KR102662648B1 - Led 조명 제어 시스템 및 방법 - Google Patents
Led 조명 제어 시스템 및 방법 Download PDFInfo
- Publication number
- KR102662648B1 KR102662648B1 KR1020230103310A KR20230103310A KR102662648B1 KR 102662648 B1 KR102662648 B1 KR 102662648B1 KR 1020230103310 A KR1020230103310 A KR 1020230103310A KR 20230103310 A KR20230103310 A KR 20230103310A KR 102662648 B1 KR102662648 B1 KR 102662648B1
- Authority
- KR
- South Korea
- Prior art keywords
- led lighting
- lighting devices
- group
- road surface
- humidity
- Prior art date
Links
- 238000000034 method Methods 0.000 title description 62
- 238000013473 artificial intelligence Methods 0.000 claims description 39
- 238000001556 precipitation Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 8
- 230000004313 glare Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 42
- 238000012549 training Methods 0.000 description 30
- 238000010801 machine learning Methods 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000003062 neural network model Methods 0.000 description 14
- 230000004913 activation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012552 review Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003278 mimic effect Effects 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/155—Coordinated control of two or more light sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/10—Controlling the intensity of the light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/20—Controlling the colour of the light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/16—Controlling the light source by timing means
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/17—Operational modes, e.g. switching from manual to automatic mode or prohibiting specific operations
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/20—Responsive to malfunctions or to light source life; for protection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Atmospheric Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Ecology (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
LED 형광등 조명 시스템은 다수의 LED 조명장치, 다수의 LED 조명 장치중 일부를 그룹화하여, 그룹 내에 포함된 LED 조명 장치의 상태 점검 및 동작을 제어 하는 프로세서, 주변 온도 및 습도를 감지하는 센서 및 메모리를 포함하며, 프로세서는 다수의 LED 조명 장치를 조명의 위치에 기반하여 제 1 그룹 및 제 2 그룹으로 분할하고, 사전에 설정된 조건에 기반하여 상기 제 1 그룹 및 상기 제 2 그룹의 조도 및 색깔을 다르게 제어할 수 있다.
Description
본 발명은 LED 조명 제어 시스템 및 방법에 관한 것으로, LED 조명 환경에 대응하여 LED 조명을 제어하는 제 어 시스템 및 그 방법에 관한 것이다.
과거에는 백열등이 진공의 유리구 안에 필라멘트선을 두고 전력을 인가하여 가열되어 빛이 나오는 광원으로 사용되었다. 그러나 고온에서 필라멘트가 가늘어져 증발하는 문제가 있다 유리구 안에 아르곤과 질소의 혼합 가스를 넣어 증발 작용을 억제하여 전구의 수명을 연장하는 방법이 사용되고 있다.
하지만 최근 LED 기술의 등장으로 인해 전력 소모량을 낮추고 동시에 더 높은 조도를 유지하면서 장기간 사용할 수 있는 내구성이 뛰어난 전구로 대체하려는 시도가 있었다.
LED, 즉 발광 다이오드는 반도체에 전압을 인가하면 발광 현상이 발생하는 광원으로, 최근 기술 발전으로 인해 조명용으로 사용할 수 있는 밝기를 갖추게 되었다. 또한, 기존의 백열등과 비교했을 때 전력 소모량이 현저히 적고 수명이 길기 때문에 일반적인 전구로 널리 사용되고 있다.
LED 조명등은 다양한 점등과 소등 제어 방식을 사용할 수 있다. 예를 들어 설치된 안테나를 통해 관제센터로부터 유선신호를 받아 원격으로 점등 또는 소등하는 단방향 유선원격 제어 방식, 조명등 내부에 빛을 감지하는 센서를 설치하여 어두워지면 자동으로 점등되고 밝아지며 밝아지면 자동으로 소등되는 썬 스위치 방식, 직접 작동하여 점등 또는 소등하는 직접작동 방식, 그리고 사전에 입력한 시간을 기반으로 자동으로 점등 또는 소등하는 타이머 방식 등이 있다.
기존의 LED 조명등 제어 방식은 단순히 관제센터에서 일괄적인 제어를 하거나 타이머 또는 센서에 의해 제어되는 것이 한계가 있다. 더욱 정교한 제어를 위해서는 개별 LED 조명등의 동작을 관제센터에서 세밀하게 제어할 필요가 있다.
또한, 여러 개의 LED 조명등 중 하나가 고장 날 경우 해당 조명등에 의해 다른 조명등의 제어가 불가능해지는 문제점도 있다.
이러한 문제들을 해결하기 위해 더 발전된 LED 조명 기술과 스마트 조명 기술을 적용하여 개선해야 할 필요가 있다.
LED 형광등 조명 시스템은 다수의 LED 조명장치, 다수의 LED 조명 장치중 일부를 그룹화하여, 그룹 내에 포함된 LED 조명 장치의 상태 점검 및 동작을 제어 하는 프로세서, 주변 온도 및 습도를 감지하는 센서 및 메모리를 포함하며, 프로세서는 다수의 LED 조명 장치를 조명의 위치에 기반하여 제 1 그룹 및 제 2 그룹으로 분할하고, 사전에 설정된 조건에 기반하여 상기 제 1 그룹 및 상기 제 2 그룹의 조도 및 색깔을 다르게 제어할 수 있다.
본 문서에 따른 LED 조명 제어 시스템 및 방법은 더욱 효율적이고 지능적인 조명 시스템을 구축하여 더욱 에너지 절약과 편리성을 제공할 수 있다.
본 문서에 따른 LED 조명 제어 시스템 및 방법은 다수의 LED 조명 장치 상에서 그룹을 분리하여 강수 확률 및 습도에 대한 정보를 더 상세하게 제공할 수 있다.
본 문서에 따른 LED 제어 시스템은 다수의 LED 조명 장치의 색깔을 변경시켜 보행자 및 운전자에게 현재 습도 및 강수량에 대한 직관적인 정보를 제공할 수 있다. 또한, 본 문서에 따른 LED 제어 시스템은 다수의 LED 조명 장치의 그룹 별로 색깔 변화를 만들어서 현재 습도 및 강수량에 대한 직관적인 정보를 제공할 수 있다.
도 1은 일실시예에 따른 인공지능 기반 LED 조명 제어 시스템을 설명하기 위한 도면이다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
도 4는 일실시예에 따른 LED 조명 제어 시스템의 구성의 예시도이다.
도 5는 일 실시예에 따른 LED 조명 제어 방법의 순서도를 나타낸 것이다.
도 6은 일 실시예에 따른 LED 형광등 조명 제어 방법의 제 1 실시예를 순서도로 나타낸 것이다.
도 7a는 다수의 LED 조명 장치의 구조를 도시한 것이다.
도 7b는 다수의 LED 조명 장치 상의 각 그룹에서 다른 색깔의 빛을 내는 상황을 도시한 것이다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
도 4는 일실시예에 따른 LED 조명 제어 시스템의 구성의 예시도이다.
도 5는 일 실시예에 따른 LED 조명 제어 방법의 순서도를 나타낸 것이다.
도 6은 일 실시예에 따른 LED 형광등 조명 제어 방법의 제 1 실시예를 순서도로 나타낸 것이다.
도 7a는 다수의 LED 조명 장치의 구조를 도시한 것이다.
도 7b는 다수의 LED 조명 장치 상의 각 그룹에서 다른 색깔의 빛을 내는 상황을 도시한 것이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있다서 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 안 된다. 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 있다, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있다서 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.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행),조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있 다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인 지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과 정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학 습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조 의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 1은 일실시예에 따른 인공지능 기반 LED 조명 제어 시스템을 설명하기 위한 도면이다.
도 1에 도시한 바와 같이, 인공지능 기반 LED 조명 제어 시스템(100)은, 다수의 사용자 단말 (110-1,??), 서버(120) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서 버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1,??서버(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.
네트워크(N)는, 다수의 사용자 단말(110-1,??, 서버(120), 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크 (N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용 자 단말(110-1,??서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이 다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인 지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과 정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학 습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사 용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조 의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기 를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 학습 장치는 다수의 사용자 단말(110-1,??)로부터 수신된 리뷰 응답을 항목별로 하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 또한, 학습 장치는 사용자의 이동 경로 정보로부터 사용자 체 류 내역을 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버 (120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들 은 리뷰 응답에 대응하는 항목들에 기초하여 정의되고, 이동 경로 정보에 대응하는 사용자 체류 내역에 기초하 여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가 중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계 될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱 신할 수 있다.
일 실시예에 따르면, 학습 장치는 리뷰 응답으로부터 제1 객체들을 추출하며, 제1 객체들에 대응하는 항목들인 제1 레이블들을 획득하고, 제1 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 객체들에 대응하는 제1 트레이닝 출력들을 생성하며, 제1 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.
학습 장치는 이동 경로 정보로부터 제2 객체들을 추출하며, 제2 객체들에 대응하는 사용자 체류 내역인 제2 레 이블들을 획득하고, 제2 객체들을 제2 뉴럴 네트워크로 적용하여, 제2 객체들에 대응하는 제2 트레이닝 출력들 을 생성하며, 제2 트레이닝 출력들, 제2 레이블들에 기초하여, 제2 뉴럴 네트워크를 학습시킬 수 있다.
일 실시예에 따르면, 학습 장치는 리뷰 응답의 구성 특징들, 위치 특징들 및 패턴 특징들에 기초하여 제1 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 이동 경로 정보의 구성 특징들, 길이 특징들 및 패턴 특징들에 기초하여 제2 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들 을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 리뷰 항목 추출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크 (123)의 리뷰 항목 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용 하여 리뷰 응답으로부터 항목들을 추출할 수 있다. 예를 들어, 추출된 항목들은 친절도, 매장 청결도, 서비스 만족도 등을 포함할 수 있지만, 이에 한정되지 않는다.
일 실시예에 따르면, 학습 장치는 제2 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들 을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(123)의 사용자 체 류 내역 획득 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산 하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 사용자 체류 내역 획득 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제2 뉴럴 네 트워크를 이용하여 이동 경로 정보부터 사용자 체류 내역을 획득할 수 있다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
일 실시예에 따른 인공지능 모델은 입력 계층(input layer), 은닉 계층(hidden layer) 및 출력 계층(output layer)을 포함할 수 있다.
입력 계층(input layer)은 인공지능 모델에 입력되는 입력 값과 관련된 계층이다.
은닉 계층(hidden layer)에서는 입력 값에 대하여 MAC 연산(multiply-accumulate)과 활성화 연산을 수행하여 피쳐 맵을 출력할 수 있다.
MAC 연산은 입력 값과 대응되는 가중치를 각각 곱하고, 곱한 값들을 합하는 연산일 수 있다.
활성화 연산은 MAC 연산의 결과를 활성화 함수에 입력하여 결과 값을 출력하는 연산일 수 있다. 활성화 함수는, 다양한 유형일 수 있다. 예를 들어, 활성화 함수는, 시그모이드 함수, 탄젠트 함수, 렐루 함수, 리키 렐루 함수, 맥스아웃 함수 및/또는 엘루 함수을 포함할 수 있으나 그 종류에 제한이 없다.
은닉 계층은 적어도 하나의 계층(layer)로 구성될 수 있다. 예를 들어, 은닉 계층이 제 1 은닉 계층 및 제 2 은닉 계층으로 구성된 경우, 제 1 은닉 계층은 입력 계의 입력 값에 기반하여 MAC 연산 및 활성화 연산을 수행하여 피쳐 맵을 출력하고, 제 1 은닉 계층에서의 결과 값인 피쳐 맵이 제 2 은닉 계층에서의 입력 값이 될 수 있다. 제 2 은닉 계층은 제 1 은닉 계층의 결과 값인 피쳐 맵에 기반하여 MAC 연산 및 활성화 연산을 수행할 수 있다.
출력 계층(output layer)은, 은닉 계층에서 수행한 연산의 결과 값과 관련된 계층일 수 있다.
일 실시예에서, 학습 모델은 주어진 말뭉치에서 빈번히 결합하여 사용된 음절(글자) 패턴을 학습 하여 복합어 및 개체명의 경계를 자동으로 학습하고, 제1 UI 소스의 객체 정보와 브라우저에서 렌더링한 객체 정보를 통합하여 학습용 객체 정보 파일을 생성하고, 상기 학습용 객체 정보 파일을 이용하여 딥러닝 네트워크의 학습을 위한 학습 데이터를 생성하고, 지원 시스템의 다양한 도메인들의 데이터를 수신하고, 상기 다양한 도메인들 각각에 대응하는 적어도 하나의 표준화 방법에 기반하여, 상기 다양한 도메인들의 데이터를 통합된 형식으로 표준화하며, 특정 도메인의 데이터를 학습 및 추론하고, 상기 특정 도메인의 데이터에서, 상기 표준화를 위해 전달될 정보를 결정하고,상기 다양한 도메인들로부터의 데이터에 대해 후처리(post processing)를 수행할 수 있다. 제1 UI 소스는 XML 파일을 포함하고, 상기 학습용 객체 정보 파일은 특징(Features) 학습을 위한 입력 JSON 파일과 학습시 정답(Label) 데이터인 출력 JSON 파일을 포함하며, 상기 출력 JSON 파일은 웹표준을 준수하여 구현된 HTML의 DOM Tree 정보가 포함된 파일을 포함하고 상기 다양한 도메인들은 RAN(radio access network), 트랜스포트(transport) 또는 코어(core) 중 적어도 하나를 포함하고, 상기 후처리는 상관(correlation) 기능을 포함할 수 있다.
도 4는 일실시예에 따른 LED 조명 제어 시스템의 구성의 예시도이다.
일 실시예에 따른 시스템(400)은 프로세서(420) 및 메모리(430)를 포함할 수 있으며, 도시된 구성 중 일부가 생략 또는 치환 될 수도 있다. 일 실시예에 따른 시스템(400)은 서버 또는 단말일 수 있다. 일 실시예에 따르면, 프로세서(420)는 시스템(400)의 각 구성 요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 수행할 수 있는 구성으로써, 하나 이상의 프로세서들로 구성될 수 있다. 메모리(430)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(430)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 메모리(430)는 다양한 파일 데이터들을 저장할 수 있으며, 프로세서(120)의 동작에 따라 저장된 파일 데이터들은 업데이트 될 수 있다.
일 실시예에 따르면, 프로세서(420)는 프로그램을 실행하고, 장치(400)를 제어할 수 있다. 프로세서(420)에 의하여 실행되는 프로그램의 코드는 메모리(430)에 저장될 수 있다. 프로세서(420)의 동작들은 메모리(430)에 저장된 인스트럭션들을 로딩(loading)함으로써 수행될 수 있다. 시스템(400)은 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
일 실시예에 따르면, 프로세서(420)가 시스템(400) 상에서 구현할 수 있는 연산 및 데이터 처리 기능에는 한정됨이 없을 것이나, 이하에서는 LED 조명을 제어하는 기능에 대해 설명될 것이다.
일 실시예에 따르면, 프로세서(420)는 다수의 LED 조명 장치를 조명의 위치에 기반하여 제 1 그룹 및 제 2 그룹으로 분할하고, 사전에 설정된 조건에 기반하여 상기 제 1 그룹 및 상기 제 2 그룹의 조도 및 색깔을 다르게 제어할 수 있다. 사전에 설정된 조건은 예를 들어, 습도, 강수 확률 또는 노면에서 반사되는 조도 중 어느 하나를 포함할 수 있다.
프로세서(420)는 상기 다수의 LED 조명 장치를 작동시켰을 때 노면에서 반사되는 조도를 시간대 별로 측정하고, 지정된 기간(예: 1개월) 동안 같은 시간대의 노면에서 반사되는 조도를 측정한 값의 평균값을 결정하고, 결정된 평균 값을 기반으로 현재 노면에서 반사되는 조도를 측정한 값을 비교하여 상기 제 1 그룹 또는 상기 제 2 그룹 내에서 고장난 조명이 있는지 결정하거나 또는 상기 다수의 LED 조명 장치의 조도를 변경할 수 있다.
여기서 지정된 기간(예: 1개월)은 일 예시일 뿐 설정에 따라 달라질 수 있다. 지정된 기간이 길어질수록 데이터가 많아져 현재 노면에서 반사되는 조도를 비교할 평균값이 정확해질 수 있으나 지정된 기간이 길어질수록 다른 계절이 포함될 수 있어서 계절이 달라지는 상황에서 적절한 비교군이 되기 어려울 수도 있다. 이러한 관점에서 계절이 달라지지 않으면서도 적절한 표본을 제공할 수 있는 1개월 정도의 기간을 데이터 측정 기간으로 설정하였으며, 데이터 측정 기간은 설정에 따라 달라질 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 1 수준(예: 10%) 이내인 경우 정상인 것으로 판단할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 2 수준(예: 10%~20% 사이)인 경우 하나의 LED 조명이 고장난 것으로 결정하고, 하나의 LED 조명이 고장났음을 지시하는 메시지를 관리자 단말로 전송할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 3 수준(예: 20%~50% 사이)인 경우 복수의 LED 조명이 고장난 것으로 결정하고, 상기 다수의 LED 조명 장치의 조도를 전반적으로 상승시키고 복수의 LED 조명이 고장났음을 지시하는 메시지를 관리자 단말로 전송할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 4 수준(예: 50%)을 초과하는 경우 상기 다수의 LED 조명 장치의 상기 제 1 그룹 또는 상기 제 2 그룹 중 어느 하나의 그룹 내 LED 조명이 모두 문제가 있는 것으로 결정하고, 긴급 상황임을 지시하는 메시지를 관리자 단말로 전송할 수 있다.
제 1 수준 내지 제 4 수준은 일 예시일 뿐 고정된 값은 아니며 설정에 따라 달라질 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 약 10% 이내인 경우 다수의 LED 조명 장치의 상태가 정상인 것으로 판단할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 약 10%~30% 사이인 경우 상기 다수의 LED 조명 장치 상으로 공급되는 전력이 지정된 수준을 만족하는지 확인하고, 상기 다수의 LED 조명 장치 상으로 공급되는 전력이 지정된 수준을 초과하는 경우 상기 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시킬 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 30%를 초과하는 경우 보행자 및/또는 운전자에게 눈부심 현상을 일으킬 수 있는 것으로 결정하고, 상기 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시킬 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 10~30% 사이인 경우 다수의 LED 조명 장치 상으로 공급되는 전력을 점검하고, 이상이 있으면 다수의 LED 조명 장치 상으로 공급되는 전력을 조절할 수 있다.
반면 그 차이가 30%를 초과하는 경우 노면에서 반사되는 빛에 의해 보행자나 운전자의 눈부심 현상을 초래하여 사고를 유발할 수 있으므로 다수의 LED 조명 장치 상으로 공급되는 전력을 점검하지 않고 바로 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시킬 수 있다. 여기서 10~30%는 일 예시일 뿐 고정된 값은 아니며 설정에 따라 달라질 수 있다.
프로세서(420)는 센서로부터 주변 습도에 대한 정보를 수신하고, 습도와 강수 여부에 대한 데이터를 생성하여 인공지능 학습모델로 전송하고, 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 30%를 초과하는 날을 상기 메모리 상에 저장하고, 외부 기상청 서버의 API를 이용하여 상기 메모리 상에 저장된 날의 강수 여부를 확인하고 관련 데이터를 상기 인공지능 학습모델로 전송할 수 있다.
인공지능 학습모델은 습도가 지정된 수준일 때 강수 확률에 대한 결과를 출력하고, 비가 올 때 노면에서 반사되는 조도가 상기 평균값과 비교하여 30%를 초과하는 확률에 대한 결과를 출력하며, 습도 별로 비가 와서 보행자 및/또는 운전자에게 눈부심 현상을 일으킬 수 확률을 계산하고 출력할 수 있다.
프로세서(420)는 인공지능 학습모델의 출력에 기반하여 습도가 지정된 수준을 초과하면 상기 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시켜 보행자 및/또는 운전자의 눈부심 현상을 방지할 수 있다.
프로세서(420)는 상기 센서로부터 주변 습도에 대한 정보를 수신하고, 외부 기상청 서버의 API를 이용하여 강수 여부에 대한 데이터를 수신하며, 습도와 강수 여부에 대한 데이터를 인공지능 학습모델로 전송하고, 인공지능 학습모델은 습도가 지정된 수준일 때 강수 확률에 대한 결과를 출력할 수 있다.
프로세서(420)는 상기 센서로부터 강수 확률이 50%를 초과하는 지점에 대응되는 습도가 감지되는 경우 다수의 LED 조명 장치 상에서 상기 제 1 그룹의 색깔을 변경하고, 센서로부터 강수 확률이 80%를 초과하는 지점에 대응되는 습도가 감지되는 경우 상기 제 1 그룹 및 상기 제 2 그룹의 색깔을 모두 변경할 수 있다. 언급된 강수 확률(50%, 80%)은 일 예시일 뿐 설정에 따라 달라질 수 있다. 그룹의 수 역시 2개로 표시하였으나 이는 설정에 따라 달라질 수 있다. 예를 들어, 프로세서(420)는 다수의 LED 조명 장치 상에서 그룹을 3개로 분리하여 강수 확률에 대한 정보를 더 상세하게 제공할 수도 있다. (예: 30%, 50%, 80%)
본 문서에 따른 LED 제어 시스템은 다수의 LED 조명 장치의 색깔을 변경시켜 보행자 및 운전자에게 현재 습도 및 강수량에 대한 직관적인 정보를 제공할 수 있다. 또한, 본 문서에 따른 LED 제어 시스템은 다수의 LED 조명 장치의 그룹 별로 색깔 변화를 만들어서 현재 습도 및 강수량에 대한 직관적인 정보를 제공할 수 있다.
도 5는 일 실시예에 따른 LED 형광등 조명 제어 방법의 순서도를 나타낸 것이다.
도 5의 순서도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행 될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러 한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스 가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람 직하다는 것을 의미하지 않는다.
동작 510에서, 프로세서(예: 도 4의 프로세서(420))는 다수의 LED 조명 장치를 제 1 그룹 및 제 2 그룹으로 분할시킬 수 있다. 여기서 그룹의 수는 2개로 제한된 것은 아니며 설정에 따라 달라질 수 있다.
동작 520에서, 프로세서(420)는 사전에 설정된 조건에 기반하여 제 1 그룹 및 제 2 그룹의 조도 및 색깔을 다르게 제어할 수 있다. 사전에 설정된 조건은 예를 들어, 습도, 강수 확률 또는 노면에서 반사되는 조도 중 어느 하나를 포함할 수 있다. 이는 도 4에서 설명된 바 있다.
도 6은 일 실시예에 따른 LED 형광등 조명 제어 방법의 제 1 실시예를 순서도로 나타낸 것이다.
도 6의 순서도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행 될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러 한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스 가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람 직하다는 것을 의미하지 않는다.
동작 610에서, 프로세서(예: 도 4의 프로세서(420))는 노면에서 반사되는 조도를 시간대 별로 측정할 수 있다.
동작 620에서, 프로세서(420)는 지정된 기간(예: 1개월) 동안 같은 시간대의 노면에서 반사되는 조도를 측정한 값의 평균값을 결정할 수 있다. 여기서 지정된 기간(예: 1개월)은 일 예시일 뿐 설정에 따라 달라질 수 있다. 지정된 기간이 길어질수록 데이터가 많아져 현재 노면에서 반사되는 조도를 비교할 평균값이 정확해질 수 있으나 지정된 기간이 길어질수록 다른 계절이 포함될 수 있어서 계절이 달라지는 상황에서 적절한 비교군이 되기 어려울 수도 있다. 이러한 관점에서 계절이 달라지지 않으면서도 적절한 표본을 제공할 수 있는 1개월 정도의 기간을 데이터 측정 기간으로 설정하였으며, 데이터 측정 기간은 설정에 따라 달라질 수 있다.
동작 630에서, 프로세서(420)는 결정된 평균 값을 기반으로 현재 노면에서 반사되는 조도를 측정한 값을 비교할 수 있다.
프로세서(420)는 상기 다수의 LED 조명 장치를 작동시켰을 때 노면에서 반사되는 조도를 시간대 별로 측정하고, 지정된 기간(예: 1개월) 동안 같은 시간대의 노면에서 반사되는 조도를 측정한 값의 평균값을 결정하고, 결정된 평균 값을 기반으로 현재 노면에서 반사되는 조도를 측정한 값을 비교하여 상기 제 1 그룹 또는 상기 제 2 그룹 내에서 고장난 조명이 있는지 결정하거나 또는 상기 다수의 LED 조명 장치의 조도를 변경할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 1 수준(예: 10%) 이내인 경우 정상인 것으로 판단할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 2 수준(예: 10%~20% 사이)인 경우 하나의 LED 조명이 고장난 것으로 결정하고, 하나의 LED 조명이 고장났음을 지시하는 메시지를 관리자 단말로 전송할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 3 수준(예: 20%~50% 사이)인 경우 복수의 LED 조명이 고장난 것으로 결정하고, 상기 다수의 LED 조명 장치의 조도를 전반적으로 상승시키고 복수의 LED 조명이 고장났음을 지시하는 메시지를 관리자 단말로 전송할 수 있다.
프로세서(420)는 상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 제 4 수준(예: 50%)을 초과하는 경우 상기 다수의 LED 조명 장치의 상기 제 1 그룹 또는 상기 제 2 그룹 중 어느 하나의 그룹 내 LED 조명이 모두 문제가 있는 것으로 결정하고, 긴급 상황임을 지시하는 메시지를 관리자 단말로 전송할 수 있다.
제 1 수준 내지 제 4 수준은 일 예시일 뿐 고정된 값은 아니며 설정에 따라 달라질 수 있다.
도 7a는 다수의 LED 조명 장치의 구조를 도시한 것이다.
도 7b는 다수의 LED 조명 장치 상의 각 그룹에서 다른 색깔의 빛을 내는 상황을 도시한 것이다.
발광체는 LED의 핵심 부품으로, 반도체 소재로 제작된다. 주로 각화합물이 사용되며, 각료의 종류에 따라 발광 색상이 결정된다. 빨강, 녹색, 파랑 등의 각료를 혼합함으로써 다양한 색상의 LED를 제작할 수 있다.
발광부는 발광체의 일부로, 전기가 흐르면서 빛이 발생하는 곳이다. 각료가 있는 반도체가 양극과 음극 사이에 위치하며, pn 접합을 형성한다.
LED는 양극과 음극으로 구성된다. 양극은 전류가 흐르는 곳으로 긴 다리로 표시되고, 음극은 전류가 흐르지 않는 곳으로 짧은 다리로 표시된다.
LED는 구조를 보호하고 다른 장치와의 연결을 용이하게 하기 위해 패키지로 둘러싸여 있다. 패키지는 반도체 칩을 보호하고 빛이 외부로 향하도록 하는 역할을 한다.
전압이 가해지면, 양극에서 음극으로 전류가 흐르면서 발광체에서 빛이 발생한다. 각료와 반도체 소재의 특성에 따라 다양한 색상의 빛을 발산할 수 있다. 특정 색상을 발산하는 LED를 제작하기 위해서는 적절한 각료와 반도체 소재를 선택해야 한다.
도 7a에 따르면, LED 장치는 조명의 위치에 기반하여 제 1 그룹(710) 및 제 2 그룹(720)으로 분할될 수 있다. 그룹의 수는 예시일 뿐 설정에 따라 달라질 수 있다.
도 7b에서 프로세서(예: 도 4의 프로세서(420))는 제 1 그룹(710)은 제 1 색상(730)(예: 노랑)의 빛을 내고, 제 2 그룹(720)은 제 2 색상(732)(예: 화이트)의 빛을 내도록 제어할 수 있다.
프로세서(420)는 센서로부터 강수 확률이 50%를 초과하는 지점에 대응되는 습도가 감지되는 경우 상기 다수의 LED 조명 장치 상에서 제 1 그룹(710)의 색깔을 변경할 수 있다. 보행자 및 운전자는 제 1 그룹(710) 및 제 2 그룹(720)의 색상 차이에 기반하여 강수 확률 및 습도에 대한 정보를 얻을 수 있다.
프로세서(420)는 센서로부터 강수 확률이 80%를 초과하는 지점에 대응되는 습도가 감지되는 경우 상기 제 1 그룹(710) 및 상기 제 2 그룹(720)의 색깔을 모두 변경할 수 있다.
Claims (7)
- LED 형광등 조명 시스템에 있어서
다수의 LED 조명장치;
상기 다수의 LED 조명 장치중 일부를 그룹화하여, 그룹 내에 포함된 LED 조명 장치의 상태 점검 및 동작을 제어 하는 프로세서;
주변 온도 및 습도를 감지하는 센서;및
메모리를 포함하며,
상기 프로세서는
상기 다수의 LED 조명 장치를 조명의 위치에 기반하여 제 1 그룹 및 제 2 그룹으로 분할하고,
사전에 설정된 조건에 기반하여 상기 제 1 그룹 및 상기 제 2 그룹의 조도 및 색깔을 다르게 제어하고,
상기 다수의 LED 조명 장치를 작동시켰을 때 노면에서 반사되는 조도를 시간대 별로 측정하고,
지정된 기간(예: 1개월) 동안 같은 시간대의 노면에서 반사되는 조도를 측정한 값의 평균값을 결정하고,
결정된 평균 값을 기반으로 현재 노면에서 반사되는 조도를 측정한 값을 비교하여 상기 제 1 그룹 또는 상기 제 2 그룹 내에서 고장난 조명이 있는지 결정하거나 또는 상기 다수의 LED 조명 장치의 조도를 변경하며,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 10% 이하인 경우 정상인 것으로 판단하고,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 10%를 초과하고 20%이하인 경우 하나의 LED 조명이 고장난 것으로 결정하고, 하나의 LED 조명이 고장났음을 지시하는 메시지를 관리자 단말로 전송하며,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 20%를 초과하고 50%이하인 경우 복수의 LED 조명이 고장난 것으로 결정하고, 상기 다수의 LED 조명 장치의 조도를 전반적으로 상승시키고 복수의 LED 조명이 고장났음을 지시하는 메시지를 관리자 단말로 전송하며,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 낮은 값을 가지며 그 차이가 50% 를 초과하는 경우 상기 다수의 LED 조명 장치의 상기 제 1 그룹 또는 상기 제 2 그룹 중 어느 하나의 그룹 내 LED 조명이 모두 문제가 있는 것으로 결정하고, 긴급 상황임을 지시하는 메시지를 관리자 단말로 전송하며,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 10% 이하인 경우 정상인 것으로 판단하고,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 10%를 초과하고 30% 이하인 경우 상기 다수의 LED 조명 장치 상으로 공급되는 전력이 지정된 수준을 만족하는지 확인하고,
상기 다수의 LED 조명 장치 상으로 공급되는 전력이 지정된 수준을 초과하는 경우 상기 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시키며,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 30%를 초과하는 경우 보행자 및/또는 운전자에게 눈부심 현상을 일으킬 수 있는 것으로 결정하고, 상기 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시키며,
상기 센서로부터 주변 습도에 대한 정보를 수신하고,
습도와 강수 여부에 대한 데이터를 생성하여 인공지능 학습모델로 전송하고,
상기 평균값과 비교하여 현재 노면에서 반사되는 조도를 측정한 값이 상대적으로 높은 값을 가지며 그 차이가 30%를 초과하는 날을 상기 메모리 상에 저장하고, 외부 기상청 서버의 API를 이용하여 상기 메모리 상에 저장된 날의 강수 여부를 확인하고 관련 데이터를 상기 인공지능 학습모델로 전송하며
상기 인공지능 학습모델은
습도가 지정된 수준일 때 강수 확률에 대한 결과를 출력하고,
비가 올 때 노면에서 반사되는 조도가 상기 평균값과 비교하여 30%를 초과하는 확률에 대한 결과를 출력하며,
습도 별로 비가 와서 보행자 및/또는 운전자에게 눈부심 현상을 일으킬 수 확률을 계산하고 출력하며,
상기 프로세서는
상기 인공지능 학습모델의 출력에 기반하여 습도가 지정된 수준을 초과하면 상기 다수의 LED 조명 장치 상으로 공급되는 전력을 감소시켜 보행자 및/또는 운전자의 눈부심 현상을 방지하는 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1항에 있어서,
상기 프로세서는
상기 센서로부터 주변 습도에 대한 정보를 수신하고,
외부 기상청 서버의 API를 이용하여 강수 여부에 대한 데이터를 수신하며,
습도와 강수 여부에 대한 데이터를 인공지능 학습모델로 전송하고,
상기 인공지능 학습모델은
습도가 지정된 수준일 때 강수 확률에 대한 결과를 출력하고,
상기 프로세서는
상기 센서로부터 강수 확률이 50%를 초과하는 지점에 대응되는 습도가 감지되는 경우 상기 다수의 LED 조명 장치 상에서 상기 제 1 그룹의 색깔을 변경하고,
상기 센서로부터 강수 확률이 80%를 초과하는 지점에 대응되는 습도가 감지되는 경우 상기 제 1 그룹 및 상기 제 2 그룹의 색깔을 모두 변경하는 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230103310A KR102662648B1 (ko) | 2023-08-08 | 2023-08-08 | Led 조명 제어 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230103310A KR102662648B1 (ko) | 2023-08-08 | 2023-08-08 | Led 조명 제어 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102662648B1 true KR102662648B1 (ko) | 2024-05-07 |
Family
ID=91077944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230103310A KR102662648B1 (ko) | 2023-08-08 | 2023-08-08 | Led 조명 제어 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102662648B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102060812B1 (ko) * | 2019-07-31 | 2019-12-30 | 하나네트웍스 주식회사 | 무선 점멸기 및 고장 감시기가 내장된 스마트 led 등기구 |
| KR20210007729A (ko) * | 2019-07-10 | 2021-01-20 | 주식회사 이에스엔디 | 보안등 시스템 및 그의 제어방법 |
| KR20220048613A (ko) * | 2020-10-13 | 2022-04-20 | 주식회사 래도 | 스마트 도로조명시스템 |
-
2023
- 2023-08-08 KR KR1020230103310A patent/KR102662648B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210007729A (ko) * | 2019-07-10 | 2021-01-20 | 주식회사 이에스엔디 | 보안등 시스템 및 그의 제어방법 |
| KR102060812B1 (ko) * | 2019-07-31 | 2019-12-30 | 하나네트웍스 주식회사 | 무선 점멸기 및 고장 감시기가 내장된 스마트 led 등기구 |
| KR20220048613A (ko) * | 2020-10-13 | 2022-04-20 | 주식회사 래도 | 스마트 도로조명시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210182667A1 (en) | Cooking apparatus and control method thereof | |
| Putrada et al. | Machine learning methods in smart lighting toward achieving user comfort: a survey | |
| US11553075B2 (en) | Apparatus and control method for recommending applications based on context-awareness | |
| Seyedolhosseini et al. | Daylight adaptive smart indoor lighting control method using artificial neural networks | |
| Wiering et al. | Reinforcement learning algorithms for solving classification problems | |
| Kaur et al. | A comprehensive survey on machine learning approaches for dynamic spectrum access in cognitive radio networks | |
| KR20210053052A (ko) | 컬러 복원방법 및 장치 | |
| KR20190096851A (ko) | 비전 인식 기반의 조리기 제어 방법 및 제어 장치 | |
| KR20190092333A (ko) | 음성 인식 디바이스와 통신하는 장치, 음성 인식 능력을 가진 장치 및 음성 인식 능력을 가진 장치를 제어하는 방법 | |
| US20200372412A1 (en) | System and methods to share machine learning functionality between cloud and an iot network | |
| US11520348B2 (en) | Method for driving robot based on external image, and robot and server implementing the same | |
| CN110222848A (zh) | 计算机执行的集成模型的确定方法及装置 | |
| CN112840392B (zh) | 基于推理参数的映射函数到视频信号的自动应用 | |
| CN112364253B (zh) | 一种智能餐饮服务方案的生成方法和系统 | |
| CN117098270B (zh) | Led节能灯的智能控制方法、装置、设备及存储介质 | |
| KR20200108521A (ko) | 전자 장치 및 이의 제어 방법 | |
| CN116685031A (zh) | 隧道进出口光暗调节方法及其系统 | |
| KR20210066452A (ko) | 조리장치 및 조리장치 제어방법 | |
| KR102662648B1 (ko) | Led 조명 제어 시스템 및 방법 | |
| CN114586050A (zh) | 基于安全的预测设备、系统和方法 | |
| Liu et al. | A review and guide on selecting and optimizing machine learning algorithms for daylight prediction | |
| Leontaris et al. | An autonomous illumination system for vehicle documentation based on deep reinforcement learning | |
| KR102546349B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| Fong et al. | Self-adaptive parameters optimization for incremental classification in big data using neural network | |
| KR102647140B1 (ko) | IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |