KR102548826B1 - 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템 - Google Patents

Abstract

본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 시스템은, 적어도 하나 이상의 프로세서; 및 적어도 하나 이상의 메모리; 를 포함하고, 상기 메모리에 저장되고 상기 적어도 하나 이상의 프로세서에 의해 실행되어 딥러닝 기반의 메뉴판을 제공하는 적어도 하나의 어플리케이션으로서 상기 적어도 하나의 어플리케이션은, 메뉴판 이미지 내 텍스트 정보를 획득하고, 상기 메뉴판 이미지 내 텍스트 이외의 특정 오브젝트를 나타내는 객체 이미지를 획득하고, 상기 획득된 텍스트 정보와 상기 객체 이미지를 맵핑하여 페어링(pairing)하고, 상기 텍스트 정보에 대한 언어변환을 수행하여 번역 텍스트 정보를 획득하고, 상기 텍스트 정보, 상기 번역 텍스트 정보 및 상기 페어링된 객체 이미지 중 적어도 둘 이상에 기초하여 재구성된 메뉴판 콘텐츠를 제공한다.

Description

딥러닝 기반의 메뉴판 제공 방법 및 그 시스템{METHOD AND SYSTEM FOR PROVIDING DEEP LEARNING-BASED MENU}

본 발명은 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템에 관한 것이다. 보다 상세하게는, 딥러닝을 기반으로 메뉴판 내 텍스트와 이미지를 추출하고, 추출된 텍스트와 이미지를 상호 매칭하여 재구성된 메뉴판을 제공하는 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템에 관한 것이다.

종래의 문자인식 기술은 스캐너를 통한 이미지 생성과 문서처리에 집중되어 있었으나, 모바일 단말 환경의 발전으로 사용자의 이동성이 활발해진 최근에는 모바일 카메라를 통한 영상 취득과 자연 영상(natural scene image)의 문자인식을 통한 정보 수집 및 서비스의 결합이 시급하게 요구되고 있다.

또한, 최근 들어 정보통신 및 교통과학 기술이 발달하고 세계화가 진행됨에 따라서 다양한 언어를 기반으로 제공되는 소정의 정보(예를 들면, 메뉴판 등)들을 접하게 되는 경우가 빈번하게 발생하고 있다.

그리하여 종래에는, 이종의 언어로 구현된 소정의 정보를 카메라를 통해 촬영하고, 촬영된 영상 내 문자를 변환하여 번역하여 주는 번역 기술(Translation technique)에 대한 연구가 활발히 진행되고 있다.

그러나, 종래의 본 기술분야에서는, 메뉴판과 같은 소정의 정보를 번역하여 제공할 시, 해당 메뉴판 내 텍스트를 중심으로 데이터를 추출해 변환하여 제공함으로써, 텍스트 이외의 타 정보들(예를 들면, 이미지 등)은 손실된다는 문제가 있다.

예를 들면, 이종의 언어로 구현된 메뉴판을 본토 언어로 번역하여 확인하고자 하는 소비자가 있을 경우, 해당 소비자는 메뉴판 내 텍스트를 번역하여 제공되는 메뉴명이나 가격 등의 정보와 함께 해당 메뉴를 나타내는 이미지(사진) 정보도 확인하고자 한다.

그러나 종래의 기술 수준에서는, 텍스트 이외의 이미지 정보까지 고려하여 새롭게 재구성된 정보를 제공하는 기술 개발이 미흡한 실정이다.

또한, 메뉴판과 같은 소정의 정보를 확인할 시 해당 정보 내에는 포함되어 있지 않으나 해당 정보 내 텍스트와 관련되는 부가적인 정보를 더 제공하여 줄 수 있는 기술 또한 미비하여, 이를 위한 기술 도입이 필요시되고 있다.

KR 10-2142238 B1

본 발명은, 딥러닝을 기반으로 메뉴판 내 텍스트와 이미지를 추출하고, 추출된 텍스트와 이미지를 상호 매칭하여 재구성된 메뉴판을 제공하는 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템을 구현하고자 한다.

자세히, 본 발명은, 메뉴판 내 텍스트와 이미지에 기반한 딥러닝을 수행하여 상호 매칭되는 텍스트와 이미지를 페어링(pairing)해 제공하는 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템을 구현하고자 한다.

또한, 본 발명은, 위와 같이 텍스트와 이미지에 대한 페어링을 수행할 시, 상기 텍스트에 대응되는 이미지가 부재하는 경우 딥러닝을 기초로 상기 텍스트에 대응되는 소정의 이미지를 획득하여 제공하는 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템을 구현하고자 한다.

또한, 본 발명은, 메뉴판으로부터 추출되는 특정 언어 기반의 텍스트를 딥러닝을 기초로 변환하여 소정의 타 언어로 번역해 제공하는 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템을 구현하고자 한다.

다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 시스템은, 적어도 하나 이상의 프로세서; 및 적어도 하나 이상의 메모리; 를 포함하고, 상기 메모리에 저장되고 상기 적어도 하나 이상의 프로세서에 의해 실행되어 딥러닝 기반의 메뉴판을 제공하는 적어도 하나의 어플리케이션으로서 상기 적어도 하나의 어플리케이션은, 메뉴판 이미지 내 텍스트 정보를 획득하고, 상기 메뉴판 이미지 내 텍스트 이외의 특정 오브젝트를 나타내는 객체 이미지를 획득하고, 상기 획득된 텍스트 정보와 상기 객체 이미지를 맵핑하여 페어링(pairing)하고, 상기 텍스트 정보에 대한 언어변환을 수행하여 번역 텍스트 정보를 획득하고, 상기 텍스트 정보, 상기 번역 텍스트 정보 및 상기 페어링된 객체 이미지 중 적어도 둘 이상에 기초하여 재구성된 메뉴판 콘텐츠를 제공한다.

이?, 상기 텍스트 정보는, 상기 메뉴판 이미지 내 텍스트 중 메뉴명을 나타내는 메뉴명 정보와, 상기 메뉴판 이미지 내 텍스트 중 메뉴의 가격을 나타내는 가격 텍스트 정보와, 상기 메뉴판 이미지 내 텍스트 중 상기 메뉴명 정보와 상기 가격 텍스트 정보 이외의 텍스트를 나타내는 사이드 텍스트 정보 중 적어도 하나 이상을 포함하고, 상기 사이드 텍스트 정보는, 상기 메뉴에 대한 설명을 나타내는 메뉴 부가설명 텍스트 정보 및 상기 메뉴판을 제공하는 사업점명을 나타내는 상호명 텍스트 정보 중 적어도 하나 이상을 포함한다.

또한, 상기 어플리케이션은, 상기 텍스트 정보에 맵핑되는 객체 이미지가 부재하는 경우, 상기 텍스트 정보에 매칭되는 추천 이미지를 검출하여 상기 텍스트 정보와의 페어링을 수행한다.

또한, 상기 추천 이미지는, 상기 메모리 내 복수의 객체 이미지 데이터 중에서 상기 메뉴명 정보에 매칭되는 객체 이미지이다.

또한, 상기 어플리케이션은, 상기 메모리 내 데이터베이스 모듈에 저장된 상기 복수의 객체 이미지 데이터와, 상기 메뉴명 정보를 입력으로 하는 딥러닝을 수행하여 상기 추천 이미지를 검출하거나, 상기 복수의 객체 이미지 데이터 각각에 매칭된 태그어와, 상기 메뉴명 정보를 기반으로 상기 추천 이미지를 검출한다.

또한, 상기 어플리케이션은, 상기 메모리와 연동되는 소셜 네트워크 서비스(Social Network Service, SNS) 상에서 상기 메뉴명 정보 및 상기 사이드 텍스트 정보 중 적어도 하나에 기초한 검색을 수행하여 상기 추천 이미지를 검출한다.

또한, 상기 어플리케이션은, 상기 텍스트 정보를 사용자 입력에 따른 타겟 언어를 기반으로 변환하여 상기 번역 텍스트 정보를 획득한다.

또한, 상기 어플리케이션은, 딥러닝 뉴럴 네트워크를 기반으로 상기 메뉴판 이미지 내 텍스트에 대한 특징정보를 추출하는 제 1 모듈과, 상기 추출된 특징정보를 기초로 상기 텍스트에 대한 위치정보를 가지는 초기 인코딩 정보를 생성하는 제 2 모듈과, 상기 생성된 초기 인코딩 정보에 기반한 형태 변환을 수행하여 상기 입력 이미지에 대한 2차원 정보를 유지한 어텐션 맵을 획득하는 제 3 모듈과, 상기 획득된 어텐션 맵에 기초한 딥러닝 모델을 통해 상기 메뉴판 이미지 내 텍스트를 감지하는 제 4 모듈에 기반하여 상기 메뉴판 이미지 내 텍스트 정보를 획득한다.

한편, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법은, 컴퓨팅 장치에서 실행되는 어플리케이션이 딥러닝 기반의 메뉴판을 제공하는 방법으로서, 메뉴판 이미지 내 텍스트 정보를 획득하는 단계; 상기 메뉴판 이미지 내 텍스트 이외의 특정 오브젝트를 나타내는 객체 이미지를 획득하는 단계; 상기 획득된 텍스트 정보와 상기 객체 이미지를 맵핑하여 페어링(pairing)하는 단계; 상기 텍스트 정보에 대한 언어변환을 수행하여 번역 텍스트 정보를 획득하는 단계; 및 상기 텍스트 정보, 상기 번역 텍스트 정보 및 상기 페어링된 객체 이미지 중 적어도 둘 이상에 기초하여 재구성된 메뉴판 콘텐츠를 제공하는 단계를 포함한다.

본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 딥러닝을 기반으로 메뉴판 내 텍스트와 이미지를 추출하고, 추출된 텍스트와 이미지를 상호 매칭하여 재구성된 메뉴판을 제공함으로써, 기존의 메뉴판을 사용자의 요구사항에 따른 형태로 생성해 제공할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 메뉴판으로부터 추출된 텍스트와 이미지에 기반한 딥러닝을 수행하여 상호 매칭되는 텍스트와 이미지를 페어링(pairing)해 제공함으로써, 추후 상기 메뉴판을 번역하는 등 재구성하여 제공할 시 메뉴명이나 가격 등의 텍스트 정보는 물론 해당 메뉴를 나타내는 이미지까지 더 포함하여 제공할 수 있고, 이를 통해 텍스트 이외의 타 정보에 대한 손실 최소화할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 텍스트와 이미지에 대한 페어링을 수행할 시 상기 텍스트에 대응되는 이미지가 부재하는 경우, 딥러닝을 기초로 상기 텍스트에 대응되는 소정의 이미지를 획득하여 상기 페어링을 수행함으로써, 기존 메뉴판에 모든 메뉴 각각에 대한 이미지가 존재하지 않더라도 해당 메뉴를 나타내는 이미지를 검출해 함께 제공할 수 있고, 이를 통해 재구성되어 제공되는 메뉴판의 내용을 보다 정확하고 직관적으로 인지하게 함과 동시에 그 사용성 또한 향상시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 메뉴판으로부터 추출되는 특정 언어 기반의 텍스트를 딥러닝을 기초로 변환하여 소정의 타 언어로 번역해 제공함으로써, 익숙하지 않은 이종의 언어로 만들어진 메뉴판이더라도 손쉽게 해당 메뉴판의 내용을 확인하고 이용하게 할 수 있는 효과가 있다.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다.

도 1은 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 서비스를 소비자 관점에서 제공하는 모습을 나타내는 개념도이다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 서비스를 사업점주 관점에서 제공하는 모습을 나타내는 개념도이다.
도 3은 본 발명의 실시예에 따른 컴퓨팅 장치의 내부 블록도이다.
도 4는 본 발명의 실시예에 따른 딥러닝 기반 광학문자인식(OCR) 모듈의 기능동작을 설명하는 개념도이다.
도 5는 본 발명의 실시예에 따른 광학문자인식(OCR) 모듈의 내부 블록도이다.
도 6은 본 발명의 실시예에 따른 제 1 모듈(CNN 기반 특징 추출부)의 내부 동작방식을 설명하는 도면의 일례이다.
도 7은 본 발명의 실시예에 따른 제 2 모듈(CNN 기반 정렬부)의 내부 동작방식을 설명하는 도면의 일례이다.
도 8은 본 발명의 실시예에 따른 제 1 모듈 및 제 2 모듈에서의 차원 데이터를 결합하는 방법을 설명하기 위한 도면의 일례이다.
도 9는 본 발명의 실시예에 따른 제 1 모듈 및 제 2 모듈에서의 차원 데이터를 기반으로 제 1 방식의 차원결합을 수행하는 방법을 설명하기 위한 도면의 일례이다.
도 10은 본 발명의 실시예에 따른 제 3 모듈(제 1 및 2 모듈 결합부)에 기반하여 인코딩 정보(제 2 어텐션 맵(attention map))의 아티팩트(artifacts)를 최소화한 모습의 일레이다.
도 11은 본 발명의 실시예에 따른 제 1 모듈 및 제 2 모듈에서의 차원 데이터를 기반으로 제 2 방식의 차원결합을 수행하는 방법을 설명하기 위한 도면의 일례이다.
도 12는 본 발명의 실시예에 따른 제 4 모듈(CNN 기반 문자 인식부)의 내부 동작방식을 설명하는 도면의 일례이다.
도 13은 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공방법을 설명하기 위한 흐름도이다.
도 14는 본 발명의 실시예에 따른 메뉴판 이미지를 나타내는 모습의 일례이다.
도 15는 본 발명의 실시예에 따른 페어링(pairing)을 수행하는 방법을 설명하기 위한 도면의 일례이다.
도 16은 본 발명의 실시예에 따른 추천 이미지를 제공하고 페어링(pairing)을 수행하는 방법을 설명하기 위한 도면의 일례이다.
도 17은 본 발명의 실시예에 따른 메뉴판 콘텐츠를 나타내는 모습의 일례이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 시스템(이하, 메뉴판 제공 시스템)은, 메뉴판 내 텍스트와 이미지를 추출하고, 추출된 텍스트와 이미지를 상호 매칭하여 재구성된 신규 메뉴판을 제공하는 딥러닝 기반의 메뉴판 제공 서비스(이하, 통합 메뉴판 인식 서비스)를 제공할 수 있다.

자세히, 실시예에서 메뉴판 제공 시스템은, 통합 메뉴판 인식 서비스에 기반하여, 특정 언어로 제작된 메뉴판을 촬영한 이미지(메뉴판 이미지)로부터 텍스트 및 이미지를 추출하고, 추출된 텍스트 및 이미지에 기반한 딥러닝을 수행하여 상기 텍스트와 대응되는 이미지를 상호 맵핑하는 페어링 서비스(Pairing service)를 제공할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 통합 메뉴판 인식 서비스를 기초로 상기 메뉴판 이미지로부터 추출된 텍스트에 기반한 딥러닝을 수행하여 상기 특정 언어의 메뉴판을 소정의 타 언어 기반의 메뉴판으로 번역(변환)하는 메뉴판 번역 서비스를 제공할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 상기 텍스트와 이미지에 대한 페어링을 수행할 시 상기 텍스트에 대응되는 이미지가 부재하는 경우, 딥러닝을 기초로 상기 텍스트에 대응되는 소정의 추천 이미지를 제공하는 이미지 추천 서비스를 제공할 수 있다.

한편, 실시예에 따른 메뉴판 제공 시스템은, 사용자에 따라서 통합 메뉴판 인식 서비스에 기초한 다양한 서비스 플랫폼을 제공할 수 있다.

여기서, 실시예에 따른 사용자는, 메뉴판을 확인하고 주문을 수행하고자 하는 소비자 또는 메뉴판을 등록 또는 제공하는 사업점주 등을 포함할 수 있다.

도 1은 본 발명의 실시예에 따른 통합 메뉴판 인식 서비스를 소비자 관점에서 제공하는 모습을 나타내는 개념도이다.

자세히, 도 1을 참조하면, 실시예에서 메뉴판 제공 시스템은, 사용자가 소비자인 경우, 메뉴판 내 텍스트를 타 언어로 번역하여 제공하는 메뉴판 번역 서비스를 제공할 수 있다.

구체적으로, 실시예에서 메뉴판 제공 시스템은, 통합 메뉴판 인식 서비스에 기초한 사용자 인터페이스를 기반으로 메뉴판 번역 서비스를 실행하는 사용자(여기서, 소비자) 입력을 획득할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 획득된 사용자 입력에 기초하여 메뉴판 번역 서비스가 실행되면, 상기 사용자 인터페이스를 기반으로 메뉴판의 언어를 변환하여 번역하고자 하는 타겟 언어(target language) 입력을 획득할 수 있다.

즉, 메뉴판 제공 시스템은, 메뉴판 내 텍스트를 위와 같이 획득된 타겟 언어로 번역할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 위와 같이 타겟 언어가 설정되면 번역하고자 하는 메뉴판을 촬영한 이미지인 메뉴판 이미지를 획득할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 획득된 메뉴판 이미지를 입력 데이터로 하여 상기 메뉴판 이미지 내 텍스트를 상기 타겟 언어로 변환하는 딥러닝을 수행할 수 있다.

그리고 메뉴판 제공 시스템은, 위와 같이 수행된 딥러닝을 기초로 획득되는 출력 데이터 및/또는 기타 데이터(실시예에서, 객체 이미지 등) 등을 기초로 새롭게 재구성된 메뉴판인 메뉴판 콘텐츠를 생성하여 제공할 수 있다.

도 2는 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 서비스를 사업점주 관점에서 제공하는 모습을 나타내는 개념도이다.

또한, 도 2를 참조하면, 실시예에서 메뉴판 제공 시스템은, 사용자가 사업점주인 경우, 메뉴판 내 텍스트 및 이미지를 추출하고 상호 매칭하여 재구성해 소정의 플랫폼 상에 등록 또는 제공할 수 있도록 하는 메뉴판 등록/제공 서비스를 구현할 수 있다.

보다 상세히, 실시예에서 메뉴판 제공 시스템은, 통합 메뉴판 인식 서비스에 기초한 사용자 인터페이스를 기반으로 메뉴판 등록/제공 서비스를 실행하는 사용자(여기서, 사업점주) 입력을 획득할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 획득된 사용자 입력에 기초하여 메뉴판 등록/제공 서비스가 실행되면, 등록/제공하고자 하는 메뉴판을 촬영한 이미지인 메뉴판 이미지를 획득할 수 있다.

또한, 실시예에서 메뉴판 제공 시스템은, 획득된 메뉴판 이미지를 입력 데이터로 하여 상기 메뉴판 이미지 내 적어도 하나 이상의 텍스트와 적어도 하나 이상의 이미지를 추출하고, 추출된 텍스트 별 대응되는 이미지를 상호 매칭하는 딥러닝을 수행할 수 있다.

그리고 메뉴판 제공 시스템은, 위처럼 수행된 딥러닝에 기초하여 재구성된 메뉴판인 메뉴판 콘텐츠를 생성해 제공할 수 있다.

본 발명의 실시예에서 위와 같은 통합 메뉴판 인식 서비스를 제공하는 메뉴판 제공 시스템은, 컴퓨팅 장치를 기반으로 구현될 수 있다.

이하에서는, 첨부된 도면을 참조하여 메뉴판 제공 시스템을 구현하는 컴퓨팅 장치에 대해 상세히 설명한다.

- 컴퓨팅 장치(Computing Device; 200)

도 3은 본 발명의 실시예에 따른 컴퓨팅 장치(200)의 내부 블록도이다.

도 3을 참조하면, 본 발명의 실시예에 따른 컴퓨팅 장치(200)는, 통합 메뉴판 인식 서비스를 제공하는 메뉴판 어플리케이션이 설치된 소정의 컴퓨팅 디바이스일 수 있다.

자세히, 하드웨어적 관점에서 컴퓨팅 장치(200)는, 메뉴판 어플리케이션이 설치된 모바일 타입 컴퓨팅 디바이스 및/또는 데스크탑 타입 컴퓨팅 디바이스를 포함할 수 있다.

여기서, 모바일 타입 컴퓨팅 디바이스는, 메뉴판 어플리케이션이 설치된 스마트 폰이나 테블릿 PC와 같은 모바일 장치일 수 있다.

예를 들어, 모바일 타입 컴퓨팅 디바이스는, 스마트 폰(smart phone), 휴대폰, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 태블릿 PC(tablet PC) 등이 포함될 수 있다.

또한, 데스크탑 타입 컴퓨팅 디바이스는, 메뉴판 어플리케이션이 설치된 고정형 데스크탑 PC, 노트북 컴퓨터(laptop computer), 울트라북(ultrabook)과 같은 퍼스널 컴퓨터 등과 같이 유/무선 통신을 기반으로 통합 메뉴판 인식 서비스를 실행하기 위한 프로그램이 설치된 장치 등을 포함할 수 있다.

한편, 기능적 관점에서 컴퓨팅 장치(200)는, 복수의 모듈을 포함하여 구현될 수 있다.

자세히, 실시예에서 컴퓨팅 장치(200)는, 메인 모듈(210), 서브 모듈(220), 데이터베이스 모듈(230), 통신 모듈(240), 메모리(250) 및 프로세서(260)를 포함할 수 있다.

<메인 모듈(Main Module; 210)>

실시예에서 컴퓨팅 장치(200)의 메인 모듈(210)은, 메뉴판 이미지 내 텍스트를 감지하는 광학문자인식 모듈(100)과, 메뉴판 이미지 내 이미지(실시예에서, 객체 이미지)를 감지하는 이미지 검출모듈(212)을 포함할 수 있다.

1) 광학문자인식 모듈(Optical Character Recognition(OCR) Module; 100)

본 발명의 실시예에 따른 광학문자인식 모듈(100)은, 딥러닝을 수행하여 메뉴판 이미지 내 텍스트를 감지할 수 있다.

실시예에서, 광학문자인식 모듈(100)은, 메뉴판 이미지 내 텍스트를 감지하여 적어도 하나 이상의 메뉴명 정보와, 적어도 하나 이상의 가격 텍스트 정보를 획득할 수 있다.

또한, 실시예에서 광학문자인식 모듈(100)은, 메뉴판 이미지 내 텍스트를 감지하여 메뉴명 및 가격 텍스트 정보 이외의 텍스트에 기반한 사이드 텍스트 정보(실시예에서, 메뉴 부가설명 텍스트 정보 및/또는 상호명 텍스트 정보 등)를 획득할 수 있다.

이하의 실시예에서는, 이러한 광학문자인식 모듈(100)이 복수의 모듈(실시예에서, 제 1 내지 4 모듈)에 기반하여 구현되는 것으로 설명하나, 실시예에 따라서 Mask Text Spotter, CRAFT 및/또는 DAN 등과 같은 딥러닝 기반의 문자인식기에 기반하여 구현될 수도 있는 등 공지된 알고리즘을 이용하여 구현될 수도 있으며, 본 발명의 실시예에서는 메뉴판 이미지 내 텍스트를 감지하는 알고리즘 자체를 한정하거나 제한하지는 않는다. 그러나, 광학문자인식의 정확성의 측면에 있어서 본 발명의 실시예에 따른 복수의 모듈(제 1 내지 4 모듈)을 기반으로 광학문자인식 모듈(100)을 구현하는 것이 가장 바람직한 실시예일 것이다.

도 4는 본 발명의 실시예에 따른 딥러닝 기반 광학문자인식 모듈(100)의 기능동작을 설명하는 개념도이고, 도 5는 본 발명의 실시예에 따른 광학문자인식 모듈(100)의 내부 블록도이다.

도 4 및 도 5를 참조하면, 본 발명의 실시예에서 광학문자인식 모듈(100)는, 서로 다른 기능을 수행하는 복수의 딥러닝 모듈에 기반하여, 입력 이미지 내 텍스트의 특징과 위치 정보에 기반한 인코딩 정보(실시예에서, attention map)를 획득하고, 획득된 인코딩 정보를 기초로 상기 입력 이미지 내 문자인식을 수행하는 딥러닝 기반 광학문자인식(OCR) 서비스(이하, 문자인식 서비스)를 제공할 수 있다.

자세히, 실시예에서 광학문자인식 모듈(100)는, 복수의 딥러닝 모듈로서 적어도 하나의 인코더 딥러닝 서버(110), 적어도 하나의 인코딩 스키마 변환서버(120) 및 적어도 하나의 디코더 딥러닝 서버(130)를 포함할 수 있다.

이때, 본 발명의 실시예에서는 광학문자인식 모듈(100)가 적어도 하나의 인코더 딥러닝 서버(110), 적어도 하나의 인코딩 스키마 변환서버(120) 및 적어도 하나의 디코더 딥러닝 서버(130)를 포함하는 것에 기준하여 설명하나, 실시예에 따라서 인코더 딥러닝 서버(110), 인코딩 스키마 변환서버(120) 및 디코더 딥러닝 서버(130) 중 적어도 하나 이상이 별도의 장치로 구현될 수도 있는 등 다양한 실시예 또한 가능할 수 있다.

실시예에서, 위와 같은 딥러닝 모듈은, 딥러닝 뉴럴 네트워크(Deep-learning neural network)에 기반하여 구현될 수 있다.

여기서, 상기 딥러닝 뉴럴 네트워크는, 컨볼루션 뉴럴 네트워크(CNN, Convolution Neural Network, 예컨대, 유-넷 컨볼루션 뉴럴 네트워크(U-net Convolution Neural Network))와 같은 딥러닝 뉴럴 네트워크를 포함할 수 있으며, 본 발명의 실시예에서는 딥러닝 뉴럴 네트워크 토폴로지 자체를 한정하거나 제한하지는 않는다.

또한, 실시예에서 위와 같은 딥러닝 모듈 각각은, 소정의 트레이닝 데이터 셋(Training Data Set)에 기초하여 학습될 수 있다.

예를 들면, 딥러닝 모듈은, 다양한 형태의 문자들을 포함하는 복수의 문서를 스캐닝한 이미지 데이터 집합으로 구현되는 트레이닝 데이터 셋에 기반하여, 소정의 방식에 따라 학습될 수 있다.

이때, 상기 소정의 방식은, Hebbian Learning (Hebbian Rule), Perceptron Rule, Gradient Descent(Delta Rule,　Least Mean Square) 및/또는 Back propagation 방식 등을 포함할 수 있으며, 본 발명의 실시예에서는 딥러닝 뉴럴 네트워크의 학습방식 자체를 한정하거나 제한하지는 않는다.

다시 돌아와서, 실시예에서 위와 같은 딥러닝 모듈을 포함하는 광학문자인식 모듈(100)는, 복수의 딥러닝 모듈 각각의 학습된 딥러닝 뉴럴 네트워크에 기반하여 구현되는 문자인식 딥러닝 뉴럴 네트워크와 연동할 수 있다.

또한, 실시예에서 광학문자인식 모듈(100)는, 연동되는 딥러닝 뉴럴 네트워크를 기반으로 수행되는 딥러닝에 기초하여, 광학문자인식(OCR)을 수행하고자 하는 입력 이미지 내 텍스트(비정형 텍스트(예컨대, 곡선형 텍스트 등)를 포함할 수 있음)의 특징정보 및 위치 정보를 추출할 수 있다.

또한, 광학문자인식 모듈(100)는, 딥러닝에 기반하여, 위와 같이 추출된 정보에 기초한 초기 인코딩 정보 즉, 제 1 어텐션 맵(Early attention map)을 획득할 수 있다.

또한, 실시예에서 광학문자인식 모듈(100)는, 딥러닝에 기반하여, 획득된 초기 인코딩 정보(제 1 어텐션 맵)에 대한 형태(shape) 변환을 수행할 수 있다.

즉, 광학문자인식 모듈(100)는, 초기 인코딩 정보에 기초한 인코딩 스키마 변환을 수행할 수 있다.

그리고 광학문자인식 모듈(100)는, 위와 같이 수행된 형태 변환을 통해 디코더에 입력하기 위한 최종적인 인코딩 정보 즉, 제 2 어텐션 맵(attention map)을 획득할 수 있다.

또한, 실시예에서 광학문자인식 모듈(100)는, 딥러닝에 기반하여, 획득된 인코딩 정보(제 2 어텐션 맵)를 기초로 입력 이미지 내 문자(비정형 문자(예컨대, 곡선형 문자 등)를 포함할 수 있음)인식을 수행할 수 있다.

자세히, 광학문자인식 모듈(100)는, 딥러닝을 기초로 인코딩 정보에 기반한 디코딩을 수행하여 입력 이미지 내 문자를 감지하는 광학문자인식(OCR)을 수행할 수 있다.

이하, 첨부된 도면을 참조하여 광학문자인식 모듈(100)의 딥러닝 모듈 각각에 대해 상세히 설명한다.

<인코더 딥러닝 서버>

본 발명의 실시예에서 인코더 딥러닝 서버(110)는, 딥러닝 뉴럴 네트워크와 연동하여, 입력 이미지 내 텍스트(비정형 텍스트(예컨대, 곡선형 텍스트 등)를 포함할 수 있음)의 특징정보 및 위치정보를 추출할 수 있다.

또한, 실시예에서 인코더 딥러닝 서버(110)는, 추출된 특징정보 및 위치정보에 기초하여 초기 인코딩 정보 즉, 제 1 어텐션 맵(Early attention map)을 획득할 수 있다.

자세히, 실시예에서 인코더 딥러닝 서버(110)는, 인코더 딥러닝 뉴럴 네트워크(이하, 인코더)에 기반하여 구현될 수 있다.

이때, 실시예에 따른 인코더는, 제 1 모듈인 CNN 기반 특징 추출부(111: 이하, 특징 추출부)와, 제 2 모듈인 CNN 기반 정렬부(112: 이하, 정렬부)를 포함할 수 있다.

도 6은 본 발명의 실시예에 따른 제 1 모듈(CNN 기반 특징 추출부(111))의 내부 동작방식을 설명하는 도면의 일례이다.

도 6을 참조하면, 구체적으로 인코더의 특징 추출부(111: 제 1 모듈)는, 딥러닝 뉴럴 네트워크에 기반하여 입력 이미지 내 텍스트에 대한 특징정보(FPN_Features)를 추출할 수 있다.

여기서, 실시예에 따른 특징정보는, 입력 이미지를 컨볼루션 레이어 블록에 통과시켰을 때, 높이(height, H), 너비(width, W) 및 출력 채널 수(Number of output channels, C)로 출력되는 데이터를 의미한다.

예를 들어, 특징 추출부(111: 제 1 모듈)는, 복수의 컨볼루션 레이어로 구성된 resnet45 기반의 딥러닝 뉴럴 네트워크를 이용하여 입력 이미지 내 텍스트에 대한 특징정보를 추출하는 딥러닝을 수행할 수 있다.

이때, 실시예에서 특징 추출부(111: 제 1 모듈)의 딥러닝 뉴럴 네트워크를 구현하는 내부 파라미터 설계에 대한 설명은 도 3을 참조하여 대체한다.

도 7은 본 발명의 실시예에 따른 제 2 모듈(CNN 기반 정렬부(112))의 내부 동작방식을 설명하는 도면의 일례이다.

한편, 도 7을 참조하면, 실시예에서 인코더의 정렬부(112: 제 2 모듈)는, 딥러닝 뉴럴 네트워크를 기반으로 특징 추출부(111: 제 1 모듈)로부터 출력되는 데이터(즉, 특징정보)에 기초하여 해당하는 입력 이미지 내 텍스트에 대한 위치정보를 가지는 초기 인코딩 정보 즉, 제 1 어텐션 맵(early attention map)을 획득할 수 있다.

자세히, 실시예에서 정렬부(112: 제 2 모듈)는, 특징 추출부(111: 제 1 모듈)의 출력 데이터를 기반으로 제 1 내지 4단계의 컨볼루션 레이어(convolution layer)에 대한 제 1 피드 포워드(Feed forward) 프로세스를 수행할 수 있다.

이때, 실시예에서 제 1 내지 4 단계 컨볼루션 레이어는, 배치 정규화(Batch normalization) 방식으로 동작할 수 있으며, 배치 정규화에서의 하이퍼 파라미터(Hyper-parameter)의 초기 설정값은 ‘c 64; eps 1e-05; momentum 0.1’일 수 있다.

또한, 제 1 내지 4 단계 컨볼루션 레이어 각각에 적용되는 활성화 함수(Activation Function)는, 정류 선형 유닛(Rectified Linear Unit, ReLU)일 수 있다.

또한, 제 1 내지 4 단계 컨볼루션 레이어는, ‘k 3x3; s 2x2; p 1x1; c 64’와 같이 구성될 수 있다.

위와 같이, 특징 추출부(111: 제 1 모듈)의 출력 데이터(FPN_Features)에 기반하여 제 1 내지 4단계의 컨볼루션 레이어에 대한 제 1 피드 포워드(Feed forward) 프로세스가 수행되면, 실시예에서 정렬부(112: 제 2 모듈)는, 제 1 내지 4 단계 디컨볼루션 레이어에 기반한 제 2 피드 포워드 프로세스를 수행할 수 있다.

자세히, 실시예에서 정렬부(112: 제 2 모듈)는, 제 1 내지 4 단계 컨볼루션 레이어에서의 출력 데이터에 기초하여 제 1 내지 4단계의 디컨볼루션 레이어(deconvolution layer)에 대한 제 2 피드 포워드 프로세스를 수행할 수 있다.

이때, 실시예에서 제 1 내지 4 단계 디컨볼루션 레이어는, 배치 정규화(Batch normalization) 방식으로 동작할 수 있으며, 배치 정규화에서의 하이퍼 파라미터(Hyper-parameter)의 초기 설정값은 ‘c 64; eps 1e-05; momentum 0.1’일 수 있다.

또한, 제 1 내지 4 단계 디컨볼루션 레이어 중 제 1 내지 3 단계 디컨볼루션 레이어는, 활성화 함수(Activation Function)로 정류 선형 유닛(ReLU)을 이용할 수 있고, 제 4 단계 디컨볼루션 레이어는, 활성화 함수로 시그모이드(Sigmoid) 함수를 이용할 수 있다.

또한, 제 1 내지 4 단계 디컨볼루션 레이어는, ‘k 3x3; s 1x1; c 64’와 같이 구성될 수 있다.

더하여, 실시예에서 제 1 내지 4 단계 디컨볼루션 레이어는, 이중선형보간법(bilinear interpolate)에 기초하여 딥러닝을 수행할 수 있으며, 이때의 크기(scale) 값은 ‘2’로 설정될 수 있다.

또한, 제 1 내지 4 단계 디컨볼루션 레이어는, 패딩 레이어(Padding layers)가 ‘reflectionPad2d: 1’로 설정될 수 있다.

즉, 실시예에서 정렬부(112: 제 2 모듈)는, 특징 추출부(111: 제 1 모듈)에서의 출력 데이터(FPN_Features)를 입력 데이터로 하여, 위와 같이 구현될 수 있는 딥러닝 뉴럴 네트워크를 기초로 제 1 내지 4 단계 컨볼루션 및 디컨볼루션 레이어에 기반한 딥러닝을 수행할 수 있고, 이를 통해 해당하는 입력 이미지 내 텍스트에 대한 초기 인코딩 정보(제 1 어텐션 맵)을 획득할 수 있다.

도 8은 본 발명의 실시예에 따른 제 1 모듈 및 제 2 모듈에서의 차원 데이터를 결합하는 방법을 설명하기 위한 도면의 일례이고, 도 9는 본 발명의 실시예에 따른 제 1 모듈 및 제 2 모듈에서의 차원 데이터를 기반으로 제 1 방식의 차원결합을 수행하는 방법을 설명하기 위한 도면의 일례이다.

한편, 도 8 및 도 9를 참조하면, 실시예에서 인코더는, 특징 추출부(111: 제 1 모듈)에서의 차원 데이터와 정렬부(112: 제 2 모듈)에서의 차원 데이터에 기반하여, 제 1 방식의 차원결합을 수행할 수 있다.

자세히, 실시예에서 특징 추출부(111: 제 1 모듈)는, 딥러닝을 수행하여 입력 이미지의 차원을 ‘1*출력 채널 수(Number of output channels, C)*높이(Height, H)*너비(Width, W)’로 출력할 수 있다.

즉, 특징 추출부(111: 제 1 모듈)는, 입력 데이터(실시예에서, 입력 이미지 등)의 차원을 ‘1*C*H*W’로 변환하여 제 1 차원정보를 획득할 수 있다.

한편, 실시예에서 정렬부(112: 제 2 모듈)는, 딥러닝을 수행하여 입력 이미지에 대한 차원을 ‘최대 채널 수(Max number of channels, T)*1*높이(Height, H)*너비(Width, W)’로 출력할 수 있다.

즉, 정렬부(112: 제 2 모듈)는, 입력 데이터(실시예에서, 특징정보 등)의 차원을 ‘T*1*H*W’로 변화시켜 제 2 차원정보를 획득할 수 있다.

또한, 실시예에서 상기 특징 추출부(111: 제 1 모듈) 및 상기 정렬부(112: 제 2 모듈)를 포함하는 인코더는, 위와 같이 획득된 제 1 차원정보 및 제 2 차원정보에 기반하여 인코더에서의 1) 높이(Height, H) 및 너비(Width, W) 정보 차원결합을 수행할 수 있다.

자세히, 실시예에서 인코더는, 제 1 차원정보인 ‘1*C*H*W’ 및 제 2 차원정보인‘T*1*H*W’를 기반으로 높이(H) 및 너비(W) 정보 차원결합을 수행하여 ‘T*C*(HxW)’로 구현되는 제 3 차원정보를 획득할 수 있다.

이때, 실시예에 따른 인코더는, 2) ‘(HxW)’에 대한 차원결합을 더 수행할 수 있다.

그리하여 실시예에서 인코더는, 특징 추출 후 ‘(C*T)’의 높이(H) 정보가 압축된 형태의 제 4 차원정보를 최종적으로 획득할 수 있다.

즉, 실시예에서 인코더는, 기존 ‘H*W’에 기반한 2차원(2D) 정보를 1차원(1D)화시키는 인코딩을 수행할 수 있다.

<인코딩 스키마 변환서버>

본 발명의 실시예에서 인코딩 스키마 변환서버(120)는, 딥러닝 뉴럴 네트워크와 연동하여, 정렬부(112: 제 2 모듈)로부터 획득되는 초기 인코딩 정보(제 1 어텐션 맵)에 대한 형태(shape) 변환을 수행할 수 있다.

즉, 실시예에서 인코딩 스키마 변환서버(120)는, 초기 인코딩 정보에 기초한 인코딩 스키마 변환을 수행할 수 있다.

그리고 인코딩 스키마 변환서버(120)는, 위와 같이 수행된 형태 변환에 기초하여 디코더에 입력하기 위한 최종적인 인코딩 정보 즉, 제 2 어텐션 맵(attention map)을 획득할 수 있다.

본 발명의 실시예에서, 특징 추출부(111: 제 1 모듈)로부터 출력되는 데이터(실시예에서, 특징정보)를 기반으로 정렬부(112: 제 2 모듈)에서 해당하는 입력 이미지 내 텍스트에 대한 위치정보를 가지는 인코딩 정보를 추출할 시, 일반적인 디컨볼루션(deconv) 방식을 사용하는 경우 소정의 아티팩트(artifacts)가 발생할 수 있다.

위와 같이 소정의 아티팩트(예컨대, 제 2 어텐션 맵 내 소정의 왜곡, 잡음 등)를 가지는 인코딩 정보를 입력 데이터로하여 딥러닝 뉴럴 네트워크(즉, 실시예에서 제 4 모듈(131))가 디코딩을 수행하는 경우, 해당 입력 데이터 전반에 걸친 아티팩트(artifacts)로 인하여 텍스트 이외의 오브젝트 등을 포함하는 잡음 및/또는 왜곡 등의 영향을 받을 수 있고, 이는 결과적으로 디코딩의 결과 즉, 광학문자인식(OCR) 결과의 품질 저하를 초래할 수 있다.

도 10은 본 발명의 실시예에 따른 제 3 모듈(제 1 및 2 모듈 결합부(121))에 기반하여 인코딩 정보(제 2 어텐션 맵(attention map))의 아티팩트(artifacts)를 최소화한 모습의 일레이다.

그리하여, 도 10을 참조하면, 본 발명의 실시예에서 인코딩 스키마 변환서버(120)는, 특징 추출부(111: 제 1 모듈) 및 정렬부(112: 제 2 모듈)로부터 획득되는 초기 인코딩 정보에서의 아티팩트(artifacts)를 최소화하기 위하여, 별도의 인코딩 프로세스를 구현하는 디컨볼루션 블록(deconvolution block)을 사용해 인코딩 스키마 변환을 수행할 수 있고, 이를 통해 디코더(실시예에서, 제 4 모듈(131))에 입력될 최종적 형태의 인코딩 정보(즉, 제 2 어텐션 맵)을 생성할 수 있다.

자세히, 실시예에서 인코딩 스키마 변환서버(120)는, 인코딩 스키마 변환 딥러닝 뉴럴 네트워크를 기반으로 구현될 수 있다.

이때, 실시예에서 인코딩 스키마 변환 딥러닝 뉴럴 네트워크는, 제 3 모듈인 제 1 및 2 모듈 결합부(121: 이하, 결합부)를 포함할 수 있다.

보다 상세히, 실시예에 따른 결합부(121: 제 3 모듈)는, 딥러닝 뉴럴 네트워크에 기반하여 정렬부(112: 제 2 모듈)로부터 출력되는 데이터(즉, 실시예에서 제 1 어텐션 맵)에 기반한 별도의 인코딩 프로세스를 수행할 수 있다.

일반적으로 입력 이미지 내에서 곡선(curved) 등의 특성을 가지며 구현되는 비정형 텍스트의 경우에는, 높이(Height, H)와 너비(Width, W)에 기반한 2차원 정보를 최대한으로 유지하는 것이 중요하다.

그러나 상술된 바와 같이 인코더에서 초기 인코딩 정보(제 1 어텐션 맵)를 구현하는 차원결합에서는, 기존 ‘H*W’에 기반한 2차원(2D) 정보를 1차원(1D)화되게 하는 인코딩이 수행되며, 이때 높이(H) 및 너비(W) 개별 정보 각각에 대한 손실(loss)이 발생할 수 있다.

도 11은 본 발명의 실시예에 따른 제 1 모듈 및 제 2 모듈에서의 차원 데이터를 기반으로 제 2 방식의 차원결합을 수행하는 방법을 설명하기 위한 도면의 일례이다.

그리하여, 도 11을 참조하면, 본 발명의 실시예에서 결합부(121: 제 3 모듈)는, 인코더에서 특징 추출부(111: 제 1 모듈)의 특징 추출 이후 정렬부(112: 제 2 모듈)에서 (C*T)의 H 정보가 압축된 형태로 출력되는 제 1 어텐션 맵을, 높이(H)와 너비(W)를 포함하는 2차원 정보를 최대한 유지하는 형태인 (C*(H*W)) 형태로 구현할 수 있다.

본 발명의 실시예에서는, 결합부(121: 제 3 모듈)가 인코더와는 별도의 장치로 구현되는 것에 기준하여 설명하나, 이는 일례일 뿐 실시예에 따라서 인코더가 결합부(121: 제 3 모듈)을 포함하여 정렬부(112: 제 2 모듈)의 동작 시 결합부(121: 제 3 모듈)의 기능 동작을 포함하여 동작할 수 있는 등 다양한 실시예 또한 가능하다.

구체적으로, 본 발명의 실시예에서 결합부(121: 제 3 모듈)는, 상술된 특징 추출부(111: 제 1 모듈)의 제 1 차원정보와 정렬부(112: 제 2 모듈)의 제 2 차원정보에 기초하여, 제 2 방식의 차원결합을 수행할 수 있다.

보다 상세히, 실시예에서 결합부(121: 제 3 모듈)는, 특징 추출부(111: 제 1 모듈)의 제 1 차원정보인 ‘1*C*H*W’ 및 정렬부(112: 제 2 모듈)의 제 2 차원정보인 ‘T*1*H*W’에 기반하여, 1) 최대 채널 수(Max number of channels, T) 및 출력 채널 수(Number of output channels, C) 채널 차원결합을 수행할 수 있다.

즉, 실시예에서 결합부(121: 제 3 모듈)는, ‘1*C*H*W’ 및 ‘T*1*H*W’에 기반한 T 및 C 채널 차원결합을 수행할 수 있고, 이를 통해 ‘(TxC)*HxW’로 구현되는 제 3 차원정보를 획득할 수 있다.

위와 같이 제 3 차원정보를 획득한 이후, 실시예에서 결합부(121: 제 3 모듈)는, 2) 높이(Height, H) 및 너비(Width, W) 정보 차원결합을 수행할 수 있다.

자세히, 실시예에서 결합부(121: 제 3 모듈)는, ‘(TxC)*HxW’로 구현되는 제 3 차원정보에 기초하여 높이(H) 및 너비(W) 정보 차원결합을 수행할 수 있고, 이를 통해‘(TxC)*(HxW)’로 구현되는 제 4 차원정보를 획득할 수 있다.

계속해서, 제 4 차원정보를 획득한 결합부(121: 제 3 모듈)는, 획득된 제 4 차원정보를 기초로 3) 1x1 컨볼루션 레이어(1x1 conv layer)를 이용한 차원 축소 프로세스를 수행할 수 있다.

구체적으로, 실시예에서 결합부(121: 제 3 모듈)는, ‘(TxC)*(HxW)’로 구현되는 제 4 차원정보에 대한 차원 축소 프로세스를 1x1 컨볼루션 레이어(1x1 conv layer)에 기반하여 수행할 수 있다.

그리고 결합부(121: 제 3 모듈)는, 상기 차원 축소 프로세스를 수행을 통하여 ‘C*(HxW)’로 구현되는 제 5 차원정보를 획득할 수 있다.

즉, 실시예에서 결합부(121: 제 3 모듈)는, 특징 추출부(111: 제 1 모듈)로부터 획득되는 제 1 차원정보(1*C*H*W)와 정렬부(112: 제 2 모듈)로부터 획득되는 제 2 차원정보(T*1*H*W)를 기초로 제 2 방식의 차원결합을 수행함으로써, 기존의 ‘H*W’에 기반한 2차원(2D) 정보를 그대로 유지하는 차원결합 수행할 수 있다.

정리하면, 본 발명의 실시예에서 결합부(121: 제 3 모듈)는, 제 1 어텐션 맵의 형태(shape)와는 달리, 입력 이미지에 대한 2차원 정보의 손실을 최소화한 형태의 제 2 어텐션 맵(인코딩 정보)을 생성할 수 있다.

또한, 실시예에서 결합부(121: 제 3 모듈)는, 입력 이미지 내 2차원 정보(height 및 width 정보)를 최대한 유지함과 동시에 디코더의 입력 데이터 형태에 매칭되는 형태(shape)인 제 2 어텐션 맵(인코딩 정보)을 생성할 수 있다.

그리하여 결합부(121: 제 3 모듈)는, 해당하는 제 2 어텐션 맵(인코딩 정보)이 디코더(즉, 제 4 모듈(131))의 입력 데이터로서 동작하게 할 수 있고, 이를 통해 입력 이미지 내 2차원 정보를 최대한으로 유지한 형태의 입력 데이터에 기초하여 디코딩이 수행되게 할 수 있다.

이와 같이, 실시예에서 결합부(121: 제 3 모듈)는, 입력 이미지 내 2차원 정보의 손실을 최소화하는 인코딩 정보(제 2 어텐션 맵)을 제공함으로써, 인코딩 정보 내 아티팩트(예컨대, 제 2 어텐션 맵 내 소정의 왜곡 및/또는 잡음 등)를 최소화할 수 있고, 이를 통해 비정형 텍스트(예컨대, 곡선형 텍스트 등)를 포함하는 텍스트에 대한 딥러닝 기반의 광학문자인식(OCR) 성능을 향상시킬 수 있다.

<디코더 딥러닝 서버>

본 발명의 실시예에서 디코더 딥러닝 서버(130)는, 딥러닝 뉴럴 네트워크와 연동하여, 결합부(121: 제 3 모듈)로부터 획득되는 인코딩 정보(제 2 어텐션 맵(attention map))를 기초로 입력 이미지 내 문자(비정형 문자(예컨대, 곡선형 문자 등)를 포함할 수 있음)인식을 수행할 수 있다.

즉, 실시예에서 디코더 딥러닝 서버(130)는, 딥러닝을 기초로 인코딩 정보에 기반한 디코딩을 수행하여 입력 이미지 내 문자를 감지하는 광학문자인식(OCR)을 수행할 수 있다.

자세히, 실시예에서 디코더 딥러닝 서버(130)는, 디코더 딥러닝 뉴럴 네트워크(이하, 디코더)를 기반으로 구현될 수 있다.

이때, 실시예에에 따른 디코더는, 제 4 모듈인 CCN 기반 문자 인식부(131: 이하, 문자 인식부)를 포함할 수 있다.

도 12는 본 발명의 실시예에 따른 제 4 모듈(CNN 기반 문자 인식부(131))의 내부 동작방식을 설명하는 도면의 일례이다.

보다 상세히, 도 12를 참조하면, 실시예에서 문자 인식부(131: 제 4 모듈)는, 딥러닝 뉴럴 네트워크에 기반하여 결합부(121: 제 3 모듈)로부터 출력되는 인코딩 정보(제 2 어텐션 맵)에 기초한 디코딩을 수행해 입력 이미지 내 문자를 감지할 수 있다.

이때, 실시예에 따른 문자 인식부(131: 제 4 모듈)는, 트랜스포머 모델(Transformer model)의 디코더를 기반으로 구현될 수 있다.

자세히, 디코딩 과정에서 일반적인 어텐션(attention) 방식을 이용하는 경우, 디코더에서 출력 문자를 예측하는 매 시점(time step)마다 인코더(및/또는 결합부(121: 제 3 모듈))로부터의 전체 입력 데이터를 다시 한 번씩 참고해야 한다.

이러한 방식에서 디코더는, 전체 입력 데이터를 모두 동일한 비율로 참고하는 것이 아니라 해당 시점에서 예측해야 할 문자와 연관이 있는 입력 데이터 부분에 좀 더 집중(attention)하게 되는데, 이러한 특성으로 인하여 이전 상태의 영향을 받는 문제가 발생할 수 있다.

그리하여 최근에는, 이전 상태의 영향을 최소화하는 트랜스포머 모델 방식이 주로 사용되고 있다.

참고적으로, 트랜스포머 모델(트랜스포머 인식기) 방식에서는, 어텐션을 자기자신에게 수행하는 셀프 어텐션(self-attention)을 기반으로 디코딩이 진행됨으로써, 이전 상태의 영향을 최소화할 수 있다는 장점이 있다.

이하, 트랜스포머 모델에 대한 자세한 설명은, ‘Vaswani,A shish, et al. "Attentioni s all you need." Advances in neural information processing systems. 2017.’ 논문으로 대체한다.

이때, 상기 논문에서의 트랜스포머 모델은, 해당 트랜스포머 모델 내에 인코더와 디코더 구조를 포함하며, 상기 인코더 및 디코더는 모두 유사한 구조로 구현되어 있다.

그러나 위와 같은 구조에 기반한 문자인식은, 입력 이미지 내 텍스트의 위치정보를 추출하는데 비효율적이며 그 정확성 또한 저하되는 문제가 발생할 수 있다.

그리하여 본 발명의 실시예에서는, 상기 트랜스포머 모델의 디코더만을 이용하여 문자 인식부(131: 제 4 모듈)를 구현할 수 있고, 입력 이미지 내 텍스트의 특징과 위치 정보를 효과적으로 추출하여 인코딩을 수행하는 인코더(및/또는 결합부(121: 제 3 모듈))로부터 획득되는 제 2 어텐션 맵(인코딩 정보)을 상기 문자 인식부(131: 제 4 모듈)에 입력하여 딥러닝에 기반한 광학문자인식(OCR)을 수행할 수 있다.

여기서, 실시예에 따른 문자 인식부(131: 제 4 모듈)의 딥러닝 뉴럴 네트워크를 구현하는 내부 설계에 대한 설명은 도 9를 참조하여 대체한다.

즉, 실시예에서 문자 인식부(131: 제 4 모듈)는, 트랜스포머 모델의 디코더에 기반하여 도 9와 같이 구현될 수 있고, 위와 같이 구현된 문자 인식부(131: 제 4 모듈)는 인코더 및/또는 결합부(121: 제 3 모듈)로부터 출력되는 인코딩 정보(제 2 어텐션 맵)를 입력 데이터로 하여 딥러닝을 수행할 수 있다.

그리고 문자 인식부(131: 제 4 모듈)는, 상기 딥러닝을 수행하여 해당하는 입력 이미지 내 문자를 감지하는 광학문자인식(OCR)을 수행할 수 있다.

또한, 문자 인식부(131: 제 4 모듈)는, 위와 같이 감지된 문자 데이터를 소정의 방식(예컨대, 디스플레이 출력 등)으로 출력하여 제공할 수 있다.

이와 같이, 본 발명의 실시예에서는 셀프 어텐션에 기반하여 이전 상태의 영향을 최소화하는 트랜스포머 모델의 디코더를 기반으로 문자 인식부(131: 제 4 모듈)를 구현함으로써, 본 발명의 실시예에 따른 인코더 및/또는 결합부(121: 제 3 모듈)의 장점과 공지된 트랜스포머 모델의 디코더의 장점을 취합한 딥러닝 기반의 광학문자인식(OCR) 모델을 구현할 수 있다.

또한, 이상과 같이 본 발명의 실시예에서는, 입력 이미지 내 텍스트의 특징과 위치 정보를 빠르고 정확하게 추출하여 초기 인코딩 정보(제 1 어텐션 맵)를 출력하는 인코더와, 상기 인코더에서 출력되는 초기 인코딩 정보를 변환하여 상기 초기 인코딩 정보에서의 아티팩트(artifacts)를 최소화한 형태의 인코딩 정보(제 2 어텐션 맵)를 생성하는 결합부(121: 제 3 모듈)와, 상기 결합부(121: 제 3 모듈)로부터 출력되는 인코딩 정보를 입력 데이터로 하여 상기 입력 이미지 내 실제 텍스트(문자)를 높은 정확도와 속도로 감지하는 트랜스포머 디코더 기반의 문자 인식부(131: 제 4 모듈)를 포함하는 문자인식 딥러닝 뉴럴 네트워크를 제공함으로써, 입력 이미지 내 텍스트(비정형 텍스트(예컨대, 곡선형 텍스트 등)를 포함할 수 있음)에 대한 광학문자인식(OCR)의 성능을 보다 향상시킬 수 있다.

2) 이미지 검출모듈(Image Detection Module; 212)

본 발명의 실시예에 따른 이미지 검출모듈(212)은, 딥러닝을 기반으로 메뉴판 이미지 내 객체 이미지를 검출할 수 있다.

여기서, 실시예에 따른 객체 이미지란, 메뉴판 이미지 내 텍스트 이외의 특정 물체의 형상을 나타내는 이미지일 수 있다.

예를 들면, 이미지 검출모듈(212)은, 메뉴판 이미지 내의 제 1 음식사진, 제 2 음식사진, 제 3 음식사진, …, 제 n 음식사진을 객체 이미지로서 검출할 수 있다.

실시예에서, 컴퓨팅 장치(200)의 프로세서(260)는, 위와 같은 이미지 검출모듈(212)에 의하여 메뉴판 이미지로부터 검출된 객체 이미지와, 상술된 광학문자인식 모듈(100)에 의하여 메뉴판 이미지로부터 감지된 텍스트를 페어링(pairing)할 수 있다. 이에 대한 자세한 설명은 후술되는 딥러닝 기반의 메뉴판 제공방법에서 기술하기로 한다.

실시예에서, 이러한 이미지 검출모듈(212)은, YoLo v4 및/또는 EfficientDet 등과 같은 딥러닝 기반의 이미지 검출기를 기초로 구현될 수 있으며, 본 발명의 실시예에서는 메뉴판 이미지로부터 객체 이미지를 검출하는 알고리즘 자체를 한정하거나 제한하지는 않는다.

<서브 모듈(Sub Module; 220)>

실시예에서 컴퓨팅 장치(200)의 서브 모듈(220)은, 메뉴판 이미지로부터 감지된 텍스트를 이종의 언어로 변환하여 번역하는 문자번역 모듈(221)과, 상기 텍스트에 대응되는 소정의 이미지를 검출하여 제공하는 이미지 추천모듈(222)을 포함할 수 있다.

1) 문자번역 모듈(Translation Module; 221)

본 발명의 실시예에서 문자번역 모듈(221)은, 딥러닝에 기반하여 메뉴판 이미지로부터 감지된 텍스트 정보(실시예에서, 메뉴명 정보, 가격 텍스트 정보 및/또는 사이드 텍스트 정보 등)를 이종의 언어로 변환하여 번역할 수 있다.

예를 들면, 문자번역 모듈(221)은, 제 1 언어(예컨대, 영어)를 기반으로 만들어진 메뉴판을 촬영한 메뉴판 이미지로부터 감지된 텍스트 정보를 기반으로 딥러닝을 수행할 수 있다.

그리고 문자번역 모듈(221)은, 수행된 딥러닝에 기반하여 상기 제 1 언어 기반의 텍스트 정보를 이종의 제 2 언어(예컨대, 한국어) 기반의 텍스트 정보로 번역할 수 있다.

실시예에서, 위와 같은 문자번역 모듈(221)은, seq2seq 등과 같은 딥러닝 기반의 언어 번역기에 기초하여 구현될 수 있으며, 본 발명의 실시예에서는 메뉴판 이미지 내 텍스트를 번역하는 알고리즘 자체를 한정하거나 제한하지는 않는다.

2) 이미지 추천모듈(Image Recommendation Module; 222)

본 발명의 실시예에 따른 이미지 추천모듈(222)은, 컴퓨팅 장치(200)의 프로세서(260)가 상술된 이미지 검출모듈(212)에 의하여 메뉴판 이미지로부터 검출된 객체 이미지와, 상술된 광학문자인식 모듈(100)에 의하여 메뉴판 이미지로부터 감지된 텍스트(실시예에서, 메뉴명 정보)를 페어링(pairing)할 시, 상기 메뉴명에 맵핑되는 객체 이미지가 부재하는 경우, 딥러닝을 기반으로 상기 메뉴명에 페어링되도록 추천되는 소정의 객체 이미지(실시예에서, 추천 이미지)를 획득해 제공할 수 있다.

자세히, 실시예에서 이미지 추천모듈(222)은, 데이터베이스 모듈(230)이 저장 및/또는 관리하는 복수의 객체 이미지 집합과, 맵핑되는 객체 이미지가 부재한 상태의 메뉴명 정보를 입력 데이터로 하는 딥러닝을 수행할 수 있다.

또한, 이미지 추천모듈(222)은, 위와 같이 수행되는 딥러닝에 기초하여 상기 메뉴명에 대응되는 적어도 하나 이상의 객체 이미지를 상기 데이터베이스 모듈(230)로부터 독출할 수 있다.

그리고 이미지 추천모듈(222)은, 독출된 객체 이미지를 상기 메뉴명에 페어링되도록 추천하는 추천 이미지로서 제공할 수 있다.

다른 실시예로, 이미지 추천모듈(222)은, 외부의 컴퓨팅 장치(200)(예컨대, 웹 서버 등)와 연동하여 상기 메뉴명 정보에 기반한 크롤링(crawling)을 수행할 수 있다.

또한, 이미지 추천모듈(222)은, 수행된 크롤링의 결과로서 획득되는 적어도 하나 이상의 이미지 집합과, 상기 메뉴명 정보를 입력 데이터로 하여 딥러닝을 수행할 수 있다.

그리고 이미지 추천모듈(222)은, 수행된 딥러닝에 기반하여 상기 메뉴명에 대응되는 적어도 하나 이상의 객체 이미지를 획득할 수 있다.

또한, 이미지 추천모듈(222)은, 위와 같이 획득된 객체 이미지를 상기 메뉴명에 페어링되도록 추천하는 추천 이미지로서 제공할 수 있다.

<기타 모듈(Other Modules)>

본 발명의 실시예에서 컴퓨팅 장치(200)는, 기타 모듈로서 데이터베이스 모듈(230), 통신 모듈(240), 메모리(250) 및 프로세서(260)를 포함할 수 있다.

1) 데이터베이스 모듈(Database Module; 230)

본 발명의 실시예에 따른 데이터베이스 모듈(230)은, 통합 메뉴판 인식 서비스를 구현하기 위한 각종 응용 프로그램, 어플리케이션, 명령어 및/또는 데이터 등을 저장하고 관리할 수 있다.

실시예에서, 데이터베이스 모듈(230)은, 불특정 다수의 객체 이미지 집합, 메뉴판 이미지, 텍스트 정보, 추천 이미지, 페어링 정보, 번역 텍스트 정보 및/또는 메뉴판 콘텐츠 등을 저장 및 관리할 수 있다.

이러한 데이터베이스 모듈(230)은, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 데이터베이스 모듈(230)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.

또한, 실시예에서 데이터베이스 모듈(230)은, 불특정 다수의 객체 이미지 집합의 적어도 일부를 제공할 수 있는 외부의 데이터베이스(예컨대, 소셜 네트워크 서비스(Social Network Service, SNS)의 데이터베이스 등)와 연동하여 통합 메뉴판 인식 서비스와 관련된 각종 데이터를 제공할 수 있다.

2) 통신 모듈(Communication Module; 240)

본 발명의 실시예에 따른 통신 모듈(240)은, 통합 메뉴판 인식 서비스를 제공하기 위한 각종 데이터 및/또는 정보 등을 송수신할 수 있다.

실시예에서, 통신 모듈(240)은, 외부의 컴퓨팅 장치(200)(예컨대, 외부의 컴퓨팅 디바이스 및/또는 웹 서버 등)와 통신하여 통합 메뉴판 인식 서비스와 관련된 데이터를 주고받을 수 있다.

이러한 통신 모듈(240)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 임의의 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.

또한, 통신 모듈(240)은, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access) 등의 무선 통신방식으로도 무선 신호를 송수신할 수 있다.

또한, 통신 모듈(240)은, 근거리 무선 통신방식으로 무선 신호를 송수신할 수 있다. 예를 들어, 통신 모듈(240)은, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여 근거리 통신을 지원할 수 있다.

3) 메모리(Memory; 250)

본 발명의 실시예에 따른 메모리(250)는, 통합 메뉴판 인식 서비스를 제공하기 위한 운영체제(OS), 각종 응용 프로그램, 데이터 및 명령어 중 어느 하나 이상을 저장할 수 있다.

실시예에서, 메모리(250)는, 상술된 바와 같은 데이터베이스 모듈(230)을 포함하여 구현될 수도 있다.

또한, 실시예예서 위와 같은 메모리(250)는, 프로그램 영역과 데이터 영역을 포함할 수 있다.

여기서, 실시예에 따른 프로그램 영역은, 컴퓨팅 장치(200)를 부팅하는 운영체제(OS: Operating System) 및 기능요소들 사이에 연계될 수 있으며, 데이터 영역은, 컴퓨팅 장치(200)의 사용에 따라 발생하는 데이터가 저장될 수 있다.

이러한 메모리(250)는, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기일 수 있고, 인터넷(internet)상에서 상기 메모리(250)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다. 또한, 메모리(250)는, 컴퓨팅 장치(200) 상에 탈착 가능한 형태의 기록매체일 수 있다.

4) 프로세서(Processor; 260)

본 발명의 실시예에 따른 프로세서(260)는, 통합 메뉴판 인식 서비스를 구현하기 위하여 전술한 각 유닛(unit)의 전반적인 동작을 컨트롤할 수 있다.

이러한 프로세서(260)는, 중앙처리장치(CPU) 및/또는 그래픽처리장치(GPU) 등이 포함된 컴퓨팅 장치(200)에 적합한 시스템 온 칩(SOC)일 수 있으며, 메모리(250)에 저장된 운영체제(OS) 및/또는 어플리케이션 프로그램 등을 실행할 수 있고, 컴퓨팅 장치(200)에 탑재된 각 구성요소들을 제어할 수 있다.

또한, 프로세서(260)는, 각 구성요소와 내부적으로 시스템 버스(System Bus)에 의해 통신을 수행할 수 있고, 로컬 버스(Local Bus)를 비롯한 소정의 버스 구조들을 하나 이상 포함할 수 있다.

또한, 프로세서(260)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세스(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.

본 발명의 실시예에서 상술된 바와 같은 구성요소를 포함하는 컴퓨팅 장치(200)는, 적어도 하나 이상의 메인 모듈(210), 서브 모듈(220), 데이터베이스 모듈(230) 및/또는 통신 모듈(240)로 구성될 수 있으며, 데이터 처리를 위한 적어도 하나 이상의 프로세서(260)들과, 통합 메뉴판 인식 서비스 제공을 위한 각종 응용 프로그램, 데이터 및/또는 명령어들을 저장하는 적어도 하나 이상의 메모리(250)들을 포함할 수 있다.

- 딥러닝 기반의 메뉴판 제공방법

이하, 소비자의 컴퓨팅 장치(200)에서 실행되는 메뉴판 어플리케이션이 딥러닝을 기반으로 메뉴판을 제공하는 방법을 첨부된 도면을 참조하여 상세히 설명한다.

도 13은 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공방법을 설명하기 위한 흐름도이다.

도 13을 참조하면, 본 발명의 실시예에서 메뉴판 어플리케이션은, 메뉴판 이미지 내 텍스트 정보를 획득할 수 있다. (S101)

도 14는 본 발명의 실시예에 따른 메뉴판 이미지를 나타내는 모습의 일례이다.

자세히, 도 14를 참조하면, 실시예예서 메뉴판 어플리케이션은, 소정의 언어(예컨대, 영어 등)를 기반으로 제작된 메뉴판을 촬영한 이미지인 메뉴판 이미지를 획득할 수 있다.

이때, 실시예에서 상기 메뉴판 이미지는, 해당하는 사업점에서 판매하는 메뉴정보(메뉴명, 메뉴가격, 메뉴사진 및/또는 메뉴설명 정보 등) 및/또는 사업점 정보(상호명 정보 등) 등을 포함할 수 있다.

또한, 실시예에서 위와 같은 메뉴판 이미지를 획득한 메뉴판 어플리케이션은, 딥러닝에 기초하여 상기 획득된 메뉴판 이미지 내 텍스트를 감지해 텍스트 정보를 획득할 수 있다.

여기서, 실시예에 따른 텍스트 정보는, 메뉴판 이미지를 입력 데이터로 하여 딥러닝을 수행해 감지되는 텍스트를 기반으로 획득되는 정보로서, 적어도 하나 이상의 메뉴명 정보(10), 가격 텍스트 정보(20) 및/또는 사이드 텍스트 정보(30)를 포함할 수 있다.

자세히, 실시예에서 메뉴명 정보(10)는, 메뉴판 이미지 내 텍스트들 중 메뉴명을 표시하는 적어도 하나 이상의 텍스트를 포함할 수 있다.

예를 들면, 메뉴명 정보(10)는, 김치찌개(제 1 메뉴명, 10-1), 된장찌개(제 2 메뉴명, 10-2), 부대찌개(제 3 메뉴명, 10-3), …, 제 n 메뉴명을 포함할 수 있다.

또한, 실시예에서 가격 텍스트 정보(20)는, 메뉴판 이미지 내 텍스트들 중 메뉴에 대한 가격을 표시하는 적어도 하나 이상의 텍스트를 포함할 수 있다.

예를 들어, 가격 텍스트 정보(20)는, 7,000(제 1 메뉴가격, 20-1), 7,000(제 2 메뉴가격, 20-2), 8,000(제 3 메뉴가격, 20-3), …, 제 n 메뉴가격을 포함할 수 있다.

이때, 실시예에서 메뉴판 어플리케이션은, 메뉴판 이미지로부터 메뉴명 정보(10)와 가격 텍스트 정보(20)를 획득할 시 해당하는 메뉴명과 가격 텍스트 정보(20)를 상호 매칭하여 감지할 수 있다.

예를 들면, 메뉴판 어플리케이션은, 메뉴명 정보(10)가 감지된 순서 및/또는 좌표값과 대응되는 감지순서 및/또는 좌표값을 가지는 가격 텍스트 정보(20)를 상호 매칭하여 한 쌍으로 감지할 수 있다.

또한, 실시예에서 사이드 텍스트 정보(30)는, 메뉴명 및 가격 텍스트 정보(20) 이외의 텍스트에 기반하여 획득되는 정보로서, 실시예에서 메뉴 부가설명 텍스트 정보 및/또는 상호명 텍스트 정보 등을 포함할 수 있다.

예를 들어, 사이드 텍스트 정보(30)의 부가설명 텍스트 정보는, 메뉴를 설명하는 텍스트 및/또는 원산지 텍스트 등을 포함할 수 있고, 사이드 텍스트 정보(30)의 상호명 텍스트 정보는, 해당 메뉴판을 제공하는 제 1 사업점의 상호명 등을 포함할 수 있다.

또한, 실시예에서 메뉴판 어플리케이션은, 메뉴판 이미지 내 객체 이미지(40)를 획득할 수 있다. (S103)

여기서, 실시예에 따른 객체 이미지(40)란, 메뉴판 이미지 내 텍스트 이외의 특정 오브젝트의 형상을 표시하는 이미지를 의미할 수 있다.

자세히, 실시예예서 메뉴판 어플리케이션은, 메뉴판 이미지로부터 텍스트 이외의 특정 오브젝트의 형상을 표시하는 이미지인 객체 이미지(40)를 딥러닝에 기초하여 적어도 하나 이상 획득할 수 있다.

예를 들면, 메뉴판 어플리케이션은, 메뉴판 이미지에 기반한 딥러닝을 수행하여, 특정 메뉴의 실사 이미지를 나타내는 제 1 음식사진(40-1), 제 2 음식사진(40-2), 제 3 음식사진, …, 제 n 음식사진을 객체 이미지(40)로서 획득할 수 있다.

이와 같이, 실시예예서 메뉴판 어플리케이션은, 메뉴판 내 텍스트 뿐만 아니라 해당하는 텍스트에 매칭되는 객체 이미지(40)(실시예에서, 음식사진 등)까지 함께 추출함으로써, 추후 상기 메뉴판을 번역하는 등 재구성하여 제공할 시 메뉴명이나 가격 등의 텍스트 정보는 물론 해당 메뉴를 나타내는 이미지까지 더 포함하여 제공할 수 있고, 이를 통해 텍스트 이외의 타 정보에 대한 손실을 최소화한 형태의 메뉴판을 생성해 제공할 수 있다.

또한, 실시예에서 메뉴판 어플리케이션은, 위와 같이 획득된 텍스트 정보와 객체 이미지(40)를 페어링(pairing)할 수 있다. (S105)

도 15는 본 발명의 실시예에 따른 페어링(pairing)을 수행하는 방법을 설명하기 위한 도면의 일례이다.

자세히, 도 15를 참조하면, 실시예에서 메뉴판 어플리케이션은, 메뉴판 이미지로부터 획득된 텍스트 정보 내 메뉴명 정보(10)와 객체 이미지(40)를 상호 매칭하여 페어링할 수 있다.

구체적으로, 실시예에서 메뉴판 어플리케이션은, 1) 딥러닝 기반의 페어링을 수행할 수 있다.

자세히, 메뉴판 어플리케이션은, 적어도 하나 이상의 메뉴명 정보(10) 및 객체 이미지(40)를 입력 데이터로 하고, 특정 메뉴명에 대응되는 특정 객체 이미지(40)를 선정하여 상호 매칭해 출력 데이터로 제공하는 맵핑 딥러닝 뉴럴 네트워크를 기반으로 페어링을 수행할 수 있다.

보다 상세히, 실시예에서 메뉴판 어플리케이션은, 적어도 하나 이상의 메뉴명 정보(10)와 적어도 하나 이상의 객체 이미지(40)를 상기 맵핑 딥러닝 뉴럴 네트워크에 입력할 수 있다.

이때, 상기 맵핑 딥러닝 뉴럴 네트워크는, 입력된 적어도 하나 이상의 메뉴명 각각에 대응되는 객체 이미지(40)를 1:1로 매칭하는 딥러닝을 수행할 수 있다.

그리고 상기 맵핑 딥러닝 뉴럴 네트워크는, 수행된 딥러닝의 결과로서 적어도 하나 이상의 메뉴명 각각과 객체 이미지(40) 각각을 상호 매칭한 형태의 출력 데이터를 제공할 수 있다.

이후, 상기 맵핑 딥러닝 뉴럴 네트워크로부터 위와 같은 출력 데이터를 수신한 메뉴판 어플리케이션은, 수신된 출력 데이터에 기초하여 메뉴명 정보(10) 및 객체 이미지(40) 간 페어링을 수행할 수 있다.

예를 들어, 메뉴판 어플리케이션은, 김치찌개(제 1 메뉴명), 된장찌개(제 2 메뉴명) 및 부대찌개(제 3 메뉴명)를 포함하는 메뉴명 정보(10)와, 김치찌개 사진(제 1 음식사진), 된장찌개 사진(제 2 음식사진) 및 부대찌개 사진(제 3 음식사진)을 포함하는 객체 이미지(40)를 맵핑 딥러닝 뉴럴 네트워크에 입력할 수 있다.

그리고 메뉴판 어플리케이션은, 상기 맵핑 딥러닝 뉴럴 네트워크로부터 '김치찌개' 메뉴명 정보(10)와 '김치찌개 사진' 객체 이미지(40)를 맵핑하고, '된장찌개' 메뉴명 정보(10)와 '된장찌개 사진' 객체 이미지(40)를 맵핑하고, '부대찌개' 메뉴명 정보(10)와 '부대찌개 사진' 객체 이미지(40)를 맵핑하여 제공되는 출력 데이터를 획득할 수 있다.

그리하여 메뉴판 어플리케이션은, 상기 획득된 출력 데이터를 기초로 메뉴판 이미지 내 적어도 하나 이상의 메뉴명 각각과 대응되는 객체 이미지(40)를 1:1로 매칭하는 페어링을 수행할 수 있다.

이와 같이, 실시예에서 메뉴판 어플리케이션은, 딥러닝을 기반으로 메뉴명과 객체 이미지(40) 간 페어링을 수행함으로써, 메뉴판 내 복수의 메뉴명들과 복수의 객체 이미지(40) 간 맵핑을 빠르고 편리하게 수행할 수 있다.

다른 실시예로, 메뉴판 어플리케이션은, 2) 거리정보 기반의 페어링을 수행할 수 있다.

여기서, 실시예에 따른 거리정보란, 메뉴판 이미지 내에서 메뉴명 정보(10)를 감지한 영역에 대한 제 1 좌표값(예컨대, 메뉴명 텍스트 영역의 중심점 좌표 등)과, 메뉴판 이미지 내에서 객체 이미지(40)를 검출한 영역에 대한 제 2 좌표값(예컨대, 객체 이미지(40) 영역의 중심점 좌표 등) 간의 거리를 나타낼 수 있다.

자세히, 실시예에서 메뉴판 어플리케이션은, 특정 메뉴명 정보(10)에 대한 제 1 좌표값과, 적어도 하나 이상의 객체 이미지(40) 각각에 대한 복수의 제 2 좌표값 간의 거리정보를 산출할 수 있다.

또한, 메뉴판 어플리케이션은, 산출된 복수의 거리정보 중 최소값을 가지는 거리정보를 검출할 수 있다.

그리고 메뉴판 어플리케이션은, 검출된 거리정보에 대응되는 제 2 좌표값을 가지는 객체 이미지(40)를 해당 메뉴명 정보(10)와 맵핑할 수 있다.

그리하여 메뉴판 어플리케이션은, 메뉴명 정보(10) 각각과 소정의 객체 이미지(40)를 맵핑하는 페어링을 수행할 수 있다.

이와 같이, 실시예에서 메뉴판 어플리케이션은, 메뉴명과 객체 이미지(40) 간의 거리를 기초로 페어링을 수행 가능함으로써, 메뉴판의 구성에 따라서 메뉴명에 정확히 매칭되는 위치에 객체 이미지(40)가 존재하지 않더라도 해당 메뉴명에 대응되는 객체 이미지(40)를 높은 정확도로 결정해 페어링할 수 있다.

도 16은 본 발명의 실시예에 따른 추천 이미지를 제공하고 페어링(pairing)을 수행하는 방법을 설명하기 위한 도면의 일례이다.

이때, 도 16을 참조하면, 실시에예서 메뉴판 어플리케이션은, 텍스트 정보에 맵핑되는 객체 이미지(40)가 부재하는 경우, 해당 텍스트 정보에 페어링될 추천 이미지를 획득할 수 있고, 획득된 추천 이미지에 기초하여 페어링을 수행할 수 있다.

자세히, 일반적으로 메뉴판 이미지(즉, 메뉴판) 내에는, 메뉴명에 대응되어 해당 메뉴의 모습을 나타내는 객체 이미지(40)(예컨대, 음식사진 등)가 상기 메뉴명 별로 모두 존재할 수도 있으나, 상황에 따라서 메뉴판 이미지 내 모든 메뉴명에 대한 객체 이미지(40)가 존재하지 않을 수도 있다.

예를 들면, 상황에 따라서 메뉴판 이미지는, 복수의 메뉴들 중 해당 사업점의 메인 메뉴에 대한 객체 이미지(40)만을 해당 메뉴판 이미지에 포함하고 있고, 나머지 메뉴들에 대한 객체 이미지(40)는 불포함할 수도 있다.

위와 같은 상황과 같이, 소정의 메뉴명 정보(10)에 맵핑되는 객체 이미지(40)가 부재하는 경우, 본 발명의 실시예에서 메뉴판 어플리케이션은, 해당 메뉴명 정보(10)에 페어링될 추천 이미지를 제공할 수 있다.

여기서, 실시예에 따른 추천 이미지란, 해당하는 메뉴판 이미지 외부에 존재하는 불특정 다수의 객체 이미지(40)들 중에서, 상기 메뉴명 정보(10)에 대응된다고 판단된 소정의 객체 이미지(40)일 수 있다.

또한, 실시예에서 메뉴판 어플리케이션은, 상기 추천 이미지를 해당하는 메뉴명 정보(10)에 맵핑하여 페어링을 수행할 수 있다.

자세히, 실시예예서 메뉴판 어플리케이션은, 1) 데이터베이스를 기반으로 추천 이미지를 획득하여 페어링을 수행할 수 있다.

보다 상세히, 본 발명의 실시예에 따른 데이터베이스 모듈(230)은, 불특정 다수의 객체 이미지(40) 집합 데이터를 포함할 수 있다.

또한, 실시예예서 메뉴판 어플리케이션은, 상술된 바와 같이 대응되는 객체 이미지(40)가 부재하는 메뉴명 정보(10)와, 상기 객체 이미지(40) 집합 데이터를 기초로 하여 상기 객체 이미지(40) 집합 데이터 중 상기 메뉴명 정보(10)에 매칭된다고 판단되는 객체 이미지(40)인 추천 이미지를 검출할 수 있다.

이때, 실시예로 메뉴판 어플리케이션은, 딥러닝 뉴럴 네트워크에 기반하여 상기 메뉴명 정보(10)와 객체 이미지(40) 집합 데이터에 기반한 추천 이미지를 검출할 수 있다.

구체적으로, 메뉴판 어플리케이션은, 상기 메뉴명 정보(10)와 상기 객체 이미지(40) 집합 데이터를 상술된 맵핑 딥러닝 뉴럴 네트워크에 입력할 수 있다.

여기서, 상기 맵핑 딥러닝 뉴럴 네트워크는, 입력된 메뉴명 정보(10) 및 집합 데이터에 기초하여 딥러닝을 수행할 수 있고, 그 결과로 상기 메뉴명 정보(10)에 대응되는 객체 이미지(40)를 상기 집합 데이터로부터 추출하여 추천 이미지로 결정할 수 있다.

그리고 상기 맵핑 딥러닝 뉴럴 네트워크는, 결정된 추천 이미지와 상기 메뉴명 정보(10)를 맵핑한 형태의 출력 데이터를 제공할 수 있다.

이후, 상기 맵핑 딥러닝 뉴럴 네트워크로부터 상기 출력 데이터를 수신한 메뉴판 어플리케이션은, 수신된 출력 데이터(즉, 상기 메뉴명 정보(10)와 추천 이미지가 맵핑된 정보)에 기초하여, 대응되는 객체 이미지(40)가 부재하는 메뉴명 정보(10)에 상기 추천 이미지를 페어링할 수 있다.

그리하여 실시예에서 메뉴판 어플리케이션은, 메뉴판 이미지 내에는 대응되는 객체 이미지(40)가 없는 메뉴명 정보(10)더라도, 해당 메뉴명 정보(10)에 대응되는 객체 이미지(40)를 메뉴판 이미지 외부로부터 획득하여 매칭해 제공할 수 있다.

예를 들면, 메뉴판 어플리케이션은, '부대찌개(즉, 메뉴명)'에 대응되는 객체 이미지(40)가 부재하는 경우, ‘부대찌개’ 텍스트 및 데이터베이스 내 객체 이미지(40) 집합 데이터에 기반한 딥러닝을 수행할 수 있다.

그리고 메뉴판 어플리케이션은, 수행된 딥러닝을 통하여 상기 ‘부대찌개’ 텍스트에 대응된다고 판단된 객체 이미지(40)인 추천 이미지를 상기 집합 데이터로부터 추출해 획득할 수 있다.

또한, 메뉴판 어플리케이션은, 위와 같이 획득된 추천 이미지를 상기 '부대찌개(즉, 메뉴명)' 텍스트에 맵핑하여 페어링을 수행할 수 있다.

다른 실시예로, 데이터베이스 모듈(230) 내 불특정 다수의 객체 이미지(40) 집합 데이터 각각은, 각각에 대응되는 태그어를 포함할 수 있다.

여기서, 본 실시예에 따른 상기 태그어는, 해당하는 객체 이미지(40) 내 오브젝트명(실시예에서, 메뉴명) 등에 기반하여 설정될 수 있다.

예를 들어, 객체 이미지(40) 집합 데이터 내 소정의 객체 이미지(40)가 '부대찌개' 오브젝트를 포함하고 있는 경우, 상기 소정의 객체 이미지(40)에 대응되는 태그어는 '부대찌개'로 설정될 수 있다.

또한, 본 실시예에서 메뉴명 어플리케이션은, 대응되는 객체 이미지(40)가 부재하는 메뉴명 정보(10)와, 상기 객체 이미지(40) 집합 데이터 각각에 대한 태그어에 기초하여, 상기 메뉴명 정보(10)에 대한 추천 이미지를 상기 객체 이미지(40) 집합 데이터로부터 추출할 수 있다.

자세히, 본 실시예에서 메뉴명 어플리케이션은, 상기 메뉴명 정보(10)에 대응되는 태그어를 가지는 객체 이미지(40)를 상기 객체 이미지(40) 집합 데이터로부터 추출할 수 있다.

예를 들면, 메뉴명 어플리케이션은, 메뉴명 정보(10)가 '부대찌개' 인 경우, 상기 객체 이미지(40) 집합 데이터 내 복수의 객체 이미지(40)들 중 '부대찌개'를 태그어로 가지는 객체 이미지(40)를 추출할 수 있다.

또한, 본 실시예에서 메뉴명 어플리케이션은, 위와 같이 추출된 객체 이미지(40)를 상기 메뉴명 정보(10)에 페어링될 추천 이미지로 결정할 수 있다.

그리고 메뉴명 어플리케이션은, 결정된 추천 이미지를 상기 메뉴명 정보(10)에 맵핑하여 페어링을 수행할 수 있다.

예시적으로, 메뉴명 어플리케이션은, '부대찌개(즉, 메뉴명)'에 대응되는 객체 이미지(40)가 부재하는 경우, ‘부대찌개’ 텍스트에 대응되는 태그어를 가지는 객체 이미지(40)를 상기 집합 데이터로부터 추출할 수 있고, 추출된 객체 이미지(40)를 상기 메뉴명 정보(10)에 페어링될 추천 이미지로 결정할 수 있으며, 결정된 추천 이미지를 상기 '부대찌개(즉, 메뉴명)' 텍스트에 맵핑하여 페어링을 수행할 수 있다.

이와 같이, 본 발명의 실시예에서 메뉴판 어플리케이션은, 메뉴명에 매칭되는 객체 이미지(40)가 부재하는 경우, 해당 메뉴판 이미지로부터 획득되는 객체 이미지(40) 이외의 불특정 다수의 객체 이미지(40)들 중에서 어느 하나를 선정하여 해당 메뉴명에 맵핑해 제공함으로써, 기존 메뉴판에 모든 메뉴 각각에 대한 사진이 존재하지 않더라도 해당 메뉴를 나타내는 사진을 검출해 함께 제공할 수 있고, 이를 통해 추후 재구성되어 제공되는 메뉴판의 내용을 보다 정확하고 직관적으로 인지하게 함과 동시에 그 사용성 또한 향상시킬 수 있다.

다른 실시예로, 메뉴판 어플리케이션은, 2) 소셜 네트워크 서비스(Social Network Service, SNS)를 기반으로 추천 이미지를 획득하여 페어링을 수행할 수 있다.

자세히, 본 실시예에 따른 데이터베이스 모듈(230)은, 소정의 소셜 네트워크 서비스(예컨대, 인스타그램 및/또는 페이스북 등)의 서버와 연동할 수 있다.

또한, 본 실시예에서 메뉴판 어플리케이션은, 상술된 바와 같이 대응되는 객체 이미지(40)가 부재하는 텍스트 정보의 메뉴명 정보(10) 및/또는 사이드 텍스트 정보(30)에 기초하여, 소셜 네트워크 서비스 기반 검색(크롤링)을 수행할 수 있다.

보다 상세히, 본 실시예에서 메뉴판 어플리케이션은, 대응되는 객체 이미지(40)가 부재하는 메뉴명 정보(10) 및/또는 해당 메뉴명 정보(10)에 대응되는 사이드 텍스트 정보(30) 내 상호명 텍스트 정보에 기반하여, 소셜 네트워크 서비스 기반 검색을 수행할 수 있다.

예를 들면, 메뉴판 어플리케이션은, '부대찌개' 및 '제 1 사업점의 상호명'을 포함하는 검색어에 기초하여 소셜 네트워크 서비스 기반 검색을 수행할 수 있다.

또한, 본 실시예에서 메뉴판 어플리케이션은, 위와 같은 검색을 수행하여 상기 메뉴명 정보(10) 및/또는 상호명 텍스트 정보에 매칭되는 객체 이미지(40)를 상기 소셜 네트워크 서비스의 데이터베이스로부터 검출하여 획득할 수 있다.

이때, 본 실시예에서 메뉴판 어플리케이션은, 상기 메뉴명 정보(10) 및/또는 상호명 텍스트 정보에 매칭되는 객체 이미지(40)가 복수 개 검출되는 경우, 소정의 기준에 따라서 상기 검출된 후보 객체 이미지(40) 중 적어도 하나를 선택할 수 있다.

실시예로, 메뉴판 어플리케이션은, 위와 같이 검출된 복수의 후보 객체 이미지(40)에 기반한 딥러닝을 수행하여, 해당하는 후보 객체 이미지(40) 내 오브젝트 영역을 제외한 배경 영역의 크기가 최소값을 가지는 후보 객체 이미지(40)를 추천 이미지로 선정할 수 있다.

다른 실시예로, 메뉴판 어플리케이션은, 위와 같이 검출된 복수의 후보 객체 이미지(40) 중 '좋아요' 개수가 최대값을 가지는 후보 객체 이미지(40)를 추천 이미지로 선정할 수도 있다.

또한, 본 실시예에서 메뉴판 어플리케이션은, 위와 같이 선정된 추천 이미지를 상기 메뉴명 정보(10)에 맵핑하여 페어링을 수행할 수 있다.

이와 같이, 본 실시예에서 메뉴판 어플리케이션은, 소정의 소셜 네트워크 서비스와 연동하여 메뉴명에 페어링될 추천 이미지를 결정 가능함으로써, 대용량의 빅 데이터를 기반으로 최신의 동향까지 고려한 검색을 수행해 추천 이미지를 결정할 수 있고, 이를 통해 추천 이미지와 메뉴명 간의 상호 부합도와 정확도를 보다 향상시킬 수 있다.

다시 도 13으로 돌아와서, 또한 실시예에서 메뉴판 어플리케이션은, 상술된 바와 같이 획득된 텍스트 정보에 대한 언어변환을 수행하여 번역 텍스트 정보(50)를 획득할 수 있다. (S107)

여기서, 실시예에 따른 번역 텍스트 정보(50)란, 소정의 언어(예컨대, 영어)를 기반으로 제작된 메뉴판 내 텍스트 정보(실시예에서, 메뉴명 정보(10), 가격 텍스트 정보(20) 및/또는 사이드 텍스트 정보(30) 등)를 소정의 타 언어(예컨대, 한국어)로 변환하여 번역한 정보일 수 있다.

자세히, 실시예에서 메뉴판 어플리케이션은, 딥러닝을 기반으로 언어변환 프로세스를 수행하는 문자번역 모듈(221)에 기초하여 상기 번역 텍스트 정보(50)를 획득할 수 있다.

이때, 예시적으로 상기 문자번역 모듈(221)은, seq2seq 등과 같은 딥러닝 기반의 언어 번역기에 기초하여 구현될 수 있으며, 본 발명의 실시예에서는 메뉴판 이미지 내 텍스트 정보를 번역하는 알고리즘 자체를 한정하거나 제한하지는 않는다.

보다 상세히, 실시예예서 메뉴판 어플리케이션은, 특정 언어(예컨대, 영어)에 기반한 메뉴명 정보(10), 가격 텍스트 정보(20) 및/또는 사이드 텍스트 정보(30)를 상기 문자번역 모듈(221)에 입력할 수 있다.

이때, 상기 문자번역 모듈(221)은, 입력된 데이터에 기반한 딥러닝을 수행하여 상기 텍스트 정보(즉, 메뉴명 정보(10), 가격 텍스트 정보(20) 및/또는 사이드 텍스트 정보(30))를 소정의 타 언어(예컨대, 한국어)로 변환해 출력 데이터로 제공할 수 있다.

그리하면, 실시예에서 메뉴판 어플리케이션은, 상기 문자번역 모듈(221)로부터 제공되는 출력 데이터에 기초하여 상기 메뉴명 정보(10), 가격 텍스트 정보(20) 및/또는 사이드 텍스트 정보(30)에 대한 번역 텍스트 정보(50)를 획득할 수 있다.

이때, 실시예에서 위와 같이 획득되는 번역 텍스트 정보(50)는, 해당 번역 텍스트 정보(50)에 대응되는 텍스트 정보에 맵핑된 객체 이미지(40)와 동일하게 페어링될 수 있다.

이와 같이, 실시예에서 메뉴판 어플리케이션은, 특정 언어로 구현되어 있는 메뉴판을 타 언어로 번역하여 제공 가능함으로써, 소비자가 익숙하지 않은 이종의 언어로 만들어진 메뉴판이더라도 손쉽게 해당 메뉴판의 내용을 확인하고 이용하게 할 수 있다.

도 17은 본 발명의 실시예에 따른 메뉴판 콘텐츠를 나타내는 모습의 일례이다.

또한, 도 17을 참조하면, 실시예에서 메뉴판 어플리케이션은, 위와 같이 획득된 정보들에 기초하여 메뉴판 콘텐츠를 생성해 제공할 수 있다. (S109)

즉, 실시예에서 메뉴판 어플리케이션은, 상술된 바와 같이 획득된 텍스트 정보, 번역 텍스트 정보(50) 및/또는 해당 텍스트 정보와 번역 텍스트 정보(50)의 메뉴명 별로 페어링된 객체 이미지(40-1, 40-2, 40-3, …: 40)에 기초하여 메뉴판 콘텐츠 생성해 제공할 수 있다.

여기서, 실시예에 따른 메뉴판 콘텐츠란, 기존의 메뉴판 이미지로부터 획득되는 텍스트 정보, 번역 텍스트 정보(50) 및/또는 해당 텍스트 정보와 번역 텍스트 정보(50)의 메뉴명 별로 페어링된 객체 이미지(40)를 기초로 새롭게 재구성되어 제공되는 메뉴판을 의미할 수 있다.

실시예로, 메뉴판 어플리케이션은, 메뉴판을 촬영한 메뉴판 이미지로부터 획득된 번역 텍스트 정보(50)와, 해당 번역 텍스트 정보(50)에 페어링된 객체 이미지(40)를 기반으로 재구성되어 새롭게 만들어진 번역 메뉴판을 생성할 수 있다.

그리고 메뉴판 어플리케이션은, 생성된 번역 메뉴판을 메뉴판 콘텐츠로서 소정의 방식(예를 들면, 디스플레이 출력 등)으로 제공할 수 있다.

실시예에 따라서, 메뉴판 어플리케이션은, 기존의 메뉴판 이미지 상에 해당 메뉴판 이미지로부터 획득된 번역 텍스트 정보(50)와, 해당 번역 텍스트 정보(50)에 페어링된 객체 이미지(40)를 증강현실(AR)로 중첩하여 표시할 수도 있다.

이와 같이, 실시예에서 메뉴판 어플리케이션은, 번역된 텍스트 정보(즉, 메뉴명과 가격 텍스트 등을 번역한 정보)와 그에 대응하는 객체 이미지(40)(즉, 해당 메뉴명에 대응하는 음식사진 등) 등을 조합하여 새롭게 생성된 메뉴판을 제공함으로써, 기존 메뉴판을 사용자가 원하는 형태(실시예에서, 소비자가 원하는 언어로 번역된 형태 등)로 재구성해 제공할 수 있다.

이상, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 딥러닝을 기반으로 메뉴판 내 텍스트와 이미지를 추출하고, 추출된 텍스트와 이미지를 상호 매칭하여 재구성된 메뉴판을 제공함으로써, 기존의 메뉴판을 사용자의 요구사항에 따른 형태로 생성해 제공할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 메뉴판으로부터 추출된 텍스트와 이미지에 기반한 딥러닝을 수행하여 상호 매칭되는 텍스트와 이미지를 페어링(pairing)해 제공함으로써, 추후 상기 메뉴판을 번역하는 등 재구성하여 제공할 시 메뉴명이나 가격 등의 텍스트 정보는 물론 해당 메뉴를 나타내는 이미지까지 더 포함하여 제공할 수 있고, 이를 통해 텍스트 이외의 타 정보에 대한 손실 최소화할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 텍스트와 이미지에 대한 페어링을 수행할 시 상기 텍스트에 대응되는 이미지가 부재하는 경우, 딥러닝을 기초로 상기 텍스트에 대응되는 소정의 이미지를 획득하여 상기 페어링을 수행함으로써, 기존 메뉴판에 모든 메뉴 각각에 대한 이미지가 존재하지 않더라도 해당 메뉴를 나타내는 이미지를 검출해 함께 제공할 수 있고, 이를 통해 재구성되어 제공되는 메뉴판의 내용을 보다 정확하고 직관적으로 인지하게 함과 동시에 그 사용성 또한 향상시킬 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 메뉴판 제공 방법 및 그 시스템은, 메뉴판으로부터 추출되는 특정 언어 기반의 텍스트를 딥러닝을 기초로 변환하여 소정의 타 언어로 번역해 제공함으로써, 익숙하지 않은 이종의 언어로 만들어진 메뉴판이더라도 손쉽게 해당 메뉴판의 내용을 확인하고 이용하게 할 수 있는 효과가 있다.

또한, 이상에서 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리(250) 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.

Claims (10)

1. 적어도 하나 이상의 프로세서; 및
   적어도 하나 이상의 메모리; 를 포함하고,
   상기 메모리에 저장되고 상기 적어도 하나 이상의 프로세서에 의해 실행되어 딥러닝 기반의 메뉴판을 제공하는 적어도 하나의 어플리케이션으로서 상기 적어도 하나의 어플리케이션은,
   메뉴판 이미지 내 텍스트 정보를 획득하고,
   상기 메뉴판 이미지 내 텍스트 이외의 특정 오브젝트를 나타내는 객체 이미지를 획득하고,
   상기 획득된 텍스트 정보와 상기 객체 이미지를 맵핑하여 페어링(pairing)하고,
   상기 텍스트 정보에 대한 언어변환을 수행하여 번역 텍스트 정보를 획득하고,
   상기 텍스트 정보, 상기 번역 텍스트 정보 및 상기 페어링된 객체 이미지 중 적어도 둘 이상에 기초하여 재구성된 메뉴판 콘텐츠를 제공하며,
   상기 적어도 하나의 어플리케이션은,
   상기 메뉴판 이미지 내 메뉴명 정보를 감지한 영역에 대응되는 제1 좌표값을 획득하고,
   상기 메뉴판 이미지 내 상기 객체 이미지 각각을 감지한 영역에 대응되는 적어도 하나의 제2 좌표값을 획득하고,
   상기 제1 좌표값 및 상기 제2 좌표값 각각 간의 거리값을 산출하고,
   상기 산출된 거리값 중에서 최소 거리값을 가지는 제2 좌표값을 검출하고,
   상기 최소 거리값을 가지는 제2 좌표값에 대응되는 객체 이미지를 상기 메뉴명 정보에 맵핑하여 페어링하는
   딥러닝 기반의 메뉴판 제공 시스템.
2. ◈청구항 2은(는) 설정등록료 납부시 포기되었습니다.◈

   제 1 항에 있어서,
   상기 텍스트 정보는,
   상기 메뉴판 이미지 내 텍스트 중 메뉴명을 나타내는 상기 메뉴명 정보와, 상기 메뉴판 이미지 내 텍스트 중 메뉴의 가격을 나타내는 가격 텍스트 정보와, 상기 메뉴판 이미지 내 텍스트 중 상기 메뉴명 정보와 상기 가격 텍스트 정보 이외의 텍스트를 나타내는 사이드 텍스트 정보 중 적어도 하나 이상을 포함하고,
   상기 사이드 텍스트 정보는,
   상기 메뉴에 대한 설명을 나타내는 메뉴 부가설명 텍스트 정보 및 상기 메뉴판을 제공하는 사업점명을 나타내는 상호명 텍스트 정보 중 적어도 하나 이상을 포함하는
   딥러닝 기반의 메뉴판 제공 시스템.
3. ◈청구항 3은(는) 설정등록료 납부시 포기되었습니다.◈

   제 2 항에 있어서,
   상기 어플리케이션은,
   상기 텍스트 정보에 맵핑되는 객체 이미지가 부재하는 경우, 상기 텍스트 정보에 매칭되는 추천 이미지를 검출하여 상기 텍스트 정보와의 페어링을 수행하는
   딥러닝 기반의 메뉴판 제공 시스템.
4. ◈청구항 4은(는) 설정등록료 납부시 포기되었습니다.◈

   제 3 항에 있어서,
   상기 추천 이미지는,
   상기 메모리 내 복수의 객체 이미지 데이터 중에서 상기 메뉴명 정보에 매칭되는 객체 이미지인
   딥러닝 기반의 메뉴판 제공 시스템.
5. ◈청구항 5은(는) 설정등록료 납부시 포기되었습니다.◈

   제 4 항에 있어서,
   상기 어플리케이션은,
   상기 메모리 내 데이터베이스 모듈에 저장된 상기 복수의 객체 이미지 데이터와, 상기 메뉴명 정보를 입력으로 하는 딥러닝을 수행하여 상기 추천 이미지를 검출하거나,
   상기 복수의 객체 이미지 데이터 각각에 매칭된 태그어와, 상기 메뉴명 정보를 기반으로 상기 추천 이미지를 검출하는
   딥러닝 기반의 메뉴판 제공 시스템.
6. ◈청구항 6은(는) 설정등록료 납부시 포기되었습니다.◈

   제 4 항에 있어서,
   상기 어플리케이션은,
   상기 메모리와 연동되는 소셜 네트워크 서비스(Social Network Service, SNS) 상에서 상기 메뉴명 정보 및 상기 사이드 텍스트 정보 중 적어도 하나에 기초한 검색을 수행하여 상기 추천 이미지를 검출하는
   딥러닝 기반의 메뉴판 제공 시스템.
7. 제 1 항에 있어서,
   상기 어플리케이션은,
   상기 텍스트 정보를 사용자 입력에 따른 타겟 언어를 기반으로 변환하여 상기 번역 텍스트 정보를 획득하는
   딥러닝 기반의 메뉴판 제공 시스템.
8. 제 1 항에 있어서,
   상기 어플리케이션은,
   딥러닝 뉴럴 네트워크를 기반으로 상기 메뉴판 이미지 내 텍스트에 대한 특징정보를 추출하는 제 1 모듈과,
   상기 추출된 특징정보를 기초로 상기 텍스트에 대한 위치정보를 가지는 초기 인코딩 정보를 생성하는 제 2 모듈과,
   상기 생성된 초기 인코딩 정보에 기반한 형태 변환을 수행하여 상기 메뉴판 이미지에 대한 2차원 정보를 유지한 어텐션 맵을 획득하는 제 3 모듈과,
   상기 획득된 어텐션 맵에 기초한 딥러닝 모델을 통해 상기 메뉴판 이미지 내 텍스트를 감지하는 제 4 모듈에 기반하여 상기 메뉴판 이미지 내 텍스트 정보를 획득하는
   딥러닝 기반의 메뉴판 제공 시스템.
9. 컴퓨팅 장치에서 실행되는 어플리케이션이 딥러닝 기반의 메뉴판을 제공하는 방법으로서,
   메뉴판 이미지 내 텍스트 정보를 획득하는 단계;
   상기 메뉴판 이미지 내 텍스트 이외의 특정 오브젝트를 나타내는 객체 이미지를 획득하는 단계;
   상기 획득된 텍스트 정보와 상기 객체 이미지를 맵핑하여 페어링(pairing)하는 단계;
   상기 텍스트 정보에 대한 언어변환을 수행하여 번역 텍스트 정보를 획득하는 단계; 및
   상기 텍스트 정보, 상기 번역 텍스트 정보 및 상기 페어링된 객체 이미지 중 적어도 둘 이상에 기초하여 재구성된 메뉴판 콘텐츠를 제공하는 단계를 포함하고,
   상기 텍스트 정보와 상기 객체 이미지를 맵핑하여 페어링하는 단계는,
   상기 메뉴판 이미지 내 메뉴명 정보를 감지한 영역에 대응되는 제1 좌표값을 획득하는 단계와,
   상기 메뉴판 이미지 내 상기 객체 이미지 각각을 감지한 영역에 대응되는 적어도 하나의 제2 좌표값을 획득하는 단계와,
   상기 제1 좌표값 및 상기 제2 좌표값 각각 간의 거리값을 산출하는 단계와,
   상기 산출된 거리값 중에서 최소 거리값을 가지는 제2 좌표값을 검출하는 단계와,
   상기 최소 거리값을 가지는 제2 좌표값에 대응되는 객체 이미지를 상기 메뉴명 정보에 맵핑하여 페어링하는 단계를 포함하는
   딥러닝 기반의 메뉴판 제공 방법.
10. ◈청구항 10은(는) 설정등록료 납부시 포기되었습니다.◈

    제 9 항에 있어서,
    상기 어플리케이션은,
    상기 텍스트 정보에 맵핑되는 객체 이미지가 부재하는 경우, 상기 텍스트 정보에 매칭되는 추천 이미지를 검출하여 상기 텍스트 정보와의 페어링을 수행하는
    딥러닝 기반의 메뉴판 제공 방법.

Images