KR102273192B1 - 인공 지능 냉장고 및 그의 동작 방법 - Google Patents
인공 지능 냉장고 및 그의 동작 방법 Download PDFInfo
- Publication number
- KR102273192B1 KR102273192B1 KR1020200000913A KR20200000913A KR102273192B1 KR 102273192 B1 KR102273192 B1 KR 102273192B1 KR 1020200000913 A KR1020200000913 A KR 1020200000913A KR 20200000913 A KR20200000913 A KR 20200000913A KR 102273192 B1 KR102273192 B1 KR 102273192B1
- Authority
- KR
- South Korea
- Prior art keywords
- food
- storage
- refrigerator
- image
- artificial intelligence
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000011017 operating method Methods 0.000 title description 2
- 235000013305 food Nutrition 0.000 claims abstract description 171
- 238000000034 method Methods 0.000 claims description 61
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 235000014676 Phragmites communis Nutrition 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 41
- 238000007726 management method Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 235000002597 Solanum melongena Nutrition 0.000 description 12
- 244000061458 Solanum melongena Species 0.000 description 12
- 235000013311 vegetables Nutrition 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 230000008014 freezing Effects 0.000 description 7
- 238000007710 freezing Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000010411 cooking Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D25/00—Charging, supporting, and discharging the articles to be cooled
- F25D25/02—Charging, supporting, and discharging the articles to be cooled by shelves
- F25D25/024—Slidable shelves
- F25D25/025—Drawers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2400/00—General features of, or devices for refrigerators, cold rooms, ice-boxes, or for cooling or freezing apparatus not covered by any other subclass
- F25D2400/36—Visual displays
- F25D2400/361—Interactive visual displays
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2500/00—Problems to be solved
- F25D2500/06—Stock management
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/02—Sensors detecting door opening
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/06—Sensors detecting the presence of a product
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
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
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.
사용자가 현재 냉장고의 저장물을 파악하기 위해서는 직접 냉장고 도어를 열고 내부를 살펴보아야 하는 불편이 있다.
대한민국 공개 특허(공개번호: 10-2014-0059978)는 RFID태그가 부착된 식품이 냉장고에 들어오면 RFID 리더기를 통해 정보를 읽어 들여 저장을 하고, 저장이 완료된 후 사용자의 얼굴을 포함하는 영상을 카메라로부터 획득한다. 또한, 획득한 영상에서 사용자를 분류하여 사용자의 특징에 따라 음식물을 추천하거나 냉장고 도어를 제어하는 내용이 개시되어 있다.
그러나, 이는, 냉장고에 넣는 식품에 RFID 태그가 반드시 부착되어 있어야 하므로, RFID 태그가 없는 식품에 대해서는 인식이 불가능하고, RFID 태그의 부착을 위한 비용이 발생하는 문제가 있다.
본 발명은 냉장고에 구비된 카메라를 이용하여, 냉장고의 저장실의 식품 수납 상태를 제공할 수 있는 것에 그 목적이 있다.
본 발명은 냉장고의 저장실의 식품 수납 상태를 정확하게 식별할 수 있는 인공 지능 냉장고의 제공을 목적으로 한다.
본 발명 냉장고의 저장실의 식품 수납 상태를 파악하여, 식품 재고 관리, 식품 구매를 유도, 식품을 이용한 요리의 레시피를 추천할 수 있는 인공 지능 냉장고의 제공을 그 목적으로 한다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 저장실의 개방이 감지된 경우, 카메라의 촬영을 온 시키고, 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점이 감지된 경우, 상기 카메라에 캡쳐 명령을 전송하고, 상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하고, 획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 표시할 수 있다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 저장실의 이동 방향이 개방 방향에서, 닫힘 방향으로 전환된 시점을 상기 닫힘 시점으로 획득할 수 있다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 상기 카메라의 복수의 촬영 시점들 각각에 상응하는 복수의 영상들을 획득하고, 획득된 복수의 영상들 중 상기 저장실의 면적이 최대인 영상을 추출하고, 추출된 영상의 촬영 시점을 상기 저장실의 최대 개방 시점으로 획득할 수 있다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 수납 상태에 기반하여, 상기 식품의 재고 변경 정보, 상기 식품의 구매 연동 정보 및 상기 식품을 이용한 요리의 레시피 정보 중 하나 이상을 포함하는 상기 식품 관리 정보를 표시할 수 있다.
본 발명의 실시 예에 따르면, 사용자는 냉장고의 저장실에 수납된 식품의 수납 상태에 대한 정보를 손쉽고, 빠르게 파악할 수 있다.
본 발명의 실시 예에 따르면, 냉장고의 저장실의 수납 상태에 대한 정보가 정확히 판단되어, 사용자에게 정확한 수납 상태에 대한 정보가 제공될 수 있다.
본 발명의 실시 예에 따르면, 저장실의 식품 재고 관리, 구매 연동 서비스, 레시피 추천 기능을 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 5a는 본 발명의 일 실시 예에 따른 냉장고의 사시도이고, 도 5b 내지도 5d는 발명의 실시 예에 따른 냉장고의 내부를 설명하기 위한 도면들이다.
도 6a는 본 발명의 일 실시 예에 따른 제1 저장실의 개폐 여부를 감지하는 제1 저장실 개폐 센서의 배치 위치를 설명하는 도면이고, 도 6b는 제2 저장실의 개폐 여부를 감지하는 제2 저장실 개폐 센서의 배치 위치를 설명하는 도면이다.
도 7a는 본 발명의 일 실시 예에 따른 자석의 배치 위치를 설명하는 도면이고, 도 7b는 자석과 결합하는 홀더를 설명하는 도면이다.
도 8a 및 도 8b는 본 발명의 일 실시 예에 따라 저장실 개폐 센서가 저장실의 개폐 여부를 감지하는 원리를 설명하는 도면이다.
도 9는 본 발명의 실시 예에 따른 냉장고의 동작 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시 예에 따라 카메라를 통해 저장실의 영상을 획득하는 예를 설명하는 도면이고, 도 11 및 도 12는 복수의 영상들에 기반하여, 저장실의 최대 개방 시점을 획득하는 과정을 설명하는 도면이다.
도 13 및 도 14는 본 발명의 실시 예에 따라 카메라를 통해 촬영된 영상에 기반하여, 저장실의 닫힘 시점을 감지하는 과정을 설명하는 도면이다.
도 15 및 도 16은 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.
도 17은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.
도 18은 냉장고의 아웃 도어가 닫힌 상태에서, 냉장고의 정면도이다.
도 19a 내지 도 19h는 본 발명의 실시 예에 따라 냉장고의 저장실에 식품을 수납한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 수납된 식품과 관련된 레시피 정보를 제공하는 과정을 설명하는 도면이다.
도 20 및 도 21은 본 발명의 일 실시 예에 따라, 냉장고에 수납된 식품을 인식하고, 인식된 식품을 이용한 요리의 레시피 정보를 획득하는 예들을 설명하는 도면이다.
도 22a 내지 도 22f는 본 발명의 실시 예에 따라 냉장고의 저장실로부터 식품을 인출한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 인출된 식품을 주문하기 위한 정보를 제공하는 과정을 설명하는 도면이다.
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 5a는 본 발명의 일 실시 예에 따른 냉장고의 사시도이고, 도 5b 내지도 5d는 발명의 실시 예에 따른 냉장고의 내부를 설명하기 위한 도면들이다.
도 6a는 본 발명의 일 실시 예에 따른 제1 저장실의 개폐 여부를 감지하는 제1 저장실 개폐 센서의 배치 위치를 설명하는 도면이고, 도 6b는 제2 저장실의 개폐 여부를 감지하는 제2 저장실 개폐 센서의 배치 위치를 설명하는 도면이다.
도 7a는 본 발명의 일 실시 예에 따른 자석의 배치 위치를 설명하는 도면이고, 도 7b는 자석과 결합하는 홀더를 설명하는 도면이다.
도 8a 및 도 8b는 본 발명의 일 실시 예에 따라 저장실 개폐 센서가 저장실의 개폐 여부를 감지하는 원리를 설명하는 도면이다.
도 9는 본 발명의 실시 예에 따른 냉장고의 동작 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시 예에 따라 카메라를 통해 저장실의 영상을 획득하는 예를 설명하는 도면이고, 도 11 및 도 12는 복수의 영상들에 기반하여, 저장실의 최대 개방 시점을 획득하는 과정을 설명하는 도면이다.
도 13 및 도 14는 본 발명의 실시 예에 따라 카메라를 통해 촬영된 영상에 기반하여, 저장실의 닫힘 시점을 감지하는 과정을 설명하는 도면이다.
도 15 및 도 16은 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.
도 17은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.
도 18은 냉장고의 아웃 도어가 닫힌 상태에서, 냉장고의 정면도이다.
도 19a 내지 도 19h는 본 발명의 실시 예에 따라 냉장고의 저장실에 식품을 수납한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 수납된 식품과 관련된 레시피 정보를 제공하는 과정을 설명하는 도면이다.
도 20 및 도 21은 본 발명의 일 실시 예에 따라, 냉장고에 수납된 식품을 인식하고, 인식된 식품을 이용한 요리의 레시피 정보를 획득하는 예들을 설명하는 도면이다.
도 22a 내지 도 22f는 본 발명의 실시 예에 따라 냉장고의 저장실로부터 식품을 인출한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 인출된 식품을 주문하기 위한 정보를 제공하는 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.
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.
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 5a는 본 발명의 실시 예에 따른 냉장고의 사시도이고, 도 5b 내지도 5d는 발명의 실시 예에 따른 냉장고의 내부를 설명하기 위한 도면들이다.
도 5a를 참조하면, 냉장고(10)는 복수의 저장실들을 구비하는 캐비닛(11) 및 캐비닛(11)의 전면에 구비되어, 복수의 저장실들 중 어느 하나를 선택적으로 개폐하는 도어들(12,15)를 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(18)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.
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(14)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.
도 5b 내지 도 5d를 참조하면, 캐비닛(11)의 천장에는 카메라(121)가 구비되어, 하방을 촬영할 수 있다. 즉, 카메라(121)는 냉장고(10)의 내부를 촬영할 수 있다.
캐비닛(11)은 카메라(121)를 수용하기 위한 하우징(미도시)을 더 포함할 수 있다.
카메라(121)는 고정된 위치에서, 하방을 촬영하도록 배치될 수 있다.
캐비닛(11)에 포함된 복수의 저장실들 중 일부는 식품을 저장할 수 있는 제1 저장실(510) 및 제2 저장실(530)을 포함할 수 있다.
제1 저장실(510) 및 제2 저장실(530)은 수평 방향으로 인접하여 배치될 수 있다.
제1 저장실(510) 및 제2 저장실(530) 각각은 캐비닛(11)에 수용되어, 내부에 식품을 수납하기 위한 독립된 냉기 유지 공간을 가질 수 있다.
또한 제1 저장실(510) 및 제2 저장실(530) 각각은 상기 캐비닛(11)의 내부에 서랍(드로워)형태로 구성될 수 있다. 각 저장실이 냉장고의 전면방향으로 인출되면, 저장실의 내부가 개방되어 사용자는 수납된 야채등을 꺼내거나 확인할 수 있고, 저장실이 다시 냉장고의 후면방향으로 인입되면, 식품이 수납되게 된다저장실이 서랍형태인 것을 확실하게 명문화할 필요가 있습니다.
-> 작성 내용에 약간의 표현을 가다듬었습니다..
도 5b 내지 도 5d는 제1 저장실(510) 및 제2 저장실(530)의 일부가 개방된 상태를 보여준다.
도 5b를 참조하면, 캐비닛(11)은 제1 저장실(510)의 이동을 가이드하는 가이드 레일(550)을 구비할 수 있다. 가이드 레일(550)은 한 쌍으로 구비될 수 있다.
제1 저장실(510)은 가이드 레일(550)에 냉장고(10)의 전면 방향으로, 슬라이딩 가능하게 결합된 무빙 브라켓(511)을 구비할 수 있다. 무빙 브라켓(511) 또한, 제1 저장실(510)의 하측에 한 쌍으로 구비될 수도 있다.
도 5c를 참조하면, 캐비닛(11)은 제2 저장실(530)의 이동을 가이드하는 가이드 레일(570)을 구비할 수 있다. 가이드 레일(570)은 한 쌍으로 구비될 수 있다.
제2 저장실(530)은 가이드 레일(570)에 냉장고(10)의 전면 방향으로, 슬라이딩 가능하게 결합된 무빙 브라켓(531)을 구비할 수 있다. 무빙 브라켓(531) 또한, 제2 저장실(530)의 하측에 한 쌍으로 구비될 수도 있다.
도 5d를 참조하면, 제1 저장실(510)의 이동을 가이드 하는 가이드 레일(550)은 제1 저장실(510)의 개폐 여부를 감지할 수 있는 제1 저장실 개폐 센서(551)를도어는 명세서에서 이너도어와 아우터도어에서 사용하는 용어라 도어센서라면 이너도어 또는 아우터도어의 개폐센서와 혼란이 생길 듯 합니다. 저장실개폐용 센서라는 점을 명확이 할 수 있는 용어를 선택하는게 좋을 것 같습니다. 저장실개폐 센서 혹은 드로워센서등으로 수정바랍니다.
-> 옳은 지적이신 것 같아, 도어 센서를 저장실 개폐 센서로 수정하였습니다. 구비할 수 있다.
제1 저장실 개폐 센서(551)는 2개의 리드 스위치들을 구비할 수 있다.
제1 저장실 개폐 센서(551)는 가이드 레일(550)의 일단 및 끝단 중 카메라(121)와 더 인접한 위치에 있는 일단에 배치될 수 있다.
제1 저장실 개폐 센서(551)는 제1 저장실(510)의 하측에 구비된 자석(513)의 이동에 따라, 제1 저장실(510)의 개폐 여부를 감지할 수 있다.
제1 저장실 개폐 센서(551)를 통해, 제1 저장실(510)의 개폐 여부를 감지하는 원리에 대해서는 구체적으로 후술한다.
한편, 제2 저장실(530)의 이동을 가이드 하는 가이드 레일은 제2 저장실(530)의 개폐 여부를 감지할 수 있는 제2 저장실 개폐 센서를 구비할 수 있다. 마찬가지로, 제2 저장실 개폐 센서 또한, 제2 저장실(530)의 하측에 구비된 자석의 이동에 따라, 제2 저장실(530)의 개폐 여부를 감지할 수 있다.
도 6a는 본 발명의 일 실시 예에 따른 제1 저장실의 개폐 여부를 감지하는 제1 저장실 개폐 센서의 배치 위치를 설명하는 도면이고, 도 6b는 제2 저장실의 개폐 여부를 감지하는 제2 저장실 개폐 센서의 배치 위치를 설명하는 도면이다.
도 6a를 참조하면, 제1 저장실 개폐 센서(551)는 가이드 레일(550)의 일단에 배치될 수 있다. 제1 저장실 개폐 센서(551)는 제1 저장실(510)에 구비된 자석의 이동을 감지하여, 제1 저장실(510)의 개폐 여부를 감지할 수 있다.
도 6b를 참조하면, 제2 저장실 개폐 센서(571)는 가이드 레일(570)의 일단에 배치될 수 있다. 제2 저장실 개폐 센서(571)는 제2 저장실(530)에 구비된 자석의 이동을 감지하여, 제2 저장실(530)의 개폐 여부를 감지할 수 있다.
도 7a는 본 발명의 일 실시 예에 따른 자석의 배치 위치를 설명하는 도면이고, 도 7b는 자석과 결합하는 홀더를 설명하는 도면이다.
도 7a 및 도 7b는 제1 저장실(510)에 구비된 자석(513) 및 홀더(515)를 예로 들어 설명하나, 도 7a 및 도 7b의 실시 예에는 제2 저장실(530)에 구비된 자석 및 홀더에도 적용될 수 있다.
도 7a를 참조하면, 자석(513)은 제1 저장실(510)의 전면 하단에 배치될 수 있다.
자석(513)은 무빙 브라켓(511) 보다 상측에 배치될 수 있다.
도 7b를 참조하면, 자석(513)을 제1 저장실(510)에 고정하기 위한 홀더(515)가 도시되어 있다. 홀더(515)는 자석(513)이 제1 저장실(510)로부터 이탈되지 않도록, 자석(513)을 고정시킬 수 있다.
자석(513)은 제1 저장실(510)의 이동에 따라 함께 이동될 수 있다.
도 8a 및 도 8b는 본 발명의 일 실시 예에 따라 저장실 개폐 센서가 저장실의 개폐 여부를 감지하는 원리를 설명하는 도면이다.
도 8a 및 도 8b에서는 제1 저장실 개폐 센서(551)가 제1 저장실(510)에 구비된 자석(513)을 이용하여, 제1 저장실(510)의 개폐 여부를 감지하는 예를 설명하나, 이는, 제2 저장실 개폐 센서(571)가 제2 저장실(530)에 구비된 자석을 이용하여, 제2 저장실(530)의 개폐 여부를 감지하는 과정에서도 적용될 수 있다.
도 8a 및 도 8b에서 제1 저장실 개폐 센서(551)는 제1 리드 스위치(551a) 및 제2 리드 스위치(551b)를 포함할 수 있다.
도 8a는 제1 저장실 개폐 센서(551)가 제1 저장실(510)의 개방을 감지하는 과정을 설명하는 도면이다.
제1 저장실(510)이 개방되기 전, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단 각각은 서로 접촉된 상태에 있다.
제1 저장실(510)이 냉장고(10)의 전면 방향으로 개방된 경우, 제1 저장실(510)에 구비된 자석(513)은 냉장고(10)의 전면 방향으로 이동될 수 있다.
이 경우, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단은 자석(513)의 이동에 따른 자기장에 의해, 서로 이격될 수 있다.
제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단이 이격된 경우, 제1 저장실 개폐 센서(551)는 오프 신호를 출력할 수 있다. 프로세서(180)는 제1 저장실 개폐 센서(551)가 오프 신호를 출력한 경우, 제1 저장실(510)이 개방된 것으로 판단할 수 있다.
도 8b는 제1 저장실 개폐 센서(551)가 제1 저장실(510)의 닫힘을 감지하는 과정을 설명하는 도면이다.
제1 저장실(510)이 개방된 후, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단 각각은 서로 이격된 상태에 있다.
제1 저장실(510)이 냉장고(10)의 후면 방향으로 닫힌 경우, 제1 저장실(510)에 구비된 자석(513)은 냉장고(10)의 후면 방향으로 이동될 수 있다.
이 경우, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단은 자석(513)의 이동에 따른 자기장에 의해, 서로 접촉될 수 있다.
제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단이 접촉된 경우, 제1 저장실 개폐 센서(551)는 온 신호를 출력할 수 있다. 프로세서(180)는 제1 저장실 개폐 센서(551)가 온 신호를 출력한 경우, 제1 저장실(510)이 닫힌 것으로 판단할 수 있다.
도 9는 본 발명의 실시 예에 따른 인공 지능 냉장고의 동작 방법을 설명하기 위한 흐름도이다.
도 9에서, 냉장고(10)는 도 4의 구성 요소들을 모두 포함할 수 있다.
도 9는 냉장고(10)의 제1 저장실(510) 및 제2 저장실(530) 중 하나 이상에 수납된 식품의 관리를 위한 냉장고(10)의 동작 방법을 설명하는 도면일 수 있다.
도 9를 참조하면, 냉장고(10)의 프로세서(180)는 저장실(510, 530)이 개방됨을 감지한다(S901).
프로세서(180)는 저장실 개폐 센서(551, 571)를 통해, 저장실(510, 530)의 개방 여부를 감지할 수 있다.
프로세서(180)는 제1 저장실 개폐 센서(551)를 통해 제1 저장실(510)의 개방을 감지할 수 있고, 제2 저장실 개폐 센서(571)를 통해 제2 저장실(530)의 개방을 감지할 수 있다.
저장실 개폐 센서(551, 571)는 한 쌍의 리드 스위치를 구비하고, 리드 스위치 간의 끝단의 접촉 여부에 따라 저장실(510, 530)의 개폐 여부를 감지할 수 있다.
저장실 개폐 센서(551, 571)를 통해, 저장실(510, 530)의 개방 여부를 감지하는 과정에 대해서는 도 8a의 실시 예가 적용될 수 있다.
프로세서(180)는 저장실(510, 530)의 개방이 감지된 경우, 카메라(121)의 촬영을 온 시키는 촬영 온 명령을 전송한다(S903).
프로세서(180)는 저장실(510, 530)의 개방이 감지된 경우, 캐비닛(11)의 천장에 부착된 카메라(121)의 동작을 온 시키는 명령을 카메라(121)에 전송할 수 있다.
이에 따라, 카메라(121)는 촬영을 개시하고, 실시간으로, 제1 저장실(510) 또는 제2 저장실(530)의 영상을 획득할 수 있다.
프로세서(180)는 카메라(121)의 촬영에 따라 얻어진 저장실(510, 530)의 영상을 획득한다(S905).
프로세서(180)는 획득된 영상의 처리에 기반하여, 저장실(510, 530)의 최대 개방 시점 또는 저장실(510, 530)의 닫힌 시점이 감지되었는지를 판단한다(S907).
일 실시 예에서, 프로세서(180)는 카메라(121)가 촬영한 영상의 처리에 기반하여, 저장실(510, 530)이 최대로 개방된 시점을 감지할 수 있다.
프로세서(180)는 복수의 시점들 각각에 상응하는 복수의 영상들(또는 영상 프레임들)을 획득하고, 획득된 복수의 영상들에 기반하여, 저장실(510, 530)의 최대 개방 시점 또는 저장실(510, 530)의 닫힌 시점을 감지할 수 있다.
일 예로, 프로세서(180)는 촬영된 저장실 영상으로부터, 저장실(510, 530)이 차지하는 면적이 최대인 영상에 상응하는 영상 획득 시점을 저장실(510, 530)의 최대 개방 시점으로 획득할 수 있다.
이에 대해서는, 이하의 도면을 참조하여 설명한다.
도 10은 본 발명의 일 실시 예에 따라 카메라를 통해 저장실의 영상을 획득하는 예를 설명하는 도면이고, 도 11 및 도 12는 복수의 영상들에 기반하여, 저장실의 최대 개방 시점을 획득하는 과정을 설명하는 도면이다.
도 10을 참조하면, 제1 저장실(510) 또는 제2 저장실(530)의 개방이 감지된 경우, 카메라(121)는 촬영을 개시할 수 있다.
특히, 카메라(121)는 제1 저장실(510)이 개방된 제1 영역(1010) 또는 제2 저장실(530)이 개방된 영역(1030)에 수납된 식품을 촬영하도록 화각이 설정될 수 있다.
도 11은 카메라(121)를 통해 촬영된 영상들에 기반하여, 저장실(510, 530)의 최대 개방 시점을 추출하는 도 9의 단계 S907의 과정을 상세하게 설명하는 흐름도이다.
도 11을 참조하면, 프로세서(180)는 저장실(510, 530)의 개방이 감지된 후, 카메라(121)를 통해 복수의 촬영 시점들 각각에 상응하는 복수의 영상들을 획득한다(S1101).
프로세서(180)는 복수의 영상들 중 저장실(510, 530)의 면적이 최대인 영상을 추출한다(S1103).
저장실(510, 530)의 면적은 저장실(510, 530)의 수납 공간의 면적일 수 있고, 저장실(510, 530)의 면적은 저장실(510, 530)의 수납 공간이 최대로 외부로 드러나는 상태에서 최대일 수 있다.
프로세서(180)는 추출된 영상에 상응하는 촬영 시점을 저장실(510, 530)의 최대 개방 시점으로 획득한다(S1105).
프로세서(180)는 일정 시간 내에 촬영된 복수의 영상들 중 저장실(510, 530)이 차지하는 영역을 인식하고, 인식된 영역의 면적이 가장 큰 영상을 추출할 수 있다. 이에 대해서는, 도 12를 참조하여 설명한다.
도 12를 참조하면, 카메라(121)를 통해 획득된 제1 저장실(510)에 상응하는 N개의 영상들(1200-1 내지 1200-N)이 도시되어 있다.
카메라(121)는 고정된 위치에서 촬영을 수행하므로, 각 영상의 크기는 동일할 수 있다.
프로세서(180)는 제1 저장실(510)의 경계 영역(A)에 기초하여, 경계 영역(A)의 하측 영역을 삭제하고, 나머지 영역을 획득할 수 있다.
프로세서(180)는 제1 저장실(510)의 경계 영역(A)의 영상을 메모리(170)에 미리 저장하고 있을 수 있다.
프로세서(180)는 메모리(170)에 저장된 경계 영역(A)의 영상을 획득된 영상과 비교하여, 경계 영역(A)을 인식할 수 있다.
또 다른 예로, 프로세서(180)는 경계 영역(A)에 부착된 마커를 인식하여, 경계 영역(A)을 인식할 수도 있다.
프로세서(180)는 제1 영상(1200-1)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제1 하측 영역(1201-1)을 삭제하고, 제1 나머지 영역(1203-1)을 획득할 수 있다.
또한, 프로세서(180)는 제2 영상(1200-2)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제2 하측 영역(1201-2)을 삭제하고, 제2 나머지 영역(1203-2)을 획득할 수 있다.
프로세서(180)는 제3 영상(1200-3)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제3 하측 영역(1201-3)을 삭제하고, 제3 나머지 영역(1203-3)을 획득할 수 있다.
이와 같은 방식으로, 프로세서(180)는 프로세서(180)는 제N 영상(1200-N)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제N 하측 영역(1201-N)을 삭제하고, 제N 나머지 영역(1203-N)을 획득할 수 있다.
프로세서(180)는 제1 나머지 영역 내지 제N 나머지 영역(1203-1 내지 1203-N) 중 면적이 가장 큰 영역에 상응하는 영상을 추출할 수 있다.
프로세서(180)는 추출된 영상의 촬영 시점을 제1 저장실(510)의 최대 개방 시점으로 획득할 수 있다.
제N 나머지 영역(1203-N)의 면적이 가장 큰 것으로, 가정하면, 제N 영상(1200-N)의 촬영 시점이 제1 저장실(510)의 최대 개방 시점이 될 수 있다.
한편, 제1 저장실(510)의 최대 개방 시점은 AI 서버(200)에서 감지될 수도 있다.
즉, 프로세서(180)는 촬영된 복수의 영상들을 AI 서버(200)에 전송할 수 있다. AI 서버(200)는 냉장고(200)로부터 수신된 복수의 영상들에 대해, 도 12의 실시 예와 같은 방식으로, 제1 저장실(510)의 최대 개방 시점을 획득하고, 획득된 최대 개방 시점을 냉장고(100)에 전송할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 영상 처리를 통해 저장실의 수납 공간이 최대로 노출되는 시점에 기반하여, 식품 인식을 수행하므로, 저장실의 식품 수납 상태가 정확하게 인식될 수 있다.
다시, 도 9를 설명한다.
프로세서(180)는 저장실(510, 530)의 이동 방향의 전환에 기초하여, 저장실(510, 530)이 닫혀지는 시점을 감지할 수 있다.
이에 대해서는 이하의 도면을 참조하여 설명한다.
도 13 및 도 14는 본 발명의 실시 예에 따라 카메라를 통해 촬영된 영상에 기반하여, 저장실의 닫힘 시점을 감지하는 과정을 설명하는 도면이다.
프로세서(180)는 옵티컬 플로우(optical flow) 기법을 이용하여, 저장실의 닫힘 시점을 감지할 수 있다.
옵티컬 플로우 기법은 연속하는 영상 프레임으로부터, 물체의 이동으로 인해 발생하는 물체의 이동 패턴을 파악하는 기법이다.
도 13은 카메라(121)를 통해 촬영된 영상들에 기반하여, 저장실(510, 530)의 닫힘 시점을 추출하는 도 9의 단계 S907의 과정을 상세하게 설명하는 흐름도이다.
도 13을 참조하면, 프로세서(180)는 N 번째 촬영 시점의 영상에 포함된 기준 포인트의 제N 벡터를 획득한다(S1301).
기준 포인트는 도 12의 경계 영역(A)의 일 지점에 대응하는 포인트일 수 있다. 경계 영역(A)의 일 지점은 경계 영역(A)에 부착된 마커가 위치한 지점일 수 있으나, 이는 예시에 불과하고, 기준 포인트는 특정 객체의 한 지점일 수도 있다.
프로세서(180)는 N+1 번째 촬영 시점의 영상에 포함된 기준 포인트의 제N+1 벡터를 획득한다(S1303).
프로세서(180)는 동일한 지점을 나타내는 기준 포인트에서, N 번째를 뒤따르는 N+1 번째 촬영 시점에서, 제N+1 벡터를 획득할 수 있다.
프로세서(180)는 제N 벡터의 제1 방향과 제N+1 벡터의 제2 방향을 비교한다(S1305).
제1 방향은 저장실(510, 530)이 개방되는 방향일 수 있다.
제2 방향은 저장실(510, 530)이 개방되는 방향 또는 저장실(510, 530)이 닫혀지는 방향 중 어느 하나일 수 있다.
저장실(510, 530)이 개방되는 방향은 냉장고(10)의 전면 방향이고, 저장실(510, 530)이 닫혀지는 방향은 냉장고(10)의 후면 방향일 수 있다.
프로세서(180)는 비교 결과, 벡터의 방향이 전환되었는지를 판단한다(S1307).
프로세서(180)는 제1 방향과 제2 방향이 동일한 경우, 벡터의 방향이 전환되지 않은 것으로 판단할 수 있다.
프로세서(180)는 제1 방향과 제2 방향이 서로 반대인 경우, 벡터의 방향이 전환된 것으로 판단할 수 있다.
제1 방향이 저장실(510, 530)의 개방 방향인 경우, 제2 방향은 저장실(510, 530)의 닫힘 방향일 수 있다.
프로세서(180)는 벡터의 방향이 전환된 경우, 벡터의 방향이 전환된 시점을 저장실(510, 530)의 닫힘 시점으로 획득한다(S1309).
프로세서(180)는 벡터의 방향이 서로 달라지는 경우, 저장실(510, 530)의 이동 방향이 개방 방향에서 닫힘 방향으로 전환됨을 감지할 수 있다.
프로세서(180)는 저장실(510, 530)의 이동 방향의 전환을 감지한 시점을 저장실(510, 530)의 닫힘 시점으로 획득할 수 있다.
도 14를 참조하면, 시간의 흐름에 따른 4개의 영상 프레임들 각각에서 획득된 기준 포인트들(1401 내지 1407)을 보여준다.
제1 내지 제3 기준 포인트(1401 내지 1405)들의 방향은 제1 방향으로 저장실(510, 530)의 개방 방향일 수 있다.
제4 기준 포인트(1407)는 제1 방향과 반대인 제2 방향으로, 저장실(510, 530)의 닫힘 방향일 수 있다.
프로세서(180)는 제4 기준 포인트(1407)에 상응하는 영상 프레임의 촬영 시점을 저장실(510, 530)의 닫힘 시점으로 획득할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 저장실의 이동 방향의 전환 시점을 감지하여, 저장실의 수납 공간에 대한 최적의 영상을 자동으로, 획득할 수 있다.
한편, 단계 S1301 내지 S1309는 AI 서버(200)에 의해 수행될 수 있다. 이를 위해, 냉장고(10)는 카메라(121)를 통해 획득된 복수의 영상 프레임들을 AI 서버(200)에 전송할 수 있다, AI 서버(200)는 단계 S1301 내지 S1309의 수행에 따라 저장실(510, 530)의 닫힘 시점을 획득하고, 획득된 닫힘 시점을 냉장고(10)에 전송할 수 있다.
다시, 도 9를 설명한다.
한편, 프로세서(180)는 저장실(510, 530)의 영상 변화가 일정 시간 동안 없는 경우, 일정 시간이 지난 직후의 시점을 저장실(510, 530)의 최대 개방 시점으로 판단할 수도 있다.
프로세서(180)는 각 영상 프레임의 기준 포인트에 대한 벡터의 방향 변화를 이용하여, 저장실(510, 530)의 영상 변화가 일정 시간 동안 없는지를 판단할 수 있다.
프로세서(180)는 저장실(510, 530)의 최대 개방 시점 또는 저장실의 닫힘 시점이 감지된 경우, 카메라(121)에 캡쳐 명령을 전송한다(S909).
프로세서(180)는 저장실(510, 530)의 최대 개방 시점 또는 저장실의 닫힘 시점이 감지된 경우, 해당 시점의 이미지를 통해 저장실(510, 530)에 수납된 식품들을 인식하기 위해, 카메라(121)에 캡쳐 명령을 전송할 수 있다.
프로세서(180)는 캡쳐 명령에 따라 카메라(121)를 통해 캡쳐된 이미지에 기반하여, 저장실의 식품 수납 상태를 획득한다(S911).
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 제1 저장실(510) 및 제2 저장실(530) 각각에 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 15 및 도 16은 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.
도 15를 참조하면, 객체 감지 모델(1510)은 복수의 영상 데이터들을 포함하는 학습용 영상 데이터 세트(1500)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(1510)은 SSD(Single Shot multibox Detector) MobilenetV2, Faster R-CNN Inception, 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) 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(1600)에 포함된 복수의 경계 박스들(1601 내지 1607)이 추출될 수 있다.
프로세서(180)는 객체 감지 모델(1500)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 17은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.
도 17을 참조하면, 객체 식별 모델(1700)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(1700)은 레이블링 데이터와 객체 식별 정보 간의 차이에 상응하는 비용 함수를 최소화하도록 학습될 수 있다.
객체 식별 모델(1700)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(1700)은 출력된 대상 특징 벡터와 라벨링된 객체 식별 정보의 차이에 상응하는 손실 함수를 최소화하도록 학습되는 것일 수 있다.
객체 식별 모델(1700)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(1700)은 도 16에 도시된, 제1 경계 박스(1601)에 해당되는 제1 이미지 데이터로부터, 제1 객체 식별 정보를 결정할 수 있다. 예를 들어, 제1 객체 식별 정보는 가지일 수 있다.
객체 식별 모델(1700)은 제2 경계 박스(1603)에 해당되는 제2 이미지 데이터로부터, 제2 객체 식별 정보를 결정할 수 있다. 예를 들어, 제2 객체 식별 정보는 당근일 수 있다.
이와 같이, 객체 식별 모델(1700)을 통해, 이미지 데이터로부터, 객체가 어떤 식품인지가 식별될 수 있다.
다시, 도 9를 설명한다.
식품의 위치는 객체 감지 모델(1500)을 통해 감지된 객체 경계 박스의 위치를 통해 획득될 수 있다. 즉, 객체 경계 박스의 좌표가 식품의 위치가 될 수 있다.
프로세서(180)는 획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 디스플레이부(151)를 통해 표시한다(S913).
식품 관리 정보는 복수의 저장실들 각각에 구비된 식품의 명칭, 식품의 개수, 식품의 저장 기간, 식품의 재고 변경 정보, 식품의 재고에 따른 구매 연동 정보, 레시피 정보 중 하나 이상을 포함할 수 있다.
복수의 저장실들은 제1 저장실(510), 제2 저장실(530), 인너 도어(13) 및 아웃터 도어(14)를 포함할 수 있다.
즉, 인너 도어(13) 및 아웃터 도어(14) 각각에는 식품을 수납할 수 있는 수납 공간이 마련될 수 있다.
재고 변경 정보는 저장실에 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 저장실 구비된 식품을 이용하여, 조리될 수 있는 요리의 레시피를 나타내는 정보일 수 있다.
프로세서(180)는 아웃터 도어(14)에 구비된 투명 디스플레이를 통해 식품 관리 정보를 출력할 수 있다.
이하에서는, 사용자가 식품을 제1 저장실(510) 또는 제2 저장실(530)에 수납하거나, 뺄 때 출력되는 식품 관리 정보에 대해 설명한다.
도 18은 냉장고의 아웃 도어가 닫힌 상태에서, 냉장고의 정면도이다.
즉, 도 19은 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.
투명 디스플레이(14-1)는 냉장고(10)에 저장된 식품에 대한 정보를 표시할 수 있다.
투명 디스플레이(14-1)는 식품 수납 상태 또는 식품 관리 정보를 표시할 수 있다.
도 19a 내지 도 19h는 본 발명의 실시 예에 따라 냉장고의 저장실에 식품을 수납한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 수납된 식품과 관련된 레시피 정보를 제공하는 과정을 설명하는 도면이다.
도 19a를 참조하면, 사용자는 냉장고(10)에 구비된 제1 저장실(510)의 수납 공간(1010)에 가지를 1개 수납한다. 제1 저장실(510)은 야채를 수납할 수 있는 야채실임을 가정한다.
냉장고(10)는 제1 저장실(510)이 개방됨을 감지하고, 제1 저장실(510)의 최대 개방 시점 또는 이동 방향 전환에 따른 제1 저장실(510)의 닫힘 시점 중 어느 한 시점을 획득할 수 있다.
냉장고(10)는 획득된 시점에 카메라(121)에 캡쳐 명령을 전송하고, 카메라(121)가 캡쳐한 제1 저장실(510)에 대한 이미지를 획득할 수 있다.
냉장고(10)는 획득된 이미지에 기반하여, 제1 저장실(510)의 수납 공간(1010)에 수납된 식품들에 대한 식품 수납 상태를 획득할 수 있다.
냉장고(10)는 식품 수납 상태 또는 식품 수납 상태에 기반한 식품 관리 정보를 투명 디스플레이(14-1) 상에 표시할 수 있다.
도 19b를 참조하면, 가지가 제1 저장실(510)에 수납된 후, 식품 인식 과정을 통해, 가지가 인식될 수 있다.
냉장고(10)는 투명 디스플레이(14-1) 상에 제1 저장실(510)에 가지가 투입되었음을 나타내는 알림 메시지(1901)를 표시할 수 있다.
즉, 알림 메시지(1901)는 어떤 식품이 어느 저장실에 투입되었는지를 나타내는 메시지를 텍스트 형태로 표시할 수 있다.
냉장고(10)는 알림 메시지(1901)를 선택하는 입력이 수신된 경우, 도 19c에 도시된 바와 같이, 파노라마 뷰 화면(1910)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
파노라마 뷰 화면(1910)은 카메라(121)를 통해 복수의 저장실들 중 일부 저장실의 수납 상태를 촬영한 이미지들을 포함하는 화면일 수 있다.
파노라마 뷰 화면(1901)은 파노라마 영역(1911) 및 이미지 표시 영역(1912)을 포함할 수 있다.
파노라마 영역(1911)은 냉장실에 포함된 복수의 저장실들 각각을 구분하여, 간략히 나타낸 저장 식별 영역들을 포함할 수 있다.
이미지 표시 영역(1912)은 파노라마 영역(1911)에 포함된 저장 식별 영역들 중 사용자에 의해 선택된 영역들에 상응하는 이미지를 표시하는 영역일 수 있다.
예를 들어, 파노라마 영역(1911)에 포함된 야채칸 영역(1911a) 및 멀티 수납 영역(1911b)이 선택된 경우, 이미지 표시 영역(1912)은 야채칸 영역(1911a)에 대한 촬영 이미지(1913) 및 멀티 수납 영역(1911b)에 대한 촬영 이미지(1915)를 포함할 수 있다.
또 다른 예로, 냉장고(10)는 이미지 표시 영역(1912)에 식품이 새롭게 수납된 제1 저장실(510, 야채칸)에 상응하는 촬영 이미지(1913a)만을 표시할 수도 있다.
즉, 냉장고(10)는 복수의 저장실들 중 카메라(121)를 통해 촬영된 이미지에 기반하여, 식품이 투입된 저장실에 상응하는 이미지를 이미지 표시 영역(1912)에 표시할 수 있다.
파노라마 뷰 화면(1900)은 식품 관리 어플리케이션의 실행을 위한 식품 관리 앱 아이콘(1917)을 더 포함할 수 있다.
식품 관리 어플리케이션은 냉장고(10)에 설치되며, 냉장고(10) 내 수납된 식품의 관리를 위한 어플리케이션일 수 있다.
냉장고(10)는 식품 관리 앱 아이콘(1917)을 선택하는 입력을 수신한 경우, 도 19d에 도시된 바와 같이, 식품 관리 화면(1930)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
식품 관리 화면(1930)은 야채칸에 대한 제1 식품 관리 정보(1931) 및 인너 도어(13)에 대한 제2 식품 관리 정보(1933)를 포함할 수 있다.
제1 식품 관리 정보(1931)는 야채칸에 수납된 식품들의 명칭, 각 식품의 개수, 각 식품의 저장 기간, 각 식품의 구매 준비를 위한 장바구니 버튼(1935)을 포함할 수 있다.
제2 식품 관리 정보(1933)는 인너 도어(13)에 수납된 식품들의 명칭, 각 식품의 개수, 각 식품의 저장 기간, 각 식품의 구매 준비를 위한 장바구니 버튼(1935)을 포함할 수 있다.
사용자는 식품 관리 정보를 통해 각 저장실에 수납된 식품의 수납 상태를 손쉽게 파악하고, 원하는 식품의 구매를 빠르게 수행할 수 있다.
한편, 식품 관리 화면(1930)은 레시피 추천 버튼(1937) 및 장바구니 보기 버튼(1939)을 더 포함할 수 있다.
레시피 추천 버튼(1937)은 저장실에 수납된 식품을 이용한 요리의 레시피를 추천하기 위한 버튼일 수 있다.
장바구니 보기 버튼(1939)는 장바구니 버튼(1935)을 통해 선택된 식품에 대한 정보를 제공하기 위한 버튼일 수 있다.
냉장고(10)는 레시피 추천 버튼(1937)이 선택된 경우, 도 19e에 도시된 바와 같은, 식품 선택 화면(1950)을 표시할 수 있다.
냉장고(10)는 식품 선택 화면(1950)에 포함된 특정 식품 항목(1951)의 체크 박스(1553)를 선택하는 입력을 수신한 후, 레시피 검색 버튼(1955)을 선택하는 입력을 수신할 수 있다. 도 19e에서는 하나의 식품 항목이 선택된 것을 가정하나, 이에 한정될 필요는 없고, 복수의 식품 항목들이 선택될 수도 있다.
냉장고(10)는 레시피 검색 버튼(1955)을 선택하는 입력에 따라, 도 19f에 도시된 바와 같이, 레시피 검색 화면(1970)을 표시할 수 있다.
레시피 검색 화면(1970)은 선택된 특정 식품 항목(1951)에 상응하는 식품을 이용하여 요리할 수 있는 복수의 레시피들을 포함할 수 있다.
복수의 식품 항목들이 선택된 경우, 레시피 검색 화면(1970)은 선택된 복수의 식품 항목들을 조합한 요리의 레시피들을 포함할 수 있다.
냉장고(10)는 복수의 레시피들 중 어느 하나의 레시피(1971)를 선택하는 입력을 수신한 경우, 도 19g에 도시된 바와 같이, 선택된 레시피(1971)의 상세 정보를 포함하는 레시피 상세 정보 화면(1990)을 표시할 수 있다.
도 19h를 참조하며느, 레시피 상세 정보 화면(1990)은 선택된 레시피(1971)에 필요한 복수의 재료들을 포함하는 재료 항목 영역(1991) 및 조리 순서에 대한 정보를 포함하는 레시피 영역(1993)을 포함할 수 있다.
재료 항목 영역(1991)은 레시피(1971)에 필요한 복수의 재료들을 쇼핑 리스트에 담을 수 있는 장바구니 버튼(1992)을 포함할 수 있다.
레시피 영역(1993)은 조리 순서에 대한 정보를 음성으로 출력하기 위한 음성 아이콘(1994)을 포함할 수 있다.
냉장고(10)는 음성 아이콘(1994)을 선택하는 입력을 수신함에 따라 레시피 정보를 음성으로 출력할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 사용자는 냉장고(10) 내에 저장된 하나 이상의 식품을 선택하는 동작만으로, 선택된 하나 이상의 식품을 이용한 레시피 정보를 손쉽게 확인할 수 있다.
한편, 냉장고(10)는 네비게이션 바에 포함된 홈 버튼(1999)을 선택하는 입력에 따라 홈 화면을 투명 디스플레이(14-1) 상에 표시할 수 있다.
이하에서는, 냉장고(10) 내에 저장된 식품과 관련된 요리의 추천 레시피를 획득하는 과정을 설명한다.
도 20 및 도 21은 본 발명의 일 실시 예에 따라, 냉장고에 수납된 식품을 인식하고, 인식된 식품을 이용한 요리의 레시피 정보를 획득하는 예들을 설명하는 도면이다.
먼저, 도 20을 참조하면, 냉장고(10)는 데이터 베이스(2000)에 저장된 정보에 기반하여, 객체 식별 정보에 상응하는 레시피 정보를 추출할 수 있다.
데이터 베이스(2000)는 냉장고(10)에 구비되거나, 외부 서버에 구비될 수 있다.
데이터 베이스(2000)는 식품에 대한 복수의 레시피들, 식품들의 조합에 대한 복수의 레시피들을 저장하고 있을 수 있다.
냉장고(10)는 도 17의 객체 식별 모델(1700)로부터 출력된 객체 식별 정보를 통해 식품을 인식하고, 데이터 베이스(2000)로부터, 인식된 식품과 관련된 하나 이상의 레시피를 획득할 수 있다.
또 다른 예로, AI 서버(200)는 데이터 베이스(2000)에 저장된 정보에 기반하여, 객체 식별 정보에 상응하는 레시피 정보를 추출할 수 있다. 이 경우, AI 서버(200)는 추출된 레시피 정보를 냉장고(10)에 전송할 수 있다.
다음으로, 도 21을 설명한다.
도 21은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 기반의 레시피 추천 모델(2100)이 도시되어 있다.
레시피 추천 모델(2100)은 객체 식별 모델(1700)로부터 출력된 객체 식별 정보를 이용하여, 레시피 정보를 추천하는 모델일 수 있다.
레시피 추천 모델(2100)은 냉장고(10)의 러닝 프로세서(130) 또는, AI 서버(200)의 러닝 프로세서(240)에 의해 학습되어, 냉장고(10)에 탑재될 수 있다.
레시피 추천 모델(2100)은 지도 학습을 통해 학습된 모델일 수 있다.
레시피 추천 모델(2100)은 객체 식별 정보로부터 식품과 관련된 레시피를 추천하는 모델일 수 있다.
레시피 추천 모델(2100)은 학습용 객체 식별 정보 및 학습용 객체 식별 정보에 레이블된 레이블링 데이터를 포함하는 트레이닝 데이터 세트를 입력 데이터로 하여, 레시피 정보를 출력하는 모델일 수 있다.
레이블링 데이터는 정답 데이터로, 레시피 정보일 수 있다.
레시피 추천 모델(2100)은 레이블링 데이터와 레시피 정보 간의 차이에 상응하는 비용 함수를 최소화하도록 학습될 수 있다.
레시피 추천 모델(2100)의 비용 함수는 객체 식별 정보에 대한 라벨과, 추론된 레시피 정보 간의 차이의 제곱 평균으로 표현될 수 있다.
학습용 객체 식별 정보에서 입력 특징 벡터가 추출되어, 입력되면, 레시피 추천 결과가 대상 특징 벡터로서 출력되고, 레시피 추천 모델(2100)은 출력된 대상 특징 벡터와 라벨링된 레시피 정보의 차이에 상응하는 손실 함수를 최소화하도록 학습되는 것일 수 있다.
도 22a 내지 도 22f는 본 발명의 실시 예에 따라 냉장고의 저장실로부터 식품을 인출한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 인출된 식품을 주문하기 위한 정보를 제공하는 과정을 설명하는 도면이다.
도 22a를 참조하면, 사용자는 냉장고(10)에 구비된 제1 저장실(510)의 수납 공간(1010)으로부터, 가지를 1개 인출한다.
냉장고(10)는 제1 저장실(510)이 개방됨을 감지하고, 제1 저장실(510)의 최대 개방 시점 또는 이동 방향 전환에 따른 제1 저장실(510)의 닫힘 시점 중 어느 한 시점을 획득할 수 있다.
냉장고(10)는 획득된 시점에 카메라(121)에 캡쳐 명령을 전송하고, 카메라(121)가 캡쳐한 제1 저장실(510)에 대한 이미지를 획득할 수 있다.
냉장고(10)는 획득된 이미지에 기반하여, 제1 저장실(510)의 수납 공간(1010)에 수납된 식품들에 대한 식품 수납 상태를 획득할 수 있다.
냉장고(10)는 식품 수납 상태 또는 식품 수납 상태에 기반한 식품 관리 정보를 투명 디스플레이(14-1) 상에 표시할 수 있다.
도 22b를 참조하면, 가지가 제1 저장실(510)로부터 인출된 후, 식품 인식 과정을 통해, 가지가 인식될 수 있다.
냉장고(10)는 투명 디스플레이(14-1) 상에 제1 저장실(510)로부터 가지가 인출되었음을 나타내는 알림 메시지(2201)를 표시할 수 있다.
즉, 알림 메시지(2201)는 어떤 식품이 어느 저장실로부터 인출되었는지를 나타내는 메시지를 텍스트 형태로 표시할 수 있다.
냉장고(10)는 알림 메시지(2201)를 선택하는 입력이 수신된 경우, 도 22c에 도시된 바와 같이, 파노라마 뷰 화면(1910)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
파노라마 뷰 화면(1910)은 도 19c에서 설명된 내용으로 대체한다.
냉장고(10)는 이미지 표시 영역(1912)에 식품이 새롭게 인출된 제1 저장실(510, 야채칸)에 상응하는 촬영 이미지(1913b)를 표시할 수 있다.
즉, 냉장고(10)는 복수의 저장실들 중 카메라(121)를 통해 촬영된 이미지에 기반하여, 식품이 인출된 저장실에 상응하는 이미지를 이미지 표시 영역(1912)에 표시할 수 있다.
냉장고(10)는 식품 관리 앱 아이콘(1917)을 선택하는 입력을 수신한 경우, 도 22d에 도시된 바와 같이, 식품 관리 화면(1930)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
냉장고(10)는 제1 저장실(510)로부터 인출된 가지가, 냉장고(10)에 저장되지 않은 경우, 가지의 재고가 없음을 나타내는 메시지 및 가지를 쇼핑 리스트에 추가하기 위한 팝업 창(2230)을 식품 관리 화면(1930) 상에 표시할 수 있다.
팝업 창(2230)은 가지의 재고가 없음을 나타내는 메시지, 가지의 가격, 가지를 쇼핑 리스트에 추가하기 위한 추가 버튼(2231)을 포함할 수 있다.
냉장고(10)는 추가 버튼(2231)을 선택하는 입력을 수신한 경우, 도 22e에 도시된 바와 같이, 쇼핑 리스트 화면(2250)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
쇼핑 리스트 화면(2250)은 사용자에 의해 선택된 구매 예정인 식품들에 대한 정보를 포함할 수 있다.
쇼핑 리스트 화면(2250)에 의해, 복수의 식품들이 선택된 후, 주문 버튼(2251)이 선택된 경우, 냉장고(10)는 도 22f에 도시된 바와 같이, 식품 관리 화면(1930) 상에, 주문이 완료되었음을 나타내는 주문 완료 팝업 창(2270)을 표시할 수 있다.
주문 완료 팝업창(2270)은 주문 번호, 주문한 식품들이 배송되기까지 소요되는 시간을 포함할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 냉장고(10)의 투명 디스플레이(14-1)를 통해, 자동 쇼핑 연계 기능을 제공하여, 사용자가 식품을 직접 사러가거나, 쇼핑몰 어플리케이션에 직접 접속해야 하는 번거로움이 사라질 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 (15)
- 인공 지능 냉장고에 있어서,
메모리;
디스플레이;
식품의 인출 또는 투입이 가능한 저장실을 구비하는 캐비닛;
상기 캐비닛의 내부에 구비되며, 상기 저장실을 촬영하는 카메라;
상기 저장실의 개폐 여부를 감지하는 저장실 개폐 센서; 및
상기 저장실 개폐 센서를 통해 상기 저장실의 개방이 감지된 경우, 상기 카메라의 촬영을 온 시키고, 상기 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점이 감지된 경우, 상기 카메라에 캡쳐 명령을 전송하고, 상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하고, 획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 상기 디스플레이에 표시하는 프로세서를 포함하고,
상기 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. - 제1항에 있어서,
상기 프로세서는
상기 저장실의 이동 방향이 개방 방향에서, 닫힘 방향으로 전환된 시점을 상기 닫힘 시점으로 획득하는
인공 지능 냉장고. - 제2항에 있어서,
상기 프로세서는
제1 촬영 시점의 제1 영상에 포함된 포인트의 벡터 방향과 제2 촬영 시점의 제2 영상에 포함된 포인트의 벡터 방향이 서로 다른 경우, 상기 저장실의 이동 방향이 전환된 것으로 판단하고,
상기 벡터 방향이 전환된 시점을 상기 닫힘 시점으로 획득하는
인공 지능 냉장고. - 제1항에 있어서,
상기 프로세서는
상기 카메라의 복수의 촬영 시점들 각각에 상응하는 복수의 영상들을 획득하고,
획득된 복수의 영상들 중 상기 저장실의 면적이 최대인 영상을 추출하고, 추출된 영상의 촬영 시점을 상기 저장실의 최대 개방 시점으로 획득하는
인공 지능 냉장고. - 제4항에 있어서,
상기 프로세서는
상기 복수의 영상들 각각에서 상기 저장실의 경계 영역을 인식하고,
인식된 경계 영역의 하측 영역을 삭제하고, 나머지 영역을 획득하며,
획득된 복수의 나머지 영역들 각각의 면적을 비교하여, 가장 큰 면적을 갖는 나머지 영역에 상응하는 영상을 상기 저장실의 면적이 최대인 영상으로 추출하는
인공 지능 냉장고. - 제1항에 있어서,
상기 저장실 개폐 센서는
제1 리드 스위치 및 제2 리드 스위치를 포함하고,
상기 프로세서는
상기 저장실의 일측에 부착된 자석의 이동에 따른 상기 제1 리드 스위치의 끝단 및 상기 제2 리드 스위치의 끝단 간의 접촉여부를 감지하고, 감지 결과에 따라 상기 저장실의 개방을 감지하는
인공 지능 냉장고. - 삭제
- 제1항에 있어서,
상기 프로세서는
상기 식별된 식품에 기반하여, 상기 식품의 투입 또는 인출을 나타내는 상기 수납 상태를 획득하고,
상기 수납 상태를 알리는 알림을 상기 디스플레이 상에 표시하는
인공 지능 냉장고. - 제8항에 있어서,
상기 프로세서는
상기 수납 상태에 기반하여, 상기 식품의 재고 변경 정보, 상기 식품의 구매 연동 정보 및 상기 식품을 이용한 요리의 레시피 정보 중 하나 이상을 포함하는 상기 식품 관리 정보를 상기 디스플레이 상에 표시하는
인공 지능 냉장고. - 제1항에 있어서,
AI 서버와 통신하는 통신 인터페이스를 더 포함하고,
상기 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 캐비닛에 회전 가능하도록 장착된 아웃터 도어를 더 포함하고,
상기 프로세서는
상기 아웃터 도어가 닫힌 후, 상기 식품 관리 정보를 상기 디스플레이 상에 표시하는
인공 지능 냉장고. - 제11항에 있어서,
상기 디스플레이는 상기 냉장고의 내부를 비추는 투명 디스플레이인
인공 지능 냉장고. - 제1항에 있어서,
상기 카메라는
하방을 촬영하도록, 상기 캐비닛의 천장에 배치된
인공 지능 냉장고. - 인공 지능 냉장고의 동작 방법에 있어서,
저장실 개폐 센서를 통해 상기 인공 지능 냉장고에 구비된 저장실의 개방을 감지을 감지하는 단계;
상기 저장실의 개방을 감지함에 따라 카메라의 촬영을 온 시키는 단계;
상기 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지하는 단계;
상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지함에 따라, 상기 카메라에 캡쳐 명령을 전송하는 단계;
상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하는 단계; 및
획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 디스플레이에 표시하는 단계를 포함하고,
상기 동작 방법은
상기 인공 지능 냉장고의 메모리에 저장된 객체 감지 모델을 이용하여, 상기 이미지로부터, 식품을 포함하는 객체 경계 박스를 획득하는 단계 및
상기 메모리에 저장된 객체 식별 모델을 이용하여, 상기 객체 경계 박스로부터, 상기 식품을 식별하는 단계를 더 포함하고,
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 냉장고의 동작 방법. - 인공 지능 냉장고의 동작 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
상기 동작 방법은
저장실 개폐 센서를 통해 상기 인공 지능 냉장고에 구비된 저장실의 개방을 감지을 감지하는 단계,
상기 저장실의 개방을 감지함에 따라 카메라의 촬영을 온 시키는 단계,
상기 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지하는 단계,
상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지함에 따라, 상기 카메라에 캡쳐 명령을 전송하는 단계,
상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하는 단계 및
획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 디스플레이에 표시하는 단계를 포함하고,
상기 동작 방법은
상기 인공 지능 냉장고의 메모리에 저장된 객체 감지 모델을 이용하여, 상기 이미지로부터, 식품을 포함하는 객체 경계 박스를 획득하는 단계 및
상기 메모리에 저장된 객체 식별 모델을 이용하여, 상기 객체 경계 박스로부터, 상기 식품을 식별하는 단계를 더 포함하고,
상기 객체 감지 모델 및 상기 객체 식별 모델 각각은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 학습된 인공 신경망 기반의 모델인
기록 매체.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200000913A KR102273192B1 (ko) | 2020-01-03 | 2020-01-03 | 인공 지능 냉장고 및 그의 동작 방법 |
| EP20910296.1A EP4086549A4 (en) | 2020-01-03 | 2020-01-06 | ARTIFICIAL INTELLIGENCE REFRIGERATOR AND ITS OPERATING METHOD |
| PCT/KR2020/000215 WO2021137345A1 (ko) | 2020-01-03 | 2020-01-06 | 인공 지능 냉장고 및 그의 동작 방법 |
| US17/790,606 US20230043011A1 (en) | 2020-01-03 | 2020-01-06 | Artificial intelligence refrigerator and operating method therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200000913A KR102273192B1 (ko) | 2020-01-03 | 2020-01-03 | 인공 지능 냉장고 및 그의 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102273192B1 true KR102273192B1 (ko) | 2021-07-05 |
Family
ID=76686624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200000913A KR102273192B1 (ko) | 2020-01-03 | 2020-01-03 | 인공 지능 냉장고 및 그의 동작 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230043011A1 (ko) |
| EP (1) | EP4086549A4 (ko) |
| KR (1) | KR102273192B1 (ko) |
| WO (1) | WO2021137345A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115704622A (zh) * | 2021-08-05 | 2023-02-17 | 海信集团控股股份有限公司 | 一种智能冰箱和食材存取动作识别方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019204534A1 (de) * | 2019-04-01 | 2020-10-01 | BSH Hausgeräte GmbH | Haushaltsgerät mit in einer Tür angeordneter Kamera |
| US20230097905A1 (en) * | 2021-09-24 | 2023-03-30 | Haier Us Appliance Solutions, Inc. | Inventory management system in a refrigerator appliance |
| CN114913410A (zh) * | 2022-04-07 | 2022-08-16 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息识别方法、冰箱和计算机存储介质 |
| KR20240051038A (ko) * | 2022-10-12 | 2024-04-19 | 삼성전자주식회사 | 냉장고 및 냉장고의 제어방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140125105A (ko) * | 2013-04-18 | 2014-10-28 | 엘지전자 주식회사 | 냉장고 및 그 동작 방법 |
| KR20180100636A (ko) * | 2016-07-21 | 2018-09-11 | 미쓰비시덴키 가부시키가이샤 | 냉장고 시스템 |
| KR20190096880A (ko) * | 2019-01-21 | 2019-08-20 | 엘지전자 주식회사 | 인공 지능 냉장고 |
| JP2019168134A (ja) * | 2018-03-22 | 2019-10-03 | 三菱電機株式会社 | 冷蔵庫システム |
| KR20190137271A (ko) * | 2018-06-01 | 2019-12-11 | 엘지전자 주식회사 | 냉장고 및 제어 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101400730B1 (ko) | 2012-11-09 | 2014-05-29 | 재단법인대구경북과학기술원 | 지능형 냉장고 및 지능형 냉장고를 제어하는 방법 |
| EP3026378B1 (en) * | 2013-04-23 | 2020-08-12 | LG Electronics Inc. | Refrigerator and control method for the same |
| KR20180013448A (ko) * | 2016-07-29 | 2018-02-07 | 엘지전자 주식회사 | 냉장고 |
| KR102234691B1 (ko) * | 2019-08-09 | 2021-04-02 | 엘지전자 주식회사 | 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 |
-
2020
- 2020-01-03 KR KR1020200000913A patent/KR102273192B1/ko active IP Right Grant
- 2020-01-06 WO PCT/KR2020/000215 patent/WO2021137345A1/ko unknown
- 2020-01-06 US US17/790,606 patent/US20230043011A1/en active Pending
- 2020-01-06 EP EP20910296.1A patent/EP4086549A4/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140125105A (ko) * | 2013-04-18 | 2014-10-28 | 엘지전자 주식회사 | 냉장고 및 그 동작 방법 |
| KR20180100636A (ko) * | 2016-07-21 | 2018-09-11 | 미쓰비시덴키 가부시키가이샤 | 냉장고 시스템 |
| JP2019168134A (ja) * | 2018-03-22 | 2019-10-03 | 三菱電機株式会社 | 冷蔵庫システム |
| KR20190137271A (ko) * | 2018-06-01 | 2019-12-11 | 엘지전자 주식회사 | 냉장고 및 제어 방법 |
| KR20190096880A (ko) * | 2019-01-21 | 2019-08-20 | 엘지전자 주식회사 | 인공 지능 냉장고 |
Non-Patent Citations (1)
| Title |
|---|
| 본원의 요약 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115704622A (zh) * | 2021-08-05 | 2023-02-17 | 海信集团控股股份有限公司 | 一种智能冰箱和食材存取动作识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230043011A1 (en) | 2023-02-09 |
| EP4086549A1 (en) | 2022-11-09 |
| WO2021137345A1 (ko) | 2021-07-08 |
| EP4086549A4 (en) | 2024-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102273192B1 (ko) | 인공 지능 냉장고 및 그의 동작 방법 | |
| US11334084B2 (en) | Apparatus and method of generating map data of cleaning space | |
| US10997421B2 (en) | Neuromorphic system for real-time visual activity recognition | |
| KR102234771B1 (ko) | 인공 지능 냉장고 | |
| KR102643027B1 (ko) | 전자 장치, 그의 제어 방법 | |
| US10587776B2 (en) | Electronic device and method for controlling the electronic device | |
| KR20190087351A (ko) | 머신 러닝 시스템, 방법 및 장치 | |
| KR102699484B1 (ko) | 냉장고 및 냉장고의 물품 관리 방법 | |
| EP3051810B1 (en) | Surveillance | |
| EP3709667B1 (en) | Video playback device and control method thereof | |
| KR102245911B1 (ko) | 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법 | |
| CN110431514A (zh) | 用于情境驱动智能的系统和方法 | |
| KR102234691B1 (ko) | 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 | |
| Soran et al. | Action recognition in the presence of one egocentric and multiple static cameras | |
| CN110121696B (zh) | 电子设备及其控制方法 | |
| US20240095143A1 (en) | Electronic device and method for controlling same | |
| EP3748565A1 (en) | Environment tracking | |
| US10444852B2 (en) | Method and apparatus for monitoring in a monitoring space | |
| KR102336264B1 (ko) | 매장 내 자동 결제 방법, 시스템 및 프로그램 | |
| CN114972727A (zh) | 用于多模态神经符号场景理解的系统和方法 | |
| US11525627B2 (en) | Refrigerator | |
| KR20210093615A (ko) | 인공 지능 냉장고 및 그의 동작 방법 | |
| KR102435119B1 (ko) | 머신 러닝 기반 주차 지원 장치 및 주차 지원 방법 | |
| US12046030B2 (en) | Refrigerator | |
| KR20210042452A (ko) | 냉장고에 탑재된 인공 지능 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |