KR102280306B1 - 이미지 인식 기반 전력량 분석 정보를 제공하는 방법, 컴퓨팅 장치 및 컴퓨터 프로그램 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하는 단계, 상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하는 단계 및 상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 단계를 포함할 수 있다.

Description

이미지 인식 기반 전력량 분석 정보를 제공하는 방법, 컴퓨팅 장치 및 컴퓨터 프로그램{METHOD, COMPUTER DEVICE AND COMPUTER PROGRAM FOR PROVIDING IMAGE RECOGNITION-BASED POWER ANALYSIS INFORMATION}

본 개시는 이미지 인식 기반 전력량 분석 정보를 제공하는 방법, 컴퓨팅 장치 및 컴퓨터 프로그램에 관한 발명으로, 전력량계 이미지로부터 인공지능 기반의 문자 인식을 수행하여 전력량 데이터를 추출하고, 추출된 전력량 데이터에 기반하여 전력량에 대한 분석 또는 예측 서비스를 제공하기 위함이다.

각 가정이나 사업장에서 사람들이 원활한 삶과 활동을 유지하기 위해서는 전력 공급이 필수적이다. 이러한 전력을 각 수용가에 공급하는 업체는, 각 수용가로 공급되는 전력량을 계량하는 전력량계를 각 수용가에 설치하고, 전력량계에 계량된 수치에 따라 각 수용가에 사용 요금을 부과하게 된다. 이러한 과정에서 사용 요금을 부과하는 대상이 많을수록 검침원이 보다 다수의 전력량계를 일일이 확인해야 하므로, 검침 과정에서 검침원이 실수로 검침 값을 잘못 읽거나 잘못된 값을 기록함으로 인해 검침 업무에 착오를 일으킬 우려가 있다. 또한, 검침원이 처리할 검침 업무가 많은 경우, 검침원의 검침값 육안 인식에 대한 업무 부담으로 인해 업무 집중력의 감소 또는 검침원들의 도덕적인 해이로 인해 수용가 방문을 통한 계량기 검침 없이 임의적으로 검침 값을 입력할 우려가 있다. 전술한 우려들에 따라 잘못된 사용요금이 고객에게 부가될 경우, 고객 불만 증가로 계량기 검침 행정에 대한 불신이 유발됨에 따라 검침을 위해 이용되는 비용이 국가적으로 낭비되는 문제점이 있을 수 있다.

추가적으로, 일반 사용자가 전력량계에 표시된 전략량 데이터를 통해 사용 요금이 고지되기 이전에 자신의 가정 또는 사업장에 부과될 사용 요금 또는 전력량에 관한 정보를 정확하게 예측 및 분석할 수 없어, 전력량 사용에 따른 상세 정보를 획득할 수 없다. 이는, 고객의 알 권리를 충분히 보장할 수 없다는 우려가 있다.

대한민국 공개특허 10-2007-0079704호

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 전력량계 이미지로부터 인공지능 기반의 문자 인식을 수행하여 전력량 데이터를 추출하고, 추출된 전력량 데이터에 기반하여 전력량에 대한 분석 또는 예측 서비스를 제공할 수 있다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 개시 일 실시예에서 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하는 단계, 상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하는 단계 및 상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 전력량 사용 이미지에 대한 전처리를 수행하는 단계를 더 포함하고, 상기 전력량 사용 이미지에 대한 전처리는, 각도 조정에 관한 전처리, 그레이 스케일 변환에 관한 전처리, 왜곡 조정에 관한 전처리, 이진화에 관한 전처리 및 잡영 제거에 관한 전처리 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 이미지 인식 모델은, 상기 전력량 사용 이미지로부터 하나 이상의 숫자 이미지를 인식하기 위한 숫자 인식 모델 및 상기 전력량 사용 이미지로부터 하나 이상의 글자 이미지를 인식하기 위한 글자 인식 모델 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 글자 인식 모델을 통해 상기 전력량 사용 이미지로부터 하나 이상의 글자를 인식하는 단계 및 상기 하나 이상의 글자가 사전 결정된 단어를 포함하는지 여부에 기초하여 상기 전력량 사용 이미지의 적정성을 판별하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 이미지 인식 모델은 복수의 학습 데이터를 통해 학습되는 것을 특징으로 하며, 상기 복수의 학습 데이터는, 숫자 이미지에 관련한 복수의 제 1 학습 데이터 및 글자 이미지에 관련한 복수의 제 2 학습 데이터를 포함할 수 있다.

대안적인 실시예에서, 상기 숫자 이미지에 관련한 상기 복수의 제 1 학습 데이터는, 기계식 숫자에 관련한 제 1 학습 제 1 서브 데이터 및 전자식 숫자에 관련한 제 1 학습 제 2 서브 데이터를 포함하고, 상기 숫자 인식 모델은, 상기 제 1 학습 제 1 서브 데이터를 통해 학습되는 제 1 숫자 인식 모델 및 상기 제 1 학습 제 1 서브 데이터를 통해 학습되는 제 2 숫자 인식 모델 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 글자 인식 모델을 통해 상기 전력량 사용 이미지로부터 하나 이상의 글자를 인식하는 단계 및 상기 하나 이상의 글자가 제 1 단어 및 제 2 단어 중 적어도 하나를 포함하는지 여부에 기초하여 상기 제 1 숫자 인식 모델 및 상기 제 2 숫자 인식 모델 중 상기 전력량 사용 데이터를 도출하기 위한 최적의 모델을 결정하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 숫자 인식 모델을 통해 인식된 하나 이상의 숫자 이미지 각각의 출력 정확도를 식별하는 단계, 상기 하나 이상의 숫자 이미지 각각의 출력 정확도 중 사전 결정된 임계 정확도 이하의 출력 정확도가 식별되는 경우, 수기 입력 창을 제공하는 단계 및 상기 수기 입력 창을 통해 하나 이상의 숫자 데이터를 획득하여 상기 전력량 사용 데이터를 도출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 단계는, 거주지 정보, 사용 기기 정보 및 사용 이력 정보 중 적어도 하나를 포함하는 추가 사용자 정보를 획득하는 단계 및 상기 추가 사용자 정보 및 상기 전력량 사용 데이터에 기초하여 상기 전력량 분석 정보를 제공하는 단계를 포함하고, 상기 거주지 정보는, 거주지 용도, 주거 구분, 대가족/생명유지장치 및 복지 할인 중 적어도 하나에 관련한 정보를 포함하며, 상기 사용 기기 정보는, 하나 이상의 전자 제품 각각의 제품 상세 정보 및 사용 패턴 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 다른 일 실시예에서, 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 및 사용자 단말과 데이터를 송수신하는 네트워크부를 포함하고, 상기 프로세서는, 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하고, 상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하고, 상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공할 수 있다.

본 개시의 또 다른 실시예에서, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하는 동작, 상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하는 동작 및 상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 동작을 포함할 수 있다.

본 개시의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 전력량계 이미지로부터 인공지능 기반의 문자 인식을 수행하여 전력량 데이터를 추출하고, 추출된 전력량 데이터에 기반하여 전력량에 대한 분석 또는 예측 정보를 제공할 수 있다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 기계식 및 전자식 각각으로 표시된 숫자를 예시적으로 나타낸 예시도이다.
도 4는 본 개시의 일 실시예와 관련된 전략량 분석 정보를 제공하는 과정을 예시적으로 도시한 예시도이다.
도 5는 본 개시의 일 실시예와 관련된 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법을 예시적으로 나타낸 순서도를 도시한다.
도 6은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시의 개시가 완전하도록 하고, 본 개시가 속하는 기술 분야의 통상의 기술자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 개시의 일 실시예와 관련된 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.

본 개시의 실시예들에 따른 시스템은 컴퓨팅 장치(100), 사용자 단말(10), 외부 서버(20) 및 네트워크를 포함할 수 있다. 본 개시의 실시예들에 따른 컴퓨팅 장치(100), 사용자 단말(10) 및 외부 서버(20)는 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.

본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)와의 정보 교환은 통해 전력량 사용에 따른 예측 또는 분석 서비스를 제공받을 수 있는 단말로, 사용자가 소지한 단말을 의미할 수 있다. 예컨대, 사용자 단말(10)은 자신의 가정 또는 사업장에서 사용한 전력량에 관한 정보를 획득하고자 하는 사용자에 관련한 단말일 수 있다. 사용자 단말(10)이 자신의 가정 또는 사업장의 전력량에 관한 정보를 획득하고자 하는 사용자에 관련한 단말인 경우, 해당 사용자는 사용자 단말(10)을 통해 컴퓨팅 장치(100)와 정보 교환을 수행함에 따라, 자신이 사용한 전력량에 따른 사용 요금 또는 전력량에 관한 정보에 대하여 보다 정확한 예측 및 분석 서비스를 제공받을 수 있다. 또한 예를 들어, 사용자 단말(10)은 각 수용가의 전력량계 검침을 수행하는 검침원에 관련한 단말일 수 있다. 사용자 단말(10)이 검침원에 관련한 단말인 경우, 검침원은 사용자 단말(10)을 통해 컴퓨팅 장치(100)와 정보 교환을 수행함으로써 전력량계에 관련한 데이터를 보다 정확하게 획득할 수 있다. 즉, 검침 값을 잘못 읽거나 잘못된 값을 기록하는 등에 관련한 검치 오류를 방지할 수 있다.

이러한 사용자 단말(10)은 고객 단말기(UE), 모바일, 무선 통신이 가능한 PC, 핸드폰, 키오스크, 셀룰러 폰, 셀룰러, 셀룰러 단말, 가입자 유닛, 가입자국, 이동국, 단말, 원격국, PDA, 원격 단말, 엑세스 단말, 사용자 에이전트, 셀룰러 전화, 무선 전화, 세션 개시 프로토콜(SIP) 전화, 무선 로컬 루프(WLL) 국, 무선 접속 기능을 구비하는 휴대용 장치, 무선 모델과 같은, 무선 메커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이에 한정되지는 않는다. 또한, 사용자 단말(10)은, 유선 팩스, 유선 모델을 구비한 PC, 유선 전화, 유선 통신이 가능한 단말 등과 같은 유선 접속 메커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다.

본 개시의 일 실시예에 따르면, 외부 서버(20)는 복수의 글자 이미지 및 복수의 숫자 이미지 및 각 이미지에 대응하는 분류 정보를 저장하는 서버일 수 있다. 외부 서버(20)에 저장된 정보들은 본 개시에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(20)는 본 개시의 이미지 인식 모델을 학습시키기 위한 학습 데이터 세트(즉, 복수의 학습 데이터)를 저장하고 있는 서버일 수 있다.

본 개시의 컴퓨팅 장치(100)는 외부 서버(20)로부터 복수의 글자 이미지 및 숫자 이미지에 정보와 각 이미지에 대응하는 분류 정보를 포함하는 학습 데이터를 수신하고, 그리고 수신한 학습 데이터에 기초하여 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 이미지 내 포함된 글자 이미지 또는 숫자 이미지 중 적어도 하나에 대한 인식을 수행하는 이미지 인식 모델을 생성할 수 있다.

외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용된 전력량에 관련한 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득할 수 있으며, 이미지 인식 모델을 통해 획득된 전력량 사용 이미지를 인식함으로써, 전력량 사용 데이터를 도출할 수 있다. 전력량 사용 이미지는, 하나 이상의 숫자 이미지를 포함하는 이미지 데이터일 수 있다. 숫자 이미지는, 하나의 숫자를 포함하는 이미지일 수 있다. 예를 들어, 숫자 이미지는 '1'이라는 숫자 하나를 포함하고 있는 이미지일 수 있다. 구체적인 예를 들어, 전력량 사용 이미지는 전력량계에 표시된 숫자를 촬영함으로써 획득되는 이미지 데이터일 수 있다. 전술한 전력량 사용 이미지에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

이미지 인식 모델은, 하나 이상의 네트워크 함수를 포함할 수 있으며, 해당 하나 이상의 네트워크 함수는, 복수의 숫자 이미지에 관련한 학습 데이터를 통해 학습될 수 있다. 컴퓨팅 장치(100)는 복수의 숫자 이미지 및 각 이미지에 대응하는 분류 정보를 포함하는 학습 데이터를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 본 개시의 이미지 인식 모델을 생성할 수 있다.

보다 자세히 설명하면, 컴퓨팅 장치(100)는 복수의 숫자 이미지 및 각 숫자 이미지에 대응하는 분류 정보(즉, 숫자 이미지에 대응하는 숫자)로 구성되는 복수의 학습 데이터를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 학습 데이터는, 하나 이상의 네트워크 함수의 입력에 관련한 학습 입력 데이터 및 학습 입력 데이터의 라벨에 해당하는 학습 출력 데이터를 포함할 수 있다. 학습 입력 데이터는 숫자 이미지에 관련한 정보를 의미할 수 있으며, 학습 출력 데이터는, 숫자 이미지의 분류에 관련한 정보를 의미할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 네트워크 함수에 숫자 이미지에 관련한 학습 입력 데이터를 입력시킬 수 있다. 이 경우, 하나 이상의 네트워크 함수는 학습 입력 데이터를 입력으로 처리하여 출력 데이터를 출력할 수 있다. 출력 데이터의 출력은, 학습 입력 데이터를 하나의 숫자로 분류하는 것을 의미할 수 있다. 컴퓨팅 장치(100)는 출력된 출력 데이터를 학습 입력 데이터의 라벨에 해당하는 학습 출력 데이터와 비교함으로써 오차를 도출할 수 있다. 또한, 프로세서(130)는 도출된 오차를 하나 이상의 네트워크 함수의 역방향으로 역전파(backpropagation)하여 하나 이상의 네트워크 함수의 연결 가중치를 업데이트할 수 있다. 전술한 학습 과정을 통해 학습이 진행됨에 따라 하나 이상의 네트워크 함수의 출력은 학습 출력 데이터에 가까워질 수 있다. 즉, 학습이 완료됨에 따라 생성되는 이미지 인식 모델은, 숫자 이미지를 입력으로 하는 경우, 해당 숫자 이미지를 하나의 숫자로 분류할 수 있다. 즉, 이미지 인식 모델은 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 입력으로 하여 각 숫자 이미지에 대응하는 분류를 수행하여 전력량 사용 데이터를 도출할 수 있다. 전력량 사용 데이터는, 전력량계에 표시된 숫자에 관련한 정보일 수 있다. 예를 들어, 전력량 사용 데이터는, 사용한 전력량이 '3510(kwh)' 라는 숫자 데이터일 수 있다. 전술한 전력량 사용 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 이미지 인식 모델을 통해 숫자 이미지의 피처를 추출하여, 하나 이상의 클래스 각각에 대한 스코어를 추출할 수 있다. 클래스는, 숫자 이미지가 의미하는 숫자일 수 있다. 예를 들어, 하나 이상의 클래스 각각은, '1', '2', '3', '4' 등일 수 있다. 컴퓨팅 장치(100)는 숫자 이미지의 클래스 각각에 대한 스코어 값에 기초하여 숫자 이미지를 숫자로 분류할 수 있다. 컴퓨팅 장치(100)는 이미지 인식 모델을 통하여 숫자 이미지를 연산한 결과, 가장 높은 스코어 값을 가진느 클래스로 숫자 이미지를 분류하여, 하나 이상의 숫자 이미지 각각에 대응하는 숫자를 결정할 수 있다. 전술한 숫자 이미지의 클래스에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

일 실시예에 따르면, 복수의 숫자 이미지에 관련한 복수의 학습 데이터는, 기계식 숫자에 관련한 학습 제 1 서브 데이터 및 전자식 숫자에 관련한 학습 제 2 서브 데이터를 포함할 수 있다. 예컨대, 사용 전력량에 대한 정보를 나타내는 전기계량기는 하나 이상의 타입을 통해 구비될 수 있다. 예를 들어, 전기계량기는 기계식 전기계량기 및 전자식 전기계량기를 포함할 수 있다. 기계식 전기계량기는, 각각의 자리점에 대응하여 1~9까지의 미리 정해진 형식의 숫자가 회전을 통해 표시되어 숫자를 노출하는 방식일 수 있다. 다시 말해, 기계식 전기계량기를 통해 노출되는 숫자에 관련한 숫자 이미지는, 미리 정해진 형식의 숫자로, 일반적인 숫자에 관련한 이미지일 수 있다. 전자식 전기계량기는, 7-segment 기반의 디지털 숫자를 표시하여 숫자를 노출하는 방식일 수 있다. 다시 말해, 전자식 전기계량기를 통해 노출되는 숫자에 관련한 숫자 이미지는, 7-segment 기반의 디지털 숫자일 수 있다.

즉, 전기계량기는 기계식 또는 전자식으로 숫자를 표시함에 따라, 본 개시에서 획득되는 전력량 사용 이미지는, 기계식 또는 전자식 중 적어도 하나의 형식에 관련한 하나 이상의 숫자 이미지를 포함할 수 있다. 예컨대, 신경망의 학습을 위한 학습 데이터가 기계식 숫자에 관련한 이미지들만으로 구성되는 경우, 학습이 완료된 이미지 인식 모델은 전자식 전기계량기에 관련하여 획득된 전력량 사용 이미지에 대한 출력 정확도가 다소 결여될 수 있다. 다시 말해, 동일한 숫자라도 기계식과 전자식 각각의 표시 방식이 상이하므로, 학습 데이터가 일반적인 기계식 숫자에 관련한 이미지들만으로 구성되는 경우, 전자식 숫자에 대한 인식 정확도가 다소 결여될 수 있다.

이에 따라, 본 개시의 컴퓨팅 장치(100)는 기계식에 관련한 학습 데이터(예컨대, 학습 제 1 서브 데이터) 뿐만 아니라, 전자식에 관련한 학습 데이터(예컨대, 학습 제 2 서브 데이터)를 포함하는 복수의 학습 데이터를 통해 하나 이상의 네트워크 함수의 학습을 수행할 수 있다. 따라서, 본 개시의 이미지 인식 모델은, 다양한 숫자 표시 방식의 전기계량기에 대응하여 획득된 전력량 사용 이미지에 기반하여 보다 정확도가 향상된 분류를 수행할 수 있다.

또한, 컴퓨팅 장치(100)는 전력량 사용 데이터 기초하여 전력량 분석 정보를 제공할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 전력량 사용 데이터가 도출된 시점 및 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공할 수 있다. 이 경우, 전력량 분석 정보는, 사용 요금에 관련한 예측 정보를 포함할 수 있다.

자세히 설명하면, 컴퓨팅 장치(100)는 전력량 사용 데이터가 도출된 시점을 식별할 수 있다. 컴퓨팅 장치(100)는 전력량 사용 데이터가 도출된 시점에 기반하여 하나 이상의 요금 테이블 중 사용 요금을 산정하기 위한 요금 테이블을 결정할 수 있다. 예컨대 전력량 사용 데이터가 도출되는 시점은, 전력량 사용 데이터에 대응하는 전력량 사용 이미지가 획득되는 시점에 생성되는 메타 데이터 기반하여 식별될 수 있다. 하나 이상의 요금 테이블은, 예를 들어, 하계 시점(7월 1일 ~ 8월 31일)에 관련한 제 1 요금 테이블 및 기타 시점(1월 1일~6월 30일 및 9월 1일부터 12월 31일)에 관련한 제 2 요금 테이블을 포함할 수 있다. 컴퓨팅 장치(100)는 전력량 사용 데이터가 도출된 시점이 하계 시점인 경우, 전력량 사용 데이터 및 제 1 요금 테이블에 기반하여 전력량 분석 정보를 제공할 수 있다. 또한, 컴퓨팅 장치(100)는 전력량 사용 데이터가 도출된 시점이 기타 시점인 경우, 전력량 사용 데이터 및 제 2 요금 테이블 기반하여 전력량 분석 정보를 제공할 수 있다.

예를 들어, 제 1 요금 테이블 및 제 2 요금 테이블 각각에 대응하는 표 1 및 표 2는 다음과 같을 수 있다.

	구간	기본요금	사용량 요금(원/kWh)
1	300kWh 이하	910	93.3
2	301~450kWh	1,600	187.9
3	451~1,000kWh	7,300	280.6
4	1,000 초과	7,300	709.5

	구간	기본요금	사용량 요금(원/kWh)
1	300kWh 이하	910	93.3
2	201~400kWh	1,600	187.9
3	401~1,000kWh	7,300	280.6

구체적인 예를 들어, 전력량 사용 데이터가 "460kWh"이며, 해당 전력량 사용 데이터의 도출 시점이 하계 시점에 대응하는 경우, 컴퓨팅 장치(100)는 제 1 요금 테이블을 이용하여 전력량 분석 정보를 제공할 수 있다. 이 경우, 컴퓨팅 장치(100)는 65,741원((300 * 93.3) + (150 * 187.9) + (10 * 208.6) + 7,300)이라는 사용 요금 예측에 관련한 전력량 분석 정보를 제공할 수 있다.

다른 예를 들어, 전력량 사용 데이터가 "460kWh"이며, 해당 전력량 사용 데이터의 도출 시점이 기타 시점에 대응하는 경우, 컴퓨팅 장치(100)는 제 2 요금 테이블을 이용하여 전력량 분석 정보를 제공할 수 있다. 이 경우, 컴퓨팅 장치(100)는 80,376원((200 * 93.3) + (200 * 187.9) + (60 * 280.6) + 7,300)이라는 사용 요금 예측에 관련한 전력량 분석 정보를 제공할 수 있다. 전술한 제 1 요금 테이블 및 제 2 요금 테이블에 기반하여 산청한 전력량 분석 정보에 대한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

전술한 바와 같이, 컴퓨팅 장치(100)는 전력량 사용 데이터의 도출 시점을 식별하여 상이한 비용 테이블을 활용하여 전력량 사용 데이터에 기반한 전력량 분석 정보를 생성하여 제공할 수 있다. 이에 따라, 사용자는 자신의 가정 또는 사업장에 부과될 사용 요금 또는 전력량에 관한 예측 정보를 용이하게 제공받을 수 있다.

또한, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 개시의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.

이하에서는, 도 2를 참조하여 컴퓨팅 장치(100)가 수행하는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법에 대하여 보다 구체적으로 후술하도록 한다.

도 2는 본 개시의 일 실시예와 관련된 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.

도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로서 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10) 및 외부 서버(20)와 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 본 개시의 일 실시예에 따른 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(20) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 외부 서버(20)로부터 복수의 글자 이미지, 복수의 숫자 이미지 및 각 이미지에 대응하는 분류 정보 등을 수신할 수 있다. 다른 예를 들어, 네트워크부(110)는 사용자 단말(10)로부터 전력량 사용 이미지를 수신하거나 또는, 사용자 단말(10)로 전력량 분석 정보를 제공할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(20) 간의 정보 전달을 허용할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 본 개시의 일 실시예에 따른 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 전력량 사용 이미지 및 해당 전력량 사용 이미지에 대응하는 전력량 분석 정보를 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 하나 이상의 숫자 이미지 또는 하나 이상의 글자 이미지를 포함하는 전력량 사용 이미지, 해당 전력량 사용 이미지에 대응하는 전력량 사용 데이터, 하나 이상의 전자 제품 각각의 제품 상세 정보 및 사용 패턴 정보 등)을 임시 또는 영구 저장할 수도 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 이미지 인식 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 획득한 전력량 사용 이미지에 기반하여 전력량 사용 데이터를 도출하기 위한 계산을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 이미지 인식 모델을 학습시키기 위한 계산을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득할 수 있다. 본 개시에서 전력량 사용 이미지의 획득은, 메모리(120)에 저장된 데이터를 수신하거나 또는 로딩(loading)하는 것일 수 있다. 또한, 전력량 사용 이미지의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체에, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 복수의 학습 데이터를 수신하거나 또는 로딩하는 것일 수 있다. 예를 들어, 프로세서(130)는 네트워크부(110)를 통해 사용자 단말(10)로부터 전력량 사용 이미지를 수신하여 획득할 수도 있고, 그리고 별도로 구비된 카메라 모듈을 통해 전기계량기를 촬영하여 전력량 사용 이미지를 획득할 수도 있다.

전력량 사용 이미지는, 하나 이상의 숫자 이미지를 포함하는 이미지 데이터일 수 있다. 숫자 이미지는, 하나의 숫자를 포함하는 이미지일 수 있다. 예를 들어, 숫자 이미지는 '1'이라는 숫자 하나를 포함하고 있는 이미지일 수 있다. 구체적인 예를 들어, 전력량 사용 이미지는, 전력량계가 나타내는 숫자를 촬영함으로서 획득되는 이미지 데이터일 수 있다. 전술한 전력량 사용 이미지에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

일 실시예에 따르면, 전력량 사용 이미지는 하나 이상의 글자 이미지를 더 포함할 수 있다. 글자 이미지는, 하나의 글자를 포함하는 이미지일 수 있다. 예를 들어, 글자 이미지 '가'라는 글자 하나를 포함하고 있는 이미지일 수 있다. 즉, 본 개시에서의 전력량 사용 이미지는, 일 실시예에 따라, 하나 이상의 숫자 이미지와 하나 이상의 글자 이미지를 모두 포함하는 이미지 데이터일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 전력량 사용 이미지에 대한 전처리를 수행할 수 있다. 프로세서(130)가 수행하는 전처리는 이미지 인식 모델의 인식률을 향상시키기 위해 전력량 사용 이미지를 가공 처리하는 것을 의미할 수 있다. 구체적으로, 전력량 사용 이미지에 대한 전처리는, 각도 조정에 관한 전처리, 그레이 스케일(Gray scale) 변환에 관한 전처리, 왜곡 조정에 관한 전처리, 이진화에 관한 전처리 및 잡영 제거에 관한 전처리 중 적어도 하나를 포함할 수 있다. 일 실시예에 따르면, 전술한 전처리는 숫자 이미지에 또는 글자 이미지에 관련한 복수의 학습 데이터 각각에 대응하여 수행될 수도 있다. 이 경우, 전처리된 복수의 학습 데이터를 통해 신경망 모델(즉, 이미지 인식 모델)의 학습이 수행됨에 따라, 생성된 신경망 모델의 출력 정확도가 향상될 수 있다.

자세히 설명하면, 프로세서(130)는 각도 조정에 관한 전처리를 수행할 수 있다. 예컨대, 프로세서(130)는 전력량 사용 이미지를 획득하는 경우, 전력량 사용 이미지에 포함된 하나 이상의 숫자 이미지를 식별할 수 있다. 이 경우, 프로세서(130)는 식별된 하나 이상의 숫자 이미지 중 최초 숫자 이미지와 최종 숫자 이미지가 동일한 수평상에 위치하도록 전력량 사용 이미지에 대한 각도 조정을 수행할 수 있다. 즉, 프로세서(130)는 각 숫자 이미지의 line-hight를 식별하고, 식별된 각 숫자 이미지의 line-hight가 동일해지도록 전력량 사용 이미지에 대한 회전을 수행할 수 있다.

또한, 프로세서(130)는 그레이 스케일 변환에 관한 전처리를 수행할 수 있다. 예컨대, 프로세서(130)는 전력량 사용 이미지를 획득하는 경우, 획득한 전력량 사용 이미지 내에서 컬러 컨텐츠를 식별할 수 있다. 프로세서(130)는 식별된 컬러 컨텐츠를 흑백으로 변환하는 그레이 스케일 변환을 수행할 수 있다. 프로세서(130)는 이미지에 임계(threshlod)를 적용하여 임계값 이하의 값을 갖는 픽셀은 검정색으로 변환하고, 임계값 이상의 값을 갖는 픽셀을 흰색으로 변환할 수 있다. 이에 따라, 전력량 사용 이미지에 포함된 하나 이상의 숫자 이미지는 흑백으로 변환될 수 있다. 이는 신경망 모델이 숫자 이미지을 입력으로 피처를 추출하는 과정에서 연산되는 계산량을 저감시키며, 밝기의 단계를 축소시킴에 따라 이미지 인식 모델의 정확도 향상을 야기시킬 수 있다.

또한, 프로세서(130)는 왜곡 조정에 관한 전처리를 수행할 수 있다. 구체적으로, 프로세서(130)는 전력량 사용 이미지에 대한 히스토그램 정규화를 수행하여 왜곡 조정에 관한 전처리를 수행할 수 있다. 전력량 사용 이미지에 대한 히스토그램 처리는, 예를 들어, 영상 내 각 그레이 스케일 화소의 밝기 값 또는 명암에 해당하는 화소들의 개수를 함수의 형태로 표시하는 것을 의미할 수 있다. 또한, 프로세서(130)는 함수의 결과 값이 이미지의 크기에 따라서 커지거나 작아질 수 있기 때문에, 그레이 스케일에 해당하는 화소의 개수를 영상의 전체 화소로의 개수로 나누어 정규화시킨 후, 히스토그램 처리를 수행할 수 있다. 또한, 프로세서(130)는 히스토그램 정규화를 통해 전력량 사용 이미지에 대한 균등화(Equalization) 및 스트레칭(Stretching)을 수행하여 전력량 사용 이미지에 대한 왜곡 보정을 수행할 수 있다. 즉, 프로세서(130)는 전력량 사용 이미지에 대한 히스토그램 정규화를 통해 밝기, 명암 및 왜곡 조정에 대한 전처리를 수행할 수 있다. 이는, 이미지 인식 모델의 입력에 관련한 전력량 사용 이미지에 대한 왜곡 보정에 관한 전처리임에 따라, 이미지 인식 모델의 출력 정확도가 향상될 수 있다.

또한, 프로세서(130)는 이진화(binarization)에 관한 전처리를 수행할 수 있다. 프로세서(130)는 전력량 사용 이미지에 대한 이진화를 수행할 수 있다. 전력량 사용 이미지에 대한 이진화는, 특정 경계값을 기준으로 낮은 값을 가지는 픽셀을 흑(예컨대, 0 단계의 밝기)으로, 높은 값을 가지는 픽셀을 백(예컨대, 255 단계의 밝기)으로 만드는 것을 의미할 수 있다. 즉, 프로세서(130)에 의해 이진화 처리된 전력량 사용 이미지는 0과 1, 즉, 완전한 흑과 백으로만 밝기가 표현된 이미지일 수 있다. 이에 따라, 이진화에 관한 전처리된 전력량 사용 이미지를 이미지 인식 모델의 입력으로 처리하는 경우, 인식의 정확도가 향상될 수 있다.

또한, 프로세서(130)는 잡영 제거에 관한 전처리를 수행할 수 있다. 구체적으로, 프로세서(130)는 이진화된 전력향 사용 이미지에서 잡영을 제거할 수 있다. 일반적으로, 이진화된 전력량 사용 이미지에는 필요하지 않은 사물들이나 입력 받은 이미지의 질에 의해 잡영들이 포함되어 있을 수 있다. 잡영 제거는, 이러한 잡영들을 제거하기 위한 것으로, 예컨대, 길이기반 여과 방법, 마스킹 기법 및 이미지의 가장자리의 접속성에 기반한 제거 등을 포함할 수 있다. 길이기반 여과는, 특정한 밝기의 픽셀이 일전 기준보다 짧으면 제거하는 방법으로 좌우와 상하로 연삼함으로써 음영을 제거하는 방법일 수 있다. 마스킹 기법은 특정한 크기의 블록 이미지를 이미지의 각 픽셀마다 마스킹함으로써, 특정한 크기 이하의 잡영을 제거하는 방법일 수 있다. 접속성에 기반한 제거는, 숫자 이미지가 정숙영역(quite zone, 즉, 숫자 주위에 있는 잉여 또는 공백 영역)을 가짐을 이용한 것일 수 있다. 이미지 가장 자리와 연결되어 있는 잡영들은 제거하여도 숫자 이미지와 연결성이 없기 때문에 잡영들만 제거되는 효과가 있다.

즉, 프로세서(130)는 전술한 바와 같이, 전력량 사용 이미지에 대한 각도 조정에 관한 전처리, 그레이 스케일(Gray scale) 변환에 관한 전처리, 왜곡 조정에 관한 전처리, 이진화에 관한 전처리 및 잡영 제거에 관한 전처리 등을 수행할 수 있다. 이에 따라, 전처리된 이미지 데이터를 통해 학습되거나 또는, 전처리된 이미지 데이터를 기반으로 출력 데이터를 산출하는 신경망(즉, 이미지 인식 모델)의 인식률이 향상될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출할 수 있다. 전력량 사용 데이터는, 전력량계에 표시된 숫자에 관련한 정보일 수 있다. 예를 들어, 전력량 사용 데이터는, 사용한 전력량이 '3510(kwh)' 라는 숫자에 관련한 데이터일 수 있다. 전술한 전력량 사용 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 본 개시의 이미지 인식 모델은, 예를 들어, 다양한 운영체제(OS)에서 활용될 수 있는 광학 문자 인식 엔진인 tesseract-OCR을 통해 구현될 수 있다.

일 실시예에 따르면, 이미지 인식 모델은 전력량 사용 이미지로부터 하나 이상의 숫자 이미지를 인식하기 위한 숫자 인식 모델 및 전력량 사용 이미지로부터 하나 이상의 글자 이미지를 인식하기 위한 글자 인식 모델 중 적어도 하나를 포함할 수 있다. 구체적으로, 이미지 인식 모델은 복수의 학습 데이터를 통해 학습된 신경망 모델일 수 있다. 이 경우, 복수의 학습 데이터는, 숫자 이미지에 관련한 복수의 제 1 학습 데이터 및 글자 이미지에 관련한 복수의 제 2 학습 데이터를 포함할 수 있다. 프로세서(130)는 복수의 숫자 이미지(예컨대, 제 1 학습 입력 데이터) 및 각 이미지에 대응하는 분류 정보(예컨대, 제 1 학습 출력 데이터)를 포함하는 제 1 학습 데이터에 기초하여 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 본 개시의 숫자 인식 모델을 생성할 수 있다. 또한, 프로세서(130)는 복수의 글자 이미지(예컨대, 제 2 학습 입력 데이터) 및 각 이미지에 대응하는 분류 정보(예컨대, 제 2 학습 출력 데이터)를 포함하는 제 2 학습 데이터에 기초하여 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 본 개시의 글자 인식 모델을 생성할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 숫자 이미지 및 각 숫자 이미지에 대응하는 분류 정보로 구성되는 복수의 제 1 학습 데이터를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 제 1 학습 데이터는, 하나 이상의 네트워크 함수의 입력에 관련한 제 1 학습 입력 데이터 및 제 1 학습 입력 데이터의 라벨에 해당하는 제 1 학습 출력 데이터(즉, 하나 이상의 네트워크 함수의 출력과 비교되는 정답에 관련한 데이터)를 포함할 수 있다. 제 1 학습 입력 데이터는 숫자 이미지에 관련한 정보를 의미할 수 있으며, 제 1 학습 출력 데이터는, 숫자 이미지의 분류에 관련한 정보를 의미할 수 있다.

프로세서(130)는 하나 이상의 네트워크 함수에 숫자 이미지에 관련한 제 1 학습 입력 데이터를 입력시킬 수 있다. 이 경우, 하나 이상의 네트워크 함수는 제 1 학습 입력 데이터를 입력으로 처리하여 출력 데이터를 출력할 수 있다. 출력 데이터의 출력은 제 1 학습 입력 데이터를 하나의 숫자로 분류하는 것을 의미할 수 있다. 컴퓨팅 장치(100)는 출력된 출력 데이터를 제 1 학습 입력 데이터의 라벨에 해당하는 제 1 학습 출력 데이터와 비교함으로써 오차를 도출할 수 있다. 또한, 프로세서(130)는 도출된 오차를 하나 이상의 네트워크 함수의 역방향으로 역전파하여 하나 이상의 네트워크 함수의 연결 가중치를 업데이트할 수 있다. 전술한 학습 과정을 통해 학습이 진행됨에 따라 하나 이상의 네트워크 함수의 출력은 제 1 학습 출력 데이터에 가까워질 수 있다. 즉, 학습이 완료됨에 따라 생성되는 숫자 인식 모델은 숫자 이미지를 입력으로 하는 경우, 해당 숫자 이미지를 하나의 숫자로 분류할 수 있다. 즉, 숫자 인식 모델은 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 입력으로 하여 각 숫자 이미지에 대응하는 분류를 수행하여 전력량 사용 데이터를 도출할 수 있다.

일 실시예에 따르면, 숫자 이미지에 관련한 복수의 제 1 학습 데이터는 기계식 숫자에 관련한 제 1 학습 제 1 서브 데이터를 및 전자식 숫자에 관련한 제 1 학습 제 2 서브 데이터를 포함할 수 있다.

예컨대, 사용 전력량에 대한 정보를 나타내는 전기계량기는 하나 이상의 타입을 통해 구비될 수 있다. 예를 들어, 도 3에 도시된 바와 같이, 전기계량기는, 기계식 전기계량기(210) 및 전자식 전기계량기(220)를 포함할 수 있다. 기계식 전기계량기(210)는, 각각의 자리점에 대응하여 1~9까지의 미리 정해진 형식의 숫자가 회전을 통해 표시되어 숫자를 노출하는 방식일 수 있다. 다시 말해, 기계식 전기계량기(210)를 통해 노출되는 숫자에 관련한 숫자 이미지는, 미리 정해진 형식의 숫자(211)로, 일반적인 숫자에 관련한 이미지일 수 있다. 전자식 전기계량기(220)는, 7-segment 기반의 디지털 숫자를 표시하여 숫자를 노출하는 방식일 수 있다. 다시 말해, 전자식 전기계량기(220)를 통해 노출되는 숫자에 관련한 숫자 이미지는, 7-segment 기반의 디지털 숫자(221)일 수 있다.

즉, 전기계량기는 기계식 또는 전자식으로 숫자를 표시함에 따라, 본 개시에서 획득되는 전력량 사용 이미지는, 기계식 또는 전자식 중 적어도 하나의 형식에 관련한 하나 이상의 숫자 이미지를 포함할 수 있다. 예컨대, 신경망의 학습을 위한 학습 데이터가 기계식 숫자에 관련한 이미지들만으로 구성되는 경우, 학습이 완료된 이미지 인식 모델은 전자식 전기계량기에 관련하여 획득된 전력량 사용 이미지에 대한 출력 정확도가 다소 결여될 수 있다. 다시 말해, 동일한 숫자라도 기계식과 전자식 각각의 표시 방식이 상이하므로, 학습 데이터가 일반적인 기계식 숫자에 관련한 이미지들만으로 구성되는 경우, 전자식 숫자에 대한 인식 정확도가 다소 결여될 수 있다.

이에 따라, 본 개시의 프로세서(130)는 기계식에 관련한 학습 데이터(예컨대, 제 1 학습 제 1 서브 데이터) 뿐만 아니라, 전자식에 관련한 학습 데이터(예컨대, 제 1 학습 제 2 서브 데이터)를 포함하는 복수의 학습 데이터를 통해 하나 이상의 네트워크 함수의 학습을 수행할 수 있다. 따라서, 본 개시의 이미지 인식 모델은, 다양한 숫자 표시 방식의 전기계량기에 대응하여 획득된 전력량 사용 이미지에 기반하여 보다 정확도가 향상된 분류를 수행할 수 있다. 다시 말해, 기계식 전기계량기 및 전자식 전기계량기 각각에 관련한 전력량 사용 이미지 각각에 대응하여 신뢰도 높은 숫자 분류를 수행할 수 있다.

일 실시 예에서, 프로세서(130)는 7-segment숫자표시 시스템을 구성하는 각각의 다각형에 대한 이미지 인식 학습을 수행할 수 있다. 예를 들어, 7-segment의 경우 숫자를 표시하기 위하여 기 설정된 복수의 다각형의 숫자표시 공간이 설정되고, 각각의 다각형이 온 또는 오프됨에 따라 0부터 9까지의 숫자를 표시하는 구성을 취하고 있다. 따라서, 기 설정된 다각형 숫자표시 공간에 포함되는 각각의 다각형 모양을 식별하는 인공지능 모델이 미리 학습되는 경우, 숫자를 직접적으로 분석하는 방법 이외에도 다각형들을 인식한 뒤 각 다각형들의 위치에 기반하여 용이하게 숫자를 판단할 수 있다.

이를 위하여, 프로세서(130)는 7-segment를 구성하는 각각의 다각형들을 다양한 백그라운드 이미지에 추가하여 학습 데이터를 생성할 수 있다. 이 과정에서, 다각형들이 표시되는 위치, 개수 및 방향을 조절하면서 쉽게 학습 데이터들을 증강할 수 있다.

프로세서(130)는 상기한 방법으로 생성된 학습 데이터 이미지에 각각의 다각형이 표시된 위치를 자동으로 레이블링할 수 있다. 레이블링 방식은 제한되지 않으나, 예를 들어 바운딩 박스 방식, 다각형의 중심점 위치를 표시하는 방식, 다각형의 경계선을 복수의 포인트로 표시하는 방식 등을 사용할 수 있으나, 이에 제한되는 것은 아니다. 프로세서(130)는 학습 데이터의 소정 비율(예: 70%)을 학습용 데이터로 사용하고, 나머지(예: 30%)를 검증용 데이터로 사용할 수 있다. 이를 이용하여, 프로세서(130)는 상대적으로 복잡한 숫자 이미지보다 단순한 다각형 이미지를 인식할 수 있는 인공지능 모델을 용이하게 생성할 수 있다.

실시 예에 따라서, 7-segment 기기의 종류에 따라 숫자를 표시하는 다각형들의 모양이 조금씩 상이할 수 있다. 이 경우, 프로세서(130)는 해당 디바이스에서 숫자를 표시하는 데 이용하는 다각형들의 모양을 획득하고, 이를 이용하여 기 학습된 인공지능 모델을 재학습시키거나, 새로운 인공지능 모델을 학습시킬 수 있다.

프로세서(130)는 상기한 방법으로 생성된 인공지능 모델을 이용하여 7-segment 숫자가 표시된 이미지(예를 들어, 7-segment 숫자가 표시된 화면을 촬영한 이미지)로부터 각각의 다각형을 인식할 수 있다. 상기한 학습 및 표시방법에서, 프로세서(130)는 검정색, 혹은 붉은색 등 디바이스에 기 설정된 색상의 다각형을 인식하도록 구성될 수도 있다.

프로세서(130)는 이미지에서 인식된 각각의 다각형의 위치에 기반하여 7-segment 숫자 이미지를 재구성할 수 있다. 프로세서(130)는 재구성된 숫자 이미지로부터 기 설정된 범위 이상 이격되어 있는 다각형이 인식되는 경우, 이는 잘못 인식된 것으로 판단하여 제거할 수도 있다.

프로세서(130)는 재구성된 숫자 이미지에 포함된 각 다각형들의 위치에 기반하여, 숫자를 자동으로 인식할 수 있다. 예를 들어, 각 숫자를 구성하는 7개의 다각형 위치에서 인식된 다각형(즉, 불이 들어오거나 검정색으로 표시된 다각형)의 위치에 따라, 각 숫자가 무엇인지 쉽게 판별할 수 있다. 예를 들어, 7개의 다각형 위치 중 우측의 두 개 다각형에 불이 들어온 것으로 인식되는 경우, 숫자가 1이라고 판단할 수 있다.

프로세서(130)는 상기한 방법을 통해 인식된 숫자와, 개시된 실시 예에 따라 숫자 자체를 인식하는 모델의 출력으로부터 획득된 숫자 정보를 비교하여, 인식결과를 검증할 수도 있다.

일 실시예에 따르면, 숫자 인식 모델은, 제 1 학습 제 1 서브 데이터를 통해 학습되는 제 1 숫자 인식 모델 및 제 1 학습 제 2 서브 데이터를 통해 학습되는 제 2 숫자 인식 모델 중 적어도 하나를 포함할 수 있다. 즉, 프로세서(130)는 상이한 하나 이상의 네트워크 함수 각각을 상이한 학습 데이터 각각(즉, 제 1 학습 제 1 서브 데이터 및 제 1 학습 제 2 서브 데이터)을 통해 학습시킴으로써, 기계식 숫자 이미지 인식에 강인한 제 1 숫자 인식 모델 및 전자식 숫자 이미지 인식에 강인한 제 2 숫자 인식 모델 각각을 생성할 수도 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 글자 이미지 및 각 글자 이미지에 대응하는 분류 정보(즉, 글자 이미지에 대응하는 글자)로 구성되는 복수의 제 2 학습 데이터를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 제 2 학습 데이터는, 하나 이상의 네트워크 함수의 입력에 관련한 제 2 학습 입력 데이터 및 제 2 학습 입력 데이터의 라벨에 해당하는 제 2 학습 출력 데이터(즉, 하나 이상의 네트워크 함수의 출력과 비교되는 정답에 관련한 데이터)를 포함할 수 있다. 제 2 학습 입력 데이터는 글자 이미지에 관련한 정보를 의미할 수 있으며, 제 2 학습 출력 데이터는, 글자 이미지의 분류에 관련한 정보를 의미할 수 있다.

프로세서(130)는 하나 이상의 네트워크 함수에 글자 이미지에 관련한 제 2 학습 입력 데이터를 입력시킬 수 있다. 이 경우, 하나 이상의 네트워크 함수는 제 2 학습 입력 데이터를 입력으로 처리하여 출력 데이터를 출력할 수 있다. 출력 데이터의 출력은 제 2 학습 입력 데이터를 하나의 글자로 분류하는 것을 의미할 수 있다. 컴퓨팅 장치(100)는 출력된 출력 데이터를 제 2 학습 입력 데이터의 라벨에 해당하는 제 2 학습 출력 데이터와 비교함으로써 오차를 도출할 수 있다. 또한, 프로세서(130)는 도출된 오차를 하나 이상의 네트워크 함수의 역방향으로 역전파하여 하나 이상의 네트워크 함수의 연결 가중치를 업데이트할 수 있다. 전술한 학습 과정을 통해 학습이 진행됨에 따라 하나 이상의 네트워크 함수의 출력은 제 2 학습 출력 데이터에 가까워질 수 있다. 즉, 학습이 완료됨에 따라 생성되는 글자 인식 모델은 글자 이미지를 입력으로 하는 경우, 해당 글자 이미지를 하나의 글자로 분류할 수 있다. 즉, 글자 인식 모델은 하나 이상의 글자 이미지를 포함하는 전력량 사용 이미지를 입력으로 하여 각 글자 이미지에 대응하는 분류를 수행하여 하나 이상의 글자를 인식할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 인식된 글자를 조합할 수 있다. 구체적으로, 프로세서(130)는 전력량 사용 이미지에 포함된 하나 이상의 글자 이미지 각각의 위치 관계에 기초하여 하나 이상의 글자 이미지 각각에 대응하는 글자를 조합할 수 있다. 자세히 설명하면, 프로세서(130)는 특정 글자 이미지와 다른 글자 이미지의 거리에 기초하여 각각의 글자 이미지에 대응하는 글자를 조합할 수 있다. 예를 들어, 전력량 사용 이미지에 포함된 하나 이상의 글자 이미지 각각은 '전', '력', '량', '계', '주', '의', '사' 및 '항'일 수 있다. 이 경우, 프로세서(130)는 하나 이상의 글자 이미지 각각의 위치에 기초하여 하나 이상의 글자 이미지에 대응하는 글자를 '전력량계' 및 '주의 사항'으로 조합할 수 있다. 즉, 프로세서(130)는 각각의 글자 이미지 간의 거리에 기초하여 인접한 거리에 위치한 글자 이미지에 대응하는 글자를 조합하여 단어를 생성할 수 있다. 전술한 글자 이미지에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

일 실시예에서, 프로세서(130)는 글자 인식 모델을 통해 전력량 사용 이미지로부터 하나 이상의 글자를 인식할 수 있다. 또한, 프로세서(130)는 하나 이상의 글자가 사전 결정된 단어를 포함하는지 여부에 기초하여 전력량 사용 이미지의 적정성을 판별할 수 있다. 구체적으로, 프로세서(130)는 글자 인식 모델을 활용하여 각 글자 이미지에 대응하는 하나 이상의 글자를 도출하고, 하나 이상의 글자 이미지 각각의 위치에 기반하여 도출된 하나 이상의 글자를 조합하여 하나 이상의 단어를 생성할 수 있다. 또한, 프로세서(130)는 생성된 하나 이상의 단어가 사전 결정된 단어를 포함하는지 여부에 기초하여 전력량 사용 이미지의 적정성을 판별할 수 있다. 여기서, 사전 결정된 단어는, 전력량 사용 이미지가 전기계량기를 촬영하여 획득한 이미지인지 여부를 판별하기 위한 기준이 되는 단어일 수 있다. 사전 결정된 단어는, 예를 들어, '전력량', '전력량계' 또는 'kWh' 등을 포함할 수 있다. 전술한 사전 결정된 단어에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

구체적인 예를 들어, 사전 결정된 단어가 '전력량', '전력량계' 및 'kWh' 이며, 글자 인식 모델을 활용하여 전력량 사용 이미지로부터 인식하여 생성한 하나 이상의 단어에 해당 '전력량', '전력량계' 또는 'kWh'가 포함되지 않은 경우, 프로세서(130)는 전력량 사용 이미지를 적정하지 않은 데이터로 판별할 수 있다. 다시 말해, 프로세서(130)는 해당 전력량 사용 이미지를 위조된 데이터, 또는 오류를 포함하는 데이터인 것으로 판별할 수 있다.

이와 반대로, 글자 인식 모델을 활용하여 전력량 사용 이미지로부터 인식하여 생성한 하나 이상의 단어 중 '전력량', '전력량계' 및 'kWh' 중 적어도 하나가 포함되어 있는 경우, 프로세서(130)는 전력량 사용 이미지를 적정한 데이터로 판별할 수 있다. 다시 말해, 프로세서(130)는 해당 전력량 사용 이미지를 진짜 데이터, 또는 적정하게 획득된 데이터인 것으로 판별할 수 있다.

즉, 프로세서(130)는 전력량 사용 이미지에 포함된 하나 이상의 글자 이미지 각각에 대응하는 하나 이상의 글자를 도출하고, 도출된 글자들의 조합을 통해 생성된 하나 이상의 단어가 특정 단어를 포함하는지 여부에 기초하여 전력량 사용 이미지가 전력량 분석 데이터 도출에 기반이 되는 데이터로써 적정한지 여부를 판별할 수 있다. 다시 말해, 전력량 사용 이미지(즉, 전력량계를 촬영하여 획득한 이미지) 내에 포함된 글자들을 통해, 해당 이미지가 전력량에 관련한 이미지와 상이한 이미지인 것 즉, 획득된 이미지의 오류(예컨대, 전력량과 무관한 이미지)를 감지할 수 있다. 즉, 프로세서(130)는 전력량 분석 데이터 도출에 기반이 되는 숫자 이미지와 함께 획득되는 글자 이미지를 통해 올바른 전력량 사용 이미지가 획득되었는지 여부를 판별할 수 있다. 이는, 인식 오류를 방지하여 정보 제공의 정확성을 확보하는 효과를 제공할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 글자 인식 모델을 통해 전력량 사용 이미지로부터 하나 이상의 글자를 인식할 수 있다. 프로세서(130)는 하나 이상의 글자가 제 1 단어 및 제 2 단어 중 적어도 하나를 포함하는지 여부에 기초하여 제 1 숫자 인식 모델 및 제 2 숫자 인식 모델 중 전력량 사용 데이터를 도출하기 위한 최적의 모델을 결정할 수 있다.

구체적으로, 프로세서(130)는 글자 인식 모델을 활용하여 각 글자 이미지에 대응하는 하나 이상의 글자를 도출하고, 하나 이상의 글자 이미지 각각의 위치에 기반하여 도출된 하나 이상의 글자를 조합하여 하나 이상의 단어를 생성할 수 있다. 또한, 프로세서(130)는 하나 이상의 단어가 제 1 단어 및 제 2 단어 중 적어도 하나를 포함하는지 여부에 기초하여 제 1 숫자 인식 모델 및 제 2 숫자 인식 모델 중 전력량 사용 데이터를 도출하기 위한 최적의 모델을 결정할 수 있다. 이 경우, 제 1 숫자 인식 모델은, 기계식 숫자 이미지 인식에 강인한 신경망 모델일 수 있으며, 제 2 숫자 인식 모델은, 전자식 숫자 이미지 인식에 강인한 신경망 모델일 수 있다.

제 1 단어는, 기계식 방식으로 숫자를 표시하는 기계식 전기계량기에 포함된 단어로, 이미지 내에 포함된 하나 이상의 숫자 이미지가 기계식에 해당함을 식별하기 위한 기준이되는 단어를 의미할 수 있다. 예를 들어, 제 1 단어는, '보통', '유도형' 등을 포함할 수 있다. 전술한 제 1 단어에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

제 2 단어는, 전자식 방식으로 숫자를 표시하는 전자식 전기계량기에 포함된 단어로, 이미지 내에 포함된 하나 이상의 숫자 이미지가 전자식에 해당함을 식별하기 위한 기준이되는 단어를 의미할 수 있다. 예를 들어, 제 2 단어는, '전자식'일 수 있다. 전술한 제 2 단어에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 획득된 전력량 사용 이미지에 포함된 하나 이상의 글자 이미지를 인식하여 생성되는 단어가 제 1 단어를 포함하는 경우, 해당 전력량 사용 이미지에 포함된 하나 이상의 숫자 이미지가 기계식 숫자 이미지에 관련한 것으로 판별하여, 해당 전력량 사용 이미지로부터 전력량 사용 데이터를 도출하기 위한 최적의 모델을 제 1 숫자 인식 모델로 결정할 수 있다. 또한, 프로세서(130)는 획득된 전력량 사용 이미지에 포함된 하나 이상의 글자 이미지를 인식하여 생성되는 단어가 제 2 단어를 포함하는 경우, 프로세서(130)는 해당 전력량 사용 이미지에 포함된 하나 이상의 숫자 이미지가 전자식 숫자 이미지에 관련한 것으로 판별하여, 해당 전력량 사용 이미지로부터 전력량 사용 데이터를 도출하기 위한 최적의 모델을 제 2 숫자 인식 모델로 결정할 수 있다. 다시 말해, 프로세서(130)는 전력량 분석 데이터 도출에 기반이 되는 숫자 이미지와 함께 획득되는 글자 이미지를 통해 노출된 숫자의 형식을 예측하여 해당 전력량 분석 이미지로부터 전력량 분석 데이터를 도출하기 위한 최적의 모델을 결정할 수 있다.

즉, 다양한 숫자 표시 방식의 전기계량기에 대응하여 획득된 전력량 사용 이미지에 기반하여 보다 정확도가 향상된 분류를 수행할 수 있다. 다시 말해, 기계식 전기계량기 및 전자식 전기계량기 각각에 관련한 전력량 사용 이미지 각각에 대응하여 정확도를 가진 숫자 분류를 수행하여 향상된 신뢰도를 담보하는 전력량 사용 데이터를 도출할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 숫자 인식 모델을 통해 인식된 하나 이상의 숫자 분류 정보 각각의 출력 정확도를 식별할 수 있다. 프로세서(130)는 하나 이상의 숫자 분류 정보 각각의 출력 정확도 중 사전 결정된 임계 정확도 이하의 출력 정확도가 식별되는 경우, 수기 입력 창을 제공할 수 있다.

구체적으로, 프로세서(130)는 숫자 인식 모델을 통해 숫자 이미지의 피처를 추출하여, 하나 이상의 클래스 각각에 대한 스코어를 추출할 수 있다. 클래스는, 숫자 이미지가 의미하는 숫자일 수 있다. 예를 들어, 하나 이상의 클래스 각각은, '1', '2', '3', '4' 등일 수 있다. 프로세서(130)는 숫자 이미지의 클래스 각각에 대한 스코어 값에 기초하여 숫자 이미지를 숫자로 분류할 수 있다. 프로세서(130)는 숫자 인식 모델을 통하여 숫자 이미지를 연산한 결과, 가장 높은 스코어 값을 가지는 클래스로 숫자 이미지를 분류하여, 하나 이상의 숫자 이미지 각각에 대응하는 숫자를 결정할 수 있다. 전술한 숫자 이미지의 클래스에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 가장 높은 스코어 값을 가지는 클래스로 숫자 이미지를 분류하여 숫자 이미지에 대응하는 숫자를 결정할 수 있다. 이 경우, 클래스 분류에 기반이되는 스코어 값(즉, 가장 높은 스코어 값)이 숫자 분류 정보의 출력 정확도일 수 있다. 예를 들어, 숫자 인식 모델은 제 1 숫자 이미지에 대응하여 제 1 클래스(예컨대, '3') 및 제 2 클래스(예컨대, '8') 각각에 30 및 70이라는 스코어를 출력할 수 있다. 프로세서(130)는 제 1 숫자 이미지를 '8'로 분류할 수 있으며, 출력 정확도는 70일 수 있다. 사전 결정된 임계 정확도가 80인 경우, 프로세서(130)는 수기 입력 창을 제공할 수 있다. 수기 입력 창은, 전기계량기에 표시된 숫자에 대한 정보를 획득하기 위하여 사용자의 선택 입력을 수신하는 창을 의미할 수 있다. 일 실시예에 따르면, 수기 입력 창의 제공은, 입/출력이 가능한 별도의 디스플레이 모듈에 해당 수기 입력 창을 표시하는 것, 또는 수기 입력 창을 출력하도록 하는 제어 신호를 사용자 단말로 전송하는 것을 포함할 수 있다. 또한, 프로세서(130)는 수기 입력 창을 통해 하나 이상의 숫자 데이터를 획득하여 전력량 사용 데이터를 도출할 수 있다.

즉, 프로세서(130)는 신경망(수자 인식 모델)의 출력에 관련한 하나 이상의 숫자 분류 각각에 대응하는 출력 정확도를 식별하고, 식별된 출력 정확도가 결여되는 것으로 판단되는 경우, 수기 입력 창을 통해 사용자로부터 전력량 사용 데이터를 직접적으로 획득할 수 있다. 다시 말해, 기계의 식별 또는 판독정확도가 결여되는 이미지의 경우, 사용자로부터 즉각적인 정보 획득이 가능하도록 수기 입력 창을 제공함으로써, 분석 정보 제공 과정에서의 편의성을 제공할 수 있다.

또한, 프로세서(130)는 전력량 사용 데이터 기초하여 전력량 분석 정보를 제공할 수 있다. 구체적으로, 프로세서(130)는 전력량 사용 데이터가 도출된 시점 및 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공할 수 있다. 이 경우, 전력량 분석 정보는, 사용 요금에 관련한 예측 정보를 포함할 수 있다.

자세히 설명하면, 프로세서(130)는 전력량 사용 데이터가 도출된 시점을 식별할 수 있다. 프로세서(130)는 전력량 사용 데이터가 도출된 시점에 기반하여 하나 이상의 요금 테이블 중 사용 요금을 산정하기 위한 요금 테이블을 결정할 수 있다. 예컨대 전력량 사용 데이터가 도출되는 시점은, 전력량 사용 데이터에 대응하는 전력량 사용 이미지가 획득되는 시점에 생성되는 메타 데이터 기반하여 식별될 수 있다. 하나 이상의 요금 테이블은, 예를 들어, 하계 시점(7월 1일 ~ 8월 31일)에 관련한 제 1 요금 테이블 및 기타 시점(1월 1일~6월 30일 및 9월 1일부터 12월 31일)에 관련한 제 2 요금 테이블을 포함할 수 있다. 프로세서(130)는 전력량 사용 데이터가 도출된 시점이 하계 시점인 경우, 전력량 사용 데이터 및 제 1 요금 테이블에 기반하여 전력량 분석 정보를 제공할 수 있다. 또한, 프로세서(130)는 전력량 사용 데이터가 도출된 시점이 기타 시점인 경우, 전력량 사용 데이터 및 제 2 요금 테이블 기반하여 전력량 분석 정보를 제공할 수 있다.

전술한 바와 같이, 프로세서(130)는 전력량 사용 데이터의 도출 시점을 식별하여 상이한 비용 테이블을 활용하여 전력량 사용 데이터에 기반한 전력량 분석 정보를 생성하여 제공할 수 있다. 이에 따라, 사용자는 자신의 가정 또는 사업장에 부과될 사용 요금 또는 전력량에 관한 예측 정보를 용이하게 제공받을 수 있다.

추가적인 실시예에 따르면, 프로세서(130)는 추가 사용자 정보 및 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공할 수 있다. 이 경우, 프로세서(130)가 생성하여 제공하는 전력량 분석 정보는, 사용 요금에 관련한 예측 정보 및 사용 패턴 분석 정보를 포함할 수 있다.

구체적으로, 프로세서(130)는 거주지 정보, 사용 기기 정보 및 사용 이력 정보 중 적어도 하나를 포함하는 추가 사용자 정보를 획득할 수 있다. 거주지 정보는, 거주지 용도, 주거 구분, 대가족/생명유지장치 및 복지 할인 중 적어도 하나에 관련한 정보를 포함할 수 있다. 예컨대, 거주지 정보는, 거주지 용도가 주택용(저압), 주택용(고압) 또는 1주택 가구 중 적어도 하나라는 정보를 포함할 수 있으며, 주거 구분이 주거용 또는 비주거용 중 적어도 하나라는 정보를 포함할 수 있다. 또한, 예를 들어, 거주지 정보는, 5인이상 가구, 출산 가구, 3자녀이상 가구, 생명유지장치 사용 가구, 또는 해당없음 중 적어도 하나라는 대가족/생명유지장치에 관련한 정보를 포함할 수 있다. 또한, 예를 들어, 거주지 정보는 독립유공자, 국가유공자, 장애인, 사회복지시설, 기초생활수급자, 차상위계층 또는, 해당없음 중 적어도 하나라는 복지 할인 요금에 관련한 정보를 포함할 수 있다. 전술한 거주지 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

사용 기기 정보는, 하나 이상의 전자 제품 각각에 관련한 제품 상세 정보 및 사용 패턴 정보 중 적어도 하나를 포함할 수 있다. 사용 이력 정보는, 해당 거주기 또는 사업장에서의 전월 또는 전년 등 기존 전력 사용 이력에 관한 정보를 포함할 수 있다.

일 실시예에서, 프로세서(130)는 추가 사용자 정보를 획득하기 위한 추가 사용자 정보 입력 창(310)을 제공할 수 있다. 추가 사용자 정보 입력 창(310)은, 전술한 바와 같은 추가 사용자 정보에 관련한 사용자 입력을 수신하는 입력 창일 수 있다. 구체적인 예를 들어, 도 4에 도시된 바와 같이, 추가 사용자 정보 입력 창(310)은, 사용기간, 사용요금, 사용량 등에 관련한 입력 영역을 통해 사용 이력 정보에 관련한 사용자의 입력을 수신할 수 있다. 또한, 추가 사용자 정보 입력 창(310)은, 특정 기기에 대한 정보, 해당 기기의 소비 전력, 등급, 사용주기 및 사용시간 등에 관련한 입력 영역을 통해 사용 기기 정보에 관련한 사용자의 입력을 수신할 수 있다. 다만, 도 4에 표시된 추가 사용자 정보 입력 창은 일 예시에 불과할 뿐, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(130)는 추가 사용자 정보 및 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공할 수 있다. 예컨대, 프로세서(130)는 전술한 바와 같이, 전력량 사용 데이터가 도출된 시점 및 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공할 수 있다. 구체적인 예를 들어, 전력량 사용 데이터가 "460kWh"이며, 해당 전력량 사용 데이터의 도출 시점이 하계 시점에 대응하는 경우, 프로세서(130)는 제 1 요금 테이블을 이용하여 전력량 분석 정보를 제공할 수 있다. 프로세서(130)는 65,741원((300 * 93.3) + (150 * 187.9) + (10 * 208.6) + 7,300)이라는 사용 요금을 예측할 수 있다. 이 경우, 프로세서(130)는 3자녀이상 가구에 해당한다는 추가 사용자 정보를 수신할 수 있다. 예컨대, 3자녀이상 가구는, 월16,000원 한도 내에서 30%의 할인이 적용될 수 있다. 이에 따라, 프로세서(130)는 해당 할인 내용을 반영하여 49,741(65,741 - 16,000)이라는 사용 요금을 예측할 수 있다. 또한, 프로세서(130)는 부가가치세(10%) 및 전력산업기반기금(3.7%)을 반영하여 최종 사용 요금을 예측함으로써, "52,555원"(49,741 + 4,974 + 1,840)이라는 전령략 분석 정보를 생성하여 제공할 수 있다. 전술한 전력량 사용 데이터 및 사용 요금의 예측에 관련한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이제 제한되지 않는다.

또한, 프로세서(130)는 도 4에 도시된 바와 같은, 추가 사용자 정보 입력 창(310)을 통해 하나 이상의 기기에 대한 정보, 각 기기의 소비 전력, 각 기기의 등급, 각 기기의 사용주기 및 각 기기의 사용시간 등에 관련한 정보를 획득하고, 획득된 정보들에 기반하여 사용 패턴 분석 정보에 관련한 전력량 분석 정보를 제공할 수 있다. 사용 패턴 분석 정보는, 사용자의 거주지 또는 사업장에서의 전자 기기의 사용 패턴에 관한 분석 정보일 수 있다. 프로세서(130)는 하나 이상의 사용 기기 각각의 정보를 획득하여 사용 패턴 분석 정보를 생성할 수 있다. 예를 들어, 프로세서(130)는 도 4에 도시된 바와 같이, 각 전자 기기가 전기 사용 요금에 기여한 사용 순위에 대한 정보를 포함하는 사용 패턴 분석 정보(320)를 생성하여 제공할 수 있다. 다시 말해, 프로세서(130)는 추가 사용자 정보를 획득하여 사용자의 전력 소비 패턴에 기반한 분석 정보를 제공할 수 있다. 이에 따라, 사용자는 자신의 소비 패턴에 대한 인사이트를 제공받을 수 있다. 즉, 사용자는 자신의 가정 또는 사업장에 부과될 사용 요금 또는 전력량에 관한 예측 정보를 용이하게 제공받을 수 있다.

도 5는 본 개시의 일 실시예와 관련된 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법을 예시적으로 나타낸 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 상기 방법은, 하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하는 단계(410)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 상기 방법은, 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하는 단계(420)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 상기 방법은, 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 단계(430)를 포함할 수 있다.

전술한 도 5에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 개시의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 개시의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (11)

1. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
   하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하는 단계;
   상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하는 단계; 및
   상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 단계;
   를 포함하며,
   상기 이미지 인식 모델은,
   상기 전력량 사용 이미지로부터 하나 이상의 숫자 이미지를 인식하기 위한 숫자 인식 모델 및 상기 전력량 사용 이미지로부터 하나 이상의 글자 이미지를 인식하기 위한 글자 인식 모델을 포함하고,
   상기 이미지 인식 모델은 복수의 학습 데이터를 통해 학습되는 것을 특징으로 하고, 상기 복수의 학습 데이터는, 숫자 이미지에 관련한 복수의 제 1 학습 데이터 및 글자 이미지에 관련한 복수의 제 2 학습 데이터를 포함하며,
   상기 숫자 이미지에 관련한 상기 복수의 제 1 학습 데이터는 , 기계식 숫자에 관련한 제 1 학습 제 1 서브 데이터 및 전자식 숫자에 관련한 제 1 학습 제 2 서브 데이터를 포함하고,
   상기 숫자 인식 모델은,
   상기 제 1 학습 제 1 서브 데이터를 통해 학습되는 제 1 숫자 인식 모델 및 상기 제 1 학습 제 2 서브 데이터를 통해 학습되는 제 2 숫자 인식 모델 중 적어도 하나를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법.
   
2. 제 1 항에 있어서,
   상기 방법은,
   상기 획득한 전력량 사용 이미지에 대한 전처리를 수행하는 단계;
   를 더 포함하고,
   상기 획득한 전력량 사용 이미지에 대한 전처리는,
   각도 조정에 관한 전처리, 그레이 스케일 변환에 관한 전처리, 왜곡 조정에 관한 전처리, 이진화에 관한 전처리 및 잡영 제거에 관한 전처리 중 적어도 하나를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법.
   
3. 삭제
4. 제 1 항에 있어서,
   상기 방법은,
   상기 글자 인식 모델을 통해 상기 전력량 사용 이미지로부터 하나 이상의 글자를 인식하는 단계; 및
   상기 하나 이상의 글자가 사전 결정된 단어를 포함하는지 여부에 기초하여 상기 전력량 사용 이미지의 적정성을 판별하는 단계;
   를 더 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법.
   
5. 삭제
6. 삭제
7. 제 1 항에 있어서,
   상기 방법은,
   상기 글자 인식 모델을 통해 상기 전력량 사용 이미지로부터 하나 이상의 글자를 인식하는 단계; 및
   상기 하나 이상의 글자가 제 1 단어 및 제 2 단어 중 적어도 하나를 포함하는지 여부에 기초하여 상기 제 1 숫자 인식 모델 및 상기 제 2 숫자 인식 모델 중 상기 전력량 사용 데이터를 도출하기 위한 최적의 모델을 결정하는 단계;
   를 더 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법.
   
8. 제 1 항에 있어서,
   상기 방법은,
   상기 숫자 인식 모델을 통해 인식된 하나 이상의 숫자 이미지 각각의 출력 정확도를 식별하는 단계;
   상기 하나 이상의 숫자 이미지 각각의 출력 정확도 중 사전 결정된 임계 정확도 이하의 출력 정확도가 식별되는 경우, 수기 입력 창을 제공하는 단계; 및
   상기 수기 입력 창을 통해 하나 이상의 숫자 데이터를 획득하여 상기 전력량 사용 데이터를 도출하는 단계;
   를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법.
   
9. 제 1 항에 있어서,
   상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 단계는,
   거주지 정보, 사용 기기 정보 및 사용 이력 정보 중 적어도 하나를 포함하는 추가 사용자 정보를 획득하는 단계; 및
   상기 추가 사용자 정보 및 상기 전력량 사용 데이터에 기초하여 상기 전력량 분석 정보를 제공하는 단계;
   를 포함하고,
   상기 거주지 정보는, 거주지 용도, 주거 구분, 대가족/생명유지장치 및 복지 할인 중 적어도 하나에 관련한 정보를 포함하며,
   상기 사용 기기 정보는,
   하나 이상의 전자 제품 각각의 제품 상세 정보 및 사용 패턴 정보 중 적어도 하나를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 방법.
   
10. 컴퓨팅 장치에 있어서,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
    사용자 단말과 데이터를 송수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하고, 상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하고, 상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하며,
    상기 이미지 인식 모델은,
    상기 전력량 사용 이미지로부터 하나 이상의 숫자 이미지를 인식하기 위한 숫자 인식 모델 및 상기 전력량 사용 이미지로부터 하나 이상의 글자 이미지를 인식하기 위한 글자 인식 모델을 포함하고,
    상기 이미지 인식 모델은 복수의 학습 데이터를 통해 학습되는 것을 특징으로 하고, 상기 복수의 학습 데이터는, 숫자 이미지에 관련한 복수의 제 1 학습 데이터 및 글자 이미지에 관련한 복수의 제 2 학습 데이터를 포함하며,
    상기 숫자 이미지에 관련한 상기 복수의 제 1 학습 데이터는 , 기계식 숫자에 관련한 제 1 학습 제 1 서브 데이터 및 전자식 숫자에 관련한 제 1 학습 제 2 서브 데이터를 포함하고,
    상기 숫자 인식 모델은,
    상기 제 1 학습 제 1 서브 데이터를 통해 학습되는 제 1 숫자 인식 모델 및 상기 제 1 학습 제 2 서브 데이터를 통해 학습되는 제 2 숫자 인식 모델 중 적어도 하나를 포함하는,
    이미지 인식 기반 전력량 분석 정보를 제공하기 위한 컴퓨팅 장치.
    
11. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이미지 인식 기반 전력량 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    하나 이상의 숫자 이미지를 포함하는 전력량 사용 이미지를 획득하는 동작;
    상기 전력량 사용 이미지를 이미지 인식 모델을 통해 인식하여 전력량 사용 데이터를 도출하는 동작; 및
    상기 전력량 사용 데이터에 기초하여 전력량 분석 정보를 제공하는 동작;
    을 포함하며,
    상기 이미지 인식 모델은,
    상기 전력량 사용 이미지로부터 하나 이상의 숫자 이미지를 인식하기 위한 숫자 인식 모델 및 상기 전력량 사용 이미지로부터 하나 이상의 글자 이미지를 인식하기 위한 글자 인식 모델을 포함하고,
    상기 이미지 인식 모델은 복수의 학습 데이터를 통해 학습되는 것을 특징으로 하고, 상기 복수의 학습 데이터는, 숫자 이미지에 관련한 복수의 제 1 학습 데이터 및 글자 이미지에 관련한 복수의 제 2 학습 데이터를 포함하며,
    상기 숫자 이미지에 관련한 상기 복수의 제 1 학습 데이터는 , 기계식 숫자에 관련한 제 1 학습 제 1 서브 데이터 및 전자식 숫자에 관련한 제 1 학습 제 2 서브 데이터를 포함하고,
    상기 숫자 인식 모델은,
    상기 제 1 학습 제 1 서브 데이터를 통해 학습되는 제 1 숫자 인식 모델 및 상기 제 1 학습 제 2 서브 데이터를 통해 학습되는 제 2 숫자 인식 모델 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    

Images