KR102420617B1 - 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템 - Google Patents

뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템 Download PDF

Info

Publication number
KR102420617B1
KR102420617B1 KR1020220018031A KR20220018031A KR102420617B1 KR 102420617 B1 KR102420617 B1 KR 102420617B1 KR 1020220018031 A KR1020220018031 A KR 1020220018031A KR 20220018031 A KR20220018031 A KR 20220018031A KR 102420617 B1 KR102420617 B1 KR 102420617B1
Authority
KR
South Korea
Prior art keywords
feature
vector
image
module
raw data
Prior art date
Application number
KR1020220018031A
Other languages
English (en)
Inventor
김환진
황연
강병규
Original Assignee
주식회사 팀플랫
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 팀플랫 filed Critical 주식회사 팀플랫
Priority to KR1020220018031A priority Critical patent/KR102420617B1/ko
Priority to KR1020220084552A priority patent/KR20230121530A/ko
Application granted granted Critical
Publication of KR102420617B1 publication Critical patent/KR102420617B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예들은 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템 제공한다. 실시예에 따른 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템은, 하나 이상의 웨이트 마스크(weight mask), 하나 이상의 특징 문자열을 저장하는 제1 데이터베이스; 상기 웨이트 마스크를 이용하여 로우 데이터에서 오브젝트 이미지(object image)를 추출하는 오브젝트 추출 모듈; 상기 오브젝트 추출 모듈로부터 상기 오브젝트 이미지를 제공받고, 상기 오브젝트 이미지에서 하나 이상의 문자를 인식하여 결과 문자열을 출력하는 문자 인식 모듈; 및 상기 문자 인식 모듈로부터 상기 결과 문자열을 제공받고, 상기 결과 문자열을 저장하는 제2 데이터베이스;를 포함하되, 상기 오브젝트 추출 모듈은, 마스크 레이어, 특징 인식 레이어, 오브젝트 추출 레이어를 포함하고, 상기 로우 데이터는, 상기 마스크 레이어에 입력되어 상기 웨이트 마스크를 기초로 상기 로우 데이터 상의 하나 이상의 특징 좌표 각각에 서로 다른 제1 가중치가 부여되고, 상기 각각의 특징 좌표를 원점으로 하는 하나 이상의 오브젝트 벡터를 포함하는 제2 가중치가 부여되고, 상기 특징 인식 레이어를 통과하여 상기 특징 문자열과, 상기 제1 가중치를 기초로 특징 이미지가 지정되고, 상기 오브젝트 추출 레이어를 통과하여 상기 특징 이미지와, 상기 제2 가중치를 기초로 오브젝트 이미지가 출력될 수 있다.

Description

뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템{NEURAL NETWORK-BASED MEDICAL EQUIPMENT DATABASE CONSTRUCTION SYSTEM}
본 발명의 실시예들은 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템에 관한 것으로, 보다 구체적으로는 뉴럴 네트워크를 이용하여 공공 데이터 포털로부터 제공받는 의료 기기 데이터를 기초로 자동으로 데이터베이스를 구축하는 시스템에 관한 것이다.
최근, 고객의 다양한 니즈를 분석하여 적절한 서비스를 제공할 수 있는 시스템이 활발하게 개발되고 있다. 특히, 인터넷을 비롯한 통신 기술의 발달로 인해 방대한 정보를 가공하여 이용이 용이한 데이터베이스로 구축한 이른바 빅데이터를 통한 서비스 플랫폼이 다수 등장하고 있다.
한편, 의료 기기의 경우, 의료 기기를 판매하거나 유통하기 위해서는 먼저 식약처나 기타 전문기관의 인증이나 허가를 받아야 한다. 이에 따라 의료 기기를 구입하고자 하는 병원 등의 경우에는 인증 정보나 등록 정보 등에 관한 데이터를 일일이 확인하여야 한다. 그러나 전문적인 의료 기기에 대한 정확한 정보나 지식의 제공은 의료 기기의 제조사 또는 유통사에서 제공하는 정보가 대부분이기 때문에 정확한 정보 외에도 제품 판매 촉진을 위한 홍보용 정보도 포함될 수 있다. 따라서 그러한 정보를 제외하고 실제 수요자에게 필요한 인증 정보 등을 적절히 가공하여 데이터베이스를 구축할 필요가 있다.
위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.
실시예들은, 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템을 제공한다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 발명의 몇몇 실시예에 따른 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템은, 하나 이상의 웨이트 마스크(weight mask), 하나 이상의 특징 문자열을 저장하는 제1 데이터베이스; 상기 웨이트 마스크를 이용하여 로우 데이터에서 오브젝트 이미지(object image)를 추출하는 오브젝트 추출 모듈; 상기 오브젝트 추출 모듈로부터 상기 오브젝트 이미지를 제공받고, 상기 오브젝트 이미지에서 하나 이상의 문자를 인식하여 결과 문자열을 출력하는 문자 인식 모듈; 및 상기 문자 인식 모듈로부터 상기 결과 문자열을 제공받고, 상기 결과 문자열을 저장하는 제2 데이터베이스;를 포함하되, 상기 오브젝트 추출 모듈은, 마스크 레이어, 특징 인식 레이어, 오브젝트 추출 레이어를 포함하고, 상기 로우 데이터는, 상기 마스크 레이어에 입력되어 상기 웨이트 마스크를 기초로 상기 로우 데이터 상의 하나 이상의 특징 좌표 각각에 서로 다른 제1 가중치가 부여되고, 상기 각각의 특징 좌표를 원점으로 하는 하나 이상의 오브젝트 벡터를 포함하는 제2 가중치가 부여되고, 상기 특징 인식 레이어를 통과하여 상기 특징 문자열과, 상기 제1 가중치를 기초로 특징 이미지가 지정되고, 상기 오브젝트 추출 레이어를 통과하여 상기 특징 이미지와, 상기 제2 가중치를 기초로 오브젝트 이미지가 출력될 수 있다.
상기 문자 인식 모듈은, 상기 오브젝트 이미지를 제1 구역, 제2 구역, 제3 구역, 제4 구역으로 분할하고, 상기 제1 구역 내지 제4 구역 각각에 서로 다른 특징 점수를 부여하고, 상기 특징 점수를 고려하여, 상기 제1 구역 내지 제4 구역 중 하나 이상에 포함된 상기 오브젝트 이미지와, 복수의 낱자 이미지 중 어느 하나와의 일치율을 계산하고, 상기 일치율을 기초로, 상기 오브젝트 이미지에 포함된 하나 이상의 낱자를 인식하고, 상기 인식한 낱자를 기초로 상기 오브젝트 이미지에 대응하는 상기 결과 문자열을 출력할 수 있다.
뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템은 사전검사부를 더 포함하고, 상기 사전검사부는, 상기 로우 데이터 상의 하나 이상의 특징 좌표와, 상기 웨이트 마스크 상의 하나 이상의 대응 좌표를 비교하여, 상기 특징 좌표와 상기 대응 좌표가 일치하는 경우 상기 로우 데이터와 상기 웨이트 마스크를 상기 오브젝트 추출 모듈에 제공할 수 있다.
상기 오브젝트 벡터는, 하나 이상의 상기 특징 좌표로부터 상기 오브젝트 이미지의 왼쪽 끝 좌표로 향하는 제1 벡터와, 상기 하나 이상의 상기 특징 좌표로부터 상기 오브젝트 이미지의 오른쪽 끝 좌표로 향하는 제2 벡터의 합으로 표현될 수 있다.
<수학식>
Figure 112022015511595-pat00001
상기 오브젝트 벡터는 상기 수학식에 의해 계산되고, 상기 수학식에서, 벡터 v_ob는 오브젝트 벡터, 벡터 x는 제1 방향 벡터, 벡터 a는 상기 제1 벡터, 벡터 b는 상기 제2 벡터를 의미할 수 있다.
상기 문자 인식 모듈은 상기 일치율을 기초로 제3 벡터를 생성하고, 상기 오브젝트 벡터와 상기 제3 벡터의 유사도를 기초로 상기 제1 데이터베이스에 저장된 상기 웨이트 마스크의 상기 제2 가중치를 변경하되,
<수학식>
Figure 112022015511595-pat00002
상기 문자 인식 모듈은 상기 수학식을 따라 상기 유사도를 계산하고,
상기 수학식에서, S는 상기 유사도, v_ob는 오브젝트 벡터, c_k는 제3 벡터, k는 상기 벡터를 식별하기 위한 자연수일 수 있다.
<수학식>
Figure 112022015511595-pat00003
상기 문자 인식 모듈은, 상기 수학식을 따라 상기 제2 가중치를 변경하고,
상기 수학식에서, w2'는 변경된 상기 제2 가중치, S는 상기 유사도, v_ob는 오브젝트 벡터, c_k는 제3 벡터, k는 상기 벡터를 식별하기 위한 자연수일 수 있다.
실시예들에 따르면, 본 발명의 실시예에 따른 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템은, 다양한 공공 포털 사이트로부터 의료 기기에 관한 등록 및 인증 정보 등을 수집하여 자동으로 데이터베이스를 구축할 수 있는 환경을 제공한다. 또한, 이러한 데이터베이스 구축 환경에 뉴럴 네트워크를 이용함으로써 컴퓨팅 로드(computing load)를 줄이고 신속하고 정확하게 데이터베이스를 구축할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 의료 기기 데이터베이스 구축 시스템이 포함된 거래 환경을 개략적으로 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 다중 테넌트 구조의 서버를 예시적으로 도시한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 서버의 구조를 설명하기 위한 블록도이다.
도 6은 도 5의 오브젝트 추출 모듈을 설명하기 위한 블록도이다.
도 7은 본 발명의 일 실시예에 따른 서버의 문자 인식 과정을 설명하기 위한 흐름도이다.
도 8은 예시적인 로우 데이터를 나타내는 도면이다.
도 9는 도 8의 로우 데이터의 일부 영역(R)을 확대한 도면이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 어플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
도 3은 본 발명의 일 실시예에 따른 의료 기기 데이터베이스 구축 시스템(300)이 포함된 거래 환경을 개략적으로 도시한 도면이다.
도 3을 참조하면, 서버(310)는 외부 서버(310)로부터 로우 데이터를 제공받아 이를 가공하여 데이터베이스를 구축할 수 있다. 로우 데이터는 의료기기에 관한 인증 정보, 제품 정보 등을 포함할 수 있다. 외부 서버(310)는 로우 데이터를 저장하는 서버 또는 저장장치일 수 있다. 예를 들면, 외부 서버(310)는 의료기기 인증 공공 포털 서버, 식품의약품안전처 통합정보시스템 서버 중 어느 하나일 수 있다. 또한, 서버(310)는 네트워크(350)를 통해 복수의 클라이언트 및 외부 서버(310)와 각각 데이터를 주고받을 수 있다.
로우 데이터(d_low)는 의료 기기에 관한 정보를 포함할 수 있다. 도 8을 추가로 참조하면, 로우 데이터는 의료 기기 제품에 관한 품목명, 분류번호, 등급, 품목허가번호, 품목허가일자, 모델명, 제품명 등의 정보를 포함할 수 있다. 로우 데이터는 이미지 파일일 수 있으며, JPEG(Joint Photographic Experts Group), Exif(EXchangable Image File format), TIFF(Tagged Image File Format), GIF(Graphics Interchange Format), BMP(Windows Bitmap), PNG(Portable Network Graphics), HEIF(High Efficiency Image File Format) 중 어느 하나의 포맷으로 저장되는 그래픽 파일일 수 있다. 다만, 이는 예시적인 것이며 로우 데이터는 이미지 파일 외에도 텍스트 파일, PDF 형식의 파일 등일 수 있다. 다만, 다양한 외부 서버(310)로부터 로우 데이터를 제공받는 경우, 파일 형식을 통일하여 단일한 프로세스를 적용해 데이터베이스를 구축하는 것이 효율적일 수 있다. 따라서 본 명세서에서는 이미지 형식의 로우 데이터를 제공받고, 광학 문자 인식(Optical character recognition, OCR) 방식으로 문자열을 추출하여 데이터베이스를 구축하는 시스템에 관하여 설명할 것이다.
복수의 클라이언트는 제1 클라이언트(320) 및 제2 클라이언트(330)를 포함할 수 있다. 다만, 이는 예시적인 것이고 복수의 클라이언트는 제1 클라이언트(320)만 포함하거나, 제3 클라이언트, 제4 클라이언트를 더 포함할 수도 있다.
제1 클라이언트(320) 및 제2 클라이언트(330)는, 예를 들면 특정 지역의 일정 규모 이하 병원의 시스템 서버일 수 있다. 또는, 제1 클라이언트(320) 및 제2 클라이언트(330)는 의료 기기 유통 대리점의 시스템 서버일 수 있다. 서버(310)는 외부 서버(310)로부터 의료 기기에 대한 로우 데이터(low data)를 제공받고, 이를 기초로 데이터베이스를 구축하여 제1 클라이언트(320) 및 제2 클라이언트(330)에게 제공할 수 있다.
제1 클라이언트(320) 및 제2 클라이언트(330)는 각각 프로세서, 메모리, 트랜시버 등을 포함하는 전자 장치일 수 있다. 즉, 제1 클라이언트(320) 및 제2 클라이언트(330)는 각각 서버(310)로부터 데이터를 수신하여 수신한 데이터를 저장하고, 데이터를 처리하여 연산할 수 있도록 구성될 수 있다.
서버(310)는 물리적인 서버를 통해 구현되는 것일 수도 있다. 즉, 서버(310)는 통신 장치를 포함하는 서버로 구현되어, 외부 서버(310)로부터 데이터를 수신하고, 또한 제1 클라이언트(320) 및 제2 클라이언트(330)에 데이터를 송신할 수도 있다. 서버(310)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템, RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템, 및 EDMS(Electronic Document Management) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.
서버(310)가 물리적인 서버를 통해 구현되는 것인 경우, 서버(310)는 무선 또는 유선으로 연결된 네트워크(350)를 통해 데이터를 송신하거나 수신할 수 있다. 네트워크(350)는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.
무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
서버(310)가 무선 통신 방식으로 데이터를 송/수신하는 경우, 서버(310)는 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
서버(310)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함할 수 있다. 서버(310)는 웹서버 또는 네트워크 서버의 형태로 구현될 수도 있고, 유형의 저장 장치 내부에 구축되어 있는 각종 데이터베이스를 포함하여 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program)으로 구현될 수도 있다. 또는, 서버(310)는 서비스로서의 소프트웨어(Software-as-a-Service, SaaS)를 구현할 수도 있다. SaaS란, 클라우드 어플리케이션(cloud application)과 기본 IT 인프라 및 플랫폼을 사용자에게 제공하는 클라우드 컴퓨팅 형태를 의미한다. 따라서 서버(310)는 전술한 내용 중 어느 하나의 형태로 국한되지 않는 넓은 개념으로 이해되어야 할 것이다.
도 4는 본 발명의 일 실시예에 따른 다중 테넌트 구조의 서버(310)를 예시적으로 도시한 블록도이다.
SaaS 형태는, 예를 들면 Google Docs, Microsoft Office 365와 같은 소비자 대상 서비스와 인사 관리 소프트웨어, 콘텐츠 관리 시스템, 고객 관계 관리 툴, 통합 개발 환경(Integrated Development Environment, IDE)를 제공하는 엔터프라이즈 서비스가 여기에 해당한다. 일반적으로 클라우드 서비스 제공업체(예: AWS, Azure, IBM Cloud)는 소프트웨어가 호스팅되는 클라우드 환경을 관리할 수 있다. SaaS 프로그램 또는 SaaS 어플리케이션은 다중 테넌트 구조(Multitenant architecture)를 활용하여 풀링된 리소스를 사용할 수 있다. SaaS를 제공하는 업체는 소프트웨어 업데이트, 버그 수정 및 기타 일반 어플리케이션 유지 관리를 수행하므로, SaaS를 이용하는 사용자 입장에서는 서버의 관리 부담을 줄일 수 있다.
여기서, 다중 테넌트 구조란 SaaS 형태의 소프트웨어 어플리케이션에서 단일한 어플리케이션을 이용해서 복수의 클라이언트에게 서비스를 제공할 수 있도록 구성된 것을 의미한다. 이와 대조적으로, 단일 테넌트 구조는 각 클라이언트에 대해 각각 고유한 소프트웨어 어플리케이션이 부여되고, 해당 어플리케이션의 코드에 대한 접근 권한을 부여받는 구조를 의미한다.
도 4를 참조하면, 제1 클라이언트(320) 및 제2 클라이언트(330)는 서버(310)의 어플리케이션에 각각 연결되고, 서버(310)는 제1 클라이언트(320) 및 제2 클라이언트(330)에 SaaS를 제공할 수 있다. 서버(310)는 단일한 어플리케이션을 이용하여 제1 클라이언트(320) 및 제2 클라이언트(330)에 서비스를 제공하지만, 제1 클라이언트(320) 및 제2 클라이언트(330)의 데이터는 DB-1과 DB-2에 각각 분리되어 저장될 수 있다. 따라서 서버(310)는 효율적으로 어플리케이션 유지 관리를 수행할 수 있으며, 동시에 제1 클라이언트(320) 및 제2 클라이언트(330)의 데이터를 분리 저장하여 안전하게 데이터를 저장할 수 있게 된다.
도 5는 서버(310)의 구조를 설명하기 위한 블록도이다. 도 6은 오브젝트 추출 모듈(313)을 설명하기 위한 블록도이다.
도 5 및 도 6을 참조하면, 서버(310)는 제1 데이터베이스(311), 사전검사부(312), 오브젝트 추출 모듈(313), 문자 인식 모듈(314), 제2 데이터베이스(315)를 포함할 수 있다.
제1 데이터베이스(311)는 하나 이상의 웨이트 마스크(weight mask)(wm)를 저장할 수 있다. 웨이트 마스크(wm)는 외부 서버(310)에서 제공받는 로우 데이터(d_low)에서 문자열을 인식하기에 앞서 로우 데이터(d_low)를 사전처리(preprocessing)하기 위한 것일 수 있다. 웨이트 마스크(wm)는 제1 가중치(w1)와 제2 가중치(w2)에 관한 정보를 포함할 수 있다. 로우 데이터(d_low)가 이미지 파일인 경우, 웨이트 마스크(wm)는 로우 데이터(d_low)와 이미지 모양과 크기가 동일할 수 있다. 즉, 웨이트 마스크(wm)는 로우 데이터(d_low)의 각 좌표에 대응하는 대응 좌표와, 상기 대응 좌표 각각에 가중치가 부여된 데이터일 수 있다. 웨이트 마스크(wm)는 로우 데이터(d_low)에 부가되어 로우 데이터(d_low)의 각 좌표에 가중치를 부여할 수 있다. 웨이트 마스크(wm)는 이미지 평면상의 각 좌표에 부여되는 서로 다른 제1 가중치(w1)에 관한 정보를 포함할 수 있다. 제1 가중치(w1)는, 로우 데이터(d_low) 상의 하나 이상의 특징 이미지(image_f)의 좌표(이하에서는, 특징 좌표라고도 지칭될 수 있다) 각각에 부여되는 가중치일 수 있다. 웨이트 마스크(wm)는 로우 데이터(d_low) 상의 특징 이미지(image_f)의 좌표에 대응하는 대응 좌표에, 로우 데이터(d_low) 상의 특징 이미지(image_f)의 좌표를 제외한 다른 좌표에 대응하는 대응 좌표보다 높은 제1 가중치를 부여하도록 구성될 수 있다.
또한 제1 데이터베이스(311)는 하나 이상의 특징 문자열(text_f)을 저장할 수 있다. 특징 문자열(text_f)은 의료 기기의 특성 정보 키워드에 대응하는 문자열일 수 있다. 의료 기기의 특성 정보 키워드는, 예를 들면, 의료 기기의 품목명, 품목허가일자, 품목허가번호, 사용목적, 등급, 분류번호 중 어느 하나일 수 있다. 즉, 특징 문자열(text_f)은 서버(310)가 생성하는 의료 기기에 관한 데이터베이스에서, 의료 기기의 특성 정보 중 어느 하나에 해당하는 키워드로서, 의료 기기의 분류 기준에 해당하는 키워드에 대응하는 문자열일 수 있다.
사전검사부(312)는 외부 서버(310)로부터 로우 데이터(d_low)를 제공받을 수 있다. 또한, 사전검사부(312)는 제1 데이터베이스(311)로부터 웨이트 마스크(wm)를 제공받을 수 있다. 사전검사부(312)는 외부 서버(310)로부터 제공받은 로우 데이터(d_low)에 매칭되는 웨이트 마스크(wm)를 제1 데이터베이스(311)에서 선택하여 오브젝트 추출 모듈(313)에 제공할 수 있다.
일 실시예에서, 사전검사부(312)는 제1 데이터베이스(311)에 저장된 하나 이상의 웨이트 마스크(wm) 중에서 외부 서버(310)로부터 제공받은 로우 데이터(d_low)에 매칭되는 웨이트 마스크(wm)를 선택하기 위해, 로우 데이터(d_low) 상의 하나 이상의 특징 좌표의 정보와, 하나 이상의 특징 좌표 각각에 대응하는 웨이트 마스크(wm) 상의 하나 이상의 대응 좌표의 정보를 비교할 수 있다. 사전검사부(312)는, 하나 이상의 특징 좌표의 정보와 하나 이상의 대응 좌표의 정보가 각각 일치하는 웨이트 마스크(wm)를 로우 데이터(d_low)와 함께 오브젝트 추출 모듈(313)에 제공할 수 있다.
도 6을 추가로 참조하면, 오브젝트 추출 모듈(313)은 마스크 레이어(313_a), 특징 인식 레이어(313_b), 오브젝트 추출 레이어(313_c)를 포함할 수 있다.
마스크 레이어(313_a)는 사전검사부(312)로부터 로우 데이터(d_low)를 입력받을 수 있다. 또한, 마스크 레이어(313_a)는 제1 데이터베이스(311) 또는 사전검사부(312)로부터 웨이트 마스크(wm)를 입력받을 수 있다. 마스크 레이어(313_a)는 입력받은 웨이트 마스크(wm)를 기초로, 로우 데이터(d_low) 상의 특징 좌표 각각에 서로 다른 제1 가중치(w1)를 부여할 수 있다. 또한, 마스크 레이어(313_a)는 입력받은 웨이트 마스크(wm)를 기초로, 로우 데이터(d_low) 상의 각각의 특징 좌표를 원점으로 하는 오브젝트 벡터를 포함하는 제2 가중치(w2)를 부여할 수 있다.
특징 인식 레이어(313_b)는 특징 문자열(text_f)과 제1 가중치(w1)를 기초로 로우 데이터(d_low) 상에서 특징 이미지(image_f) 영역을 지정할 수 있다. 특징 인식 레이어(313_b)는 로우 데이터(d_low) 상의 제1 가중치(w1)를 고려하여, 로우 데이터(d_low) 상의 높은 제1 가중치(w1)가 부여된 특징 좌표를 중심으로 특징 이미지(image_f)를 인식할 수 있다. 특징 인식 레이어(313_b)는 또한, 제1 데이터베이스(311)에 저장된 특징 문자열(text_f)과 특징 이미지(image_f)를 비교하여 특징 이미지(image_f)에서 추출한 문자열이 특징 문자열(text_f)과 일치하는지 여부를 판단할 수 있다. 특징 인식 레이어(313_b)는 특징 문자열(text_f)과 특징 이미지(image_f)에서 추출한 문자열이 일치하는 경우, 해당 특징 이미지(image_f)를 오브젝트 추출 레이어(313_c)로 출력할 수 있다.
오브젝트 추출 레이어(313_c)는 특징 인식 레이어(313_b)에 연결되어 특징 인식 레이어(313_b)로부터 특징 이미지(image_f)를 입력받을 수 있다. 또한, 오브젝트 추출 레이어(313_c)는 마스크 레이어(313_a)로부터 제2 가중치(w2)를 입력받을 수 있다. 오브젝트 추출 레이어(313_c)는 특징 이미지(image_f)와 제2 가중치(w2)를 기초로 오브젝트 이미지(image_ob)를 추출할 수 있다. 오브젝트 추출 레이어(313_c)는 추출한 오브젝트 이미지(image_ob)를 문자 인식 모듈(314)로 출력할 수 있다.
문자 인식 모듈(314)은 오브젝트 추출 레이어(313_c)에 연결되어 오브젝트 이미지(image_ob)를 입력받을 수 있다. 문자 인식 모듈(314)은 오브젝트 이미지를 복수의 구역으로 분할하고, 각각의 구역에 서로 다른 특징 점수를 부여할 수 있다. 또한, 문자 인식 모듈(314)은 특징 점수를 고려하여 오브젝트 이미지와 낱자 이미지의 일치율을 계산하고, 일치율을 기초로 문자열을 출력할 수 있다.
이를 위해, 오브젝트 추출 모듈(313) 및 문자 인식 모듈(314)이 하드웨어로 구현되는 경우, 오브젝트 추출 모듈(313) 및 문자 인식 모듈(314)은 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다. 기계 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
일 실시예에서, 오브젝트 추출 모듈(313) 및 문자 인식 모듈(314)은 컨볼루션 신경망과, 컨볼루션 신경망에 연결된 학습엔진을 포함할 수 있다. 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합을 통해서 구현될 수 있다. 또한, 오브젝트 추출 모듈(313) 및 문자 인식 모듈(314)은 메모리와 하나 이상의 프로세서를 포함할 수 있으며, 컨볼루션 신경망, 학습엔진의 기능은 상기 메모리에 저장되어, 상기 하나 이상의 프로세서에 의하여 실행되는 프로그램 형태로 오브젝트 추출 모듈(313) 및 문자 인식 모듈(314)에 구현될 수 있다.
컨볼루션 신경망은, 학습엔진에 의해 깊이 있게 학습되며, 일 실시예에 따라, 객체 이미지를 정밀도 높게 인식할 수 있다. 일 실시예에 따른 컨볼루션 신경망은, 객체 인식(object recognition) 분야에서의 딥러닝(deep learning)의 일종이며, 특히, 객체 이미지를 인식하는데 최적화된 CNN(Convolutional Neural Network) 구조로 설계될 수 있다.
학습엔진은, 컨볼루션 신경망을 학습시켜 파라미터를 산출할 수 있다. 컨볼루션 신경망의 구조는 다양할 수 있다. 학습엔진은 컨볼루션 신경망을 학습시켜 객체 이미지 인식에 최적화된 파라미터를 산출하여 컨볼루션 신경망 구조를 완성할 수 있다. 여기서, 파라미터는, 필터(ex, 컨볼루션 연산을 수행하는 커널필터)의 종류, 개수, 크기, 레이어의 개수 등을 포함할 수 있다.
특징 인식 레이어, 오브젝트 추출 레이어, 마스크 레이어는 컨볼루션 레이어(convolution layer; CNN) 구조를 포함할 수 있다. 컨볼루션 레이어는 컨볼루션 필터를 이용하여 입력된 이미지에 컨볼루션 연산을 수행하고 특징맵(feature map)을 생성할 수 있다.
여기서, 컨볼루션 연산은 입력 이미지 전 영역에서 가능한 모든 nХn 크기의 부분영역(또는 수용장)을 추출하고, 상기 nХn 크기의 부분영역의 각 값과 상기 부분영역의 크기에 대응하는 nХn 개의 파라미터로 구성되는 컨볼루션 필터의 각 단위 요소들을 각각 곱한 후 합산(즉, 필터와 부분영역 간의 내적 곱의 합)하는 것을 의미한다. 또한, 특징맵은 입력 이미지의 다양한 특징이 표현된 이미지 데이터를 의미하며, 산출된 특징맵의 개수는 컨볼루션 필터의 개수에 필수적으로 대응되는 것은 아니며 컨볼루션 연산의 방법에 따라 대응되지 않을 수 있다.
컨볼루션 레이어는, 복수의 컨볼루션 레이어를 포함할 수 있다. 복수의 컨볼루션 레이어는 제1 컨볼루션 레이어, 제2 컨볼루션 레이어, 제3 컨볼루션 레이어를 포함할 수 있다. 즉, 특징 인식 레이어, 오브젝트 추출 레이어, 마스크 레이어는 복수의 컨볼루션 레이어를 포함할 수 있다. 후술할 특징 인식 레이어(313_b), 오브젝트 추출 레이어(313_c), 마스크 레이어(313_a) 각각은, 동작을 수행하기 위해 각각 상이한 컨볼루션 신경망 구조를 가질 수 있다.
제2 데이터베이스(315)는 추출된 결과 문자열을 저장할 수 있다.
제1 데이터베이스(311) 및 제2 데이터베이스(315)는 데이터베이스 관리 프로그램(DBMS)을 이용하여 서버(310)의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 제1 데이터베이스(311) 및 제2 데이터베이스(315)는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 5 및 도 6에 도시된 서버(310)의 구성은 반드시 필수적인 것은 아니고, 필요에 따라 몇몇 구성을 생략하거나, 도 5 및 도 6에 도시되지 않은 다른 구성을 추가할 수 있을 것이다. 즉, 도 5 및 도 6에 도시된 구성은 설명의 편의를 위한 것이지, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 실시예들을 변형하여 실시할 수 있을 것이다.
서버(310)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신할 수 있다. 서버(310)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
도 7은 서버(310)의 문자 인식 과정을 설명하기 위한 흐름도이다. 도 8은 예시적인 로우 데이터를 나타내는 도면이다. 도 9는 도 8의 로우 데이터의 일부 영역(R)을 확대한 도면이다.
도 8에 도시된 로우 데이터는 개인용온열기의 제품정보와 제조업자 정보, 기타정보를 포함하는 의료기기의 등록 정보를 포함하는 이미지 파일을 나타낸다. 이하에서는 도 8에 도시된 로우 데이터를 예시로 들어, 로우 데이터에 포함된 의료 기기에 관한 정보를 추출하는 과정을 설명한다.
도 7을 참조하면, S810에서, 마스크 레이어(313_a)에는 로우 데이터(d_low)와 웨이트 마스크(wm)가 입력될 수 있다. 마스크 레이어(313_a)는 웨이트 마스크(wm)를 기초로 로우 데이터(d_low) 상의 특징 좌표 각각에 서로 다른 제1 가중치(w1)를 부여할 수 있다. 또한, 마스크 레이어(313_a)는 웨이트 마스크(wm)를 기초로 로우 데이터(d_low) 상의 각각의 특징 좌표를 원점으로 하는 오브젝트 벡터를 포함하는 제2 가중치(w2)를 부여할 수 있다.
로우 데이터(d_low)가 이미지 파일인 경우, 로우 데이터(d_low) 상의 특징 좌표는 2차원 평면 좌표 형식으로 표현될 수 있다. 예를 들면, 로우 데이터(d_low) 상의 특정 위치는 가상의 제1 방향(x 방향)과 제1 방향에 수직인 가상의 제2 방향(-y 방향)을 기준으로 (x, y)의 꼴로 표현될 수 있다. 이 경우, 설명의 편의를 위해 제1 방향은 로우 데이터(d_low) 상에서 (텍스트 이미지로 표현되는) 텍스트의 진행 방향(일반적으로, 텍스트는 좌에서 우로 서술하므로 오른쪽 방향)과 일치하는 방향으로 가정한다. 또한, 제1 방향에 수직한 제2 방향은 텍스트의 진행 방향을 기준으로 아래로 수직한 방향으로 가정한다. 즉, 일반적으로 제1 방향은 오른쪽 방향, 제2 방향은 아래 방향에 해당할 수 있다.
웨이트 마스크(wm)는 로우 데이터(d_low)의 특징 이미지의 좌표를 나타내는 특징 좌표에 대응하는 대응 좌표에 높은 제1 가중치(w1)를 포함할 수 있다. 이에 따라, 마스크 레이어(313_a)는 웨이트 마스크(wm)를 기초로 로우 데이터(d_low) 상의 특징 이미지(image_f)의 좌표를 나타내는 특징 좌표에 높은 제1 가중치(w1)를 부여할 수 있다.
S820에서, 특징 인식 레이어(313_b)에는 로우 데이터(d_low), 제1 가중치(w1), 특징 문자열(text_f)이 입력될 수 있다. 특징 인식 레이어(313_b)는 로우 데이터(d_low) 상의 제1 가중치(w1)를 고려하여, 로우 데이터(d_low) 상의 높은 제1 가중치(w1)가 부여된 특징 좌표를 중심으로 특징 이미지(image_f)를 인식할 수 있다. 특징 이미지(image_f)는 직사각형 모양일 수 있다. 특징 이미지(image_f)가 직사각형 모양일 경우, 특징 좌표는 특징 이미지(image_f)의 좌변 중앙에 해당하는 좌표와 일치할 수 있다. 이에 따라, 특징 인식 레이어(313_b)는 로우 데이터(d_low)에서 특징 좌표를 기준으로 제1 방향을 따라 특징 이미지(image_f)를 인식할 수 있다.
특징 인식 레이어(313_b)는 제1 데이터베이스(311)에 저장된 특징 문자열(text_f)과 특징 이미지(image_f)를 비교하여 특징 이미지(image_f)에서 추출한 문자열이 특징 문자열(text_f)과 일치하는지 여부를 판단할 수 있다. 특징 인식 레이어(313_b)는 특징 문자열(text_f)과 특징 이미지(image_f)에서 추출한 문자열이 일치하는 경우, 해당 특징 이미지(image_f)를 오브젝트 추출 레이어(313_c)로 출력할 수 있다.
도 9를 추가로 참조하면, 로우 데이터(d_low)의 제1 특징 좌표(P1)에 높은 제1 가중치(w1)가 부여되어, 특징 인식 레이어(313_b)에서 제1 특징 좌표(P1)를 기준으로 제1 방향을 따라 제1 특징 이미지(image_f1)가 인식될 수 있다. 특징 인식 레이어(313_b)는 제1 특징 이미지(image_f1)에서 추출한 문자열과 제1 특징 문자열('품목허가번호')을 비교할 수 있다. 특징 인식 레이어(313_b)는 제1 특징 이미지(image_f1)를 오브젝트 추출 레이어(313_c)로 출력할 수 있다.
일 실시예에서, 특징 인식 레이어는 이미지 인식 모델을 이용하여 특징 이미지를 인식할 수 있다. 여기서, 이미지 인식 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 이미지 인식 모델은 학습 과정을 통해 로우 데이터로부터 특징 이미지가 정확하게 추출되도록 미리 학습될 수 있다. 이를 위하여, 학습 과정에서 특징 이미지에 관한 복수의 학습 데이터는 이미지 인식 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터가 출력될 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 이미지 인식 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.
Figure 112022015511595-pat00004
예를 들어, 손실 함수는 [수학식 1]을 따라 손실 값을 계산할 수 있다. [수학식 1]에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.
Figure 112022015511595-pat00005
또는, 손실 함수는 [수학식 2]를 따라 손실 값을 계산할 수 있다. [수학식 2]에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.
S830에서, 오브젝트 추출 레이어(313_c)에는 특징 이미지(image_f)와 제2 가중치(w2)가 입력될 수 있다. 오브젝트 추출 레이어(313_c)는 특징 이미지(image_f)와 제2 가중치(w2)를 기초로 오브젝트 이미지(image_ob)를 추출할 수 있다.
도 9를 추가로 참조하면, 제2 가중치는 하나 이상의 오브젝트 벡터를 포함할 수 있다. 오브젝트 벡터는 하나 이상의 특징 좌표를 원점으로 하는 벡터일 수 있다. 오브젝트 벡터는 하나 이상의 특징 좌표로부터 오브젝트 이미지(image_ob)의 왼쪽 끝 좌표로 향하는 제1 벡터와, 상기 하나 이상의 특징 좌표로부터 오브젝트 이미지(image_ob)의 오른쪽 끝 좌표로 향하는 제2 벡터의 합으로 표현될 수 있다.
Figure 112022015511595-pat00006
구체적으로, 오브젝트 벡터는 [수학식 3]을 따라 계산될 수 있다.
[수학식 3]에서, 벡터 v_ob는 오브젝트 벡터, 벡터 x는 제1 방향 벡터, 벡터 a는 상기 제1 벡터, 벡터 b는 상기 제2 벡터를 의미할 수 있다.
오브젝트 추출 레이어(313_c)에서 오브젝트 이미지(image_ob)를 인식하는 경우, 오브젝트 벡터를 이용하여 이미지 인식을 위해 특징맵을 지정하는 프로세스를 단축할 수 있다. 즉, 특징 이미지(iamge_f)의 좌표 데이터와, 특징 이미지(image_f)의 좌표를 원점으로 하는 벡터를 이용하여 오브젝트 이미지(image_ob)를 추출할 범위를 지정함으로써 오브젝트 추출 레이어(313_c)는 불필요한 계산을 생략할 수 있다.
S840에서, 문자 인식 모듈(314)은 오브젝트 이미지(image_ob)를 복수의 구역으로 분할하고, 각각의 구역에 서로 다른 특징 점수를 부여할 수 있다. 문자 인식 모듈(314)은, 오브젝트 이미지(image_ob)를 입력받고, 오브젝트 이미지(image_ob)에 기초하여, 컨볼루션 연산을 수행하여 복수의 특징맵을 생성할 수 있다. 특징맵은 오브젝트 이미지(image_ob) 크기보다 작을 수 있다. 일 실시예에서, 특징맵은 오브젝트 이미지(image_ob)의 1/16 크기일 수 있다. 특징맵은 사각형일 수 있다. 즉, 문자 인식 모듈(314)은 오브젝트 이미지(image_ob)를 입력받고, 16개의 특징맵을 출력할 수 있다. 문자 인식 모듈(314)은 각각의 특징맵에 서로 다른 특징 점수를 부여할 수 있다. 특징 점수는 각 특징맵에 대상 오브젝트 이미지(image_ob)가 포함되는지 여부를 수치로 나타내는 점수일 수 있다.
S850에서, 문자 인식 모듈(314)은 특징 점수를 고려하여 각각의 특징맵과 낱자 이미지의 일치율을 계산하고, 일치율을 기초로 결과 문자열을 출력할 수 있다.
즉, 문자 인식 모듈(314)은, 복수의 특징맵 각각에 문자가 존재하는지를 판단하여, 복수의 특징맵 각각에 특징 점수를 부여하고, 복수의 특징맵 각각의 특징 점수에 기초하여 복수의 문자 이미지를 출력할 수 있다. 문자 인식 모듈(314)은 출력된 복수의 문자 이미지 각각에 대해 미리 저장된 복수의 낱자 이미지의 일치율을 계산하고, 계산 결과를 기초로 오브젝트 이미지(image_ob)에 대응하는 결과 문자열을 출력할 수 있다.
일 실시예에서, 문자 인식 모듈(314)은 출력된 복수의 문자 이미지 각각에 대한 미리 저장된 복수의 낱자 이미지와의 일치율을 기초로 제1 데이터베이스(311)에 저장된 웨이트 마스크(wm)를 변경할 수 있다. 문자 인식 모듈(314)은 문자 이미지와 낱자 이미지와의 일치율을 기초로 제3 벡터를 생성할 수 있다. 문자 인식 모듈(314)는 오브젝트 벡터와 제3 벡터의 유사도를 기초로 웨이트 마스크(wm)의 제2 가중치(w2)를 변경할 수 있다.
Figure 112022015511595-pat00007
문자 인식 모듈(314)는 [수학식 4]를 따라 상기 유사도를 계산할 수 있다.
[수학식 4]에서, S는 상기 유사도, v_ob는 오브젝트 벡터, c_k는 제3 벡터, k는 상기 벡터를 식별하기 위한 자연수일 수 있다.
Figure 112022015511595-pat00008
변경된 제2 가중치는 [수학식 5]를 따라 계산될 수 있다.
[수학식 5]에서, w2'는 변경된 상기 제2 가중치, S는 상기 유사도, v_ob는 오브젝트 벡터, c_k는 제3 벡터, k는 상기 벡터를 식별하기 위한 자연수일 수 있다.
전술한 바와 같이, 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템은, 뉴럴 네트워크를 이용하여 다양한 공공 포털 사이트로부터 의료 기기에 관한 등록 및 인증 정보 등을 수집하여 자동으로 데이터베이스를 구축할 수 있다. 또한, 로우 데이터에서 문자열을 추출하는 경우, 웨이트 마스크를 이용하여 결과 문자열 추출 과정에 소요되는 컴퓨팅 로드 및 시간을 단축하면서 정확하게 데이터를 인식하여 데이터베이스를 구축할 수 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 어플리케이션을 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.
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.
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.
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 특허청구범위의 범위에 속한다.

Claims (5)

  1. 하나 이상의 웨이트 마스크(weight mask), 하나 이상의 특징 문자열을 저장하는 제1 데이터베이스;
    상기 웨이트 마스크를 이용하여 로우 데이터에서 오브젝트 이미지(object image)를 추출하는 오브젝트 추출 모듈;
    상기 오브젝트 추출 모듈로부터 상기 오브젝트 이미지를 제공받고, 상기 오브젝트 이미지에서 하나 이상의 문자를 인식하여 결과 문자열을 출력하는 문자 인식 모듈; 및
    상기 문자 인식 모듈로부터 상기 결과 문자열을 제공받고, 상기 결과 문자열을 저장하는 제2 데이터베이스;를 포함하되,
    상기 오브젝트 추출 모듈은,
    마스크 레이어, 특징 인식 레이어, 오브젝트 추출 레이어를 포함하고,
    상기 로우 데이터는, 상기 마스크 레이어에 입력되어 상기 웨이트 마스크를 기초로 상기 로우 데이터 상의 하나 이상의 특징 좌표 각각에 서로 다른 제1 가중치가 부여되고, 상기 각각의 특징 좌표를 원점으로 하는 하나 이상의 오브젝트 벡터를 포함하는 제2 가중치가 부여되고, 상기 특징 인식 레이어를 통과하여 상기 특징 문자열과, 상기 제1 가중치를 기초로 특징 이미지가 지정되고, 상기 오브젝트 추출 레이어를 통과하여 상기 특징 이미지와, 상기 제2 가중치를 기초로 오브젝트 이미지가 출력되는,
    뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템.
  2. 제1항에 있어서,
    상기 문자 인식 모듈은,
    상기 오브젝트 이미지를 제1 구역, 제2 구역, 제3 구역, 제4 구역으로 분할하고,
    상기 제1 구역 내지 제4 구역 각각에 서로 다른 특징 점수를 부여하고,
    상기 특징 점수를 고려하여, 상기 제1 구역 내지 제4 구역 중 하나 이상에 포함된 상기 오브젝트 이미지와, 복수의 낱자 이미지 중 어느 하나와의 일치율을 계산하고,
    상기 일치율을 기초로, 상기 오브젝트 이미지에 포함된 하나 이상의 낱자를 인식하고,
    상기 인식한 낱자를 기초로 상기 오브젝트 이미지에 대응하는 상기 결과 문자열을 출력하는,
    뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템.
  3. 삭제
  4. 제1항에 있어서,
    상기 오브젝트 벡터는,
    하나 이상의 상기 특징 좌표로부터 상기 오브젝트 이미지의 왼쪽 끝 좌표로 향하는 제1 벡터와, 상기 하나 이상의 상기 특징 좌표로부터 상기 오브젝트 이미지의 오른쪽 끝 좌표로 향하는 제2 벡터의 합으로 표현되는,
    뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템.
  5. 제4항에 있어서,
    <수학식>
    Figure 112022015511595-pat00009

    상기 오브젝트 벡터는 상기 수학식에 의해 계산되고,
    상기 수학식에서, 벡터 v_ob는 오브젝트 벡터, 벡터 x는 제1 방향 벡터, 벡터 a는 상기 제1 벡터, 벡터 b는 상기 제2 벡터를 의미하는,
    뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템.
KR1020220018031A 2022-02-11 2022-02-11 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템 KR102420617B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220018031A KR102420617B1 (ko) 2022-02-11 2022-02-11 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템
KR1020220084552A KR20230121530A (ko) 2022-02-11 2022-07-08 뉴럴 네트워크 기반의 의료 기기 데이터 가공 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220018031A KR102420617B1 (ko) 2022-02-11 2022-02-11 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220084552A Division KR20230121530A (ko) 2022-02-11 2022-07-08 뉴럴 네트워크 기반의 의료 기기 데이터 가공 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102420617B1 true KR102420617B1 (ko) 2022-07-13

Family

ID=82401350

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220018031A KR102420617B1 (ko) 2022-02-11 2022-02-11 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템
KR1020220084552A KR20230121530A (ko) 2022-02-11 2022-07-08 뉴럴 네트워크 기반의 의료 기기 데이터 가공 장치 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220084552A KR20230121530A (ko) 2022-02-11 2022-07-08 뉴럴 네트워크 기반의 의료 기기 데이터 가공 장치 및 방법

Country Status (1)

Country Link
KR (2) KR102420617B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100034782A (ko) * 2008-09-25 2010-04-02 고려대학교 산학협력단 음란물 검출 시스템 및 방법
KR20210156228A (ko) * 2020-06-16 2021-12-24 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 광학 문자 인식 방법, 장치, 전자기기 및 기록매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100034782A (ko) * 2008-09-25 2010-04-02 고려대학교 산학협력단 음란물 검출 시스템 및 방법
KR20210156228A (ko) * 2020-06-16 2021-12-24 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 광학 문자 인식 방법, 장치, 전자기기 및 기록매체

Also Published As

Publication number Publication date
KR20230121530A (ko) 2023-08-18

Similar Documents

Publication Publication Date Title
KR102431107B1 (ko) 인공지능을 이용한 생산 라인의 생산량 산출 방법
KR102408462B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102414167B1 (ko) 뉴럴 네트워크를 이용한 패킷 센딩을 통한 보안 방법 및 장치
KR102375587B1 (ko) 헤어 이미지 추천 및 합성 방법 및 장치
KR102576380B1 (ko) 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템
KR102476292B1 (ko) 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템
KR102463860B1 (ko) 인공지능 기반의 사주 및 궁합을 이용한 커플 매칭 서비스 제공 방법
KR102446469B1 (ko) 뉴럴 네트워크 기반의 파일 매니지먼트 시스템
KR102433654B1 (ko) 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치
KR102420617B1 (ko) 뉴럴 네트워크 기반의 의료 기기 데이터베이스 구축 시스템
KR102452577B1 (ko) 뉴럴 네트워크를 이용하여 서버가 웹툰에 대한 시각화 정보를 제공하는 방법 및 장치
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102399945B1 (ko) 유아 학습용 전자 장치의 광학 문자 인식 방법
KR102651497B1 (ko) 텍스트마이닝 기반의 인력 중개 플랫폼 시스템 및 방법
KR102464057B1 (ko) 인공지능을 이용한 신용점수 기반의 렌탈 서비스 제공 장치 및 방법
KR102602241B1 (ko) 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템
KR102456402B1 (ko) 뉴럴 네트워크를 이용한 디자인 공동 작업 보조 방법 및 장치
KR102564511B1 (ko) 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법
KR102590839B1 (ko) 뉴럴 네트워크 기반의 컨텍스트 분석을 통한 진로 상담 컨텐츠 제공 시스템
KR102455357B1 (ko) 뉴럴 네트워크 기반의 피싱 데이터 필터링 시스템
KR102534638B1 (ko) 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템
KR102575856B1 (ko) 입력 수단의 호환 방법 및 장치
KR102583984B1 (ko) 사용자 건강상태 기반의 식단 추천서비스 제공 장치 및 방법
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102600656B1 (ko) 능동-수동 매칭 알고리즘 기반 농구 플레이어 매칭 서비스 제공 방법

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant