기반하여, 상기 인너 도어에 수납된 식품들의 수납 상태를 획득하고, 획득된 수납 상태에 기반하여, 식품 관리 정보를 상기 투명 디스플레이에 표시하는 하나 이상의 프로세서를 포함하는
인공 지능 냉장고.
제1항에 있어서,
상기 아웃터 도어는
아웃터 케이스,
상기 아웃터 케이스의 배면에 장착되는 도어 라이너,
상기 도어 라이너에 배치되고, 상기 아웃터 케이스의 배면에 식품을 수납할 수 있는 아웃터 바스켓을 고정시키는 도어 다이크를 포함하고,
상기 하나 이상의 카메라는 상기 도어 다이크에 배치된
인공 지능 냉장고.
제2항에 있어서,
상기 도어 다이크는
상기 아웃터 도어를 회동 가능하게 하는 흰지에 더 가깝게 배치된 제1 파트 및
상기 제1 파트와 마주보도록 배치되며, 상기 제1 파트에 비해 상기 흰지 보다 더 멀리 배치된 제2 파트를 더 포함하고,
상기 하나 이상의 마이크는
상기 제2 파트에 구비된
인공 지능 냉장고.
제3항에 있어서,
상기 제2 파트는
상기 도어 라이너를 기준으로, 소정 높이만큼 돌출되고,
제1면, 상기 제1 면과 마주보는 제2 면 및 상기 제1 면 및 제2 면을 연결하는 제3면을 포함하고,
상기 하나 이상의 카메라는 상기 제1면에 배치되는
인공 지능 냉장고.
제4항에 있어서,
상기 하나 이상의 카메라는 90도에서 상기 기 설정된 개방 각도를 뺀 각도만큼 틸팅되어 배치된
인공 지능 냉장고.
제5항에 있어서,
상기 기 설정된 개방 각도는 60도인
인공 지능 냉장고.
제1항에 있어서,
상기 하나 이상의 프로세서는
상기 아웃터 도어의 개방 각도가 기 설정된 각도 이상 개방되지 않은 경우, 상기 아웃터 도어의 닫힘을 감지한 순간, 상기 인너 도어를 촬영하도록 상기 하나 이상의 카메라를 제어하는
인공 지능 냉장고.
제1항에 있어서,
상기 하나 이상의 카메라에 인접하여 배치된 깊이 센서를 더 포함하고,
상기 하나 이상의 프로세서는
상기 깊이 센서를 통해 획득된 깊이 이미지로부터, 상기 인너 도어 및 상기 인너 도어의 내측에 위치한 내측 저장실을 분리하고,
상기 촬영된 이미지로부터, 상기 분리된 내측 저장실에 해당되는 영역을 제거하고,
상기 영역의 제거 후의 이미지에 기반하여, 상기 인너 도어에 수납된 식품들의 수납 상태를 획득하는
인공 지능 냉장고.
제1항에 있어서,
메모리를 더 포함하고,
상기 하나 이상의 프로세서는
상기 메모리에 저장된 객체 감지 모델을 이용하여, 상기 이미지로부터, 식품을 포함하는 객체 경계 박스를 획득하고,
상기 메모리에 저장된 객체 식별 모델을 이용하여, 상기 객체 경계 박스로부터, 상기 식품을 식별하고,
상기 객체 감지 모델 및 상기 객체 식별 모델 각각은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 학습된 인공 신경망 기반의 모델인
인공 지능 냉장고.
제9항에 있어서,
상기 하나 이상의 프로세서는
상기 식별된 식품에 기반하여, 상기 식품의 투입 또는 인출을 나타내는 상기 수납 상태를 획득하고,
상기 수납 상태를 알리는 알림을 상기 투명 디스플레이 상에 표시하는
인공 지능 냉장고.
제10항에 있어서,
상기 하나 이상의 프로세서는
상기 수납 상태에 기반하여, 상기 식품의 재고 변경 정보, 상기 식품의 구매 연동 정보 및 상기 식품을 이용한 레시피 정보 중 하나 이상을 포함하는 상기 식품 관리 정보를 상기 투명 디스플레이 상에 표시하는
인공 지능 냉장고.
제1항에 있어서,
AI 서버와 통신하는 통신 인터페이스를 더 포함하고,
상기 하나 이상의 프로세서는
상기 촬영된 이미지를 상기 통신 인터페이스를 통해 상기 AI 서버에 전송하고,
상기 AI 서버로부터, 상기 수납 상태 및 상기 식품 관리 정보를 수신하는
인공 지능 냉장고.
제1항에 있어서,
상기 센서는
전자석 센서, 가속도 센서, 스위치 센서 중 어느 하나인
인공 지능 냉장고.
제1항에 있어서,
상기 아웃터 도어에 제1 카메라 및 제2 카메라가 구비된 경우,
상기 제1 카메라는 상기 인너 도어의 상측 칸을 촬영하고, 상기 제2 카메라는 상기 인너 도어의 하측 칸을 촬영하는
인공 지능 냉장고.
제1항에 있어서,
상기 하나 이상의 프로세서는
상기 아웃터 도어가 완전히 닫힌 후, 상기 식품 관리 정보를 상기 투명 디스플레이 상에 표시하는
인공 지능 냉장고.