KR102415616B1 - 예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 예술품의 이미지 표준화를 기반으로 교육 및 거래 서비스를 제공하는 방법에 있어서, 예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득하는 단계; 상기 제1 이미지 상에서 상기 예술품을 확인하여 제1 객체로 검출하고, 상기 레퍼런스 차트를 확인하여 제2 객체로 검출하는 단계; 상기 제2 객체를 기초로, 상기 제1 객체를 보정하여, 상기 제1 객체의 이미지에 대한 표준화를 처리하는 단계; 상기 제1 객체의 이미지를 추출하여 제2 이미지를 생성하는 단계; 상기 예술품에 대한 교육이 필요한 경우, 강사 단말로 상기 제2 이미지를 전송하는 단계; 및 상기 예술품에 대한 거래가 필요한 경우, 예술품 거래 사이트에 상기 제2 이미지를 등록하는 단계를 포함하는, 예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법이 제공된다.

Description

예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING EDUCATION AND TRADING SERVICE BASED ON IMAGE STANDARDIZATION OF WORK OF ART}

아래 실시예들은 예술품의 이미지 표준화를 기반으로 교육 및 거래 서비스를 제공하는 기술에 관한 것이다.

최근 통신 네트워크 기술이 발달함에 따라 영화나 음악 등 다양한 종류의 디지털 콘텐츠가 소비되고 있고, 이러 한 콘텐츠 제공 기술은 갈수록 고도화되고 있다. 이와 같이 대중적으로 소비되는 디지털 콘텐츠와는 달리 순수 예술을 지향하는 작가들에 의하여 창작된 각종 예술품의 경우 이를 소비하는 소비자층들의 다양한 취향을 반 영하기 어렵다는 점이나, 디지털 미디어의 기술적인 한계에 의한 표현 제약 등으로 인해 온라인 플랫폼을 통한 거래가 활발하게 이루어지지 못하고 있는 실정이다.

그러나, 최근 디지털 미디어의 대화면을 통해 색 표현 능력이 급격하게 발전하고 있고, 통신 네트워크의 데이터 전송능력의 증가하고 있으며, 컴퓨팅 장치의 컴퓨팅 능력 향상과 인공 지능 기술의 비약적인 발전으로 인해, 예술품을 디지털화한 디지털 콘텐츠를 제공할 수 있는 시스템의 구축이 충분히 가능한 환경이 도래하고 있다.

따라서, 수많은 작가진에 의하여 생성된 다양한 예술품들의 이미지를 표준화 처리하여, 예술품에 대한 교육 및 거래 서비스를 온라인 상에서 비대면을 통해 제공하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.

한국등록특허 제10-1941231호 한국공개특허 제10-2020-0030252호 한국등록특허 제10-2222932호 한국공개특허 제10-2008-0021715호

일실시예에 따르면, 예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득하고, 제1 이미지 상에서 예술품을 확인하여 제1 객체로 검출하고, 레퍼런스 차트를 확인하여 제2 객체로 검출하고, 제2 객체를 기초로, 제1 객체를 보정하여, 제1 객체의 이미지에 대한 표준화를 처리하고, 제1 객체의 이미지를 추출하여 제2 이미지를 생성하고, 예술품에 대한 교육이 필요한 경우, 강사 단말로 제2 이미지를 전송하고, 예술품에 대한 거래가 필요한 경우, 예술품 거래 사이트에 제2 이미지를 등록하는, 예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 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, 예술품의 이미지 표준화를 기반으로 교육 및 거래 서비스를 제공하는 방법에 있어서, 예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득하는 단계; 상기 제1 이미지 상에서 상기 예술품을 확인하여 제1 객체로 검출하고, 상기 레퍼런스 차트를 확인하여 제2 객체로 검출하는 단계; 상기 제2 객체를 기초로, 상기 제1 객체를 보정하여, 상기 제1 객체의 이미지에 대한 표준화를 처리하는 단계; 상기 제1 객체의 이미지를 추출하여 제2 이미지를 생성하는 단계; 상기 예술품에 대한 교육이 필요한 경우, 강사 단말로 상기 제2 이미지를 전송하는 단계; 및 상기 예술품에 대한 거래가 필요한 경우, 예술품 거래 사이트에 상기 제2 이미지를 등록하는 단계를 포함하는, 예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법이 제공된다.

상기 제1 객체의 이미지에 대한 표준화를 처리하는 단계는, 상기 제2 객체에서 색상 바(Color Bar)가 표시되어 있는 제1 영역을 검출하는 단계; 상기 제1 영역을 통해 확인된 색상 요소들과 데이터베이스에 저장된 색 정보를 통해 확인된 색상 요소들을 비교하여, 제1 보정값을 생성하는 단계; 상기 제2 객체에서 명도 바(Brightness Bar)가 표시되어 있는 제2 영역을 검출하는 단계; 상기 제2 영역을 통해 확인된 명도 요소들과 상기 데이터베이스에 저장된 명도 정보를 통해 확인된 명도 요소들을 비교하여, 제2 보정값을 생성하는 단계; 상기 제2 객체에서 방향 마크(Orientation Mark)가 표시되어 있는 제3 영역을 검출하는 단계; 상기 제3 영역을 통해 확인된 방향과 상기 데이터베이스에 저장된 방향 정보를 통해 확인된 방향을 비교하여, 제3 보정값을 생성하는 단계; 상기 제2 객체에서 자(Ruler)가 표시되어 있는 제4 영역을 검출하는 단계; 상기 제4 영역을 통해 확인된 눈금과 상기 데이터베이스에 저장된 크기 정보를 통해 확인된 눈금의 크기를 비교하여, 제4 보정값을 생성하는 단계; 상기 제1 보정값 및 상기 제2 보정값을 이용하여 상기 제1 객체의 색상을 보정하는 단계; 상기 제3 보정값을 이용하여 상기 제1 객체의 방향을 보정하는 단계; 및 상기 제4 보정값을 이용하여 상기 제1 객체의 크기를 보정하는 단계를 포함할 수 있다.

상기 예술품 거래 사이트에 상기 제2 이미지를 등록하는 단계는, 상기 제2 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 출력 신호에 기초하여, 상기 예술품의 종류인 제1 카테고리를 식별하는 단계; 및 상기 예술품 거래 사이트 내에 구비된 카테고리별 게시 공간 중 상기 제1 카테고리의 게시 공간에 상기 제2 이미지를 등록하는 단계를 포함할 수 있다.

일실시예에 따르면, 예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득하고, 제1 이미지 상에서 예술품을 확인하여 제1 객체로 검출하고, 레퍼런스 차트를 확인하여 제2 객체로 검출하고, 제2 객체를 기초로, 제1 객체를 보정하여, 제1 객체의 이미지에 대한 표준화를 처리하고, 제1 객체의 이미지를 추출하여 제2 이미지를 생성하고, 예술품에 대한 교육이 필요한 경우, 강사 단말로 제2 이미지를 전송하고, 예술품에 대한 거래가 필요한 경우, 예술품 거래 사이트에 제2 이미지를 등록함으로써, 예술품들의 이미지를 표준화 처리하여, 예술품에 대한 교육 및 거래 서비스를 온라인 상에서 비대면을 통해 제공할 수 있는 효과가 있다.

한편, 실시예들에 따른 효과는 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 일실시예에 따른 예술품의 이미지 표준화를 기반으로 교육 및 거래 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 예술품의 이미지에 대한 표준화를 처리하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 레퍼런스 차트를 나타낸 도면이다.
도 4는 일실시예에 따른 예술품의 종류에 따라 이미지를 거래 사이트에 등록하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 대표 색상에 따라 이미지를 거래 사이트에 등록하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 인공 신경망을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 제1 인공 신경망을 학습하는 방법을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 장치의 구성에 대한 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 1은 일실시예에 따른 예술품의 이미지 표준화를 기반으로 교육 및 거래 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 장치는 예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법을 수행하는 장치로서, 예를 들어 하드웨어 모듈, 소프트웨어 모듈 또는 이들의 조합으로 구현될 수 있다.

일실시예에 따르면, 장치는 단말로 구현될 수 있으며, 장치는 서버로 구현될 수도 있다. 서버는 단말과 통신할 수 있고, 필요한 정보를 데이터베이스로부터 열람하여 판단 동작에 채용하고, 판단의 결과물을 기반으로 데이터베이스를 갱신할 수 있다. 장치에 의해 수행되는 동작은 서버 및 단말 중 어느 하나 단독으로 구현될 수도 있지만, 서버 및 단말의 상호작용에 의해 구현될 수도 있다. 서버 및 단말은 전자 장치를 포함할 수 있다.

일실시예에 따르면, 전자 장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 전자 장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller’s machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 전자 장치는 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일실시예에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

일실시예에 따른 전자 장치는 프로세서, 메모리, 사용자 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.

일실시예에 따른 휴대용 단말기는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.

일실시예에 따르면, 장치는 예술품과 레퍼런스 차트를 같이 촬영해서, 촬영된 예술품을 실물과 가깝게 표준화를 시키고, 이를 통해, 예술품에 대한 교육과 거래 서비스를 제공할 수 있다. 여기서, 예술품은 그림, 조각물 등과 같은 작품을 의미하며, 레퍼런스 차트는 예술품의 색상, 크기, 방향을 표준화하는데 사용되는 것으로, 사전에 예술품을 제작하는 사용자들에게 종이 형태로 배포될 수 있다. 레퍼런스 차트와 관련된 자세한 설명은 도 3을 참조하여 후술하기로 한다.

도 1을 참조하면, 먼저, S101 단계에서, 장치는 예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득할 수 있다.

구체적으로, 예술품을 제작하는 사용자는 사용자 단말에 구비된 카메라를 이용하여, 자신이 제작한 예술품에 대한 촬영을 수행할 수 있다. 이때, 예술품의 주위에 레퍼런스 차트가 배치되어 있어, 사용자 단말의 카메라 앵글에 예술품과 레퍼런스 차트가 함께 잡히게 되면, 사용자 단말은 예술품과 레퍼런스 차트를 함께 촬영하여, 예술품과 레퍼런스 차트가 포함된 제1 이미지를 생성할 수 있다. 이후, 사용자 단말에서 제1 이미지에 대한 이미지 표준화 작업이 요청되면, 장치는 사용자 단말로부터 제1 이미지를 획득할 수 있다. 이를 위해, 장치는 사용자 단말과 유무선으로 통신하도록 구성될 수 있으며, 사용자 단말의 전체적인 동작을 제어할 수 있다.

S102 단계에서, 장치는 제1 이미지 상에서 예술품을 확인하여, 확인된 예술품을 제1 객체로 검출할 수 있다.

구체적으로, 장치는 제1 이미지를 분석하여 제1 이미지에서 예술품이 차지하고 있는 예술품 영역과 배경 영역을 구분할 수 있다. 이때, 장치는 제1 이미지에서 예술품의 외곽선을 인식하고, 예술품의 외곽선 내부에 있는 영역을 예술품 영역으로 구분하고, 예술품의 외곽선 외부에 있는 영역을 배경 영역으로 구분할 수 있다. 이를 통해, 장치는 제1 이미지 상에서 예술품 영역을 확인하여, 예술품을 제1 객체로 검출할 수 있다.

S103 단계에서, 장치는 제1 이미지 상에서 레퍼런스 차트를 확인하여, 확인된 레퍼런스 차트를 제2 객체로 검출할 수 있다.

구체적으로, 장치는 제1 이미지를 분석하여 제1 이미지에서 레퍼런스 차트가 차지하고 있는 레퍼런스 차트 영역과 배경 영역을 구분할 수 있다. 이때, 장치는 제1 이미지에서 레퍼런스 차트의 외곽선을 인식하고, 레퍼런스 차트의 외곽선 내부에 있는 영역을 레퍼런스 차트 영역으로 구분하고, 레퍼런스 차트의 외곽선 외부에 있는 영역을 배경 영역으로 구분할 수 있다. 이를 통해, 장치는 제1 이미지 상에서 레퍼런스 차트 영역을 확인하여, 레퍼런스 차트를 제2 객체로 검출할 수 있다.

S104 단계에서, 장치는 제2 객체를 기초로, 제1 객체를 보정하여, 제1 객체의 이미지에 대한 표준화를 처리할 수 있다. 즉, 레퍼런스 차트는 예술품의 이미지 표준화를 위해 예술품을 제작하는 사용자들에게 사전에 배포된 것으로, 레퍼런스 차트와 예술품이 함께 촬영되면, 레퍼런스 차트를 통해 예술품의 이미지에 대한 표준화가 처리될 수 있다.

구체적으로, 장치는 제2 객체를 통해 레퍼런스 차트의 색상, 명도, 방향 및 크기를 확인할 수 있으며, 확인된 색상, 명도, 방향 및 크기를 이용하여 보정값을 생성하고, 생성된 보정값을 이용하여 제1 객체의 색상, 명도, 방향 및 크기에 대한 보정을 수행함으로써, 제1 객체의 이미지에 대한 표준화를 처리할 수 있다. 이와 관련된 자세한 설명은 도 2를 참조하여 후술하기로 한다.

S105 단계에서, 장치는 제1 객체의 이미지를 추출하여 제2 이미지를 생성할 수 있다. 즉, 장치는 제1 객체의 이미지에 대한 표준화가 처리되면, 제1 이미지에서 제1 객체가 차지하고 있는 영역을 추출하여, 추출된 영역의 이미지로 제2 이미지를 생성할 수 있다.

S106 단계에서, 장치는 예술품에 대한 교육이 필요한 경우, 강사 단말로 제2 이미지를 전송할 수 있다.

구체적으로, 장치는 사용자 단말로부터 제1 이미지를 획득할 때, 사용자 단말로부터 예술품에 대한 교육 요청을 수신할 수 있으며, 예술품에 대한 교육 요청이 수신되면, 예술품에 대한 교육이 필요한 것으로 판단하여, 강사 단말로 제2 이미지를 생성할 수 있다. 여기서, 강사 단말은 사용자에 의해 지정되거나, 장치의 추천으로 인해 지정될 수 있다. 이때, 장치는 예술품의 종류(그림, 조각물 등)에 따라 강사를 추천할 수 있다. 이를 위해, 장치는 강사 단말과 유무선으로 통신하도록 구성될 수 있으며, 강사 단말의 전체적인 동작을 제어할 수 있다.

S107 단계에서, 장치는 예술품에 대한 거래가 필요한 경우, 예술품 거래 사이트에 제2 이미지를 등록할 수 있다.

구체적으로, 장치는 사용자 단말로부터 제1 이미지를 획득할 때, 사용자 단말로부터 예술품에 대한 거래 요청을 수신할 수 있으며, 예술품에 대한 거래 요청이 수신되면, 예술품에 대한 거래가 필요한 것으로 판단하여, 예술품 거래 사이트에 제2 이미지를 등록할 수 있다. 이를 위해, 장치는 예술품 거래 사이트를 제공하는 서버와 연결되어 있거나, 예술품 거래 사이트를 제공하는 서버를 포함하여 구현될 수 있다.

도 2는 일실시예에 따른 예술품의 이미지에 대한 표준화를 처리하는 과정을 설명하기 위한 순서도이고, 도 3은 일실시예에 따른 레퍼런스 차트를 나타낸 도면이다.

먼저, 장치는 예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득한 후, 제1 이미지 상에서 예술품을 확인하여, 제1 이미지 상에서 확인된 예술품을 제1 객체로 검출하고, 제1 이미지 상에서 레퍼런스 차트를 확인하여, 제1 이미지 상에서 확인된 레퍼런스 차트를 제2 객체로 검출할 수 있다.

제1 객체 및 제2 객체의 검출 이후, S201 단계에서, 장치는 제2 객체에서 색상 바(Color Bar)가 표시되어 있는 제1 영역을 검출할 수 있고, S202 단계에서, 장치는 제2 객체에서 명도 바(Brightness Bar)가 표시되어 있는 제2 영역을 검출할 수 있고, S203 단계에서, 장치는 제2 객체에서 방향 마크(Orientation Mark)가 표시되어 있는 제3 영역을 검출할 수 있고, S204 단계에서, 자(Ruler)가 표시되어 있는 제4 영역을 검출할 수 있다.

도 3을 참조하면, 레퍼런스 차트는 제1 영역(301), 제2 영역(302), 제3 영역(303), 제4 영역(304)으로 구분되어 종이 형태로 제작될 수 있으며, 예술품을 제작하는 사용자들에게 배포될 수 있다. 도 3에 도시된 바와 같이, 제1 영역(301)에는 색상 바(Color Bar)가 표시되어 있고, 제2 영역(302)에는 명도 바(Brightness Bar)가 표시되어 있고, 제3 영역(303)에는 방향 마크(Orientation Mark)가 표시되어 있고, 제4 영역(304)에는 자(Ruler)가 표시되어 있다.

즉, 장치는 제1 이미지 상에서 레퍼런스 차트를 제2 객체로 검출하면, 제2 객체에서 제1 영역(301), 제2 영역(302), 제3 영역(303), 제4 영역(304)을 구분하여 검출할 수 있다.

일실시예에 따르면, 장치의 데이터베이스에는 레퍼런스 차트에 대한 정보가 저장되어 있다. 레퍼런스 차트에 대한 정보는 색 정보, 명도 정보, 방향 정보, 크기 정보 등을 포함할 수 있다. 색 정보는 색상 바(Color Bar)에 포함되어 있는 색상 요소들에 대한 색을 나타내는 정보로, 색상 요소 각각의 RGB 값을 포함할 수 있다. 명도 정보는 명도 바(Brightness Bar)에 포함되어 있는 명도 요소들에 대한 명도를 나타내는 정보로, 명도 요소 각각의 밝기 값을 포함할 수 있다. 방향 정보는 방향 마크(Orientation Mark)에 포함되어 있는 화살표들이 가리키는 방향을 나타내는 정보로, 동서남북이 가리키는 방향의 벡터 값을 포함할 수 있다. 크기 정보는 자(Ruler)에 포함되어 있는 눈금의 크기를 나타내는 정보로, 눈금의 크기 값을 포함할 수 있다.

S205 단계에서, 장치는 제1 영역(301)을 통해 확인된 색상 요소들과 데이터베이스에 저장된 색 정보를 통해 확인된 색상 요소들을 비교하여, 제1 보정값을 생성할 수 있다.

구체적으로, 컬러 바(Color Bar)에 빨강색, 초록색 및 파란색이 색상 요소로 포함되어 있는 경우, 장치는 제2 객체를 통해 확인된 빨강색, 초록색 및 파란색과 색 정보를 통해 확인된 빨강색, 초록색 및 파란색을 비교하여, 제1 보정값을 산출할 수 있다.

일실시예에 따르면, 장치는 빨강색, 초록색 및 파란색 중 어느 하나를 비교하여, 제1 보정값을 산출할 수 있다. 예를 들어, 장치는 제2 객체에서 검출된 제1 영역(301)의 색상 바(Color Bar)를 확인한 결과, 색상 바(Color Bar)에 포함되어 있는 빨강 색상 요소의 RGB 값을 (250, 5, 10)으로 확인할 수 있다. 또한, 장치는 데이터베이스에 저장된 색 정보를 통해 빨강 색상 요소의 RGB 값을 (255, 0, 0)으로 확인할 수 있다. 이후, 장치는 (250, 5, 10)과 (255, 0, 0)을 비교하여 (5, -5, -10)을 산출하고, (5, -5, -10)을 제1 보정값으로 설정하여, 제1 보정값을 생성할 수 있다.

다른 실시예에 따르면, 장치는 빨강색, 초록색 및 파란색 각각의 색상을 비교한 후, 산출된 보정값을 합산하여 제1 보정값을 산출할 수 있다. 예를 들어, 장치는 빨강 색상 요소를 비교하여 제1-1 보정값을 생성하고, 초록 색상 요소를 비교하여 제1-2 보정값을 생성하고, 파란 색상 요소를 비교하여 제1-3 보정값을 생성한 후, 제1-1 보정값, 제1-2 보정값 및 제1-3 보정값을 합산하여 제1 보정값을 생성할 수 있다.

S206 단계에서, 장치는 제2 영역(302)을 통해 확인된 명도 요소들과 데이터베이스에 저장된 명도 정보를 통해 확인된 명도 요소들을 비교하여, 제2 보정값을 생성할 수 있다.

구체적으로, 명도 바(Brightness Bar)에 밝기 단계 별로 구분된 명도 요소가 포함되어 있는 경우, 장치는 제2 객체를 통해 확인된 명도 요소와 명도 정보를 통해 확인된 명도 요소를 비교하여, 제2 보정값을 산출할 수 있다.

일실시예에 따르면, 장치는 밝기 단계 별로 구분된 명도 요소 중 어느 하나를 비교하여, 제2 보정값을 산출할 수 있다. 예를 들어, 명도의 밝기 단계가 0부터 10까지로 구분되어 있고, 가장 어두운 밝기 단계가 0이고, 가장 밝은 밝기 단계가 10인 경우, 장치는 제2 객체에서 검출된 제2 영역(302)의 명도 바(Brightness Bar)를 확인한 결과, 명도 바(Brightness Bar)에 포함되어 있는 5단계 명도 요소의 명도 값을 45%로 확인할 수 있다. 또한, 장치는 데이터베이스에 저장된 명도 정보를 통해 5단계 명도 요소의 명도 값을 50%로 확인할 수 있다. 이후, 장치는 45%와 50%를 비교하여 5%를 산출하고, 5%를 제2 보정값으로 설정하여, 제2 보정값을 생성할 수 있다.

다른 실시예에 따르면, 장치는 밝기 단계 별로 각각의 명도를 비교한 후, 산출된 보정값을 합산하여 제2 보정값을 산출할 수 있다. 예를 들어, 장치는 0 단계의 명도를 비교하여 제2-1 보정값을 생성하고, 1단계의 명도를 비교하여 제2-2 보정값을 생성하고, 제2 단계의 명도를 비교하여 제2-3 보정값을 생성한 후, 제2-1 보정값, 제2-2 보정값 및 제2-3 보정값을 합산하여 제2 보정값을 생성할 수 있다.

S207 단계에서, 장치는 제3 영역(303)을 통해 확인된 방향과 데이터베이스에 저장된 방향 정보를 통해 확인된 방향을 비교하여, 제3 보정값을 생성할 수 있다.

구체적으로, 방향 마크(Orientation Mark)에 북쪽이 표시되어 있는 경우, 장치는 제2 객체를 통해 확인된 북쪽이 가리키는 방향과 방향 정보를 통해 확인된 북쪽이 가리키는 방향을 비교하여, 제3 보정값을 산출할 수 있다.

예를 들어, 장치는 제2 객체에서 검출된 제3 영역(303)의 방향 마크(Orientation Mark)를 확인한 결과, 정북방과 북쪽이 가리키는 방향(N) 간의 각도를 15도로 확인할 수 있다. 또한, 장치는 데이터베이스에 저장된 방향 정보를 통해 정북방과 북쪽이 가리키는 방향(N) 간의 각도를 20도로 확인할 수 있다. 이후, 장치는 15도와 20도를 비교하여 5도를 산출하고, 5도를 제3 보정값으로 설정하여, 제3 보정값을 생성할 수 있다.

S208 단계에서, 장치는 제4 영역(304)을 통해 확인된 눈금과 데이터베이스에 저장된 크기 정보를 통해 확인된 눈금의 크기를 비교하여, 제4 보정값을 생성할 수 있다.

구체적으로, 자(Ruler)에 눈금이 표시되어 있는 경우, 장치는 제2 객체를 통해 확인된 눈금의 크기와 크기 정보를 통해 확인된 눈금의 크기를 비교하여, 제4 보정값을 산출할 수 있다.

예를 들어, 장치는 제2 객체에서 검출된 제4 영역(304)의 자(Ruler)를 확인한 결과, 눈금의 크기를 0.5mm로 확인할 수 있다. 또한, 장치는 데이터베이스에 저장된 크기 정보를 통해 눈금의 크기를 1mm로 확인할 수 있다. 이후, 장치는 0.5mm와 1mm를 비교하여 2배를 산출하고, 2배를 제4 보정값으로 설정하여, 제4 보정값을 생성할 수 있다.

S209 단계에서, 장치는 제1 보정값 및 제2 보정값을 이용하여 제1 객체의 색상을 보정할 수 있다. 즉, 장치는 제1 보정값을 이용하여 제1 객체의 RGB 값을 보정하고, 제2 보정값을 이용하여 제1 객체의 밝기를 보정할 수 있다.

예를 들어, 제1 보정값이 (5, -5, -10)인 경우, 장치는 제1 객체의 화소 별로 (5, -5, -10)를 적용하여, 제1 객체의 색상을 보정할 수 있으며, 제2 보정값이 5%인 경우, 장치는 제1 객체의 화소 별로 5%가 밝아지도록, 제1 객체의 명도를 보정할 수 있다.

S210 단계에서, 장치는 제3 보정값을 이용하여 제1 객체의 방향을 보정할 수 있다.

예를 들어, 제3 보정값이 5도인 경우, 장치는 제1 객체가 5도만큼 시계 방향으로 회전하도록, 제1 객체의 방향을 보정할 수 있다.

S211 단계에서, 장치는 제4 보정값을 이용하여 제1 객체의 크기를 보정할 수 있다.

예를 들어, 제5 보정값이 2배인 경우, 장치는 제1 객체가 2배만큼 커지도록, 제1 객체의 크기를 보정할 수 있다.

즉, 상술한 바와 같이, 장치는 제2 객체를 기초로, 제1 객체의 색상, 명도, 방향 및 크기를 보정하여, 제1 객체의 이미지에 대한 표준화를 처리할 수 있다.

도 4는 일실시예에 따른 예술품의 종류에 따라 이미지를 거래 사이트에 등록하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치는 제2 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있다.

구체적으로, 장치는 제2 이미지의 픽셀을 색 정보로 인코딩하여 제1 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 제2 이미지를 인코딩할 수 있다.

S402 단계에서, 장치는 제1 입력 신호를 장치 내 미리 학습된 제1 인공 신경망에 입력할 수 있다.

일실시예에 따른 제1 인공 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 히든 레이어와 출력 레이어를 가지고 있다. 예술품의 종류 검출을 위한 제1 인공 신경망의 분류 신경망은 5층 이하의 히든 레이어로 구성되며, 총 50개 이하의 히든 레이어 노드를 포함할 수 있다. 히든 레이어의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 분류 신경망의 출력 레이어 노드는 총 1개이며, 예술품의 종류에 대한 출력값을 출력 레이어 노드에 출력할 수 있다. 제1 인공 신경망에 대한 자세한 설명은 도 6을 참조하여 후술한다.

S403 단계에서, 장치는 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득할 수 있다.

S404 단계에서, 장치는 제1 출력 신호에 기초하여, 예술품의 종류인 제1 카테고리를 식별할 수 있다.

예를 들어, 장치는 제1 출력 신호의 출력값을 확인한 결과, 출력값이 1인 경우, 예술품의 종류를 그림 중에서 초상화 카테고리로 식별하고, 출력값이 2인 경우, 예술품의 종류를 그림 중에서 풍경화 카테고리로 식별하고, 출력값이 3인 경우, 예술품의 종류를 조각상 중에서 쇠로 만든 동상 카테고리로 식별하고, 출력값이 4인 경우, 예술품의 종류를 조각상 중에서 돌로 만든 석상 카테고리로 식별할 수 있다.

S405 단계에서, 장치는 제1 카테고리의 게시 공간에 제2 이미지를 등록할 수 있다. 이를 위해, 예술품 거래 사이트 내에는 카테고리 별로 게시 공간이 구비되어 있다.

예를 들어, 예술품 거래 사이트는 그림, 조각상 등으로 대분류 카테고리가 분류되어 있고, 그림 카테고리 내에는 초상화, 풍경화 등으로 중분류 카테고리가 분류되어 있고, 조각상 카테고리 내에는 동상, 석상 등으로 중분류 카테고리가 분류되어 있다. 이에 따라, 장치는 제2 이미지를 통해 제1 객체가 초상화로 식별되면, 초상화 카테고리의 게시 공간에 제2 이미지를 등록하고, 제2 이미지를 통해 제1 객체가 풍경화로 식별되면, 풍경화 카테고리의 게시 공간에 제2 이미지를 등록하고, 제2 이미지를 통해 제1 객체가 동상으로 식별되면, 동상 카테고리의 게시 공간에 제2 이미지를 등록하고, 제2 이미지를 통해 제1 객체가 석상으로 식별되면, 석상 카테고리의 게시 공간에 제2 이미지를 등록할 수 있다.

도 5는 일실시예에 따른 대표 색상에 따라 이미지를 거래 사이트에 등록하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치는 제2 이미지를 기초로, 제1 객체에 대한 색상을 화소별로 분석하여, 제1 객체의 전체 화소를 색상 계열에 따라 분류할 수 있다. 여기서, 색상 계열은 빨강, 주황, 노랑, 초록, 파랑, 남색, 보라 등의 색상 계열로 구분될 수 있다.

예를 들어, 제1 객체에 포함된 화소 중 제1 화소의 RGB 값이 (250, 10, 0)이고, 제2 화소의 RGB 값이(250, 0, 10)인 경우, 장치는 제1 화소 및 제2 화소를 빨강 색상 계열로 분류할 수 있다. 즉, 장치는 빨강 색상과 어느 정도 유사한 색상을 나타내고 있는 화소를 빨강 색상 계열로 분류할 수 있다. 이때, 제2 이미지가 10,000개의 화소로 구성되어 있는 경우, 장치는 10,000개의 화소별로 색상을 분석하여, 10,000개의 화소를 각각 색상 계열에 따라 분류할 수 있다.

S502 단계에서, 장치는 제1 객체의 전체 화소를 색상 계열에 따라 분류한 결과, 화소 수가 가장 많은 제1 색상 계열을 확인할 수 있다.

예를 들어, 제1 객체의 전체 화소를 색상 계열에 따라 분류한 결과, 빨강 색상 계열로 분류된 화소의 수가 5,000개이고, 노랑 색상 계열로 분류된 화소의 수가 3,000개이고, 파랑 색상 계열로 분류된 화소의 수가 1,000개인 경우, 장치는 제1 색상 계열을 빨강 색상 계열로 확인할 수 있다.

S503 단계에서, 장치는 제1 색상 계열의 화소 수를 제1 객체의 전체 화소 수로 나눈 값을 통해, 제1 비율을 산출할 수 있다.

예를 들어, 제1 색상 계열의 화소 수가 5,000개이고, 제1 객체의 전체 화소 수가 10,000개인 경우, 장치는 제1 비율을 50%로 산출할 수 있다.

S504 단계에서, 장치는 제1 비율이 기준 비율 보다 큰지 여부를 확인할 수 있다. 여기서, 기준 비율은 실시예에 따라 상이하게 설정될 수 있다.

S504 단계에서 제1 비율이 기준 비율 보다 큰 것으로 확인되면, S505 단계에서, 장치는 제1 객체의 대표 색상을 제1 색상 계열로 설정할 수 있다.

S506 단계에서, 장치는 제1 카테고리의 게시 공간에 제2 이미지를 등록할 때, 제1 카테고리의 게시 공간 내에 구비된 색상 계열별 게시 공간 중 제1 색상 계열의 게시 공간에 제2 이미지를 등록할 수 있다. 이를 위해, 제1 카테고리의 게시 공간 내에는 색상 계열 별로 게시 공간이 구비되어 있다. 예를 들어, 예술품 거래 사이트는 그림, 조각상 등으로 대분류 카테고리가 분류되어 있고, 그림 카테고리 내에는 초상화, 풍경화 등으로 중분류 카테고리가 분류되어 있고, 조각상 카테고리 내에는 동상, 석상 등으로 중분류 카테고리가 분류되어 있고, 중분류 카테고리 각각에는 빨강, 주황, 노랑, 초록, 파랑, 남색, 보라 등의 색상 계열로 소분류 카테고리가 분류되어 있다.

즉, 제1 객체의 종류가 제1 카테고리로 식별되고, 제1 개체의 대표 색상이 제1 색상 계열로 설정되면, 장치는 제1 카테고리를 통해 중분류를 구분하고, 제1 색상 계열을 통해 소분류를 분류하여, 제1 카테고리의 게시 공간 내에 있는 제1 색상 계열의 게시 공간에 제2 이미지를 등록할 수 있다.

한편, S504 단계에서 제1 비율이 기준 비율 보다 작은 것으로 확인되면, S507 단계에서, 장치는 제1 객체의 전체 화소를 색상 계열에 따라 분류한 결과, 화소 수가 제1 색상 계열 다음으로 많은 제2 색상 계열을 확인할 수 있다.

예를 들어, 제1 객체의 전체 화소를 색상 계열에 따라 분류한 결과, 빨강 색상 계열로 분류된 화소의 수가 3,000개이고, 노랑 색상 계열로 분류된 화소의 수가 2,000개이고, 파랑 색상 계열로 분류된 화소의 수가 1,000개인 경우, 장치는 제1 색상 계열을 빨강 색상 계열로 확인하고, 제2 색상 계열을 노랑 색상 계열로 확인할 수 있다.

S508 단계에서, 장치는 제1 색상 계열의 화소 수 및 제2 색상 계열의 화소 수를 합산하고, 합산한 화소 수를 제1 객체의 전체 화소 수로 나눈 값을 통해, 제2 비율을 산출할 수 있다.

예를 들어, 제1 색상 계열의 화소 수가 3,000개이고, 제2 색상 계열의 화소 수가 2,000개이고, 제1 객체의 전체 화소 수가 10,000개인 경우, 장치는 제2 비율을 50%로 산출할 수 있다.

S509 단계에서, 장치는 제2 비율이 기준 비율 보다 큰지 여부를 확인할 수 있다.

S509 단계에서 제2 비율이 기준 비율 보다 큰 것으로 확인되면, S510 단계에서, 장치는 제1 색상과 제2 색상을 혼합하여 제3 색상을 도출할 수 있다.

예를 들어, 제1 색상 계열이 빨강 색상 계열이고, 제2 색상 계열이 노랑 색상 계열인 경우, 장치는 빨강 색상과 노랑 색상을 혼합하여 주황 색상을 도출할 수 있다.

S511 단계에서, 장치는 제1 객체의 대표 색상을 제3 색상 계열로 설정할 수 있다.

S512 단계에서, 장치는 제1 카테고리의 게시 공간에 제2 이미지를 등록할 때, 제1 카테고리의 게시 공간 내에 구비된 색상 계열별 게시 공간 중 제3 색상 계열의 게시 공간에 제2 이미지를 등록할 수 있다.

한편, S509 단계에서 제2 비율이 기준 비율 보다 작은 것으로 확인되면, S513 단계에서, 장치는 제1 객체의 대표 색상을 미분류로 설정할 수 있다.

S514 단계에서, 장치는 제1 카테고리의 게시 공간에 제2 이미지를 등록할 때, 제1 카테고리의 게시 공간 내에 구비된 색상 계열별 게시 공간 중 미분류 게시 공간에 제2 이미지를 등록할 수 있다.

일실시예에 따르면, 장치는 제1 시점에 LED 전광판에 대한 촬영으로 생성된 제3-1 이미지를 획득할 수 있다.

구체적으로, 예술품이 배치된 작업장 내에는 LED 전광판이 배치되어 있으며, LED 전광판에 예술품의 홍보 영상이 디스플레이 되고 있는 상태에서, 작업장 내에 설치된 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, 제3-1 이미지를 생성할 수 있다. 여기서, 제3-1 이미지는 제1 시점에 LED 전광판의 촬영으로 생성된 이미지이다.

장치는 제1 시점에 LED 전광판에 표시되는 영상의 이미지를 제4-1 이미지로 획득할 수 있다. 즉, 장치는 LED 전광판에 표시되는 영상에서 제1 시점에 표시되는 것으로 설정되어 있는 영상의 이미지를 제4-1 이미지로 획득할 수 있다.

구체적으로, 장치는 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 제4-1 이미지로 획득할 수 있다.

장치는 제3-1 이미지 및 제4-1 이미지를 비교할 수 있다.

구체적으로, 제3-1 이미지는 제1 시점에 LED 전광판에 실제로 표시된 영상의 이미지이고, 제4-1 이미지는 제1 시점에 LED 전광판에 표시되기로 설정된 영상의 이미지인데, 장치는 제3-1 이미지 및 제4-1 이미지를 영역별로 비교하여, 서로 동일한지 여부를 확인할 수 있다.

장치는 제3-1 이미지 및 제4-1 이미지를 비교한 결과, 제1 시점의 영상에서 차이가 있는 영역이 있는지 여부를 확인할 수 있다.

제3-1 이미지 및 제4-1 이미지를 비교한 결과, 차이가 있는 영역이 있는 것으로 확인되면, 장치는 제1 시점의 영상에서 차이가 있는 영역으로 제1 영역을 확인할 수 있다. 즉, 장치는 제3-1 이미지 및 제4-1 이미지를 비교한 결과, 제1 영역을 차이가 있는 영역으로 검출할 수 있다.

장치는 LED 전광판에서 제1 영역의 디스플레이를 담당하고 있는 제1 LED 모듈을 확인할 수 있다. 장치는 LED 전광판에서 제1 영역의 디스플레이를 담당하고 있는 LED 모듈을 제1 LED 모듈로 확인할 수 있다.

장치는 제1 LED 모듈에 문제가 있는 것으로 판단할 수 있다. 이때, 장치는 제1 LED 모듈에 문제가 발생한 것만 파악할 수 있으며, 추후, 제1 LED 모듈에 발생한 문제가 일시적인 오류로 발생한 문제인지 또는 고장으로 발생한 문제인지 확인될 수 있다.

한편, 제3-1 이미지 및 제4-1 이미지를 비교한 결과, 차이가 있는 영역이 없는 것으로 확인되면, 장치는 LED 전광판에 문제가 없는 것으로 판단할 수 있다. 즉, 장치는 제3-1 이미지 및 제4-1 이미지를 비교한 결과, 동일한 것으로 확인되면, LED 전광판에 문제가 없는 것으로 판단할 수 있다.

장치는 제3-1 이미지 및 제4-1 이미지를 비교한 결과, 제1 시점의 영상에서 제1 영역이 차이가 있는 영역으로 확인되어, 제1 영역의 디스플레이를 담당하고 있는 제1 LED 모듈에 문제가 있는 것으로 판단할 수 있다.

장치는 제2 시점에 LED 전광판에 대한 촬영으로 생성된 제3-2 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 제3-1 이미지를 생성하고, 제1 시점으로부터 10초 후에 LED 전광판에 대한 촬영을 수행하여 제3-2 이미지를 생성할 수 있다. 이때, 장치는 제1 시점에 LED 전광판에 대한 촬영으로 생성된 제3-1 이미지를 촬영 기기로부터 수신하고, 제2 시점에 LED 전광판에 대한 촬영으로 생성된 제3-2 이미지를 촬영 기기로부터 수신할 수 있다.

장치는 제2 시점에 LED 전광판에 표시되는 영상의 이미지를 제4-2 이미지로 획득할 수 있다. 즉, 장치는 LED 전광판에 표시되는 영상에서 제2 시점에 표시되는 것으로 설정되어 있는 영상의 이미지를 제4-2 이미지로 획득할 수 있다.

장치는 제3-2 이미지 및 제4-2 이미지를 비교할 수 있다.

구체적으로, 제3-2 이미지는 제2 시점에 LED 전광판에 실제로 표시된 영상의 이미지이고, 제4-2 이미지는 제2 시점에 LED 전광판에 표시되기로 설정된 영상의 이미지인데, 장치는 제3-2 이미지 및 제4-2 이미지를 영역별로 비교하여, 서로 동일한지 여부를 확인할 수 있다.

장치는 제3-2 이미지 및 제4-2 이미지를 비교한 결과, 제2 시점의 영상에서 차이가 있는 영역이 있는지 여부를 확인할 수 있으며, 제2 시점의 영상에서 차이가 있는 영역으로 제1 영역이 있는지 여부를 확인할 수 있다.

제3-2 이미지 및 제4-2 이미지를 비교한 결과, 제2 시점의 영상에서 차이가 있는 영역으로 제1 영역이 확인되면, 장치는 제1 LED 모듈에 고장이 발생한 것으로 판단할 수 있다.

즉, 장치는 제1 시점의 영상에서 차이가 있는 영역으로 제1 영역이 확인되고, 제2 시점의 영상에서도 차이가 있는 영역으로 제1 영역이 확인되면, 제1 LED 모듈의 문제 상태가 제1 기간 동안 유지된 것으로 분석하여, 제1 LED 모듈에 고장이 발생한 것으로 판단할 수 있다. 여기서, 제1 기간은 제1 시점부터 제2 시점까지의 기간을 의미할 수 있다.

장치는 제1 LED 모듈에 고장이 발생하여, 제1 LED 모듈에 대한 유지 보수가 필요하다는 것을 알려주는 알림 메시지를 관리자 단말로 전송할 수 있다.

제3-2 이미지 및 제4-2 이미지를 비교한 결과, 제2 시점의 영상에서 차이가 있는 영역으로 제1 영역이 확인되지 않으면, 장치는 제1 LED 모듈에 일시적인 문제가 발생한 것으로 판단하여, 제1 LED 모듈에 고장이 발생하지 않은 것으로 판단할 수 있다.

도 6은 일실시예에 따른 제1 인공 신경망을 설명하기 위한 도면이다.

일실시예에 따른 제1 인공 신경망(600)은 제2 이미지의 인코딩에 의해 생성된 제1 입력 신호를 입력으로 하고, 예술품의 종류를 나타내는 정보를 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(600)은 특징 추출 신경망(610)과 분류 신경망(620)으로 구성되어 있으며, 특징 추출 신경망(610)은 이미지에서 예술품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(620)은 이미지에 있는 예술품이 어느 카테고리에 속하는지 여부를 파악하는 작업을 수행할 수 있다.

특징 추출 신경망(610)이 예술품과 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 예술품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.

특징 추출 신경망(610)은 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.

분류 신경망(620)은 특징 추출 신경망(610)을 통해 배경으로부터 구분된 예술품의 형태를 확인하고, 미리 정의된 카테고리 별 대표 예술품과 유사한지 여부를 확인하여 이미지에 있는 예술품이 어느 카테고리에 속하는지 여부를 파악할 수 있다. 예술품의 비교를 위해 장치의 데이터베이스에 저장된 정보들을 활용할 수 있다.

분류 신경망(620)은 예술품이 속하는 카테고리를 식별하는 작업을 우선으로 하며, 예술품의 형태 및 크기까지 파악할 수도 있다.

분류 신경망(620)은 히든 레이어와 출력 레이어를 가지고 있으며, 5층 이하의 히든 레이어로 구성되어, 총 50개 이하의 히든 레이어 노드를 포함하고, 히든 레이어의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다.

분류 신경망(620)는 총 1개의 출력층 노드만 포함할 수 있다.

분류 신경망(620)의 출력은 예술품의 종류에 대한 출력값으로, 예술품의 종류가 어느 카테고리에 속하는지 지시할 수 있다. 예를 들어, 출력값이 1인 경우, 예술품의 종류가 초상화 카테고리인 것을 지시하고, 출력값이 2인 경우, 예술품의 종류가 풍경화 카테고리인 것을 지시하고, 출력값이 3인 경우, 예술품의 종류가 동상 카테고리인 것을 지시하고, 출력값이 4인 경우, 예술품의 종류가 석상 카테고리인 것을 지시할 수 있다.

일실시예에 따르면, 제1 인공 신경망(600)은 사용자가 제1 인공 신경망(600)에 따른 출력의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 제1 인공 신경망(600)에 따른 출력의 문제점은 예술품의 종류가 다른 카테고리로 지시하는 출력값을 출력한 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. 제1 인공 신경망(600)은 제1 학습 신호에 의해 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다. 이하 도 7을 참조하여 제1 인공 신경망(600)의 학습 내용이 후술된다.

도 7은 일실시예에 따른 제1 인공 신경망을 학습하는 방법을 설명하기 위한 도면이다.

일실시예에 따르면, 학습 장치는 제1 인공 신경망(600)을 학습시킬 수 있다. 학습 장치는 장치와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.

일실시예에 따르면, 제1 인공 신경망(600)은 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 제1 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 제1 레이블들은 예술품의 종류별 대표 이미지에 기초하여 정의될 수 있다. 제1 인공 신경망(600)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제1 인공 신경망(600)을 학습시킬 수 있다. 학습 장치는 제1 인공 신경망(600)의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제1 인공 신경망(600) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 인공 신경망(600) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일실시예에 따르면, 학습 장치는 데이터베이스로부터 레이블드 트레이닝 예술품 이미지들(701)을 획득할 수 있다. 학습 장치는 예술품의 종류별로 설정된 예술품 이미지들(701)에 각각 미리 레이블링된 정보를 획득할 수 있는데, 예술품 이미지들(701)은 미리 분류된 예술품 정보에 따라 레이블링될 수 있다.

일실시예에 따르면, 학습 장치는 1000개의 레이블드 트레이닝 예술품 이미지들(701)을 획득할 수 있으며, 레이블드 트레이닝 예술품 이미지들(701)에 기초하여 제1 트레이닝 예술품 벡터들(702)을 생성할 수 있다. 제1 트레이닝 예술품 벡터들(702)을 추출하는데는 다양한 방식이 채용될 수 있다.

일실시예에 따르면, 학습 장치는 제1 트레이닝 예술품 벡터들(702)을 제1 인공 신경망(600)에 적용하여 제1 트레이닝 출력들(703)을 획득할 수 있다. 학습 장치는 제1 트레이닝 출력들(703)과 제1 레이블들(704)에 기초하여 제1 인공 신경망(600)을 학습시킬 수 있다. 학습 장치는 제1 트레이닝 출력들(703)에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 제1 인공 신경망(600) 내 노드들의 연결 관계를 최적화하여 제1 인공 신경망(600)을 학습시킬 수 있다. 장치는 학습이 완료된 제1 인공 신경망(600)을 이용하여 이미지 내에 있는 예술품의 종류를 식별할 수 있다.

도 8은 일실시예에 따른 장치의 구성에 대한 예시도이다.

일실시예에 따르면, 장치(800)는 프로세서(810) 및 메모리(820)를 포함한다. 프로세서(810)는 도 1 내지 도 7을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 7을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(800)를 이용하는 자 또는 단체는 도 1 내지 도 7을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(820)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들을 구현하는 프로그램을 저장할 수 있다. 메모리(820)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(810)는 프로그램을 실행하고, 장치(800)를 제어할 수 있다. 프로세서(810)에 의하여 실행되는 프로그램의 코드는 메모리(820)에 저장될 수 있다. 장치(800)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(800)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(820)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(810)는 메모리(820)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(800)와 학습된 인공 신경망을 이용하는 장치(800)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, 예술품의 이미지 표준화를 기반으로 교육 및 거래 서비스를 제공하는 방법에 있어서,
   예술품과 레퍼런스 차트를 함께 촬영하여 생성된 제1 이미지를 획득하는 단계;
   상기 제1 이미지 상에서 상기 예술품을 확인하여 제1 객체로 검출하고, 상기 레퍼런스 차트를 확인하여 제2 객체로 검출하는 단계;
   상기 제2 객체를 기초로, 상기 제1 객체를 보정하여, 상기 제1 객체의 이미지에 대한 표준화를 처리하는 단계;
   상기 제1 객체의 이미지를 추출하여 제2 이미지를 생성하는 단계;
   상기 예술품에 대한 교육이 필요한 경우, 강사 단말로 상기 제2 이미지를 전송하는 단계; 및
   상기 예술품에 대한 거래가 필요한 경우, 예술품 거래 사이트에 상기 제2 이미지를 등록하는 단계를 포함하며,
   상기 예술품 거래 사이트에 상기 제2 이미지를 등록하는 단계는,
   상기 제2 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계;
   상기 제1 입력 신호를 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계;
   상기 제1 출력 신호에 기초하여, 상기 예술품의 종류인 제1 카테고리를 식별하는 단계; 및
   상기 예술품 거래 사이트 내에 구비된 카테고리별 게시 공간 중 상기 제1 카테고리의 게시 공간에 상기 제2 이미지를 등록하는 단계를 포함하며,
   상기 제1 카테고리의 게시 공간에 상기 제2 이미지를 등록하는 단계는,
   상기 제2 이미지를 기초로, 상기 제1 객체에 대한 색상을 화소별로 분석하여, 상기 제1 객체의 전체 화소를 색상 계열에 따라 분류하는 단계;
   상기 제1 객체의 전체 화소를 색상 계열에 따라 분류한 결과, 화소 수가 가장 많은 제1 색상 계열을 확인하는 단계;
   상기 제1 색상 계열의 화소 수를 상기 제1 객체의 전체 화소 수로 나눈 값을 통해, 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 객체의 대표 색상을 상기 제1 색상 계열로 설정하고, 상기 제1 카테고리의 게시 공간 내에 구비된 색상 계열별 게시 공간 중 상기 제1 색상 계열의 게시 공간에 상기 제2 이미지를 등록하는 단계;
   상기 제1 비율이 상기 기준 비율 보다 작은 것으로 확인되면, 상기 제1 객체의 전체 화소를 색상 계열에 따라 분류한 결과, 화소 수가 상기 제1 색상 계열 다음으로 많은 제2 색상 계열을 확인하는 단계;
   상기 제1 색상 계열의 화소 수 및 상기 제2 색상 계열의 화소 수를 합산하고, 상기 합산한 화소 수를 상기 제1 객체의 전체 화소 수로 나눈 값을 통해, 제2 비율을 산출하는 단계;
   상기 제2 비율이 상기 기준 비율 보다 큰지 여부를 확인하는 단계;
   상기 제2 비율이 상기 기준 비율 보다 큰 것으로 확인되면, 상기 제1 색상과 상기 제2 색상을 혼합하여 제3 색상을 도출하고, 상기 제1 객체의 대표 색상을 상기 제3 색상 계열로 설정하고, 상기 제1 카테고리의 게시 공간 내에 구비된 색상 계열별 게시 공간 중 상기 제3 색상 계열의 게시 공간에 상기 제2 이미지를 등록하는 단계; 및
   상기 제2 비율이 상기 기준 비율 보다 작은 것으로 확인되면, 상기 제1 객체의 대표 색상을 미분류로 설정하고, 상기 제1 카테고리의 게시 공간 내에 구비된 색상 계열별 게시 공간 중 미분류 게시 공간에 상기 제2 이미지를 등록하는 단계를 포함하는,
   예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법.
2. 제1항에 있어서,
   상기 제1 객체의 이미지에 대한 표준화를 처리하는 단계는,
   상기 제2 객체에서 색상 바(Color Bar)가 표시되어 있는 제1 영역을 검출하는 단계;
   상기 제1 영역을 통해 확인된 색상 요소들과 데이터베이스에 저장된 색 정보를 통해 확인된 색상 요소들을 비교하여, 제1 보정값을 생성하는 단계;
   상기 제2 객체에서 명도 바(Brightness Bar)가 표시되어 있는 제2 영역을 검출하는 단계;
   상기 제2 영역을 통해 확인된 명도 요소들과 상기 데이터베이스에 저장된 명도 정보를 통해 확인된 명도 요소들을 비교하여, 제2 보정값을 생성하는 단계;
   상기 제2 객체에서 방향 마크(Orientation Mark)가 표시되어 있는 제3 영역을 검출하는 단계;
   상기 제3 영역을 통해 확인된 방향과 상기 데이터베이스에 저장된 방향 정보를 통해 확인된 방향을 비교하여, 제3 보정값을 생성하는 단계;
   상기 제2 객체에서 자(Ruler)가 표시되어 있는 제4 영역을 검출하는 단계;
   상기 제4 영역을 통해 확인된 눈금과 상기 데이터베이스에 저장된 크기 정보를 통해 확인된 눈금의 크기를 비교하여, 제4 보정값을 생성하는 단계;
   상기 제1 보정값 및 상기 제2 보정값을 이용하여 상기 제1 객체의 색상을 보정하는 단계;
   상기 제3 보정값을 이용하여 상기 제1 객체의 방향을 보정하는 단계; 및
   상기 제4 보정값을 이용하여 상기 제1 객체의 크기를 보정하는 단계를 포함하는,
   예술품의 이미지 표준화 기반 교육 및 거래 서비스 제공 방법.
3. 삭제

Images