KR102392721B1 - 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법에 있어서, 제1 육류 제품이 세절된 것으로 확인되면, 상기 제1 육류 제품이 포장되기 전의 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제1 이미지를 획득하는 단계; 상기 제1 육류 제품이 포장된 것으로 확인되면, 상기 제1 육류 제품이 포장된 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제2 이미지를 획득하는 단계; 상기 제1 육류 제품에 생산 코드가 부착된 것으로 확인되면, 상기 제1 육류 제품에 생산 코드가 부착된 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제3 이미지를 획득하는 단계; 및 상기 제1 육류 제품이 출하된 것으로 확인되면, 상기 제1 이미지, 상기 제2 이미지 및 상기 제3 이미지에 대한 정보를 기반으로, 상기 제1 육류 제품에 대한 판매 페이지를 생성하여 업로드 하는 단계를 포함하는, 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법이 제공된다.

Description

실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법 {METHOD FOR SELLING MEAT PRODUCT AND PROVIDING INFORMATION OF MEAT PRODUCT BASED ON REAL IMAGE}

아래 실시예들은 실물 이미지를 기반으로 육류 제품의 정보를 제공하고 육류 제품을 판매하는 기술에 관한 것이다.

도 1은 종래의 육류 생산 공정을 나타낸 도면이다.

도 1을 참조하면, 작업자가 정량 계량을 통해 육류를 세절하면, 트레이에 세절된 육류 제품을 준비시킨 후, 준비된 육류 제품을 포장 기계에 집어넣어, 제품 포장을 진행한다.

이후, 포장 기계, 일렬 배치기, 중량 선별기 및 금속 검출기를 거치게 되면, 작업자가 작업 지시서를 통해, 정량이 제대로 포장되었는지 여부를 확인하여, 포장 에러 시, 제품 포장부터 다시 수행되도록 처리하고 있다.

이러한 생상 공정에서, 중량 선별기는 컨베이어 벨트를 타고 이동하는 육류 제품에 대한 중량을 측정하기 때문에, 오차가 발생할 수 밖에 없는 상황으로, 작업자가 일일이 중량을 확인해야 하는 번거로움이 있다.

또한, 작업자가 레이블링을 수작업을 통해 부착하고 있으므로, 제품 바구니가 산적하게 되어, 육류 생산에 대한 속도가 저하되는 문제가 있다.

이에 따라, 상술한 문제점들을 해결하기 위해, 육류 제품 분류 및 육류 제품 생산을 통합하여 자동으로 처리하고, 이를 통해, 육류 제품 정보 제공 및 육류 제품 판매까지 통합하여 자동으로 처리하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.

대한민국 등록특허 제10-2236974호 대한민국 등록특허 제10-1892995호 대한민국 등록특허 제10-1911665호 대한민국 등록특허 제10-1860679호

일실시예에 따르면, 제1 육류 제품이 세절된 것으로 확인되면, 제1 육류 제품이 포장되기 전의 상태에서, 제1 육류 제품에 대한 촬영으로 생성된 제1 이미지를 획득하고, 제1 육류 제품이 포장된 것으로 확인되면, 제1 육류 제품이 포장된 상태에서, 제1 육류 제품에 대한 촬영으로 생성된 제2 이미지를 획득하고, 제1 육류 제품에 생산 코드가 부착된 것으로 확인되면, 제1 육류 제품에 생산 코드가 부착된 상태에서, 제1 육류 제품에 대한 촬영으로 생성된 제3 이미지를 획득하고, 제1 육류 제품이 출하된 것으로 확인되면, 제1 이미지, 제2 이미지 및 제3 이미지에 대한 정보를 기반으로, 제1 육류 제품에 대한 판매 페이지를 생성하여 업로드 하는, 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 장치에 의해 수행되는, 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법에 있어서, 제1 육류 제품이 세절된 것으로 확인되면, 상기 제1 육류 제품이 포장되기 전의 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제1 이미지를 획득하는 단계; 상기 제1 육류 제품이 포장된 것으로 확인되면, 상기 제1 육류 제품이 포장된 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제2 이미지를 획득하는 단계; 상기 제1 육류 제품에 생산 코드가 부착된 것으로 확인되면, 상기 제1 육류 제품에 생산 코드가 부착된 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제3 이미지를 획득하는 단계; 및 상기 제1 육류 제품이 출하된 것으로 확인되면, 상기 제1 이미지, 상기 제2 이미지 및 상기 제3 이미지에 대한 정보를 기반으로, 상기 제1 육류 제품에 대한 판매 페이지를 생성하여 업로드 하는 단계를 포함하는, 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법이 제공된다.

상기 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법은, 상기 제2 이미지의 획득 이후, 중량 선별기에 의해 상기 제1 육류 제품의 중량이 측정되면, 상기 중량 선별기로부터 제1 중량에 대한 정보를 획득하는 단계; 상기 제1 육류 제품에 상기 생산 코드가 부착된 이후, 고정식 저울에 의해 상기 제1 육류 제품의 중량이 측정되면, 상기 고정식 저울로부터 제2 중량에 대한 정보를 획득하는 단계; 상기 제1 중량 및 상기 제2 중량 간의 차이로 산출된 제1 차이값이 미리 설정된 기준값 보다 작은지 여부를 확인하는 단계; 상기 제1 차이값이 상기 기준값 보다 작은 것으로 확인되면, 상기 제1 육류 제품의 중량을 상기 제2 중량으로 설정하는 단계; 및 상기 제2 중량에 대한 정보를 상기 제1 육류 제품의 판매 페이지에 추가하는 단계를 더 포함할 수 있다.

상기 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법은, 상기 제1 이미지의 획득 이후, 상기 제1 이미지를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 육류 제품에 대한 부위를 분류하는 단계; 상기 제1 육류 제품의 부위에 대한 분류 결과가 제1 부위로 확인되면, 상기 제1 부위 및 상기 제1 이미지를 매칭하여, 매칭 결과를 생성하는 단계; 상기 매칭 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 육류 제품에 대한 품질을 분류하는 단계; 상기 제1 육류 제품의 품질에 대한 분류 결과가 제1 등급으로 확인되면, 상기 제1 부위의 상기 제1 등급에 설정된 중량당 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계; 및 상기 제1 육류 제품의 가격에 대한 정보를 상기 제1 육류 제품의 판매 페이지에 추가하는 단계를 더 포함할 수 있다.

상기 제1 육류 제품에 대한 가격을 산출하는 단계는, 상기 제1 이미지를 기초로, 상기 제1 육류 제품의 절단면에 대한 품질을 분석하여, 상기 제1 육류 제품의 절단면을 등급에 따라 구역별로 분류하는 단계; 상기 제1 육류 제품의 절단면에서 가장 넓은 면적을 차지하고 있는 제1 구역-상기 제1 구역은 상기 제1 육류 제품의 절단면에서 제1 등급으로 분류된 구역-을 확인하는 단계; 상기 제1 육류 제품의 절단면에서 상기 제1 구역이 차지하고 있는 면적 비율인 제1 비율을 산출하는 단계; 상기 제1 비율이 미리 설정된 기준 비율 보다 큰지 여부를 확인하는 단계; 상기 제1 비율이 상기 기준 비율 보다 큰 것으로 확인되면, 상기 제1 부위의 상기 제1 등급에 설정된 중량당 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계; 상기 제1 비율이 상기 기준 비율 보다 크지 않은 것으로 확인되면, 상기 제1 육류 제품의 절단면에서 상기 제1 구역 다음으로 넓은 면적을 차지하고 있는 제2 구역-상기 제2 구역은 상기 제1 육류 제품의 절단면에서 제2 등급으로 분류된 구역-을 확인하는 단계; 상기 제1 육류 제품의 절단면에서 상기 제2 구역이 차지하고 있는 면적 비율인 제2 비율을 산출하는 단계; 상기 제1 비율 및 상기 제2 비율을 합한 값이 상기 기준 비율 보다 큰지 여부를 확인하는 단계; 상기 제1 비율 및 상기 제2 비율을 합한 값이 상기 기준 비율 보다 큰 것으로 확인되면, 100%에서 상기 제2 비율을 차감한 값으로, 제3 비율을 산출하는 단계; 상기 제1 부위의 상기 제1 등급에 설정된 중량당 가격 및 상기 제3 비율을 곱한 값으로, 제1 가격을 산출하고, 상기 제1 부위의 상기 제2 등급에 설정된 중량당 가격 및 상기 제2 비율을 곱한 값으로, 제2 가격을 산출하는 단계; 상기 제1 가격 및 상기 제2 가격을 합산한 값으로, 제3 가격을 산출하는 단계; 상기 제3 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계; 및 상기 제1 비율 및 상기 제2 비율을 합한 값이 상기 기준 비율 보다 크지 않은 것으로 확인되면, 상기 제1 부위의 표준 등급에 설정된 중량당 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계를 포함할 수 있다.

상기 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법은, 제1 시점에 LED 전광판의 촬영으로 생성된 제1-1 이미지를 획득하는 단계; 상기 LED 전광판에 표시되는 영상에서 상기 제1 시점에 표시되는 것으로 설정되어 있는 영상의 이미지를 제2-1 이미지로 획득하는 단계; 상기 제1-1 이미지 및 상기 제2-1 이미지를 비교하여, 상기 제1 시점의 영상에서 차이가 있는 영역이 있는지 여부를 확인하는 단계; 상기 제1-1 이미지 및 상기 제2-1 이미지를 비교한 결과, 상기 제1 시점의 영상에서 차이가 있는 영역으로 제1 영역이 확인되면, 상기 LED 전광판에서 상기 제1 영역의 디스플레이를 담당하고 있는 제1 LED 모듈에 문제가 있는 것으로 판단하는 단계; 상기 제1 LED 모듈에 문제가 있는 것으로 판단되면, 상기 제1 시점으로부터 미리 설정된 기간이 지난 후인 제2 시점에 상기 LED 전광판의 촬영으로 생성된 제1-2 이미지를 획득하는 단계; 상기 LED 전광판에 표시되는 영상에서 상기 제2 시점에 표시되는 것으로 설정되어 있는 영상의 이미지를 제2-2 이미지로 획득하는 단계; 상기 제1-2 이미지 및 상기 제2-2 이미지를 비교하여, 상기 제2 시점의 영상에서 차이가 있는 영역이 있는지 여부를 확인하는 단계; 상기 제1-2 이미지 및 상기 제2-2 이미지를 비교한 결과, 상기 제2 시점의 영상에서 차이가 있는 영역으로 상기 제1 영역이 확인되지 않으면, 상기 제1 LED 모듈에 일시적인 문제가 발생한 것으로 판단하는 단계; 상기 제1-2 이미지 및 상기 제2-2 이미지를 비교한 결과, 상기 제2 시점의 영상에서 차이가 있는 영역으로 상기 제1 영역이 확인되면, 상기 제1 LED 모듈에 고장이 발생한 것으로 판단하는 단계; 및 상기 제1 LED 모듈에 고장이 발생한 것으로 판단되면, 상기 제1 LED 모듈에 대한 유지 보수 필요 알림 메시지를 관리자 단말로 전송하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 육류 제품 정보 제공 및 육류 제품 판매를 통합하여 자동으로 처리할 수 있으며, 육류 제품 생산 과정에서 획득된 제1 이미지, 제2 이미지 및 제3 이미지를 판매 페이지에 추가하여, 생산 단계 별로 육류 제품을 확인할 수 있는 효과가 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 종래의 육류 생산 공정을 나타낸 도면이다.
도 2는 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 3은 일실시예에 따른 실물 이미지를 기반으로 육류 제품의 정보를 제공하고 육류 제품을 판매하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 육류 제품의 중량 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 육류 제품의 가격 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 육류 제품에 대한 가격을 산출하는 과정을 설명하기 위한 순서도이다.
도 7은 다른 실시예에 따른 육류 제품에 대한 가격을 산출하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 LED 전광판에서 제1 영역의 디스플레이를 담당하고 있는 제1 LED 모듈에 문제가 있는지 여부를 분석하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 제1 영역 및 제1 LED 모듈을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 LED 모듈에 고장이 있는지 여부를 분석하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 제1 인공 신경망을 설명하기 위한 도면이다.
도 12는 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.
도 13은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

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

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 2는 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 2를 참조하면, 일실시예에 따른 시스템은 장치(100), 제1 카메라(11), 제2 카메라(12), 제3 카메라(13), 포장 기계(20), 일렬 배치기(30), 중량 선별기(40), 레이블러(50), 금속 검출기(60), 고정식 저울(70), 스마트 카트(80) 및 관리자 단말(90)을 포함할 수 있다.

먼저, 장치(100)는 장치(100)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(100)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(100)는 추론 기능을 수행하는 적어도 하나 이상의 제1 인공 신경망을 구비할 수 있다. 장치(100)는 외부 기기들과 유무선으로 통신하도록 구성될 수 있다.

장치(100)는 제1 카메라(11), 제2 카메라(12), 제3 카메라(13), 포장 기계(20), 일렬 배치기(30), 중량 선별기(40), 레이블러(50), 금속 검출기(60), 고정식 저울(70), 스마트 카트(80) 및 관리자 단말(90)와 유무선을 통해 연결되어, 각 장치의 동작이 정상적으로 수행되도록, 각 장치의 동작을 제어할 수 있다.

제1 카메라(11), 제2 카메라(12) 및 제3 카메라(13)는 육류 제품을 촬영하여, 육류 제품에 대한 이미지를 생성할 수 있다. 이때, 제1 카메라(11), 제2 카메라(12) 및 제3 카메라(13)는 3D 스캐너, 다수의 카메라, 레이저, 라이다 등 3D 이미지를 생성하는 다양한 기기로 구성될 수 있다.

제1 카메라(11)는 포장 기계(20) 입구의 상측에 설치되어, 포장되기 전의 상태인 육류 제품을 촬영하여, 포장되기 전의 상태인 육류 제품에 대한 이미지를 생성할 수 있다.

제2 카메라(12)는 일렬 배치기(30)의 상측에 설치되어, 포장된 후의 상태인 육류 제품을 촬영하여, 포장된 상태인 육류 제품에 대한 이미지를 생성할 수 있다.

제3 카메라(13)는 고정식 저울(70)의 상측에 설치되어, 생산 코드가 부착된 상태인 육류 제품을 촬영하여, 생산 코드가 부착된 상태인 육류 제품에 대한 이미지를 생성할 수 있다.

포장 기계(20), 일렬 배치기(30), 중량 선별기(40), 레이블러(50), 금속 검출기(60) 및 고정식 저울(70)는 컨베이어 벨트를 통해 서로 연결되어 있으며, 장치(100)는 컨베이어 벨트 위에 놓여진 육류 제품이 컨베이어 벨트 상에서 이동하도록, 컨베이어 벨트의 동작을 제어할 수 있다.

일실시예에 따르면, 육류 제품이 세절되면, 세절된 육류 제품은 포장 기계(20)의 입구로 이동될 수 있으며, 컨베이어 벨트를 통해 포장 기계(20), 일렬 배치기(30), 중량 선별기(40), 레이블러(50), 금속 검출기(60) 및 고정식 저울(70) 순으로 이동한 후, 스마트 카트(80)로 입고될 수 있다.

세절된 육류 제품은 미리 설정된 기간마다 하나씩 포장 기계(20)의 입구로 이동될 수 있다. 예를 들어, 제1 육류 제품(110)이 세절되면, 제1 육류 제품(110)이 먼저 포장 기계(20)의 입구로 이동할 수 있으며, 제1 육류 제품(110)이 컨베이어 벨트를 통해 고정식 저울(70)까지 이동하면, 제2 육류 제품(120)이 포장 기계(20)의 입구로 이동할 수 있다.

제1 육류 제품(110) 및 제2 육류 제품(120)은 순차적으로 컨베이어 벨트를 통해 이동한 후, 스마트 카트(80)에 순차적으로 입고될 수 있다.

일실시예에 따르면, 세절된 육류 제품이 포장 기계(20)의 입구에 위치하면, 제1 카메라(11)는 세절된 육류 제품을 촬영하여, 포장되기 전의 상태인 육류 제품에 대한 이미지를 생성할 수 있다.

포장 기계(20)는 세절된 육류 제품을 포장하는 기계로, 제1 육류 제품(110)이 포장 기계(20)의 입구에 위치하면, 제1 육류 제품(110)에 대한 포장을 수행하여, 포장된 제1 육류 제품(110)을 포장 기계(20)의 출구로 이동시킬 수 있으며, 이후, 제2 육류 제품(120)이 포장 기계(20)의 입구에 위치하면, 제2 육류 제품(120)에 대한 포장을 수행하여, 포장된 제2 육류 제품(120)을 포장 기계(20)의 출구로 이동시킬 수 있다.

일렬 배치기(30)는 포장 기계(20)의 출구와 연결되어 있으며, 포장된 육류 제품이 일렬 배치기(30)에 위치하면, 제2 카메라(12)는 포장된 육류 제품을 촬영하여, 포장된 상태인 육류 제품에 대한 이미지를 생성할 수 있다.

중량 선별기(40)는 포장된 육류 제품에 대한 중량을 측정하여, 오차 범위를 벗어나는 육류 제품을 선별하는 기계로, 컨베이어 벨트를 타고 이동하는 육류 제품에 대한 중량을 측정하여, 오차 범위를 벗어나는 육류 제품을 선별할 수 있다.

레이블러(50)는 육류 제품에 생산 코드를 부착하는 기계로, 컨베이어 벨트를 타고 이동하는 육류 제품에 생산 코드를 부착할 수 있다. 여기서, 생산 코드는 육류 제품의 부위, 중량, 세절 시간, 포장 시간 등에 대한 정보를 포함할 수 있으며, 관리자에 의해 수동으로 입력되거나, 수집된 정보를 통해 자동으로 생성될 수 있다.

금속 검출기(60)는 육류 제품에 금속이 들어있는지 검출하는 기계로, 컨베이어 벨트를 타고 이동하는 육류 제품에 금속이 들어있는지 여부를 검출할 수 있다.

고정식 저울(70)은 생산 코드가 부착된 육류 제품에 대한 중량을 측정하는 기계로, 육류 제품이 컨베이어 벨트를 타고 고정식 저울(70)까지 이동하게 되면, 더 이상 이동하지 않고 고정인 상태로 변경될 수 있으며, 고정식 저울(70)은 고정된 상태의 육류 제품에 대한 중량을 측정할 수 있다.

생산 코드가 부착된 육류 제품이 고정식 저울(70)에 위치하면, 제3 카메라(13)는 생산 코드가 부착된 육류 제품을 촬영하여, 생산 코드가 부착된 상태인 육류 제품에 대한 이미지를 생성할 수 있다.

스마트 카트(80)는 제품 검사를 통해 출하가 확정된 육류 제품을 보관하는 기기로, 육류 제품에 대한 출하가 명령되면, 로봇 또는 작업자가 출하 명령된 육류 제품을 픽업하여, 스마트 카트(80)에 입고시킬 수 있다.

관리자 단말(90)은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

도 3은 일실시예에 따른 실물 이미지를 기반으로 육류 제품의 정보를 제공하고 육류 제품을 판매하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(100)는 제1 육류 제품(110)이 세절된 것으로 확인되면, 제1 육류 제품(110)이 포장되기 전의 상태에서, 제1 육류 제품(110)에 대한 촬영으로 생성된 제1 이미지를 획득할 수 있다. 여기서, 제1 이미지는 포장되기 전의 상태로 촬영된 제1 육류 제품(110)에 대한 이미지이다.

구체적으로, 제1 육류 제품(110)이 세절되어, 제1 육류 제품(110)이 포장 기계(20)의 입구로 이동되면, 제1 카메라(11)는 제1 육류 제품(110)을 촬영하여 제1 이미지를 생성할 수 있으며, 장치(100)는 제1 카메라(11)로부터 제1 이미지를 획득할 수 있다.

장치(100)는 제1 이미지가 획득되면, 제1 육류 제품(110)이 포장되도록, 포장 기계(20)의 동작을 제어할 수 있다. 이때, 포장 기계(20)는 포장 기계(20)의 입구에 위치한 제1 육류 제품(110)에 대한 포장을 수행하여, 포장된 제1 육류 제품(110)을 포장 기계(20)의 출구로 이동시킬 수 있다.

S302 단계에서, 장치(200)는 제1 육류 제품(110)이 포장된 것으로 확인되면, 제1 육류 제품(110)이 포장된 상태에서, 제1 육류 제품(110)에 대한 촬영으로 생성된 제2 이미지를 획득할 수 있다. 여기서, 제2 이미지는 포장된 상태로 촬영된 제1 육류 제품(110)에 대한 이미지이다.

구체적으로, 제1 육류 제품(110)이 포장되어, 제1 육류 제품(110)이 일렬 배치기(30)로 이동되면, 제2 카메라(12)는 제1 육류 제품(110)을 촬영하여 제2 이미지를 생성할 수 있으며, 장치(100)는 제2 카메라(12)로부터 제2 이미지를 획득할 수 있다.

S303 단계에서, 장치(200)는 제1 육류 제품(110)에 생산 코드가 부착된 것으로 확인되면, 제1 육류 제품(110)에 생산 코드가 부착된 상태에서, 제1 육류 제품(110)에 대한 촬영으로 생성된 제3 이미지를 획득할 수 있다. 여기서, 생산 코드는 관리자 단말(90)을 통해 수동으로 입력되거나, 장치(100)에 의해 자동으로 생성되어, 레이블러(50)를 통해 제1 육류 제품(110)에 부착될 수 있으며, 제3 이미지는 생산 코드가 부착된 상태로 촬영된 제1 육류 제품(110)에 대한 이미지이다.

구체적으로, 제1 육류 제품(110)에 생산 코드가 부착되어, 제1 육류 제품(110)이 고정식 저울(70)까지 이동되면, 제3 카메라(13)는 제1 육류 제품(110)을 촬영하여 제3 이미지를 생성할 수 있으며, 장치(100)는 제3 카메라(13)로부터 제3 이미지를 획득할 수 있다.

장치(100)는 제3 이미지가 획득되면, 제1 육류 제품(110)에 대한 출하를 명령할 수 있다.

장치(100)는 제1 육류 제품(110)에 대한 출하 명령을 로봇에게 전송할 수 있으며, 로봇이 출하 명령된 제1 육류 제품(110)을 픽업하여 스마트 카트(80)에 제1 육류 제품(110)을 입고시킬 수 있다.

또한, 장치(100)는 제1 육류 제품(110)에 대한 출하 명령을 관리자 단말(90)로 전송할 수 있으며, 관리자 단말(90)을 통해 출하 명령을 확인한 작업자가 제1 육류 제품(110)을 픽업하여 스마트 카트(80)에 제1 육류 제품(110)을 입고시킬 수 있다.

S304 단계에서, 장치(100)는 제1 육류 제품(110)이 출하되면, 제1 이미지, 제2 이미지 및 제3 이미지에 대한 정보를 기반으로, 제1 육류 제품(110)에 대한 판매 페이지를 생성하여 업로드 할 수 있다.

즉, 장치(100)는 포장 전 상태의 이미지, 포장 후 상태의 이미지, 생산 코드가 부착된 상태의 이미지 등이 표시된 제1 육류 제품(110)에 대한 판매 페이지를 생성하여, 판매 사이트에 업로드 할 수 있다.

도 4는 일실시예에 따른 육류 제품의 중량 정보를 제공하는 과정을 설명하기 위한 순서도이다.

먼저, 도 4를 참조하면, S401 단계에서, 장치(100)는 제2 이미지의 획득 이후, 중량 선별기(40)에 의해 제1 육류 제품의 중량이 측정되면, 중량 선별기(40)로부터 제1 중량에 대한 정보를 획득할 수 있다.

구체적으로, 장치(100)는 제1 육류 제품(110)에 대한 제1 중량이 측정되도록, 중량 선별기(40)의 동작을 제어할 수 있다. 이때, 중량 선별기(40)는 컨베이어 벨트를 타고 이동하는 제1 육류 제품(110)에 대한 제1 중량을 측정할 수 있으며, 장치(100)는 중량 선별기(40)로부터 제1 중량에 대한 정보를 획득할 수 있다. 여기서, 제1 중량은 컨베이어 벨트를 타고 이동하는 상태에서 중량 선별기(40)에 의해 측정된 제1 육류 제품(110)에 대한 중량을 의미할 수 있다.

장치(100)는 제1 중량이 기준 범위 내에 포함되는지 여부를 확인할 수 있다. 여기서, 기준 범위는 오차 범위에 따라 상이하게 설정될 수 있다.

장치(100)는 제1 중량이 기준 범위 내에 포함되는 것으로 확인되면, 제1 육류 제품(110)의 부위에 대한 분류 결과를 확인하고, 제1 육류 제품(110)의 부위에 대한 분류 결과를 통해, 제1 육류 제품(110)이 제1 부위로 분류된 것을 확인할 수 있다. 여기서, 제1 육류 제품(110)의 부위에 대한 분류 결과는 제1 육류 제품(110)이 어느 부위에 해당하는지를 나타내는 정보로, 후술되는 제1 인공 신경망을 통해 분류될 수 있다.

장치(100)는 제1 부위 및 제1 중량을 통해 생성된 생산 코드가 제1 육류 제품(110)에 부착되도록, 레이블러(50)의 동작을 제어할 수 있다. 이때, 레이블러(50)는 컨베이어 벨트를 타고 이동하는 제1 육류 제품(110)에 생산 코드를 부착할 수 있다. 여기서, 생산 코드는 관리자 단말(90)을 통해 수동으로 입력되거나, 장치(100)에 의해 자동으로 생성될 수 있다.

S402 단계에서, 장치(100)는 제1 육류 제품(110)에 생산 코드가 부착된 이후, 고정식 저울(70)에 의해 제1 육류 제품의 중량이 측정되면, 고정식 저울(70)로부터 제2 중량에 대한 정보를 획득할 수 있다.

구체적으로, 장치(100)는 제1 육류 제품(110)에 대한 제2 중량이 측정되도록, 고정식 저울(70)의 동작을 제어할 수 있다. 이때, 고정식 저울(70)은 제1 육류 제품(110)이 컨베이어 벨트를 타고 고정식 저울(70)까지 이동하여 고정된 상태가 되면, 제1 육류 제품(110)에 대한 제2 중량을 측정할 수 있으며, 장치(100)는 고정식 저울(70)로부터 제2 중량에 대한 정보를 획득할 수 있다. 여기서, 제2 중량은 고정된 상태에서 고정식 저울(70)에 의해 측정된 제1 육류 제품(110)에 대한 중량을 의미할 수 있다.

S403 단계에서, 장치(100)는 제1 중량 및 제2 중량 간의 차이로 제1 차이값을 산출할 수 있다. 이때, 장치(100)는 제1 중량과 제2 중량을 비교한 결과, 제1 중량이 제2 중량 보다 큰 것으로 확인되면, 제1 중량에서 제2 중량을 차감하여 제1 차이값을 산출할 수 있으며, 제1 중량이 제2 중량 보다 작은 것으로 확인되면, 제2 중량에서 제1 중량을 차감하여 제1 차이값을 산출할 수 있다.

S404 단계에서, 장치(100)는 제1 차이값이 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 기준값은 실시예에 따라 상이하게 설정될 수 있다.

S404 단계에서 제1 차이값이 기준값 보다 큰 것으로 확인되면, S405 단계에서, 장치(100)는 제1 육류 제품(110)에 대한 중량에 오차가 있는 것으로 판단할 수 있다.

S405 단계 이후 S401 단계로 되돌아가, 장치(100)는 중량 선별기(40)로부터 재측정된 제1 중량에 대한 정보를 다시 획득할 수 있다.

구체적으로, 장치(100)는 제1 육류 제품(110)에 대한 중량에 오차가 있는 것으로 판단되면, 중량 선별기(40)를 통해 제1 중량이 재측정되도록, 제1 육류 제품(110)이 위치한 컨베이어 벨트의 동작을 제어할 수 있다. 즉, 장치(100)는 고정식 저울(70)에 위치한 제1 육류 제품(110)을 중량 선별기(40)로 이동시켜, 제1 중량이 재측정되도록 처리할 수 있다.

이후, 장치(100)는 제1 중량이 재측정되면, 재측정된 제1 중량 및 제2 중량 간의 차이로 제2 차이값을 산출할 수 있다.

장치(100)는 제2 차이값이 기준값 보다 작은지 여부를 확인하여, 제2 차이값이 기준값 보다 작은 것으로 확인되면, 제1 육류 제품(110)에 대한 출하를 명령하고, 제2 차이값이 기준값 보다 큰 것으로 확인되면, 제1 육류 제품(110)에 대한 포장에 문제가 있는 것으로 판단할 수 있다.

장치(100)는 제1 육류 제품(110)에 대한 포장에 문제가 있는 것으로 판단되면, 포장 기계(20)를 통해 제1 육류 제품(110)이 재포장되도록, 제1 육류 제품(110)이 위치한 컨베이어 벨트의 동작을 제어할 수 있다. 즉, 장치(100)는 중량 선별기(40)에 위치한 제1 육류 제품(110)을 포장 기계(20)로 이동시켜, 제1 육류 제품(110)이 재포장되도록 처리할 수 있다.

장치(100)는 제1 육류 제품(110)이 재포장되면, 제1 육류 제품(110)에 대한 촬영으로 생성된 제2 이미지를 다시 획득할 수 있다.

한편, S404 단계에서 제1 차이값이 기준값 보다 작은 것으로 확인되면, S406 단계에서, 장치(100)는 제1 육류 제품(110)의 중량을 제2 중량으로 설정할 수 있다.

S407 단계에서, 장치(100)는 제2 중량에 대한 정보를 제1 육류 제품(110)의 판매 페이지에 추가할 수 있다. 즉, 장치(100)는 포장 전 상태의 이미지, 포장 후 상태의 이미지, 생산 코드가 부착된 상태의 이미지와 중량 정보가 표시된 제1 육류 제품(110)에 대한 판매 페이지를 생성하여, 판매 사이트에 업로드 할 수 있다.

도 5는 일실시예에 따른 육류 제품의 가격 정보를 제공하는 과정을 설명하기 위한 순서도이다.

먼저, 도 5를 참조하면, S501 단계에서, 장치(100)는 제1 육류 제품(110)이 세절된 것으로 확인되면, 제1 육류 제품(110)이 포장되기 전의 상태에서, 제1 육류 제품(110)에 대한 촬영으로 생성된 제1 이미지를 획득할 수 있다.

S502 단계에서, 장치(100)는 제1 이미지의 획득 이후, 제1 이미지를 제1 인공 신경망에 적용할 수 있다.

구체적으로, 장치(100)는 제1 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있다. 이때, 장치(100)는 제1 이미지의 픽셀을 색 정보로 인코딩 하여 제1 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(100)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.

이후, 장치(100)는 제1 입력 신호를 제1 인공 신경망에 입력할 수 있다. 여기서, 제1 인공 신경망은 육류 제품의 이미지를 통해 육류 제품에 대한 부위를 분류하도록 학습될 수 있다.

일실시예에 따르면, 제1 인공 신경망은 컨볼루션 신경망으로 구현되어, 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며, 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 실물 이미지 기반 육류 제품 분류 및 육류 제품 생산 방법을 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다. 컨볼루션 신경망에 대한 자세한 설명은 도 11을 참조하여 후술한다.

S503 단계에서, 장치(100)는 제1 인공 신경망의 출력을 기초로, 제1 육류 제품(110)에 대한 부위를 분류할 수 있다. 여기서, 제1 육류 제품(110)의 부위에 대한 분류 결과는 제1 육류 제품(110)이 어느 부위에 해당하는지를 나타내는 정보로, 제1 인공 신경망을 통해 분류될 수 있다.

일실시예에 따르면, 장치(100)는 컨볼루션 신경망인 제1 인공 신경망의 입력의 대한 결과에 기초하여, 제1 인공 신경망의 출력값인 제1 출력 신호를 획득할 수 있다.

컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 육류 제품의 부위를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 육류 제품의 세부 부위를 지시할 수 있다. 컨볼루션 신경망의 출력에 관한 자세한 설명은 도 11을 참조하여 후술한다.

즉, 장치(100)는 제1 출력 신호를 기초로, 제1 육류 제품(110)이 어느 부위에 해당하는지 확인할 수 있다. 이때, 장치(100)는 제1 육류 제품(110)의 세부 부위까지 확인할 수도 있다.

예를 들어, 장치(100)는 제1 육류 제품(110)의 부위에 대한 분류 결과를 통해, 제1 육류 제품(110)이 등심 부위에 해당하는 것을 확인하고, 제1 육류 제품(110)이 등심 부위 중 꽃등심 부위에 해당하는 것을 확인할 수 있다.

S504 단계에서, 장치(100)는 제1 육류 제품(110)의 부위에 대한 분류 결과를 통해, 제1 육류 제품(110)의 부위를 제1 부위로 확인할 수 있다. 여기서, 제1 육류 제품(110)의 부위에 대한 분류 결과는 제1 육류 제품(110)이 어느 부위에 해당하는지를 나타내는 정보로, 상술한 제1 인공 신경망을 통해 분류될 수 있다.

S505 단계에서, 장치(200)는 제1 부위 및 제1 이미지를 매칭하여, 매칭 결과를 생성할 수 있다. 즉, 장치(200)는 제1 부위의 특성과 제1 이미지의 특성을 매칭하여, 매칭 결과를 생성할 수 있다.

S506 단계에서, 장치(200)는 매칭 결과를 제2 인공 신경망에 적용할 수 있다. 여기서, 제2 인공 신경망은 매칭 결과를 입력 받은 후, 육류 제품에 대한 품질을 분류하여 출력하는 알고리즘일 수 있다. 제2 인공 신경망은 도 12를 참조하여 후술되는 방법을 통해 학습될 수 있다.

S507 단계에서, 장치(200)는 제2 인공 신경망의 출력을 기초로, 제1 육류 제품(110)에 대한 품질을 분류할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 육류 제품의 부위에 대한 정보와 육류 제품의 이미지를 매칭한 매칭 결과를 통해, 육류 제품에 대한 품질을 분류하도록 학습될 수 있다. 이를 통해, 제2 인공 신경망은 육류 제품의 부위별 특성과 이미지를 통해 분석된 육류 제품의 특성을 고려하여, 육류 제품에 대한 품질을 분류하여 출력할 수 있다.

S508 단계에서, 장치(200)는 제1 육류 제품(110)의 품질에 대한 분류 결과를 제1 등급으로 확인할 수 있다.

예를 들어, 제2 인공 신경망은 제1 부위 및 제1 이미지의 매칭 결과를 입력 받은 후, 제1 부위의 특성 및 제1 이미지를 통해 분석된 제1 육류 제품(110)의 특성을 기초로, 제1 육류 제품(110)의 품질을 제1 등급으로 분류하여 출력할 수 있으며, 장치(200)는 제2 인공 신경망의 출력을 통해, 제1 육류 제품(110)의 품질에 대한 분류 결과를 제1 등급으로 확인할 수 있다.

S509 단계에서, 장치(100)는 제1 육류 제품(110)의 부위가 제1 부위로 확인되고, 제1 육류 제품(110)의 품질이 제1 등급으로 확인되면, 제1 부위의 제1 등급에 설정된 중량당 가격을 확인할 수 있다

예를 들어, 등심 부위의 1등급에는 중량당 가격이 1g 당 200원으로 설정되어 있고, 등심 부위의 2등급에는 중량당 가격이 1g 당 150원으로 설정되어 있고, 등심 부위의 3등급에는 중량당 가격이 1g 당 100원으로 설정되어 있는 경우, 장치(200)는 제1 육류 제품(110)의 부위가 등심으로 확인되고, 제1 육류 제품(110)의 품질이 1등급으로 확인되면, 제1 육류 제품(110)의 중량당 가격을 1g 당 200원으로 확인할 수 있다.

S510 단계에서, 장치(100)는 제1 부위의 제1 등급에 설정된 중량당 가격 및 제2 중량을 곱한 값으로, 제1 육류 제품(110)에 대한 가격을 산출할 수 있다.

예를 들어, 제1 부위의 제1 등급에 설정된 중량당 가격이 1g 당 200원이고, 제2 중량이 100g인 경우, 장치(100)는 제1 육류 제품(110)에 대한 가격을 20,000원으로 산출할 수 있다.

S511 단계에서, 장치(100)는 제1 육류 제품(110)의 가격에 대한 정보를 제1 육류 제품(110)의 판매 페이지에 추가할 수 있다. 즉, 장치(100)는 포장 전 상태의 이미지, 포장 후 상태의 이미지, 생산 코드가 부착된 상태의 이미지와 가격 정보가 표시된 제1 육류 제품(110)에 대한 판매 페이지를 생성하여, 판매 사이트에 업로드 할 수 있다.

도 6은 일실시예에 따른 육류 제품에 대한 가격을 산출하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(100)는 제1 육류 제품(110)에 대한 출하가 명령되면, 제1 이미지를 기초로, 제1 육류 제품(110)의 절단면에 대한 품질을 분석할 수 있다.

예를 들어, 장치(100)는 제1 육류 제품(110)이 절단될 때 절단되는 면을 제1 카메라(11)로 촬영하여 제1 이미지를 획득할 수 있다. 이를 위해, 육류를 세절하는 작업장에는 제1 카메라(11)가 설치되어 있으며, 제1 육류 제품(110)의 절단으로 제1 육류 제품(110)이 세절되면, 제1 육류 제품(110)의 절단면이 제1 카메라(11)의 방향으로 위치하도록, 물리적인 압력이 가해질 수 있다.

장치(100)는 인공지능, 빅데이터 등을 활용하여, 제1 육류 제품(110)의 절단면에 대한 품질을 분석할 수 있다.

S602 단계에서, 장치(100)는 제1 육류 제품(110)의 절단면을 등급에 따라 구역별로 분류할 수 있다.

예를 들어, 장치(100)는 제1 육류 제품(110)의 절단면에 대한 품질을 분석한 결과, 품질이 제1 등급인 제1 구역, 품질이 제2 등급인 제2 구역, 품질이 제3 등급인 제3 구역 등으로 구분하여, 제1 육류 제품(110)의 절단면을 등급에 따라 구역별로 분류할 수 있다.

S603 단계에서, 장치(100)는 제1 육류 제품(110)의 절단면에서 가장 넓은 면적을 차지하고 있는 제1 구역을 확인할 수 있다. 여기서, 제1 구역은 제1 육류 제품(110)의 절단면에서 제1 등급으로 분류된 구역이다.

S604 단계에서, 장치(100)는 제1 육류 제품(110)의 절단면에서 제1 구역이 차지하고 있는 면적 비율인 제1 비율을 산출할 수 있다.

S605 단계에서, 장치(100)는 제1 비율이 기준 비율 보다 큰지 여부를 확인할 수 있다. 여기서, 기준 비율은 실시예에 따라 상이하게 설정될 수 있다.

S605 단계에서 제1 비율이 기준 비율 보다 큰 것으로 확인되면, S606 단계에서, 장치(100)는 제1 부위의 제1 등급에 설정된 중량당 가격 및 제2 중량을 곱한 값으로, 제1 육류 제품(110)에 대한 가격을 산출할 수 있다.

예를 들어, 기준 비율이 80%로 설정되어 있고, 제1 부위의 제1 등급에 설정된 중량당 가격이 1g 당 200원이고, 제2 중량이 100g인 경우, 장치(100)는 제1 비율이 90% 확인되면, 제1 육류 제품(110)에 대한 가격을 20,000원으로 산출할 수 있다.

S607 단계에서, 장치(100)는 제1 육류 제품(110)에 대한 가격이 산출되면, 제1 육류 제품(110)에 대한 가격 정보를 제1 육류 제품(110)의 판매 페이지에 추가할 수 있다.

한편, S605 단계에서 제1 비율이 기준 비율 보다 크지 않은 것으로 확인되면, S701 단계가 수행될 수 있으며, 이와 관련된 자세한 설명은 도 7을 참조하여 설명하기로 한다.

도 7은 다른 실시예에 따른 육류 제품에 대한 가격을 산출하는 과정을 설명하기 위한 순서도이다.

S701 단계에서, 장치(100)는 제1 육류 제품(110)의 절단면에서 제1 구역 다음으로 넓은 면적을 차지하고 있는 제2 구역을 확인할 수 있다. 여기서, 제1 구역은 제1 육류 제품(110)의 절단면에서 제2 등급으로 분류된 구역이다.

S702 단계에서, 장치(100)는 제1 육류 제품(110)의 절단면에서 제2 구역이 차지하고 있는 면적 비율인 제2 비율을 산출할 수 있다.

S703 단계에서, 장치(100)는 제1 비율 및 제2 비율을 합한 값이 기준 비율 보다 큰지 여부를 확인할 수 있다.

S703 단계에서 제1 비율 및 제2 비율을 합한 값이 기준 비율 보다 큰 것으로 확인되면, S704 단계에서, 장치(100)는 100%에서 제2 비율을 차감한 값으로, 제3 비율을 산출할 수 있다.

예를 들어, 기준 비율이 80%로 설정되어 있고, 제1 비율이 60%이고, 제2 비율이 30%인 경우, 장치(100)는 제1 비율 및 제2 비율을 합한 값이 80% 보다 큰 것으로 확인되므로, 100%에서 30%를 차감하여, 제3 비율을 70%로 산출할 수 있다.

S705 단계에서, 장치(100)는 제1 부위의 제1 등급에 설정된 중량당 가격 및 제3 비율을 곱한 값으로, 제1 가격을 산출할 수 있다.

예를 들어, 제1 부위의 제1 등급에 설정된 중량당 가격이 1g 당 200원이고, 제3 비율이 70%인 경우, 장치(100)는 제1 가격을 140원으로 산출할 수 있다.

S706 단계에서, 장치(100)는 제1 부위의 제2 등급에 설정된 중량당 가격 및 제2 비율을 곱한 값으로, 제2 가격을 산출할 수 있다.

예를 들어, 제1 부위의 제2 등급에 설정된 중량당 가격이 1g 당 100원이고, 제2 비율이 30%인 경우, 장치(100)는 제2 가격을 30원으로 산출할 수 있다.

S707 단계에서, 장치(100)는 제1 가격 및 제2 가격을 합산한 값으로, 제3 가격을 산출할 수 있다.

예를 들어, 제1 가격이 140원이고, 제2 가격이 30원인 경우, 장치(100)는 제3 가격을 170원으로 산출할 수 있다.

S708 단계에서, 장치(100)는 제3 가격 및 제2 중량을 곱한 값으로, 제1 육류 제품(110)에 대한 가격을 산출할 수 있다.

예를 들어, 제3 가격이 170원이고, 제2 중량이 100g인 경우, 장치(100)는 제1 육류 제품(110)에 대한 가격을 17,000원으로 산출할 수 있다.

한편, S703 단계에서 제1 비율 및 제2 비율을 합한 값이 기준 비율 보다 크지 않은 것으로 확인되면, S709 단계에서, 장치(100)는 제1 부위의 표준 등급에 설정된 중량당 가격 및 제2 중량을 곱한 값으로, 제1 육류 제품(110)에 대한 가격을 17,000원으로 산출할 수 있다.

예를 들어, 기준 비율이 80%로 설정되어 있고, 제1 부위의 표준 등급에 설정된 중량당 가격이 1g 당 150원이고, 제2 중량이 100g인 경우, 장치(100)는 제1 비율 및 제2 비율을 합한 값이 80% 보다 작은 것으로 확인되면, 제1 육류 제품(110)에 대한 가격을 15,000원으로 산출할 수 있다.

즉, 상술한 바와 같이, 품질에 따라 구역이 분류되면, 구역들의 크기에 따라 육류 제품에 대한 가격이 상이하게 산출될 수 있다.

S710 단계에서, 장치(100)는 제1 육류 제품(110)에 대한 가격이 산출되면, 제1 육류 제품(110)에 대한 가격 정보를 제1 육류 제품(110)의 판매 페이지에 추가할 수 있다.

도 8은 일실시예에 따른 LED 전광판에서 제1 영역의 디스플레이를 담당하고 있는 제1 LED 모듈에 문제가 있는지 여부를 분석하는 과정을 설명하기 위한 순서도이고, 도 9는 일실시예에 따른 제1 영역 및 제1 LED 모듈을 설명하기 위한 도면이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(100)는 제1 시점에 LED 전광판에 대한 촬영으로 생성된 제1-1 이미지를 획득할 수 있다.

구체적으로, 육류 제품을 생산하는 생산실에는 LED 전광판이 설치되어 있으며, LED 전광판에 영상 정보가 디스플레이 되고 있는 상태에서, 촬영 기기는 LED 전광판의 상태를 모니터링하기 위해, 미리 설정된 기간마다 LED 전광판에 대한 촬영을 수행할 수 있다. 예를 들어, 촬영 기기는 제1 시점에 LED 전광판에 대한 촬영을 수행하여, 제1-1 이미지를 생성할 수 있다. 여기서, 제1-1 이미지는 제1 시점에 LED 전광판의 촬영으로 생성된 이미지이다.

S802 단계에서, 장치(100)는 제1 시점에 LED 전광판에 표시되는 영상의 이미지를 제2-1 이미지로 획득할 수 있다. 즉, 장치(100)는 LED 전광판에 표시되는 영상에서 제1 시점에 표시되는 것으로 설정되어 있는 영상의 이미지를 제2-1 이미지로 획득할 수 있다.

구체적으로, 장치(100)는 데이터베이스에 저장된 영상 정보를 기초로, LED 전광판에 영상 정보가 디스플레이 되도록 제어할 수 있고, 제1 시점에 영상의 어느 부분이 LED 전광판에 표시되었는지 확인하여, 제1 시점에 LED 전광판에 표시되는 영상의 이미지를 확인할 수 있으며, 제1 시점에 표시된 것으로 확인된 영상의 이미지를 제2-1 이미지로 획득할 수 있다.

S803 단계에서, 장치(100)는 제1-1 이미지 및 제2-1 이미지를 비교할 수 있다.

구체적으로, 제1-1 이미지는 제1 시점에 LED 전광판에 실제로 표시된 영상의 이미지이고, 제2-1 이미지는 제1 시점에 LED 전광판에 표시되기로 설정된 영상의 이미지인데, 장치(100)는 제1-1 이미지 및 제2-1 이미지를 영역별로 비교하여, 서로 동일한지 여부를 확인할 수 있다.

S804 단계에서, 장치(100)는 제1-1 이미지 및 제2-1 이미지를 비교한 결과, 제1 시점의 영상에서 차이가 있는 영역이 있는지 여부를 확인할 수 있다.

S804 단계에서 차이가 있는 영역이 있는 것으로 확인되면, S805 단계에서, 장치(100)는 제1 시점의 영상에서 차이가 있는 영역으로 제1 영역을 확인할 수 있다. 즉, 도 9의 (a)에 도시된 바와 같이, 장치(100)는 제1-1 이미지 및 제2-1 이미지를 비교한 결과, 제1 영역(910)을 차이가 있는 영역으로 검출할 수 있다.

S806 단계에서, 장치(100)는 LED 전광판에서 제1 영역(910)의 디스플레이를 담당하고 있는 제1 LED 모듈을 확인할 수 있다. 즉, 도 9의 (b)에 도시된 바와 같이, 장치(100)는 LED 전광판(920)에서 제1 영역(910)의 디스플레이를 담당하고 있는 LED 모듈을 제1 LED 모듈(930)로 확인할 수 있다.

S807 단계에서, 장치(100)는 제1 LED 모듈(930)에 문제가 있는 것으로 판단할 수 있다. 이때, 장치(100)는 제1 LED 모듈(930)에 문제가 발생한 것만 파악할 수 있으며, 추후, 제1 LED 모듈(930)에 발생한 문제가 일시적인 오류로 발생한 문제인지 또는 고장으로 발생한 문제인지 확인될 수 있다. 이와 관련된 자세한 설명은 도 10을 참조하여 후술하기로 한다.

한편, S804 단계에서 차이가 있는 영역이 없는 것으로 확인되면, S808 단계에서, 장치(100)는 LED 전광판에 문제가 없는 것으로 판단할 수 있다. 즉, 장치(100)는 제1-1 이미지 및 제2-1 이미지를 비교한 결과, 동일한 것으로 확인되면, LED 전광판에 문제가 없는 것으로 판단할 수 있다.

도 10은 일실시예에 따른 LED 모듈에 고장이 있는지 여부를 분석하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(100)는 제1-1 이미지 및 제2-1 이미지를 비교한 결과, 제1 시점의 영상에서 제1 영역(910)이 차이가 있는 영역으로 확인되어, 제1 영역(910)의 디스플레이를 담당하고 있는 제1 LED 모듈(930)에 문제가 있는 것으로 판단할 수 있다.

S1002 단계에서, 장치(100)는 제2 시점에 LED 전광판에 대한 촬영으로 생성된 제1-2 이미지를 획득할 수 있다. 여기서, 제2 시점은 제1 시점으로부터 미리 설정된 기간이 지난 후를 의미할 수 있다.

예를 들어, LED 전광판에 영상 정보가 디스플레이 된 시작부터 5초 후의 시점이 제1 시점이고, 제1 시점으로부터 10초 후의 시점이 제2 시점인 경우, 촬영 기기는 LED 전광판에 영상 정보가 디스플레이 된 시작부터 5초 후에 LED 전광판에 대한 촬영을 수행하여 제1-1 이미지를 생성하고, 제1 시점으로부터 10초 후에 LED 전광판에 대한 촬영을 수행하여 제1-2 이미지를 생성할 수 있다. 이때, 장치(100)는 제1 시점에 LED 전광판에 대한 촬영으로 생성된 제1-1 이미지를 촬영 기기로부터 수신하고, 제2 시점에 LED 전광판에 대한 촬영으로 생성된 제1-2 이미지를 촬영 기기로부터 수신할 수 있다.

S1003 단계에서, 장치(100)는 제2 시점에 LED 전광판에 표시되는 영상의 이미지를 제2-2 이미지로 획득할 수 있다. 즉, 장치(100)는 LED 전광판에 표시되는 영상에서 제2 시점에 표시되는 것으로 설정되어 있는 영상의 이미지를 제2-2 이미지로 획득할 수 있다.

S1004 단계에서, 장치(100)는 제1-2 이미지 및 제2-2 이미지를 비교할 수 있다.

구체적으로, 제1-2 이미지는 제2 시점에 LED 전광판에 실제로 표시된 영상의 이미지이고, 제2-2 이미지는 제2 시점에 LED 전광판에 표시되기로 설정된 영상의 이미지인데, 장치(100)는 제1-2 이미지 및 제2-2 이미지를 영역별로 비교하여, 서로 동일한지 여부를 확인할 수 있다.

S1005 단계에서, 장치(100)는 제1-2 이미지 및 제2-2 이미지를 비교한 결과, 제2 시점의 영상에서 차이가 있는 영역이 있는지 여부를 확인할 수 있으며, 제2 시점의 영상에서 차이가 있는 영역으로 제1 영역(910)이 있는지 여부를 확인할 수 있다.

S1005 단계에서 제2 시점의 영상에서 차이가 있는 영역으로 제1 영역(910)이 확인되면, S1006 단계에서, 장치(100)는 제1 LED 모듈(930)에 고장이 발생한 것으로 판단할 수 있다.

즉, 장치(100)는 제1 시점의 영상에서 차이가 있는 영역으로 제1 영역(910)이 확인되고, 제2 시점의 영상에서도 차이가 있는 영역으로 제1 영역(910)이 확인되면, 제1 LED 모듈(930)의 문제 상태가 제1 기간 동안 유지된 것으로 분석하여, 제1 LED 모듈(930)에 고장이 발생한 것으로 판단할 수 있다. 여기서, 제1 기간은 제1 시점부터 제2 시점까지의 기간을 의미할 수 있다.

S1007 단계에서, 장치(100)는 제1 LED 모듈(930)에 고장이 발생하여, 제1 LED 모듈(930)에 대한 유지 보수가 필요하다는 것을 알려주는 알림 메시지를 관리자 단말(90)로 전송할 수 있다.

한편, S1005 단계에서 제2 시점의 영상에서 차이가 있는 영역으로 제1 영역(910)이 확인되지 않으면, S1008 단계에서, 장치(100)는 제1 LED 모듈(930)에 일시적인 문제가 발생한 것으로 판단하여, 제1 LED 모듈(930)에 고장이 발생하지 않은 것으로 판단할 수 있다.

도 11은 일실시예에 따른 제1 인공 신경망을 설명하기 위한 도면이다.

일실시예에 따르면, 장치(100)는 포장되기 전의 상태로 촬영된 육류 제품에 대한 제1 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있으며, 제1 인공 신경망(1100)은 제1 입력 신호를 입력으로 하고, 육류 제품의 부위(1130) 및 육류 제품의 세부 부위(1140)를 출력으로 할 수 있다.

일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 제1 인공 신경망(1100)은 컨볼루션 신경망으로 구현되어, 제1 인공 신경망(1100)은 특징 추출 신경망(1110)과 분류 신경망(1120)으로 구성될 수 있으며, 특징 추출 신경망(1110)은 포장되기 전의 상태로 촬영된 육류 제품에 대한 이미지에서 육류 제품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(1120)은 그로부터 육류 제품의 부위를 분류하고, 육류 제품의 부위별로 더 세분화된 세부 부위를 분류하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(1110)이 육류 제품과 배경을 구분하는 방법은, 이미지를 인코딩한 제1 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 육류 제품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 특징 추출 신경망(1110)은 제1 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따른 분류 신경망(1120)은 특징 추출 신경망(1110)을 통해 배경으로부터 구분된 육류 제품을 그 형태 및 연속성에 따라 부위를 구분하고, 육류 제품의 부위(1130) 별로 세분화된 육류 제품의 세부 부위(1140)를 파악할 수 있다. 육류 제품 부위의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(1120)은 육류 제품의 부위(1130)를 파악하는 작업을 우선으로 하며, 파악된 육류 제품의 부위에 따라 더 세분화된 육류 제품의 세부 부위(1140)에 대한 파악을 용이하도록 처리할 수 있다.

일실시예에 따르면, 분류 신경망(1120)은 은닉층과 출력층을 가지고 있다. 장치(100) 내의 제1 인공 신경망(1100)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 인공 신경망(1100)의 출력층 노드는 총 50개로 할 수 있다.

일실시예에 따른 제1 인공 신경망(1100)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 육류 제품의 부위(1130)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 육류 제품의 세부 부위(1140)를 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번 째 노드와 하위 n번 째 노드를 대응시키는 방식으로, 전체에서 n번 째 노드가 전체에서 25+n번 째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번 째 노드는 26번 째 노드에 대응하며, 2번 째 노드는 27번 째 노드에, 10번 째 노드는 35번 째 노드에, 25번 재 노드는 50번 째 노드에 대응하는 방식으로 진행될 수 있다. 육류 제품의 부위(1130)는 육류 제품의 부위에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제1 인공 신경망(1100)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 ‘0’을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 ‘0’이 포함되는 노드들은 해당하는 부위가 없는 것으로 간주될 수 있다. 만약 분류된 육류 제품의 부위가 25개 이상일 경우, 남은 육류 제품은 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.

일실시예에 따르면, 제1 인공 신경망(1100)은 사용자가 제1 인공 신경망(1100)에 따른 부위 분류의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 제1 인공 신경망(1100)에 따른 부위 분류의 문제점은 육류 제품의 부위(1130) 및 육류 제품의 세부 부위(1140)에 문제가 있는 경우를 의미할 수 있다.

일실시예에 따른 제1 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 제1 인공 신경망(1100)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

도 12는 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제2 인공 신경망은 육류 제품의 부위에 대한 정보와 육류 제품의 이미지를 매칭한 매칭 결과를 입력 받은 후, 육류 제품에 대한 품질을 분류하여 출력하는 알고리즘일 수 있다. 제2 인공 신경망의 학습이 이루어지는 장치(200)는 학습된 제2 인공 신경망을 이용하여 육류 제품의 품질을 분류하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1201 단계에서, 장치(200)는 육류 제품의 부위에 대한 정보와 육류 제품의 이미지를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 장치(200)는 육류 제품의 부위 정보 및 육류 제품의 이미지를 매칭한 후, 매칭된 결과에 대한 전처리를 수행할 수 있다. 전처리가 수행된 매칭 결과를 제2 인공 신경망의 입력으로 그래도 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1202 단계에서, 장치(200)는 제2 인공 신경망에 입력을 적용할 수 있다. 제2 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 제2 인공 신경망일 수 있다. 제2 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제2 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 육류 제품의 부위에 따라 품질을 정확하게 분류하면 보상값이 높아질 수 있으며, 제2 보상은 유사한 이미지를 동일한 품질로 분류하면 보상값이 높아질 수 있다.

S1203 단계에서, 장치(200)는 제2 인공 신경망으로부터 출력을 획득할 수 있다. 제2 인공 신경망의 출력은 육류 제품의 부위에 대한 정보와 육류 제품의 이미지를 매칭한 매칭 결과를 통해 육류 제품의 품질을 분류한 결과일 수 있다. 이때, 제2 인공 신경망은 육류 제품의 부위별 특성과 이미지를 통해 분석된 육류 제품의 특성을 고려하여, 육류 제품에 대한 품질을 분류하여 출력할 수 있다.

S1204 단계에서, 장치(200)는 제2 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 장치(200)는 육류 제품의 부위에 따라 품질을 정확하게 분류하면 제1 보상을 많이 수여하고, 유사한 이미지를 동일한 품질로 분류하면 제2 보상을 많이 수여할 수 있다.

S1205 단계에서, 장치(200)는 평가를 기초로 제2 인공 신경망을 갱신할 수 있다.

구체적으로, 장치(200)는 제2 인공 신경망이 육류 제품의 부위에 대한 정보와 육류 제품의 이미지를 매칭한 매칭 결과를 통해 육류 제품의 품질을 분류하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

장치(200)는 상기와 같은 제2 인공 신경망의 학습 과정을 반복함으로써, 제2 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(200)는 육류 제품의 부위에 대한 정보와 육류 제품의 이미지를 매칭한 매칭 결과를 통해 육류 제품의 품질을 분류하는 제2 인공 신경망을 학습시킬 수 있다.

즉, 장치(200)는 육류 제품의 부위 및 육류 제품의 이미지를 매칭한 매칭 결과를 통해, 육류 제품의 품질을 분류할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.

도 13은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(100)는 프로세서(101) 및 메모리(102)를 포함한다. 프로세서(101)는 도 1 내지 도 12를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 12를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(100)를 이용하는 자 또는 단체는 도 1 내지 도 12를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(102)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들을 구현하는 프로그램을 저장할 수 있다. 메모리(102)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(101)는 프로그램을 실행하고, 장치(100)를 제어할 수 있다. 프로세서(101)에 의하여 실행되는 프로그램의 코드는 메모리(102)에 저장될 수 있다. 장치(100)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(100)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(102)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(101)는 메모리(102)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(100)와 학습된 인공 신경망을 이용하는 장치(100)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는, 실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법에 있어서,
   제1 육류 제품이 세절된 것으로 확인되면, 상기 제1 육류 제품이 포장되기 전의 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제1 이미지를 획득하는 단계;
   상기 제1 육류 제품이 포장된 것으로 확인되면, 상기 제1 육류 제품이 포장된 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제2 이미지를 획득하는 단계;
   상기 제1 육류 제품에 생산 코드가 부착된 것으로 확인되면, 상기 제1 육류 제품에 생산 코드가 부착된 상태에서, 상기 제1 육류 제품에 대한 촬영으로 생성된 제3 이미지를 획득하는 단계;
   상기 제1 육류 제품이 출하된 것으로 확인되면, 상기 제1 이미지, 상기 제2 이미지 및 상기 제3 이미지에 대한 정보를 기반으로, 상기 제1 육류 제품에 대한 판매 페이지를 생성하여 업로드 하는 단계;
   상기 제2 이미지의 획득 이후, 중량 선별기에 의해 상기 제1 육류 제품의 중량이 측정되면, 상기 중량 선별기로부터 제1 중량에 대한 정보를 획득하는 단계;
   상기 제1 육류 제품에 상기 생산 코드가 부착된 이후, 고정식 저울에 의해 상기 제1 육류 제품의 중량이 측정되면, 상기 고정식 저울로부터 제2 중량에 대한 정보를 획득하는 단계;
   상기 제1 중량 및 상기 제2 중량 간의 차이로 산출된 제1 차이값이 미리 설정된 기준값 보다 작은지 여부를 확인하는 단계;
   상기 제1 차이값이 상기 기준값 보다 작은 것으로 확인되면, 상기 제1 육류 제품의 중량을 상기 제2 중량으로 설정하는 단계;
   상기 제2 중량에 대한 정보를 상기 제1 육류 제품의 판매 페이지에 추가하는 단계;
   상기 제1 이미지의 획득 이후, 상기 제1 이미지를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 육류 제품에 대한 부위를 분류하는 단계;
   상기 제1 육류 제품의 부위에 대한 분류 결과가 제1 부위로 확인되면, 상기 제1 부위 및 상기 제1 이미지를 매칭하여, 매칭 결과를 생성하는 단계;
   상기 매칭 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 육류 제품에 대한 품질을 분류하는 단계;
   상기 제1 육류 제품의 품질에 대한 분류 결과가 제1 등급으로 확인되면, 상기 제1 부위의 상기 제1 등급에 설정된 중량당 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계; 및
   상기 제1 육류 제품의 가격에 대한 정보를 상기 제1 육류 제품의 판매 페이지에 추가하는 단계를 포함하며,
   상기 제1 육류 제품에 대한 가격을 산출하는 단계는,
   상기 제1 이미지를 기초로, 상기 제1 육류 제품의 절단면에 대한 품질을 분석하여, 상기 제1 육류 제품의 절단면을 등급에 따라 구역별로 분류하는 단계;
   상기 제1 육류 제품의 절단면에서 가장 넓은 면적을 차지하고 있는 제1 구역-상기 제1 구역은 상기 제1 육류 제품의 절단면에서 제1 등급으로 분류된 구역-을 확인하는 단계;
   상기 제1 육류 제품의 절단면에서 상기 제1 구역이 차지하고 있는 면적 비율인 제1 비율을 산출하는 단계;
   상기 제1 비율이 미리 설정된 기준 비율 보다 큰지 여부를 확인하는 단계;
   상기 제1 비율이 상기 기준 비율 보다 큰 것으로 확인되면, 상기 제1 부위의 상기 제1 등급에 설정된 중량당 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계;
   상기 제1 비율이 상기 기준 비율 보다 크지 않은 것으로 확인되면, 상기 제1 육류 제품의 절단면에서 상기 제1 구역 다음으로 넓은 면적을 차지하고 있는 제2 구역-상기 제2 구역은 상기 제1 육류 제품의 절단면에서 제2 등급으로 분류된 구역-을 확인하는 단계;
   상기 제1 육류 제품의 절단면에서 상기 제2 구역이 차지하고 있는 면적 비율인 제2 비율을 산출하는 단계;
   상기 제1 비율 및 상기 제2 비율을 합한 값이 상기 기준 비율 보다 큰지 여부를 확인하는 단계;
   상기 제1 비율 및 상기 제2 비율을 합한 값이 상기 기준 비율 보다 큰 것으로 확인되면, 100%에서 상기 제2 비율을 차감한 값으로, 제3 비율을 산출하는 단계;
   상기 제1 부위의 상기 제1 등급에 설정된 중량당 가격 및 상기 제3 비율을 곱한 값으로, 제1 가격을 산출하고, 상기 제1 부위의 상기 제2 등급에 설정된 중량당 가격 및 상기 제2 비율을 곱한 값으로, 제2 가격을 산출하는 단계;
   상기 제1 가격 및 상기 제2 가격을 합산한 값으로, 제3 가격을 산출하는 단계;
   상기 제3 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계; 및
   상기 제1 비율 및 상기 제2 비율을 합한 값이 상기 기준 비율 보다 크지 않은 것으로 확인되면, 상기 제1 부위의 표준 등급에 설정된 중량당 가격 및 상기 제2 중량을 곱한 값으로, 상기 제1 육류 제품에 대한 가격을 산출하는 단계를 포함하는,
   실물 이미지 기반 육류 제품 정보 제공 및 육류 제품 판매 방법.
2. 삭제
3. 삭제

Images