KR102544988B1 - 돼지고기 숙성 시스템 및 돼지고기 숙성 방법 - Google Patents

Abstract

돼지고기 숙성 시스템 및 돼지고기 숙성 방법이 제공된다. 본 발명의 일 실시예에 따른 돼지고기 숙성 방법은 서버에 의해 제어되는 숙성실을 포함하는 돼지고기 숙성 시스템으로서, 상기 숙성실은 상기 숙성실내 온도와 습도를 조절하는 온습도조절기, 상기 숙성실의 일측에 배치되어 일라이트 알갱이를 저장하는 일라이트 판, 상기 숙성실 내부에 미끼육을 거치하는 미끼육걸이, 숙성 대상육을 저장하는 랙 어셈블리 및 상기 랙 어셈블리에 저장된 상기 숙성 대상육의 제1 이미지를 획득하는 카메라를 포함한다.

Description

돼지고기 숙성 시스템 및 돼지고기 숙성 방법{PORK AGING SYSMTEM AND METHOD FOR PORK AGING}

본 발명은 돼지고기 숙성 시스템 및 돼지고기 숙성 방법에 대한 것이다.

전체적인 경제 수준이 향상되고, 건강에 대한 관심이 많아지면서 차별화된 맛과 영양을 갖춘 기능성 식품에 대한 관심이 커져가고 있다. 그 중에서도 근육을 생성하는데 필수적인 에너지원인 단백질이 가장 큰 각광을 받고 있다. 단백질을 섭취하기 위한 여러 방법이 있겠으나 그 중 가장 일반적인 것은 역시 고기다. 특히 돼지고기는 다른 육류에 비해 맛이 좋고 부담이 크지 않아 특히 우리나라에서 큰 인기를 끌고 있다. 기본적으로 돼지고기는 신석육, 즉, 도살 직후의 육류가 선호되나 신석육의 경우 사후 경직에 의해 육질이 질기거나 향과 맛이 떨어지는 경우가 있으며, 운반과정에서 온도 등 조건을 충족시키지 못해 쉽게 변질되는 등의 단점이 있다. 이와 같은 사정에 따라 업계에서는 이러한 단점을 개선시키고 독자적인 풍미와 영양을 갖도록 돼지고기를 숙성시키는 방법, 숙성 환경을 최적화하여 가장 맛있는 돼지고기를 얻을 수 있는 조건 등에 대한 연구가 활발히 이루어지고 있다. 이와 같은 노력들의 예시가 한국 공개 특허 10-2021-0100499 등에 개시되어 있다.

본 발명이 해결하고자 하는 과제는 돼지고기 숙성을 위한 최적의 환경을 제공하는 돼지고기 숙성 시스템 및 숙성 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는 최적의 숙성 상태를 확인할 수 있는 돼지고기 숙성 시스템 및 숙성 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 숙성 과정에서 문제가 발생한 돼지고기를 조속히 파악하고 제거할 수 있는 돼지고기 숙성 시스템 및 숙성 방법을 제공하는 것이다.

발명의 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템은 서버에 의해 제어되는 숙성실을 포함하는 돼지고기 숙성 시스템으로서,

상기 숙성실은 상기 숙성실내 온도와 습도를 조절하는 온습도조절기, 상기 숙성실의 일측에 배치되어 일라이트 알갱이를 저장하는 일라이트 판, 상기 숙성실 내부에 미끼육을 거치하는 미끼육걸이, 숙성 대상육을 저장하는 랙 어셈블리 및 상기 랙 어셈블리에 저장된 상기 숙성 대상육의 제1 이미지를 획득하는 카메라를 포함하고, 상기 서버는 상기 숙성실을 제어하는 제어부, 상기 카메라가 획득한 상기 제1 이미지 및 사전에 획득한 상기 숙성 대상육의 부위별, 숙성 일자별 이미지 정보인 제2 이미지를 저장하는 데이터베이스부 및 상기 제1 이미지를 입력하여 결과값을 출력하는 데이터 처리부를 포함하며, 상기 데이터 처리부는 학습된 제1 인공지능 모델을 포함하는 제1 이미지 분석부 및 학습된 제2 인공지능 모델을 포함하는 제2 이미지 분석부를 포함하되, 상기 제1 이미지 분석부는 상기 제1 이미지로부터 상기 숙성 대상육의 숙성 정보를 출력하고, 상기 제2 이미지 분석부는 상기 제1 이미지로부터 푸른 곰팡이 존부를 출력한다.

또한, 상기 랙 어셈블리는 순차적으로 적층된 제1 유닛랙 및 제2 유닛랙을 포함하고, 상기 랙 어셈블리 내에 저장 영역과 이동 영역이 정의되되, 상기 제1 유닛랙이 상기 저장 영역에서 상기 이동 영역으로 이동하면, 상기 제2 유닛랙은 상기 제1 유닛랙의 이동 전 위치로 이동할 수 있다.

또한, 상기 제1 유닛랙은 상단에 배치된 레일 조립체를 더 포함하고, 상기 레일 조립체는 가이드 레일 및 상기 숙성 대상육을 상기 가이드 레일에 거치하는 레일 걸이를 포함하며, 상기 숙성 대상육은 상기 가이드 레일이 이동함에 따라 그 위치가 변경될 수 있다.

또한, 상기 숙성실 바닥에 배치되며, 상기 일라이트 알갱이를 포함하는 일라이트 코팅층을 더 포함할 수 있다.

또한, 상기 일라이트 코팅층은 상기 숙성실 측벽을 적어도 부분적으로 덮을 수 있다.

또한, 상기 제1 이미지 분석부는 상기 제1 이미지와 상기 제2 이미지의 유사도를 분석하고, 상기 제2 이미지 중 상기 제1 이미지와 가장 유사한 제2 이미지를 선택하고 이를 기초로 상기 숙성 정보를 출력할 수 있다.

또한, 상기 제2 인공지능 모델은 상기 푸른 곰팡이가 형성된 이미지 정보를 포함하는 학습 데이터 세트로 학습된 모델일 수 있다.

상기 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 돼지고기 숙성 방법은 서버에 의해 제어되는 숙성실을 포함하는 돼지고기 숙성 시스템에 의해 수행되는 돼지고기 숙성 방법으로서, 상기 돼지고기 숙성 시스템 내 환경 조건을 설정하는 단계, 도축된 숙성 대상육을 상기 숙성실 내 배치하는 단계, 상기 숙성 대상육을 28일 내지 40일 동안 숙성시키는 단계를 포함한다.

또한, 환경 조건은 1.7℃ 내지 2.0℃의 온도조건, 79% 내지 83%의 습도 조건 및 6개월 이상 숙성된 미끼육 배치 조건을 포함할 수 있다.

과제의 해결 수단은 이에 제한되지 않으며, 더욱 구체적인 수단들은 명세서에서 더 자세하게 다루고 있다.

본 발명의 실시예들에 의하면 돼지고기 숙성에 필요한 최적의 환경을 제공할 수 있다.

또한, 돼지고기 숙성 상태를 정확하게 확인하여 고기 맛의 일관성을 유지할 수 있다.

또한, 문제가 생긴 돼지고기를 조속하게 제거하여 다른 돼지고기에 안 좋은 영향을 미치는 것을 방지할 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템을 설명하기 위한 개략도이다.
도 3은 본 발명의 일 실시예에 따른 랙 어셈블리의 개략도이다.
도 4는 본 발명의 일 실시예에 따른 랙 어셈블리의 부분 평면도이다.
도 5는 본 발명의 일 실시예에 따른 랙 어셈블리의 부분 사시도이다.
도 6은 본 발명의 일 실시예에 따른 랙 어셈블리의 동작을 설명하기 위한 개략도이다.
도 7은 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템의 부분 블록도이다.
도 8은 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템의 부분 블록도이다.
도 9는 본 발명의 일 실시예에 따른 돼지 고기 숙성 시스템을 설명하기 위한 부분 개략도이다.
도 10은 본 발명의 일 실시예에 따른 돼지 고기 숙성 시스템을 설명하기 위한 부분 개략도이다.
도 11은 본 발명의 다른 실시예에 따른 돼지고기 숙성 시스템의 개략도이다.
도 12는 본 발명의 다른 실시예에 다른 돼지고기 숙성 시스템의 개략도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

구성(elements) 또는 층이 다른 소자 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성 또는 층의 바로 위뿐만 아니라 중간에 다른 층 또는 다른 구성을 개재한 경우를 모두 포함한다. 반면, 구성이 "직접 위(directly on)" 또는 "바로 위"로 지칭되는 것은 중간에 다른 구성 또는 층을 개재하지 않은 것을 나타낸다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "위(on)", "상(on)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성 또는 구성 요소들과 다른 구성 또는 구성 요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 구성을 뒤집을 경우, 다른 구성의 "아래"로 기술된 구성은 다른 구성의 "위"에 놓여질 수 있다. 또한 도면을 기준으로 다른 구성의 "좌측"에 위치하는 것으로 기술된 구성은 시점에 따라 다른 구성의 "우측"에 위치할 수도 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성은 다른 방향으로도 배향될 수 있으며, 이 경우 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한 "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는다.

명세서 전체를 통하여 동일하거나 유사한 부분에 대해서는 동일한 도면 부호를 사용한다.

이하, 도면을 참조하여 본 발명의 실시예들에 대하여 설명한다.

도 1은 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템의 개략도이다.

도 1을 참고하면 일 실시예에 다른 돼지고기 숙성 시스템(1000)은 서버(100)에 수행되며, 숙성실(200)을 포함하여 이루어진다.

서버(100)는 광의의 의미를 가지며, 숙성실(200)을 제어하기 위해 신호 및/또는 데이터를 주고받는 컴퓨팅 장치를 포함하는 개념으로 이해할 수 있다.

서버(100)는 숙성실(200)과 연결되어 숙성실(200)을 제어할 수 있는데, 여기서 '연결'이란 유선 및/또는 무선으로 연결되어 서로 간에 신호나 데이터를 주고받을 수 있는 상태를 의미할 수 있다.

도 2는 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템을 설명하기 위한 개략도이다.

도 2를 참고하여, 숙성실(200)의 구조에 대해 설명하기로 한다. 숙성실(200)은 일정한 내부 공간을 갖는 방(ROOM) 형태를 가질 수 있다. 즉, 바닥, 천장 및 측벽으로 구획되는 공간으로서, 필요에 따라 개폐될 수 있다.

일 실시예에서 숙성실(200)은 온습도조절기(210), 일라이트판(220), 미끼육걸이(230), 랙 어셈블리(250) 및 카메라(240)을 포함할 수 있다.

온습도조절기(210)은 숙성실내 온도, 습기, 통풍 등 숙성실내 환경 조건을 조절할 수 있다. 즉, 온습도조절기(210)는 복합적인 기능을 하는 구성으로서 단일 구성으로 형성될 수 있지만, 단일 기능을 수행하는 여러 구성들의 조합체일 수 있다. 예컨대, 온습도조절기(210)는 냉방기, 난방기, 제습기, 가습기 및 통풍팬으로 이루어진 군에서 적어도 하나 이상 선택되어 이루어질 수 있다.

일 실시예에서 온습도조절기(210)는 숙성실의 상부 또는 천장과 결합되도록 형성될 수 있다. 다만, 이는 예시적인 것으로 온습도조절기(210)의 위치에 이에 제한되는 것은 아니다.

숙성실(200) 내에는 일라이트 판(220)이 배치될 수 있다. 일라이트란 단사정계에 속하는 운모족 광물이다. 굳기는 1~2, 비중은 2.6~2.9, 조흔색은 백색이다. 화학성분과 결정구조로 보아 다른 성분을 포함하고 있는 혼합광물이라는 견해가 있다. 일라이트는 유해균이나 가스에 대한 흡착, 탈취, 습도 조절, 향균성 등의 기능을 갖는 것으로 알려져있다. 일라이트 판(220)에는 일라이트 알갱이들이 모래의 형태로 담겨져 있을 수 있다. 일라이트 판(220)에 담겨진 일라이트 알갱이들은 숙성실 내 유해균을 억제하고, 습도, 균 배양 등에 영향을 끼칠 수 있다.

일 실시예에서 일라이트 판(220)은 숙성실(200) 바닥에 일정 면적 깔려 있을 수 있다. 다만, 이는 예시적인 것으로 일라이트 판(220)의 배치가 이에 제한되는 것은 아니다.

숙성실(200) 내부에는 미끼육 걸이(230)가 배치될 수 있다. 미끼육 걸이(230)는 미끼육(231)을 걸어 놓을 수 있는 구조를 가질 수 있다. 예컨대, 미끼육 걸이(230)는 미끼육(231)이 숙성실 바닥으로부터 일정 거리 이격되도록 수직으로 연장된 기둥(232), 기둥의 일단으로부터 수평으로 연장된 거치부(233), 거치부에 미끼육(231)을 끼워 걸 수 있는 고리부(234)를 포함할 수 있다.

미끼육(231)은 숙성실(200)내 흰곰팡이 균이 잘 퍼지도록 유도하기 위해 배치될 수 있다. 즉, 숙성에 있어서 바람직한 조건은 적정한 양의 흰곰팡이(유익균)가 표면에 형성될 것, 푸른 곰팡이(유해균)이 형성되지 않을 것의 두 가지인데 미끼육(231)은 이 중 첫 번째 조건에 관여할 수 있다. 이를 위해 미끼육(231)으로 최소 6개월 이상 숙성실(200)에서 숙성된 고기를 사용하며, 표면에 흰곰팡이가 배치되고, 푸른곰판이가 배치되지 않은 고기 중 외부 손상이 없고 악취가 없는 고기를 미끼육으로 사용할 수 있다.

'6개월 이상 숙성실(200)에서 숙성되었다' 함은 아래에서 설명하는 숙성 환경 조건(온도 조건 및 습도 조건)에서 숙성된 고기임을 의미할 수 있다.

즉, 미끼육은 돈육 또는 돈육의 특정 부위(목심, 뒷다리, 앞다리 등)로서, 표면에 적어도 부분적으로 흰곰팡이가 덮여있는 고기를 의미할 수 있다.

랙 어셈블리(250)는 숙성의 대상이 되는 고기들이 저장되는 구성이다. 랙 어셈블리(250)에 대한 설명을 위해 도 3 내지 도 6이 참고된다.

도 3은 본 발명의 일 실시예에 따른 랙 어셈블리(250)의 개략도이다. 도 4는 본 발명의 일 실시예에 따른 랙 어셈블리(250)의 부분 평면도이다. 도 5는 본 발명의 일 실시예에 따른 랙 어셈블리(250)의 부분 사시도이다. 도 6은 본 발명의 일 실시예에 따른 랙 어셈블리(250)의 동작을 설명하기 위한 개략도이다.

도 1, 도 3 내지 도 6을 참고하면, 랙 어셈블리(250)는 제1 유닛랙(251), 제2 유닛랙(252), 제3 유닛랙(253), 저장 영역(254) 및 이동 영역(255)을 포함한다.

제1 유닛랙(251)에는 복수의 숙성 대상 고기가 거치될 수 있다. 일 실시예에서 제1 유닛랙(251)은 직육면체 구조로 이루어질 수 있다. 즉, 복수의 프레임들이 직육면체의 모서리를 구성하며 이에 따라 직육면체의 구조물이 형성될 수 있다. 프레임들로 직육면체의 모서리를 구성함에 따라 제1 유닛랙(251)의 각 면은 적어도 부분적으로 개방되어 있다. 즉, 제1 유닛랙(251)은 숙성을 위해 사방이 열린 개방형 구조를 가질 수 있다. 즉, 모서리 프레임이 제1 유닛랙(251)의 공간을 구획하며, 면은 비어있는 공간이 차지할 수 있다.

제1 유닛랙(251)의 상단에는 레일 조립체(260)가 배치될 수 있다. 레일 조립체(260)는 일정한 경로를 따라 이동하는 가이드 레일(262)과 가이드 레일(261)에 걸린 상태에서 이동하는 레일 걸이(261) 및 가이드 레일(262)을 이동시키는 구동부(도시하지 않음)를 포함할 수 있다.

도 3 내지 도 5를 참고하면, 일 실시예에서 숙성 대상육(M)은 레일 걸이(261)에 걸려있으며, 가이드 레일(262)이 이동함에 따라 숙성 대상육(M)도 그 위치를 바꿀 수 있다.

즉, 레일 조립체(260)를 통해 숙성 대상육(M)은 제1 유닛랙(251) 안에 정의된 범위 내에서 위치(구체적으로 x좌표와 y좌표를 바꿀 수 있다)

구동부는 서버(100)의 신호를 받아 가이드 레일(262)를 정해진 경로에 따라 연속적 또는 단속적으로 회전시킬 수 있다. 즉, 가이드 레일(262)이 정해진 경로에 따라 회전하면, 가이드 레일(262)에 걸려 있는 복수의 레일 걸이(261)의 위치가 변경되고, 그에 따라 숙성 대상육(M)도 그 위치가 바뀌는 구조인 것이다.

도 6을 참고하면, 일 실시예에서 랙 어셈블리(250)는 복수의 유닛랙(251, 252, 253)을 포함할 수 있다. 설명의 편의를 위해 제1 유닛랙(251), 제2 유닛랙(252) 등으로 구분하였지만, 제1 유닛랙(251)과 제n 유닛랙은 실질적으로 동일한 구성이며, 따라서, 제1 유닛랙(251)에 대한 설명은 제n 유닛랙에도 그대로 적용될 수 있다. 또한, 설명의 편의를 위해 유닛랙이 3개 배치된 경우를 예시하여 설명하지만, 유닛랙의 개수가 이에 제한되는 것도 아니다.

도 6을 참고하면, 복수의 유닛랙들은 그 위치를 변경할 수 있다. 구체적으로, 랙 어셈블리(250) 내에서 정의된 공간 안에서 그 z 좌표를 변경할 수 있다.

먼저, 랙 어셈블리(250) 내에는 저장 영역(254)와 이동 영역(255)이 정의될 수 있다. 랙 어셈블리(250)는 전체적으로 내부 공간이 구획된 직육면체 형상을 가질 수 있는데 복수의 프레임이 그 모서리를 구성하여 구획된 직육면체 형상을 가질 수 있다. 또한, 프레임을 제외한 면은 비어 있는 공간으로 개방되거나, 비어 있는 공간이 다른 구성에 의해 부분적으로 채워져 부분적으로 개방된 구조를 가질 수 있다.

저장 영역(254)와 이동 영역(255)은 랙 어셈블리(250) 내부 공간을 양분할 수 있다. 구체적으로, 랙 어셈블리(250)의 일측에는 저장 영역(254)이 배치되고, 타측에는 이동 영역(255)이 배치될 수 있다.

일 실시예에서 저장 영역(254)의 제1층에 제1 유닛랙(251), 제2층에 제2 유닛랙(252) 및 제3층에 제3 유닛랙(253)이 나란하게 적층될 수 있다.

이와 같은 상태에서 각각의 유닛랙의 위치를 상호 변경하기 위해 이동 영역(255)이 이용될 수 있다.

도 6을 참고하면, 제2 유닛랙(252)이 이동 영역(255)로 이동할 수 있다. 제2 유닛랙(252)가 이동 영역으로 이동하면, 저장 영역(254)의 제2층 공간이 비게된다. 이 공간이 비게되면, 제3 유닛랙(253)이 승강하여 제2층으로 올라가거나, 제1 유닛랙(251)이 하강하여 제2층으로 내려갈 수 있다. 또한, 제2 유닛랙(252)은 제3 유닛랙(253) 또는 제1 유닛랙(251)이 제2층으로 내려가면 비게 되는 저장 영역(254) 중 제3층 또는 제1층으로 이동할 수 있다.

이와 같이 저장 영역(254)과 이동 영역(255)을 구성하고, 복수의 유닛랙을 모듈식으로 구성하는 경우, 복수의 유닛랙의 위치를 교환할 수 있다.

즉, 복수의 유닛랙의 적층 순서를 바꿀 수 있다.

일 실시예에서 유닛랙의 이동은 자동으로 이루어질 수 있다. 구체적으로 서버(100)에서 제공된 신호를 수신하면 랙 어셈블리(250)는 특정 유닛랙을 수평 이동시키고, 다른 유닛랙을 승강시키거나 하강시킬 수 있다. 이를 위해 랙 어셈블리(250)는 이동에 필요한 동력을 제공하는 액츄에이터, 승강기, 하강기, 수평이동기 등을 포함할 수 있다.

숙성실(200)의 일측에는 카메라(240)가 배치될 수 있다. 카메라(240)는 랙 어셈블리(250)에 배치되는 숙성 대상육(M)을 촬영하여 이미지 및/또는 동영상을 생성할 수 있다. 이를 위해 카메라(240)는 랙 어셈블리(250)에 대향하는 위치에 배치될 수 있다. 또한, 일 실시예에서 동일한 빛 조건에서의 이미지를 획득하기 위해 카메라(240)는 제2층에 배치되는 유닛랙(도 1에서는 제2 유닛랙(252))과 대향하는 위치에 배치될 수 있으며, 이미지의 촬영은 숙성 대상육(M)이 제2층에 배치되는 경우에 수행될 수 있다.

이어서, 도 7을 참고하여, 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템에 대해 설명하기로 한다.

도 7은 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템의 부분 블록도이다.

도 7을 참고하면, 일 실시예에서 서버(100)는 제어부(110), 통신부(120), 데이터베이스부(130), 데이터처리부(150) 및 환경 조절부(160)를 포함한다.

제어부(110)는 일 실시예에서 돼지 고기 숙성 시스템(1000)의 하위 구성을 총괄적으로 제어할 수 있다.

즉, 돼지 고기 숙성 시스템(1000)의 하위 구성은 제어부(110)의 신호에 따라 구동될 수 있다.

이를 위해 제어부(110)는 돼지 고기 숙성 시스템(1000)이 포함하는 모든 구성과 물리적 및/또는 개념적으로 연결될 수 있다.

일 실시예에서 제어부(110)는 전적으로 하드웨어이거나, 부분적으로 하드웨어이고, 부분적으로 소프트웨어일 수 있다. 즉, 제어부는 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭하는 개념으로 이해될 수 있다.

일 실시예에서 제어부(110)가 하드웨어를 포함하는 경우, 제어부(110)는 적어도 하나의 프로세서를 포함할 수 있다. 일 실시예에서 프로세서는 중앙처리장치(CPU), 그래픽 처리 장치(GPU) 및 텐서 처리 장치(TPU) 중에서 선택된 하나 이상을 포함할 수 있다. 다만, 이는 예시적인 것으로, 프로세서의 종류가 이에 제한되는 것은 아니다.

또한, 제어부(110)는 딥러닝을 위한 프로세서를 포함할 수 있다. 구체적으로 제어부(110)는 신경망의 학습을 위한 계산을 수행할 수 있다. 즉, 제어부(110)는 딥 러닝에서 학습을 위한 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파를 이용한 신경망의 가중치 업데이트 등 신경망 학습을 위한 계산을 수행할 수 있다.

통신부(120)는 각 구성과 각 구성 사이에 유선 및/또는 무선의 연결을 제공할 수 있다.

이를 달성하기 위한 수단으로 통신부(120)는 유선 통신을 지원하기 위한 유선 통신 모듈 및/또는 무선 통신을 지원하기 위한 무선 통신 모듈을 포함할 수 있다.

유선 통신 모듈은 예컨대, 유선 통신을 위한 기술표준들 또는 통신 방식(이더넷(Ehternet), PLC(Power Line Communication), 홈 PNA, IEEE 1394 등)에 따라 구축된 유선 통신망에서 타 서버, 기지국, AP(access point) 중 적어도 하나와 유선 신호를 송수신하기 위한 통신 인터페이스를 포함할 수 있다.

무선 통신 모듈은, 무선 통신을 위한 기술표준들 또는 통신방식(예를 들어, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DLNA(Digital Living Network Alliance), GSM(Global System for Mobile communication), CDMA(Code Division MultiAccess), WCDMA(Wideband CDMA), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 무선 통신망에서 기지국, AP(Access Point) 및 중계기 중 적어도 하나와 무선 신호를 송수신하기 위한 통신 인터페이스를 포함할 수 있다. 다만, 이는 예시적인 것으로, 통신부(120)의 구성이 이에 제한되는 것은 아니다. 즉, 데이터 송수신을 가능하게 하는 수단이라면, 통신부(120)로 채택될 수 있다.

데이터베이스부(130)는 시스템에서 필요로 하는 정보를 저장할 수 있다.

일 실시예에서 데이터베이스부(130)는 내장 메모리를 포함할 수 있다. 보다 구체적으로, 데이터베이스부(130)는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리(non-volatile Memory, 예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등), SSD(Solid State Drive) 중 적어도 하나를 포함할 수 있다.

한편, 데이터베이스부(130)는 일 실시예로 외장 메모리를 포함할 수 있다. 보다 구체적으로, 데이터베이스부(130)는 flash drive, 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 Memory Stick 등을 더 포함할 수 있다.

데이터베이스부(130)는 제어부(110)의 판단에 기초가 되는 정보를 저장할 수 있다. 데이터베이스부(130)에 의해 저장되는 정보는 기 입력된 정보이거나, 통신부(120)를 이용하여 외부 또는 다른 컴퓨팅 장치로부터 제공되는 정보일 수 있다. 일 실시예에서 데이터베이스부(130)는 후술하는 인공지능 모델의 학습에 필요한 이미지 자료를 저장할 수 있다. 또한, 카메라(240)가 촬영한 이미지들을 저장하여 인공지능 모델의 입력값 및/또는 출력값으로 활용할 수 있다.

데이터 처리부(150)는 인공지능 모델을 이용하여 숙성 대상육(M)의 현재 숙성 상태 및 불량 여부(구체적으로, 푸른 곰팡이 형성 여부)를 확인할 수 있다.

이에 대해서는 뒤에서 자세히 설명하기로 한다.

환경 조절부(160)는 숙성실내 온도, 습도, 통풍(풍속, 공기 유량 등) 조건을 제어할 수 있다.

구체적으로 환경 조절부(160)는 숙성실(200) 내 배치되는 온습도조절기(210)를 제어하여 숙성 조건을 구현하기 위해 필요한 기능을 활성화시킬 수 있다.

도 8은 본 발명의 일 실시예에 따른 돼지고기 숙성 시스템의 부분 블록도이다. 도 9는 본 발명의 일 실시예에 따른 돼지 고기 숙성 시스템을 설명하기 위한 부분 개략도이다.

도 10은 본 발명의 일 실시예에 따른 돼지 고기 숙성 시스템을 설명하기 위한 부분 개략도이다.

도 8을 참고하면, 데이터 처리부(150)는 제1 이미지 분석부(150), 제2 이미지 분석부(151) 및 판단부(152)를 포함한다.

제1 이미지 분석부(151) 및 제2 이미지 분석부(152)는 카메라(240) 제공된 이미지 또는 데이터베이스부(130)에서 제공된 이미지를 분석할 수 있다. 구체적으로, 제1 이미지 분석부(151) 및 제2 이미지 분석부(152)는 제공되는 이미지를 기계학습하여 결과값을 출력할 수 있다.

제1 이미지 분석부(151) 및 제2 이미지 분석부(152)는 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstraction, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)을 시도하는 기계학습 알고리즘의 집합인 심층학습(deep learning)을 이용하여 구축된 인공지능 모델을 포함할 수 있다.

인공지능 모델은 뉴런 사이의 연결 패턴을 형성하는 컨볼루셔널 신경망, 시간에 다라 매순간 신경망을 쌓아올리는 재귀 신경망, 입력 집합에 대한 확률 분포를 학습할 수 있는 제한 볼츠만 머신 등을 기반으로 할 수 있으나 이에 한정되는 것은 아니다.

일 실시예에서 인공지능 모델은 딥 뉴럴 네트워크(Deep Neural Network)(DNN)를 포함할 수 있다. 딥 뉴럴 네트워크(DNN)는 제어부(110)에 기 저장된 제2 이미지와 카메라(240)에 의해 획득된 제1 이미지에서 각각의 피처(feature)를 추출할 수 있다. 딥 뉴럴 네트워크(DNN)는 추출된 각각의 피처를 비교하여 제1 이미지(51)와 제2 이미지(52)의 유사도를 판단할 수 있다.

일 실시예에서 제1 이미지 분석부(151) 및/또는 제2 이미지 분석부(152)는 제1 이미지의 피쳐와 제2 이미지의 피쳐 사이의 수학적 거리를 구하여 유사도를 판단할 수 있다. 제1 이미지 분석부(151) 및/또는 제2 이미지 분석부(152)는 제1 이미지와 제2 이미지의 유사도가 사전 결정된 임계값 이하인 경우, 제1 이미지를 어노말리 데이터를 포함하는 이미지, 즉, 현재 상황이 비정상 상황, 즉 비유사라는 결과값을 출력할 수 있다.

다른 실시예에서 제1 이미지 분석부(151) 및/또는 제2 이미지 분석부(152)는 제1 이미지와 제2 이미지를 딥 뉴럴 네트워크(DNN)로 비교하여 두 이미지에서 실제 어느 픽셀이 상이한지를 픽셀 단위로 표현하는 픽셀바이픽셀 세그멘테이션 출력(Pixel by Pixel segmentation output)을 생성할 수도 있다.

또 다른 실시예에서 제1 이미지 분석부(151) 및/또는 제2 이미지 분석부(152)는 딥 뉴럴 네트워크(DNN)에서 생성된 임의의 비교 알고리즘으로 서브 네트워크의 출력을 서로 비교할 수 있다. 제1 이미지 분석부(151) 및/또는 제2 이미지 분석부(152)는 양 피쳐의 차이를 단순 비교하는 것뿐만 아니라, 양 피쳐의 비교에 딥 뉴럴 네트워크(DNN)를 사용하여 양 피쳐의 차이의 정도, 차이가 있는 부분의 픽셀의 위치 등을 출력할 수 있다.

설명의 편의를 위해 용어를 정리하기로 한다. 본 명세서에서 '신경망', '네트워크 함수' 및 '뉴럴 네트워크'는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 '노드'라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 '노드'는 '뉴런(Neuron)'으로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드를 포함하여 구성될 수 있다. 신경망들을 구성하는 노드들은 하나 이상의 '링크'에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터 거리들에 기초하여 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수도 있다. 예컨대, 노드들의 레이어는 최종 출력 노드로부터의 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는 신경망 네트워크 내에서 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드를 가지지 않는 노드들을 의미할 수 있다.

이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다.

히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

딥 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(Latent Structrue)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)을 파악할 수 있다. 일 실시예에서 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: Convolutional Neural Network), 리커런트 뉴럴 네트워크(RNN: Recurrent Neural Network), 제한 볼츠만 머신(RBM: Restricted Boltzmann Machine), 심층 신뢰 네트워크(DBN: Deep Belief Network), Q 네트워크, U 네트워크 및 샴 네트워크로 이루어진 군에서 선택된 하나 이상을 포함할 수 있다.

일 실시예에서 딥 뉴럴 네트워크(DNN)는 학습된 샴 네트워크 모델을 포함할 수 있다. 샴 네트워크(Siamese Network) 카테고리별 학습 데이터(training data)가 충분치 않은 인식기에 사용될 수 있는 뉴럴 네트워크이다. 샴 네트워크는 데이터로부터 유사성 측정을 학습할 수 있다. 이를 위해 샴 네트워크는 적어도 부분적으로 가중치를 공유하는 2 이상의 뉴럴 네트워크와 각 서브 네트워크드롤부터 출력을 입력받는 비교 모듈을 포함할 수 있다.

샴 네트워크에는 적어도 두 개의 이미지가 입력될 수 있다. 샴 네트워크는 입력되는 2 개의 이미지의 유사도를 판단한 결과를 출력할 수 있다. 이미지를 처리하기 위해 샴 네트워크의 각 서브 네트워크는 이미지를 입력 받는 컨벌루셔널 뉴럴 네트워크를 포함할 수 있다. 샴 네트워크에서 이미지를 입력받는 2개의 서브 네트워크는 가중치의 적어도 일부를 공유할 수 있다. 즉, 샴 네트워크에 포함된 서브 네트워크들은 가중치 공유 모듈에 의하여 가중치를 공유할 수 있으며, 이를 통해 샴 네트워크는 입력된 두 데이터에 대해 공통된 가중치로 피쳐를 추출하여 비교할 수 있다.

샴 네트워크는 입력 데이터의 유사성을 측정할 수 있는 학습이 가능한 네트워크 구조로서, 카테고리가 많고, 훈련을 위한 데이터가 충분치 않은 경우에 사용될 수 있다. 입력 데이터 유사성 측정의 학습 방법은 타겟 공간에서 단순 거리가 입력 공간에서 의미론적 거리(semantic distance)에 근접하도록 입력 패턴을 타겟 공간에 매핑시키는 합수를 찾는 과정을 포함할 수 있다.

구체적으로, 입력 데이터 유사성 측정의 학습 방법은 서브 네트워크의 가중치w를 가지는 함수에서 가중치 w를 연산하는 과정을 포함할 수 있다. 구체적으로, 서브 네트워크의 함수에서 입력 데이터가 서로 같은 카테고리인 경우, 유사도 함수가 작은 값을 가지고, 입력 데이터가 서로 다른 카테고리인 경우 유사도 함수가 큰 값을 가지도록 하는 가중치w를 연산하는 과정을 포함할 수 있다. 각 서브 네트워크의 가중치w는 가중치 공유 모듈에 의해 각각 공유될 수 있다. 샴 네트워크는 서브 네트워크가 공유된 가중치를 가지는 함수로 각각의 입력 데이터를 처리할 수 있다.

각 서브 네트워크가 포함하는 컨벌루셔널 뉴럴 네트워크는 서로 대응되는 노드끼리 가중치를 공유할 수 있다. 컨벌루셔널 뉴럴 네트워크에서 출력된 피쳐들의 유사도는 비교 모듈에서 판단될 수 있다. 일 실시예에서 비교는 양 컨벌루셔널 뉴럴 네트워크에서 출력된 피쳐의 수학적 거리에 기초하여 수행될 수 있다. 양 이미지를 비교하는 방식을 채용하는 샴 네트워크는 학습 데이터가 충분치 않은 경우에도, 두 개의 이미지를 인식할 수 있고, 이미지 데이터의 회전, 변형 등에 민감하지 않아 일반적인(general) 인식 성능을 가질 수 있다.

뉴럴 네트워크는 교사 학습(Supervised learning), 비교사 학습(Unsupervised learning) 및 반교사 학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습은 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고, 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다.

교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어 있는 학습 데이터를 사용하며, 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 예컨대, 데이터 분류에 관한 교사 학습의 경우, 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 뉴럴 네트워크에서 역방향으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(Learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

도 9를 참고하면, 일 실시예에서 제1 이미지 분석부(151)는 제1 인공지능 모델(A1)을 통해 제1 이미지(51)에서 숙성 정도에 대한 정보를 생성할 수 있다.

일 실시예에서 제1 인공지능 모델(A1)은 제1 학습 데이터 세트(T1)에 의해 교사 학습된 모델일 수 있다. 제1 학습 데이터 세트(T1)는 숙성 날짜에 따른 숙성 대상육의 이미지 정보를 포함할 수 있다. 구체적으로, 제1 학습 데이터 세트(T1)는 숙성 대상육의 각 부위 예컨대, 목전지, 앞다리, 삼겹살, 뒷다리 등으로 구분된 숙성 대상육의 숙성 1일차, 2일차??.n일차의 이미지를 포함할 수 있다. 즉, 학습 데이터 세트에 사용되는 이미지는 부위 정보와 숙성 일자 정보가 라벨링된 이미지일 수 있다.

앞서 설명한 바와 같이 숙성에서 가장 중요한 것은 숙성 대상육 표면에 적당한 양의 흰곰팡이가 분포하고, 푸른곰팡이가 존재하지 않는 것이다. (특히 숙성 대상육 표면에)

또한, 숙성 대상육 표면의 흰곰팡이의 분포와 밀도 등은 숙성의 정도를 나타내는 바로미터가 될 수 있다.

일 실시예에서 제1 인공지능 모델(A1)은 숙성 일자가 라벨링된 숙성 대상육을 학습데이터 세트로 하여 학습된 모델일 수 있다.

카메라(240)에서 촬영된 숙성 대상육의 현재 이미지가 제공되면, 제1 이미지 분석부(151)는 제1 이미지로부터 숙성 대상육의 숙성 정보를 출력할 수 있다. 구체적으로, 이미지 분석부(151)는 제1 이미지(51)와 데이터베이스부(130)에 저장된 이미지의 유사도 판단을 수행할 수 있다. 데이터베이스부(130)에는 부위별 날짜별 숙성육의 이미지 정보가 저장되어 있으므로, 이미지 분석부(151)는 제1 이미지(51)와 저장된 이미지의 유사도 판단을 수행하여 가장 유사한 이미지를 출력할 수 있다. 판단부(153)는 제1 이미지 분석부(151)가 출력한 이미지를 토대로 숙성 대상육의 숙성 정도와 부위 정보를 확인할 수 있다.

도 10을 참고하면, 제2 이미지 분석부(152)는 학습된 제2 인공지능 모델을 이용하여 카메라(240)로부터 제공된 제1 이미지(51)에서 푸른 곰팡이 정보를 추출할 수 있다.

일 실시예에서 제2 인공지능 모델(A2)은 제2 학습 데이터 세트(T2)에 의해 학습된 모델일 수 있다. 일 실시예에서 제2 학습 데이트 세트(T2)는 각 부위별, 숙성일자별 이미지 중 푸른 곰팡이가 생성된 이미지를 포함할 수 있다.

일 실시예에서 제2 인공지능 모델(A2)은 푸른곰팡이가 형성된 숙성육의 부위별, 일자별 이미지 중 푸른곰팡이 부분이 라벨링된 이미지를 통해 학습된 모델일 수 있다.

다른 실시예에서 제2 인공지능 모델(A2)은 푸른곰팡이가 형성된 숙성육과 푸른곰팡이가 형성되지 않은 숙성육 이미지를 통해 비교사 학습된 인공지능 모델일 수 있다.

제2 이미지 분석부(152)는 학습된 제2 인공지능 모델을 이용하여 제1 이미지(51)에서 푸른 곰팡이의 존재 여부를 출력할 수 있다. 즉, 기존의 푸른 곰팡이가 형성된 이미지와 유사도 분석을 수행하거나 비교사 학습된 제2 인공지능 모델을 이용하고 복수의 숙성육 이미지를 통해 학습하여 클러스터 분석을 수행 제1 이미지(51)에서 푸른 곰팡이가 존재하는 지 여부를 출력할 수 있다.

데이터 처리부(150)에서 처리된 결과값은 서버(100)를 통해 사용자에게 제공될 수 있다. 또한, 푸른 곰팡이가 발견되면 즉시 사용자에게 알람을 제공하고, 사용자는 이를 기초로 해당 숙성 대상육을 제거할 수 있다.

사용자는 대상육의 현재 이미지를 획득하여 이미지 분석부를 통해 숙성의 정도와 불량 여부를 확인할 수 있다.

숙성육의 경우, 결과물의 일관성이 매우 중요한 의미를 가진다. 즉, 결과물의 맛과 향이 일정해야 제품을 브랜딩할 수 있으며, 식품으로서 안전성을 가져야 판매할 수 있다.

본 발명의 일 실시예에 따른 돼지고기 숙성 시스템에 의하면, 실시간 또는 단속적으로 숙성실내 숙성 대상육의 현재 상태 및 불량 여부를 확인할 수 있다. 또한, 이미지 분석을 통해 숙성 상태를 일관적으로 유지하여 맛과 향이 일정하게 유지될 수 있도록 할 수 있다. 또한, 유해균이며 주변 다른 숙성육들에까지 악영향을 줄 수 있는 푸른곰팡이를 발생 즉시 제거함으로써, 식품의 안전성을 향상시킬 수 있다.

도 11은 본 발명의 다른 실시예에 따른 돼지고기 숙성 시스템의 개략도이다.

도 11을 참고하면, 도 2의 실시예와 달리 일라이트 판(220)이 생략되었으며, 그 대신 바닥에 일라이트 코팅(221)이 도포되어 있음을 확인할 수 있다. 앞서 설명한 바와 같이 일라이트는 모래와 같은 알갱이 형태로 배치되어 있다. 따라서 적당한 가교제 또는 페인트를 이용하여 바닥에 코팅할 수 있다.

일 실시예에서 숙성실(200) 바닥부에 일라이트 코팅(221)이 형성될 수 있다. 그 효과는 앞서 도 2 등에서 설명한 것과 실질적으로 동일할 수 있다.

도 12는 본 발명의 다른 실시예에 다른 돼지고기 숙성 시스템의 개략도이다.

도 12를 참고하면, 도 2의 실시예와 달리 일라이트 판(220)이 생략되었으며, 그 대신 측벽에 적어도 부분적으로 일라이트 코팅(222)이 도포될 수 있다. 일 실시예에서 숙성실(200) 측벽에는 적어도 부분적으로 일라이트 코팅(222)이 형성될 수 있다. 그 효과는 앞서 도 2 등에서 설명한 것과 실질적으로 동일할 수 있다.

이와 같이 일라이트 판(220) 대신에 측벽이나 바닥에 일라이트 코팅층을 형성하는 경우, 일라이트 판(220)이 차지하는 공간을 줄여 공간 효율성을 향상시킬 수 있다.

이하에서는 본 발명의 다른 실시예에 따른 돼지고기 숙성 방법에 대해 설명하기로 한다. 일 실시예에 따른 돼지고기 숙성 방법은 앞서 설명한 몇몇 실시예에 따른 돼지고기 숙성 시스템에 의해 수행될 수 있다.

일 실시예에 따른 돼지고기 숙성 방법은 돼지고기 숙성 시스템 내 환경 조건을 설정하는 단계, 도축된 숙성 대상육을 숙성실 내에 배치하는 단계, 상기 숙성 대상육을 28일 내지 40일 동안 상기 숙성실 내에서 숙성시키는 단계 및 숙성이 완료된 숙성 대상육을 출고시키는 단계를 포함한다.

먼저, 돼지고기 숙성 시스템 내 환경 조건을 설정하는 단계가 진행될 수 있다. 일 실시예에서 환경 조건은 온도 조건 1.7℃ 내지 2.0℃, 습도 조건 79%~83%을 포함할 수 있다. 이에 더하여 환경 조건은 6개월 이상 숙성된 미끼육 배치 및 일라이트 알갱이가 저장된 일라이트 판을 배치 조건이 포함될 수 있다.

이어서 도축된 숙성 대상육을 숙성실 내에 배치하는 단계가 진행될 수 있다. 이 때, 숙성 대상육은 도축된 지 6시간이 경과되지 않은 것으로 제한할 수 있다. 도축된 지 6시간이 지나면 돼지고기 숙성 시스템에 들어오기 전 부분적으로 발효나 부패가 진행되어 숙성이 의도한 바와 다르게 진행될 수도 있기 때문이다.

이어서, 상기 숙성 대상육을 28일 내지 40일 정도 숙성시키는 단계가 진행될 수 있다. 상기 숙성 대상육을 28일 내지 40일 정도 숙성시키는 단계가 진행시키는 단계는 숙성 중인 숙성 대상육의 숙성 정보를 확인하는 단계 및 푸른 곰팡이 존부를 판별하는 단계를 포함할 수 있다. 숙성 정보를 확인하는 단계 및 푸른 곰팡이 존부를 판별하는 단계는 앞서 본 발명의 몇몇 실시예에 따른 돼지고기 숙성 시스템에서 설명한 것과 같다. 숙성 대상육은 앞서 설명한 바와 같이 랙 어셈블리(250)에 배치될 수 있다. 숙성 대상육의 숙성 정보를 확인하는 단계는 카메라(240)로 숙성 대상육의 이미지를 획득하는 단계를 포함할 수 있는데 이를 위해 랙 어셈블리(250)는 각각의 숙성 대상육을 카메라 앞에 놓기 위해 숙성 대상육을 xyz 방향 중 선택된 하나 이상의 방향으로 위치를 이동시킬 수 있다.

이상에서 본 발명의 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 본 발명의 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

100: 서버
200: 숙성실
210: 온습도조절기
220: 일라이트판
230: 미끼육걸이
231: 미끼육
240: 카메라
250: 랙 어셈블리
251: 유닛 랙
260: 레일조립체
261: 레일 걸이
221: 일라이트 코팅

Claims (10)

1. 서버에 의해 제어되는 숙성실을 포함하는 돼지고기 숙성 시스템으로서,
   상기 숙성실은 상기 숙성실내 온도와 습도를 조절하는 온습도조절기;
   상기 숙성실의 일측에 배치되어 일라이트 알갱이를 저장하는 일라이트 판;
   상기 숙성실 내부에 미끼육을 거치하는 미끼육걸이;
   숙성 대상육을 저장하는 랙 어셈블리; 및
   상기 랙 어셈블리에 저장된 상기 숙성 대상육의 제1 이미지를 획득하는 카메라;를 포함하고,
   상기 서버는 상기 숙성실을 제어하는 제어부;
   상기 카메라가 획득한 상기 제1 이미지 및 사전에 획득한 상기 숙성 대상육의 부위별, 숙성 일자별 이미지 정보인 제2 이미지를 저장하는 데이터베이스부; 및
   상기 제1 이미지를 입력하여 결과값을 출력하는 데이터 처리부를 포함하며,
   상기 데이터 처리부는 학습된 제1 인공지능 모델을 포함하는 제1 이미지 분석부 및 학습된 제2 인공지능 모델을 포함하는 제2 이미지 분석부를 포함하되,
   상기 제1 이미지 분석부는 상기 제1 이미지로부터 상기 숙성 대상육의 숙성 정보를 출력하고, 상기 제2 이미지 분석부는 상기 제1 이미지로부터 푸른 곰팡이 존부를 출력하는 돼지고기 숙성 시스템.
2. 제1항에 있어서,
   상기 랙 어셈블리는 순차적으로 적층된 제1 유닛랙 및 제2 유닛랙을 포함하고, 상기 랙 어셈블리 내에 저장 영역과 이동 영역이 정의되되, 상기 제1 유닛랙이 상기 저장 영역에서 상기 이동 영역으로 이동하면, 상기 제2 유닛랙은 상기 제1 유닛랙의 이동 전 위치로 이동하는 돼지고기 숙성 시스템.
3. 제2항에 있어서,
   상기 제1 유닛랙은 상단에 배치된 레일 조립체를 더 포함하고, 상기 레일 조립체는 가이드 레일 및 상기 숙성 대상육을 상기 가이드 레일에 거치하는 레일 걸이를 포함하며, 상기 숙성 대상육은 상기 가이드 레일이 이동함에 따라 그 위치가 변경되는 돼지고기 숙성 시스템.
4. 제1항에 있어서,
   상기 숙성실 바닥에 배치되며, 상기 일라이트 알갱이를 포함하는 일라이트 코팅층을 더 포함하는 돼지고기 숙성 시스템.
5. 제4항에 있어서,
   상기 일라이트 코팅층은 상기 숙성실 측벽을 적어도 부분적으로 덮는 돼지고기 숙성 시스템.
6. 제1항에 있어서,
   상기 제1 이미지 분석부는 상기 제1 이미지와 상기 제2 이미지의 유사도를 분석하고, 상기 제2 이미지 중 상기 제1 이미지와 가장 유사한 제2 이미지를 선택하고 이를 기초로 상기 숙성 정보를 출력하는 돼지고기 숙성 시스템.
7. 제1항에 있어서,
   상기 제2 인공지능 모델은 상기 푸른 곰팡이가 형성된 이미지 정보를 포함하는 학습 데이터 세트로 학습된 모델인 돼지고기 숙성 시스템.
8. 서버에 의해 제어되는 숙성실을 포함하는 돼지고기 숙성 시스템에 의해 수행되는 돼지고기 숙성 방법으로서, 상기 돼지고기 숙성 시스템 내 환경 조건을 설정하는 단계;
   도축된 숙성 대상육을 상기 숙성실 내 배치하는단계;
   상기 숙성 대상육을 28일 내지 40일 동안 숙성시키는 단계;를 포함하되,
   상기 숙성실은 상기 숙성실내 온도와 습도를 조절하는 온습도조절기;
   상기 숙성실의 일측에 배치되어 일라이트 알갱이를 저장하는 일라이트 판;
   상기 숙성실 내부에 미끼육을 거치하는 미끼육걸이;
   상기 숙성 대상육을 저장하는 랙 어셈블리; 및
   상기 랙 어셈블리에 저장된 상기 숙성 대상육의 제1 이미지를 획득하는 카메라;를 포함하고,
   상기 서버는 상기 숙성실을 제어하는 제어부;
   상기 카메라가 획득한 상기 제1 이미지 및 사전에 획득한 상기 숙성 대상육의 부위별, 숙성 일자별 이미지 정보인 제2 이미지를 저장하는 데이터베이스부; 및
   상기 제1 이미지를 입력하여 결과값을 출력하는 데이터 처리부를 포함하며,
   상기 데이터 처리부는 학습된 제1 인공지능 모델을 포함하는 제1 이미지 분석부 및 학습된 제2 인공지능 모델을 포함하는 제2 이미지 분석부를 포함하되,
   상기 제1 이미지 분석부는 상기 제1 이미지로부터 상기 숙성 대상육의 숙성 정보를 출력하고, 상기 제2 이미지 분석부는 상기 제1 이미지로부터 푸른 곰팡이 존부를 출력하는 돼지고기 숙성 방법.
9. 제8항에 있어서,
   상기 환경 조건은 1.7℃ 내지 2.0℃의 온도조건, 79% 내지 83%의 습도 조건 및 6개월 이상 숙성된 미끼육 배치 조건을 포함하는 돼지고기 숙성 방법.
10. 제8항에 있어서,
    상기 숙성실 바닥에 배치되며, 상기 일라이트 알갱이를 포함하는 일라이트 코팅층을 더 포함하는 돼지고기 숙성 방법.
    

Images