KR102490320B1 - 3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 - Google Patents
3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102490320B1 KR102490320B1 KR1020220123900A KR20220123900A KR102490320B1 KR 102490320 B1 KR102490320 B1 KR 102490320B1 KR 1020220123900 A KR1020220123900 A KR 1020220123900A KR 20220123900 A KR20220123900 A KR 20220123900A KR 102490320 B1 KR102490320 B1 KR 102490320B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- calibration
- degree
- information
- correction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 50
- 230000009471 action Effects 0.000 title description 5
- 238000012937 correction Methods 0.000 claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
일실시예에 따른 장치는 사용자의 신체 외관을 촬영한 신체 영상 정보를 획득하고, 신체 영상 정보를 이용하여 사용자의 3D 신체 모델을 생성하고, 사용자의 이름, 연락처, 주소, 성별, 나이, 키, 몸무게 중 적어도 어느 하나를 포함하는 사용자 정보를 획득하고, 사용자의 3D 신체 모델로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 표면 신체 데이터를 추출하고, 미리 설정된 표준 신체 데이터에 따른 표준 신체 데이터베이스로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 정상 신체 데이터를 추출하고, 사용자의 표면 신체 데이터 및 정상 신체 데이터를 비교하고, 비교 결과에 기반하여, 사용자의 이상 부위가 있는지 판별하고, 이상 부위가 존재하는 경우, 이상 부위의 이상 점수를 생성하고, 이상 점수로부터 사용자의 교정 필요 여부를 판단하고, 사용자가 교정이 필요한 경우, 교정 제품 정보를 생성하고, 교정 제품 정보를 포함하는 맞춤형 제품 추천 메시지를 사용자의 사용자 단말로 전송할 수 있다.
Description
아래 실시예들은 3D 신체 모델을 이용하여 사용자 맞춤형 제품 및 행동을 추천하는 기술에 관한 것이다.
최근에는 의료 기술의 발전에 따라, 신체의 외관이 손상되거나 변형된 경우 교정 제품을 착용하여 손상되거나 변형된 신체의 외관을 복원시키는 기술이 많이 연구되고 있다.
신체가 변형되었음에도 교정을 시행하지 않는 경우, 신체의 손상도가 더욱 심해질 수 있기 때문에 빠른 시일 내에 신체 교정을 진행하는 것이 필요하지만, 의료진이 아닌 일반인은 육안으로 판단하기 어려울 수 있는 경우가 존재하기도 한다.
따라서 신체의3D 스캔을 통해 이상 부위가 있는지 판별하고, 맞춤형 교정 제품 및 행동을 추천해줄 수 있는 기술의 개발이 요구된다.
실시예들은 3D 신체 모델을 이용하여 사용자 맞춤형 제품 및 행동을 추천하고자 한다.
실시예들은 사용자의 표면 신체 데이터 및 정상 신체 데이터의 비교를 통해 이상 부위가 있는지 여부를 판별하고자 한다.
실시예들은 인공신경망을 이용하여 신체 교정 용도로 착용하는 제품인 교정 제품 정보를 생성하고자 한다.
일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 사용자의 신체 외관을 촬영한 신체 영상 정보를 획득하는 단계; 상기 신체 영상 정보를 이용하여 상기 사용자의 3D 신체 모델을 생성하는 단계; 상기 사용자의 이름, 연락처, 주소, 성별, 나이, 키, 몸무게 중 적어도 어느 하나를 포함하는 사용자 정보를 획득하는 단계; 상기 사용자의 3D 신체 모델로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 표면 신체 데이터를 추출하는 단계; 미리 설정된 표준 신체 데이터에 따른 표준 신체 데이터베이스로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 정상 신체 데이터를 추출하는 단계; 상기 사용자의 표면 신체 데이터 및 상기 정상 신체 데이터를 비교하는 단계; 상기 비교 결과에 기반하여, 상기 사용자의 이상 부위가 있는지 판별하는 단계; 상기 이상 부위가 존재하는 경우, 상기 이상 부위의 이상 점수를 생성하는 단계; 상기 이상 점수로부터 상기 사용자의 교정 필요 여부를 판단하는 단계; 상기 사용자가 교정이 필요한 경우, 교정 제품 정보를 생성하는 단계; 및 상기 교정 제품 정보를 포함하는 맞춤형 제품 추천 메시지를 상기 사용자의 사용자 단말로 전송하는 단계를 포함할 수 있다.
상기 사용자의 이상 부위가 있는지 판별하는 단계는, 상기 사용자의 표면 신체 데이터로부터 상기 사용자의 신체 부위 별 대칭 정도를 산출하는 단계; 상기 대칭 정도와 미리 설정된 기준 정도를 비교하는 단계; 상기 대칭 정도가 상기 기준 정도보다 작은 경우, 상기 사용자의 이상 부위가 없는 것으로 판단하는 단계; 상기 대칭 정도가 상기 기준 정도보다 큰 것으로 해당하는 사용자의 신체 부위를 이상 후보 부위로 설정하는 단계; 및 상기 이상 후보 부위에 대하여 상기 사용자의 표면 신체 데이터와 상기 정상 신체 데이터를 비교하여 상기 이상 부위를 판별하는 단계를 포함할 수 있다.
상기 사용자의 교정 필요 여부를 판단하는 단계는, 상기 이상 점수와 미리 설정된 기준 점수를 비교하는 단계; 상기 이상 점수가 상기 기준 점수보다 낮은 경우, 상기 사용자의 이상 부위에 대하여 교정 추천 메시지를 상기 사용자 단말로 전송하는 단계; 및 상기 이상 점수가 상기 기준 점수보다 높은 경우, 상기 사용자의 이상 부위에 대하여 교정 필요 메시지를 상기 사용자 단말로 전송하는 단계를 포함하고, 상기 교정 추천 메시지는, 상기 이상 부위와 관련된 건강 정보를 검색한 결과를 포함할 수 있다.
상기 교정 제품 정보를 생성하는 단계는, 상기 정상 신체 데이터로부터 상기 이상 부위에 해당하는 정상 부위 크기를 산출하는 단계; 상기 대칭 정도, 상기 이상 점수 및 상기 정상 부위 크기를 이용하여, 상기 대칭 정도에 대응하는 제1 값, 상기 이상 점수에 대응하는 제2 값, 상기 정상 부위 크기에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함하는 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제1 인공신경망에 적용하여, 제1 출력 신호를 생성하는 단계; 상기 제1 출력 신호에 기초하여, 교정 제품의 크기 조건을 생성하는 단계; 상기 사용자 정보로부터 상기 사용자의 나이에 대한 교정 제품의 무게의 평균에 해당하는 평균 무게 정보를 생성하는 단계; 상기 사용자의 나이 및 상기 평균 무게 정보를 제2 인공신경망에 적용하여, 상기 교정 제품의 무게 조건을 생성하는 단계; 상기 사용자 정보로부터 상기 사용자의 주소에 대응되는 지역의 온도 정보, 습도 정보 및 계절 정보 중 어느 하나를 포함하는 환경 정보를 획득하는 단계; 상기 환경 정보로부터 환경 지수를 생성하는 단계; 상기 환경 지수 및 상기 이상 점수를 미리 설정된 소재 지표에 적용하여 상기 환경 지수 및 상기 이상 점수에 대응하는 소재를 추출하고, 상기 추출된 소재를 소재 조건으로 설정하는 단계; 상기 크기 조건, 상기 무게 조건 및 상기 소재 조건을 이용하여 상기 사용자에 대한 교정 제품 조건을 생성하는 단계; 및 교정 제품 데이터베이스로부터 상기 교정 제품 조건을 만족하는 교정 제품을 추출하여 상기 교정 제품 정보를 생성하는 단계를 할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 교정 제품 정보의 추천 정도를 생성하는 단계를 더 포함하고, 상기 교정 제품 정보의 추천 정도를 생성하는 단계는, 상기 사용자가 교정 제품의 사용을 시작한 시점인 제1 시점에서의 상기 이상 부위의 표면 신체 데이터를 획득하는 단계; 상기 제1 시점에서부터 미리 설정된 제1 기간 동안이 지난 시점인 제2 시점에서의 상기 이상 부위의 표면 신체 데이터를 획득하는 단계; 상기 제1 시점의 표면 신체 데이터 및 상기 제2 시점의 표면 신체 데이터를 비교하는 단계; 상기 비교 결과에 기반하여, 상기 이상 부위의 교정 정도를 산출하는 단계; 상기 교정 정도와 미리 설정된 제1 기준치를 비교하는 단계; 상기 교정 정도가 상기 제1 기준치보다 낮은 경우, 제1 가중치를 생성하고, 상기 생성된 제1 가중치를 상기 교정 정도에 적용하여 상기 교정 제품의 교정 기여도를 생성하는 단계; 상기 교정 정도가 상기 제1 기준치보다 높은 경우, 상기 교정 정도와 미리 설정된 제2 기준치를 비교하는 단계; 상기 교정 정도가 상기 제2 기준치보다 낮은 경우, 상기 제1 가중치보다 높은 제2 가중치를 생성하고, 상기 생성된 제2 가중치를 상기 교정 정도에 적용하여 상기 교정 제품의 교정 기여도를 생성하는 단계; 상기 교정 정도가 상기 제2 기준치보다 높은 경우, 상기 제2 가중치보다 높은 제3 가중치를 생성하고, 상기 생성된 제2 가중치를 상기 교정 정도에 적용하여 상기 교정 제품의 교정 기여도를 생성하는 단계; 상기 교정 제품의 교정 기여도에 비례하여 상기 교정 제품의 추천 정도를 생성하는 단계; 상기 교정 제품의 교정 기여도에 반비례하여 추천 교정 강도를 생성하는 단계; 기 등록된 교정 제품들 중에서 상기 추천 교정 강도에 대응하는 교정 제품을 추출하는 단계; 및 상기 추출된 교정 제품으로 교정 제품을 바꿀 것을 권유하는 안내 메시지를 상기 사용자 단말로 전송하는 단계를 포함할 수 있다.
상기 사용자의 3D 신체 모델을 생성하는 단계는, 상기 사용자의 3D 신체 모델을 구현하기 위한 가상의 인체의 표준 신체 데이터를 포함하는 표준 3D 신체 모델을 획득하는 단계; 복수의 사용자의 신체 외관을 촬영한 신체 영상 정보를 획득하는 단계; 상기 복수의 사용자의 이름, 연락처, 주소, 성별, 나이, 키, 몸무게, 부모의 나이 및 부모의 신체 수치 중 적어도 어느 하나를 포함하는 사용자 정보를 획득하는 단계; 상기 복수의 사용자의 신체 영상 정보로부터 신체 수치 데이터를 획득하는 단계; 상기 신체 수치 데이터와 상기 표준 신체 데이터의 차이값을 산출하는 단계; 상기 차이값이 미리 정의된 기준 범위에 벗어나는 것에 해당되는 신체 수치 데이터를 교정 신체 수치 데이터로서 추출하는 단계; 및 상기 교정 신체 수치 데이터 및 상기 표준 신체 데이터를 이용하여 상기 표준 3D 신체 모델을 교정하여 상기 사용자의 3D 신체 모델을 생성하는 단계를 포함할 수 있다.
상기 교정 제품 정보를 생성하는 단계는, 상기 사용자 단말로부터 교정 제품에 대하여 지출 가능한 비용에 대한 지출 비용 정보를 획득하는 단계; 상기 지출 비용 정보로부터 상기 교정 제품의 가격 조건을 생성하는 단계; 상기 교정 제품 데이터베이스로부터 상기 가격 조건 및 상기 교정 제품 조건을 만족하는 교정 제품을 추출하여, 우선 순위 제품 추천 리스트를 생성하는 단계; 상기 교정 제품 데이터베이스로부터 상기 가격 조건 및 상기 교정 제품 조건 중 2개 이상의 조건을 만족하는 교정 제품을 추출하여, 차순위 제품 추천 리스트를 생성하는 단계; 및 상기 우선 순위 제품 추천 리스트 및 상기 차순위 제품 추천 리스트를 가격에 따라 정렬하여 상기 교정 제품 정보를 생성하는 단계를 포함할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 교정 제품의 사용 설명 정보를 표시한 설명 콘텐츠의 마지막 시점인 제1 시점의 영상 이미지를 제1 이미지로 추출하는 단계; 상기 제1 이미지에서 배경이 차지하고 있는 영역을 제1 영역으로 구분하고, 상기 제1 이미지에서 상기 제1 영역이 있는 부분을 분할하여 제1-1 이미지를 추출하는 단계; 상기 제1-1 이미지에 출연자가 있는 것으로 확인되면, 상기 제1-1 이미지에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분하는 단계; 상기 설명 콘텐츠를 상기 제1 시점으로부터 시간상 역순으로 재생하여 분석한 결과, 제1-1 시점에 상기 제2 영역 내에 상기 출연자가 없는 것으로 확인되면, 상기 설명 콘텐츠에서 상기 제1-1 시점의 영상 이미지를 제2 이미지로 추출하는 단계; 상기 제2 이미지에서 상기 제2 영역이 있는 부분을 분할하여 제2-1 이미지를 추출하는 단계; 및 상기 제1-1 이미지에서 상기 제2 영역이 있는 부분을 상기 제2-1 이미지로 교체하는 단계를 더 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 3D 신체 모델을 이용하여 사용자 맞춤형 제품 및 행동을 추천할 수 있다.
실시예들은 사용자의 표면 신체 데이터 및 정상 신체 데이터의 비교를 통해 이상 부위가 있는지 여부를 판별할 수 있다.
실시예들은 인공신경망을 이용하여 신체 교정 용도로 착용하는 제품인 교정 제품 정보를 생성할 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 3D 신체 모델을 이용하여 사용자 맞춤형 제품을 추천하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 사용자의 이상 부위가 있는지 판별하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 교정 필요 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 교정 제품 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 인공신경망을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 제2 인공신경망을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 교정 강도를 조절하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 교정 제품 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 교정 제품 정보의 추천 정도를 생성하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 사용자의 3D 신체 모델을 생성하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 제1 시점의 영상 이미지에서 출연자를 삭제하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 출연자가 있는 영역이 다른 이미지로 교체된 제1-1 이미지를 설명하기 위한 도면이다.
도 14는 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 3D 신체 모델을 이용하여 사용자 맞춤형 제품을 추천하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 사용자의 이상 부위가 있는지 판별하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 교정 필요 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 교정 제품 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 인공신경망을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 제2 인공신경망을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 교정 강도를 조절하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 교정 제품 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 교정 제품 정보의 추천 정도를 생성하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 사용자의 3D 신체 모델을 생성하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 제1 시점의 영상 이미지에서 출연자를 삭제하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 출연자가 있는 영역이 다른 이미지로 교체된 제1-1 이미지를 설명하기 위한 도면이다.
도 14는 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.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 사용자 단말(10) 및 장치(30)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
사용자 단말(10)은 3D 신체 모델을 통해 맞춤형 제품을 추천받고자 하는 사용자가 사용하는 단말기로, 사용자가 사용하는 사용자 단말(10), 제2 사용자가 사용하는 제2 사용자 단말(12) 등을 포함할 수 있다.
사용자 단말(10) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 사용자 단말(10)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
사용자 단말(10) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.
사용자 단말(10) 각각은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 사용자 단말(10) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.
사용자 단말(10) 각각은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.
일실시예에 따르면, 장치(30)는 사용자의 3D 신체 모델을 이용하여 사용자 맞춤형 제품을 추천할 수 있다.
장치(30)는 장치(30)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(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.
장치(30)는 사용자 단말(10) 과 유무선으로 통신하도록 구성될 수 있으며, 사용자 단말(10) 각각의 동작을 제어하고, 사용자 단말(10) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 사용자 단말(10) 중 사용자 단말(10)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공신경망을 포함할 수 있다.
도 2는 일실시예에 따른 3D 신체 모델을 이용하여 사용자 맞춤형 제품을 추천하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저 S201 단계에서, 장치(30)는 사용자의 신체 외관을 촬영한 신체 영상 정보를 획득할 수 있다.
일실시예에 따르면, 장치(30)는 사용자의 신체를 스캔할 수 있는 3D 스캐너로부터 사용자의 신체 외관을 촬영한 신체 영상 정보를 획득할 수 있다.
S202 단계에서, 장치(30)는 신체 영상 정보를 이용하여 사용자의 3D 신체 모델을 생성할 수 있다.
즉, 장치(30)는 사용자의 신체 외관에 대하여 돌출되고 함몰된 상태의 신체 외관을 촬영한 신체 영상 정보를 이용하여 사용자의 신체 외관에 대한 3차원 모델인 3D 신체 모델을 생성할 수 있다.
구체적으로, 장치(30)는 신체 영상 정보의 RBG 이미지, Depth 이미지 및 카메라 파라미터 등의 데이터를 활용해서 데이터를 획득하고, 획득한 데이터를 이용하여 사용자의 신체 외관에 대한 3차원 모델인 3D 신체 모델을 생성할 수 있다. 이때, 카메라 파라미터란 카메라의 Pinhole Camera 구조적 정보 및 3차원 공간상 카메라의 위치, 방향 정보 등을 담은 데이터를 의미할 수 있다.
S203 단계에서, 장치(30)는 사용자 정보를 획득할 수 있다. 이때, 사용자 정보는 사용자의 이름, 연락처, 주소, 성별, 나이, 키, 몸무게 중 적어도 어느 하나를 포함할 수 있다.
S204 단계에서, 장치(30)는 사용자의 3D 신체 모델로부터 표면 신체 데이터를 추출할 수 있다.
구체적으로, 장치(30)는 신체 영상 정보 및 3D 신체 모델로부터 사용자의 신체의 표면에 대한 크기, 부피, 모양 및 각도 등을 포함하는 표면 신체 데이터를 추출할 수 있다.
S205 단계에서, 장치(30)는 미리 설정된 표준 신체 데이터에 따른 표준 신체 데이터베이스로부터 정상 신체 데이터를 추출할 수 있다. 이때, 표준 신체 데이터는 인구 통계학적으로 생성된 인구의 표준 신체 데이터 및 의학적 진단 기준에 의한 표준 신체 데이터를 의미할 수도 있다.
S206 단계에서, 장치(30)는 사용자의 표면 신체 데이터 및 정상 신체 데이터를 비교할 수 있다.
S207 단계에서, 장치(30)는 사용자의 이상 부위가 있는지 판별할 수 있다.
일실시예에 따르면, 장치(30)는 사용자의 표면 신체 데이터 및 비교 결과 중 적어도 하나에 기반하여 사용자의 이상 부위가 있는지 판별할 수 있다. 이때, 비교 결과는 사용자의 표면 신체 데이터 및 정상 신체 데이터를 비교한 것에 대한 결과를 의미할 수 있다.
S208 단계에서, 장치(30)는 이상 부위가 존재하는 경우, 이상 부위의 이상 점수를 생성할 수 있다.
장치(30)는 사용자의 표면 신체 데이터로부터 사용자의 신체 부위 별 대칭 정도를 산출하거나, 사용자의 표면 신체 데이터와 정상 신체 데이터를 비교할 수 있다. 이때, 장치(30)는 신체 부위 별 대칭 정도가 클수록 이상 점수를 높게 생성하거나, 사용자의 표면 신체 데이터와 정상 신체 데이터를 비교하여, 사용자의 표면 신체 데이터와 정상 신체 데이터의 차이가 클수록 이상 점수를 높게 생성할 수 있으나, 이상 점수를 생성하는 방법은 이에 한정되지 않는다.
S209 단계에서, 장치(30)는 이상 점수로부터 사용자의 교정 필요 여부를 판단할 수 있다. 이때, 사용자의 교정 필요 여부를 판단하는 과정에 대한 설명은 도 4를 참조하여 후술하기로 한다.
S210 단계에서, 장치(30)는 사용자가 교정이 필요한 경우, 교정 제품 정보를 생성할 수 있다. 이때, 교정 제품 정보를 생성하는 과정에 대한 설명은 도 5를 참조하여 후술하기로 한다.
이때, 교정 제품 정보는 교정 제품뿐만 아니라 교정을 위한 자세 교정 방법, 운동법, 재활 운동법 및 추천 식재료 등을 더 포함할 수 있다.
S211 단계에서, 장치(30)는 교정 제품 정보를 포함하는 맞춤형 제품 추천 메시지를 사용자의 사용자 단말(10)로 전송할 수 있다.
도 3은 일실시예에 따른 사용자의 이상 부위가 있는지 판별하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저 S301 단계에서, 장치(30)는 사용자의 표면 신체 데이터로부터 사용자의 신체 부위 별 대칭 정도를 산출할 수 있다.
여기서, 신체 부위는, 예를 들면 두상, 귀, 눈, 가슴, 어깨, 무릎 등을 포함할 수 있다.
예를 들어, 장치(30)는 사용자의 두상에 관련하여 대칭 정도를 산출할 수 있다.
일반적으로, 인간의 보통의 신체는 내부 장기를 제외한 외적으로는 대칭을 이루도록 구조를 이루고 있다. 따라서, 장치(30)는 사용자의 신체 부위 별 대칭 정도를 이용하여 사용자의 신체 부위에 이상 부위가 있는지 판별할 수 있다.
S302 단계에서, 장치(30)는 대칭 정도와 미리 설정된 기준 정도를 비교할 수 있다. 이때, 기준 정도는 실시예에 따라 상이하게 설정될 수 있다.
S303 단계에서, 장치(30)는 대칭 정도가 기준 정도보다 작은 경우, 사용자의 이상 부위가 없는 것으로 판단할 수 있다.
S304 단계에서, 장치(30)는 대칭 정도가 기준 정도보다 큰 것으로 해당하는 사용자의 신체 부위를 이상 후보 부위로 설정할 수 있다.
S305 단계에서, 장치(30)는 이상 후보 부위에 대하여 사용자의 표면 신체 데이터와 정상 신체 데이터를 비교하여 이상 부위를 판별할 수 있다. 즉, 장치(30)는 대칭 정도가 기준 정도보다 크면서, 사용자의 표면 신체 데이터와 정상 신체 데이터를 비교한 결과에 따라 사용자의 신체 부위를 이상 부위로 판별할 수 있다.
도 4는 일실시예에 따른 교정 필요 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저 S401 단계에서, 장치(30)는 이상 점수와 미리 설정된 기준 점수를 비교할 수 있다. 이때, 기준 점수는 실시예에 따라 상이하게 설정될 수 있다.
S402 단계에서, 이상 점수가 기준 점수보다 낮은 경우, S403 단계에서, 장치(30)는 사용자의 이상 부위에 대하여 교정 추천 메시지를 사용자 단말(10)로 전송할 수 있다.
여기서, 교정 추천 메시지는 이상 부위와 관련된 건강 정보를 검색한 결과를 포함할 수 있다. 예를 들어, 장치(30)는 블로그, SNS 등을 포함하는 웹사이트에서 이상 부위를 검색하고, 이상 부위에 대한 자세 교정 방법, 운동법 및 추천 식재료 등을 포함하는 건강 정보를 사용자 단말(10)로 전송할 수 있다.
S402 단계에서, 이상 점수가 기준 점수보다 높은 경우, S404 단계에서, 장치(30)는 사용자의 이상 부위에 대하여 교정 필요 메시지를 사용자 단말(10)로 전송할 수 있다.
도 5는 일실시예에 따른 교정 제품 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저 S501 단계에서, 장치(30)는 정상 신체 데이터로부터 이상 부위의 평균 크기에 해당하는 정상 부위 크기를 산출할 수 있다.
예를 들어, 이상 부위가 두상인 경우, 장치(30)는 정상 신체 데이터로부터 두상의 정상 크기에 해당하는 정상 부위 크기를 산출할 수 있다. 이때, 정상 부위 크기는 정상 크기에 해당하는 크기의 특정한 값을 의미할 수도 있으며, 정상 크기에 해당하는 범위를 의미할 수도 있다.
S502 단계에서, 장치(30)는 대칭 정도, 이상 점수 및 정상 부위 크기를 이용하여, 제1 입력 신호를 생성할 수 있다. 제1 입력 신호는 대칭 정도에 대응하는 제1 값, 이상 점수에 대응하는 제2 값, 정상 부위 크기에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.
S503 단계에서, 장치(30)는 제1 입력 신호를 제1 인공신경망(100)에 적용하여, 제1 출력 신호를 생성할 수 있다. 제1 인공신경망(100)에 대한 설명은 도 6을 참조하여 후술하기로 한다.
S504 단계에서, 장치(30)는 제1 출력 신호에 기초하여, 교정 제품의 크기 조건을 생성할 수 있다.
S505 단계에서, 장치(30)는 사용자 정보로부터 평균 무게 정보를 생성할 수 있다. 이때, 평균 무게 정보는 사용자의 나이에 대한 교정 제품의 무게의 평균에 해당하는 값을 의미할 수 있다.
S506 단계에서, 장치(30)는 사용자의 나이 및 평균 무게 정보를 제2 인공신경망(200)에 적용할 수 있다. 제2 인공신경망(200)에 대한 자세한 설명은 도 7을 참조하여 후술하기로 한다.
S507 단계에서, 장치(30)는 교정 제품의 무게 조건을 생성할 수 있다.
S508 단계에서, 장치(30)는 사용자 정보로부터 환경 정보를 획득할 수 있다. 이때, 환경 정보는 사용자의 주소에 대응되는 지역의 온도 정보, 습도 정보 및 계절 정보 중 어느 하나를 포함하는 정보를 의미할 수 있다.
S509 단계에서, 장치(30)는 환경 정보로부터 환경 지수를 생성할 수 있다.
예를 들어, 장치(30)는 특정 지역의 온도가 높을수록, 습도가 높을수록 환경 지수를 높게 설정할 수 있다.
S510 단계에서, 장치(30)는 환경 지수 및 이상 점수에 대응하는 소재를 추출할 수 있다. 일실시예에 따르면, 장치(30)는 환경 지수 및 이상 점수를 미리 설정된 소재 지표에 적용하여, 환경 지수 및 이상 점수에 대응하는 소재를 추출할 수 있다.
S511 단계에서, 장치(30)는 교정 제품의 소재 조건을 생성할 수 있다. 즉, 장치(30)는 추출된 소재를 소재 조건으로 설정할 수 있다.
S512 단계에서, 장치(30)는 크기 조건, 무게 조건 및 소재 조건을 이용하여 사용자에 대한 교정 제품 조건을 생성할 수 있다.
S513 단계에서, 장치(30)는 교정 제품 데이터베이스로부터 교정 제품 조건을 만족하는 교정 제품을 추출하여 교정 제품 정보를 생성할 수 있다.
도 6은 일실시예에 따른 제1 인공신경망(100)을 설명하기 위한 도면이다.
도 6을 참조하면, 장치(30)는 사용자의 교정 제품 정보의 크기 조건을 제1 인공신경망(100)을 통해 생성할 수 있다.
장치(30)는 대칭 정도, 이상 점수 및 정상 부위 크기에 기초하여, 제1 입력 신호를 생성할 수 있다. 여기서, 제1 입력 신호는 대칭 정도에 대응하는 제1 값, 이상 점수에 대응하는 제2 값, 정상 부위 크기에 대응하는 제3 값을 포함할 수 있다. 제1 인공신경망(100)의 제1 입력 레이어(110)는 제1 값, 제2 값 및 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.
장치(30)는 제1 입력 신호를 제1 인공신경망(100)에 적용하여 제1 출력 신호를 생성할 수 있다. 제1 인공신경망(100)의 제1 출력 레이어(120)는 출력 값을 생성하는 출력 노드를 포함할 수 있다.
장치(30)는 제1 출력 신호에 기초하여 교정 제품의 크기 조건을 생성할 수 있다.
도 7은 일실시예에 따른 제2 인공신경망(200)을 설명하기 위한 도면이다.
장치(30)는 사용자 정보로부터 사용자의 나이에 대한 교정 제품의 무게의 평균에 해당하는 평균 무게 정보를 생성할 수 있다.
장치(30)는 사용자의 나이 및 평균 무게 정보에 기초하여, 제2 입력 신호를 생성할 수 있다. 제2 인공신경망(200)의 제2 입력 레이어(210)은 사용자의 나이 및 평균 무게 정보에 각각 적용되는 입력 노드들을 포함할 수 있다.
장치(30)는 제2 입력 신호를 제2 인공신경망(200)에 적용하여 제2 출력 신호를 생성할 수 있다. 제2 인공신경망(200)의 제2 입력 레이어(220)는 출력 값을 생성하는 노드를 포함할 수 있다.
장치(30)는 제2 출력 신호에 기초하여 교정 제품의 무게 조건을 생성할 수 있다.
도 8은 일실시예에 따른 교정 강도를 조절하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저 S801 단계에서, 장치(30)는 정상 신체 데이터를 이용하여, 미리 설정된 기간이 지난 후인 제1 시점에서 사용자의 3D 신체 모델을 예측할 수 있다. 이때, 기간은 실시예에 따라 상이하게 설정될 수 있다.
장치(30)는 미리 설정된 기간 동안 사용자의 이상 부위에 대하여 대칭되면서도 정상 신체 데이터에 대한 정상 신체 부위에 대한 비율을 유지하면서 성장하도록 교정 강도를 조절할 수 있다.
S802 단계에서, 장치(30)는 현재 사용자의 3D 신체 모델과 제1 시점의 3D 신체 모델을 이용하여, 미리 설정된 기간 동안의 성장 예측 정보를 생성할 수 있다. 이때, 성장 예측 정보는 이상 부위에 대하여 이상 부위의 크기, 무게, 모양 등에 대하여 예측된 변화도에 대한 정보를 의미할 수 있다.
S803 단계에서, 장치(30)는 제1 시점에서 촬영된 신체 영상 정보를 통해 사용자의 3D 신체 모델을 생성할 수 있다. 즉, 장치(30)는 제1 시점에 사용자의 신체 외관을 촬영하여 신체 영상 정보를 획득하고, 신체 영상 정보를 이용하여 제1 시점에서 사용자의 3D 신체 모델을 생성할 수 있다.
S804 단계에서, 장치(30)는 제1 시점에 생성된 3D 신체 모델 및 성장 예측 정보를 비교하여, 사용자의 교정 상태에 따른 변화를 분석할 수 있다.
S805 단계에서, 장치(30)는 분석 결과에 기초하여, 사용자의 교정 상태에 따른 변화도와 미리 설정된 제1 기준 정도를 비교할 수 있다. 이때, 제1 기준 정도는 실시예에 따라 상이하게 설정될 수 있다.
S806 단계에서, 장치(30)는 변화도가 제1 기준 정도 이상인 경우, 사용자 단말(10)에 교정 강도를 줄일 것을 추천하는 메시지를 전송할 수 있다.
S807 단계에서, 장치(30)는 변화도가제1 기준 정도 이하인 경우, 변화도와 미리 설정된 제2 기준 정도를 비교할 수 있다. 이때, 제2 기준 정도는 실시예에 따라 상이하게 설정될 수 있다.
S808 단계에서, 장치(30)는 변화도가 제2 기준 정도 이상인 경우, 사용자 단말(10)에 교정 강도를 유지할 것을 추천하는 메시지를 전송할 수 있다.
S809 단계에서, 장치(30)는 변화도가 제2 기준 정도 미만인 경우, 사용자 단말(10)에 교정 강도를 늘릴 것을 추천하는 메시지를 전송할 수 있다.
도 9는 일실시예에 따른 교정 제품 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저 S901 단계에서, 장치(30)는 사용자 단말(10)로부터 지출 비용 정보를 획득할 수 있다. 여기서, 지출 비용 정보는 교정 제품에 대하여 지출 가능한 비용에 대한 정보를 의미할 수 있다.
S902 단계에서, 장치(30)는 지출 비용 정보로부터 교정 제품의 가격 조건을 생성할 수 있다.
S903 단계에서, 장치(30)는 교정 제품 데이터베이스로부터 가격 조건 및 교정 제품 조건을 만족하는 교정 제품을 추출하여, 우선 순위 제품 추천 리스트를 생성할 수 있다.
구체적으로, 장치(30)는 교정 제품에 대한 가격, 크기, 무게, 소재, 제품명, 품번, 제조사, 착용 권장 연령 등의 정보를 교정 제품 데이터베이스에 저장할 수 있으며, 교정 제품 데이터베이스로부터 가격 조건 및 교정 제품 조건을 만족하는 교정 제품을 추출할 수 있다.
S904 단계에서, 장치(30)는 교정 제품 데이터베이스로부터 차순위 제품 추천 리스트를 생성할 수 있다.
구체적으로, 장치(30)는 교정 제품 데이터베이스로부터 가격 조건 및 교정 제품 조건 중 2개 이상의 조건을 만족하는 교정 제품을 추출하고, 추출된 교정 제품으로 차순위 제품 추천 리스트를 생성할 수 있다.
S905 단계에서, 장치(30)는 우선 순위 제품 추천 리스트 및 차순위 제품 추천 리스트를 가격에 따라 정렬하여 교정 제품 정보를 생성할 수 있다.
도 10은 일실시예에 따른 교정 제품 정보의 추천 정도를 생성하는 과정을 설명하기 위한 순서도이다.
도 10을 참조하면, 먼저 S1001 단계에서, 장치(30)는 사용자가 교정 제품을 착용을 시작한 시점인 제1 시점에서의 이상 부위의 표면 신체 데이터를 획득할 수 있다.
S1002 단계에서, 장치(30)는 제2 시점에서의 이상 부위의 표면 신체 데이터를 획득할 수 있다.
여기서, 제2 시점은 제1 시점에서부터 미리 설정된 제1 기간 동안이 지난 시점을 의미할 수 있으며, 이때, 제1 기간은 실시예에 따라 상이하게 설정될 수 있다.
S1003 단계에서, 장치(30)는 제1 시점의 표면 신체 데이터 및 제2 시점의 표면 신체 데이터를 비교를 비교할 수 있다.
예를 들어, 제1 시점이 2월 1일이고, 제1 기간이 6개월이고, 제2 시점이 8월 1일인 경우, 장치(30)는 2월 1일의 표면 신체 데이터와 8월 1일의 표면 신체 데이터를 비교할 수 있다. 즉, 장치(30)는 제1 기간인 6개월 동안의 표면 신체 데이터가 얼마나 변화하였는지에 대하여 분석할 수 있다.
S1004 단계에서, 장치(30)는 비교 결과에 기반하여, 이상 부위의 교정 정도를 산출할 수 있다. 즉, 장치(30)는 제1 시점의 표면 신체 데이터 및 제2 시점의 표면 신체 데이터를 비교하여 교정 제품을 착용하고 나서 제1 기간 지난 후 사용자의 표면 신체 데이터가 얼만큼 변화하였는지에 대하여 분석하여 이상 부위의 교정 정도를 산출할 수 있다.
S1005 단계에서, 장치(30)는 교정 정도와 미리 설정된 제1 기준치를 비교할 수 있다. 이때, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S1006 단계에서, 교정 정도가 제1 기준치보다 낮은 경우, 장치(30)는 제1 가중치를 생성하고, 생성된 제1 가중치를 교정 정도에 적용하여 교정 제품의 교정 기여도를 생성할 수 있다.
예를 들어, 교정 정도가 10이고, 제1 기준치가 15로 설정된 경우, 장치(30)는 제1 가중치를 0.8로 설정할 수 있다. 장치(30)는 제1 가중치를 교정 정도에 적용하여 교정 제품의 교정 기여도를 8로 생성할 수 있다.
S1007 단계에서, 교정 정도가 제1 기준치보다 높은 경우, 장치(30)는 교정 정도와 미리 설정된 제2 기준치를 비교할 수 있다. 이때, 제2 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S1008 단계에서, 교정 정도가 제2 기준치보다 낮은 경우, 장치(30)는 제1 가중치보다 높은 제2 가중치를 생성하고, 생성된 제2 가중치를 교정 정도에 적용하여 교정 제품의 교정 기여도를 생성할 수 있다.
예를 들어, 교정 정도가 20이고, 제2 기준치가 40으로 설정된 경우, 장치(30)는 제2 가중치를 1.2로 설정할 수 있다. 장치(30)는 제2 가중치를 교정 정도에 적용하여 교정 제품의 교정 기여도를 48로 생성할 수 있다.
S1009 단계에서, 교정 정도가 제2 기준치보다 높은 경우, 장치(30)는 제2 가중치보다 높은 제3 가중치를 생성하고, 생성된 제2 가중치를 교정 정도에 적용하여 교정 제품의 교정 기여도를 생성할 수 있다.
예를 들어, 교정 정도가 50이고, 제2 기준치가 40으로 설정된 경우, 장치(30)는 제3 가중치를 1.4로 설정할 수 있다. 장치(30)는 제3 가중치를 교정 정도에 적용하여 교정 제품의 교정 기여도를 56으로 생성할 수 있다.
S1010 단계에서, 장치(30)는 교정 제품의 교정 기여도에 비례하여 교정 제품의 추천 정도를 생성할 수 있다.
즉, 장치(30)는 교정 제품의 교정 기여도가 높을수록, 교정 제품의 추천 정도를 높게 생성할 수 있으며, 교정 제품의 교정 기여도가 낮을수록, 교정 제품의 추천 정도를 낮게 생성할 수 있다.
S1011 단계에서, 장치(30)는 교정 제품의 교정 기여도에 반비례하여 추천 교정 강도를 생성할 수 있다.
즉, 장치(30)는 교정 제품의 교정 기여도가 높을수록, 추천 교정 강도를 낮게 생성할 수 있으며, 교정 제품의 교정 기여도가 낮을수록, 교정 제품의 추천 교정 강도를 높게 생성할 수 있다. 따라서, 장치(30)는 교정 제품의 사용을 시작한 시점부터 제1 기간이 지난 후 이상 부위의 교정 정도가 높을수록, 추천 교정 강도를 낮게 생성할 수 있으며, 이상 부위의 교정 정도가 낮을수록, 추천 교정 강도를 높게 생성할 수 있다. 이에 따라, 장치(30)는 사용자의 이상 부위의 교정 정도에 따라 추천 교정 강도를 생성할 수 있다.
S1012 단계에서, 장치(30)는 기 등록된 교정 제품들 중에서 추천 교정 강도에 대응하는 교정 제품을 추출하여, 사용자 단말(10)로 안내 메시지를 전송할 수 있다.
장치(30)의 데이터베이스에는 교정 제품 및 교정 제품에 대응하는 교정 강도가 미리 저장되어 있을 수 있으며, 장치(30)는 추천 교정 강도에 대응하는 교정 제품을 데이터 베이스로부터 추출할 수 있다.
장치(30)는 추출된 교정 제품으로 교정 제품을 바꿀 것을 권유하는 안내 메시지를 사용자 단말(10)로 전송할 수 있다.
도 11은 일실시예에 따른 사용자의 3D 신체 모델을 생성하는 과정을 설명하기 위한 순서도이다.
도 11을 참조하면, 먼저 S1101 단계에서, 장치(30)는 사용자의 3D 신체 모델을 구현하기 위한 가상의 인체의 표준 신체 데이터를 포함하는 표준 3D 신체 모델을 획득할 수 있다.
장치(30)는 인체의 표준 신체 데이터를 기초로 인체의 표준 3D 모델링 데이터를 생성할 수 있다.
장치(30)는 미리 설정된 표준 신체 데이터에 따른 표준 신체 데이터베이스로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 정상 신체 데이터를 기초로, 3D 모델링 작업을 수행할 수 있다.
장치(30)는 성별, 나이, 키, 몸무게 중 적어도 하나에 따른 표준 신체 데이터를 획득하고, 해당 표준 신체 데이터에 따른 인체의 3D 모델링 정보를 생성할 수 있다.
S1102 단계에서, 장치(30)는 복수의 사용자의 신체 외관을 촬영한 신체 영상 정보를 획득할 수 있다.
S1103 단계에서, 장치(30)는 복수의 사용자의 이름, 연락처, 주소, 성별, 나이, 키, 몸무게, 부모의 나이 및 부모의 신체 수치 중 적어도 어느 하나를 포함하는 사용자 정보를 획득할 수 있다.
S1104 단계에서, 장치(30)는 복수의 사용자의 신체 영상 정보로부터 신체 수치 데이터를 획득할 수 있다.
S1105 단계에서, 장치(30)는 신체 수치 데이터와 표준 신체 데이터의 차이값을 산출할 수 있다.
S1106 단계에서, 장치(30)는 차이값이 미리 정의된 기준 범위에 벗어나는 것에 해당되는 신체 수치 데이터를 교정 신체 수치 데이터로서 추출할 수 있다.
S1107 단계에서, 장치(30)는 교정 신체 수치 데이터 및 표준 신체 데이터를 이용하여 표준 3D 신체 모델을 교정하여 사용자의 3D 신체 모델을 생성할 수 있다.
도 12는 일실시예에 따른 제1 시점의 영상 이미지에서 출연자를 삭제하는 과정을 설명하기 위한 순서도이고, 도 13은 일실시예에 따른 출연자가 있는 영역이 다른 이미지로 교체된 제1-1 이미지를 설명하기 위한 도면이다.
도 12를 참조하면, 먼저 S1201 단계에서, 장치(30)는 교정 제품의 사용 설명 정보를 표시한 설명 콘텐츠의 마지막 시점인 제1 시점의 영상 이미지를 제1 이미지로 추출할 수 있다. 즉, 장치(30)는 설명 콘텐츠에서 제1 시점의 영상을 캡처하여, 캡처한 이미지를 제1 이미지로 추출할 수 있다.
S1202 단계에서, 장치(30)는 제1 이미지에서 제1 영역이 있는 부분을 분할하여 제1-1 이미지를 추출할 수 있다. 장치(30)는 제1 이미지에서 배경이 차지하고 있는 영역을 제1 영역으로 구분할 수 있다.
S1203 단계에서, 장치(30)는 제1-1 이미지에 출연자가 있는 것으로 인식되는지 여부를 확인할 수 있다. 즉, 장치(30)는 제1-1 이미지 상에서 배경 이외에 사람 형태의 객체가 인식되는지 여부를 확인하여, 지1-1 이미지에 출연자가 있는지 여부를 확인할 수 있다.
이때, 출연자는 교정 제품의 사용 설명 정보를 표시하기 위해 생성된 설명 콘텐츠에서 교정 제품의 사용 설명 정보를 설명하는 인물을 의미할 수 있으나, 이에 한정되지는 않는다.
S1203 단계에서 제1-1 이미지에 출연자가 있는 것으로 확인되면, S1204 단계에서, 장치(30)는 제1-1 이미지에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분할 수 있다. 이때, 장치(30)는 제1 이미지에서 제1 영역을 구분하는 방식과 동일한 방식을 통해, 제1-1 이미지에서 제2 영역을 구분할 수 있다.
S1205 단계에서, 장치(30)는 설명 콘텐츠를 제1 시점으로부터 시간상 역순으로 재생하여 분석할 수 있다. 이때, 설명 콘텐츠가 시간상 역순으로 재생되어 분석되기 때문에, 출연자가 이동한 동선에 대해 역으로 움직이게 된다. 즉, 설명 콘텐츠가 역재생되면, 출연자가 반대로 움직이게 된다
S1206 단계에서, 장치(30)는 설명 콘텐츠를 제1 시점으로부터 시간상 역순으로 재생하여 분석한 결과, 제1-1 시점에 제2 영역 내에 출연자가 없는 것을 확인할 수 있다.
즉, 설명 콘텐츠는 제1-1 시점 및 제1 시점 순으로 재생되는데, 장치(30)는 설명 콘텐츠를 제1 시점으로부터 시간상 역순으로 재생하여 제2 영역 내에 있는 출연자가 역으로 움직이는 것을 모니터링 할 수 있으며, 제2 영역 내에 있는 출연자가 제2 영역을 벗어난 것으로 확인되는 시점을 제1-1 시점으로 설정할 수 있다.
S1207 단계에서, 장치(30)는 설명 콘텐츠에서 제1-1 시점의 영상 이미지를 제2 이미지로 추출할 수 있다. 즉, 장치(30)는 설명 콘텐츠에서 제1-1 시점의 영상을 캡처하여, 캡처한 이미지를 제2 이미지로 추출할 수 있다.
S1208 단계에서, 장치(30)는 제2 이미지에서 제2 영역이 있는 부분을 분할하여 제2-1 이미지를 추출할 수 있다.
S1209 단계에서, 장치(30)는 제1-1 이미지에서 제2 영역이 있는 부분을 제2-1 이미지로 교체할 수 있다.
즉, 도 13의 (a)에 도시된 바와 같이, 장치(30)는 제1-1 이미지(700)에 출연자가 있는 것을 확인할 수 있으며, 제1-1 이미지(700)에서 출연자가 차지하고 있는 영역을 제2 영역으로 구분할 수 있다. 이때, 장치(30)는 제2 영역이 사각형의 형태로 구분되도록, 제2 영역을 설정할 수 있다.
이후, 장치(30)는 제1-1 이미지에서 제2 영역이 있는 부분을 삭제하고, 삭제된 위치에 제2-1 이미지를 삽입하여, 제1-1 이미지와 제2-1 이미지가 결합된 제1-1 이미지를 생성할 수 있다. 즉, 제1-1 이미지에서 제2 영역이 있는 부분이 제2-1 이미지로 교체되어, 제1-1 이미지에 있었던 출연자가 삭제되고, 삭제된 자리에 배경이 추가되어, 제1-1 이미지에서는 더 이상 출연자가 인식되지 않을 수 있다.
도 14는 일실시예에 따른 장치(30)의 구성의 예시도이다.
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 11을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 11을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 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 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)
- 장치에 의해 수행되는 방법에 있어서,
사용자의 신체 외관을 촬영한 신체 영상 정보를 획득하는 단계;
상기 신체 영상 정보를 이용하여 상기 사용자의 3D 신체 모델을 생성하는 단계;
상기 사용자의 이름, 연락처, 주소, 성별, 나이, 키, 몸무게 중 적어도 어느 하나를 포함하는 사용자 정보를 획득하는 단계;
상기 사용자의 3D 신체 모델로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 표면 신체 데이터를 추출하는 단계;
미리 설정된 표준 신체 데이터에 따른 표준 신체 데이터베이스로부터 신체 부위 별 크기, 길이, 부피 및 각도 중 적어도 어느 하나를 포함하는 정상 신체 데이터를 추출하는 단계;
상기 사용자의 표면 신체 데이터 및 상기 정상 신체 데이터를 비교하는 단계;
상기 비교 결과에 기반하여, 상기 사용자의 이상 부위가 있는지 판별하는 단계;
상기 이상 부위가 존재하는 경우, 상기 이상 부위의 이상 점수를 생성하는 단계;
상기 이상 점수로부터 상기 사용자의 교정 필요 여부를 판단하는 단계;
상기 사용자가 교정이 필요한 경우, 교정 제품 정보를 생성하는 단계; 및
상기 교정 제품 정보를 포함하는 맞춤형 제품 추천 메시지를 상기 사용자의 사용자 단말로 전송하는 단계
를 포함하고,
상기 사용자의 이상 부위가 있는지 판별하는 단계는,
상기 사용자의 표면 신체 데이터로부터 상기 사용자의 신체 부위 별 대칭 정도를 산출하는 단계;
상기 대칭 정도와 미리 설정된 기준 정도를 비교하는 단계;
상기 대칭 정도가 상기 기준 정도보다 작은 경우, 상기 사용자의 이상 부위가 없는 것으로 판단하는 단계;
상기 대칭 정도가 상기 기준 정도보다 큰 것으로 해당하는 사용자의 신체 부위를 이상 후보 부위로 설정하는 단계; 및
상기 이상 후보 부위에 대하여 상기 사용자의 표면 신체 데이터와 상기 정상 신체 데이터를 비교하여 상기 이상 부위를 판별하는 단계
를 포함하고,
상기 사용자의 교정 필요 여부를 판단하는 단계는,
상기 이상 점수와 미리 설정된 기준 점수를 비교하는 단계;
상기 이상 점수가 상기 기준 점수보다 낮은 경우, 상기 사용자의 이상 부위에 대하여 교정 추천 메시지를 상기 사용자 단말로 전송하는 단계; 및
상기 이상 점수가 상기 기준 점수보다 높은 경우, 상기 사용자의 이상 부위에 대하여 교정 필요 메시지를 상기 사용자 단말로 전송하는 단계
를 포함하고,
상기 교정 추천 메시지는, 상기 이상 부위와 관련된 건강 정보를 검색한 결과를 포함하고,
상기 교정 제품 정보를 생성하는 단계는,
상기 정상 신체 데이터로부터 상기 이상 부위에 해당하는 정상 부위 크기를 산출하는 단계;
상기 대칭 정도, 상기 이상 점수 및 상기 정상 부위 크기를 이용하여, 상기 대칭 정도에 대응하는 제1 값, 상기 이상 점수에 대응하는 제2 값, 상기 정상 부위 크기에 대응하는 제3 값에 각각 적용되는 입력 노드들을 포함하는 제1 입력 신호를 생성하는 단계;
상기 제1 입력 신호를 제1 인공신경망에 적용하여, 제1 출력 신호를 생성하는 단계;
상기 제1 출력 신호에 기초하여, 교정 제품의 크기 조건을 생성하는 단계;
상기 사용자 정보로부터 상기 사용자의 나이에 대한 교정 제품의 무게의 평균에 해당하는 평균 무게 정보를 생성하는 단계;
상기 사용자의 나이 및 상기 평균 무게 정보를 제2 인공신경망에 적용하여, 상기 교정 제품의 무게 조건을 생성하는 단계;
상기 사용자 정보로부터 상기 사용자의 주소에 대응되는 지역의 온도 정보, 습도 정보 및 계절 정보 중 어느 하나를 포함하는 환경 정보를 획득하는 단계;
상기 환경 정보로부터 환경 지수를 생성하는 단계;
상기 환경 지수 및 상기 이상 점수를 미리 설정된 소재 지표에 적용하여 상기 환경 지수 및 상기 이상 점수에 대응하는 소재를 추출하고, 상기 추출된 소재를 소재 조건으로 설정하는 단계;
상기 크기 조건, 상기 무게 조건 및 상기 소재 조건을 이용하여 상기 사용자에 대한 교정 제품 조건을 생성하는 단계; 및
교정 제품 데이터베이스로부터 상기 교정 제품 조건을 만족하는 교정 제품을 추출하여 상기 교정 제품 정보를 생성하는 단계
를 포함하고,
상기 교정 제품 정보의 추천 정도를 생성하는 단계를 더 포함하고,
상기 교정 제품 정보의 추천 정도를 생성하는 단계는,
상기 사용자가 교정 제품의 사용을 시작한 시점인 제1 시점에서의 상기 이상 부위의 표면 신체 데이터를 획득하는 단계;
상기 제1 시점에서부터 미리 설정된 제1 기간 동안이 지난 시점인 제2 시점에서의 상기 이상 부위의 표면 신체 데이터를 획득하는 단계;
상기 제1 시점의 표면 신체 데이터 및 상기 제2 시점의 표면 신체 데이터를 비교하는 단계;
상기 비교 결과에 기반하여, 상기 이상 부위의 교정 정도를 산출하는 단계;
상기 교정 정도와 미리 설정된 제1 기준치를 비교하는 단계;
상기 교정 정도가 상기 제1 기준치보다 낮은 경우, 제1 가중치를 생성하고, 상기 생성된 제1 가중치를 상기 교정 정도에 적용하여 상기 교정 제품의 교정 기여도를 생성하는 단계;
상기 교정 정도가 상기 제1 기준치보다 높은 경우, 상기 교정 정도와 미리 설정된 제2 기준치를 비교하는 단계;
상기 교정 정도가 상기 제2 기준치보다 낮은 경우, 상기 제1 가중치보다 높은 제2 가중치를 생성하고, 상기 생성된 제2 가중치를 상기 교정 정도에 적용하여 상기 교정 제품의 교정 기여도를 생성하는 단계;
상기 교정 정도가 상기 제2 기준치보다 높은 경우, 상기 제2 가중치보다 높은 제3 가중치를 생성하고, 상기 생성된 제2 가중치를 상기 교정 정도에 적용하여 상기 교정 제품의 교정 기여도를 생성하는 단계;
상기 교정 제품의 교정 기여도에 비례하여 상기 교정 제품의 추천 정도를 생성하는 단계;
상기 교정 제품의 교정 기여도에 반비례하여 추천 교정 강도를 생성하는 단계;
기 등록된 교정 제품들 중에서 상기 추천 교정 강도에 대응하는 교정 제품을 추출하는 단계; 및
상기 추출된 교정 제품으로 교정 제품을 바꿀 것을 권유하는 안내 메시지를 상기 사용자 단말로 전송하는 단계
를 포함하는
3D 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220123900A KR102490320B1 (ko) | 2022-09-29 | 2022-09-29 | 3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220123900A KR102490320B1 (ko) | 2022-09-29 | 2022-09-29 | 3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102490320B1 true KR102490320B1 (ko) | 2023-01-20 |
Family
ID=85108629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220123900A KR102490320B1 (ko) | 2022-09-29 | 2022-09-29 | 3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102490320B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130109419A (ko) | 2012-03-27 | 2013-10-08 | 한국과학기술정보연구원 | 맞춤형 보철물의 설계 시스템 및 방법, 그 기록 매체 |
| KR20190005016A (ko) | 2017-07-05 | 2019-01-15 | 주식회사 지오클라비스 | 맞춤형 두상 교정모 가공 방법 |
| KR101959079B1 (ko) * | 2018-10-08 | 2019-03-18 | 주식회사 마이베네핏 | 신체 측정 및 평가 방법 |
| KR20190050352A (ko) | 2017-11-03 | 2019-05-13 | 울산대학교 산학협력단 | 보형물 제작용의 3d 모델 생성 방법 및 그 장치 |
| KR102355799B1 (ko) | 2019-03-29 | 2022-01-26 | (주)리얼디멘션 | 소아 두상 교정 시스템 |
| KR102379385B1 (ko) * | 2021-06-11 | 2022-03-28 | 원남메디칼 (주) | 3d 체형 모델 기초의 자동 취형 시스템 및 그에 의한 척추측만증 보조기의 제조 방법 |
| KR20220040965A (ko) * | 2020-09-24 | 2022-03-31 | 주식회사 나인투식스 | 사진 촬영을 이용한 발 건강 맞춤형 인솔 정보 제공 시스템 |
| KR20220082851A (ko) * | 2019-09-24 | 2022-06-17 | 조르텍 | 맞춤형 밑창의 디자인을 위한 개인화된 밑창 파라미터 값을 계산하기 위한 방법 및 시스템 |
-
2022
- 2022-09-29 KR KR1020220123900A patent/KR102490320B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130109419A (ko) | 2012-03-27 | 2013-10-08 | 한국과학기술정보연구원 | 맞춤형 보철물의 설계 시스템 및 방법, 그 기록 매체 |
| KR20190005016A (ko) | 2017-07-05 | 2019-01-15 | 주식회사 지오클라비스 | 맞춤형 두상 교정모 가공 방법 |
| KR20190050352A (ko) | 2017-11-03 | 2019-05-13 | 울산대학교 산학협력단 | 보형물 제작용의 3d 모델 생성 방법 및 그 장치 |
| KR101959079B1 (ko) * | 2018-10-08 | 2019-03-18 | 주식회사 마이베네핏 | 신체 측정 및 평가 방법 |
| KR102355799B1 (ko) | 2019-03-29 | 2022-01-26 | (주)리얼디멘션 | 소아 두상 교정 시스템 |
| KR20220082851A (ko) * | 2019-09-24 | 2022-06-17 | 조르텍 | 맞춤형 밑창의 디자인을 위한 개인화된 밑창 파라미터 값을 계산하기 위한 방법 및 시스템 |
| KR20220040965A (ko) * | 2020-09-24 | 2022-03-31 | 주식회사 나인투식스 | 사진 촬영을 이용한 발 건강 맞춤형 인솔 정보 제공 시스템 |
| KR102379385B1 (ko) * | 2021-06-11 | 2022-03-28 | 원남메디칼 (주) | 3d 체형 모델 기초의 자동 취형 시스템 및 그에 의한 척추측만증 보조기의 제조 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102012676B1 (ko) | 콘텐츠 추천 방법, 장치 및 시스템 | |
| US11398223B2 (en) | Electronic device for modulating user voice using artificial intelligence model and control method thereof | |
| KR102404511B1 (ko) | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 | |
| JP2023501523A (ja) | 説明可能人工知能ベースの販売最大限化決定モデル | |
| KR102407595B1 (ko) | 메타버스 기반 와이너리 체험 서비스 제공 방법, 장치 및 시스템 | |
| KR102468827B1 (ko) | 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템 | |
| CN111651671B (zh) | 用户对象推荐方法、装置、计算机设备和存储介质 | |
| US10630827B2 (en) | Electronic device and control method thereof | |
| JP2016048417A (ja) | サービス提供システムおよびプログラム | |
| US20190250795A1 (en) | Contextual user profile photo selection | |
| KR20190029083A (ko) | 신경망 학습 방법 및 이를 적용한 장치 | |
| KR102628042B1 (ko) | 연락처 정보를 추천하는 방법 및 디바이스 | |
| JP6617263B2 (ja) | 学習支援システム | |
| JP6963778B2 (ja) | サービス提供システム及びプログラム | |
| KR20200039365A (ko) | 전자 장치 및 이의 제어 방법 | |
| KR102539679B1 (ko) | 사용자의 경로를 이용하여 사용자 맞춤형 장소 추천 방법, 장치 및 시스템 | |
| JP6562328B2 (ja) | 支援システム | |
| Ham et al. | Machine learning and dynamic user interfaces in a context aware nurse application environment | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
| KR102553041B1 (ko) | 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102490320B1 (ko) | 3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 | |
| KR102459775B1 (ko) | 인공지능 기반 영상 콘텐츠 제작을 위한 자동 편집 방법, 장치 및 시스템 | |
| Rincon et al. | Using emotions for the development of human-agent societies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |