KR102650446B1 - 인공지능 기반 신선 식품을 자동으로 분류하는 방법, 장치 및 시스템 - Google Patents
인공지능 기반 신선 식품을 자동으로 분류하는 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102650446B1 KR102650446B1 KR1020220126702A KR20220126702A KR102650446B1 KR 102650446 B1 KR102650446 B1 KR 102650446B1 KR 1020220126702 A KR1020220126702 A KR 1020220126702A KR 20220126702 A KR20220126702 A KR 20220126702A KR 102650446 B1 KR102650446 B1 KR 102650446B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- delivery
- handling information
- temperature range
- fresh food
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 59
- 238000004806 packaging method and process Methods 0.000 claims abstract description 103
- 238000002716 delivery method Methods 0.000 claims description 45
- 230000035939 shock Effects 0.000 claims description 11
- 235000006040 Prunus persica var persica Nutrition 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 240000005809 Prunus persica Species 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims 2
- 244000144730 Amygdalus persica Species 0.000 claims 1
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000008267 milk Substances 0.000 description 3
- 210000004080 milk Anatomy 0.000 description 3
- 235000013336 milk Nutrition 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 문서에 개시된 일 실시예에 따른 인공지능 기반 신선 식품을 자동으로 분류하는 방법은, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 수집하는 단계; 상기 복수의 취급 정보 각각에 대응하는 복수의 포장 방법에 관한 정보를 수집하는 단계; 상기 복수의 취급 정보 및 상기 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제1 인공 지능 모델을 생성하는 단계; 고객 단말 장치로부터 제1 신선 식품에 관한 주문 정보를 수신하는 단계; 상기 복수의 취급 정보 중 상기 제1 신선 식품에 대응하는 제1 취급 정보를 확인하는 단계; 상기 제1 취급 정보를 상기 제1 인공 지능 모델에 입력하는 단계; 상기 제1 인공 지능 모델로부터, 상기 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보를 획득하는 단계; 및 상기 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보에 기초하여, 미리 정해진 복수의 배송 차량 중 상기 제1 신선 식품에 적합한 배송 차량을 결정하는 단계를 포함할 수 있다.
Description
본 개시는 인공지능 기반하여, 신선 식품을 자동으로 분류하는 기술에 관한 것이다.
신선 식품의 경우 일반 물품과는 달리, 고객에게 배송되기까지 신선도가 유지되는 것이 중요한 요소 중 하나이다. 신선 식품의 경우, 포장 방법 및 배송 방법에 따라 신선도가 많이 달라질 수 있다. 기존에는 배송 거리에 기반하여 판매자가 포장 방법 및 배송 방법을 일괄적으로 결정하였기 때문에, 최적의 포장 방법 및 배송 방법이 적용되지 않는다는 문제가 발생할 수 있다. 또한, 판매자의 정성적인 판단으로 포장 방법 및 배송 방법을 결정하기 때문에, 신선 식품에 최적화된 포장 방법 및 배송 방법이 적용되지 않는다는 문제가 발생할 수 있다.
본 개시의 다양한 실시예에 따르면, 복수의 신선 식품에 대응하는 복수의 취급 방법과 이에 대응하는 복수의 포장 방법 사이의 상관 관계를 학습한 인공지능 모델을 이용하여, 특정 신선 식품에 대한 최적의 포장 방법을 확인함으로써, 특정 신선 식품에 적합한 배송 차량을 결정할 수 있는 기술을 제공하는 것을 기술적 해결 과제로 한다.
본 개시의 다양한 실시예에 따르면, 복수의 신선 식품에 대응하는 복수의 취급 방법과 이에 대응하는 복수의 배송 방법 사이의 상관 관계를 학습한 인공지능 모델을 이용하여, 특정 신선 식품에 대한 최적의 배송 방법을 확인함으로써, 특정 신선 식품에 적합한 배송 차량을 결정할 수 있는 기술을 제공하는 것을 기술적 해결 과제로 한다.
본 개시의 일 실시예에 따른 장치에 의해 수행되는, 인공지능 기반 신선 식품을 자동으로 분류하는 방법은, 데이터베이스 장치로부터, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 수집하는 단계 - 상기 복수의 취급 정보는, 상기 복수의 신선 식품 각각에 대한 유통 기간, 신선도를 유지하기 위한 온도 범위, 냉동 보관 필요 여부 및 충격 주의 여부에 관한 정보를 포함함 -; 상기 데이터베이스 장치로부터, 상기 복수의 취급 정보 각각에 대응하는 복수의 포장 방법에 관한 정보를 수집하는 단계 - 상기 복수의 포장 방법에 관한 정보는, 포장 용기의 종류, 상기 포장 용기 내의 적정 온도 범위 및 아이스팩 사용 여부에 관한 정보를 포함함 -; 상기 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 포장 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제1 인공 지능 모델을 생성하는 단계; 고객 단말 장치로부터 제1 신선 식품에 관한 주문 정보를 수신하는 단계; 상기 복수의 취급 정보 중 상기 제1 신선 식품에 대응하는 제1 취급 정보를 확인하는 단계; 상기 제1 취급 정보를 상기 제1 인공 지능 모델에 입력하는 단계; 상기 제1 인공 지능 모델로부터, 상기 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보를 획득하는 단계; 및 상기 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보에 기초하여, 미리 정해진 복수의 배송 차량 중 상기 제1 신선 식품에 적합한 배송 차량을 결정하는 단계를 포함할 수 있다.
본 개시의 다양한 실시예에 따른 인공지능 기반 신선 식품 물류를 자동으로 분류하는 방법에 있어서, 상기 포장 용기의 종류는, 종이 박스, 보냉 박스 및 아이스 박스를 포함하고, 상기 포장 용기 내의 적정 온도 범위는, 상온 범위(15~25℃), 냉장 온도 범위(0~10℃) 및 냉동 온도 범위(영하 15℃ 이하)를 포함하고, 상기 복수의 배송 차량은, 일반 배송 차량, 냉장 배송 차량 및 냉동 배송 차량을 포함할 수 있다.
본 개시의 다양한 실시예에 따른 인공지능 기반 신선 식품을 자동으로 분류하는 방법에 있어서 상기 제1 신선 식품에 적합한 배송 차량을 결정하는 단계는, 상기 특정 포장 방법의 상기 포장 용기의 종류가 종이 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 상온 범위인 경우, 상기 일반 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정하는 단계; 상기 특정 포장 방법의 상기 포장 용기의 종류가 보냉 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 냉장 온도 범위인 경우, 상기 냉장 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정하는 단계; 및 상기 특정 포장 방법의 상기 포장 용기의 종류가 아이스 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 냉동 온도 범위인 경우, 상기 냉동 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정하는 단계를 포함할 수 있다.
본 개시의 다양한 실시예에 따르면, 상기 분류하는 방법은, 상기 데이터베이스 장치로부터 상기 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 수집하는 단계 - 상기 복수의 배송 방법에 관한 정보는, 무진동 배송 필요 여부에 관한 정보를 포함함-; 상기 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 배송 방법 사이의 상관 관계를 모델링함으로써 제2 인공 지능 모델을 생성하는 단계; 상기 고객 단말 장치로부터, 제2 신선 식품에 관한 주문 정보를 수신하는 단계; 상기 복수의 취급 정보 중 상기 제2 신선 식품에 대응하는 제2 취급 정보를 확인하는 단계; 상기 제2 취급 정보를 상기 제2 인공 지능 모델에 입력하는 단계; 상기 제2 인공 지능 모델로부터, 상기 제2 취급 정보에 대응하는 특정 배송 방법에 관한 정보를 획득하는 단계; 상기 제2 취급 정보에 대응하는 특정 배송 방법에 기초하여, 상기 미리 정해진 복수의 배송 차량 중 상기 제2 신선 식품에 적합한 배송 차량을 결정하는 단계를 포함할 수 있다.
본 개시의 다양한 실시예에 따르면, 상기 복수의 배송 차량은, 일반 배송 차량, 냉장 배송 차량, 냉동 배송 차량 및 무진동 배송 차량을 포함하고, 상기 제2 신선 식품에 적합한 배송 차량을 결정하는 단계는, 상기 특정 배송 방법의 상기 무진동 배송 필요 여부에 관한 정보가 무진동 배송 불필요에 해당하는 경우, 상기 일반 배송 차량, 상기 냉장 배송 차량 및 상기 냉동 배송 차량 중 하나를 상기 제2 신선 식품에 적합한 배송 차량으로 결정하는 단계; 및 상기 특정 배송 방법의 상기 무진동 배송 필요 여부에 관한 정보가 무진동 배송 필요에 해당하는 경우, 상기 무진동 배송 차량을 상기 제2 신선 식품에 적합한 배송 차량으로 결정하는 단계를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
본 개시의 다양한 실시예에 따르면, 복수의 신선 식품에 대응하는 복수의 취급 방법과 이에 대응하는 복수의 포장 방법 사이의 상관 관계를 학습한 인공지능 모델을 이용하여, 특정 신선 식품에 대한 최적의 포장 방법을 확인함으로써, 특정 신선 식품에 적합한 배송 차량을 결정할 수 있다.
본 개시의 다양한 실시예에 따르면, 복수의 신선 식품에 대응하는 복수의 취급 방법과 이에 대응하는 복수의 배송 방법 사이의 상관 관계를 학습한 인공지능 모델을 이용하여, 특정 신선 식품에 대한 최적의 배송 방법을 확인함으로써, 특정 신선 식품에 적합한 배송 차량을 결정할 수 있다.
도 1은 일실시예에 따른 인공지능 기반 신선 식품을 자동으로 분류하는 서비스를 제공하기 위한 시스템을 설명하기 위한 도면이다.
도2는 일 실시예에 따른 장치의 구성의 예시도이다.
도 3은 일 실시예에 따른 장치의 동작 흐름도이다.
도 4는 일 실시예에 따른 장치의 동작 흐름도이다.
도2는 일 실시예에 따른 장치의 구성의 예시도이다.
도 3은 일 실시예에 따른 장치의 동작 흐름도이다.
도 4는 일 실시예에 따른 장치의 동작 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 인공지능 기반으로 신선 식품을 자동으로 분류하는 서비스를 제공하기 위한 시스템(10)을 설명하기 위한 도면이다. 도 1을 참조하면, 다양한 실시예에 따른 시스템(10)은, 장치(110), 데이터베이스 장치(120) 및 적어도 하나의 고객 단말 장치(130)를 포함한다. 장치(110)는 데이터베이스 장치(120) 및 적어도 하나의 고객 단말 장치(130)와 통신망을 통해 유선 또는 무선으로 통신 연결될 수 있다. 장치(110)는 시스템(10)을 운용하기 위한 서버(Server) 장치일 수 있다.
다양한 실시예에 따른 데이터베이스 장치(120)는 다양한 정보를 저장하는 장치일 수 있다. 데이터베이스 장치(120)는 복수의 신선 식품에 관한 다양한 정보를 저장할 수 있다. 데이터베이스 장치(120)는 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 저장할 수 있다. 복수의 취급 정보는 복수의 신선 식품 각각에 대한 유통 기간, 신선도를 유지하기 위한 온도 범위, 냉동 보관 필요 여부 및 충격 주의 여부에 관한 정보를 포함할 수 있다. 복수의 신선 식품 각각에 대한 유통 기간이란, 복수의 신선 식품 각각의 유통할 수 있는 기간에 관한 정보일 수 있다. 복수의 신선 식품 각각에 대한 신선도를 유지하기 위한 온도 범위는, 신선도가 가장 오래 유지될 수 있는 최적의 온도 범위를 의미할 수 있다. 복수의 신선 식품 각각에 대한 냉동 보관 필요 여부에 관한 정보는 신선 식품이 냉동 보관을 해야되는지, 및 냉장 보관을 해야되는지, 상온 보관을 해야되는지에 대한 정보일 수 있다. 복수의 신선 식품 각각에 대한 충격 주의 여부에 관한 정보는, 신선 식품이 충격에 약한지 강한지에 관한 정보일 수 있다.
예를 들어, 신선 식품이 우유인 경우, 우유에 대한 취급 정보는, 2주의 유통 기간, 우유의 신선도를 유지하기 위한 온도 범위는 3~10℃이고, 냉동 보관은 필요하지 않고 냉장 보관이 필요하며, 충격에 약하다는 정보를 포함할 수 있다.
예를 들어, 신선 식품이 복숭아인 경우, 복숭아에 대한 취급 정보는, 1주의 유통 기간, 복숭아의 신선도를 유지하기 위한 온도 범위는 3~8℃이고, 냉동 보관은 필요하지 않고 냉장 보관이 필요하며, 충격에 약하다는 정보를 포함할 수 있다.
데이터베이스 장치(120)는 복수의 취급 정보 각각에 대응하는 복수의 포장 방법에 관한 정보를 저장할 수 있다. 예를 들어, 제1 신선 식품이 제1 취급 정보를 가지고, 제1 취급 정보에 대응하는 제1 포장 방법에 관한 정보가 있는 경우, 제1 취급 정보와 제1 포장 방법에 관한 정보는 서로 매칭되어 데이터베이스 장치(120)에 저장될 수 있다. 복수의 포장 방법에 관한 정보는, 포장 용기의 종류, 포장 용기 내의 적정 온도 범위 및 아이스팩 사용 여부에 관한 정보를 포함할 수 있다. 포장 용기의 종류는, 예를 들어, 종이 박스, 보냉 박스 및 아이스 박스를 포함할 수 있다. 포장 용기 내의 적정 온도 범위는, 상온 범위(15~25℃), 냉장 온도 범위(0~10℃) 및 냉동 온도 범위(영하 15℃ 이하)를 포함할 수 있다.
예를 들어, 복숭아라는 신선 식품에 대한 취급 정보가, 1주의 유통 기간, 복숭아의 신선도를 유지하기 위한 온도 범위는 3~8℃이고, 냉동 보관은 필요하지 않고 냉장 보관이 필요하며, 충격에 약하다는 정보를 포함하는 경우, 복숭아에 대한 취급 정보에 대응하는 복수의 포장 방법은, 보냉 박스를 사용하고, 냉장 온도 범위가 포장 용기 내의 적정 온도 범위이며, 아이스팩은 사용하지 않는다는 정보를 포함할 수 있다.
이러한 방식으로 복수의 신선 식품 각각에 대응하는 복수의 취급 정보가 데이터베이스 장치(120)에 매칭되어 저장될 수 있고, 복수의 취급 정보에 대응하는 복수의 배송 방법에 대한 정보가 데이터베이스 장치(120)에 매칭되어 저장될 수 있다.
데이터베이스 장치(120)는, 상기 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 포장 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 생성된(구축된) 제1 인공 지능 모델을 저장할 수 있다. 제1 인공 지능 모델을 생성하는 방법은 후술하기로 한다.
데이터베이스 장치(120)는, 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 저장할 수 있다. 복수의 배송 방법에 관한 정보는 무진동 배송 필요 여부에 관한 정보를 포함할 수 있다.
데이터베이스 장치(120)는, 상기 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 배송 방법 사이의 상관 관계를 모델링함으로써 생성한(구축한) 제2 인공 지능 모델을 저장할 수 있다.
다양한 실시예에 따른 장치(110)는 적어도 하나의 고객 단말 장치(130)로부터 특정 신선 식품에 대한 주문 정보를 수신할 수 있다. 예를 들어, 제1 신선 식품을 1개 주문하기 위한 주문 정보를 고객 단말 장치(130)로부터 수신할 수 있다.
도2는 일 실시예에 따른 장치(110)의 구성의 예시도이다.
일 실시예에 따른 장치(110)는 프로세서(111), 메모리(113) 및 통신 회로(115)를 포함한다. 일실시예에 따른 장치(110)는 상술한 서버 또는 단말일 수 있다. 프로세서(111)는 본 문서에 개시된 적어도 하나의 장치들을 포함하거나, 본 문서에 개시된 적어도 하나의 방법을 수행할 수 있다. 메모리(113)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(113)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 메모리(113)는 데이터베이스 장치(120)로부터 수집한 다양한 정보를 저장할 수 있다.
프로세서(111)는 프로그램을 실행하고, 장치(110)를 제어할 수 있다. 프로세서(111)에 의하여 실행되는 프로그램의 코드는 메모리(113)에 저장될 수 있다. 장치(110)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 프로세서(111)는 장치(110)의 구성 요소들과 작동적으로 연결될 수 있다. 프로세서(111)는 장치(110)의 다른 구성 요소로부터 수신된 명령 또는 데이터를 메모리(113)에 로드하고 메모리(113)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 저장할 수 있다.
통신 회로(115)는 외부 장치(예: 고객 단말 장치(130))와 통신 채널을 설립하고, 외부 장치와 다양한 데이터를 송수신할 수 있다. 다양한 실시예에 따르면, 통신 회로(115)는 셀룰러 통신 모듈을 포함하여 셀룰러 네트워크(예: 3G, LTE, 5G, Wibro 또는 Wimax)에 연결되도록 구성할 수 있다. 다양한 실시예에 따르면, 통신 회로(115)는 근거리 통신 모듈을 포함하여 근거리 통신(예를 들면, Wi-Fi, Bluetooth, Bluetooth Low Energy(BLE), UWB)을 이용해 외부 장치와 데이터 송수신을 할 수 있으나, 이에 제한되지 않는다.
도 3은 일 실시예에 따른 장치(110)의 동작 흐름도(300)이다.
동작 흐름도 300을 참조하면, 다양한 실시예에 따른 장치(110)는, 동작 301에서, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 데이터베이스 장치(120)로부터 수집할 수 있다. 복수의 취급 정보는, 복수의 신선 식품 각각에 대한 유통 기간, 신선도를 유지하기 위한 온도 범위, 냉동 보관 필요 여부 및 충격 주의 여부에 관한 정보를 포함할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 303에서, 복수의 취급 정보 각각에 대응하는 복수의 포장 방법에 관한 정보를 수집할 수 있다. 복수의 포장 방법에 관한 정보는, 포장 용기의 종류, 상기 포장 용기 내의 적정 온도 범위 및 아이스팩 사용 여부에 관한 정보를 포함할 수 있다. 상기 포장 용기의 종류는, 종이 박스, 보냉 박스 및 아이스 박스를 포함하고, 상기 포장 용기 내의 적정 온도 범위는, 상온 범위(15~25℃), 냉장 온도 범위(0~10℃) 및 냉동 온도 범위(영하 15℃ 이하)를 포함하고, 상기 복수의 배송 차량은, 일반 배송 차량, 냉장 배송 차량 및 냉동 배송 차량을 포함할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 305에서, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 복수의 포장 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 복수의 취급 정보 및 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제1 인공 지능 모델을 생성할 수 있다. 데이터베이스 장치(120)로부터 수집한 데이터에 따르면, 복수의 신선 식품에 대응하는 복수의 취급 정보와, 복수의 취급 정보에 대응하는 복수의 포장 방법에 관한 정보는 서로 매칭되어 저장되어 있기 때문에 이러한 정보들을 이용하여, 복수의 취급 정보 및 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링할 수 있다. 즉, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보에 관한 데이터 세트를 훈련용 입력 데이터로 사용하고, 복수의 취급 정보 각각에 대응하는 복수의 포장 방법에 관한 정보의 데이터 세트를 훈련용 출력 데이터로 사용할 수 있다. 다시 말해, 복수의 취급 정보 각각을 입력할 때, 이에 대응하는 복수의 포장 방법이 출력되도록 훈련된 제1 인공 지능 모델을 생성(구출)할 수 있다.
즉, 복수의 취급 정보 및 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제1 인공 지능 모델을 생성할 수 있다.
본 개시에서, 인공 지능 모델은, 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런을 모의하며 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스를 통하여 신호를 주고받는 뉴런의 시냅틱 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공 지능 학습 모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서, 컨볼루션 연결 관계에 따라 데이터를 주고받을 수 있다. 인공 지능 학습 모델은, 예를 들어, 인공 신경망 모델(artificial neural network), 합성곱 신경망 모델(convolution neural network) 등일 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 307에서, 고객 단말 장치(130)로부터 제1 신선 식품에 관한 주문 정보를 수신할 수 있다. 제1 신선 식품에 관한 주문 정보는 예를 들어, 제1 신선 식품을 특정 수량만큼 주문한 정보일 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 309는, 제1 신선 식품에 대응하는 제1 취급 정보를 확인할 수 있다. 장치(110)는 데이터베이스 장치(120)로부터 복수의 신석 식품 각각에 대응하는 복수의 취급 정보를 수집하였으므로, 복수의 취급 정보 중 제1 신선 식품에 대응하는 제1 취급 정보를 확인할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 311에서, 제1 취급 정보를 생성된 제1 인공 지능 모델에 입력할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 313에서, 제1 인공 지능 모델로부터, 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보를 획득할 수 있다. 제1 인공 지능 모델은 특정 취급 방법을 입력할 때 이에 대응하는, 즉 이에 가장 적합한 포장 방법이 출력되도록 학습된 인공 지능 모델이기 때문에, 제1 인공 지능 모델에 제1 취급 정보를 입력하는 경우, 제1 인공 지능 모델은 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보가 출력된다. 장치(110)는 제1 인공 지능 모델로부터 출력된 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보를 획득할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 315에서, 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보에 기초하여, 미리 정해진 복수의 배송 차량 중 제1 신선 식품에 적합한 배송 차량을 결정할 수 있다.
일 실시예에 따르면, 상기 특정 포장 방법의 상기 포장 용기의 종류가 종이 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 상온 범위인 경우, 상기 일반 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정할 수 있다.
일 실시예에 따르면, 상기 특정 포장 방법의 상기 포장 용기의 종류가 보냉 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 냉장 온도 범위인 경우, 상기 냉장 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정할 수 있다.
일 실시예에 따르면, 상기 특정 포장 방법의 상기 포장 용기의 종류가 아이스 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 냉동 온도 범위인 경우, 상기 냉동 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정할 수 있다.
도 4는 일 실시예에 따른 장치(110)의 동작 흐름도(400)이다.
동작 흐름도 400을 참조하면, 다양한 실시예에 따른 장치(110)는, 동작 401에서, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 데이터베이스 장치(120)로부터 수집할 수 있다. 복수의 취급 정보는, 복수의 신선 식품 각각에 대한 유통 기간, 신선도를 유지하기 위한 온도 범위, 냉동 보관 필요 여부 및 충격 주의 여부에 관한 정보를 포함할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 403에서, 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 수집할 수 있다. 복수의 배송 방법에 관한 정보는, 무진동 배송 필요 여부에 관한 정보를 포함할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 405에서, 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 배송 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제2 인공 지능 모델을 생성할 수 있다. 데이터베이스 장치(120)로부터 수집한 데이터에 따르면, 복수의 신선 식품에 대응하는 복수의 취급 정보와, 복수의 취급 정보에 대응하는 복수의 배송 방법에 관한 정보는 서로 매칭되어 저장되어 있기 때문에 이러한 정보들을 이용하여, 복수의 취급 정보 및 복수의 배송 방법에 관한 정보 사이의 상관 관계를 모델링할 수 있다. 즉, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보에 관한 데이터 세트를 훈련용 입력 데이터로 사용하고, 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보의 데이터 세트를 훈련용 출력 데이터로 사용할 수 있다. 다시 말해, 복수의 취급 정보 각각을 입력할 때, 이에 대응하는 복수의 배송 방법에 관한 정보가 출력되도록 훈련된 제2 인공 지능 모델을 생성(구출)할 수 있다.
즉, 복수의 취급 정보 및 복수의 배송 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제2 인공 지능 모델을 생성할 수 있다.
본 개시에서, 인공 지능 모델은, 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런을 모의하며 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스를 통하여 신호를 주고받는 뉴런의 시냅틱 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공 지능 학습 모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서, 컨볼루션 연결 관계에 따라 데이터를 주고받을 수 있다. 인공 지능 학습 모델은, 예를 들어, 인공 신경망 모델(artificial neural network), 합성곱 신경망 모델(convolution neural network) 등일 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 407에서, 고객 단말 장치(130)로부터 제2 신선 식품에 관한 주문 정보를 수신할 수 있다. 제2 신선 식품에 관한 주문 정보는 예를 들어, 제2 신선 식품을 특정 수량만큼 주문한 정보일 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 409는, 제2 신선 식품에 대응하는 제2 취급 정보를 확인할 수 있다. 장치(110)는 데이터베이스 장치(120)로부터 복수의 신석 식품 각각에 대응하는 복수의 취급 정보를 수집하였으므로, 복수의 취급 정보 중 제2 신선 식품에 대응하는 제2 취급 정보를 확인할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 411에서, 제2 취급 정보를 생성된 제2 인공 지능 모델에 입력할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 413에서, 제2 인공 지능 모델로부터, 제2 취급 정보에 대응하는 특정 배송 방법에 관한 정보를 획득할 수 있다. 제2 인공 지능 모델은 특정 취급 방법을 입력할 때 이에 대응하는, 즉 이에 가장 적합한 배송 방법이 출력되도록 학습된 인공 지능 모델이기 때문에, 제2 인공 지능 모델에 제2 취급 정보를 입력하는 경우, 제2 인공 지능 모델은 제2 취급 정보에 대응하는 특정 배송 방법에 관한 정보가 출력된다. 장치(110)는 제2 인공 지능 모델로부터 출력된 제2취급 정보에 대응하는 특정 배송 방법에 관한 정보를 획득할 수 있다.
다양한 실시예에 따른 장치(110)는, 동작 415에서, 제2 취급 정보에 대응하는 특정 배송 방법에 관한 정보에 기초하여, 미리 정해진 복수의 배송 차량 중 제2 신선 식품에 적합한 배송 차량을 결정할 수 있다. 여기서, 복수의 배송 차량은, 일반 배송 차량, 냉장 배송 차량, 냉동 배송 차량 및 무진동 배송 차량을 포함할 수 있다.
일 실시예에 따르면, 상기 특정 배송 방법의 상기 무진동 배송 필요 여부에 관한 정보가 무진동 배송 불필요에 해당하는 경우, 상기 일반 배송 차량, 상기 냉장 배송 차량 및 상기 냉동 배송 차량 중 하나를 상기 제2 신선 식품에 적합한 배송 차량으로 결정할 수 있다.
일 실시예에 따르면, 상기 특정 배송 방법의 상기 무진동 배송 필요 여부에 관한 정보가 무진동 배송 필요에 해당하는 경우, 상기 무진동 배송 차량을 상기 제2 신선 식품에 적합한 배송 차량으로 결정할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서 (parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치 (virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 데이터베이스 장치 및 고객 단말 장치와 통신 연결된 장치에 의해 수행되는, 인공지능 기반 신선 식품을 자동으로 분류하는 방법에 있어서,
상기 데이터베이스 장치로부터, 복수의 신선 식품 각각에 대응하는 복수의 취급 정보를 수집하는 단계 - 상기 복수의 취급 정보는, 상기 복수의 신선 식품 각각에 대한 유통 기간, 신선도를 유지하기 위한 온도 범위, 냉동 보관 필요 여부 및 충격 주의 여부에 관한 정보를 포함함 -;
상기 데이터베이스 장치로부터, 상기 복수의 취급 정보 각각에 대응하는 복수의 포장 방법에 관한 정보를 수집하는 단계 - 상기 복수의 포장 방법에 관한 정보는, 포장 용기의 종류, 상기 포장 용기 내의 적정 온도 범위 및 아이스팩 사용 여부에 관한 정보를 포함함 -;
상기 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 포장 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 포장 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제1 인공 지능 모델을 생성하는 단계 - 상기 제1 인공 지능 모델은 특정 취급 정보를 입력할 때 상기 특정 취급 정보에 적합한 특정 포장 방법에 관한 정보가 출력되도록 학습된 합성곱 신경망 모델임 -;
상기 고객 단말 장치로부터 제1 신선 식품에 관한 주문 정보를 수신하는 단계;
상기 복수의 취급 정보 중 상기 제1 신선 식품에 대응하는 제1 취급 정보를 확인하는 단계;
상기 제1 취급 정보를 입력 데이터로써, 상기 제1 인공 지능 모델에 입력하는 단계;
상기 제1 인공 지능 모델로부터 출력된 상기 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보를 획득하는 단계;
상기 제1 취급 정보에 대응하는 특정 포장 방법에 관한 정보에 대응하는 미리 정해진 복수의 배송 차량 중 상기 제1 신선 식품에 적합한 배송 차량을 결정하는 단계;
상기 데이터베이스 장치로부터 상기 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 수집하는 단계;
상기 복수의 신선 식품 각각에 대응하는 상기 복수의 취급 정보를 학습용 입력 데이터로 사용하고, 상기 복수의 취급 정보 각각에 대응하는 복수의 배송 방법에 관한 정보를 학습용 출력 데이터로 사용하여, 상기 복수의 취급 정보 및 상기 복수의 배송 방법에 관한 정보 사이의 상관 관계를 모델링함으로써 제2 인공 지능 모델을 생성하는 단계 - 상기 제2 인공 지능 모델은 특정 취급 정보를 입력할 때 상기 특정 취급 정보에 적합한 특정 배송 방법에 관한 정보가 출력되도록 학습된 합성곱 신경망 모델임 -;
상기 고객 단말 장치로부터, 제2 신선 식품에 관한 주문 정보를 수신하는 단계;
상기 복수의 취급 정보 중 상기 제2 신선 식품에 대응하는 제2 취급 정보를 확인하는 단계;
상기 제2 취급 정보를 입력 데이터로써, 상기 제2 인공 지능 모델에 입력하는 단계;
상기 제2 인공 지능 모델로부터 출력된 상기 제2 취급 정보에 대응하는 특정 배송 방법에 관한 정보를 획득하는 단계; 및
상기 제2 취급 정보에 대응하는 특정 배송 방법에 대응하는 상기 미리 정해진 복수의 배송 차량 중 상기 제2 신선 식품에 적합한 배송 차량을 결정하는 단계를 포함하고,
상기 데이터베이스 장치는 상기 복수의 신선 식품에 대응하는 상기 복수의 취급 정보 및 상기 복수의 취급 정보에 대응하는 상기 복수의 포장 방법에 관한 정보를 서로 매칭하여 저장하고,
상기 복수의 배송 방법에 관한 정보는 무진동 배송 필요 여부에 관한 정보를 포함하고,
상기 복수의 배송 차량은, 일반 배송 차량, 냉장 배송 차량, 냉동 배송 차량 및 무진동 배송 차량을 포함하고,
상기 제2 신선 식품에 적합한 배송 차량을 결정하는 단계는,
상기 특정 배송 방법의 상기 무진동 배송 필요 여부에 관한 정보가 무진동 배송 불필요에 해당하는 경우, 상기 일반 배송 차량, 상기 냉장 배송 차량 및 상기 냉동 배송 차량 중 하나를 상기 제2 신선 식품에 적합한 배송 차량으로 결정하는 단계; 및
상기 특정 배송 방법의 상기 무진동 배송 필요 여부에 관한 정보가 무진동 배송 필요에 해당하는 경우, 상기 무진동 배송 차량을 상기 제2 신선 식품에 적합한 배송 차량으로 결정하는 단계를 포함하고,
상기 포장 용기의 종류는, 종이 박스, 보냉 박스 및 아이스 박스를 포함하고,
상기 포장 용기 내의 적정 온도 범위는, 상온 범위, 냉장 온도 범위 및 냉동 온도 범위를 포함하고,
상기 복수의 배송 차량은, 일반 배송 차량, 냉장 배송 차량 및 냉동 배송 차량을 포함하고,
상기 상온 범위는 15℃ 내지 25℃의 온도 범위이고, 상기 냉장 온도 범위는 0℃ 내지 10℃의 온도 범위이며, 상기 냉동 온도 범위는 영하 15℃ 이하의 온도 범위이고,
상기 제1 신선 식품에 적합한 배송 차량을 결정하는 단계는,
상기 특정 포장 방법의 상기 포장 용기의 종류가 종이 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 상온 범위인 경우, 상기 일반 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정하는 단계;
상기 특정 포장 방법의 상기 포장 용기의 종류가 보냉 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 냉장 온도 범위인 경우, 상기 냉장 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정하는 단계; 및
상기 특정 포장 방법의 상기 포장 용기의 종류가 아이스 박스에 해당하고, 상기 특정 포장 방법의 상기 포장 용기 내의 적정 온도 범위가 냉동 온도 범위인 경우, 상기 냉동 배송 차량을 상기 제1 신선 식품에 적합한 배송 차량으로 결정하는 단계를 포함하고,
상기 복수의 신선 식품 각각에 대응하는 복수의 취급 정보는, 복숭아라는 신선 식품에 대하여, 유통 기간은 1주이고, 신선도를 유지하기 위한 온도 범위는 3℃ 내지 8℃이며, 냉장 보관이 필요하고, 충격에 약하다는 복숭아의 취급 정보를 포함하고,
상기 복숭아의 취급 정보에 대응하는 포장 방법은, 보냉 박스를 사용하고, 냉장 온도 범위가 포장 용기 내의 적정 온도 범위이며, 아이스팩은 사용하지 않는다는 정보를 포함하는, 분류하는 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220126702A KR102650446B1 (ko) | 2022-10-05 | 2022-10-05 | 인공지능 기반 신선 식품을 자동으로 분류하는 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220126702A KR102650446B1 (ko) | 2022-10-05 | 2022-10-05 | 인공지능 기반 신선 식품을 자동으로 분류하는 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102650446B1 true KR102650446B1 (ko) | 2024-03-25 |
Family
ID=90473542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220126702A KR102650446B1 (ko) | 2022-10-05 | 2022-10-05 | 인공지능 기반 신선 식품을 자동으로 분류하는 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102650446B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160104909A (ko) * | 2015-02-27 | 2016-09-06 | 고려대학교 산학협력단 | 개미 알고리즘을 이용한 물류배송용 배차 스케줄링 방법 및 시스템 |
| KR20180049321A (ko) * | 2016-10-31 | 2018-05-11 | 에스케이플래닛 주식회사 | 개별 상품 특성을 근거로 한 합포장 장치 및 그 방법 |
| KR20210101889A (ko) * | 2020-02-11 | 2021-08-19 | 주식회사 탭스인터내셔널 | 빅데이터를 통한 배송제품 온도조건 고려 최적 서비스 방법 및 패키징 장치 |
| KR102306363B1 (ko) * | 2021-03-29 | 2021-09-28 | 이종협 | 물품 운반 중개 방법 및 이를 수행하기 위한 단말 장치 및 서버 장치 |
| KR102411587B1 (ko) * | 2021-11-12 | 2022-06-22 | 주식회사 파스토 | 포장박스 추천 방법 및 그 장치 |
-
2022
- 2022-10-05 KR KR1020220126702A patent/KR102650446B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160104909A (ko) * | 2015-02-27 | 2016-09-06 | 고려대학교 산학협력단 | 개미 알고리즘을 이용한 물류배송용 배차 스케줄링 방법 및 시스템 |
| KR20180049321A (ko) * | 2016-10-31 | 2018-05-11 | 에스케이플래닛 주식회사 | 개별 상품 특성을 근거로 한 합포장 장치 및 그 방법 |
| KR20210101889A (ko) * | 2020-02-11 | 2021-08-19 | 주식회사 탭스인터내셔널 | 빅데이터를 통한 배송제품 온도조건 고려 최적 서비스 방법 및 패키징 장치 |
| KR102306363B1 (ko) * | 2021-03-29 | 2021-09-28 | 이종협 | 물품 운반 중개 방법 및 이를 수행하기 위한 단말 장치 및 서버 장치 |
| KR102411587B1 (ko) * | 2021-11-12 | 2022-06-22 | 주식회사 파스토 | 포장박스 추천 방법 및 그 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alfian et al. | Improving efficiency of RFID-based traceability system for perishable food by utilizing IoT sensors and machine learning model | |
| KR20210032521A (ko) | 데이터 세트들에 대한 머신 학습 모델들의 적합성 결정 | |
| US11334845B2 (en) | System and method for generating notification of an order delivery | |
| CN108734299A (zh) | 量子计算机器学习模块 | |
| KR20110043518A (ko) | 자율적인 적응적 반도체 제조 | |
| Ulusoy et al. | Receding horizon temporal logic control in dynamic environments | |
| EP3329434A1 (en) | Method and apparatus for generating a dynamic environmental profile for transport of cargo | |
| CN108885735A (zh) | 冷链配送数据优先级确定 | |
| WO2021172058A1 (en) | Adaptive co-distillation model | |
| KR102554580B1 (ko) | 인공지능 모델 기반 식자재 및 부자재의 유통 주문 히스토리의 패턴 분석을 통한 물류 창고의 안전 재고량의 추정 및 주문 알람 서비스 제공 방법, 장치 및 시스템 | |
| US20190168902A1 (en) | Systems and methods for optimizing testing, preparation and execution | |
| KR102650446B1 (ko) | 인공지능 기반 신선 식품을 자동으로 분류하는 방법, 장치 및 시스템 | |
| KR102558440B1 (ko) | 식음료 공산품의 유통 처리를 위한 재고 관리 방법, 장치 및 시스템 | |
| CN115151916A (zh) | 在实验室环境中训练演员-评论家算法 | |
| US20230306309A1 (en) | Cloud-based device artificial intelligence configuration system and method | |
| KR102546355B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| KR102401813B1 (ko) | 인공지능 기반 사용자 맞춤형 식품 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102686003B1 (ko) | 인공지능 기반 신선 식품 물류를 위한 자동 분류 방법, 장치 및 시스템 | |
| KR102253365B1 (ko) | 예측 장치 및 이의 동작 방법 | |
| CN109561126A (zh) | 一种数据同步方法和装置、存储介质、处理器 | |
| Kale et al. | Need for predictive data analytics in cold chain management | |
| Manuel et al. | Optimal transport to cold chain in perishable hand‐picked agriculture | |
| KR102619865B1 (ko) | 데이터 분석 기반 살균 소독기 유지 및 관리 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| US20240037248A1 (en) | Artificial intelligence architecture for managing multi-stage processes | |
| KR102533258B1 (ko) | 인공 신경망을 활용한 냉동식품의 효율적인 물류 서비스 제공 방법, 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| AMND | Amendment | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |