KR102568846B1 - 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치 Download PDF

Info

Publication number
KR102568846B1
KR102568846B1 KR1020230048245A KR20230048245A KR102568846B1 KR 102568846 B1 KR102568846 B1 KR 102568846B1 KR 1020230048245 A KR1020230048245 A KR 1020230048245A KR 20230048245 A KR20230048245 A KR 20230048245A KR 102568846 B1 KR102568846 B1 KR 102568846B1
Authority
KR
South Korea
Prior art keywords
module
value
manufacturing
menu
information
Prior art date
Application number
KR1020230048245A
Other languages
English (en)
Inventor
양성환
김후남
Original Assignee
주식회사 민성
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 민성 filed Critical 주식회사 민성
Priority to KR1020230048245A priority Critical patent/KR102568846B1/ko
Application granted granted Critical
Publication of KR102568846B1 publication Critical patent/KR102568846B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
    • A47J31/00—Apparatus for making beverages
    • A47J31/44—Parts or details or accessories of beverage-making apparatus
    • A47J31/60—Cleaning devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 무인 카페에 고객이 입장하는 것에 기반하여, 하나 이상의 메뉴에 대한 결제가 완료된 것에 기반하여 주문 단말로부터 주문 정보를 수신하고, 주문 화면이 상기 주문 단말에 구비된 디스플레이 모듈에 표시되고, 상기 하나 이상의 메뉴는 고객의 입력에 의해 상기 주문 화면에 포함된 복수의 메뉴 중에서 선택된 메뉴이고, 상기 주문 정보에 기반하여 제조 장치에게 상기 하나 이상의 메뉴를 제조하기 위한 제조 정보를 전송하고, 상기 제조 장치는 제조와 관련된 복수의 모듈, 센싱 모듈, 카메라 모듈 및 세척 모듈을 포함하고, 상기 제조와 관련된 복수의 모듈은 에스프레소 모듈, 제빙 모듈 및 시럽 디스펜서 모듈을 포함하고, 상기 제조 장치로부터 제조 완료 메시지를 수신한 것에 기반하여 상기 제조와 관련된 복수의 모듈 각각에 대한 세척 주기의 경과 여부를 결정하고, 상기 제조와 관련된 복수의 모듈 각각에 대한 세척 주기는 각각의 모듈에 설정된 뉴럴 네트워크를 이용하는 세척 주기 결정 모델을 통해 상기 제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 상기 제조와 관련된 복수의 모듈 각각에 대한 메뉴별 동작 정보 및 상기 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보를 기반으로 결정되고, 상기 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척을 지시하는 세척 수행 메시지를 상기 제조 장치에게 전송하고, 상기 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척이 상기 세척 수행 메시지에 포함된 세척 정보를 기반으로 상기 세척 모듈에 의해 수행되고, 관리자 단말에게 세척이 수행된 모듈에 대한 이미지를 포함하는 세척 완료 메시지를 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치{METHOD AND APPARATUS FOR MANAGING MANUFACTURING EQUIPMENT PROVIDED IN AN UNMANNED CAFE USING A NEURAL NETWORK}
본 개시의 실시예들은 무인 카페에 구비된 제조 장치를 관리하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 기술에 대한 것이다.
한편, 인공지능과 통신 기술의 발달로 비대면 시대가 도래하면서 다양한 무인화 매장이 발행하고 있다. 특히, 무인 카페의 경우, 카페에서 일하는 직원이 없이도 음료의 주문, 제조 및 서빙까지 모두 비대면으로 수행될 수 있다.
그러나, 무인 카페도 일반적인 매장과 마찬가지로 무인 카페에 구비된 장치들을 관리하는 관리자가 필요하므로, 별도의 관리 인력을 고용해야 하는 불편함이 발생할 수 있다.
또한, 무인 카페에 구비된 제조 장치를 통해 메뉴가 제조된 경우, 제조 장치의 청결 상태를 확인하기 어려워 적절한 시점에 제조 장치에 대해 세척을 수행하기 어려운 문제가 있다.
이에, 관리자가 관리자 단말을 사용하여 무인 카페에 구비된 장치들을 관리하는 관리 서버에게 원격으로 제어하는 방법이 필요하다. 또한, 관리 서버가 뉴럴 네트워크를 통해 무인 카페 내 구비된 제조 장치로부터 정보를 기반으로 세척 주기를 결정하고, 세척 주기가 경과된 제조 장치에 대한 세척을 수행함으로써, 제조 장치를 관리하는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 관리 서버가 무인 카페에 구비된 제조 장치를 관리하는 방법은, 하나 이상의 메뉴에 대한 결제가 완료된 것에 기반하여 주문 단말로부터 주문 정보를 수신하고, 주문 화면이 상기 주문 단말에 구비된 디스플레이 모듈에 표시되고, 상기 하나 이상의 메뉴는 고객의 입력에 의해 상기 주문 화면에 포함된 복수의 메뉴 중에서 선택된 메뉴이고, 상기 주문 정보에 기반하여 제조 장치에게 상기 하나 이상의 메뉴를 제조하기 위한 제조 정보를 전송하고, 상기 제조 장치는 제조와 관련된 복수의 모듈, 센싱 모듈, 카메라 모듈 및 세척 모듈을 포함하고, 상기 제조와 관련된 복수의 모듈은 에스프레소 모듈, 제빙 모듈 및 시럽 디스펜서 모듈을 포함하고, 상기 제조 장치로부터 제조 완료 메시지를 수신한 것에 기반하여 상기 제조와 관련된 복수의 모듈 각각에 대한 세척 주기의 경과 여부를 결정하고, 상기 제조와 관련된 복수의 모듈 각각에 대한 세척 주기는 각각의 모듈에 설정된 뉴럴 네트워크를 이용하는 세척 주기 결정 모델을 통해 상기 제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 상기 제조와 관련된 복수의 모듈 각각에 대한 메뉴별 동작 정보 및 상기 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보를 기반으로 결정되고, 상기 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척을 지시하는 세척 수행 메시지를 상기 제조 장치에게 전송하고, 상기 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척이 상기 세척 수행 메시지에 포함된 세척 정보를 기반으로 상기 세척 모듈에 의해 수행되고, 관리자 단말에게 세척이 수행된 모듈에 대한 이미지를 포함하는 세척 완료 메시지를 전송하는 단계를 포함할 수 있다.
실시예들에 따르면, 관리 서버는 제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 메뉴별 동작 정보 및 제조 이력 정보를 기반으로 뉴럴 네트워크를 이용하는 세척 주기 결정 모델을 통해 세척 주기의 경과 여부를 결정함으로써, 제조와 관련된 복수의 모듈 각각의 특성을 고려하여 뉴럴 네트워크를 통해 학습되기 때문에, 각각 모듈별로 적합한 세척 주기가 결정되고, 자동으로 세척 주기의 경과 여부를 판단할 수 있다.
실시예들에 따르면, 관리 서버는 관리자 단말에게 세척이 수행된 모듈에 대한 이미지를 포함하는 세척 완료 메시지를 전송하기 때문에, 세척이 제대로 수행되었는지 추가적으로 관리자 단말에 의해 확인됨으로써, 보다 효과적으로 제조 장치를 관리할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 관리 서버가 무인 카페에 구비된 제조 장치를 관리하는 방법을 나타낸다.
도 4는 일 실시예에 따른 세척 주기 결정 모델에 대한 예이다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 관리 서버가 무인 카페에 구비된 제조 장치를 관리하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 관리 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 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 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 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, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 관리 서버가 무인 카페에 구비된 제조 장치를 관리하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 관리 서버(예: 도 1의 서버(108))는 하나 이상의 메뉴에 대한 결제가 완료된 것에 기반하여 주문 단말로부터 주문 정보를 수신할 수 있다.
무인 카페는 고객이 직접 키오스크 등과 같은 주문 단말을 이용해 음료를 구입하거나 이용료를 지불한 후 이용하는 방식으로 운영되는 카페이다. 관리 서버는 무인 카페를 관리하는 서버이며, 주문 단말, 제조 장치, 센싱 장치 및 관리자 단말 등 무인 카페 내외부에 구비된 다양한 장치들을 관리할 수 있다.
주문 단말은 키오스크와 같이 터치 스크린이 구비되어 고객의 터치 입력에 의해 주문을 받는 단말을 지칭한다. 예를 들어, 주문 단말은 적어도 하나의 프로세서, 메모리, 통신부, 디스플레이 모듈 및 오디오 모듈을 포함할 수 있다. 디스플레이 모듈은 주문 단말의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈은 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 예를 들어, 디스플레이 모듈은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다. 오디오 모듈은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 예를 들어, 오디오 모듈은, 입력 모듈 및 음향 출력 모듈을 포함하고, 입력 모듈을 통해 소리를 획득하거나, 음향 출력 모듈, 또는 주문 단말과 직접 또는 무선으로 연결된 외부 전자 장치(예: 음향 장치)를 통해 소리를 출력할 수 있다. 예를 들어, 주문 단말은 도 1의 전자 장치(101)를 포함할 수 있다.
주문 화면이 주문 단말에 구비된 디스플레이 모듈에 표시될 수 있다. 예를 들어, 주문 화면은 복수의 메뉴가 포함된 제1 주문 화면과 복수의 메뉴를 포함하는 카테고리 각각에 대한 제2 주문 화면을 포함할 수 있다. 예를 들어, 고객의 입력에 의해 주문 화면에 포함된 복수의 메뉴 중에서 하나 이상의 메뉴가 선택될 수 있다.
예를 들어, 하나 이상의 메뉴에 대한 결제는 현금, 카드 및 고객이 사전에 충전한 포인트를 통해 수행될 수 있다. 주문 정보는 고객이 주문 단말을 통해 주문한 메뉴를 나타내는 정보이며, 고객에 의해 결제가 완료된 메뉴에 대한 정보일 수 있다. 예를 들어, 주문 정보는 메뉴에 대한 식별 정보 및 메뉴에 설정된 각각의 재료의 양에 대한 정보를 포함할 수 있다. 여기서, 메뉴는 고객에 의해 결제가 완료된 메뉴일 수 있다.
단계 S302에서, 관리 서버는 주문 정보에 기반하여 제조 장치에게 하나 이상의 메뉴를 제조하기 위한 제조 정보를 전송할 수 있다.
제조 장치는 주문 정보에 따라 식별된 메뉴를 제조하는 장치이다. 예를 들어, 제조 장치는 제조와 관련된 복수의 모듈, 센싱 모듈, 카메라 모듈 및 세척 모듈을 포함할 수 있다. 이때, 각각의 모듈은 적어도 하나의 프로세서, 메모리 및 통신부를 포함할 수 있다.
예를 들어, 제조와 관련된 복수의 모듈은 에스프레소를 추출하는 에스프레소 머신, 원두를 일정 크기의 입자로 분쇄하는 원두 분쇄 장치, 뜨거운 물을 공급하는 온수 디스펜서(dispenser) 장치, 얼음을 생산하는 제빙기, 시럽을 첨가하는 시럽 디스펜서 장치, 우유 또는 우유 거품을 공급하는 우유 거품기(milk frother) 중 적어도 하나를 포함할 수 있다. 본 개시의 실시예에서, 제조와 관련된 복수의 모듈은 커피와 관련된 제조를 담당하는 에스프레소 모듈, 얼음을 생산하는 제빙 모듈 및 시럽을 공급하는 시럽 디스펜서 모듈을 포함할 수 있다. 이때, 에스프레소 모듈은 에스프레소 머신, 원두 분쇄 장치, 온수 디스펜서 장치 및 우유 거품기를 포함한 모듈일 수 있다.
카메라 모듈은 제조와 관련된 복수의 모듈 각각에 대한 정지 영상 및 동영상, 제조 장치의 외부에 대한 정지 영상 및 동영상을 촬영할 수 있다. 카메라 모듈은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
센싱 모듈은 제조와 관련된 복수의 모듈 각각의 작동 상태 또는 외부의 환경 상태(예: 온도, 습도)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 예를 들어, 센싱 모듈은 제스처 센서, 기압 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서 중 적어도 하나를 사용할 수 있다.
세척 모듈은 제조와 관련된 복수의 모듈 각각을 독립적으로 세척시킬 수 있다. 예를 들어, 세척 모듈은 스팀 세척부, 세척액 분사부 및 살균광 조사부를 포함할 수 있다. 스팀 세척부는 제조와 관련된 복수의 모듈 각각을 고온의 수증기를 이용하여 세척할 수 있다. 세척액 분사부는 제조와 관련된 복수의 모듈 각각에 대해 사전 설정된 세정액을 분사한 후, 사전 설정된 수압으로 물을 분사하여 세척할 수 있다. 살균광 조사부는 제조와 관련된 복수의 모듈 각각에 대해 살균을 위한 UV(ultra violet) 광을 사전 설정된 시간동안 조사하여 해당 모듈을 살균할 수 있다.
제조 정보는 하나 이상의 메뉴를 제조하기 위해 필요한 정보이며, 예를 들어, 제조 정보는 메뉴에 대한 식별 정보, 메뉴에 설정된 각각의 재료의 양에 대한 정보 및 메뉴를 제조하기 위한 프로세스에 대한 정보를 포함할 수 있다. 예를 들어, 메뉴를 제조하기 위한 프로세스에 대한 정보는 각각의 메뉴를 제조하기 위한 세부 동작에 대한 정보 및 각 세부 동작의 순서를 포함할 수 있다. 즉, 메뉴를 제조하기 위한 프로세스에 대한 정보는 제조와 관련된 복수의 모듈 각각에 대한 프로세스 정보일 수 있다.
단계 S303에서, 관리 서버는 제조 장치로부터 제조 완료 메시지를 수신한 것에 기반하여 제조와 관련된 복수의 모듈 각각에 대한 세척 주기의 경과 여부를 결정할 수 있다.
제조 완료 메시지는 메뉴에 대한 제조가 완료된 것을 알려주는 메시지이다. 예를 들어, 제조 완료 메시지는 제조가 완료된 메뉴에 대한 식별 정보를 포함할 수 있다. 예를 들어, 제조 정보에 포함된 메뉴에 대한 식별 정보와 제조 완료 메시지에 포함된 메뉴에 대한 식별 정보를 비교하여, 관리 서버는 주문된 하나 이상의 메뉴에 대해 모두 제조가 완료되었는지 여부를 결정할 수 있다. 만약 주문된 메뉴 중에서 제조가 완료되지 않은 메뉴가 존재하거나 제조가 완료된 메뉴 중에서 주문이 되지 않는 메뉴가 존재하는 경우, 관리 서버는 제조 불량 메시지를 관리자 단말에게 전송할 수 있다. 예를 들어, 제조 불량 메시지는 메뉴에 대한 제조가 올바르게 수행되지 않은 것을 알려주는 메시지이며, 누락된 메뉴에 대한 정보 또는 추가로 제조된 메뉴에 대한 정보를 포함할 수 있다.
예를 들어, 제조와 관련된 복수의 모듈 각각에 대한 세척 주기는 각각의 모듈에 설정된 뉴럴 네트워크를 이용하는 세척 주기 결정 모델을 통해 상기 제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 상기 제조와 관련된 복수의 모듈 각각에 대한 메뉴별 동작 정보 및 상기 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보를 기반으로 결정될 수 있다.
제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 제조와 관련된 복수의 모듈 각각에 대한 메뉴별 동작 정보 및 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보는 관리 서버에 사전 저장될 수 있다. 예를 들어, 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보는 세척이 수행될 때마다 업데이트되어 관리 서버에 저장될 수 있다.
예를 들어, 에스프레소 모듈의 경우, 에스프레소 모듈에 대한 기본 정보는 에스프레소 모듈의 모델 정보 및 원두의 분쇄 속도에 대한 정보를 포함할 수 있다. 에스프레소 모듈의 모델 정보는 에스프레소 머신의 모델명을 나타내는 정보일 수 있다. 원두의 분쇄 속도에 대한 정보는 에스프레소 모듈이 원두를 분쇄하는 속도를 나타내는 정보일 수 있다.
부가적으로, 예를 들어, 원두의 분쇄 속도는 제조 장치 내 센서 모듈에 의해 측정된 제조 장치 주변의 습도에 따라 상이하게 결정될 수 있다. 예를 들어, 제조 장치 주변의 습도가 사전 설정된 습도보다 높은 경우, 원두의 분쇄 속도가 설정된 분쇄 속도보다 감소할 수 있다. 예를 들어, 제조 장치 주변의 습도가 사전 설정된 습도보다 낮은 경우, 원두의 분쇄 속도가 설정된 분쇄 속도보다 증가할 수 있다.
에스프레소 모듈에 대한 메뉴별 동작 정보는, 각각의 메뉴에 대해 사용되는, 원두의 종류, 원두의 양, 물의 온도, 물의 양, 에스프레소의 추출 시간, 우유의 사용 여부 및 우유의 용량을 포함할 수 있다. 원두의 종류는 해당 메뉴에 대한 에스프레소를 추출하기 위해 사용되는 원두의 종류를 나타낸다. 예를 들어, 원두의 종류가 3가지로 설정된 경우, 원두의 종류는 아라비카, 로부스타 및 리베리카를 포함할 수 있다. 예를 들어, 원두의 종류는 각각의 종류마다 상이한 값이 매칭되어 구별될 수 있다. 본 개시의 실시예들은 원두의 종류는 3가지 종류에 한정되지 않는다. 원두의 양은 해당 메뉴에 대한 에스프레소를 추출하기 위해 필요한 원두의 양을 나타낸다. 물의 양은 해당 메뉴에 대한 에스프레소를 추출하기 위해 필요한 물의 양을 나타낸다. 물의 온도는 해당 메뉴에 대한 에스프레소를 추출하기 위해 필요한 물의 온도를 나타낸다.
에스프레소 모듈에 대한 제조 이력 정보는 상기 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 정보를 포함할 수 있다. 여기서, 현재 시점은 관리 서버가 제조 완료 메시지를 상기 제조 장치로부터 수신한 시점일 수 있다.
예를 들어, 관리 서버는 에스프레소 모듈에 대한 기본 정보, 에스프레소 모듈에 대한 메뉴별 동작 정보 및 에스프레소 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 제1 상태 벡터를 생성할 수 있다.
제1 상태 벡터는 메뉴별 원두의 종류와 관련된 값, 메뉴별 원두의 입자 크기와 관련된 값, 메뉴별 원두의 양에 대한 값, 메뉴별 물의 양에 대한 값, 메뉴별 에스프레소의 추출 시간에 대한 값, 메뉴별 에스프레소의 추출 압력에 대한 값, 메뉴별 우유의 사용량에 대한 값, 우유가 사용된 메뉴의 개수에 대한 값, 제조된 메뉴의 개수에 대한 값 및 에스프레소 모듈의 크기와 관련된 값을 포함할 수 있다.
예를 들어, 메뉴별 원두의 종류와 관련된 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 사용된 원두의 종류를 나타내는 값일 수 있다. 예를 들어, 에스프레소 모듈의 마지막 세척 시점으로부터 두 번째 제조에서 사용된 원두의 종류가 아라비카인 경우, 두 번째 메뉴의 원두의 종류와 관련된 값은 아라비카를 나타내는 값인 1 값으로 결정될 수 있다.
예를 들어, 메뉴별 원두의 입자 크기와 관련된 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 사용된 원두의 입자 크기를 나타내는 값일 수 있다. 예를 들어, 원두 분쇄 속도가 설정된 값에 따라 원두의 입자 크기와 관련된 값이 상이할 수 있다. 예를 들어, 원두 분쇄 속도는 사전 설정된 개수의 속도(예: 1600 RPM, 1400 RPM, 1200 RPM, 1000 RPM, 800 RPM, 600 RPM, 400 RPM)으로 변경될 수 있고, 각각의 속도에 따라 원두의 입자 크기(예: 350, 425, 500, 580, 650, 700, 850) 가 상이할 수 있다. 예를 들어, 원두 분쇄 속도가 큰 값을 가질수록 원두의 입자 크기는 작게 결정될 수 있다.
예를 들어, 메뉴별 에스프레소의 추출 압력에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 에스프레소 모듈이 모터 펌프를 사용하여 분쇄된 원두에 가한 수압의 크기를 나타내는 값이다.
부가적으로, 예를 들어, 하나의 메뉴에 대한 에스프레소 모듈의 추출 압력에 대한 값은 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Pe는 상기 에스프레소 모듈의 추출 압력에 대한 값이고, 상기 k는 추출 압력에 대한 손실 계수이고, 상기 l은 분쇄된 원두가 담긴 필터 바스켓이 위치한 높이이고, 상기 d는 분쇄된 원두에 대한 공극 부피이고, 상기 는 유체의 밀도이고, 상기 v는 유체의 속도이고, 상기 Pa는 기압일 수 있다.
예를 들어, 추출 압력에 대한 손실 계수는 에스프레소 머신에서 모터 펌프를 통해 물이 이동하는 관에 의한 손실 값을 나타낼 수 있다. 따라서, 추출 압력에 대한 손실 계수는 에스프레소 머신 내부의 관의 형태, 관의 길이 및 관의 내경에 따라 상이하게 결정될 수 있다. 예를 들어, 추출 압력에 대한 손실 계수는 에스프레소 머신 각각에 대해 사전에 결정되고, 상기 관리 서버에 저장될 수 있다.
분쇄된 원두가 담긴 필터 바스켓의 높이는 에스프레소 머신의 밑면에서부터 분쇄된 원두에 물이 처음 접촉되는 부분까지의 높이를 나타낸다. 예를 들어, 분쇄된 원두가 담긴 필터 바스켓의 높이는 에스프레소 머신의 해당 모델의 에스프레소 머신에 대해 관리 서버에 사전 설정된 값일 수 있다. 또는, 예를 들어, 분쇄된 원두가 담긴 필터 바스켓의 높이는 에스프레소 모듈에 포함된 센서 모듈에 의해 측정된 값일 수 있다.
분쇄된 원두에 대한 공극 부피는 분쇄된 원두의 입자 크기 및 필터 바스켓의 부피에 따라 결정된 값일 수 있다. 예를 들어, 분쇄된 원두의 입자 크기 및 필터 바스켓의 부피의 조합마다 분쇄된 원두에 대한 공극 부피에 대한 값이 관리 서버에 사전 저장될 수 있다.
유체의 밀도는 물의 밀도에 분쇄된 원두로 인해 추출된 에스프레소에 따른 가중치를 적용한 값일 수 있다. 이때, 가중치는 원두의 종류, 원두의 양 및 원두의 입자 크기에 따라 상이할 수 있다. 유체의 속도는 분쇄된 원두에서 물의 유속에 대한 값일 수 있다. 예를 들어, 분쇄된 원두로 인해 추출된 에스프레소에 따른 가중치 및 유체의 속도는 관리 서버에 사전 저장된 값일 수 있다. 예를 들어, 유체의 속도는 3.7g/s일 수 있다.
이를 통해, 관리 서버는 추출 압력에 영향을 주는 다양한 요인을 고려하여 에스프레소 모듈의 추출 압력에 대한 값을 정확하게 결정할 수 있다.
메뉴별 원두의 양에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 사용된 원두의 양을 나타내는 값일 수 있다. 메뉴별 물의 양에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 에스프레소를 추출하기 위해 사용된 물의 양을 나타내는 값일 수 있다. 메뉴별 에스프레소의 추출 시간에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 에스프레소를 추출하기 위해 물을 공급한 시간일 수 있다. 메뉴별 우유의 사용량에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 각각에서 사용된 우유의 사용량을 나타내는 값이다.
우유가 사용된 메뉴의 개수에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴 중에서 우유가 사용된 메뉴의 개수에 대한 값이다. 제조된 메뉴의 개수에 대한 값은 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴의 개수에 대한 값이다.
에스프레소 모듈의 크기와 관련된 값은 에스프레소 모듈의 크기를 나타내는 값이다. 예를 들어, 에스프레소 모듈의 크기와 관련된 값은 대형을 나타내는 값, 중형을 나타내는 값, 중소형을 나타내는 값 또는 소형을 나타내는 값 중 어느 하나일 수 있다. 예를 들어, 관리 서버는 에스프레소 모듈의 크기와 관련된 값을 사전 설정된 복수의 에스프레소 머신에 대한 크기에 대한 값 중에서 모델명에 매칭된 에스프레소 머신의 크기에 대한 값으로 결정할 수 있다. 이때, 에스프레소 머신의 크기에 대한 값에 따라 대형을 나타내는 값, 중형을 나타내는 값, 중소형을 나타내는 값 또는 소형을 나타내는 값 중 어느 하나로 결정될 수 있다.
예를 들어, 제1 상태 벡터가 제1 뉴럴 네트워크를 이용하는 제1 세척 주기 결정 모델에 입력되는 것에 기반하여 에스프레소 모듈에 대한 제1 세척 주기가 결정될 수 있다. 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다.
복수의 제1 상태 벡터 및 복수의 정답 제1 세척 주기로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 정답 제1 세척 주기 각각은 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 Period1은 정답 제1 세척 주기이고, 상기 는 우유의 총 사용량에 따른 제1 가중치이고, 상기 n은 상기 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 개수이고, 상기 ei는 i번째 메뉴의 에스프레소 추출량이고, 상기 는 i번째 메뉴에서 사용된 원두의 종류 및 원두의 양에 따른 제2 가중치이고, 상기 ed는 사전 설정된 총 에스프레소 추출량에 대한 기본 값이고, 상기 pd1은 사전 설정된 제1 세척 주기에 대한 기본 값일 수 있다.
예를 들어, 제1 가중치는, 우유의 총 사용량에 반비례하는, 0보다 크고 1보다 작은 값일 수 있다. 예를 들어, 우유의 총 사용량이 클수록 제1 가중치는 작게 결정됨으로써, 제1 세척 주기가 더 짧게 결정될 수 있다.
예를 들어, 제2 가중치는, 원두의 종류 및 원두의 양에 따라 상이한 값을 갖는, 0보다 크고 1보다 작은 값일 수 있다. 즉, 원두의 종류에 따라 커피 오일이 추출되는 정도와 커피의 산도가 다르기 때문에, 각 원두의 특성에 따라 제2 가중치가 상이하게 결정될 수 있다. 예를 들어, 커피 오일이 추출되는 양이 많고 산도가 높을수록 제2 가중치는 크게 결정될 수 있고, 이를 통해 해당 메뉴에 대한 에스프레소 추출량이 다른 메뉴에 비해 큰 값으로 결정될 수 있다. 이때, 원두의 종류에 따른 제2 가중치는 상기 관리 서버에 사전 저장될 수 있다.
i번째 메뉴의 에스프레소 추출량은 해당 메뉴에 에스프레소를 추출하기 위해 사용된 물의 양에 추출 압력과 추출 시간 및 원두의 입자 크기를 반영하여 결정될 수 있다. 즉, 추출 압력이 높고 추출 시간이 길며, 원두의 입자 크기가 클수록, 에스프레소 추출량은 큰 값으로 결정될 수 있다. 예를 들어, 관리 서버는 i번째 메뉴의 에스프레소 추출량을 해당 메뉴에 에스프레소를 추출하기 위해 사용된 물의 양에 추출 압력과 추출 시간 및 원두의 입자 크기에 따른 제3 가중치를 적용하여 결정할 수 있다. 이때, 제3 가중치는 0보다 크고 1보다 작은 값일 수 있고, 추출 압력이 높고 추출 시간이 길며, 원두의 입자 크기가 클수록 큰 값을 가질 수 있다.
이를 통해, 복수의 제1 상태 벡터에 대한 복수의 정답 제1 세척 주기를 제1 뉴럴 네트워크에 대해 사전에 학습시킬 때, 관리 서버가 신뢰도가 높은 정답 제1 세척 주기 값을 사용함으로써, 보다 정확한 제1 세척 주기가 결정될 수 있다.
예를 들어, 제빙 모듈의 경우, 상기 제빙 모듈에 대한 기본 정보는 제빙 모듈의 모델 정보를 포함할 수 있다. 제빙 모듈의 모델 정보는 제빙 모듈의 모델명을 나타내는 정보일 수 있다.
제빙 모듈에 대한 메뉴별 동작 정보는, 각각의 메뉴에 대해 사용되는, 얼음의 형태, 얼음의 양 및 얼음의 크기를 포함할 수 있다. 얼음의 형태는 큐빅(cubic) 타입, 다이스(dice) 타입, 직사각형 타입, 플레이크(flake) 타입 또는 너겟(nugget) 타입을 포함할 수 있다.
제빙 모듈에 대한 제조 이력 정보는 제빙 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 정보를 포함할 수 있다.
예를 들어, 관리 서버는 제빙 모듈에 대한 기본 정보, 제빙 모듈에 대한 메뉴별 동작 정보 및 제빙 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 제2 상태 벡터를 생성할 수 있다.
제2 상태 벡터는 메뉴별 얼음의 형태와 관련된 값, 메뉴별 얼음의 양에 대한 값, 메뉴별 얼음의 크기에 대한 값, 얼음의 보관량에 대한 값, 얼음의 생성 속도에 대한 값, 얼음의 보관 온도에 대한 값, 냉각 방식과 관련된 값 및 제빙 방식과 관련된 값을 포함할 수 있다.
얼음의 형태와 관련된 값은 해당 메뉴에서 사용된 얼음의 형태를 나타내는 값이다. 예를 들어, 얼음의 형태와 관련된 값은 큐빅 타입을 나타내는 값, 다이스 타입을 나타내는 값, 직사각형 타입을 나타내는 값, 플레이크 타입을 나타내는 값 또는 너겟 타입을 나타내는 값 중 어느 하나의 값으로 결정될 수 있다. 얼음의 양에 대한 값은 해당 메뉴에서 사용된 얼음의 양을 나타내는 값이다. 얼음의 크기에 대한 값은 해당 메뉴에서 사용된 얼음 하나의 크기에 대한 값이다.
예를 들어, 관리 서버는 제빙 모듈의 모델명에 따라 얼음의 생성 속도에 대한 값, 얼음의 보관 온도에 대한 값, 냉각 방식과 관련된 값 및 제빙 방식과 관련된 값을 결정할 수 있다. 이때, 제빙 모듈의 모델명 별로, 얼음의 생성 속도에 대한 값, 얼음의 보관 온도에 대한 값, 냉각 방식과 관련된 값 및 제빙 방식과 관련된 값이 관리 서버에 사전 저장될 수 있다. 얼음의 보관량에 대한 값은 제빙 모듈이 보관 가능한 얼음의 최대 용량을 나타내는 값이다. 얼음의 생성 속도에 대한 값은 제빙 모듈이 시간당 생성하는 얼음의 양을 나타내는 값이다. 얼음의 보관 온도에 대한 값은 제빙 모듈이 생성된 얼음을 보관하는 온도를 나타내는 값이다. 냉각 방식과 관련된 값은 제빙 모듈의 냉각 방식을 나타내는 값으로, 공냉식을 나타내는 값 또는 수냉식을 나타내는 값 중 어느 하나를 포함할 수 있다. 공냉식은 공기를 이용하여 제빙 모듈의 열을 냉각하는 방식이고, 수냉식은 물을 이용하여 제빙 모듈의 열을 냉각하는 방식이다. 제빙 방식과 관련된 값은 제빙 모듈의 제빙 방식을 나타내는 값으로, 스프레이 셀방식을 나타내는 값 또는 버티컬 방식 중 어느 하나를 포함할 수 있다. 스프레이 셀방식은 내부에 장착된 노즐을 통해 물을 상방으로 분사하여 얼음을 생성하는 방식이다. 버티컬 방식은 물을 위에서 아래로 흘려보내면서 얼음을 생성하는 방식이다.
예를 들어, 제2 상태 벡터가 제2 뉴럴 네트워크를 이용하는 제2 세척 주기 결정 모델에 입력되는 것에 기반하여 상기 제빙 모듈에 대한 제2 세척 주기가 결정될 수 있다. 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.
복수의 제2 상태 벡터 및 복수의 정답 제2 세척 주기로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 시럽 디스펜서 모듈의 경우, 시럽 디스펜서 모듈에 대한 기본 정보는 시럽 디스펜서의 모델 정보를 포함할 수 있다.
시럽 디스펜서 모듈에 대한 메뉴별 동작 정보는, 각각의 메뉴에 대해 사용되는, 시럽의 종류 및 시럽의 양을 포함할 수 있다.
시럽 디스펜서 모듈에 대한 제조 이력 정보는 상기 시럽 디스펜서 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 정보를 포함할 수 있다.
예를 들어, 관리 서버는 시럽 디스펜서 모듈에 대한 기본 정보, 시럽 디스펜서 모듈에 대한 메뉴별 동작 정보 및 시럽 디스펜서 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 제3 상태 벡터를 생성할 수 있다.
제3 상태 벡터는 메뉴별 시럽의 종류와 관련된 값, 메뉴별 시럽의 양에 대한 값, 시럽의 종류별 보관량에 대한 값, 시럽의 종류별 보관 온도에 대한 값, 시럽의 종류별 보관 용기와 관련된 값, 시럽을 공급하는 튜브의 길이 및 시럽을 공급하는 튜브의 내경에 대한 값을 포함할 수 있다.
시럽의 종류와 관련된 값은 해당 메뉴에서 사용된 시럽의 종류를 나타내는 값이다. 예를 들어, 시럽 종류와 관련된 값은 설탕 시럽을 나타내는 값, 헤이즐넛 시럽을 나타내는 값, 바닐라 시럽을 나타내는 값, 초콜렛 시럽을 나타내는 값 및 과일 시럽을 나타내는 값을 포함할 수 있다. 본 개시의 실시예에서 시럽의 종류는 상술한 종류로 한정되지 않고, 더 많은 종류를 포함하거나, 더 작은 종류를 포함할 수 있다. 시럽의 양에 대한 값은 해당 메뉴에서 사용된 시럽의 양을 나타내는 값이다.
예를 들어, 관리 서버는 시럽 디스펜서 모듈의 모델명에 따라 시럽의 종류별 보관량에 대한 값, 시럽의 종류별 보관 온도에 대한 값, 시럽의 종류별 보관 용기와 관련된 값, 시럽을 공급하는 튜브의 길이 및 시럽을 공급하는 튜브의 내경에 대한 값을 결정할 수 있다. 이때, 시럽 디스펜서 모듈의 모델명 별로, 시럽의 종류별 보관량에 대한 값, 시럽의 종류별 보관 온도에 대한 값, 시럽의 종류별 보관 용기와 관련된 값, 시럽을 공급하는 튜브의 길이 및 시럽을 공급하는 튜브의 내경에 대한 값이 관리 서버에 사전 저장될 수 있다. 시럽의 종류별 보관량에 대한 값은 시럽 디스펜서 모듈이 각각의 시럽에 대해 보관 가능한 최대 용량을 나타내는 값이다. 시럽의 종류별 보관 온도에 대한 값은 시럽 디스펜서 모듈이 각각의 시럽을 용기에 보관하는 온도를 나타내는 값이다. 시럽의 종류별 보관 용기와 관련된 값은 시럽의 종류별 보관 용기를 나타내는 값으로, 유리를 나타내는 값, 플라스틱을 나타내는 값 또는 스테인리스 스틸을 나타내는 값 중 어느 하나를 포함할 수 있다. 시럽을 공급하는 튜브의 길이 및 내경에 대한 값은 시럽 디스펜서 모듈에서 시럽을 공급하기 위해 사용되는 튜브의 길이 및 내경을 나타내는 값일 수 있다.
예를 들어, 제3 상태 벡터가 제3 뉴럴 네트워크를 이용하는 제3 세척 주기 결정 모델에 입력되는 것에 기반하여 시럽 디스펜서 모듈에 대한 제3 세척 주기가 결정될 수 있다. 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다.
복수의 제3 상태 벡터 및 복수의 정답 제3 세척 주기로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다.
단계 S304에서, 관리 서버는 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척을 지시하는 세척 수행 메시지를 제조 장치에게 전송할 수 있다.
부가적으로, 예를 들어, 세척 수행 메시지는 세척이 필요한 모듈을 식별할 수 있는 식별 정보 및 세척을 수행하기 위한 세척 정보를 포함할 수 있다. 예를 들어, 에스프레소 모듈에 대해서만 세척 주기가 경과된 경우, 관리 서버는 에스프레소 모듈에 대한 식별 정보를 포함하는 세척 수행 메시지를 제조 장치에게 전송할 수 있다. 세척 정보는 스팀 세척부, 세척액 분사부 및 살균광 조사부의 동작을 지시하는 정보일 수 있다. 예를 들어, 세척 정보는 스팀 세척부에 대한 정보, 세척액 분사부에 대한 정보 및 살균광 조사부에 대한 정보를 포함할 수 있다. 스팀 세척부에 대한 정보는 스팀 온도, 스팀 시간 및 스팀을 분사할 영역을 포함할 수 있다. 세척액 분사부에 대한 정보는 세척액 분사부에 대한 세정액의 종류, 세정액의 분사 압력, 세정액의 분사 시간, 세척수의 분사 압력 및 세척수의 분사 시간을 포함할 수 있다. 살균광 조사부에 대한 정보는 살균광의 파장, 살균광의 세기 및 살균 시간을 포함할 수 있다.
예를 들어, 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지의 기간이 제1 세척 주기를 초과하는 것에 기반하여, 관리 서버는 에스프레소 모듈에 대한 세척 주기가 경과된 것으로 결정할 수 있다. 예를 들어, 제빙 모듈의 마지막 세척 시점으로부터 현재 시점까지의 기간이 제2 세척 주기를 초과하는 것에 기반하여, 관리 서버는 제빙 모듈에 대한 세척 주기가 경과된 것으로 결정할 수 있다. 예를 들어, 시럽 디스펜서 모듈의 마지막 세척 시점으로부터 현재 시점까지의 기간이 제3 세척 주기를 초과하는 것에 기반하여, 관리 서버는 시럽 디스펜서 모듈에 대한 세척 주기가 경과된 것으로 결정할 수 있다.
예를 들어, 세척 수행 메시지에 포함된 세척 정보를 기반으로 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척이 세척 모듈에 의해 수행될 수 있다. 예를 들어, 제빙 모듈에 대한 세척 주기가 경과된 경우, 세척 수행 메시지에 포함된 세척 정보를 기반으로 제빙 모듈에 대한 세척이 세척 모듈에 의해 수행될 수 있다.
단계 S305에서, 관리 서버는 관리자 단말에게 세척이 수행된 모듈에 대한 이미지를 포함하는 세척 완료 메시지를 전송할 수 있다.
세척 완료 메시지는 세척을 지시한 모듈에 대한 세척이 완료되었음을 나타내는 메시지이다. 예를 들어, 제조 장치는 세척 모듈에 의해 세척이 완료된 것에 따라 세척이 완료된 것을 알리는 제1 세척 완료 메시지를 관리 서버에게 전송할 수 있고, 관리 서버는 제조 장치로부터 수신한 제1 세척 완료 메시지에 기반하여 관리자 단말에게 제2 세척 완료 메시지를 전송할 수 있다. 예를 들어, 제1 세척 완료 메시지 및 제2 세척 완료 메시지는 세척이 수행된 모듈에 대한 이미지를 포함할 수 있다.
예를 들어, 세척이 수행된 모듈에 대한 이미지는 제조 장치에 구비된 카메라 모듈에 의해 촬영된 이미지일 수 있다. 예를 들어, 에스프레소 모듈에 대한 세척이 수행된 경우, 제조 장치에 구비된 카메라 모듈에 의해 에스프레소 모듈에 대한 이미지가 촬영될 수 있다. 이하, 세척이 수행된 모듈에 대한 이미지는 제조 장치에 구비된 카메라 모듈에 의해 촬영된 이미지를 제1 이미지로 지칭한다.
부가적으로, 일 실시예에 따르면, 관리 서버는 제조 장치로부터 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 이미지를 수신할 수 있다. 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 이미지는 제조 장치에 구비된 카메라 모듈을 통해 촬영될 수 있다. 이하, 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 이미지를 제2 이미지로 지칭한다.
예를 들어, 제2 이미지에 대한 데이터 전처리를 통해 복수의 관심 영역 각각에 대한 픽셀 값으로 구성된 이미지 벡터가 생성될 수 있다. 복수의 관심 영역은 제조와 관련된 복수의 모듈 각각에 대해 얼룩이 주기적으로 발생하는 제1 영역 및 얼룩이 비주기적으로 발생하는 제2 영역을 포함할 수 있다. 예를 들어, 복수의 관심 영역은 생산 관리 서버에 사전 설정될 수 있다. 예를 들어, 복수의 관심 영역은 얼룩이 포함될 확률이 높은 영역으로, 세척 영역 결정 모델을 통해 학습된 영역을 포함할 수 있다. 예를 들어, 관리 서버는 제2 이미지에 대해 이진화(thresholding), 블러링(blurring), 배경 제거 및 모양 인식을 수행하여, 이미지 벡터를 생성할 수 있다. 예를 들어, 관리 서버는 제2 이미지에 대해 적응형 이진화를 수행하고, 이진화된 이미지에 슬라이딩 윈도우 기법을 사용하여 임계 값 이상이고, 특정 픽셀 이상의 크기인 복수의 관심 영역을 검출함으로써, 이미지 벡터를 생성할 수 있다.
예를 들어, 관리 서버는 제2 이미지를 기반으로 제4 뉴럴 네트워크를 이용하는 세척 영역 결정 모델을 통해 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대해서 세척이 필요한 세척 영역을 결정할 수 있다.
예를 들어, 제4 뉴럴 네트워크는 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다. 세척 영역 결정 모델은 패스터(faster) R-CNN 모델이 사용될 수 있다. R-CNN(Regions with Convolutional Neural Network)은 설정한 영역을 CNN의 입력 값으로 활용하여 객체 탐지를 수행하는 뉴럴 네트워크를 의미한다. R-CNN은 영역을 추정하고, 영역을 분류하는 두 동작을 수행할 수 있다. 예를 들어, R-CNN은 이미지에 있는 데이터와 레이블을 투입하여 카테고리에 무관하게 물체의 영역을 탐색하는 영역 제안(Region Proposal), 제안된 영역으로부터 고정된 크기의 특징 벡터를 워핑/크롭(warping/crop)하여 CNN의 인풋으로 사용할 수 있다. 여기서, CNN은 사전 훈련된 네트워크가 사용되고, CNN을 통해 나온 특징 맵을 활용하여 선형 지도학습 모델인 SVM(Support Vector Machine)을 통한 분류를 수행하고, 레그레서(Regressor)를 통한 경계 박스 회귀(bounding box regression)을 진행할 수 있다. 이때, R-CNN은 한 이미지당 2천번의 CNN을 수행하므로 매우 느린 단점이 있으며, 이를 해결하기 위해 패스트(Fast) R-CNN은 해당 영역의 특징을 원본 이미지에서 추출(Crop)하는 것이 아니라, 특징 맵에서 추출함으로써, 1번의 CNN을 통과시킬 수 있다. 즉, 패스트 R-CNN은 관심 영역(ROI)(region of interest)에 대한 풀링을 수행함으로써, 각각의 영역을 고정 크기의 벡터로 변환시키고, 각각의 벡터를 FC(fully connected) 레이어를 통과시켜 속도를 개선시킬 수 있다. 다만, 패스트 R-CNN에서 영역을 제안하기 위해 사용되는 알고리즘의 병목 현상으로 인해 여전히 속도가 느린 문제가 있었고, 패스터 R-CNN은 영역 제안에 대한 알고리즘 대신 RPN(region proposal network)을 사용하여 영역 제안 속도를 향상시켰다.
이미지 벡터가 제4 뉴럴 네트워크에 입력되는 것에 기반하여 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대해 세척이 필요한 세척 영역이 결정될 수 있다.
복수의 이미지 벡터, 세척이 요구되는 복수의 제1 영역에 대한 이미지 벡터, 세척이 요구되는 복수의 제2 영역에 대한 이미지 벡터 및 복수의 정답 세척 영역으로 구성된 각각의 학습 데이터는 상기 제4 뉴럴 네트워크의 상기 제4 입력 레이어에 입력되어 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터로 출력되고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실함수를 이용하여 제4 손실 값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 이미지 벡터는 제조와 관련된 복수의 모듈에 대한 복수의 이미지를 벡터화한 것으로, 제조와 관련된 복수의 모듈에 대한 복수의 이미지에 대해 상술한 데이터 전처리가 수행된 벡터일 수 있다. 세척이 요구되는 복수의 제1 영역에 대한 이미지 벡터는 제조와 관련된 복수의 모듈 각각에 대해 얼룩이 발생한 제1 영역에 대한 픽셀 값으로 구성될 수 있다. 예를 들어, 세척이 요구되는 복수의 제2 영역에 대한 이미지 벡터는 제조와 관련된 복수의 모듈 각각에 대해 얼룩이 발생한 제2 영역에 대한 픽셀 값으로 구성될 수 있다.
예를 들어, 세척이 요구되는 복수의 제1 영역에 대한 이미지 벡터 및 세척이 요구되는 복수의 제2 영역에 대한 이미지 벡터는 주기적으로 업데이트되어 관리 서버에 사전 저장될 수 있다.
하나 이상의 제4 히든 레이어는 패스트 R-CNN과 RPN(Region Proposal Network)을 포함할 수 있다. RPN은 컨벌루션 레이어, 영역 제안(region proposal) 레이어 및 분류(classification) 레이어, 회귀(regression) 레이어를 포함할 수 있다. 구체적으로, 예를 들어, 관리 서버는 영역 제안을 위해 종단간(end-to-end) 러닝을 통해 RPN을 학습시킬 수 있고, 학습된 RPN에서 기본적인 CNN을 제외한 영역 제안 레이어만을 사용하여 패스트(Fast) R-CNN을 학습시킬 수 있다. 이후, 관리 서버는 첫 번째 특징 맵을 추출하는 CNN을 미세 조정하고, 학습시킨 패스트 R-CNN과 RPN을 사용하여 다른 가중치들을 고정시키고, RPN에 해당하는 레이어들만 미세 조정할 수 있다. 이후, 관리 서버는 공유된 컨벌루션 레이어를 고정시키고, 패스트 R-CNN에 해당하는 레이어를 미세 조정함으로써, 패스터 R-CNN을 학습시킬 수 있다.
예를 들어, 이미지 벡터가 제4 입력 레이어에 입력되고, 컨벌루션 레이어를 통해 특징 맵이 추출될 수 있다. 특징 맵은 RPN과 패스트 R-CNN에 전달되고, RPN은 특징 맵을 기반으로 영역 제안 레이어를 통해 복수의 영역을 탐색할 수 있고, 복수의 영역을 복수의 관심 영역으로 풀링할 수 있다. 최종적으로, 관리 서버는 특징 맵과 영역 제안 경계 박스를 활용해 복수의 관심 영역과 관련된 값들을 계산할 수 있다.
예를 들어, 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대해서 세척이 필요한 세척 영역이 결정된 것에 기반하여, 관리 서버는 관리자 단말에게 세척 요청 메시지를 전송할 수 있다. 세척 요청 메시지는 관리자 단말에게 세척에 대한 승인을 요청하는 메시지이고, 예를 들어, 세척이 필요한 모듈을 식별할 수 있는 식별 정보 및 세척 영역이 포함된 제2 이미지를 포함할 수 있다.
예를 들어, 관리 서버는 관리자 단말로부터 세척 승인 메시지를 수신할 수 있다. 관리 서버는 세척 승인 메시지를 수신한 것에 기반하여, 세척을 지시하는 세척 수행 메시지를 제조 장치에게 전송할 수 있다. 세척 승인 메시지는 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 세척을 승인하는 메시지이고, 예를 들어, 세척에 대한 승인을 나타내는 값을 포함할 수 있다.
도 4는 일 실시예에 따른 세척 주기 결정 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 세척 주기 결정 모델에 사용되는 뉴럴 네트워크는 GRU(gated recurrent unit) 기반 뉴럴 네트워크 모델일 수 있다. 예를 들어, 제1 세척 주기 결정 모델, 제2 세척 주기 결정 모델 및 제3 세척 주기 결정 모델은 GRU(gated recurrent unit) 기반 뉴럴 네트워크 모델일 수 있다.
GRU는 RNN(recurrent neural network)를 변형시킨 모델일 수 있다. 일반적으로 RNN은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM(long short term memory networks)이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 이러한 LSTM의 구조를 간결하게 변형하여 속도를 개선한 모델이 GRU이다.
GRU(gated recurrent unit) 기반 뉴럴 네트워크는 입력 레이어(410), 하나 이상의 히든 레이어(420) 및 출력 레이어(430)을 포함할 수 있다.
예를 들어, 관리 서버는 제조와 관련된 모듈에 대한 기본 정보, 제조와 관련된 모듈에 대한 메뉴별 동작 정보 및 제조와 관련된 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 상태 벡터를 생성할 수 있다. 이때, 제조와 관련된 모듈별로 상태 벡터는 독립적으로 생성될 수 있다.
예를 들어, 하나 이상의 히든 레이어(420)는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
복수의 상태 벡터 및 복수의 정답 세척 주기로 구성된 각각의 학습 데이터는 뉴럴 네트워크의 상기 입력 레이어(410)에 입력되어 상기 하나 이상의 히든 레이어(420) 및 출력 레이어(430)를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어(430)에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습될 수 있다.
여기서, 복수의 정답 세척 주기는 복수의 상태 벡터 각각에 대한 세척 주기를 나타내는 정답 벡터일 수 있고, 상술한 수학식 1을 통해 결정된 정보 또는 크라우드 소싱을 통해 획득된 정보일 수 있다.
구체적으로, 예를 들어, 리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)는 수학식 3에 의해 결정될 수 있다.
예를 들어, 상태 벡터가 상기 입력 레이어(410)에 입력되고, 상기 리셋 게이트는 상태 벡터를 기반으로 생성된 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wr와 내적하고, 상태 벡터를 기반으로 생성된, 이전 시점의 히든 스테이트(h(t-1))를 이전 시점의 가중치 Ur와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.
업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양으로, 수학식 4에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wz와 내적하고, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uz와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고 1-z(t)를 직전 시점의 히든 레이어의 정보(h(t-1))에 곱할 수 있다.
이를 통해, z(t)는 현재 정보를 얼마나 사용할 지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.
리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 수학식 5에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wh와 내적한 값과, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uh와 내적하고, r(t)를 곱한 값을 합하여 tanh 함수에 입력될 수 있다.
업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 수학식 6에 의해 결정할 수 있다.
예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))을 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다.
이를 통해, 제조와 관련된 복수의 모듈 각각에 대해 독립적으로 학습된 세척 주기 결정 모델이 설정될 수 있다. 즉, 제조와 관련된 복수의 모듈 각각에 대한 복수의 상태 벡터를 기반으로 제조와 관련된 복수의 모듈 각각에 대한 세척 주기 결정 모델이 독립적으로 학습될 수 있다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 관리 서버가 무인 카페에 구비된 제조 장치를 관리하는 방법에 대한 흐름도이다. 도 5의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 관리 서버는 제조 장치로부터 제조 완료 메시지를 수신할 수 있다.
예를 들어, 관리 서버가 하나 이상의 메뉴에 대한 결제가 완료된 것에 기반하여 주문 단말로부터 주문 정보를 수신하고, 주문 정보에 기반하여 제조 장치에게 하나 이상의 메뉴를 제조하기 위한 제조 정보를 전송할 수 있다. 이때, 제조 장치는 제조 정보에 따라 하나 이상의 메뉴에 대한 제조를 완료하고 관리 서버에게 제조 완료 메시지를 전송할 수 있다.
단계 S502에서, 관리 서버는 제조와 관련된 복수의 모듈 각각에 대한 세척 주기의 경과 여부를 결정할 수 있다.
예를 들어, 관리 서버는 제조 정보에 포함된 메뉴에 대한 식별 정보와 제조 완료 메시지에 포함된 메뉴에 대한 식별 정보를 비교하여, 주문된 하나 이상의 메뉴에 대해 모두 제조가 완료되었는지 여부를 결정할 수 있다. 주문된 하나 이상의 메뉴에 대해 모두 제조가 완료된 것으로 결정되면, 관리 서버는 제조와 관련된 복수의 모듈 각각에 대한 세척 주기의 경과 여부를 결정할 수 있다.
예를 들어, 관리 서버는 제조와 관련된 복수의 모듈 각각에 설정된 뉴럴 네트워크를 이용하는 세척 주기 결정 모델을 통해 제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 제조와 관련된 복수의 모듈 각각에 대한 메뉴별 동작 정보 및 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보를 제조와 관련된 복수의 모듈 각각에 대한 세척 주기를 독립적으로 결정할 수 있다.
예를 들어, 해당 모듈의 마지막 세척 시점으로부터 현재 시점까지의 기간이 세척 주기를 초과하는 것에 기반하여, 관리 서버는 해당 모듈에 대한 세척 주기가 경과된 것으로 결정할 수 있다.
단계 S503에서, 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈이 존재하는 경우, 관리 서버는 해당 모듈에 대해 세척 영역이 존재하는지 여부를 결정할 수 있다.
예를 들어, 관리 서버는 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 이미지, 즉, 제2 이미지를 제조 장치에게 요청할 수 있다. 제조 장치는 관리 서버가 요청한 모듈에 대한 이미지를 제조 장치에 구비된 카메라 모듈을 통해 촬영할 수 있다. 관리 서버는 제조 장치로부터 제2 이미지를 수신할 수 있다. 예를 들어, 제2 이미지는 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 복수의 이미지를 포함할 수 있다.
예를 들어, 관리 서버는 제2 이미지에 대한 데이터 전처리를 통해 복수의 관심 영역 각각에 대한 픽셀 값으로 구성된 이미지 벡터를 생성하고, 이미지 벡터를 기반으로 제4 뉴럴 네트워크를 이용하는 세척 영역 결정 모델을 통해 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대해서 세척이 필요한 세척 영역을 결정할 수 있다. 이때, 세척 영역이 결정된 경우, 관리 서버는 해당 모듈에 대해 세척 영역이 존재하는 것으로 결정할 수 있다. 또는, 세척 영역이 결정되지 않은 경우, 관리 서버는 해당 모듈에 대해 세척 영역이 존재하지 않는 것으로 결정할 수 있다.
단계 S504에서, 세척 영역이 존재하는 경우, 관리 서버는 관리자 단말에게 세척 요청 메시지를 전송할 수 있다.
예를 들어, 세척 요청 메시지는 세척이 필요한 모듈을 식별할 수 있는 식별 정보 및 세척 영역이 포함된 제2 이미지를 포함할 수 있다.
단계 S505에서, 관리 서버는 관리자 단말로부터 세척 승인 메시지를 수신하였는지 여부를 결정할 수 있다.
예를 들어, 관리 서버는 세척 요청 메시지에 대응하여 관리자 단말로부터 세척 승인 메시지를 수신할 수 있다. 또는, 예를 들어, 관리 서버는 세척 요청 메시지에 대응하여 관리자 단말로부터 세척 거절 메시지를 수신할 수 있다. 세척 거절 메시지는 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과되지 않은 모듈에 대한 세척을 거절하는 메시지이고, 예를 들어, 세척에 대한 거절을 나타내는 값을 포함할 수 있다.
예를 들어, 관리 서버는 관리자 단말로부터 세척 승인 메시지 또는 세척 거절 메시지 중 어느 하나를 사전 설정된 시간 이내에 수신하지 않으면, 관리자 단말에게 세척 요청 메시지를 재전송할 수 있다.
단계 S506에서, 관리 서버는 제조 장치에게 세척 수행 메시지를 전송할 수 있다.
예를 들어, 관리 서버는 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척을 지시하는 세척 수행 메시지를 제조 장치에게 전송할 수 있다. 또는, 예를 들어, 관리자 단말로부터 세척 승인 메시지를 수신한 것에 기반하여, 관리 서버는 세척 주기가 경과되지 않은 모듈에 대한 세척을 지시하는 세척 수행 메시지를 제조 장치에게 전송할 수 있다.
단계 S507에서, 관리 서버는 관리자 단말에게 세척이 수행된 모듈에 대한 이미지를 포함하는 세척 완료 메시지를 전송할 수 있다.
세척 완료 메시지는 세척을 지시한 모듈에 대한 세척이 완료되었음을 나타내는 메시지이다. 예를 들어, 제조 장치는 세척 모듈에 의해 세척이 완료된 것에 따라 카메라 모듈을 통해 세척이 완료된 모듈에 대한 이미지를 촬영할 수 있고, 세척이 완료된 것을 알리는 제1 세척 완료 메시지를 관리 서버에게 전송할 수 있다. 관리 서버는 제조 장치로부터 수신한 제1 세척 완료 메시지에 기반하여 관리자 단말에게 제2 세척 완료 메시지를 전송할 수 있다. 예를 들어, 제1 세척 완료 메시지 및 제2 세척 완료 메시지는 세척이 수행된 모듈에 대한 이미지를 포함할 수 있다.
단계 S508에서, 관리 서버는 관리자 단말로부터 세척 지시 메시지의 수신 여부를 결정할 수 있다.
세척 지시 메시지는 세척이 완료된 모듈에 대해 세척을 지시하는 메시지이다. 예를 들어, 관리자 단말은 세척 완료 메시지에 포함된 세척이 수행된 모듈에 대한 이미지를 통해 세척을 다시 수행할지 여부를 결정할 수 있다. 세척을 다시 수행하는 것으로 결정된 경우, 관리자 단말은 세척 지시 메시지를 관리 서버에게 전송할 수 있다.
단계 S509에서, 세척 지시 메시지를 수신하지 않은 경우, 관리 서버는 세척 종료 메시지의 수신 여부를 결정할 수 있다.
세척 확인 메시지는 세척이 완료된 모듈에 대한 세척을 종료하는 메시지이다. 예를 들어, 관리자 단말은 세척 완료 메시지에 포함된 세척이 수행된 모듈에 대한 이미지를 통해 세척을 종료할지 여부를 결정할 수 있다. 세척을 종료하는 것으로 결정된 경우, 관리자 단말은 세척 종료 메시지를 관리 서버에게 전송할 수 있다.
즉, 관리자 단말이 관리 서버로부터 세척 완료 메시지를 수신한 경우, 관리자 단말은 세척 지시 메시지 또는 세척 종료 메시지 중 어느 하나를 관리 서버에게 전송할 수 있다.
예를 들어, 관리 서버는 관리자 단말로부터 세척 지시 메시지 또는 세척 종료 메시지 중 어느 하나를 사전 설정된 시간 이내에 수신하지 않으면, 관리자 단말에게 세척 완료 메시지를 재전송할 수 있다.
부가적으로, 일 실시예에 따르면, 관리 서버는 사전 설정된 주기마다 제조 장치의 외관 이미지를 관리자 단말에게 전송할 수 있다. 예를 들어, 제조 장치의 외관 이미지는 무인 카페 내 카메라 모듈을 통해 제조 장치의 외관이 촬영된 이미지이고, 무인 카페 내 카메라 모듈은 제조 장치와 사전에 연결될 수 있다.
예를 들어, 관리자 단말은 제조 장치의 외관 이미지를 수신한 것에 기반하여, 청소 지시 메시지를 관리 서버 및 제조 장치에게 전송할 수 있다. 청소 지시 메시지는 제조 장치에 대한 청소를 지시하는 메시지이다.
예를 들어, 관리 서버는 청소 지시 메시지를 수신한 것에 기반하여 청소 안내 메시지를 주문 단말에게 전송할 수 있다. 청소 안내 메시지는 제조 장치에 대한 청소가 필요한 것을 알리는 메시지이고, 예를 들어, 청소 안내 메시지는 제조 장치의 청소에 대한 안내 문구 및 제조 장치의 청소에 따른 보상을 설명하는 문구 및 이미지를 포함할 수 있다. 예를 들어, 주문 단말은 제조 장치의 청소에 대한 안내 문구 및 제조 장치의 청소에 따른 보상을 설명하는 문구 및 이미지를 디스플레이 모듈에 표시할 수 있다.
예를 들어, 제조 장치는 청소 지시 메시지에 기반하여 고객의 제스처를 인식하는 센싱 모듈을 동작시킬 수 있다. 제조 장치는 고객의 제스처가 인식된 것에 기반하여, 제조 장치와 연결된 카메라 모듈에게 제조 장치의 외관에 대한 촬영을 지시할 수 있다. 이후, 제조 장치는 고객의 제스처가 인식된 것에 기반하여 촬영된 제조 장치의 외관 이미지를 관리 서버에게 전송할 수 있다.
예를 들어, 관리 서버는 제조 장치로부터 수신한 제조 장치의 외관 이미지를 관리자 단말에게 전송할 수 있다. 관리자 단말은 제조 장치로부터 수신한 제조 장치의 외관 이미지에 따라 보상 정보를 주문 단말에게 전송할 수 있다. 여기서, 보상 정보는 제조 장치를 청소한 보상을 포함하는 정보이며, 할인 쿠폰에 대한 정보를 포함할 수 있다. 예를 들어, 주문 단말은 보상 정보를 디스플레이 모듈에 표시할 수 있다.
도 6은 일 실시예에 따른 관리 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 관리 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 관리 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 관리 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 관리 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 관리 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 관리 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 관리 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 관리 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 관리 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 관리 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 관리 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 관리 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 관리 서버(600)로 입력되거나 관리 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 관리 서버가 뉴럴 네트워크(neural network)를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법에 있어서,
    하나 이상의 메뉴에 대한 결제가 완료된 것에 기반하여 주문 단말로부터 주문 정보를 수신하는 단계;
    주문 화면이 상기 주문 단말에 구비된 디스플레이 모듈에 표시되고,
    상기 하나 이상의 메뉴는 고객의 입력에 의해 상기 주문 화면에 포함된 복수의 메뉴 중에서 선택된 메뉴이고,
    상기 주문 정보에 기반하여 제조 장치에게 상기 하나 이상의 메뉴를 제조하기 위한 제조 정보를 전송하는 단계;
    상기 제조 장치는 제조와 관련된 복수의 모듈, 카메라 모듈 및 세척 모듈을 포함하고,
    상기 제조와 관련된 복수의 모듈은 에스프레소 모듈, 제빙 모듈 및 시럽 디스펜서 모듈을 포함하고,
    상기 제조 장치로부터 제조 완료 메시지를 수신한 것에 기반하여 상기 제조와 관련된 복수의 모듈 각각에 대한 세척 주기의 경과 여부를 결정하는 단계;
    상기 제조와 관련된 복수의 모듈 각각에 대한 세척 주기는 각각의 모듈에 설정된 뉴럴 네트워크를 이용하는 세척 주기 결정 모델을 통해 상기 제조와 관련된 복수의 모듈 각각에 대한 기본 정보, 상기 제조와 관련된 복수의 모듈 각각에 대한 메뉴별 동작 정보 및 상기 제조와 관련된 복수의 모듈 각각에 대한 제조 이력 정보를 기반으로 결정되고,
    상기 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척을 지시하는 세척 수행 메시지를 상기 제조 장치에게 전송하는 단계; 및
    상기 제조와 관련된 복수의 모듈 중에서 세척 주기가 경과된 것으로 결정된 모듈에 대한 세척이 상기 세척 수행 메시지에 포함된 세척 정보를 기반으로 상기 세척 모듈에 의해 수행되고,
    관리자 단말에게 세척이 수행된 모듈에 대한 이미지를 포함하는 세척 완료 메시지를 전송하는 단계를 포함하고,
    상기 에스프레소 모듈에 대한 기본 정보는 에스프레소 모듈의 모델 정보 및 원두의 분쇄 속도에 대한 정보를 포함하고,
    상기 에스프레소 모듈에 대한 메뉴별 동작 정보는, 각각의 메뉴에 대해 사용되는, 원두의 종류, 원두의 양, 물의 온도, 물의 양, 에스프레소의 추출 시간, 우유의 사용 여부 및 우유의 용량을 포함하고,
    상기 에스프레소 모듈에 대한 제조 이력 정보는 상기 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 정보를 포함하고,
    상기 에스프레소 모듈에 대한 기본 정보, 상기 에스프레소 모듈에 대한 메뉴별 동작 정보 및 상기 에스프레소 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 제1 상태 벡터가 생성되고,
    상기 제1 상태 벡터는 메뉴별 원두의 종류와 관련된 값, 메뉴별 원두의 입자 크기와 관련된 값, 메뉴별 원두의 양에 대한 값, 메뉴별 물의 양에 대한 값, 메뉴별 에스프레소의 추출 시간에 대한 값, 메뉴별 에스프레소의 추출 압력에 대한 값, 메뉴별 우유의 사용량에 대한 값, 우유가 사용된 메뉴의 개수에 대한 값, 제조된 메뉴의 개수에 대한 값 및 에스프레소 모듈의 크기와 관련된 값을 포함하고,
    상기 제1 상태 벡터가 제1 뉴럴 네트워크를 이용하는 제1 세척 주기 결정 모델에 입력되는 것에 기반하여 상기 에스프레소 모듈에 대한 제1 세척 주기가 결정되고,
    상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    복수의 제1 상태 벡터 및 복수의 정답 제1 세척 주기로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는,
    방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 복수의 정답 제1 세척 주기 각각은 하기 수학식에 의해 결정되고,

    상기 수학식에서, 상기 Period1은 정답 제1 세척 주기이고, 상기 는 우유의 총 사용량에 따른 제1 가중치이고, 상기 n은 상기 에스프레소 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 개수이고, 상기 ei는 i번째 메뉴의 에스프레소 추출량이고, 상기 는 i번째 메뉴에서 사용된 원두의 종류 및 원두의 양에 따른 제2 가중치이고, 상기 ed는 사전 설정된 총 에스프레소 추출량에 대한 기본 값이고, 상기 pd1은 사전 설정된 제1 세척 주기에 대한 기본 값이고,
    상기 제1 가중치는, 우유의 총 사용량에 반비례하는, 0보다 크고 1보다 작은 값이고,
    상기 제2 가중치는, 원두의 종류 및 원두의 양에 따라 상이한 값을 갖는, 0보다 크고 1보다 작은 값인,
    방법.
  4. 제 1항에 있어서,
    상기 제빙 모듈에 대한 기본 정보는 제빙 모듈의 모델 정보를 포함하고,
    상기 제빙 모듈에 대한 메뉴별 동작 정보는, 각각의 메뉴에 대해 사용되는, 얼음의 형태, 얼음의 양 및 얼음의 크기를 포함하고,
    상기 제빙 모듈에 대한 제조 이력 정보는 상기 제빙 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 정보를 포함하고,
    상기 제빙 모듈에 대한 기본 정보, 상기 제빙 모듈에 대한 메뉴별 동작 정보 및 상기 제빙 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 제2 상태 벡터가 생성되고,
    상기 제2 상태 벡터는 메뉴별 얼음의 형태와 관련된 값, 메뉴별 얼음의 양에 대한 값, 메뉴별 얼음의 크기에 대한 값, 얼음의 보관량에 대한 값, 얼음의 생성 속도에 대한 값, 얼음의 보관 온도에 대한 값, 냉각 방식과 관련된 값 및 제빙 방식과 관련된 값을 포함하고,
    상기 제2 상태 벡터가 제2 뉴럴 네트워크를 이용하는 제2 세척 주기 결정 모델에 입력되는 것에 기반하여 상기 제빙 모듈에 대한 제2 세척 주기가 결정되고,
    상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
    복수의 제2 상태 벡터 및 복수의 정답 제2 세척 주기로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는,
    방법.
  5. 제 1항에 있어서,
    상기 시럽 디스펜서 모듈에 대한 기본 정보는 시럽 디스펜서의 모델 정보를 포함하고,
    상기 시럽 디스펜서 모듈에 대한 메뉴별 동작 정보는, 각각의 메뉴에 대해 사용되는, 시럽의 종류 및 시럽의 양을 포함하고,
    상기 시럽 디스펜서 모듈에 대한 제조 이력 정보는 상기 시럽 디스펜서 모듈의 마지막 세척 시점으로부터 현재 시점까지 제조한 메뉴에 대한 정보를 포함하고,
    상기 시럽 디스펜서 모듈에 대한 기본 정보, 상기 시럽 디스펜서 모듈에 대한 메뉴별 동작 정보 및 상기 시럽 디스펜서 모듈에 대한 제조 이력 정보에 대한 데이터 전처리를 통해 제3 상태 벡터가 생성되고,
    상기 제3 상태 벡터는 메뉴별 시럽의 종류와 관련된 값, 메뉴별 시럽의 양에 대한 값, 시럽의 종류별 보관량에 대한 값, 시럽의 종류별 보관 온도에 대한 값, 시럽의 종류별 보관 용기와 관련된 값, 시럽을 공급하는 튜브의 길이 및 시럽을 공급하는 튜브의 내경에 대한 값을 포함하고,
    상기 제3 상태 벡터가 제3 뉴럴 네트워크를 이용하는 제3 세척 주기 결정 모델에 입력되는 것에 기반하여 상기 제빙 모듈에 대한 제3 세척 주기가 결정되고,
    상기 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함하고,
    복수의 제3 상태 벡터 및 복수의 정답 제3 세척 주기로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습되는,
    방법.
KR1020230048245A 2023-04-12 2023-04-12 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치 KR102568846B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230048245A KR102568846B1 (ko) 2023-04-12 2023-04-12 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230048245A KR102568846B1 (ko) 2023-04-12 2023-04-12 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102568846B1 true KR102568846B1 (ko) 2023-08-22

Family

ID=87799481

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230048245A KR102568846B1 (ko) 2023-04-12 2023-04-12 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102568846B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200025314A (ko) * 2018-08-30 2020-03-10 주식회사 케이원 Ａｉ기반 무인커피머신 관리시스템
KR102230728B1 (ko) * 2020-12-15 2021-03-22 (주)엠디엑스 음료 자동 제조 및 자동 청소기능이 구비된 무인 카페 시스템
KR20210034920A (ko) * 2019-09-23 2021-03-31 한국교통대학교산학협력단 커피 디스펜서, 이의 원격제어시스템 및 제어방법
KR20220165505A (ko) * 2021-06-08 2022-12-15 주식회사 에이치알티시스템 로봇 카페 시스템 및 그 제어방법
KR102492333B1 (ko) * 2022-09-19 2023-01-27 주식회사 브로드씨엔에스 뉴럴 네트워크를 이용하여 주차와 관련된 정보를 기반으로 단말에게 진료 예약 일정에 대한 정보를 제공하는 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200025314A (ko) * 2018-08-30 2020-03-10 주식회사 케이원 Ａｉ기반 무인커피머신 관리시스템
KR20210034920A (ko) * 2019-09-23 2021-03-31 한국교통대학교산학협력단 커피 디스펜서, 이의 원격제어시스템 및 제어방법
KR102230728B1 (ko) * 2020-12-15 2021-03-22 (주)엠디엑스 음료 자동 제조 및 자동 청소기능이 구비된 무인 카페 시스템
KR20220165505A (ko) * 2021-06-08 2022-12-15 주식회사 에이치알티시스템 로봇 카페 시스템 및 그 제어방법
KR102492333B1 (ko) * 2022-09-19 2023-01-27 주식회사 브로드씨엔에스 뉴럴 네트워크를 이용하여 주차와 관련된 정보를 기반으로 단말에게 진료 예약 일정에 대한 정보를 제공하는 방법 및 장치

Similar Documents

Publication Publication Date Title
KR102532531B1 (ko) 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102553152B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR102360727B1 (ko) 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치
KR102557871B1 (ko) 뉴럴 네트워크를 이용하여 물품 창고에 대한 정보를 기초로 물품의 재고 상태를 업데이트하는 방법 및 장치
KR102408462B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102491357B1 (ko) 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102573295B1 (ko) 뉴럴 네트워크를 이용하여 무인 카페 내부의 복수의 좌석 영역을 관리하는 방법 및 장치
KR102568846B1 (ko) 뉴럴 네트워크를 이용하여 무인 카페에 구비된 제조 장치를 관리하는 방법 및 장치
KR20220078535A (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102605447B1 (ko) 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치
KR20230110220A (ko) 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치
KR102468206B1 (ko) 뉴럴 네트워크를 이용한 크리에이팅 보조 방법, 그 방법을 수행하는 서버 및 단말기
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR102687740B1 (ko) 인공지능을 이용한 스마트 웨이팅 시스템
KR20230144498A (ko) 뉴럴 네트워크를 이용하여 무인 카페를 관리하는 방법 및 장치
KR102602589B1 (ko) 뉴럴 네트워크를 사용하여 오프라인 팝업 스토어와 관련된 정보를 기반으로 메타버스 팝업 스토어를 관리하는 방법 및 장치
KR102668843B1 (ko) 인공지능을 이용한 스마트 주문 시스템
KR102696271B1 (ko) 뉴럴 네트워크를 이용하여 모바일 어플리케이션에 대한 예상 개발 기간을 제공하는 방법 및 장치
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102561611B1 (ko) 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102604762B1 (ko) 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치

Legal Events

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