KR102376625B1 - 한글의 조합형 문자 특징을 이용한 학습모델의 구현 및 인공지능 채점을 위한 방법 - Google Patents

Abstract

단말이 한글 인식을 위한 인공지능 모델을 학습시키는 방법에 있어서, 한글의 자음 및 모음들의 집합으로 구성된 학습 파라미터(parameter)를 설정하고, 상기 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키기 위한 학습 데이터를 생성하며, 상기 학습 데이터는 1) 제1 한글 이미지 및 2) 상기 제1 한글 이미지에 포함된 한글을 초성, 중성 및 종성으로 분류하여 라벨링(labeling)한 데이터를 포함하고, 상기 학습 데이터를 이용하여, 상기 인공지능 모델을 학습시킬 수 있다.

Description

한글의 조합형 문자 특징을 이용한 학습모델의 구현 및 인공지능 채점을 위한 방법 {METHOD FOR IMPLEMENTATION OF MACHINE LEARNING MODEL AND ARTIFICIAL INTELLIGENCE SCORING USING THE CHARACTERISTICS OF COMBINATION TYPE OF HANGEUL}

본 명세서는 딥러닝 기술을 이용하여 필기, 활자의 이미지 또는 장치 스트로크 방식으로 쓰여진 한글을 단말이 인식할 때, 한글의 조합형 문자 특징을 이용하는 학습모델의 구현 및 인공지능 채점을 위한 방법 및 이를 위한 장치에 관한 것이다.

라틴 계열의 문자들은 적은 문자의 개수로 구성되어 있다. 예를 들어, 영어는 26개라는 상대적으로 적은 문자의 개수로 구성되어, 인공지능 학습시 인식해야 할 파라미터도 26개로 한정되게 된다. 하지만 한글은 완성형 2350자, 조합형 11,172자, 만약 고어까지 포함시키면 100만자가 넘어 이들 문자 모두를 학습 파라미터로 사용하는 것은 어려우며, 라틴 계열의 문자 대비 학습 데이터 양도 훨씬 많아져야 한다. 그런 이유로 기존의 한글 OCR(Optical Character Recognition)을 인식하기 위한 학습 모델 구축시 대부분 완성형 2,350자 중 사용 빈도가 높은 약 1,000여자만 인식 파라미터로 사용하는 절출정 방식을 채택해왔다.

본 명세서의 목적은, 한글의 조합형 문자 특성을 이용하여 한글 이미지를 인식하기 위한 인공지능 모델을 학습시키기 위한 방법을 제안한다.

또한, 본 명세서의 목적은, 학습된 인공지능 모델을 이용하여 인식된 한글 이미지의 정확도를 판단하는 방법을 제안한다.

본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 명세서의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서의 일 양상은, 단말이 한글 인식을 위한 인공지능 모델을 학습시키는 방법에 있어서, 한글의 자음 및 모음들의 집합으로 구성된 학습 파라미터(parameter)를 설정하는 단계; 상기 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키기 위한 학습 데이터를 생성하는 단계로서, 상기 학습 데이터는 1) 제1 한글 이미지 및 2) 상기 제1 한글 이미지에 포함된 한글을 초성, 중성 및 종성으로 분류하여 라벨링(labeling)한 데이터를 포함함; 및 상기 학습 데이터를 이용하여, 상기 인공지능 모델을 학습시키는 단계; 를 포함할 수 있다.

또한, 상기 인공지능 모델을 이용하여, 상기 제1 한글 이미지에 근거하여 상기 한글을 인식하고, 인식된 결과를 음절로서 사용자에게 표시하는 단계;를 더 포함할 수 있다.

또한, 상기 인식된 결과는 상기 초성, 상기 중성 및 상기 종성으로 분류된 자음 또는 모음일 수 있다.

또한, 상기 인공지능 모델은 상기 한글의 자음 또는 모음의 위치를 학습할 수 있다.

또한, 상기 인공지능 모델을 통해, 제2 한글 이미지를 인식하는 단계;

상기 제2 한글 이미지의 인식에 근거하여, 상기 제2 한글 이미지에 포함된 한글의 후보자 리스트를 생성하는 단계; 및 상기 후보자 리스트에 근거하여, 상기 인식의 정답률을 연산하는 단계;를 더 포함할 수 있다.

또한, 상기 후보자 리스트는 상기 인식의 신뢰도 값에 근거하여 후보자의 순위를 포함할 수 있다.

또한, 상기 정답률은 상기 후보자 리스트에 포함된 멤버들의 가중치에 근거할 수 있다.

또한, 상기 가중치는 상기 순위에 근거할 수 있다.

본 명세서의 또 다른 일 양상은, 한글 인식을 위한 인공지능 모델을 학습시키는 단말에 있어서, 상기 인공지능 모델이 포함된 메모리; 및 상기 메모리를 기능적으로 제어하는 프로세서;를 포함하고, 상기 프로세서는 한글의 자음 및 모음들의 집합으로 구성된 학습 파라미터(parameter)를 설정하고, 상기 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키기 위한 학습 데이터를 생성하며, 상기 학습 데이터는 1) 제1 한글 이미지 및 2) 상기 제1 한글 이미지에 포함된 한글을 초성, 중성 및 종성으로 분류하여 라벨링(labeling)한 데이터를 포함하고, 상기 학습 데이터를 이용하여, 상기 인공지능 모델을 학습시킬 수 있다.

본 명세서의 실시예에 따르면, 한글의 조합형 문자 특성을 이용하여 한글 이미지를 인식하기 위한 인공지능 모델을 효율적으로 학습시킬 수 있다.

또한, 본 명세서의 실시예에 따르면, 학습된 인공지능 모델을 이용하여 인식된 한글 이미지의 정확도 수치화할 수 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 3은 본 명세서에 적용될 수 있는 학습방법의 예시이다.
도 4는 본 명세서가 적용될 수 있는 단말의 일 실시예이다.
도 5는 본 명세서가 적용될 수 있는 한글 채점 방법의 예시이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.

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

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

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

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.

상기 전자 기기(100)는 무선 통신부(110), 입력부(120), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 도 1에 도시된 구성요소들은 전자 기기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 전자 기기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 전자 기기(100)와 무선 통신 시스템 사이, 전자 기기(100)와 다른 전자 기기(100) 사이, 또는 전자 기기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 전자 기기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.

센싱부(140)는 전자 기기 내 정보, 전자 기기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 전자 기기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 전자 기기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 전자 기기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

인터페이스부(160)는 전자 기기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 전자 기기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

또한, 메모리(170)는 전자 기기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 전자 기기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 전자 기기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 전자 기기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 전자 기기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 전자 기기(100) 상에 설치되어, 제어부(180)에 의하여 상기 전자 기기의 동작(또는 기능)을 수행하도록 구동될 수 있다.

제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 전자 기기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용 프로그램의 구동을 위하여, 전자 기기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 전자 기기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리가 될 수 있다.

상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 전자 기기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 전자 기기의 동작, 제어, 또는 제어방법은 상기 메모리(170)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 전자 기기 상에서 구현될 수 있다.

본 명세서에서 전자기기(100)는 단말로 통칭될 수 있다.

도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 전자기기(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 한글의 활자 및 필기 이미지를 인식하기 위한 인공지능 모델을 생성할 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 AI 프로세서(21)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU, graphics processing unit)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델)을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 예를 들어, 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 외부 전자 기기는 다른 단말, 서버를 포함할 수 있다.

한편, 도 2에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈 또는 인공지능(AI) 모델로 호칭될 수도 있다.

한글 OCR 학습 모델을 구축하는 경우, 기존에는 완성형 2,350자 중 사용 빈도가 높은 약 1,000여자만 인식 파라미터로 사용하였다. 이러한 절충적 방식은 빈도가 높은 문자 중심으로 인공지능 모델이 학습되게 되어, 인식 파라미터에 포함되지 않는 문자들의 인식은 어려워지게 된다.

본 명세서는 이러한 문제 해결을 위해, 한글이 가지는 과학적 문자 체계, 즉, 조합형 문자 원리를 인공지능 학습에 적용하여 학습 파라미터의 개수를 획기적으로 줄이면서, 학습 데이터의 양, 속도, 정확도를 개선하는 방법을 제안한다.

도 3은 본 명세서에 적용될 수 있는 학습 방법의 예시이다.

현대 한글은 초성 19개, 중성 21개, 종성 28개(27개 종성에서 '종성이 없는 경우' 1개를 포함)의 조합으로 11,172자를 표현할 수 있다. 만약, 고어까지 포함되면, 표현될 수 있는 한글은 1,638,750자가 될 수 있다.

본 명세서에서 단말은 조합된 문자 전체가 아닌 한글의 조합형 문자 체계의 원리를 이용하여 인공지능 학습 파라미터로서 초성, 종성, 중성 51개(예를 들어, 초성과 종성에 겹치는 자음은 제외)를 사용할 수 있다.

도 3을 참조하면, 단말은 한글 문자에 인코딩, 디코딩 방식을 적용하여 학습에 용이한 데이터 라벨링을 설정할 수 있다. 예를 들어, 단말은 인공지능 모델에 '감자'라는 문자를 학습시키기 위해서, '감자' 한글 이미지(31)의 라벨이 'ㄱ,ㅏ,ㅁ,ㅈ,ㅏ'처럼 초, 중, 종성으로 분리(인코딩)되어 학습 파라메터와 동일한 심볼로 구성된 학습 데이터를 생성할 수 있다. 단말은 사용자에게 학습 결과를 보여주기 위해 자음과 모음을 합쳐진(디코딩) 음절(32)을 표시할 수 있다.

도 4는 본 명세서가 적용될 수 있는 단말의 일 실시예이다.

도 4를 참조하면, 단말은 초성, 종성 및 중성을 학습하기 위해, 자음/모음의 한글 문자 내에서의 위치를 학습할 수 있는 인공지능 모델을 포함할 수 있다.

단말은 인공지능 모델의 학습을 위해 한글의 자음 및 모음들의 집합으로 구성된 학습 파라미터를 설정한다(S410). 예를 들어, 단말은 다음의 표 1과 같은 학습 파라미터를 설정할 수 있다.

분류	학습 파라미터
자음	ㄱ,ㄲ,ㄴ,ㄷ,ㄸ,ㄹ,ㅁ,ㅂ,ㅃ,ㅅ,ㅆ,ㅇ,ㅈ,ㅉ,ㅊ,ㅋ,ㅌ,ㅍ,ㅎ,ㄳ,ㄵ,ㄶ,ㄺ,ㄻ,ㄼ,ㄽ,ㄾ,ㄿ,ㅀ,ㅄ
모음	ㅏ,ㅐ,ㅑ,ㅒ,ㅓ,ㅔ,ㅕ,ㅖ,ㅗ,ㅘ,ㅙ,ㅚ,ㅛ,ㅜ,ㅝ,ㅞ,ㅟ,ㅠ,ㅡ,ㅢ,ㅣ

단말은 학습 파라미터에 근거하여, 1) 한글 이미지 및 2) 한글 이미지에 포함된 한글을 초성, 중성, 종성으로 분류하여 라벨링한 데이터를 포함하는 학습 데이터를 생성한다(S420). 보다 자세하게, 학습 데이터는 한글의 이미지에 포함된 한글을 초성, 중성 및 종성으로 분류하여 학습 파라미터와 동일한 심볼로서 라벨링(labeling)한 데이터일 수 있다. 예를 들어, 단말은 학습 파라미터에 근거하여 "감자" 필기체 이미지가 'ㄱ,ㅏ,ㅁ,ㅈ,ㅏ'로 라벨링된 학습 데이터를 생성할 수 있다.

단말은 학습 데이터를 이용하여 인공지능 모델을 학습시킨다(S430).

단말은 사용자에게 한글 이미지에 포함된 한글과 관련된 인공지능 모델의 학습 결과를 표시한다(S440). 예를 들어, 단말은 학습이 제대로 수행되었는지 사용자에게 알리기 위해 학습 결과를 디스플레이부에 표시할 수 있다. 보다 자세하게, 단말은 인공지능 모델을 통해 학습에 사용되었던 한글 이미지를 인식하고, 인식된 결과를 디코딩하여 음절로서 디스플레이부에 표시할 수 있다. 사용자는 표시된 음절을 통해 학습 결과를 확인할 수 있다.

고어까지 인식할 수 있는 인공지능 모델을 학습시키기 위해서, 추가적으로 단말은 고어에만 포함된 자음과 모음에 대한 학습을 진행할 수 있다.

만일, 입력되는'감자' 필기체 이미지가 더 판독하기 어려운 형태의 필기체 이미지인 경우, 단말은 'ㄱ,ㅏ,ㄹ,ㅈ,ㅏ'로 잘못 인식할 수 있다. 이때, 단말이 인식한‘ㄱ,ㅏ,ㄹ,ㅈ,ㅏ'라는 결과는'감자'와 비교하면 정답이라고 말할 수 없다. 하지만 단말이 인공지능 모델을 기반으로 인식하는 경우, 입력되는 이미지의 한글이 정답(즉, '감자')으로 입력되었지만 단말이 부정확하게 인식한 것이라고 예측할 수 있다. 그러나 사용자가 이를 확인하기 위해서는 예를 들어, S440 단계를 통해, '갈자'를 입력된 이미지의 글자 '감자'와 대조해야 한다.

본 명세서에서 단말은 인식된 결과(즉, '갈자')만을 이용하여, 단말이 정답(즉, '감자')을 입력받았을 가능성을 예측할 수 있는 방법을 제안한다.

도 5는 본 명세서가 적용될 수 있는 한글 채점 방법의 예시이다.

도 5를 참조하면, 단말은 전술한 학습 방법에 의해 학습이 수행된 인공지능 모델을 포함할 수 있다.

단말은 인공지능 모델을 통해, 한글 이미지를 인식한다(S510).

단말은 인식 결과에 근거하여, 한글 이미지에 포함된 한글의 후보자 리스트를 생성한다(S520). 예를 들어, 단말은 한글 이미지의 한글을 인식하고, 자음/모음으로 나열된 인식 결과의 신뢰도에 근거하여, 각 문자들의 신뢰도가 포함된 후보자 리스트를 생성할 수 있다. 후보자 리스트는 신뢰도에 따라 순위를 갖을 수 있다.

단말은 후보자 리스트에 근거하여, 후보자 리스트에 포함된 문자 멤버들의 가중치를 설정하고, 인식 결과의 정답률을 연산한다(S530). 예를 들어, 단말은 후보자 리스트의 순위에 따라, 후보자 리스트에 포함된 문자 멤버들에 가중치를 설정할 수 있다.

표 2는 단말이 예측하는 후보자 리스트 별 신뢰도 값의 예시이다.

순위	멤버별 신뢰도 값
1	ㄱ	0.97	ㅏ	0.95	ㄹ	0.71	ㅈ	0.91	ㅏ	0.99
2	ㅈ	0.21	ㅣ	0.2	ㅁ	0.63	ㄷ	0.32	ㅣ	0.15
3	ㄲ	0.1	ㅜ	0.1	ㅇ	0.42	ㄹ	0.31	ㅓ	0.12
4	ㅋ	0.1	ㅘ	0.0	ㄺ	0.25	ㄱ	0.14	ㅐ	0.1
5	ㅎ	0.0	ㅐ	0.0	ㅋ	0.0	ㅊ	0.12	ㅜ	0.0
6	ㅇ	0.0	ㅓ	0.0	ㅍ	0.0	ㅍ	0.0	ㅘ	0.0
7	ㅅ	0.0	ㅑ	0.0	ㄷ	0.0	ㅉ	0.0	ㅡ	0.0
8	ㅍ	0.0	ㅡ	0.0	ㅂ	0.0	ㅜ	0.0	ㅑ	0.0
9	ㄴ	0.0	ㅕ	0.0	ㄻ	0.0	ㅏ	0.0	ㄷ	0.0
10	ㄹ	0.0	ㅗ	0.0	ㅌ	0.0	ㅅ	0.0	ㅗ	0.0

표 2를 참조하면, 단말은 예측된 신뢰도 값에 따라, 한글 이미지의

에 대해,

로 인식할 수 있다. 그러나, 한글 이미지에 포함된 한글의 정답은 '감자'이며, 단말은 후보자 리스트에 근거하여, 가중치를 설정하여 인식 결과가 정답에 얼마나 유사한지를 예측할 수 있다.

예를 들어, 단말은 정답인 '감자'의 글자 멤버(즉, 'ㄱ,ㅏ,ㅁ,ㅈ,ㅏ')를 후보자 리스트에서 확인할 수 있다. 단말은 순위에 따라, 1~10위까지 10점에서 1점으로 글자 멤버에게 가중치를 설정하고, 순위에 없다면 0점을 가중치로 설정할 수 있다. 이후, 단말은 가중치의 합을 산술적 평균으로 수치화할 수 있다.

다시 표 2를 참조하면, 단말은'감자'를 '갈자'로 인식하여, 생성한 후보자 리스트에서 정답 글자 멤버에게 가중치를 10+10+9+10+10으로 설정하고, 이를 평균화하여(49/5=9.8) 정답률을 연산할 수 있다. 이 수치 그대로를 확률로 표현한다면 98%의 높은 확률로서 단말은 인식 결과가 정답일 가능성을 확인할 수 있다. 또한, 단말은 이렇게 수치화된 정답률에 임계치를 설정하여 정답 유무를 판단하는데 활용할 수 있다. 예를 들어, 임계치가 99%라면, 단말은 '갈자'가 정답이 아니라고 예측할 수 있다.

단말은 정답률에 근거하여, 인식 결과를 사용자에게 표시한다(S540). 예를 들어, 정답률이 임계치보다 높은 경우, 단말은 인식 결과를 정답이라고 판단하고, 사용자에게 표시할 수 있다. 만일, 정답률이 임계치보다 낮은 경우, 단말은 사용자에게 학습이 불완전함을 표시할 수 있다. 이 경우, 단말은 추가적으로 정답률과 인식 결과의 쌍을 통해, 학습 모델을 다시 학습시킬 수 있다.

본 명세서에서 제시하는 방법을 통해, 단말은 '갈자'라는 인식 결과만으로 정답인 '감자'와의 유사 정도를 판단하기 위한 기준을 설정할 수 있고, 초, 중, 종성의 자모 후보자 순위와 신뢰도를 이용하여, 정답의 가능성을 수치화된 값으로 사용자에게 제시할 수 있다. 다시, 사용자는 이를 통해, 인공지능 모델을 보다 효율적으로 학습시킬 수 있다.

또한, 단말은 모든 한글을 학습하고, 인식하며 표시할 수 있다. 또한, 본 명세서에서 제시하는 학습 방법은 초성, 중성, 종성의 모양과 위치 기반 학습이기 때문에, 단말은 한 번도 학습된 적이 없는 문자도 초, 중, 종성 조합 원리에 따라 인식이 가능하다. 예를 들어, 'ŸQ'이라는 문자는 현대어에 거의 사용되지 않는 문자이기 때문에 학습 데이터에 포함되지 않을 수 있지만, '아버지', '불만', '옳다'등의 학습을 통해 'ㅇ', 'ㅜ', 'ㅀ'의 초, 중, 종성 학습이 진행되었다면, 단말은 'ŸQ'이라는 문자를 판독하고 올바른 인식 결과를 보여줄 수 있다. 그래서 본 명세서에서의 단말은 현대 한글의 11,172자 또는 고어를 포함한 1,638,750자를 인식시키기 위해 모든 문자를 포함한 학습 데이터를 구축할 필요가 없다.

또한, 본 명세서에서 중요한 것은 단말의 학습을 위해, 초, 중, 종성 위치에 자음과 모음이 부족함 없이 등장할 수 있도록 균형을 잡아주는 것이다. 그 결과 적은 양의 학습에도 많은 수의 한글을 인식할 수 있는 학습모델을 만들 수 있다.

또한, 단말이 인식해야 할 파라미터의 양도 획기적으로 감소되므로 단말의 인식속도 개선도 기대할 수 있다. 또한 이렇게 학습된 인공지능 모델이 만들어내는 초, 중, 종성 멤버별 인식 결과는 단말을 통한 시험 응시와 같은 환경에서 사용자의 필기 입력한 결과를 채점하고자 할 때, 기존의 OCR 인식 후 단순 결과 비교하는 방법보다 신뢰도 높은 채점이 가능하게 한다.

전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

1. 단말이 한글 인식을 위한 인공지능 모델을 학습시키는 방법에 있어서,
   한글의 자음 및 모음들의 집합으로 구성된 학습 파라미터(parameter)를 설정하는 단계;
   상기 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키기 위한 학습 데이터를 생성하는 단계로서, 상기 학습 데이터는 1) 제1 한글 이미지 및 2) 상기 제1 한글 이미지에 포함된 한글을 초성, 중성 및 종성으로 분류하여 라벨링(labeling)한 데이터를 포함함; 및
   상기 학습 데이터를 이용하여, 상기 설정된 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키는 단계;
   를 포함하며,
   상기 자음들의 집합은
   ㄱ,ㄲ,ㄴ,ㄷ,ㄸ,ㄹ,ㅁ,ㅂ,ㅃ,ㅅ,ㅆ,ㅇ,ㅈ,ㅉ,ㅊ,ㅋ,ㅌ,ㅍ,ㅎ,ㄳ,ㄵ,ㄶ,ㄺ,ㄻ,ㄼ,ㄽ,ㄾ,ㄿ,ㅀ 및 ㅄ 를 포함하고,
   상기 모음들의 집합은
   ㅏ,ㅐ,ㅑ,ㅒ,ㅓ,ㅔ,ㅕ,ㅖ,ㅗ,ㅘ,ㅙ,ㅚ,ㅛ,ㅜ,ㅝ,ㅞ,ㅟ,ㅠ,ㅡ,ㅢ 및 ㅣ를 포함하는, 학습 방법.
   
2. 제1항에 있어서,
   상기 인공지능 모델을 이용하여, 상기 제1 한글 이미지에 근거하여 상기 한글을 인식하고, 인식된 결과를 음절로서 사용자에게 표시하는 단계;
   를 더 포함하는, 학습 방법.
   
3. 제2항에 있어서,
   상기 인식된 결과는 상기 초성, 상기 중성 및 상기 종성으로 분류된 자음 또는 모음인, 학습 방법.
   
4. 제1항에 있어서,
   상기 인공지능 모델은
   상기 한글의 자음 또는 모음의 위치를 학습하는, 학습 방법.
   
5. 제1항에 있어서,
   상기 인공지능 모델을 통해, 제2 한글 이미지를 인식하는 단계;
   상기 제2 한글 이미지의 인식에 근거하여, 상기 제2 한글 이미지에 포함된 한글의 후보자 리스트를 생성하는 단계; 및
   상기 후보자 리스트에 근거하여, 상기 인식의 정답률을 연산하는 단계;
   를 더 포함하는, 학습 방법.
   
6. 제5항에 있어서,
   상기 후보자 리스트는
   상기 인식의 신뢰도 값에 근거하여 후보자의 순위를 포함하는,
   학습 방법.
   
7. 제6항에 있어서,
   상기 정답률은
   상기 후보자 리스트에 포함된 멤버들의 가중치에 근거하는, 학습 방법.
   
8. 제7항에 있어서,
   상기 가중치는 상기 순위에 근거하는, 학습 방법.
   
9. 한글 인식을 위한 인공지능 모델을 학습시키는 단말에 있어서,
   상기 인공지능 모델이 포함된 메모리; 및
   상기 메모리를 기능적으로 제어하는 프로세서;를 포함하고,
   상기 프로세서는
   한글의 자음 및 모음들의 집합으로 구성된 학습 파라미터(parameter)를 설정하고, 상기 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키기 위한 학습 데이터를 생성하며, 상기 학습 데이터는 1) 제1 한글 이미지 및 2) 상기 제1 한글 이미지에 포함된 한글을 초성, 중성 및 종성으로 분류하여 라벨링(labeling)한 데이터를 포함하고, 상기 학습 데이터를 이용하여, 상기 설정된 학습 파라미터에 근거하여, 상기 인공지능 모델을 학습시키며,
   상기 자음들의 집합은
   ㄱ,ㄲ,ㄴ,ㄷ,ㄸ,ㄹ,ㅁ,ㅂ,ㅃ,ㅅ,ㅆ,ㅇ,ㅈ,ㅉ,ㅊ,ㅋ,ㅌ,ㅍ,ㅎ,ㄳ,ㄵ,ㄶ,ㄺ,ㄻ,ㄼ,ㄽ,ㄾ,ㄿ,ㅀ 및 ㅄ 를 포함하고,
   상기 모음들의 집합은
   ㅏ,ㅐ,ㅑ,ㅒ,ㅓ,ㅔ,ㅕ,ㅖ,ㅗ,ㅘ,ㅙ,ㅚ,ㅛ,ㅜ,ㅝ,ㅞ,ㅟ,ㅠ,ㅡ,ㅢ 및 ㅣ를 포함하는, 단말.
   
10. 제9항에 있어서,
    상기 프로세서는
    상기 인공지능 모델을 통해, 제2 한글 이미지를 인식하고, 상기 제2 한글 이미지의 인식에 근거하여, 상기 제2 한글 이미지에 포함된 한글의 후보자 리스트를 생성하며, 상기 후보자 리스트에 근거하여, 상기 인식의 정답률을 연산하는, 단말.
    

Images