KR102533010B1

KR102533010B1 - 인공지능 음식물 분쇄기 및 음식물 분쇄 방법

Info

Publication number: KR102533010B1
Application number: KR1020220131643A
Authority: KR
Inventors: 김원준; 최주희
Original assignee: 지성산업 주식회사
Priority date: 2022-07-26
Filing date: 2022-10-13
Publication date: 2023-05-16

Abstract

본 발명의 인공지능 음식물 분쇄기는 가정용 싱크대의 하부에 부착된 탈수조, 파쇄부 및 분쇄부로 구성된 음식물 분쇄기에 있어서, 인공지능 서버, 탈수조, 클라우드 서버, 파쇄부, 상기 파쇄부의 상측부 폼팩트부 내에 설치된 카메라 및 분쇄부로 구성되고; 상기 파쇄부에 상기 클라우드 서버가 연결되고; 상기 분쇄부에 인공지능 서버가 연결되고; 상기 인공지능 서버와 상기 클라우드 서버 간의 통신은 RS 232, 485 통신방식으로 연결되고; 상기 인공지능 서버는 인공지능 NPU, 메모리부, 카메라제어부, 스프레이제어부, 모터제어부, 개폐제어부, 파쇄제어부, 분쇄제어부, 신호부 및 스위치부를 포함하는 것을 특징으로 한다.
본 발명에 의하면, 인공지능 서버의 인공지능 NPU가 음식물쓰레기와 음식물쓰레기가 아닌 물질을 정확하게 구분하여 음식물쓰레기가 아닌 물질을 제거해 내고 음식물쓰레기만 파쇄, 분쇄 및 미생물분해를 하여 음식물쓰레기를 완전히 분해한 후에 전량 하수도로 흘려보낼 수 있는 효과가 있다.

Description

인공지능 음식물 분쇄기 및 음식물 분쇄 방법{Artificial Intelligence food and drink disintergrator and the Method of grinding food and drink}

본 발명은 인공지능 음식물 분쇄기 및 음식물 분쇄 방법에 관한 것이다.

더욱 상세하게는, 본 발명은 음식물쓰레기를 파쇄, 분쇄, 미생물분해 처리하기 위하여 음식물쓰레기와 음식물쓰레기가 아닌 물질을 학습시키기는 인공지능 딥러닝을 이용하여 음식물쓰레기 처리 후 음식물쓰레기가 아닌 물질을 제거하고 난 후 음식물쓰레기는 모두 전량 파쇄, 분쇄 및 미생물분해 처리되어 하수도로 배출시키는 인공지능 음식물 분쇄기 및 음식물 분쇄방법에 관한 것이다.

본 발명은 인공지능에 기반하여 음식물 분쇄기, 인공지능 서버, 클라우드 서버 및 이를 제어하는 방법에 관한 기술에 관한 것이다.

오늘날 대한민국 일반 가정에서 배출되는 음식물 쓰레기는 환경오염, 경제적 낭비, 위생적 문제 및 사회적 문제를 야기하고 있다.

환경오염 문제로, 4인 가족이 버리는 음식물쓰레기는 온실가스 774kG CO2e 배출, 소각 잔재 매립으로 토양오염, 지하수 오염 및 기구온난화의 원인이 된다.

대한민국에서 음식물 쓰레기 처리비용은 연간 8,000억 원 이상이고, 1년에 버려진 음식물 쓰레기 410만 톤(8톤 트럭 400대분)의 음식물 쓰레기 배출로 인한 경제적 손실은 연간 20조원(지자체 손실 4,000억원, 가정 손실 120만원)이라고 한다.

또한 대한민국에서 하루에 배출되는 음식물 쓰레기는 평균으로 15,000톤으로, 세균 번식, 악취발생 및 각종 질병 감염을 일으킬 수 있어서 위생 문제가 되고 있다.

음식물쓰레기는 수거 과정에서의 악취, 매립지 한정 및 침출수 문제가 심각하여 기존의 종량제 방식으로는 그 처리에 한계가 있다.

이에 각 가정의 싱크대 배수구에 설치되어 음식물쓰레기를 분쇄한 후, 이를 건조시켜 양을 줄인 다음 배출하거나 미생물로 분해한 후 하수구에 방류하는 음식물처리기가 다양한 형식으로 기술이 공개되고 있다.

기술의 발전에 따라, 인공 지능(AI: Artificial Intelligence)(이하, "인공지능"으로 통칭한다)을 갖춘 기기들이 널리 소개되고 있다. 특히 네트워크에 연결될 수 있도록 IoT(Internet of Things) 기술이 적용된 상업용 기기(commercial appliance)도 인공지능을 갖도록 구현된다.

본 발명의 배경기술로 본 출원인이 등록을 받은 대한민국 등록특허공보 제10-2302481호“자정기능을 갖춘 음식물처리기”(이하, “종래기술 1" 이라 한다)가 공개되어 있다. 도 1은 종래기술 1에 따른 음식물처리기 내부 단면도이다.

종래기술 1은 세라믹 볼과 세라믹 담체를 이용해 음식물쓰레기를 분쇄, 분해 처리하고 처리 후 음식물쓰레기 잔류물을 제거하는 자정기능을 갖춘 음식물처리기에 관한 것이다. 마개(2), 마개공(3), 외부케이스와, 상기 외부케이스 내부에 구비되는 내부케이스로 이루어지고, 상기 내부케이스는 상부케이스(4)와 하부케이스(5)로 이루어지는 케이스유닛; 상기 내부케이스에 회전 가능하게 구비되는 원통형의 드럼본체(1), 상기 드럼본체(1)의 원주면에 형성되는 다수의 통공, 드럼본체(1)의 내부에 구비되는 세라믹 볼(7), 드럼본체(1)를 회전시키는 구동모터, 및 드럼본체의 내주면에 돌출 형성되는 복수의 블레이드를 포함하는 드럼유닛; 상기 외부케이스에 구비되는 급수밸브를 포함하는 배관유닛; 상기 하부케이스의 바닥면에 구비되는 가열패드와, 상기 가열패드의 배면에 구비되는 히터를 포함하는 가열유닛; 상기 드럼본체 하단과 하부케이스의 바닥면 사이에 배치되는 받침판과, 상기 받침판의 상부에 놓여지는 세라믹 볼(7)을 포함한 분해유닛(6) 및 상기 통공을 막는 잔류물을 제거하는 천공수단과, 상기 급수밸브와 연결되며 드럼본체(1)나 내부케이스 내벽에 붙어있는 잔류물을 제거하는 분사노즐(8)을 포함하여 이루어지는 세척유닛으로 이루어지는 것을 특징으로 한다.

또한 대한민국 등록특허공보 제10-1800006호 “IOT 기술에 기반한 음식물쓰레기 처리장치”(이하, “종래기술 2” 라 한다)가 공개되어 있다. 종래기술 2는 음식물쓰레기가 투입되는 투입유닛; 상기 투입유닛과 연결되어 상기 투입유닛을 통해 투입된 음식물쓰레기를 분쇄하는 파쇄유닛; 상기 파쇄유닛에서 파쇄된 음식물쓰레기를 이송받아 자연건조, 열풍 등을 이용하여 건조시키는 건조유닛; 상기 건조유닛에 의해 건조된 음식물쓰레기를 수용하고 미생물을 이용하여 수용된 음식물쓰레기를 발효시키면서 분해하는 발효유닛; 상기 건조유닛과 발효유닛에 각각 연결되어 상기 건조유닛 및 발효유닛을 통한 음식물쓰레기의 건조 및 발효과정에서 발생하는 수분을 제거하는 제습유닛; 및 상기 투입유닛, 상기 파쇄유닛, 상기 건조유닛, 상기 발효유닛 및 상기 제습유닛에 IOT로 연결되어 상기 투입유닛, 상기 파쇄유닛, 상기 건조유닛, 상기 발효유닛 및 상기 제습유닛의 작동을 IOT에 기반하여 제어하는 컨트롤러를 포함하는 것을 특징으로 한다.

또한 대한민극 등록특허공보 제10-2276883호 “ＡＩ 기반 음성 주문 시스템 및 그 방법”(이하, “종래기술 3”이라 한다)이 공개되어 있다. 종래기술 3의 일실시 예에 따르면, 데이터베이스 관리부로부터 관리된 잔반별 양 데이터베이스에 기초하여 음식물을 식단 스케줄링하는, 식단 스케줄링부를 더 포함하고, 상기 식단 스케줄링부는, 열량 및 영양소 중에서 적어도 어느 하나를 고려하여 음식물을 식단 스케줄링하되, 상기 식단 스케줄링에서 제외된 음식물의 열량 및 영양소 중에서 적어도 어느 하나에 대응되는 열량 또는 영양소를 포함하는 대체 음식물 정보를 포함하는 알림 메시지를 제공할 수 있다.잔반 판별부는, 잔반의 종류를 판별하는 제1 차 검증 모드 및 제2 차 검증 모드를 수행하되, 상기 제1 차 검증 모드는, 상기 잔반의 종류를 기존의 데이터베이스 또는 인공지능(AI)을 사용하여 판별하는 모드이며, 상기 제2 차 검증 모드는, 상기 제1 차 검증 모드에서 상기 잔반의 종류 판별 결과가 미리 정해진 기준 이하로 불명확한 경우 수행되되, 당일 식단 스케줄링을 더 고려하여 판별하는 모드일 수 있다. 다른 실시 예에 따르면, 상기 음식물 쓰레기 분석 시스템은, 잔반이 카메라로 촬영되는 환경의 밝기를 조절하는 조명을 더 포함하되, 상기 잔반 판별부는, 상기 잔반의 이미지로부터 상기 잔반의 종류 또는 상기 잔반과 관련된 메뉴 판별이 불명확한 밝기인 것으로 판단하는 경우, 상기 조명으로부터 상기 잔반을 향하여 빛이 조사되도록 빛 조사 개시를 제어할 수 있다.

이와 같은 종래기술들은 인공지능 서버의 인공지능 NPU 통하여 음식물쓰레기와 음식물쓰레기가 아닌 물질을 구하 수단이 없으며, 클라우드 서버의 러닝 프로세서에 의한 학습시키는 방법도 없다.

대한민국 등록특허공보 제10-2302481호 대한민국 등록특허공보 제10-1800006호 대한민국 등록특허공보 제10-2276883호 대한민국 등록특허공보 제10-2111110호

본 발명은 종래기술들의 문제점을 해결하기 위하여 안출한 것으로, 본 발명의 목적은 음식물 쓰레기 대부분의 가정에서 발생되기 때문에 가정의 싱크대에 음식물 분쇄기를 설치하는 인공지능 음식물 분쇄기를 제공하는 데에 있다.

본 발명의 또 다른 목적은 음식물쓰레기를 파쇄, 분쇄, 미생물분해 처리하기 위하여 음식물쓰레기와 음식물쓰레기가 아닌 물질을 학습시키기는 인공지능(AI) 딥러닝을 이용한 인공지능 음식물 분쇄방법을 제공하는 데에 있다.

본 발명의 또 다른 목적은 음식물쓰레기 처리 후 음식물쓰레기가 아닌 물질을 제거하고 난 후 음식물쓰레기는 모두 전량 파쇄, 분쇄, 미생물분해 처리되어 하수도로 배출시키는 인공지능 음식물 분쇄 방법을 제공하는 데에 있다.

본 발명의 인공지능 음식물 분쇄기는 가정용 싱크대의 하부에 부착된 탈수조, 파쇄부 및 분쇄부로 구성된 음식물 분쇄기에 있어서, 인공지능 서버, 탈수조, 클라우드 서버, 파쇄부, 상기 파쇄부의 상측부 폼팩트부 내에 설치된 카메라 및 분쇄부로 구성되고; 상기 카메라의 렌즈를 보호하기 위하여 렌즈보호부를 포함하며;
상기 렌즈보호부를 씻어낼 수 있도록 스프레이부에서 물이 분사되고; 상기 파쇄부에 상기 클라우드 서버가 연결되고; 상기 분쇄부에 인공지능 서버가 연결되고; 상기 인공지능 서버와 상기 클라우드 서버는 유무선통신으로 연결되고; 상기 인공지능 서버는 인공지능 NPU, 메모리부, 카메라제어부, 스프레이제어부, 모터제어부, 개폐제어부, 파쇄제어부, 분쇄제어부, 신호부 및 스위치부를 포함하며;
상기 클라우드 서버는 통신부, 프로세서, 러닝 프로세서, 메모리, 스토리지 및 모델 저장부을 포함하고; 상기 메모리는 프로세서가 처리하는 데이터를 일시적으로 저장하고; 상기 모델 저장부는 상기 러닝 프로세서를 통하여 학습 중인 또는 학습된 모델 또는 인공 신경망에 저장하며; 상기 메모리부는 제1메모리부, 제2메모리부 및 제3메모리부로 구성되고; 상기 제1메모리부에 상기 음식물 분쇄기가 설치되기 전의 음식물쓰레기 이미지들이 저장되어 있고; 상기 제2메모리부에 음식물쓰레기가 아닌 물질들의 이미지들이 저장되며; 상기 인공지능 NPU의 학습을 위하여 카메라가 상기 탈수조 내의 물질들의 이미지를 캡처하여 상기 제3메모리부로 전송하고; 상기 제3메모리부에 저장된 이미지와 상기 제1메모리부에 저장된 음식물쓰레기 이미지 및 상기 제2메모리부에 저장된 음식물쓰레기가 아닌 이미지를 인공지능 NPU가 비교하고; 상기 러닝 프로세서는 상기 프로세서가 입력부를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망을 학습하거나, 데이터베이스에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망을 학습하며; 상기 클라우드 서버는 사용자 계정에 저장된 파쇄부의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 것을 특징으로 한다.
또한 본 발명의 음식물 쓰레기 분쇄 방법은 탈수조 내 물질 이미지 정보 캡처 및 캡처된 이미지 정보를 메모리부에 저장하는 1단계(S110); 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2 단계(S120); 상기 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120)에서, 음식물쓰레기가 아닌 물질이 포함되어 있는 경우 외부로 신호를 보내 음식물쓰레기가 아닌 물질을 제거하는 3단계(S130); 탈수조 내의 음식물쓰레기 이미지를 재캡처하는 4단계(S140); 음식물쓰레기는 제1메모리부에 저장하고, 제거된 물질은 제2메모리부에 저장하는 5단계(S150); 클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 5단계(S160) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S170)로 구성되고;
음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120)에서 음식물쓰레기만 있는 경우에는 파쇄/분쇄 및 미생물을 분해하는 6단계(S170)를 포함하되; 상기 클라우드 서버는 사용자 계정에 저장된 음식물 파쇄기의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함하는 것을 특징으로 한다.
또한 본 발명의 인공지능 음식물 분쇄 방법은 탈수조 내의 음식물쓰레기 이미지 정보 캡처 및 제1메모리부에 전송하는 1단계(S210); 음식물쓰레기 여부를 판단하는 2단계(S220); 상기 음식물쓰레기 여부를 판단하는 단계(S220)에서 인공지능 NPU(11)가 음식물쓰레기가 아닌 물질이 포함되어있다고 잘못 판단한 경우, 탈수조 내의 음식물쓰레기 이미지를 다시 캡처하는 3단계(S230); 제1메모리부에 이미지를 저장하는 4단계(S240);클라우드 서버의 러닝 프로세서에서 학습하는 5단계(S250) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S260)를 포함하고;
상기 음식물쓰레기 여부를 판단하는 단계(S220)에서 음식물쓰레기만 들어있다고 판단한 경우, 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S260)를
포함하되; 상기 클라우드 서버는 사용자 계정에 저장된 파쇄부의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함하는 것을 특징으로 한다.
또한 인공지능 음식물 분쇄 방법은 탈수조 내 음식물쓰레기가 아닌 물질이 포함된 이미지 정보 캡처 및 제3메모리부에 전송하는 1단계(S310);
음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320);
상기 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)에서 음식물쓰레기가 아닌 물질이 존재하는 경우, 음식물쓰레기가 아닌 물질을 제거하는 3단계(S330); 탈수조 내의 음식물쓰레기 이미지를 다시 캡처하는 4단계(S340); 음식물쓰레기는 제1메모리부에 저장하고, 제거된 물질은 제2메모리부에 저장 하는 5단계(S350); 클라우드 서버의 러닝 프로세서에서 학습하는 6단계(S360) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370)를 포함하고;
음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)에서 음식물쓰레기가 아닌 물질이 존재하지 않는 경우 음식물쓰레기가 아닌 물질을 제거하는 3단계(S380) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370)를 포함하되; 상기 클라우드 서버는 사용자 계정에 저장된 파쇄부의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함하는 것을 특징으로 한다.

삭제

본 발명에 의하면, 인공지능 서버의 인공지능 NPU가 음식물쓰레기와 음식물쓰레기가 아닌 물질을 정확하게 구분하여 음식물쓰레기가 아닌 물질을 제거해 내고 음식물쓰레기만 파쇄, 분쇄 및 미생물분해를 하여 음식물쓰레기를 완전히 분해한 후에 전량 하수도로 흘려보낼 수 있는 효과가 있다.

또한 본 발명에 의하면, 인공지능 서버의 메모리부에 기 저장된 음식물쓰레기와 음식물쓰레기가 아닌 물질을 클라우드 서버의 러닝 프로세서에서 딥러닝함으로서 음식물쓰레기 처리를 할 수 있는 효과가 있다.

삭제

도 1은 종래기술에 따른 음식물처리기의 내부를 도시한 단면도.
도 2는 본 발명의 인공지능 음식물쓰레기 처리장치 단면도.
도 3은 본 발명의 전체적인 블록도.
도 4는 본 발명의 음식물쓰레기 이미지 정보와 음식물쓰레기가 아닌 물질의 이미지 정보를 딥러닝시키는 러닝 프로세서 블럭도.
도 5(a)는 대표적으로 음식물쓰레기에 해당하는 것, 5(b)는 대표적으로 음식물쓰레기가 아닌 것을 나타낸 도면.
도 6은 TPU의 블록도.
도 7은 Matrix Multiply Unit의 구조도.
도 8은 Eyeriss의 RS 연산 방법을 나타내는 도면.
도 9는은 Eyeriss의 시스템 구조도.
도 10은 Eyeriss의 연산소자(PE)를 나타낸 도면.
도 11은 인공지능 NPU의 학습 흐름도.
도 12는 탈수조 내에 음식물쓰레기만 들어 있는 경우의 인공지능 NPU의
학습 흐름도.
도 13은 탈수조에 담긴 물질들이 음식물쓰레기가 아닌 물질이 포함되어있는 경우의 인공지능 NPU의 학습 흐름도.

이하,첨부된 도면을 참조하여 본 발명의 상세하게 설명한다.

도 2는 본 발명의 인공지능 음식물쓰레기 처리장치 단면도이고, 도 3은 본 발명의 전체적인 블록도이다. 도 4는 본 발명의 음식물쓰레기 이미지 정보와 음식물쓰레기가 아닌 물질의 이미지 정보를 딥러닝시키는 러닝 프로세서 블럭도이고 도 5(a)는 대표적으로 음식물쓰레기에 해당하는 것, 5(b)는 대표적으로 음식물쓰레기가 아닌 것을 나타낸 도면이다. 도 6은 TPU의 블록도이고, 도 7은 Matrix Multiply Unit의 구조도, 도 8은 Eyeriss의 RS 연산 방법을 나타내는 도면이다.

도 9는 Eyeriss의 시스템 구조도이고, 도 10은 Eyeriss의 연산소자(PE)를 나타낸 도면이다. 도 11은 인공지능 NPU의 학습 흐름도이고. 도 12는 탈수조 내에 음식물쓰레기만 들어 있는 경우의 인공지능 NPU 학습 흐름도이고, 도 13은 탈수조에 담긴 물질들이 음식물쓰레기가 아닌 물질이 포함되어있는 경우의 인공지능 NPU의 학습 흐름도이다.

본 발명의 설명에서는 또 본 발명의 내용을 이해하는데 필요한 부분만이 설명하며, 그 이외 부분 설명은 본 발명의 요지를 흩뜨리지 않도록 생략하였다.

또한 본 명세서 및 청구범위에 사용된 용어나 단어는 발명을 이해하기 쉼도록 임의로 정의하였다. 또한 본 발명은 탈수장치와, 음식물 분쇄 장치의 일반적인 구조에 대해서는 설명을 생략한다.

도 2는 본 발명의 음식물쓰레기 처리장치 단면도를 나타낸다.

도 2에 도시된 바와 같이, 가정용 싱크대(30)의 하부에 인공지능 음식물쓰레기 처리장치가 설치된다. 인공지능 음식물 분쇄기는 인공지능 서버(10), 탈수조(20), 클라우드 서버(21), 파쇄부(100) 및 분쇄부(200)로 구성된다.

상기 싱크대(30)에 부착된 탈수조(20)의 상측부에 카메라(50)가 폼팩트부(70)내에 설치되고, 상기 카메라(50)의 렌즈를 보호하기 위하여 렌즈보호부(60)가 구비된다. 상기 카메라(50)는 인공지능 신경망처리장치 NPU(Neural Processing Unit, 이하 "인공지능 NPU"라 한다)의 비전(vision) 역할을 감당하며, 1개를 설치할 수도 있지만 바람직하게는 3개를 180도 간격으로 설치한다.

상기 파쇄부(100)에 클라우드 서버(21)에 연결되고, 상기 분쇄부(200)에 인공지능 서버(10)가 연결된다. 상기 인공지능 서버(10)에 상기 클라우드 서버(21)가 통신으로 연결된다.

상기 싱크대(30)에서 내려온 음식물 쓰레기의 탈수가 시작되면 음식물쓰레기에 의하여 투명한 재질의 렌즈보호부(60)에 음식물쓰레기의 입자들이 튀어 혼탁하게 될 수 있으므로 스프레이부(80)에서 물을 분사하여 렌즈보호부(60)를 씻어낼 수 있도록 한다.

이어 탈수조(20)에서 탈수가 완료되면, 제1개폐부(90)가 열려 탈수조(20)에 있던 음식물쓰레기는 파쇄부(100)로 들어가고 제1개폐부(90)가 닫힌다.

이후 상기 파쇄부(100)에 의하여 음식물쓰레기가 파쇄되면, 제2개폐부(110)가 열리고, 상기 파쇄부(100)에서 파쇄된 음식물쓰레기는 연결관(40)을 통해서 분쇄부(200)로 들어가고 완료되면 제2개폐부(110)가 닫힌다.

이후 상기 분쇄부(200)로 들어간 파쇄된 음식물쓰레기는 분쇄와 함께 미생물에 의하여 분해되어 완료되면 제3개폐부(220)가 열리고 하수도로 흘러나가게 된다. 상기 파쇄부(100)와 상기 분쇄부(200)는 호스와 같은 연결관(40)으로 연결된다.

이와 같은 인공지능 음식물 분쇄기는 설거지가 완료되면 수돗물을 잠그고 탈수조(20)에 들어있는 음식물쓰레기를 탈수하고, 탈수가 완료되면, 파쇄부(100)가 음식물쓰레기를 파쇄하며, 파쇄가 완료되면, 분쇄부(200)에서는 파쇄된 음식물쓰레기 알갱이 보다 작게 분쇄하면서 미생물 분해부(210)에서 음식물쓰레기를 분해하여 완전분해가 되면 상기 제3개폐부(220)를 통해서 하수도로 흘려보내는 것이다.

이때 미생물에 의하여 분해되므로 걸러내는 음식물쓰레기는 찌꺼기 없이 하수도로 흘려보낸다.

본 발명에서 사용되는 함유미생물들은 [Bacillus sp PS352], [Bacillus thuringiensis], [Bacillus sp, RP-6], [Bacillus sp, FOT-1], [Bacillus thearothermophilus], [Bacillus megaterium], [Rhodobactor gelantinos], [Bacillus sp, HOT-5], [Bacillus sp, FOT-2], [Bacillus amyloliquefacience], [Bacillus sp, HB-51], [Bacillus sp, HOT-8], [Bacillus thermoglucodesius]와 같은 것이 될 수 있다.

도 3은 본 발명의 전체적인 블록도를 나타낸다.

본 발명의 인공지능 서버(10)는 인공지능 NPU(11), 메모리부(12), 카메라제어부(13), 스프레이제어부(14), 모터제어부(15), 개폐제어부(제1개폐제어부, 제2개폐제어부, 제3개폐제어부)(16), 파쇄제어부(17), 분쇄제어부(18), 신호부(19) 및 스위치부(9)로 구성된다.

상기 인공지능 NPU(11)는 상기 클라우드 서버(21)와 유선 통신 또는 무선 통신으로 연결된다. 무선통신은 RS 232, 485 통신방식이다.

상기 인공지능 NPU(11)와 상기 클라우드 서버(21) 간의 통신도 유선 통신 또는 무선 통신으로 연결되고, 무선통신은 RS 232, 485 통신방식이다.

상기 메모리부(12)는 제1메모리부, 제2메모리부 및 제3메모리부로 구성도된다. 상기 제1메모리부에는 음식물쓰레기의 이미지들의 정보가 저장되어 있다.

상기 제2메모리부에는 음식물쓰레기가 아닌 물질의 이미지들의 정보가 저장되어 있다. 이후, A라는 가정에 설치되어 설거지를 하고, 사용자가 탈수조(20)의 뚜껑을 닫으면 탈수가 종료되고 탈수조(20)에 담긴 내용물의 이미지를 카메라가 캡처하고, 캡처된 이미지 정보는 서버의 제3메모리부에 저장된다.

상기 인공지능 NPU(11)의 학습을 위하여 카메라(50)가 상기 탈수조(20)내의 물질들의 이미지를 캡처하여 상기 제3메모리부로 전송하고; 상기 제3메모리부에 저장된 이미지와 상기 제1메모리부에 저장된 음식물쓰레기 이미지 및 상기 제2메모리부에 저장된 음식물쓰레기가 아닌 이미지를 상기 인공지능 NPU(11)에서 비교할 수 있는 것을 특징으로 한다.

상기 개폐제어부(16)는 제1개폐제어부, 제2개폐제어부, 및 제3개폐제어부로 구성된다.

이와 같이 이루어진 본 발명의 구성의 작용은 다음과 같다.

인공지능 NPU(11)에 연결된 클라우드 서버(21)는 각종 제어와 음식물쓰레기와 음식물쓰레기가 아닌 물질들을 이미지를 판별하고 학습하는 장치이다.

상기 메모리부(12)에는 음식물쓰레기와 음식물쓰레기가 아닌 물질들의 이미지 정보가 저장되고, 탈수가 종료되면 스프레이제어부(14)는 카메라(50) 렌즈보호부(60)가 오염되어 있기 때문에 물을 분사하여 카메라(50)가 선명한 이미지를 캡처할 수 있도록 한다.

상기 카메라제어부(13)는 카메라(50)를 제어하여 카메라(50)가 탈수조(20) 내에 들어있는 내용물의 이미지를 캡처한다. 인공지능 NPU(11)는 상기 카메라(50)에서 촬영된 영상을 이용하여 음식물쓰레기를 식별한다.

모터제어부(15)는 개폐제어부(16)의 모터와 파쇄부(100) 및 분쇄부(200)의 모터와 탈수조(20)의 모터들을 제어한다. 파쇄제어부(17)는 파쇄부(100)를 제어하며, 분쇄제어부(18)는 분쇄부(200)를 제어하게 된다.

신호부(19)는 탈수조(20) 내에 음식물쓰레기가 아닌 내용물이 있을 때 외부로 알람 또는 디스플레이 장치에 신호를 보내는 작용을 하며, 스위치부(9)는 인공지능 음식물쓰레기 처리 장치를 구동시킨다.

본 발명의 음식물쓰레기 처리장치에 카메라(50)가 탈수조(20)에 담긴 내용물들의 이미지를 캡처한다. 상기 파쇄부(100)에 클라우드 서버(21)가 탑재된다.

상기 카메라(50)는 폼팩트부(70)에 내장되었기 때문에 물이나 음식물찌꺼기 등으로부터 보호된다. 탈수 후 탈수조(20)에 담긴 내용물들의 이미지를 캡처하면 탈수하는 동안 물기나 음식물쓰레기로 인해 카메라(50)가 캡처한 이미지가 흐려져 이미지 품질을 저하될 우려가 있기 때문에 렌즈보호부(60)에 스프레이로 물을 뿌려 깨끗하게 함으로서 카메라(50)가 선명한 이미지를 캡처할 수 있게 된다.

스프레이부(80)는 하나의 실시예이며, 다른 실시예로 카메라(50)를 3개 장착하는 경우 스프레이부(80)는 생략할 수도 있다.

이는 탈수조(20) 내의 내용물의 이미지를 다각도로 캡처하기 때문에 렌즈보호부(60)의 어느 한 부분이 오염되어 있다고 하더라도 다른 카메라(50)가 선명한 이미지를 캡처할 수 있기 때문이다.

인공지능 컴퓨팅 사진 기술은 이미지 인식에서 컴퓨팅 이미지 처리 기술에 이르기까지, 인공지능은 수많은 음식물쓰레기 이미지 판별 기능을 구현할 수 있는 기반을 제공한다. 컴퓨터에 시각이 제공되는 인공지능 기반 이미지 처리 기술은 인간의 뇌와 유사한 뉴런으로 구성된 시스템인 인공 신경망(ANN: Artificial Neural Network)을 기반으로 하는 컴퓨팅 이미지 처리기술로 카메라가 캡처하는 음식물쓰레기를 인식하게 된다. 인공지능 컴퓨팅 서진 기술은 이미지 처리와 미리 저장되어 있는 이미지 정보를 검색한다.

본 발명의 도면 4에 도시된 인공 신경망(28)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 본 명세서에서 인공지능 신경망(28)은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)로 정의된다.

상기 인공 신경망(28)은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함수값을 출력할 수 있다.

즉, A라는 가정에서 배출된 음식물쓰레기를 분석하여 저장하고, 기 저장된 이미지 정보와 카메라(50)가 캡처한 이미지 정보를 비교분석하여 보다 정확한 음식물쓰레기가 아닌 물질을 추출해 낼 수 있게 하는 것이다. 기 저장된 음식물쓰레기 이미지 정보들과, 기 저장된 음식물쓰레기가 아닌 물질들의 이미지 정보들은 다양한 환경에서 딥러닝에 의하여 학습되어 입력된 이미지 정보들이다.

본 발명은 특정 가정에서의 새로운 음식물쓰레기 이미지 정보들 및 새로운 음식물쓰레기가 아닌 물질들의 이미지 정보들을 학습하도록 제공하지만, 학습하지 않고도 본 발명은 미리 저장된 음식물쓰레기 이미지 정보들과 카메라(50)가 인식한 음식물쓰레기 이미지정보들 및 음식물쓰레기가 아닌 물질들의 이미지 정보를 인식할 수 있도록 설계된다.

도 4는 본 발명의 음식물쓰레기 이미지 정보와 음식물쓰레기가 아닌 물질의 이미지 정보를 딥러닝시키는 일례를 도시한다.

인공지능 서버(10)는 클라우드 서버(21)와 통신부(22)에 의하여 연결된다. 상기 클라우드 서버(21)는 통신부(22), 프로세서(Processor,23) 러닝 프로세서(Learning Processor, 24), 메모리(25), 스토리지(Storage, 26) 및 모델 저장부(27) 및 인공 신경망(28)을 포함하여 구성된다.

본 발명의 일실시예에서, 인터페이스, 프로세서 및 메모리 제어기는 칩과 같은 단일 칩 상에서 구현될 수 있다. 디스플레이 장치는 LCD(liquid crystal display) 기술 또는 LPD(light emitting polymer display) 기술을 사용할 수 있다. 소프트웨어 구성요소는 운영 체제가 메모리에 탑재된다.

컴퓨터 운영 체제는 예를 들어, 다윈(Darwin), RTXC, LINUX, UNIX, OS X, WINDOWS 또는 VxWorks, 안드로이드 등과 같은 내장 운영 체제일 수 있다.

본 발명은 일반적인 시스템 예를 들어, 메모리 관리, 저장 장치 제어, 전력 관리를 제어 및 관리하는 다양한 소프트웨어 구성요소 및/또는 장치를 포함한다.

본 발명에 구성요소 간의 통신은 유선 통신 또는 무선 통신으로 연결된다. 무선 통신의 경우 RS-232 통신방식이다.
상기 "RS-232(Recommended Standard 232)"는 PC와 음향 커플러, 모뎀 등을 접속하는 직렬 방식의 인터페이스로 정의한다. RS-232 통신방식은 주변기기의 접속에 사용하고, USB, IEEE1394 등과 통신 용도로는 이더넷(ethernet) 등에 그 역할이 대체되고 있다. 일반적으로 한 케이블에 10m 정도까지는 정상적으로 데이터를 통신할 수 있다. 현재 많이 이용되고 있는 규격으로는 IBM사가 만든 9핀 단자(직렬 포트)가 있다.

삭제

상기 메모리(25)는 상기 프로세서(23)가 처리하는 데이터를 일시적으로 저장할 수 있다. 상기 모델 저장부(27)는 상기 러닝 프로세서(24)를 통하여 학습 중인 또는 학습된 모델 또는 상기 인공 신경망(28)에 저장한다.

학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다. 이때, 상기 모델 저장부(27)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

상기 카메라(50)가 음식물쓰레기 이미지를 캡처할 때마다 이미지신호프로세서(ISP)가 광학 렌즈에서 보낸 전기 신호를 처리하여 품질을 향상하고 최적화된 이미지가 나오도록 이미지를 재구축한다. ISP를 NPU의 이미지 인식 기능과 결합하면 프레임에 있는 사물을 기반으로 더욱 정밀한 이미지 최적화를 제공할 수 있다. 즉, NPU가 음식물쓰레기를 인식하면 ISP는 음식물쓰레기 이미지에 맞는 설정을 호출하여 이미지에 있는 모든 구성 요소가 완벽히 캡처되도록 한다.

이미지 분석과 인식에는 복잡한 컴퓨팅 작업이 필요한데, 이는 기존 처리 장치의 용량을 넘어서기 때문에 딥 신경망 작업을 효율적으로 처리할 수 있도록 설계된 인공지능 NPU(11)를 이용한다. 상기 인공지능 NPU(11)는 정보를 학습하고 처리하는 프로세서이다.

상기 인공지능 NPU(11)는 프로세서에 탑재되어 스마트 기능을 지원하고 스마트의 기능을 한 차원 더 끌어올린다. 또한 머신러닝 작업을 가속화할 뿐만 아니라 적은 전력을 소모하도록 설계되어 있다. 상기 인공지능 NPU(11)는 GPU 및 CPU에 비해 인공지능 처리에 더욱 우수한 성능과 효율성을 제공한다.

삭제

도 4을 참조하면, 상기 통신부(22)는 사용자 단말기(예: 스마트폰)에 포함된 무선 통신부 및 인터페이스부를 포괄한다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다. 상기 메모리(25)는 상기 모델 저장부(27) 및 데이터베이스(미도시)를 포함할 수 있다.

도 4에 도시된 인공 신경망(28)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다.

상기 인공 신경망(28)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 상기 인공 신경망(28)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(28)을 구성하는 하나 이상의 명령어는 상기 메모리(25)에 저장될 수 있다.

상기 러닝 프로세서(24)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 상기 인공 신경망(28)을 훈련(training, 또는 학습)시킬 수 있다.

상기 러닝 프로세서(24)는 상기 프로세서(23)가 입력부를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 상기 인공 신경망(28)을 학습하거나, 데이터베이스에 저장된 전처리된 입력 데이터를 획득하여 상기 인공 신경망(28)을 학습할 수 있다.

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망은 학습 모델 또는 학습된 모델(a trained model)이라 정의할 수 있다.

구체적으로, 상기 러닝 프로세서(24)는 앞서 설명한 다양한 학습 기법을 이용하여 상기 인공 신경망(28)을 반복적으로 학습시킴으로써, 상기 인공 신경망(28)의 최적화된 모델 파라미터들을 결정할 수 있다.

이때, 학습 모델은 인공 신경망(28)의 클라우드 서버(21)에서 결과 값을 추론할 수도 있다. 상기 통신부(22를 통해 사용자 단말기과 같은 다른 장치에 전송되어 탑재될 수도 있다. 또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 상기 통신부(22)를 통해 사용자 단말기와 같은 다른 장치에 전송될 수 있다. 상기 스토리지(26)는 클라우드 서버(21)의 동작에 필요한 프로그램 및 데이터를 저장할 수 있다.

상기 스토리지(26)는 예를 들어, 음식물 분쇄기의 분쇄 코스에 대응하는 제어 명령과 관련된 프로그램 데이터를 저장하고, 프로세서(23)에 의해 해당 프로그램이 실행될 때 이를 메모리(25)에 제공할 수 있다.

또한, 상기 스토리지(26)는 사용자 계정과 각 사용자별로 등록된 음식물 분쇄기의 사용 이력에 관한 데이터를 저장할 수 있다.

상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있다. 프로세서(23)는 사용자 계정에 저장된 음식물 분쇄기의 사용 이력에 관한 정보를 스토리지(26)로부터 로딩하여 메모리(25)에 제공할 수 있다.

그 밖에 상기 클라우드 서버(21)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 하고 업데이트된 인공지능 모델을 사용자 단말기에 제공할 수 있다.
상기 인공지능 서버(10)와 상기 클라우드 서버(21) 간의 통신은 유선 통신 또는 무선 통신으로 연결되고, 무선통신은 RS 232 통신방식으로 연결된다.
도 5는 (a)음식물쓰레기에 해당하는 것, (b)대표적으로 음식물쓰레기가 아닌 것들의 예를 나타낸다.

삭제

음식물쓰레기는 대표적으로 고기, 생선류, 얇은 생선뼈, 햄, 어묵, 두부, 라면, 국수, 과자류, 곡물류, 김치류에 해당하는 것들이다.

음식물쓰레기가 아닌 것들은 다음과 같은 것들이 해당한다.

(1) 채소류:고추대, 마늘대, 옥수수대, 옥수수·땅콩·마늘·양파 겉껍질,

(2) 과일류: 견과류(호두·밤·도토리·코코넛·땅콩 등)의 껍질, 파인애플 껍질, 망고·복숭아·자두·살구·매실·감 등의 핵과류 씨앗

(3) 육류: 소·돼지·닭 뼈와 털

(4) 어패류: 조개·소라·전복·굴·멍게 등 패류의 껍데기, 게·가재·새우 등 갑각류의 껍데기

(5) 조류알: 달걀·오리알·메추리알·타조알 등의 껍데기

(6) 차, 한약재 찌꺼기:커피 찌꺼기, 녹차 등 티백, 한약재 찌꺼기,

(7) 기타: 금속류(숟가락, 젓가락, 포크 등), 비닐, 플라스틱(빨대, 일회용

숟가락, 병뚜껑 등), 고무(고무밴드, 고무줄), 철 수세미, 행주, 수세미, 나무류(이쑤시개, 나무젓가락, 나뭇가지), 왕겨, 돌맹이, 휴지, 물티슈

이하, 인공지능 NPU(11)에 대하여 설명한다. 인공지능 기능으로서 이미지 최적화는 NPU(Neural Processing Unit)의 머신러닝 기능과 ISP의 최적화 기능을 결합한다. 머신러닝은 NPU에게 프레임에 있는 다양한 음식물쓰레기를 자동으로 탐지하고 구분할 수 있는 기능을 제공한다. ISP는 음식물쓰레기의 피사체에 맞는 카메라 설정을 생성하고 적용할 수 있게 된다. 인공지능 기반 사물 인식 기능을 사용함으로서 NPU가 프레임에서 음식물쓰레기를 감지하면 ISP가 조명 조건과 음식물쓰레기에 따라 화이트밸런스, 노출 등에 최적 설정을 제공한다.

상기 파쇄부(100)에 클라우드 서버(21)가 연결되고, 상기 클라우드 서버(21)는 분쇄부(200)에 연결된 인공지능 서버(10)와 유선 또는 무선통신으로 연결된다.

컴퓨팅 이미지 최적화는 다양한 사물을 인식하고, 여러 영역에 맞춤형 설정을 적용하여 음식물쓰레기 이미지에 대한 최적화 기능을 제공하며, 전반적인 구도에서 균형과 조화를 개선한다. 본 발명은 안공지능 NPU와 비전 처리 장치를 탑재한 카메라 기능을 제공하도록 지원함으로서 많은 음식물 쓰레기 이미지의 특징과 특성을 분석하여 정밀도를 향상하며, 음식물쓰레기가 아닌 물질의 인식 기능과 이미지 처리 기능을 지원한다.

도 6은 TPU의 블록도를 나타낸다. NPU의 구조로서 TPU(Tensor Processing Unit)를 사용하며 그 구조는 도 6과 같다.

TPU는 딥러닝 알고리즘 연산을 위해 행렬 연산에 최적화된 systolic array 구조를 갖는다. MMU(Matrix Multiply Unit)은 256×256개의 MAC 연산기를 갖고 있다. 이로 인해 한 번에 256개의 partial sums를 계산할 수 있다.

입력 매트릭스로는 거리 정보에 해당하는 뎁스 이미지(1-channel), 그리고 세탁물을 구별하는 이미지로 GrayImage(1 channel) 또는 Rgb 이미지(3 channel)가 될 수 있다. 또한, 세탁기 내부의 데이터(계측 또는 행정정보 등 1 channel)이 될 수 있다. 그리고 입력 매트릭스는 학습 모듈에 제공되고, 학습 모듈 내의 링크들과 노드 들에 설정되는 가중치 매트릭스(Weight matrix)와 바이어스 벡터(bias vector), 필터 매트릭스(Filter matrix) 등을 통해서 최종적으로 정상동작 상황인지 대응 상황 정보를 도출한다.

도 7은 Matrix Multiply Unit의 구조도이다. MMU의 구조는 도 7과 같다. 도 7의 MMU에서 좌측에서는 input data가 입력되고 윗부분에서는 weight가 입력된다. 각 MAC 연산기에서 곱해진 후 다음 column MAC으로 데이터를 전달한다. 다음 column의 MAC은 전달받은 데이터를 새로 들어온 input data와 weight를 곱한 값과 더해 Partial Sums를 구해 다음 column MAC으로 전달한다. 이렇게 총 256개의 MAC을 거쳐 구해진 Partial Sums는 Accumulators에 저장된다. 이후 활성화 함수를 처리하는 Activation과 Normalize / Pool을 거쳐 Unified Buffer에 데이터가 저장된다.

도 8은 Eyeriss의 RS 연산 방법을 나타내는 도면이다.

도 8은 TPU V1으로서 본 발명에서는 TPU V2를 사용하며 4개의 칩을 묶어 사용한다. 4개의 칩에는 각각 2개의 MXU(Matrix Unit)가 있어 V1보다 높은 성능을 갖는다. 여러 개의 칩을 사용해 높은 Bandwidth를 필요로 한다. 따라서 HBM(High Bandwidth Memory)를 사용해 높은 성능을 유지한다. TPU V1은 8-bit 정수 형태의 데이터만을 사용해 학습은 할 수 없으므로 TPU V2부터는 부동 소수점 연산을 지원해서 학습에 활용할 수 있게 된다.

또한, TPU V2 대신 Eyeriss를 사용할 수 있다. Eyeriss는 여러 개의 PE(Processing Element)를 array구조로 배치한다. Eyeriss의 Processing element에서의 연산방법은 도 8과 같다. Eyeriss는 데이터 재사용을 위해 RS(Row Stationary)방식의 데이터 플로우를 제시한다. RS에서 input activation은 PE의 row 단위로 재사용이 되고 weight는 대각선 단위로 재사용이 된다.

도 8에서 점선 화살표는 가중치의 재사용을 의미하며 실선 화살표는 partial sum의 전달을 의미한다. PE3, PE6의 연산이 종료된 후 Row3과 Row4는 데이터 재사용을 위해 각각 PE5, PE8로 weight를 전달한다. Eyeriss는 도 8과 같이 사용한 데이터를 다음 PE로 전달하면서 데이터를 재사용한다.

이렇게 데이터를 재사용하면 내부 레지스터 파일에 데이터를 저장한 후 여러 번 사용이 가능하다. 내부 레지스터 파일에서 데이터를 여러 번 사용하게 되면 Off-Chip Memory나 Global Buffer에 접근하는 횟수를 줄일 수 있다.

도 9는 Eyeriss의 시스템 구조도이다. Eyeriss의 전체 구조는 도 9와 같다. 연산소자(PE)는 Off-chip DRAM과 Global Buffer를 거친 데이터를 내부 Spad에 저장해서 사용한다. RS를 통해 내부 Spad끼리 데이터를 전달하면서 Global Buffer와 Off-Chip DRAM에 접근하는 횟수를 줄이면서 총 데이터 전송량과 소모전력을 줄이는 것이다.

도10은 Eyeriss의 연산소자(PE)이다. 내부 Spad인 register file에 저장된 activation과 weight가 PE에서 MAC 연산이 수행된다. Reg File에서 a, b, c는 activation이며, 아래의 a, b, c, d, e는 weight를 의미한다. Weight는 처음 a, b, c가 입력되어 activation이랑 차례대로 MAC연산이 수행되며 결과 값은 partial sum에 저장된다. 이후에는 b, c, d가 입력되어 다시 같은 연산을 반복하며, 마지막 c, d, e까지 연산이 수행되면 최종 partial sum을 도 8과 같이 다음 PE로 전달한다. 전달된 partial sum은 다음 PE의 MAC 연산이 수행될 때 함께 더해진다.

<제1실시예>

본 발명의 인공지능 음식물쓰레기 처리방법에 인공지능 NPU(11) 학습에 관한 구성을 포함한다.

본 발명은 싱크대(30)에서 버려지는 음식물찌꺼기를 탈수하는 탈수조(20) 내의 물질들의 이미지를 캡처한 이미지 정보를 서버로 전송하여 메모리부(12)에 저장한다. 캡처한 이미지 정보와 상기 메모리부에 저장되어 있는 기 이미지 정보를 비교하여 상기 캡처한 이미지 정보에 음식물쓰레기가 아닌 물질이 포함되어 있는지 여부를 인공지능 서버(10)의 인공지능 NPU(11)가 판단하는 단계와,

상기 인공지능 NPU(11)의 판단 단계에서 상기 탈수조(20) 내에 상기 음식물쓰레기가 아닌 물질이 포함되어 있으면, 상기 음식물쓰레기가 아닌 물질을 제거하도록 외부로 신호를 발송하는 것이 본 발명의 기술적 특징이다.

본 발명의 일실시예는 제1메모리부와 제2메모리부에 기 저장된 이미지 정보와 A라는 가정에서 배출된 음식물쓰레기의 이미지 정보를 캡처하여 인공지능 NPU(11)가 판별하여 음식물쓰레기가 아닌 물질이 파쇄부(100)로 들어가는 것을 방지하는 것이다.

도 11은 인공지능 NPU의 학습 흐름도를 나타내며, 다음과 같은 흐름으로 진행된다. 탈수조(20) 내 물질 이미지 정보 캡처 및 캡처된 이미지 정보를 메모리부에 저장하는 1단계(S110); 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120);

(가) 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120)에서, 음식물쓰레기가 아닌 물질이 포함되어 있는 경우 외부로 신호를 보내 음식물쓰레기가 아닌 물질을 제거하는 3단계(S130); 탈수조 내의 음식물쓰레기 이미지를 재캡처하는 4단계(S140);음식물쓰레기는 제1메모리부에 저장하고, 제거된 물질은 제2메모리부에 저장하는 5단계(S150); 클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 5단계(S160) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S170) 및 상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다.

(나) 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120)에서 아니오(NO), 즉 음식물쓰레기만 있는 경우에는 파쇄/분쇄 및 미생물을 분해하는 6단계(S170)를 포함하되; 상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다.
탈수가 종료되면, 탈수조(20) 내의 물질들의 이미지를 캡처한 이미지 정보를 서버로 전송하여 제3메모리부에 저장한다.

삭제

상기 캡처한 이미지 정보와 상기 제1메모리부와 제2메모리부에 저장되어 있는 기 이미지 정보를 비교하여 상기 캡처한 이미지 정보에 음식물쓰레기가 아닌 물질이 포함되어 있는지 여부를 상기 인공지능 NPU(11)가 판단하다.

본 발명의 일실시예는 상기 판단 단계에서 탈수조(20) 내에 음식물쓰레기가 아닌 물질이 포함되어 있으면, 음식물쓰레기가 아닌 물질이 제거된 후 탈수조(20) 내의 음식물쓰레기 이미지를 캡처하여 상기 서버로 전송하고, 상기 메모리부(12)에 저장되되 음식물쓰레기는 제1메모리부에 저장된다. 제거된 물질은 제2메모리부에 저장되어 상기 인공지능 NPU(11)가 음식물쓰레기와 음식물쓰레기가 아닌 물질을 학습하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 일실시예에서는 상기와 같이 음식물쓰레기인 것과 음식물쓰레기가 아닌 것들을 저장한다. 인공지능 NPU(11)에 의하여, 음식물쓰레기가 아닌 것들이 탈수조(20) 내에 있으면 외부로 신호, 즉, 알람 또는 디스플레이 표시장치에 표시하는 수단을 통하여 사용자에게 알리고, 음식물쓰레기가 아닌 쓰레기(물질)를 제거하면, 탈수된 음식물쓰레기는 파쇄부(100)로 이동되어 파쇄되는 것이다.

이와 같은 흐름으로 인공지능 서버(10)의 제1메모리부에는 음식물쓰레기 이미지 정보들이 저장되어 있고, 제2메모리부에는 상기한 대표적으로 음식물쓰레기가 아닌 물질들의 이미지 정보들이 미리 저장된다.

이와 같이 서버 메모리부에 기 저장된 이미지 정보와, 본 발명의 음식물쓰레기 처리장치가 설치된 이후 탈수조(20)에 들어오는 음식물쓰레기와 음식물쓰레기가 아닌 것들의 이미지 정보를 캡처하여 캡처된 이미지 정보를 인공지능 NPU(11)에서 비교하여 음식물쓰레기가 아닌 물질이 있으면 외부에 알람 또는 디스플레이에 표시를 하여 사용자에게 알려 제거하도록 한다.

<제2실시예>

본 발명의 제2실시예는, A라는 가정에서 배출된 음식물쓰레기를 분석하여 저장하고, 기 저장된 이미지 정보와 카메라(50)가 캡처한 이미지 정보를 비교분석하여 보다 정확한 음식물쓰레기가 아닌 물질을 추출해 낼 수 있도록 하기 위한 인공지능 학습에 관한 것이다. 즉, A라는 가정에서 배출되는 음식물쓰레기 이미지 정보와 음식물쓰레기가 아닌 이미지 정보들을 학습하여 최적의 음식물쓰레기들을 인식하고, 음식물쓰레기가 아닌 물질들을 보다 정확하게 인식하도록 하는 것이다.

인공지능 서버(10)의 제1메모리부에는 음식물쓰레기의 이미지들의 정보가 저장되어 있고, 제2메모리부에는 음식물쓰레기가 아닌 물질의 이미지들의 정보가 저장되어 있다. 인공지능 서버의 제1메모리부에는 음식물쓰레기의 이미지들의 정보가 저장되어 있고, 제2메모리부에는 음식물쓰레기가 아닌 물질의 이미지들의 정보가 저장되어 있다.

이후, A라는 가정에 설치되어 설거지를 하고, 사용자가 탈수조의 뚜껑을 닫으면 탈수가 종료되고 탈수조에 담긴 내용물의 이미지를 카메라가 캡처하고, 캡처된 이미지 정보는 서버의 제3메모리부에 저장되며, 탈수가 종료되었다는 신호를 발신하여 외부에 알람 또는 디스플레이 장치에 표시된다.

사용자가 탈수조(20)의 뚜껑을 열고 음식물쓰레기가 아닌 물질을 끄집어낸 후 뚜껑을 닫으면 다시 카메라(50)가 탈수조(20)에 음식물쓰레기가 아닌 물질이 제거된 음식물쓰레기의 이미지를 캡처한다.

본 발명의 인공지능 음식물 분쇄기는 출고하여 설치한 이후 일정기간 동안 딥러닝시키는 것이 바람직하며, 다음과 같은 방법으로 진행하여 음식물쓰레기 이미지 정보와 음식물쓰레기가 아닌 물질의 이미지 정보를 클라우드 서버(21)의 러닝 프로세서(24)에서 딥러닝시킨다.

도 12는 탈수조 내에 음식물쓰레기만 들어 있는 경우의 인공지능 NPU 학습 흐름도를 나타내며, 다음과 같은 흐름으로 진행된다.

탈수조 내 음식물쓰레기 이미지 정보 캡처 및 제1메모리부에 전송하는 1단계(S210); 음식물쓰레기 여부를 판단하는 2단계(S220);

(가) 상기 음식물쓰레기 여부를 판단하는 단계(S220)에서 아니오(NO), 즉 신경망처리장치(NPU)가 음식물쓰레기가 아닌 물질이 포함되어있다고 잘못 판단한 경우, 탈수조 내의 음식물쓰레기 이미지를 다시 캡처하는 3단계(S230);제1메모리부에 이미지를 저장하는 4단계(S240);

클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 5단계(S250); 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S260) 및 상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다.

(나) 상기 음식물쓰레기 여부를 판단하는 단계(S220)에서예(YES), 즉 음식물쓰레기만 들어있다고 판단한 경우, 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S260) 및 상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다.

즉, 도 12는 탈수조 내에 음식물쓰레기만 들어 있는 경우의 클라우드 서버(21)의 러닝 프로세서(24)에서 학습 흐름도를 나타내는 것이다.

본 발명의 제2실시예는 탈수조(20) 내에 음식물쓰레기만 들어 있는 경우, 탈수조(20)의 탈수 동작이 종료된 이후에, 상기 탈수조(20) 내의 상기 물질들의 이미지와 인공지능 서버(10)의 제1메모리부에 기 저장된 음식물쓰레기 이미지를 인공지능 서버(10)의 인공지능 NPU(11)에서 비교한다.

(가) 상기 탈수조(20) 내에 음식물쓰레기만 들어있다고 상기 인공지능 NPU(11)가 판단하는 경우: 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S260) 및 상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다.

삭제

(2))상기 탈수조(20) 내에 음식물쓰레기가 아닌 물질이 포함되어있다고 상기 인공지능 NPU(11)가 잘못 판단하는 경우:

상기 탈수조(20) 내의 음식물쓰레기들의 이미지를 상기 인공지능 NPU(11)가 음식물쓰레기로 재인식하도록 상기 제1메모리부에 저장하여 학습하는 단계를 실행한 후에, 음식물쓰레기 파쇄 단계와 분쇄 및 미생물을 분해하는 7단계를 포함한다.

<제3실시예>

도 13은 탈수조에 담긴 물질들이 음식물쓰레기가 아닌 물질이 포함되어있는 경우의 인공지능 NPU 학습 흐름도를 나타내며, 다음과 같은 흐름으로 진행된다.

탈수조(20) 내 음식물쓰레기가 아닌 물질이 포함된 이미지 정보 캡처 및 제3메모리부에 전송하는 1단계(S310) 및 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)로 구성된다.

(가) 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)에서 음식물쓰레기가 아닌 물질이 존재하는 경우 음식물쓰레기가 아닌 물질을 제거하는 3단계(S330); 탈수조(20) 내의 음식물쓰레기 이미지를 다시 캡처하는 4단계(S340);음식물쓰레기는 제1메모리부에 저장하고,

제거된 물질을 제2메모리부에 저장하는 5단계(S350); 클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 6단계(S360) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370) 상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다..

(나) 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)에서 음식물쓰레기가 아닌 물질이 존재하지 않는 경우, 음식물쓰레기가 아닌 물질을 제거하는 3단계(S380) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370)로 진행된다.

도 13은 탈수조에 담긴 물질들이 음식물쓰레기가 아닌 물질이 포함되어있는 경우의 인공지능 NPU 학습 흐름도를 나타낸다.

탈수조(20)에 담긴 물질들이 음식물쓰레기가 아닌 물질이 포함되어있는 경우, 탈수 동작이 종료된 이후에, 인공지능 서버(10)의 인공지능 NPU(11)가 상기 탈수조(20) 내의 상기 물질들의 이미지와 상기 서버의 제2메모리부에 기 저장된 음식물쓰레기가 아닌 물질의 이미지를 비교한다.

(가) 상기 탈수조(20) 내에 음식물쓰레기가 아닌 물질이 포함되어있다고 상기 인공지능 NPU(11)가 판단하는 경우: 음식물쓰레기가 아닌 물질을 제거하는 3단계(S380) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370)로 진행된다.

(나) 그러나 상기 탈수조(20) 내에 음식물쓰레기만 있다고 상기 인공지능 NPU(11)가 판단하는 경우: 상기 탈수조(20)로부터 음식물쓰레기가 아닌 물질이 제거된 후 상기 탈수조(20) 내의 물질들의 이미지를 상기 인공지능 NPU(11)가 음식물쓰레기로 재인식하여 상기 서버의 제1메모리부에 저장한다.

제거된 물질들을 상기 제2메모리부에 저장하여 음식물쓰레기가 아닌 물질로 재인식 학습을 하는 단계인 클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 6단계(S360) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370) 및
상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함한다.
본 발명은 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 목적 범위 내에서 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다.

삭제

그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다.

컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 반도체 기록소자를 포함하는 저장매체를 포함한다. 또한 본 발명의 실시예를 구현하는 컴퓨터 프로그램은 외부의 장치를 통하여 실시간으로 전송되는 프로그램 모듈을 포함한다.

이상에서 본 발명의 바람직한 실시예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 아니하며 본 발명의 실시예와 실질적으로 균등한 범위에 있는 것까지 본 발명의 권리범위가 미치는 것으로 해석되어야 한다. 또한 본 발명의 기술사상을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능하다.

본 발명에 의하면, 인공지능 서버의 인공지능 NPU가 음식물쓰레기와 음식물쓰레기가 아닌 물질을 정확하게 구분하여 음식물쓰레기가 아닌 물질을 제거해 내고 음식물쓰레기만 파쇄, 분쇄 및 미생물분해를 하여 음식물쓰레기를 완전히 분해한 후에 전량 하수도로 흘려보낼 수 있게 된다.

또한 본 발명은 인공지능 서버의 메모리부에 기 저장된 음식물쓰레기와 음식물쓰레기가 아닌 물질을 클라우드 서버의 러닝 프로세서에서 딥러닝함으로서 음식물쓰레기 처리를 할 수 있는 효과가 있으므로 산업상 이용가능성이 있다.

9: 스위치부 10: 인공지능 서버
11: 인공지능 NPU 12: 메모리부
13: 카메라제어부 14: 스프레이제어부
15: 모터제어부 16:개폐제어부
17: 파쇄제어부 18: 분쇄제어부
19:신호부 20: 탈수조
21: 클라우드 서버 22: 통신부
23: 프로세서 24: 러닝 프로세서
25: 메모리 26: 스토리지
27: 모델 저장부 28: 인공 신경망
30: 싱크대 40: 연결관
50: 카메라 60:렌즈보호부
70: 폼택트부 80: 스프레이부
90: 제1개폐부 100: 파쇄부
110:제2개폐부 200: 분쇄부
210: 미생물 분해부 220: 제3개폐부

Claims

가정용 싱크대(30)의 하부에 부착된 탈수조(20), 파쇄부(100) 및 분쇄부(200)로 구성된 음식물 분쇄기에 있어서,
인공지능 서버(10), 탈수조(20), 클라우드 서버(21), 파쇄부(100), 상기 파쇄부(100)의 상측부 폼팩트부(70) 내에 설치된 카메라(50) 및 분쇄부(200)로 구성되고; 상기 카메라(50)의 렌즈를 보호하기 위하여 렌즈보호부(60)를 포함하며;
상기 렌즈보호부(60)를 씻어낼 수 있도록 스프레이부(80)에서 물이 분사되고; 상기 파쇄부(100)에 상기 클라우드 서버(21)가 연결되고;
상기 분쇄부(200)에 상기 인공지능 서버(10)가 연결되고;
상기 인공지능 서버(10)와 상기 클라우드 서버(21)는 유무선통신으로 연결되고; 상기 인공지능 서버(10)는 인공지능 NPU(11), 메모리부(12), 카메라제어부(13), 스프레이제어부(14), 모터제어부(15), 개폐제어부(16), 파쇄제어부(17), 분쇄제어부(18), 신호부(19) 및 스위치부(9)를 포함하며;
상기 클라우드 서버(21)는 통신부(22), 프로세서(23), 러닝 프로세서(24), 메모리(25), 스토리지(26) 및 모델 저장부(27)을 포함하고;
상기 메모리(25)는 프로세서(23)가 처리하는 데이터를 일시적으로 저장하고; 상기 모델 저장부(27)는 상기 러닝 프로세서(24)를 통하여 학습 중인 또는 학습된 모델 또는 인공 신경망(28)에 저장하고;
상기 메모리부(12)는 제1메모리부, 제2메모리부 및 제3메모리부로 구성되고; 상기 제1메모리부에 상기 음식물 분쇄기가 설치되기 전의 음식물쓰레기 이미지들이 저장되고; 상기 제2메모리부에 음식물쓰레기가 아닌 물질들의 이미지들이 저장되며;
상기 인공지능 NPU(11)의 학습을 위하여 카메라(50)가 상기 탈수조(20) 내의 물질들의 이미지를 캡처하여 상기 제3메모리부로 전송하고;
상기 제3메모리부에 저장된 이미지와 상기 제1메모리부에 저장된 음식물쓰레기 이미지 및 상기 제2메모리부에 저장된 음식물쓰레기가 아닌 이미지를 인공지능 NPU(11)가 비교하고;
상기 러닝 프로세서(24)는 상기 프로세서(23)가 입력부를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(28)을 학습하거나, 데이터베이스에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(28)을 학습하고;
상기 클라우드 서버(21)는 사용자 계정에 저장된 상기 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 것을 특징으로 하는 인공지능 음식물 분쇄기.
삭제
삭제
삭제
삭제
음식물 쓰레기 분쇄 방법에 있어서,
탈수조 내 물질 이미지 정보 캡처 및 캡처된 이미지 정보를 메모리부에 저장하는 1단계(S110);
상기 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120)에서, 음식물쓰레기가 아닌 물질이 포함되어 있는 경우 외부로 신호를 보내 음식물쓰레기가 아닌 물질을 제거하는 3단계(S130);
탈수조 내의 음식물쓰레기 이미지를 재캡처하는 4단계(S140); 음식물쓰레기는 제1메모리부에 저장하고, 제거된 물질은 제2메모리부에 저장하는 5단계(S150); 클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 5단계(S160) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S170)로 구성되고;
음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S120)에서 음식물쓰레기만 있는 경우에는 파쇄/분쇄 및 미생물을 분해하는 6단계(S170)를 포함하되;
상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함하는 것을 특징으로 하는 인공지능 음식물 분쇄 방법.
음식물 쓰레기 분쇄 방법에 있어서,
탈수조(20) 내의 음식물쓰레기 이미지 정보 캡처 및 제1메모리부에 전송하는 1단계(S210); 음식물쓰레기 여부를 판단하는 2단계(S220);
상기 음식물쓰레기 여부를 판단하는 단계(S220)에서 인공지능 NPU(11)가 음식물쓰레기가 아닌 물질이 포함되어있다고 잘못 판단한 경우, 탈수조 내의 음식물쓰레기 이미지를 다시 캡처하는 3단계(S230);
제1메모리부에 이미지를 저장하는 4단계(S240);
클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 5단계(S250) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S260)를 포함하고;
상기 음식물쓰레기 여부를 판단하는 단계(S220)에서 음식물쓰레기만 들어있다고 판단한 경우, 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 6단계(S260)를
포함하되;
상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함하는 것을 특징으로 하는 인공지능 음식물 분쇄 방법.
음식물 쓰레기 분쇄 방법에 있어서,
탈수조(20) 내 음식물쓰레기가 아닌 물질이 포함된 이미지 정보 캡처 및 제3메모리부에 전송하는 1단계(S310);
음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320);
상기 음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)에서 음식물쓰레기가 아닌 물질이 존재하는 경우, 음식물쓰레기가 아닌 물질을 제거하는 3단계(S330);
탈수조(20) 내의 음식물쓰레기 이미지를 다시 캡처하는 4단계(S340);
음식물쓰레기는 제1메모리부에 저장하고, 제거된 물질은 제2메모리부에 저장 하는 5단계(S350);
클라우드 서버(21)의 러닝 프로세서(24)에서 학습하는 6단계(S360) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370)를 포함하고;
음식물쓰레기가 아닌 물질이 존재하는지 여부를 판단하는 2단계(S320)에서 음식물쓰레기가 아닌 물질이 존재하지 않는 경우 음식물쓰레기가 아닌 물질을 제거하는 3단계(S380) 및 음식물쓰레기 파쇄/분쇄 및 미생물을 분해하는 7단계(S370)를 포함하되;
상기 클라우드 서버(21)는 사용자 계정에 저장된 파쇄부(100)의 사용 이력을 이용하여 추천 분쇄 코스를 생성할 수 있는 단계를 포함하는 것을 특징으로 하는 인공지능 음식물 분쇄 방법.