KR20150130262A

KR20150130262A - 열처리 모니터링 시스템

Info

Publication number: KR20150130262A
Application number: KR1020157017963A
Authority: KR
Inventors: 인고 스토르크 게난트 베르스보르그
Original assignee: 인고 스토르크 게난트 베르스보르그
Priority date: 2012-12-04
Filing date: 2013-12-04
Publication date: 2015-11-23
Also published as: AU2013354500B2; EP2929252B1; BR112015012978B1; CN105142408B; US20210259256A1; CN110235906A; WO2014086486A3; EP2928305A2; CN105142408A; EP2929252A1; JP6525884B2; EP3970500A3; US11013237B2; EP3970500A2; MX366270B; RU2653733C2; EP2928305B1; JP2019124464A; PT2928305T; WO2014086487A1

Abstract

열 처리 모니터링 시스템은 가열되는 식품의 현재 센서 데이터를 판별하기 위해 적어도 하나의 센서를 구비하는 센서 유닛; 현재의 센서 데이터로부터 현재의 특성 데이터를 판별하는 처리 유닛; 현재의 특성 데이터와 참조 가열 공정의 참조 특성데이터와 비교함으로써, 모니터링 되는 현재의 가열 공정에서의 현재 공정 상태를 판별하도록 조정된 모니터링 유닛;을 포함한다.

Description

열처리 모니터링 시스템{Heat Treatment Monitoring System}

본 발명은 열 처리 모니터링 시스템에 관한 것으로, 특히, 빵, 반죽 등과 같은 가열되어야 할 음식을 가열, 베이킹 또는 발효에 대한 모니터링 시스템에 관한 것이다.

음식을 가열 처리하는 것은 거의 불의 발명이 있었던 때부터 인류에 의해 행해져 왔다. 하지만, 현재까지 이러한 작업은 여전히 인간 작업자에 의해 제어되고 있다. 하기의 발명의 복적은 음식 처리, 특히 빵 굽기 또는 발효와 같이 인간과의 상호 작용이 불필요한 음식 처리를 자동화하는 것이다.

이러한 목적에 가까운 많은 발명들이 알려져 있다. 예를 들어, DE 10 2005 030483은 자동 개폐되는 개방 장치를 가지는 열 처리를 위한 오븐을 개시하고 있다. DE 20 2011 002570에는, 식료품을 캐리어 상에 수용하는 식료품의 열 처리를 위한 장치가 개시되어 있다. 후자는 식료품의 종류와 양을 감지하기 위한 처리 공정을 제어하는 제어 시스템이 장비되어 있다. 제어기는 식료품의 자동 식별을 수행하기 위한 소정의 데이타를 선택한다. 처리실 밖의 카메라가 센서로 이용될 수 있다. EP 205 169 A1에서는, 머플이나 베이킹 챔버를 가시화하는 카메라가 포함된 베이킹 오븐 도어가 기술되어 있다. 가시화는 창을 통해 보는 것에 의해 발생하는 에너지 손실을 줄일 수 있다는 장점이 있다. US 0 2011 0123 689는 가열 공정에서 제품의 모습을 얻기 위한 카메라와 거리 센서를 포함하는 오븐을 개시하고 있다. DE 20 2011 002 570 U1은 오븐 내의 센서 습득 데이터를 이용하는 시스템을 개시하고 있다.

하지만, 여전히 음식의 가열 처리, 특히 오븐을 이용한 빵 굽기는 수동 설정에 따라야 하며, 인간의 감시 하에 이루어진다. 인간 작업자는 빵을 오븐 내로 투입하고, 온도, 시간, 순환과 같은 중요한 특성들이 설정되어야 한다. 일반적으로 설정은 오븐 제어 프로그램의 데이터 베이스 내에 저장되어 있다 인간 작업자는 적당한 프로그램을 골라야 하며, 이것이 여전히 오류의 원천이며, 인간 노동자가 어느 정도의 노하우를 갖게 만든다. 나아가, 많은 공정 파라미터들은 바라지 않는 결과로 이끌 수 있다. 올바른 프로그램이 선택된 경우에도, 빵이 덜 익거나 너무 익을 수 있다. 이는 오븐의 예열, 반죽의 준비 정도, 외기 온도, 외기 습도, 적재분포, 오븐 도어의 개방 시간의 차이 등 아주 많은 요소의 차이에서 기인한다. 숙련된 인간 노동자가 베이킹이나 음식의 가열 처리를 감시하여야 할 것이 여전히 요구된다.

더욱이, 예를 들어 생지 혹은 초벌구이한 반죽의 생산 공장에서 음식을 가공할 때, 가공되고 있는 대상은 많은 공정 변화의 기초가 된다. 많은 음식물의 본질 때문에, 가공되고 있는 대상은 모양, 색깔, 크기 및 다른 많은 파라미터에서 변화한다. 이러한 변화를 보상하기 위해 공정 디바이스가 자주 조정되어야 하기 때문에, 이는 식품 가공 산업에서 핵심적인 과제중 하나이다. 이런 이유로, 이상적으로는 수동 조절이 불필요하도록 산업 공정 단계를 자동화하는 것이 바람직하다. 베이킹에서, 예를 들어 제분 특성에서의 변화는 산업용 반죽 공정 장치의 극심한 공정 변화를 불러일으킨다. 예를 들어, 믹서, 반죽 절단기, 반죽 형성 장치, 발효, 커터, 패키징, 오븐의 베이킹 프로그램 또는 진공 베이킹 유닛의 파라미터의 조정이 필요할 수 있다.

베이킹이나 식품 가공을 자동화하기 위한 목적을 달성하기 위해, 적합한 모니터링 장치로부터 받은 데이터에 상응하는 모니터링 시스템을 제공할 필요가 있다. 이런 이유로, 적당한 데이터를 수집하기 위한 모니터링 장치를 가지는 모니터링 시스템을 필요로 한다.

오븐에서 구워지는 상품을 위해서는, 카메라를 구비하는 모니터링 시스템은 오븐의 창을 통해 베이킹 과정을 모니터하기 위해 이용될 수 있다. 하지만, 창을 통한 열 발산에 의한 열 손실을 막기 위해, 종래의 오븐에서는 이러한 감시 창이 예를 들어 내측 및 외측 판유리를 구비하는 이중 유리일 수 있다. 이런 이유로, 오븐 외부의 빛은 외측 판유리를 통과하여, 내측 판유리에 의해 카메라로 반사할 수 있으며, 구워지는 상품의 상의 교란으로 이어질 수 있다.

따라서, 이중 유리를 통해 획득된 상의 교란을 줄일 수 있는 열 처리 모니터링 시스템을 제공하는 것이 바람직하다.

식품 가공 시스템에서는 제품 생산량을 감소시키지 않도록, 가공되는 식품의 구조와 관련된 데이터는 식품 가공 공정을 중단시키지 않고 얻어져야 한다. 따라서 식품 가공 시스템의 상기에서 언급한 장치 또는 식품 가공에서의 다른 어떠한 장치의 파라미터를 비접촉 측정 기술에 기반하여 조정하는 것이 바람직하다.

모니터링 장치에 의해 획득된 데이터를 자동화 베이킹 또는 자동화 식품 가공에 유용하게 만들기 위해, 식품 가공 영역을 관찰하는 모니터링 장치에 의해 기록된 다수의 상을 분류하기 위한 방법과 상기 방법을 이용하는 기계를 제공하는 것이 바람직하다.

일단 데이터가 적합하게 분류되면, 융통성, 품질 및 효율면에서 열 처리 기계를 향상시키기 위해 인지 능력을 활용하는 것이 바람직하다. 이는 나아가 각 대상 별로 분리될 수 있다.

식품 가공 공정 내에서 관련있는 정보를 어떻게 추출해내는지, 오븐을 어떻게 작동시키는지 인간 전문가로부터 학습에 의해 지식을 얻을 수 있는 시스템을 제공하는 것이 바람직하며, 상기 시스템은 알려지지 않은 상황에서 합리적인 거동을 보여주어야 하며, 자율 학습이 가능해야 한다.

공정 시간의 변화에 적응하는 에너지 공급의 폐쇄 루프 제어를 통해 효율을 향상시키고, 희망하는 식품 가공 상태를 유지하는 시스템을 제공하는 것이 바람직하다.

개개의 다른 식품 가공 업무에 대해 다른 유형의 식품 또는 가공 업무를 적용함으로써 융통성을 가지는 시스템을 제공하는 것이 바람직하다.

이러한 목적들은 청구항들에 따른 열 처리 모니터링 시스템에 의해 달성될 수 있다.

특히 열 처리실(오븐)으로부터 상을 획득하기 위해, 외부 창의 착색 또는 감광과 조명을 결합하여 이용하는 것이 유리하다. 이는 오븐 내 화상의 영상 처리에 대해 더 적은 외부 조명의 영향을 제공한다. 적어도 40%까지 창을 착색할 것이 요구된다.

산업적인 식품 가공을 위해, 가공중인 식품에 대한 정보를 파악하기 위해 레이저 광선 발생기 또는 다른 광원과 카메라 센서 또는 다른 광학 센서를 이용하는 것이 유리하다. 광삼각법이라고 알려진 절차를 통해, 측량 대상의 특성을 얻어내기 위해, 레이저 광선이 측량 대상 위로 투사된다.

나아가, 오븐이나 열 처리 기계에 음식을 넣거나 빼는 것 이상의 인간의 상호작용이 필요하지 않을 정도로 음식의 열처리가 자동화되는 것이 바람직하다. 하지만, 원하는 경우 이러한 단계까지도 자동화될 수 있다. 이를 위해 열 처리 기계는 카메라로 모니터되고, 온도계와 같은 처리실 내 온도 감지 센서가 장치되는 처리실을 필요로 한다. 카메라를 이용하는 대신 적어도 두 개의 포토다이오드로 이루어지는 포토다이오드 열(array)이 이용될 수도 있다. 처리실 내부의 습도, 시간, 환기, 열 분포, 적재 부피, 적재 분포, 적재 무게, 음식 표면의 온도, 처리되는 식품의 내부 온도와 관계된 신호를 습득할 수 있는 더욱 많은 센서들을 이용하는 것이 유리하다. 다음과 같은 센서들: 습도계, 광삼각법, 삽입 온도 센서, 음향 센서, 저울, 타이머, 등의 다른 많은 센서들 또한 적용될 수 있다. 나아가, 적용된 어떠한 열 감지 센서에 부착된 냉각 시스템 또한 적용될 수 있다. 예를 들어, 이는 펠티어 냉각기, 환풍기, 열전 히트 펌프, 또는 증기 압축 냉동 등과 같은 전기 냉각, 공냉 또는 수냉 시스템일 수 있다.

또한 식품, 특히 오븐과 같은 열 처리실을 가지는 열 처리 기계로 구워지는 상품의 열 처리 공정에서, 내부 온도와 내부 카메라 영상 또는 다른 센서는 전력 공급 또는 처리 파리미터를 제어하는 데 이용될 수 있는 것이 바람직하다. 본 발명에 따르면, 카메라 영상은 음식을 가열하는 동안 음식의 부피 및/또는 색의 변화와 관련된 파라미터를 검지하는 데 적합하다. 이보다 앞서 학습되거나 고정된 모델의 기계에 따르면, 열 처리 기계에서 이러한 방법으로 판단될 수 있으며, 처리된 음식이 미리 설정된 바람직한 공정 상태에 있다면, 열 처리 공정의 전원에 대한 폐쇄 루프 제어를 통해 공정이 개별적으로 조정될 수 있다. 처리되는 음식의 바람직한 공정 조건에 의해 정의된 파라미터를 분포시킴으로써 극심하게 국소적으로 분포된 열 처리 기계에서 바람직한 공정 결과에 도달할 수 있다. 더욱이, 이용되는 센서들과 추출된 공정 데이터, 특히 카메라 영상이 데이터 특성에 기반하여 음식의 종류와 양을 판단하는데 이용될 수 있으며, 따라서 적합한 변동 공정을 자동적으로 시작할 수 있다.

본 발명의 일 실시예에 따르면, 열 처리 모니터링 시스템은 열 처리실, 내부 창과 외부 창을 포함하는 이중 유리 창, 열 처리실 내부를 비추기 위한 조명 장치 및 열 처리 기계에 장착되며 열처리실 내부를 내부 창을 통해 관찰하는 카메라를 포함하는 모니터링 장치를 포함하는 열 처리 기계로, 이중 유리 창 구조 내의 반사와 카메라에 의해 기록된 영상의 영상 처리에 대한 외부 조명의 영향을 줄이기 위해 외부 창의 가시광선 투과율이 내부 창의 가시광선 투과율보다 낮은 열 처리 기계를 포함한다. 바람직하게는, 외부 창은 코팅에 의해 암색화된다. 바람직하게는 금속 박막 또는 착색 박막이 외부 창에 적용된다. 바람직하게는, 외부 창은 색 유리를 포함한다. 바람직하게는, 외부 창은 60%의 최대 가시광선 투과율을 가진다. 바람직하게는, 이중 유리 창은 열 처리 기계의 열 처리 기계 도어의 열 처리 기계 도어 창이다. 바람직하게는 모니터링 장치는 열 처리실 내의 가열되는 음식의 고 동적 범위(HDR) 처리 영상을 생성하도록 조정된다. 바람직하게는, 모니터링 장치는 케이싱 및 카메라가 장착되는 카메라 센서 마운트를 더 포함한다. 바람직하게는, 케이싱은 카메라에 냉각을 제공할 수 있는 히트 싱크 및 팬들이 함께 장치된다. 바람직하게는, 열 처리 기계는 겹쳐지는 형태로 배열된 적어도 두 개의 트레이를 구비하는 컨벡션 또는 데크 오븐이다. 바람직하게는, 열 처리 모니터링 시스템은 각각의 트레이를 별도로 관찰할 수 있는 적어도 두 개의 카메라를 포함한다. 바람직하게는 열 처리 모니터링 시스템은 식품의 가열 공정의 종료 시간을 결정할 수 있는 훈련 데이터를 바탕으로 카메라에 의해 관찰된 식품 영상들을 처리하고 분류할 수 있도록 적용될 수 있는 제어 유닛을 더 포함한다. 바람직하게는, 제어 유닛은 가열 공정이 종료되어야 할 때, 열 처리 기계의 가열을 중지하도록 조정된다. 바람직하게는, 제어 유닛은 베이킹 공정이 종료되어야 할 때, 자동적으로 열 처리실 도어를 개방하도록 조정되거나, 제어 유닛은 가열 공정이 종료되어야 할 때, 열 처리 실을 차가운 공기 또는 공기로 환기하도록 조정될 수 있다.

본 발명의 또 다른 실시예에 따르면, 열 처리 모니터링 시스템은 가열되는 식품의 현재 센서 데이터를 결정할 수 있는 적어도 하나의 센서를 구비하는 센서 유닛; 현재 센서 데이터로부터 현재 특정 데이터를 판단하는 처리 유닛; 현재의 특정 데이터를 참조 가열 공정의 참조 특성 데이터와 비교함으로써 모니터링 되는 식품의 현재 가열 공정에서 현재 가열 공정 상태를 판단하도록 조정되는 모니터링 유닛을 포함한다. 바람직하게는 열 처리 모니터링 시스템은 현재 센서 데이터의 현재 특성 데이터로의 맵핑 및/또는 적어도 하나의 훈련 가열 공정의 특성 데이터에 기반한 참조 가열 공정의 참조 특성 데이터를 결정하도록 어댑트되는 학습 유닛을 더 포함한다. 바람직하게는 학습 유닛은 현재 센서 데이터의 차원을 감소시키기 위해, 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 센서 데이터의 현재 특성 데이터로의 맵핑을 결정하도록 어댑트 된다. 바람직하게는 학습 유닛은 현재 특성 데이터의 차원을 감소시키기 위해, 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 특성 데이터의 특성 데이터로의 맵핑을 결정하기에 적합하게 된다. 바람직하게는 분산 해석은 적어도 하나의 주성분 분석(PCA), Isometric Feature Mapping(ISOMAP) 또는 선형 판별 분석(LDA) 또는 차원 감소 기술을 포함한다. 바람직하게는, 학습 유닛은 기설정된 가열 프로그램의 특성 데이터를, 사용자의 선호에 의해 훈련 집합의 일부가 되도록 분류된 적어도 하나의 가열 공정의 특성 데이터의 훈련 집합과 결합함으로써 참조 가열 공정의 참조 특성 데이터를 결정하기 적합하게 된다. 바람직하게는, 가열 처리 모니터링 시스템은 현재 가열 공정의 현재 특성 데이터를 기록하는 기록 유닛을 더 포함하며, 학습 유닛은 훈련 가열 공정의 특성 데이터로 이용되는 기록된 특성 데이터를 기록 유닛으로부터 수신하기 적합하게 된다. 바람직하게는 센서 유닛은 가열되는 식품의 픽셀 이미지를 기록하는 카메라를 포함하며, 카메라의 현재 센서 데이터는 현재 픽셀 이미지의 현재 픽셀 데이터 대응한다. 바람직하게는 현재 픽셀 데이터는 제1 색상에 대응하는 제1 픽셀 데이터, 제2 색상에 대응하는 제2 픽셀 데이터, 제3 색상에 대응하는 제3 픽셀 데이터를 포함한다. 바람직하게는, 제1, 제2, 제3 색상은 각각 R, G, B에 대응한다. 바람직하게는, 카메라는 현재 픽셀 데이터로서 HDR 처리된 픽셀 영상을 생성하도록 어댑트된다. 바람직하게는 열 처리 모니터링 시스템은 가열되는 음식의 종류를 분류하고 판단된 식품 종류에 대응하는 참조 가열 공정을 선택하기에 적합하게 된 분류 유닛을 더 포함한다. 바람직하게는, 가열 처리 모니터링 시스템은 모니터링 유닛에 의해 판단된 현재 가열 공정 상태를 기 설정된 가열 공정 상태와 비교에 근거하여 가열 공정을 발효 공정으로부터 베이킹 공정으로 변경하기 적합하게 된 제어 유닛을 더 포함한다. 바람직하게는, 가열 처리 모니터링 시스템은 모니터링 유닛에 의해 판단된 현재 가열 공정 상태를 가열의 종료 점에 대응하는 기 설정된 가열 공정 상태와의 비교에 근거하여, 가열 공정의 잔여 시간을 보여줌과 동시에/또는 열 처리실 내부의 영상을 보여주기 적합하게 된 디스플레이 유닛을 제어하도록 어댑트되는 제어 유닛을 더 포함한다. 바람직하게는 열 처리 모니터링 시스템은 가열 공정이 종료되어야 할 때, 사용자에게 경고하도록 어댑트 되는 제어 유닛을 더 포함한다. 바람직하게는, 가열 처리 모니터링 시스템은 가열 실의 온도 제어부, 물이나 증기를 가해줌으로써 열 처리 실 내의 습도를 조정하는 수단, 환기 메커니즘의 제어부, 팬 속도를 조정하는 수단, 열 처리실과 각 환경 사이의 차압을 조정하는 수단, 열 처리실 내의 시간에 따른 온도 곡선을 설정하는 수단, 발효 또는 베이킹과 같은 다른 열 처리 과정을 수행하고 조정하는 수단, 열 처리실 내의 내부 가스 흐름 프로파일을 조정하는 수단, 가열되는 식품의 특성을 조사 또는 관찰하기 위한 각각의 전자기장 혹은 발음기의 전자기 방출 혹은 음향 방출 강도를 조정하는 수단들을 제어하도록 어댑트되는 제어 유닛을 더 포함한다. 바람직하게는, 센서 유닛의 적어도 하나의 센서는 습도계, 삽입식 온도 센서, 처리실 온도 세서, 음향 센서, 저울, 타이머, 카메라, 영상 센서, 포토 다이오드 열, 처리실 내부의 가스의 가스 분석기, 삽입식 온도 센서의 온도 프로파일을 판단하는 수단, 빛 또는 발음기 또는 발원에 대응하여 반사되거나 방출된 빛 또는 음향과 같은, 처리되는 식품의 전기장 또는 음향 방출을 판단하는 수단, 3D 또는 스테레오 카메라 시스템 또는 레이더를 포함하는 가열되는 식품의 3D 측정 장치로부터의 결과를 판단하는 수단, 또는 처리되는 식품의 종류 또는 구성 또는 패턴 또는 광학 특성 또는 부피 또는 질량을 판단하는 수단 중 적어도 어느 하나를 포함한다.

본 발명의 또 다른 실시예에 따르면, 열 처리 모니터링 시스템은 상품 또는 가열되는 식품을 베이킹 혹은 발효하거나 열 처리 또는 베이킹 유닛 또는 식품 가공 라인; 제1 레이저 빔 및 제2 레이저 빔을 생성하고, 제1 레이저 빔 및 제2 레이저 빔을 베이킹 유닛 내의 베이킹 상품의 위치로 향하게 하는 레이저 광 분포 유닛; 베이킹 상품으로부터 흩어지는 제1 레이저 빔의 반사광을 탐지하는 제1 광 탐지 유닛; 베이킹 상품으로부터 흩어지는 제2 레이저 빔의 반사광을 탐지하는 제2 광 탐지 유닛; 제1 광 탐지 유닛 및 제2 광 탐지 유닛의 탐지에 따라 베이킹 상품의 높이 프로파일을 결정하는 측정 유닛; 및 베이킹 상품과 레이저 광 분배 유닛 사이의 거리를 변경하는 이동 유닛을 포함한다. 여기서, 레이저 광 분배 유닛은 바람직하게는 제1 레이저 빔을 생성하는 제1 레이저 광 생성 유닛; 제2 레이저 빔을 생성하는 제2 레이저 광 생성 유닛을 포함한다. 또한 레이저 광 분배 유닛은 바람직하게는, 기본 레이저 빔을 생성하는 기본 레이저 광 생성 유닛; 기본 레이저 빔으로부터 제1 레이저 광선 및 제2 레이저 광선을 생성하는 광학 유닛을 포함한다. 광학 유닛은 바람직하게는 기본 레이저 광 생성 유닛에 대해 번갈아 이동하거나 회전함으로써 제1 레이저 빔 및 제2 레이저 빔을 생성하는, 기본 레이저 빔이 향하는 이동가능하고 회전가능한 거울을 포함한다. 광학 유닛은 바람직하게는 제1 레이저 빔과 제2 레이저 광을 생성하기 위해 기본 레이저 광이 향하는 반 투명 거울; 제2 레이저 빔을 생성하기 위해 제1 레이저 광이 향하는 거울을 포함한다. 제1 레이저 빔은 바람직하게는 제1 위치를 향하며; 제2 레이저 빔은 바람직하게는 제2 위치를 향하고; 베이킹 상품 한 조각은 바람직하게는 이동 유닛에 의해 제1 위치로부터 제2 위치로 이동되며; 바람직하게는 측정 유닛에 의해 베이킹 상품 조각의 높이 프로파일의 변화가 판정된다. 바람직하게는, 제1 레이저 빔은 베이킹 상품 조각의 제1단부를 향하고, 베이킹 상품 조각의 받침대에 대해 45°보다 작은 기울기를 가지고; 제2 레이저 빔은 제1 단부와 반대인 베이킹 상품 조각의 제2 단부를 향하며, 받침대에 대해 45°보다 작은 기울기를 가지고; 제1 레이저 빔과 제2 레이저 빔 사이의 최소 각은 90°보다 크다. 바람직하게는 이동 유닛은 베이킹 상품을 베이킹 유닛을 관통하여 이동시키는 컨베이어 벨트이다. 바람직하게는, 레이저 광 분배 유닛은 베이킹 유닛 내에 위치하고; 제1 및 제2 레이저 빔은 레이저 광 분배 유닛으로부터 베이킹 상품으로 직사된다. 바람직하게는 레이저 광 생성 유닛은 베이킹 유닛의 외부에 위치하고; 레이저 빔들은 굴절 거울에 의해 베이킹 상품을 향한다. 바람직하게는, 광 탐지 유닛은 베이킹 유닛의 외부에 위치하고; 레이저 빔의 반사는 안내 미러에 의해 레이저 광 탐지 장치로 안내된다. 바람직하게는, 거울들은 가열된다. 바람직하게는, 제1 및 제2 레이저 빔들은 부채꼴이고; 제1 및 제2 레이저 빔들의 반사는 렌즈들에 의해 제1 및 제2 광 탐지 유닛에 집중된다. 바람직하게는, 레이저 광 분배 유닛, 베이킹 상품 및 광 탐지 장치에 의해 구성되는 광학 시스템은 Scheimpflug 원리를 만족시킨다. 본 발명의 베이킹 모니터링 방법은 베이킹 유닛 내에서 베이킹 상품을 가공하는 단계; 베이킹 유닛을 관통하며 베이킹 상품을 이동시키는 단계; 제1 레이저 빔 및 제2 레이저 빔을 생성하고 제1 레이저 빔과 제2 레이저 빔을 베이킹 유닛 내의 베이캉 상품의 위치로 향하게 하는 단계; 베이킹 상품으로부터 흩어지는 제1 레이저 빔의 반사광을 탐지하는 단계; 베이킹 상품으로부터 흩어지는 제2 레이저 빔의 반사광을 탐지하는 단계; 흩어진 제1 및 제2 레이저 빔을 탐지함에 따라 베이킹 상품의 높이 프로파일을 판단하는 단계를 포함한다.

식품 가공 공정 내에서 관련있는 정보를 어떻게 추출해내는지, 오븐을 어떻게 작동시키는지 인간 전문가로부터 학습에 의해 지식을 얻을 수 있는 시스템을 제공하여, 상기 시스템은 알려지지 않은 상황에서 합리적인 거동을 보여주며, 자율 학습이 가능하다.

본 발명의 시스템은 공정 시간의 변화에 적응하는 에너지 공급의 폐쇄 루프 제어를 통해 효율을 향상시키고, 희망하는 식품 가공 상태를 유지할 수 있다.

본 발명의 시스템은 개개의 다른 식품 가공 업무에 대해 다른 유형의 식품 또는 가공 업무를 적용함으로써 융통성을 가진다.

본 발명의 더 나은 이해를 돕기 위해 제공되는 도면은 본 출원의 일부를 구성하며, 본 발명의 실시예를 도시하며, 상세한 설명과 함께 본 발명의 원리를 설명을 돕는다.
도 1a 및 1a는 열 처리 모니터링 시스템의 일 실시예의 개략적인 단면도 및 개략적인 측면도를 보여준다.
도 2a 및 2b는 종래의 이중 유리 창 및 열 처리 모니터링 시스템의 일 실시예의 이중 유리 창의 반사 특성을 보여준다.
도 3은 또 다른 열 처리 시스템의 다른 개략도를 보여준다.
도 4는 영상 센서의 일 실시예의 개략도를 보여준다.
도 5는 영상 센서의 다른 실시예의 개략도를 보여준다.
도 6a 및 6b는 열 처리 시스템의 또 다른 실시예의 개략적인 정면도와 측면도를 보여준다.
도 7은 열 처리실의 일 실시예의 개략도를 보여준다.
도 8은 음식 생산 시스템의 일 실시예의 개략도를 보여준다.
도 9는 광 삼각법을 이용한 음식 생산 시스템의 일 실시예의 개략도를 보여준다.
도 10은 광 삼각법을 이용한 음식 생산 시스템의 다른 일 실시예의 개략도를 보여준다.
도 11은 반죽의 정렬을 위한 지시부가 마련된 트레이의 일 실시예를 개략적으로 보여주는 평면도이다.
도 12는 오븐 랙에 통합된 감지 시스템의 일 실시예의 개략도를 보여준다.
도 13은 일 실시예에 따른 열 처리 모니터링 시스템의 개략적인 데이터 처리 흐름을 보여준다.
도 14는 본 발명에 따른 센서와 액츄에이터를 구비하는 음식 생산 기계를 위한 인지적 지각-동작 루프를 보여준다.
도 15는 선형 및 비선형 차원 감소 기법의 분류를 보여준다.
도 16은 최적 선형 분리자를 통한 3차원 공간에 대한 2차원 테스트 데이터 맵핑을 보여준다.
도 17은 본 발명에 따른 아키텍쳐 및 공정 모니터링 또는 센서들과 액츄에이터들을 구비하는 블랙 박스 모델을 이용한 음식 생산 시스템에서 폐쇄 루프를 위한 에이전트 설계를 위한 컴퍼넌트 그룹을 보여준다.
도 18a는 일 실시예에 따른 열 처리 모니터링 시스템의 단면도를 개략적으로 보여준다.
도 18b는 일 실시예에 따른 열 처리 모니터링 시스템의 블록 다이어그램을 보여준다.

도 1a 및 도 1b는 본 발명의 일 실시예에 따른 열 처리 모니터링 시스템(100)을 도시한 것이다. 도 1a는 열 처리 모니터링 시스템(100)의 개략적인 평단면도를 도시한 것이고, 도 1b는 개략적인 정면도를 도시한 것이다.

도 1a 및 1b에 도시된 바와 같이, 열 처리 모니터링 시스템 또는 베이킹 모니털이 시스템 또는 발효 및/또는 베이킹 모니터링 시스템(100)은 오븐(110)을 구비하고, 오븐(110)은 열 처리실 또는 오븐실(120), 오븐(110)의 측벽에 적어도 하나의 이중 유리 창(130) 및 오븐 실(120) 내의 조명 장치(140)를 구비한다.

열 처리 기계 또는 오븐(110)은 종래에 음식의 요리, 특히 빵의 베이킹이나 발효에 이용되던 것이라면 어떠한 오븐일 수 있다. 오븐은 음식을 다른 방식으로 요리할 수도 있다. 오븐은 컨벡션 타입 오븐이거나, 복사 타입 오븐일 수 있다.

열 처리실 또는 오븐실(120)은 오븐(110) 내부의 대부분을 차지한다. 오븐실(120) 내에서 음식이 요리된다. 음식은 오븐실 벽에 의해 지지될 수 있는 다른 수의 트레이 상에 위치될 수 있다. 음식은 또한 여러 개의 트레이를 가지며, 오븐실(120) 내로 이동될 수 있는 이동가능한 카트 상에 위치될 수 있다. 오븐실(120) 내에는 음식을 요리하기 위해 이용되는 열원이 제공된다. 나아가, 열원에 의해 발생한 열을 더욱 고르게 분포시키기 위해 오븐실 내에 환풍 시스템이 또한 포함될 수 있다.

오븐 또는 열 처리실 내부는 조명 장치(140)에 의해 비추어진다. 조명 장치(140)는 도 1a에 도시된 바와 같이 오븐 또는 열 처리실 내에 배치될 수 있다. 조명 장치(140)는 오븐실(120)의 외부에 위치하고, 창을 통해 오븐실(120)을 비출 수도 있다. 조명 장치(140)는 어떠한 종래의 발광 장치일 수 있으며, 예를 들어 전구, 할로겐 램프, 포토다이오드 또는 이러한 장치들을 다수 조합한 것일 수 있다. 조명 장치(140)는 오븐실(120) 내에서 조리되어야 하는 음식에 초점이 맞추어질 수 있다. 특히, 조명 장치(140)는 조리되어야 하는 음식과 오븐실(120) 내부의 주위환경과 강한 대조를 이루도록 또는 음식과 음식이 위치되는 트레이 및/또는 카트와 강한 대조를 이루도록 조절되거나 집중될 수 있다 이러한 강한 대조는 또한 조명 장치(140)에 의해 발생하는 빛으로 특별한 색상을 사용하는 것만으로 지원되거나 발생할 수 있다.

오븐실(120)의 벽에는 창이 제공된다. 오븐실(120) 외부로의 열 손실을 방지하기 위해, 창은 바람직하게는 외부 판유리 또는 외부 창(135)과 내부 판유리 또는 내부 창(136)을 구비하는 이중 유리 창(130)이다. 이중 유리 창(130)은 내부 창(136)과 외부 창(135) 사이에 특별한 가스나 진공을 제공으로 함으로써 내부 창(136)과 외부 창(135) 사이의 열 발산을 방지할 수 있다. 이중 유리 창(130)은 또한 외부 창(135)의 가열을 방지하기 위해 내부 창(136)과 외부 창(135) 사이의 환기에 의해 냉각될 수 있으며, 내부 창(136)과 외부 창(135) 사이에는 특별한 가스나 진공이 제공되지 않는다. 조명 장치(140)는 내부 창(136)과 외부 창(135) 사이에 제공될 수도 있다. 외부 창(135)의 외부 유리 표면은 덜 뜨겁고 따라서 카메라(160)을 장착하기 적합하다. 내부 창(136)과 외부 창(135) 사이에 광학 터널을 이용하는 것이 더욱 효율적이며, 이는 또한 반사와 열 영향을 감소시킬 수 있기 때문이다.

이중 유리 창(130)을 통해 열 처리 기계 또는 오븐의 외부로부터 요리 또는 베이킹 과정이 관찰될 수 있다.

1b에 도시된 바와 같이, 모니터링 장치(150)는 열 처리 기계 또는 오븐(110)에 장착된다. 모니터링 장치(150)는 이중 창 유리(130)의 외부 창(135)을 가로질러 장착되며, 외부 창(135)의 바로 옆에 배치되는 카메라(160)를 포함하며, 이는 요리나 베이킹을 하는 동안 오븐실(120) 내부의 음식을 관찰하는 데 이용된다. 카메라(160)는 컴퓨터로 접근 가능한 형태의 화상 데이터를 제공할 수 있다면 종래의 어떠한 카메라도 될 수 있다. 카메라(160)는 에를 들어 전하결합소자(charged coupled device: CCD) 카메라이거나 상보형금속산화반도체(complementary metal-oxide-semiconductor: CMOS) 카메라일 수 있다. 카메라(160)는 요리 과정 동안 요리되는 음식의 영상을 획득한다. 하기에 기술하는 바와 같이, 이러한 영상들은 요리 또는 베이킹 과정을 자동으로 제어하는 데 이용될 수 있다. 카메라(160)는 쉽게 모니터링 장치(150) 내에 일체화시키기 위해, 외부 창(135)의 외부에 장착되는 것이 바람직하다 할지라도, 카메라(160)는 이때 이중 유리 창(130)을 통해 열 처리실(120) 내부를 관찰한다. 카메라(160)는 또한 내부 창(136)과 외부 창(135) 사이에 제공되어, 열 처리실 내부를 내부 창(136)을 통해 관찰할 수도 있다.

하지만, 만약 외부 광원이 이중 유리 창(130)의 앞에 오븐실(120)의 외부에 존재할 경우 문제가 발생한다.

도 2a에 도시된 바와 같이, 외부 광연(270)으로부터 방출된 방해광(272)은 이중 유리 창의 외부 창(235')을 통과할 수 있지만, 요리되는 음식(280)을 관찰하는 카메라(260) 내로 조사되지 않고 내부 창(236)에 의해 반사될 수 있다. 따라서, 카메라(260)는 음식(280)으로부터 반사되거나 방출되는 빛(282)만이 아니라 내벽(236)에서 반사되는 방해광(272)를 함께 찍게된다. 이는 카메라(260)로부터 제공되는 영상 데이터의 저하를 낳게 되며, 따라서 자동 베이킹 공정에 악영항을 줄 수 있다.

본 실시예에서는 외부 창(235)을 통과하는 방해광을 저지함으로써 이러한 악영향이 방지된다. 이는 외부 창(235)을 착색 또는 암색화(darkening)에 의해 행해진다. 이때, 방해광(272)은 외부 창(235)에 의해 반사되거나 흡수되며, 내부 창(236)에 도달하지 않는다. 따라서, 어떠한 방해광(272)도 내부 창(236)에 의해 카메라(260)로 반사되지 않으며, 카메라(260)는 음식(280)에 관한 정확한 정보만을 포착할 수 있다. 따라서, 본 실시예에 따르면, 외부 창(235)의 착색 또는 암색화에 의해 자동 식품 가공 과정의 저하를 방지할 수 있다.

따라서, 오븐(110)의 열 처리실(120)로부터 영상을 포착하기 위해, 조명 장치(140)를 외부 창(235)의 착색 또는 암색화와 조합하여 사용하는 것이 바람직하다. 이는 오븐 내부 모습을 영상처리하는데 외부 광의 영향을 줄여준다.

본 발명에 따르면, 외부 창(135)의 가시광선 투과율은 내부 창(136)의 가시광선 투과율보다 낮다. 여기서, 외부 창의 가시광선 투과율은 95%이하이고, 더욱 바람직하게는 80%보다 낮으며, 특히 내부 창(136)의 가시광선 투과율의 60% 미만이다. 나아가, 이중 유리 창(130)의 외부 창(235)은 바람직하게는 75%의 최대 가시광선 투과율을 가질 수 있다. 가시광선 투과율은 가시 파장 범위, 즉 380nm 내지 780nm 내에서 유리 창에 수직하게 입사되는 빛의 투과율이다. 적어도 40%까지 창을 착색하는 것이 바람직하며, 따라서 최대 가시광선 투과율은 60%이다. 다시 말해, 적어도 입사되는 빛의 40%가 외부 창(235)에 의해 흡수되거나 반사되며, 빛의 60%가 외부 창(235)을 통해 전달된다. 내부 창(236)은 일반적인 유리의 가시광선 투과율을 가질 수 있다. 투과율이 40%이 되도록 창을 적어도 60%까지 착색하는 것이 더욱 바람직하다. 암색화 코팅 또는 박(foil)은 열의 영향으로 코팅이 열화 되는 것을 방지할 수 있어 오븐의 이중 유리 도어의 외부 창에 유리하게 적용될 수 있다. 외부 창의 암색화 덕분에 오븐의 외부로부터 유입되는 빛의 반사는 두드러지게 감소될 수 있다. 오븐 도어 창은 금속 박막이나 코팅(거울화된 창) 또는 착색 박막에 의해 암색화될 수 있다. 오븐 도어 창은 예를 들어 착색된 외부 및/또는 내부 창을 포함하는 착색된 유리일 수 있다. 만약 카메라가 외부 창(135)에 장착된다면, 카메라의 위치에서 외부 창(135)의 암색화 또는 반사는 피할 수 있다. 예를 들어 외부 창(135)의 코팅에 카메라를 통한 관찰을 담보하기 위한 홀을 구비하고, 홀 부분은 창(135)의 투과율의 결정에 포함되지 않는다.

오븐 또는 열 처리 기계(110)는 또한 오븐실(120)을 개폐하는 오븐 도어 또는 열 처리 기계 도어를 포함할 수 있다. 오븐 도어는 창을 포함할 수 있고, 창울 통해 오븐실(120)이 관찰될 수 있다. 바람직하게는, 창은 오븐실(120)을 위한 열 에너지의 열 손실을 방지하기 위해 이중 유리 창(130)을 포함한다. 따라서, 열 처리 모니터링 시스템(100)은 모니터링 장치(150) 및 모니터링 장치(150)를 포함하는 오븐(110) 또는 오븐 도어에 모니터링 장치(150)를 구비하는 오븐(110)을 포함할 수 있다.

따라서, 오븐 도어의 이중 유리 창 구조 내에서 반사 역시 감소될 수 있다. 그 결과, 영상 처리에 대한 외부 조명 효과는 무시될 수 있다. 따라서, 오븐실(120)의 각 조명 강도로 오븐실(120) 내부는 모니터링 장치(150)의 카메라(160)에 의해 관찰될 수 있다.

도 3은 도 1a 및 1b에 도시된 열 처리 모니터링 시스템의 일 실시예의 다른 각도에서 도시한 것이다.

도 3에 도시된 바와 같이, 모니터링 장치(350)는 열 처리 모니터링 시스템(300)의 데크 오븐(310)의 전방에 장착된다. 모니터링 장치(350)는 케이싱, 카메라 센서 마운트, 오븐 도어 창(330)을 통해 오븐실 내를 관찰하기 위해 카메라 센서 마운트에 장착되는 카메라를 포함한다. 카메라는 데크 오븐(310) 내의 둘 이상의 베이킹 트레이를 한 번에 관찰할 수 있도록 조절되어 오븐 도어 창(330)에 대해 수평 및/또는 수직 방향으로 기울어져 있다.

또 다른 실시예에 따르면 센서 마운팅과 케이싱은 내부를 위한 팬으로 냉각된다. 나아가 도 4 및 도 5에서 볼 수 있듯이, 모니터링 장치(350)의 카메라 센서 마운트는 냉각을 위한 히트 싱크 및 팬이 함께 갖추어질 수 있다. 센서 마운트 및 케이싱은 오븐 내의 두 개의 베이킹 트레이를 한 번에 볼 수 있도록 최적의 시야각을 가지도록 최적화될 수 있다.

도 6a 및 6b는 각각 도 1a 및 1b에 도시된 열 처리 모니터링 시스템의 다른 일 실시예의 평면도와 측면도를 보여준다.

도 6a에 도시된 바와 같이, 모니터링 장치(650)는 열 처리 모니터링 시스템(600)의 오븐(610)에 장착된다. 모니터링 장치(650)는 오븐 도어(632)의 이중 유리 창(630)과 부분적으로 겹친다. 모니터링 장치(650)는 케이싱 내부에 카메라를 포함한다. 또한, 모니터링 장치(650)는 사용자에게 정보를 보여주고 사용자 대화방식을 가능하게 하는 디스플레이(655)를 포함한다.

오븐(610)은 도 6a 및 6b에 도시된 바와 같이 상부에 컨벡션 오븐 및 하부에 투 데크 오븐을 구비할 수 있다.

나아가, 일 실시예에 따르면 모니터링 장치(150)는 사용자에게 베이킹 공정을 끝내야 할 경우, 사용자에게 알려주는 경고 장치를 포함할 수 있다. 또한, 모니터링 장치(150)는 예를 들면 오븐(110)의 열 처리의 정지 및/또는 오븐 도어의 자동 개방 및/또는 오븐실(120)을 차가운 공기 또는 공기로 환기하기 위한 제어 출력을 포함할 수 있다. 오븐(110) 및 모니터링 장치(150)는 함께 열 처리 모니터링 시스템(100)을 형성한다.

또 다른 실시예에 따르면, 모니터링 장치(150)는 오븐 실(120) 내에서 베이킹되는 상품의 high dynamic range(HDR) 처리 영상을 생성하도록 적용될 수 있다. 이는 특히 착색된 외부 유리(135)와 함께 조합되는 편이 유리하며, 착색 박막에 의해 베이킹실(120)로부터 나오는 빛의 세기가 감소되기 때문에 HDR 처리는 더 나은 이미지 분할을 가능하게 한다. 더욱이, HDR 처리에 의해 베이킹 상품들과 오븐 벽 또는 트레이와 같은 그들 주변 환경경과의 대조가 향상된다. 이는 열 처리 모니터링 시스템(100)이 베이킹 상품의 윤광이나 모양을 훨씬 더 상세하게 판단할 수 있도록 해준다.

도 7은 또 다른 실시예에 따른열 처리실(720)을 위한 가능한 센서 장비를 보여준다. 전과 같이, 열 처리실(72)은 적어도 하나의 카메라(760)로 모니터된다. 카메라(760)는 또한 영상 센서 또는 적어도 두 개의 포토다이오드로 이루어지는 포토다이오드 열을 포함할 수 있다. 다르게 적재되는 여러 개의 트레이를 모니터할 수 있도록 하나 이상의 카메라를 이용하는 것이 유리하다. 적어도 하나의 카메라(760)는 처리실(720) 내에 위치될 수 있지만, 카메라(760)에 대한 열 영향을 줄일 수 있도록 창, 특히 이중 유리 창(730)에 적용되는 것이 유리하다. 이중 유리 창(730)은 처리실의 어느 벽에 위치될 수 있다.

상기에서 기술한 바와 같이, 적어도 하나의 조명 장치 예를 들어 전구나 발광 다이오드(LED)을 결합하여 열 처리실(720)에 대한 조명을 적용하는 것이 유리하다. 뚜렷한 처리실 조명은 양호한 카메라 영상을 촬영을 지원한다. 또한 적어도 하나의 특정한 파장의 조명을 적용하고, 카메라 또는 영상 센서 또는 포토 다이오드 열(760)을 위해 적절한 파장 필터를 적용하는 것이 더욱 유리하다. 만약 적외선 또는 근적외선 파장이 선택되고 그에 따라 영상 센서(760) 및 옵션 필터가 선택되면, 시각 모니터링 시스템은 특정한 식품 처리 공정에서는 치명적일 수 있는 온도 분포에 관련된 정보를 모을 수 있다.

카메라 또는 시각 시스템(760)은 음식 시각화를 최적화하는 특정한 렌즈 시스템과 함께 갖추어질 수 있다. 적재물의 가공 상태는 적재물 자체들 간에는 서로 매우 유사하기 때문에, 모든 적재 음식과 관련된 영상을 획득하기 위해 필수적인 것은 아니다. 또한 자동 초점 시스템 및 밝기 최적화 기술이 함께 갖추어질 수 있다. 음식의 처리와 관련된 색깔에서의 변화에 관련된 정보를 모으기 위해 특정 파장을 위한 여러 개의 영상 센서(760)들을 사용하는 것이 유리하다. 카메라 또는 영상 센서(760)는 열 처리 동안의 음식의 부피 변화에 관한 정보를 모을 수 있도록 위치되는 것이 유리하다. 특히, 음식물을 위에서 보도록 설정되는 것이 유리하다.

이미 존재하는 개방 시스템에 대해 제2 오븐 도어 또는 열 처리실 개구가 부가되는 것이 유리하다. 센서 시스템 또는 특히 카메라, 및 조명 유닛은 이때 오븐 도어 창의 높이에 위치될 수 있다. 센서 시스템이 오븐에 새로 장착된다면 이러한 도어 상의 도어 또는 이중 도어 시스템이 적용될 수 있다.

상술된 각 모니터링 장치는 예를 들어, 도 1a, 1b, 3, 4a, 및 4b에서 볼 수 있는 바와 같이 오븐의 정면에 장착될 수 있다. 모니터링 장치는 케이싱, 카메라 센서 마운트, 및 오븐 도어 창을 통해 오븐실 내부를 관찰하기 위해 카메라 센서 마운트에 장착되는 카메라를 포함한다. 카메라는 데크 오븐 내의 둘 이상의 베이킹 트레이를 한 번에 관찰할 수 있도록 조절되어 오븐 도어 창에 대해 수평 및/또는 수직 방향으로 기울어져 있다. 모니터링 장치는 베이킹 공정이 종료되어야 할 때, 사용자에게 알려주는 경고 장치를 더 포함할 수 있다. 또한, 모니터링 장치는 예를 들면 오븐의 열 처리의 정지 및/또는 오븐 도어의 자동 개방 및/또는 오븐실을 차가운 공기 또는 공기로 환기하기 위한 제어 출력을 포함할 수 있다. 오븐 및 모니터링 장치는 함께 열 처리 모니터링 시스템을 형성한다.

상술한 바와 같이, 하나의 카메라 센서는 베이킹 공정을 관찰하기 위해 이용된다. 또 다른 실시예에 따르면, 여러개의 카메라 센서를 이용하는 것이 효과적이다. 만약 열 처리실 내의 모든 트레이가 적어도 하나의 정렬된 카메라 센서를 구비한다면, 모니터링 및 제어 소프트웨어는 모든 트레이에 대해 개별적으로 정보를 얻을 수 있다. 따라서, 모든 트레이에 대해 잔류 베이킹 시간을 계산할 수 있다.

잔류 베이킹 시간은 만약 다른 트레이들보다 앞서 베이킹 시간이 종료된 경우, 오븐 사용자에게 도어를 개방하고 적어도 하나의 트레이를 꺼내도록 경보를 발할 수 있다. 본 발명에 따르면, 사용자에게 원격 또는 정보기술(IT) 시스템에 의해 경보를 발할 수 있다. 웹사이트 화면, 스마트 폰 또는 카운터 바로 근처의 플래시라이트 상에 경보를 발할 수 있다. 이것은 사용자가 오븐의 앞이 아닐 수 있는 상시 작업장에서 경보를 받을 수 있다.

본 발명의 모니터링 시스템의 또 다른 실시예에 따르면, 모니터링 시스템은 산업적인 식품 생산 시스템, 예를 들면 베이킹 또는 초벌 베이킹 라인 또는 반죽을 빚고 나누는 반죽 제조 시스템에 이용될 수 있다, 하지만, 모니터링 시스템은 식품 제조 또는 가공의 다른 어느 영역에서도 이용될 수 있다.

도 8은 벨트 컨베이어(815)(구동 유닛)을 가지는 열 처리 기계 또는 오븐(810)(베이킹 유닛)을 위한 적어도 하나의 센서 시스템 장비(850)을 가지는 모니터링 시스템(800)을 도시한 것이다. 이러한 오븐(810)은 일반적으로 산업적인 식품 생산 시스템에서 이용된다.

센서 시스템(850)은 다음의 적어도 하나의 센서를 가질 수 있다: 습도계, 삽입식 온도 센서, 처리실 온도 센서, 음향 센서, 광 삼각법, 저울, 타이머, 카메라, 영상 센서, 포토다이오드 열. 이러한 센서 시스템(850)의 일부는 또한 조명, 냉각 또는 이동 알고리즘과 같은 장치를 지원한다.

일 실시예에 따르면, 광 삼각법은 음식의 부피에 관한 정보를 획득하는 데 이용될 수 있다. 이때, 센서 시스템 장비(850)는 레이저 광선을 생성하고 오븐 또는 베이킹 유닛(810) 내의 베이킹 상품으로 레이저 광선이 향햐도록 하는 레이저 광 분포 유닛을 포함한다. 레이저 광 분포 유닛은 동시에 베이킹 상품의 한 조각 상으로 레이저 빔을 향하도록 하거나, 다른 일 실시예에 따라 시간에 따른 부피의 변화에 대한 정보를 얻기 위해, 식품 가공 공정 동안 적어도 두 번 향하도록 할 수 있다.

베이킹 상품의 부피 정도 및/또는 높이 프로파일은 이때 베이킹 상품으로부터 반사되는 레이저 빔을 감지하는 광 감지 유닛의 감지 결과를 분석하는 측정 유닛에 의해 얻어진다. 단일 또는 모든 레이저 빔을 위한 복수의 광 감지 유닛 또는 각 레이저 빔을 위한 하나의 광 감지 유닛이 있을 수 있다.

또 다른 실시예에 따르면, 적어도 하나의 부가적인 센서 시스템(852)가 열 처리 기계의 내부 또는 외부의 다른 위치에 배치될 수 있다. 그렇지 않으면, 센서 시스템(850)은 벨트 컨베이어가 다른 공정 시간에 음식이 두 번 통과시키는 위치에 적용될 수 있다. 그 대신, 센서 시스템(850)은 벨트 컨베이어(815)와 같은 속도로 이동할 수 있다.

또 다른 실시예에 따르면 하나 이상의 카메라 센서 또는 광학 센서 및 광 삼각법을 위한 하나 이상의 레이저 광 생성기가 사용될 수 있다.

도 9에 도시된 일 실시예에 따르면, 모니터링 시스템(900)은 각각 레이저 광 생성기(955) 및 광 수신 장치(예를 들어 카메라 또는 포토 다이오드 열)를 구비하는 적어도 두 개의 모니터링 장치를 포함한다. 따라서, 이러한 실시예에 따른 레이저 광선 분배 유닛은 제1 레이저 광선 생성 유닛 및 제2 레이저 광선 생성 유닛을 포함한다.

레이저 광 생성기(955)로부터 레이저 빔(956)이 예를 들어 벨트 컨베이어(915) 상의 생지 또는 초벌된 반죽과 같은 음식(980)을 향해 방출된다. 음식(980)으로부터 레이저 빔이 광 수신 장치(960)를 향해 반사된다. 레이저 광 생성기(955) 및 광 수신 장치(960)는 서로에 대한, 그리고 벨트 컨베이어(915)에 대한 위치가 알려져 있기 때문에, 레이저 광성 생성기(955)로부터 식품(980)까지의 거리는 광 수신부(960) 내에서 관찰되는 레이저 빔(956)의 정확한 위치로부터 삼각법에 의해 얻어질 수 있다. 이런 이유로, 이러한 광 삼각법을 사용하여 가공되는 식품(980)의 표면 프로파일을 알아낼 수 있다.

도 9에 도시된 바와 같이, 레이저 빔(956)은 직접적으로 음식 또는 베이킹 상품(980)을 향하며, 광 수신 장치 또는 광 탐지 유닛(960)을 향해 직접적으로 흩어진다. 다른 실시예에 따르면 레이저 빔의 광 경로는 굴절 또는 안내 거울에 의해 변경될 수 있다. 이때, 레이저 광 생성기(955) 또는 광 탐지 유닛(960) 역시 열 처리실 또는 베이킹 유닛의 외부에 위치할 수 있다. 또한, 거울에 김이 서리는 것을 방지할 수 있도록 이들은 김 서림을 방지할 수 있을 정도로 충분히 높은 온도로 하지만 거울에 손상을 주지 않을 정도로 낮은 온도로 가열될 수 있다.

도 9에 도시된 바와 같이, 레이저 광 생성기(955)로부터 레이저 빔(956)은 생산의 다른 단계에 있는 음식(980)이 모니터될 수 있도록 초점이 맞추어진다. 비록 도 9에서는 레이저 광 생성기(955)들은 두 개의 이웃하는 식품(980)에 초점이 맞추어진 것으로 도시되었으나, 광 생성기들이 서로 멀리 떨어져 있는 식품(980)들에도 역시 초점을 맞출 수 있다. 예를 들어, 식품 두 토막이 수 미터 떨어져 있거나, 레이저 광 생성기(955)가 벨트 컨베이어(915)가 지나는 베이킹 실의 입구 및 출구에 위치되고, 베이킹실 내로 들고 나는 동안 음식(980)의 표면 프로파일을 관찰할 수 있다. 이 때문에, 레이저 광 생성기 또는 생성 유닛(955)은 또한 음식(980)을 향해 상부로부터 거의 수직하게 빛을 발사하도록 배열될 수 있다.

레이저 광선 생성기(955)들은 벨트 컨베이어(915) 위에 위치할 필요는 없으나, 벨트 컨베이어(915)의 일 측에 위치될 수 있다. 물론 적어도 두 개의 레이저 광선 생성기(955)는 또한 벨트 컨베이어(915)의 서로 다른 측에 위치될 수 있다.

이런 이유로, 서로 다른 식품(980) 토막에 초점이 맞고, 각각의 음식 토막들의 표면 구조를 관찰하는 두 개 또는 그 이상의 레이저 광 생성기(955)를 사용함으로써, 벨트 컨베이어 또는 이동 유닛(915)이 음식(980)을 베이킹 유닛을 관통하여 제1 레이저 빔의 초점으로부터 제2 레이저 빔의 초점을 향해 이동시키는 동안 베이킹 또는 식품 생산 공정에 의해 발생되는 이러한 표면 구조의 차이가 관찰될 수 있다. 이러한 베이킹 또는 음식 생산 공정의 다양한 단계에서의 표면 구조의 차이에 관한 정보는 공정을 자동으로 제어하는데 이용될 수 있고, 그에 따라 베이킹 또는 음식 생산의 자동화를 허용한다.

레이저 빔(956)들은 점형일 수 있고, 부채꼴일 수 있으며, 벨트 컨베이어(915)의 벨트 전체 너비에 이르도록 확장될 수 있다. 부채꼴 레이저 빔(956)들을 사용함으로써, 벨트 컨베이어(915) 상에서 이동하고 있는 음식(980)의 3차원 프로파일이 얻어질 수 있으며, 베이킹이나 식품 생산 공정을 자동으로 제어하는데 더욱 기여할 수 있다. 이때, 열 처리 모니터링 시스템에 용이하게 결합될 수 있도록 광 탐지 유닛(960)들을 소형화하기 위해, 부채꼴의 레이저 빔들이 음식으로부터 반사된 것은 광 탐지 유닛(960)들 상의 렌즈들에 의해 시준(collimated)되거나 집중될 수 있다.

도 10에 도시된 바와 같이, 음식의 다른 토막들을 관찰하는 것에 더해, 한 토막의 음식마다 모니터링 장치(100)의 적어도 두 개의 센서 시스템들이 측정 물체(1080)를 우 상부에 좌 상부에서 관찰하도록 45도 기울어진 각도로 정렬되는 것이 효과적이다. 이는 둥근 물체를 관찰할 때, 레이저 광선 생성기들(1055) 및 그 각각에 대해 정렬된 광선 수신 장치(1060)들이 종래에 이용되어 왔던 하나의 탑 뷰 센서만을 이용할 대에 모호했을 수 있는 영역들 내의 둥근 물체의 표면 구조를 측정할 수 있기 때문에 유리하다. 다른 실시예에 따르면, 레이저 빔들은 음식(1080)을 받치는 컨베이어 벨트 또는 트레이에 대해 45°보다 작게 기울어질 수 있다. 이때, 음식의 받침대 근처의 표면 구조가 더욱 잘 관찰될 수 있다.

부채꼴 형상의 레이저 빔들이 이용될 경우, 부채꼴에 의해 펼쳐진 평면들의 기울기는 음식(1080) 받침대에 대해 45°보다 작아야 한다. 이는 또한 레이저 빔들간의 각도가 90°보다 커야 한다는 것을 의미한다.

비록 도 10에 도시된 것이 레이저 광선 생성기(1055)들이 음식(1080)의 같은 토막에 초점이 맞추고 있으나, 서로 떨어져있는 두 개의 다른 음식(1080) 토막에 초점이 맞출 수도 있다. 예를 들어, 음식 두 토막이 수 미터 떨어져 있거나, 레이저 광선 생성기(1055)들이 벨트 컨베이어가 지나는 베이킹 실의 입구 및 출구에 위치되고, 베이킹 실 내로 들고 나는 동안 음식(1080)의 표면 프로파일을 관찰할 수 있다.

레이저 광선 생성기(1055)들은 벨트 컨베이어 위에 위치할 필요는 없으나, 벨트 컨베이어의 일 측에 위치될 수 있다. 물론 적어도 두 개의 레이저 광선 생성기(1055)들은 또한 벨트 컨베이어의 서로 다른 측에 위치될 수 있다.

나아가 또 다른 실시예에 따르면, 오븐 내의 광 삼각법 디스플레이가 있을 수 있다. 이때, 45도 기울어진 각도(우상 또는 좌상)에서 구워지는 제품들을 바라보는 데, 적어도 두 개의 광 삼각법 센서들 및 두 개의 레이저 선들이 이용될 수 있다. 이는 탑뷰에서 하나의 레이저 선 및 카메라를 이용할 때 하부 절반의 라운딩이 모호하고, 측정에서 고려되지 않을 때, 하나가 하부에서 구워지는 제품들의 라운딩 또한 관찰할 수 있기 때문에 유리한 효과를 준다.

이런 이유로, 이러한 실시예들에 따르면, 자동화 베이킹 또는 자동화 식품 생산이 더욱 효과적이고 신뢰성 있게 수행될 수 있는 근거가 되는 베이킹 또는 식품 생산 공정에 대한 부가적인 정보가 제공될 수 있다.

또 다른 실시예에 따르면 레이저 광선 생성기, 또는 어떠한 다른 광원, 및 카메라 센서, 또는 어떠한 다른 광학 센서는 가공중인 식품에 대한 정보를 파악하는 데 이용될 수 있다. 상기에서 설명된 과정을 이용하여, 역시 광 삼각법으로 알려진, 레이저 광선을 측정 물체 상에 조사할 수 있다. 광학 센서, 센서 열 또는 일반적인 카메라는 이런 측정 물체를 향할 수 있다. 만약 카메라의 관점 또는 조망 지점 및 광원에 의해 형성되는 각 평면 또는 레이저 생성기의 평면 및 조사된 레이저 광선의 끝단들은 평행하지 않거나 비스듬하면, 탐지되는 광학 정보는 3차원 구조 또는 부피를 포함하는 크기 및 형상에 관한 정보를 제공하는 측정을 수행하는데 이용될 수 있다.

상기에서 기술된 실시예에서는 두 개의 레이저 광 생성 유닛들이 레이저 빈들을 생성하고 겨냥하기 위해 이용되어 왔다. 다른 실시예에 따르면, 기본 레이저 광 생성 유닛은 이때 베이킹 유닛 내의 광학 유닛에 의해 분포되는 기본 레이저 빔을 생성하는데 이용될 수 있다. 열 처리 모니터링 시스템에서 이러한 구조를 사용하는 것은 레이저 광 생성 유닛의 숫자를 줄여줌으로써 에너지 비용 및 공간을 아낄 수 있게 해준다.

나아가, 레이저 광 생성 유닛은 베이킹 유닛의 외부에 위치할 수 있으며, 기본 레이저 빔만이 베이킹 유닛 내에서 입력될 수 있다. 이는, 특히 광 탐지 유닛 또한 베이킹 유닛의 외부에 제공된다면, 열 처리 모니터링 시스템의 구조를 더욱 융통성 있게 선택할 수 있게 해준다.

광학 유닛은 단일 기본 레이저 빔을 둘 또는 그 이상의 레이저 빔들로 분할해줄 수 있는 것이라면 어떠한 종류의 광학 시스템이어도 무방하다. 예를 들어, 광학 시스템은 관찰되는 제1 위치를 향해 기본 레이저 빔의 일부를 반사시키고 기본 레이저의 일부는 관심을 두는 제2 위치를 향해 빛을 반사시키는 거울을 향해 전달하는 반투명의 거울을 포함할 수 있다. 기본 레이저 빔은 또한 일부가 관찰 위치를 향해 직접적으로 향하도록 분할될 수 있다. 또 다른 실시예에 따르면, 기본 레이저 빔의 경로 내에 더 많은 거울들 및/또는 렌즈들이 있을 수 있다.

또 다른 실시예에 따르면, 광학 유닛은 레이저 빔들을 엇갈리게 생성할 수 있는 이동가능하고 회전가능한 거울을 포함할 수 있다. 이 때문에, 이동가능하고 회전가능한 거울은 음식 또는 베이킹 상품 위에 제공될 수 있고, 기본 레이저 빔이 다른 식품 토막을 향하도록 또는 다른 시간에 하나의 식품 토막의 다른 위치를 향하도록 이동되거나 회전될 수 있다. 그에 따라, 측정 장치에 의해 수집된 부피 정보는 시간에 따라 베이킹 유닛 내에서 다른 위치에 대해 나타낼 수 있다.

이러한 거울들을 사용하는 것은 베이킹 유닛 내의 요구 공간을 줄일 수 있으며, 열 처리 모니터링 시스템에 융통성 있는 설계를 허용한다. 나아가, 사용자는 식품의 높이 프로파일 및/또는 부피 프로파일의 변화에 대한 정보를 얻기 위해 두 토막의 다른 식품을 관찰하는 모드와, 받침대 근처를 포함하는 식품 토막의 전체적인 3차원 형상 단일의 식품 토막을 다른 방향에서 관찰하는 모드로 작동을 전환할 수 있다. 이동가능하고 회전가능한 거울은 또한 평행하게 놓여 다른 업무를 수행할 수도 있다.

물론 기본적인 레이저 빔과 함께 이용되는 거울들은 김 서림을 방지하기 위해 가열될 수 있다.

다른 실시예에 따르면, 레이저 광 분배 장치, 음식 및 또는 베이킹 상품 및 광 탐지 유닛에 의해 구성되는 광학 시스템은 샤임플러그 법칙(Scheimpflug principle)을 만족할 수 잇다. 이는 레이저 빔에 의해 추출된 베이킹 상품의 영상이 항상 광 탐지 유닛에 초점이 맞고, 따라서 베이킹 상품의 높이 프로파일의 정확한 측정을 허용한다는 것을 보장한다.

다른 실시예에 따르면, 광 삼각법은 질감, 색상 및 다른 광학적 특성과 함께 형상에 대한 동시 정보를 수집하기 위해 무채색 영상 프로세싱과 결합될 수 있다. 이러한 식품의 경우, 산출되는 프로세스 데이터는 측정 물체에 대한 독특한 특성을 생성하기 위해 이용될 수 있다. 이는 잘라질 수 있는 도우나 구워지는 빵과 같은 가공되는 식품의 형상, 크기, 부피, 색상, 갈변, 질감, 기포 크기 및 밀도일 수 있다. 베이킹 또는 식품 가공 자동화를 위해 일부 또는 모든 명목 정보는 센서 데이터를 해석하기 위해 이용될 수 있다.

상기의 실시예에서 데이터 획득은 주로 카메라 또는 포토 다이오드 열과 같은 영상 센서의 의해 수행된다. 하지만, 또 다른 실시예에 따르면 영상 센서에 의해 획득된 데이터는 예들 들어 습도계, 삽입식 온도계, 저울, 타이머와 같은 다양한 다른 센서들에 의해 획득된 데이터에 의해 보충될 수 있다. 또한, 처리실 내부의 가스의 가스 분석기, 전자기장 탐지 수단 또는 광원 또는 음향원에 대응하여 반사되거나 방출되는 빛 또는 소리와 같이 취급되는 음식의 음향의 공정상 배출 탐지 수단, 3D 또는 스테레오 카메라 시스템이나 레이더를 포함하는 가열되는 식품의 3D 측정값으로부터 결과를 판단하는 수단, 처리되는 식품의 종류 또는 구성 또는 패턴 또는 광학적 특성 또는 부피 또는 질량을 판단하는 수단 역시 하기의 센서 유닛(1810)을 위한 센서로 이용될 수 있다. 자동화 식품 가공 또는 베이킹은 이대 모든 센서로부터 얻어진 모든 데이터에 근거해서 제어될 수 있다.

예를 들어, 다시 도 7을 참조하면, 처리실(720)은 적어도 하나의 온도 센서 또는 온도계(762)가 장비될 수 있다. 이는 도 7에만 도시되어 있지만, 기술된 다른 어떠한 실시예 역시 이러한 온도 센서(762)를 포함할 수 있다. 열을 이용해 식품을 처리할 때, 온도 정보는 공정 특성들과 관계가 있다. 온도 정보는 시간의 경과에 따른 발열에 대한 정보 및 처리실 내부의 열분포에 대한 정보를 포함할 수 있다. 온도 정보는 오븐의 상태에 대한 정보, 열 처리 시스템 및 선택적인 예열에 대한 정보 역시 수집할 수 있다.

삽입식 온도계가 통합되는 것이 더욱 효과적이다. 삽입식 온도계는 식품 가공 상태를 결정하는 데 대단히 중요한 식품 내부 온도 정보를 얻을 수 있게 한다. 빵 베이킹에서 내부 및 부스러기 온도와 관계된 정보를 획득하는 것이 유리하다.

또한, 가열되는 식품의 시간에 따른 색상 변화 과정은 오븐실 내의 실제 온도 판단하는 데 이용될 수 있고, 베이킹 공정에서의 각 온도 제어를 위해 이용될 수 있다. 처리실(720) 또는 명세서에 기술된 다른 어떠한 실시예는 습도계와 같이 처리실의 습도와 관계된 적어도 하나의 온도 센서가 장치될 수 있다. 특히, 빵 베이킹을 위해 습도와 관련된 수집된 정보가 이득이 된다. 반죽이 가열될 때, 포함된 물이 증발하여 처리실 내부의 습도에 변화를 가져온다. 예를 들어, 처리실 공기 순환에 의해, 베이킹 과정 동안의 처리실의 습도는 식품 가공 상태를 나타내주며 처음에는 상승하였다가 그 다음 떨어진다.

처리실(720) 또는 여기 기술된 어떠한 다른 실시예도, 적재된 식품 무게 정보 특히 그 분포에 대한 정보를 수집할 수 있는 적어도 하나의 센서가 장비될 수 있다. 이는 열 처리실(720)의 트레이 마운팅 시스템에 통합된 저울(766)에 의해 달성될 수 있다. 트레이 마운팅 또는 하적 마운팅은 오븐의 적재를 용이하게 하는 회전가능한 휠 또는 디스크에 의해 지지될 수 있다. 열 처리 동안의 희망하는 에너지 공급 및 그 방향이 상당히 달라질 수 있기 때문에, 총 음식 무게 및 그의 상대적인 분포와 관련된 정보를 갖기 위해 이용되는 모든 트레이 또는 개별적인 트레이 집합의 무게 정보를 얻는 것이 유리하다. 나아가 가열하는 동안의 시간에 따른 음식의 무게 차이에 대한 정보를 얻는 것이 유리하다. 에를 들어, 빵 베이킹에서, 반죽은 대체적으로 초기 무게의 10% 내외를 잃는다. 또한, 음향 신호의 방출 및 포착에 의해, 예를 들어 라우드 스피커 및 마이크로폰(768)에 의해 반죽 또는 식품의 상태를 평가하는 정보를 얻을 수 있다.

더욱이, 상기의 실시예들에서는 대체 카메라들 또는 영상 센서들 또는 포토 다이오드 열들 또는 특히 대체 조명 설비들이 이용될 수 있다. 어떠한 처리실의 창 뒤에 카메라를 설치하는 대신, 카메라 또는 제2 카메라가 오븐 도어 또는 처리실 개구부에 결합될 수 있다.

조명을 어떠한 처리실 벽에 결합하는 대신, 조명이 오븐 도어나 처리실 개구에 결합될 수 있다. 일반적으로 오븐 도어는 인간 작업자들이 시작적으로 처리되는 음식을 볼 수 있고, 공정을 감독할 수 있게 하는 창을 구비한다. 또 다른 실시예에 따르면, 적어도 하나의 카메라 또는 영상 센서 또는 포토다이오드 열 또는 어떠한 다른 영상 장치가 오븐 도어 또는 처리실의 개구에 결합될 수 있다. 인간 작업자를 위한 창이 없는 오븐 도어는 단열이 향상됨에 따라 에너지 효율이 더욱 향상되도록 설계될 수 있다. 또한, 외부 조명의 차이가 분명한 처리실 조명에만 의존하게 될 처리실 모니터링 카메라 영상들에 영향을 끼치지 않는다. 하지만, 이러한 장치는 기존의 오븐에 나중에 설치되기 쉽지 않을 수 있다는 점에 주목해야 한다.

나아가, 스크린 또는 디지털 시각 디스플레이를 오븐 도어의 외벽 또는 열 처리실 외부의 어떠한 장소에 결합시키는 것이 유리하다. 이러한 스크린은 열 처리실 모니터링 카메라로부터 포착된 영상을 보여줄 수 있다. 비록 발명의 목적이 이러한 것을 불필요하게 하는 것이라 할지라도, 이것은 인간 작업자가 시각적으로 베이킹 공정을 감독할 수 있게 해준다.

또한, 음식 분포를 보여주는 트레이들 또는 트레이들 더미를 이용하는 것이 유리하다. 예를 들어, 빵 베이킹에서, 오븐을 채울 때, 반죽 배치는 매 베이킹 사이클마다 달라질 수 있다. 이러한 차이들은 매칭 및 식별 기술을 이용한 영상 처리에 의해 대처될 수 있다. 도 11에 도시된 바와 같이, 매 생산 싸이클을 위해 비슷한 적재 또는 음식 배치를 가지는 것이 유리하다. 트레이(1100)를 세팅할 때, 자동 배치 시스템이 적용될 수 있다. 수동 배치를 위해 적어도 사용되는 트레이 중 적어도 몇몇은 어디에 반죽을 배치할 지 식별표지(1110)를 가진다. 식별표지로, 돌출부, 오목부(dumps), 냄비, 형틀, 음식 아이콘, 음식 그림 또는 선이 이용될 수 있다.

또한, 카메라 센서를 오븐 환경 또는 식품 생산 시스템에 결합할 때, 냉각 장치들을 결합하는 것이 유리하다. 이들은 적어도 하나의 냉각 플레이트, 적어도 하나의 팬 및/또는 적어도 하나의 수냉 시스템이다.

또한, 셔터가 이용될 수 있으며, 이것은 필요할 때에만 카메라 센서를 노출시킨다. 많은 사진들을 찍을 때는 보통 필요치 않으며, 보통은 매 5초마다 혹은 그 이하로 사진들을 찍을 때에만 경제성이 높다. 만약 셔터가 매 5초마다 개방할 경우, 카메라 칩에 가해지는 열 충격이 상당히 낮아지며, 이는 열 충격으로 인한 오류의 가능성을 줄이고, 따라서 열 처리 모니터링 시스템의 신뢰성을 향상시킨다.

적어도 두 장의 사진 또는 그 이상을 찍거나, 수 회의 비 파괴 판독을 동반하는 한 번의 노출을 하고 픽셀 값들을 결합하는 것이 더욱 유리하다. 결합은 평균값을 얻거나 high dynamic range(HDR) 이미징에 의해 적어도 두 사진으로부터 하나의 사진을 산출하는 것이다. 셔터와 결합하여 또는 독립하여, 적절한 파장만을, 예를 들어 가시 광선 또는 적외선 복사, 통과시키는 파장 필터를 적용 수 있다. 이 역시 카메라 칩에 가해지는 열 충격을 감소시킬 수 있고 그에 따라 열 처리 모니터링 시스템의 신뢰성을 더욱 더 향상시킨다.

또 도 12에 도시된 다른 실시예에서, 일부 오븐 디자인들에서 이용되는 오븐 랙 또는 무빙 카트들을 위해 센서 시스템이 결합되어 이용될 수 있다. 회전 랙 오븐을 위해, 센서 시스템은 1200으로 보여주는 것과 같이 오븐 랙 내에 결합될 수 있다. 센서 시스템은 음식 적재 트레이들 중 적어도 하나의 상부에 결합된다. 카트 내의 센서 시스템은 적어도 다음과 같은 하나의 센서를 가질 수 있다: 습도계, 삽입식 온도 센서, 처리 실 온도 센서, 음향 센서들, 저울들, 타이머, 카메라, 영상 센서, 포토 다이오드 열. 센서 시스템이 결합된 랙의 일부는 또한 본 발명에서 보여주었던 조명 또는 냉각과 같은 장치들을 지지할 수 있다. 나아가 본 발명의 목적은 1210으로 나타낸 것과 같이 랙의 마운팅에 와이어나 전기 플러그와 같은 전기적인 결합을 구비하는 것이다. 1220으로 나타낸 것과 같이 적어도 센서 시스템의 일부를 회선 랙 오븐의 벽에 결합하는 것이 유리하다. 이는 센서 시스템에 대한 열 영향을 줄이는데 유리하다. 랙의 회전 또는 음식의 이동을 보정하기 위해, 카메라, 이미지 센서 또는 포토 다이오드 열을 위한 영상 회전 또는 이동 보정 알고리즘을 적용하는 것이 유리하다. 이러한 알고리즘은 측정되거나 회전 또는 이동 속도를 고려한 오븐 제어 장치로부터 미리 설정된 파라미터에 의해 뒷받침된다.

또 다른 실시예에서는 그래픽 사용자 인터페이스(GUI: graphical user interface)가 오븐 내의 모든 트레이 및 덱의 모습들을 보여줄 수 있다. 컨벡션 오븐에서, 각 트레이를 위한 종료 시간은 별개로 결정된다. 이는 만약 하나의 트레이가 다른 하나보다 일찍 종료한다면, 사용자는 그 트레이를 비우고 다른 것들은 그대로 두라는 신호를 얻을 수 있다는 것을 의미한다. 이는 많은 오븐들이 다른 트레이들에 대해 똑같은 결과를 얻을 수 없기 때문에 유리하다. 더욱이, 만약 상품들이 거의 동일한 베이킹 온도를 가질 경우, 각 트레이에 다른 상품을 구울 수 있다. 이런 까닭에, 하나의 오븐을 좀 더 융통성있고 효율적으로 운영하는 것이 가능하다.

또 다른 실시예에서는, 오븐은 트레이 상의 구운 제품들의 분포 또한 판단한다. 오븐은 또한 분포 상태가 나쁜 트레이들을 거부할 수 있다.

상기에 기술된 하나 또는 여러 개의 센서들을 이용하여, 베이킹 또는 식품 가공 과정에 대한 데이터가 수집될 수 있다. 효율적이 신뢰성 있는 자동 베이킹 도는 식품 가공을 허용하기 위해, 오븐 도는 벨트 컨베이어와 같은 가공 기계들은 모든 데이터로부터 관련 데이터를 어떻게 추출하는 지, 데이터 및 분류에 근거하여 어떻게 자동적으로 가공을 제어하는 지 학습할 필요가 있다. 이것은 기계 학습 기술에 근거하여 베이킹 공정을 제어할 수 있는 열 처리 모니터링 시스템에 의해 달성될 수 있다.

도 13은 상기에 언급된 실시예 중 어느 하나의 데이터가 처리될 수 있는 제어 유닛 및 데이터 처리 다이어그램 나타낸다.

여기서, 제어 유닛 또는 열 처리 모니터링 시스템(1300)은, 열 처리 기계(1310)를 위해, 상기에서 기술된 어떠한 센서 시스템들을 이용하여 가공되는 식품을 식별한다. 가공되는 음식의 식별은 고유 센서 데이터 입력 행렬 D_a를 이용해 달성될 수 있다. 이러한 센서 데이터 입력 행렬 또는 그 기약 표현(reduced representation)이 식품 처리 공정을 그 데이터 특성 또는 데이터 지문을 가지고 확인하는 데 이용될 수 있다

제어 유닛(1300)은 기 저장된 정보로 센서 데이터 입력 행렬을 비교할 수 있는, 1301로 지시된 데이터베이스에 접근권을 가진다. 이것은 제어 유닛(1300)이 제어프로그램 또는 현재 음식 처리를 위한 공정 과정을 선택할 수 있게 한다. 일 실시예에 따르면 이러한 과정의 일부는 센서 데이터 입력 행렬 D_a의 액츄에이터 제어 데이터 행렬 D_b에 대한 매핑 X_c이다,

[수학식 1.0]

액츄에이터 제어 데이터 행렬 D_b를 이용해, 예를 들어 에너지 공급 또는 가공의 시작 및 종류 시간과 같은 오븐 제어 파라미터를 제어함으로써, 열 처리 기계(1310)는 식품 가공을 제어한다. 열 처리 기계는 이때 폐쇄 루프 제어 모드로 작동한다. 일반적으로, 센서 데이터 입력 매트릭스 D_a는 액츄에이터 제어 데이터 매트릭스 D_b에 비해 엄청나게 고차원이다.

일 실시예에 따르면, 기계 학습으로부터 알려진 방법으로 센서 데이터 입력 매트릭스D_a의 기약 표현뿐만 아니라 매핑 X_c를 찾는 것이 유리하다. 이는 가공되는 식품의 종류 및 그에 따른 과정이 일반적으로 개별적으로 다르기 때문이다.

데이터 처리의 관점에서 센서 데이터 입력과 적절한 액츄에이터 출력 사이의 관계들은 매우 비 선형적이고 시간 의존적일 수 있다. 오늘날, 이러한 파라미터들은 일반적으로 열 처리 기계의 시간 소모 환경설정에 중요한 노하우 인간 작업자에 의해 선택된다. 본 발명의 일 실시예에 따르면, 인간 작업자로부터 학습된 초기 데이터 설정을 이용해, 기계 학습 방법은 미래의 시스템 환경설정을 수행할 수 있고, 가공의 질 뿐만 아니라 효율을 향상시키면서 환경설정 시간을 더 신속하게 처리할 수 있다.

적용되는 모든 데이터는 데이터베이스에 저장될 수 있다. 발명에 따르면, 열 처리 기계를 네트워크에 연결하는 것이 효과적이다. 이러한 네트워크 수단을 이용해, 어떠한 데이터베이스의 데이터라도 교환될 수 있다. 이것은 인간 작업자가 로컬에 분포된 여러 개의 열 처리 기계들과 상호작용할 수 있게 한다. 이렇게 하기 위해, 열 처리 기계는 네터워크와 상호작용하고, 특정한 프로토콜, 예를 들어 전송 제어 프로토콜(TCP) 및 인터넷 프로토콜(IP)을 이용하도록 장치되어야 한다. 발명에 따르면 열 처리 기계는 근거리 통신망(LAN), 무선 근거리 통신망(WLAN) 또는 이동 통신에 이용되는 이동 네트워크 접속을 위한 네트워크 장치가 장비되어야 한다.

상기에 기술된 임의의 실시예에서, 베이킹 또는 식품 가공 과정은 학습 단계 및 생산 단계를 포함할 수 있다. 학습 단계에서, 인간 작업자는 음식을 열 처리 기계 내로 투입한다. 이것은 열 처리 기계의 예열과 함께 또는 예열 없이 수행될 수 있다. 가열 공정 후에, 인간 작업자는 음식의 종류와 언제 희망하는 공정 단계에 도달했었는지를 명시할 수 있다. 인간 작업자는 또한 언제 생산물이 설익었는지, 과도하게 구워졌는지, 또 희망하는 가공 상태였는지 정보를 제공할 수 있다.

상기의 기계 학습 방법을 이용하여, 기계는 향후 식품 생산을 위한 공정 파라미터들을 산출할 수 있다. 그리고 열 처리 기계 또는 네트워크에 연결된 열 처리 기계들은 부가적인 학습 단계를 가지거나 자동 생산으로 들어가도록 이용될 수 있다. 자동 생산 단계일 때, 선택적인 예열과 함께 인간 작업자는 열 처리 기계 내로 식품을 투입하기만 하면 된다. 기계는 이때 처리실 내의 음식을 탐지하고, 이미 학습된 열 처리 과정을 수행한다.

희망하는 식품 가공 상태에 도달되었을 때는 간단히, 빵이 다 구워졌을 때, 기계는 열 처리 공정을 종료한다. 도어를 개방하거나, 에너지 공급을 종료하거나, 열 처리실 외부로 열기를 환기시킴으로써 이를 행할 수 있다. 기계는 또한 인간 작업자에게 시작적인 혹은 음향적인 신호를 줄 수 있다. 또한, 열 처리 기게는 인간 작업자로부터의 피드백을 요청할 수도 있다. 설익음, 좋음, 너무익음과 같은 범주를선택하도록 요청할 수 있다. 열 처리실을 적재 및 하적하는 자동화된 적재 시스템은 완전히 과정을 자동화할 수 있다. 이러한 목적으로, 로봇 암 또는 컨베이어 벨트가 이용될 수 있다.

기계 학습 및 식품 가공 제어에서의 최근 기술들은 조정 가능한 모니터링을 창출할 수 있는지 검토되어 왔다. 인공 신경망(ANN: Artificail Neural Networks), 서포트 벡터 머신(SVM: Support Vector Machines) 및 퍼지 K-최근접(KNN: Fuzzy K-Nearest Neighbor) 분류는 식품 가공을 위한 특정한 어플리케이션에 적용되어 연구되어 왔다. 본 발명의 하나의 목적은 기계 학습이 인간 작업자에 의해 정의된 공정 모델 없이 달성할 수 잇는 것이 무엇인지를 평가하는 것이다.

다음에서, 본 발명의 근본적인 이론의 간단한 개관이 주어진다. 이것은 주성분 분석, 선형 판별 분석, Isometric Feature Mapping과 같은, 차원 감소를 이용해 센서 데이터를 줄이는 기술을 포함한다. 이것은 또한 분류의 도입 및 퍼지 K-최근접, 인공 신경망, 서포트 벡터 머신 및 강화 학습과 같은 지도 또는 비지도 학습 방법 포함한다. 숫자 형식을 위해, 천단위 구분자는 ","이고, 소수자리 구분자는 "."이다; 따라서, 일천은 숫자로 1,000.00으로 표현된다.

특성 추출 및 차원 감소

본 발명은 기계에서 인간과 같은 거동을 달성하기를 추구하거나 희망하는 것이 아니다. 하지만, 식품 가공에서 인식 능력과 같은 것 또는 식품 가공 업무를 관리할 수 있는 인공 행위자를 가지는 생산 기계에 대한 연구는 인지적 구조에 대한 가장 철학적인 접근 중 일부를 위한 어플리케이션 시나리오를 제공할 수 있다. 생산 기계에 대한 접근은 인지적 지각-행동 루프 구조 내에서 구조화될 수 있으며, 도 14에 도시된 바와 같이, 이것은 또한 인지적 기술 시스템을 정의한다. 지각, 학습 및 지식 습득과 같은 인지 능력은 기계가 센서와 액츄에이터를 통해 환경과 자율적으로 상호작용할 수 있게 한다. 그러므로, 다음에서, 생산 시스템에서 인지적 지각-행동 루프 작업의 다른 부분에 적합할 것이라고 기계 학습으로부터 알려진 일부 방법들이 논의될 것이다.

만약 간단히 인지 기술 시스템이 그것의 센서 데이터 입력의 특성 표현을 구비한다면, 대량의 데이터를 처리할 수 있다. 나아가, 특성을 추출하는 것은 데이터 집합로부터 더욱 관련있는 정보에 집중함으로써, 신호 대 잡음비를 강조하거나 증가시킨다. 하지만, 데이터 집합로부터 관련있는 특성을 추출하는 많은 방법이 있으며, 이의 이론적인 면들은 다음과 같이 요약된다.

인식적인 방법에서 특성들을 선택하거나 학습하기 위해, 우리는 인간의 지도가 전혀 필요하지 않은 완전하게 자율적으로 적용될 수 있는 방법을 가지기를 원한다. 이를 달성하기 위한 한 방법이 차원 감소(DR: dimensionality reduction)를 이용하는 것이며, 크기가

인 데이터 집합

가 크기가

인 낮은 차원의 데이터 집합

상에 매핑된다. 이런 맥락에서,

은 관찰 공간을,

는 특성 공간을 나타낸다. 발상은 낮은 차원으로 표현을 수여함으로써 특정한 데이터 집합에서 더 고차원 다양체를 확인 또는 학습하는 것이다.

도 15에 도시된 바와 같이, 데이터 집합에서의 특성을 차기 위해 이용되는 방법들은 선형 및 비선형의 두 개의 그룹들로 하위분류될 수 있다. 데이터 집합가 비선형 구조를 가질 때, 선형 차원 감소 기술은 비선형 차원 감소 기술을 능가하는 것처럼 보인다. 이는 비선형 기술은 일반적으로 선형 기술이 하는 것에 비해 더 긴 실행시간을 가지는 데 따른 것이다. 나아가, 비선형 방법과는 대조적으로 선형 기술은 전후 맵핑의 간단한 접근을 허용한다. 문제는 선형 차원 감소 기술이 식품 가공에 충분한가 또는 만약 비선형 기술이 비용보다 더 큰 이득을 불러오는가이다. 다음의 비선형 기술은 인공 데이터 집합에 매우 유리하다: Hessian LLE, Laplcian Eigenmaps, 국부 선형 임베딩(LLE: Locally Linear Embedding), Multilayer Autoencoders (ANN Aut), Kernel PCA, Multidimensional Scaling (MDS), Isometric Feature Mapping (Isomap), 등.

결과적으로, Isomap은 인공 데이터 집합를 위한 알고리즘 중 최고로 평가된 하나로 입증된다. 우리는 Isomap 알고리즘이 식품 가공을 위한 가장 적당한 비선형 차원 감소 기술로 보인다는 것을 알아내었다. 따라서 Isomap 및 두 선형 차원 감소 기술이 아래에 소개된다.

주성분분석(Principal Component Analysis)

주성분분석(PCA)는 분산에 의해 데이터 집합를 분리하는 특성을 찾아낼 수 있게 한다. 그것은 차원은 더 낮지만, 데이터 집합로부터 가능한 큰 분산을 나타내는 표현하는 특성들의 독립 집합를 알아낸다. PCA는 다른 분야에서 Karhunen-Loeve 변환으로 알려져 있으며, 특이값 분해(SVD: Singular Value Decomposition)로 지칭되는 부분 역시 잘 알려진 이름이다. 그것은 종종 통계학적 패턴 또는 얼굴 인식에 이용된다. 간결하게, 데이터 집합의 공분산의 지배적인 고유벡터와 고유값을 산출한다. 우리는 데이터 집합

를 위한 낮은 차원의 데이터 표상

을 산출하기 위해 역상관 열을 이용하며 가능한 큰 분산을 유지하면서, 보정 행렬

를 의미하는 높은 차원의 데이터 집합

의

요소들을 가지는 더 낮은 차원의 표상

를 찾고자 한다. 따라서 PCA는 와, X의 공분산 행렬

를 이용해 항

을 최대화하는

크기의 선형 매핑 M_PCA를 찾는다.

[수학식 2.3]

를 이용해 고유치 문제를 해결함으로써, 우리는

로 주어진대각행렬을 이용해 유효한 최대고유치 p를 얻는다.

[수학식 2.4]

에 의해 주어지는 희망하는 추정치는, 우리에게 선형 기저

에 대한 희망 추정치를 준다. 고유 벡터 또는 고 차원 데이터 표상 내에서 분산을 나타내는 주성분(PCs)이 분산에 의해 분류되는 행렬

의 첫 열 p에 의해 주어진다는 것을 보여준다. p의 값은 차원 감소에 의한 정보의 손실을 나타내는 잔차분산의 분석에 의해 결정된다.

가장 큰 분산을 가지는 변수들의 직교 선형 결합을 찾음으로써, PCA는 데이터의 차원을 감소시킨다. PCA는 데이터 집합를 해석하는데 매우 효과적인 도구이다. 하지만, 그것이 항상 최고의 낮은 차원 표상을 찾는 것은 아니며, 만약 원래 데이터 집합가 비선형 구조를 가질 경우 특히 그렇다.

선형 판별 분석법

PCA의 유용성에도 불구하고, 선형 판별 분석법(LDA)는 감독 차원 감소 기술로 보여진다. 데이터 집합 X를 더 낮은 차원의 행렬 Y로 선형 맵핑, 수식 2.4에서 언급된

를 부여하기 때문에 선형 방법을 이용하는 것으로 범주화될 수 있다. 근적적인 바람이 완전히 자율적인 시스템을 창출하는 것이라면, 지도가 필요한 것은 불이익이다. 하지만, LDA는 희망하는 테스트 데이터 집합를 표현하는 특성을 창출할 수 있으므로, 센서 데이터의 본성에 대한 이해를 돕는다.

LDA의 상세한 내용 및 피셔의 선형 판별식이 알려져 있으므로, 간략하게 단순화된 개요만을 설명한다. 우리가 zero mean 데이터 X를 가지고 있다고 가정하자. 지도 공정은 계층 c를 위해 zero mean 데이터 X_c를 이용해 X를 C 계층으로 나눌 수 있는 계층 정보를 제공한다. 우리는 이를

[수학식 2.5]

계층 c 데이터의 그 자신의 평균에 대한 분산을 위한 척도인 계층 내 산포 S_w를 이용해서 산출할 수 있다. 계층 간 산포 S_b는 다음과 같다.

[수학식 2.6]

계층 간 산포는 다른 계층의 평균값에 대한 상대적인 각 계층의 분산의 척도이다. 우리는 피셔 기준을 이용하여 낮은 차원 표상 계층 간 및 계층 내 분산비를 최적화함으로써 선형 맵핑 M_LDA를 얻는다.

[수학식 2.7]

의 고유치 문제를 해결함으로써 피셔 조건을 최대화하는 것은 0이 아닌 c-1 고유치를 제공한다. 따라서, 이러한 과정은 선형 투사를 가지는 부분공간에서 주어진 계층들을 분리할 수 있는 최적 특성을 찾는다.

LDA는 따라서 계층 내 분산에 대한 계층 간 분산 비의 최고값을 이용해 낮은 차원의 표상을 분리한다.

Isometric Feature Mapping

PCA 및 LDA 방법은 고 차원 데이터 집합로부터 낮은 차원의 표상으로의 선형 맵핑을 만들어낸다. 이것은 관찰 공간에서의 다양체의 학습 및 낮은 차원의 특성 공간에서 이를 위한 표상의 발견으로 표현될 수 있다. 인공적인 스위스 롤 데이터 집합와 같은 비선형 구조를 가지는 데이터 집합를 위해, 선형 투사는 본래 다양체의 비선형 특징을 잃게 된다. 선형 투사는 간결한 방법으로 차원을 감소시킬 수 없다: 특성 공간에서의 데이터 점들은 그들이 관찰 평면에 있지 않음에도 바로 가까이에 나타날 수 있다. 이러한 문제점을 다루기 위해, 비선형 차원 감소 기술이 최근 선형 기술들에 관하여 제안되어 왔다. 하지만, 비선형 기술이 식품 가공 센서 시스템으로부터 획득된 데이터에 대해 실제 확실히 자리를 잡은 PCA 및 LDA와 같은 선형 기술에 비해 더 나은 성능을 나타낼지 선험적으로 불분병하다.

Isometric Feature Mapping 또는 Isomap 알고리즘은 관찰 평면 내의 데이터 점들 사이의 쌍으로 이루어진 지오데식 또는 곡선 거리의 유지를 시도한다. 자 또는 피타고라스 정리에 의해 측정될 수 있는 두 점 상이의 일반적인 혹은 직통 거리인 유클리드 거리와 대조적으로, 지오데식 거리는 관찰 평면의 다양체 상으로 측정되는 두 점 사이의 거리이다. 다시 말해, 우리는 최단 거리를 얻을 수 없으며, 데이터 점들 사이를 뛰어넘기 위해 허브와 같은 근접하는 데이터 점들을 사용해야 한다. 관찰 평면에서 데이터 점들 x_i의 지오데식 거리는 데이터 집합 X내에서 그 K 최근접을 이용해 데이터 점을 연결하는 근접 그래프 N을 그림으로써 추산될 수 있다. 한 쌍의 지오데식 거리 행렬은 Dijksatra의 최단 경로 알고리즘을 이용해 구성될 수 있다. 차원 감소 및 데이터 집합 Y를 얻기 위해, 다차원 척도법(MDS : Multidimensional scaling)이 쌍의 지오데식 거리 행렬에 적용될 수 있다. MDS는 데이터 점간의 쌍의 거리를 가능한한 최대로 유지하고자 한다. 제1 단계는,특성 및 관찰 공간에서의 한쌍의 거리 사이의 특질 또는 오류를 얻기 위해, 다음과 같이 주어지는 로 응력 함수와 같은 응력 함수를 적용하는 것이다.

[수학식 2.8]

여기서,

는 관찰 공간에서의 데이터 점 x_i 와 x_j의 유클리드 거리이고, 특성 공간에 대해 y_i와 y_j가 동일하다. 응력 함수는 쌍의 거리 행렬의 고유치 문제를 품으로써 최소화될 수 있다.

Isomap 알고리즘은 따라서 데이터 점들 사이의 쌍의 지오데식 거리를 가능한 한 최대로 유지함으로써 차원을 감소시킨다.

기계 학습을 위한 분류

기계 학습에서, 과학적으로 큰 관심을 가지는 것은 특성의 추출뿐만이 아니라, 결정 및 상황 판단의 필요이다. 분류 기술은 기계가 식품 가공에서 발견되는 복잡한 상황을 차별화하는 데 도움을 줄 수 있다. 따라서 분류자는 소위 존재하는 데이터를 분할하는 클래스를 이용한다. 이러한 클래스들은 특정한 훈련 데이터 집합로부터 학습될 수 있다. AI 및 인지 기계들에 대해 진행중인 연구에서, 인공 신경망이 공정에서 상대적으로 일찍 개발되었다. 비교하자면, 커넬 기계의 컨셉 및 학습 강화는 단지 최근 등장하였으나, 향상된 인지 능력을 보여준다.

인공 신경망

인공 신경망(ANN)은 수십년동안 확장되어 논의되어왔다. ANN은 인공 지능 역사상 최초의 성공 가운데 하나이다. 자연적인 뇌를 모델로 이용하여, 여러 개의 인공 신경 세포들이 ANN이 패턴 인식과 같이 기능을 간략화하는 것을 배우는 방법으로 네트워크 위상 기하학 내에서 연결된다. 모델은 만약 특정한 한계점에 도달하거나 넘어섰을 때 신경 세포가 그 출력을 활성화하도록 한다. 이것은 한계값 함수를 이용하여 모델링될 수 있다. 자연적인 신경세포는 이진법 한계값을 이용해 불이 붙는 것처럼 보인다. 하지만, 시그모이드 함수를 이용할 수도 있다.

[수학식 2.9]

v는 전이 파라미터이다. 매 입력 연결을 위해, 조절가능한 가중치 인자가 정의되며, 이는 ANN이 소위 학습 패러다임을 실현가능하게 한다. 한계값 함수 o는 가중치 인자 W를 이용하여 표현될 수 있으며, 선행하는 신경세포들 p로부터의 출력은 행력 벡터 표기를 이용하여

로 나타낼 수 있다. 신경 세포들은 다층 인식자(MLP: Multi-Later Perceptron) 또는 예를 들어, 회귀 뉴럴 네트워크라고 불리는 지연 요소를 가지는 피드백 루프를 이용하여 달성될 수 있는 무한 입력 반응을 이용하는, 피드포워드 구조로 층위를 이룰 수 있다. MLP는 층위 구조를 가지는 피드포워드 네트워크이다; 비선형 문제를 해결하기 위해 필요한 경우 다수의 숨겨진 층위들이 부가될 수 있다. MLP는 지도 학습을 위해 하기에 언급될 역전파 알고리즘(backpropagation algorithm)을 뒷받침하기 위해 시그모이드 함수와 같은 연속적인 한계값 함수 이용될 수 있다. 이는 다음의

[수학식 2.10]

특정한 가중치들이 회귀적으로 조절될 때, 지정된 출력

의 현재 출력

로부터 에러 E의 최소화를 시도한다. 하나의 숨겨진 층위를 가지는 MLP를 위해, 만약

가 숨겨진 층위값이고,

가 입력 값이고,

이 학습률이고,

라면, 그때 숨겨진 층위

및 입력 층위

의 가중치들은 다음에 따라 조정된다.

[수학식 2.11]

[수학식 2.12]

층위들은 입력에서 시작해 출력까지 열거된다. 역전파를 위해, 가중치들은 전체적인 에러가 더 이상 감소되지 않을 때까지 상응하는 출력 벡터들에 따라 조정된다. 결국, C 클래스들의 분류를 위해, 출력 층위는 각 클래스의 가능성을 표현하는 C 출력 뉴런들과 각 클래스의 범위를 정의해온 하나의 출력 뉴런 중 어느 하나로 구성될 수 있다.

ANN은 따라서 훈련 데이터 집합로부터 학습하거나 훈련 데이터 집합에 적응할 수 있고 N 입력 뉴런들로부터 C 출력 뉴런들로의 선형 또는 비선형 함수를 찾아낼 수 있다. 이것은 데이터 집합에서 클래스 집합를 구별하는 분류를 위해 이용될 수 있다.

커널 기계들(Kernel machines)

일반적으로, 분류 기술은 측정된 데이터를 바탕으로 존재하는 학습된 클래스들의 가능성을 판단하기 위한 목적으로 이용된다.

이고, 가능성이

일 때, C에서 분류는 클래스 집합

로 수학적으로 공식화될 수 있다.

[수학식 2.13]

파라미터

는 이때 매 분류를 위해 개별적으로 선택될 수 있고, 훈련 데이터 집합로부터 학습될 수도 있다.

학습을 달성하기 위해, 충분한 훈련 알고리즘을 가능하게 하고, 복잡한 비선형 함수들을 나타내는 것이 바람직하다. 커널 기계 또는 서포트 벡터 기계(SVM)은 두 가지 목적 모두에 도움이 된다. SVM, 또는 이런 특별한 맥락에서의 서포트 벡터 분류(SVC)의 간단한 설명은 다음과 같다: 양호와 불량과 같은 두 클래스들 사이의 구별을 위해, 우리는 선을 그리고 어떤 것이 어떤 것인지 지적할 필요가 있다; 하나의 항목이 둘 다일 수 없기 때문에, 2진법적 결정

이 필요하다. 만약 우리가 낮은 차원 공간에서 두 클래스들을 위해 비선형 구별자만을 찾을 수 있다면, 우리는 더 높은 차원 공간, 초평면에서의 그것을 위한 선형 표현을 찾을 수 있다. 다시 말해, 만약 선형 구별자가 실제 공간에서 불가능한 경우, 차원의 증가가 선형 구별을 허락한다. 예를 들어, 도 16에 도시된 바와 같이, 우리는 함수

로 원형 분리자를 가지는 2차원 공간

을 선형 분리자를 이용하는 3차원 공간

로 매핑할 수 있다. SVC는 이러한 경우를 위해 클래스 집합

를 위한 고 차원 공간에서, 최적 선형 분리자, 초평면을 구한다.

[수학식 2.14]

3차원 공간에서, 이러한 것들은 초평면, H로 구별될 수 있으며,

가

의 노멀 벡터이고, 원점까지의 수직 거리

,

가 유클리드 놈

를 가진다. 최적 선형 분리자 역할을 하는 초평면을 찾기 위해, SVC는 초평면과 가장 가까운 데이터 점

사이의 다음과 같이 주어지는 여유를 최대화한다.

[수학식 2.15]

이것은 비

를 최소화하고, 최적 라그랑주 승수 파라미터

로 풀어서 얻어질 수 있다. 이를 행하기 위해, 표현

[수학식 2.16]

은

그리고,

의 제한조건하에서 최대가 되어야 한다. 불편 초명면을 위한 최적 선형 분리자는 이때, 두 클래스의 분류를 허용하며 다음과 같이 주어진다.

[수학식 2.17]

SVM은 두 개의 중요한 속성을 가진다: 계산 런타임에서 효과적이며 식 2. 16 및 2. 17로 보여질 수 있다. 첫째, 분리자에 가장 근접한 접을 제외하고는, 각 데이터 점과 연관된 소위 서포트 벡터 또는 파라미터

의 집합는 0이다. 계산 성능을 향상시키며, 초평면을 정의하는 파라미터들의 유효수는 일반적으로

보다 훨씬 작다. 둘째, 데이터는 점의 쌍의 내적 형태로만 2.16의 식에 입력된다. 이것은 소위 말하는 커널 트릭을 적용할 수 있는 기회를 부여하며,

[수학식 2.18]

이것은 종종 명확한 F를 알 필요가 없이

를 계산할 수 있게 해준다.

커널 함수

는 대응하는 특성 공간에서 직접적으로 입력 데이터 쌍에 대한 내적을 계산할 수 있게 해준다. 하지만, 본 발명을 관통하며 적용되는 커널 함수는 가우시안 레이디얼 기초 함수(Guassian Radial Basis Function)이며, 다음의 특정 조건을 만족하여야 한다.

[수학식 2.19]

는 가변 커널 파라미터이다.

지금까지 두 글래스들 사이의 2진법적 판정에 대해서만 논의해왔기 때문에, 연판정 또는 다중 클래스 판정을 가능하게 할 수 있다는 것도 유의해야 한다. 후자는 잔류하는

클래스들에 대한 각 클래스

를 쌍으로 결합시킴으로써 단계적으로 달성될 수 있다.

SVC는 따라서 복잡한 데이터를 학습하는 데 이용될 수 있다. 그것은 이러한 데이터를 시의적절하게 클래스의 집합로 구조화할 수 있다. 높은 차원 공간으로의 맵핑 및 최적 선형 분리자를 찾는 것은 SVM이 서포트 벡터나 커널 트릭과 같은 효율적인 계산 기술을 이용할 수 있게 한다.

퍼지 K-최근접

앞서 높의된 서포트 벡터 기계와는 달리, 덜 복잡하지만 매유 효율적인 알고리즘인 퍼지 K-최근접(KNN) 분류자 또한 데이터 내의 클래스들을 구별할 수 있다. 알고리즘은 근접한 집합까지의 거리를 계산함으로써 알려지지 않은 데이터를 분류할 수 있다.

알려진 클래스 그룹들 내에 소속된

개의 레이블된 샘플 집합를 가지고 있다고 가정하자. 만약 새로운 샘플

가 도착한다면, 존재하는 클래스들의 소속원까지의 벡터 거리를 이용해 어떤 특정 클래스에 대한 소속 가능성

를 계산할 수 있다. 만약 클래스 B에 대한 소속 가능성이 6%, C에 대해 4%인데 반해 클래스 A에 대한 소속 가능성이 90%라면, 최적의 결과는 명백하게 보인다. 반대로, 만약 클래스 A에 대한 소속 가능성이 45%이고, B에 대해 43%라면, 더 이상 명백하지 않다. 따라서 KNN은 K 최근접에 대한 함수로서 소속 정보 및 그들이 소속 가능한 클래스에 대한 정보를 제공한다. 이것은 다음과 같이 요약될 수 있으며,

[수학식 2.20]

는 레이블 된 샘플 집합 내에서 j번재 벡터의 i번째 클래스로의 소속 가능성이다. 변수 m은 계산된 소속 값에 기여하는 거리 및 그 영향을 위한 가중치다.

적용될 때, 우리는 종종 m=2이고, 최근접수 K=20로 설정한다.

강화 학습

훈련 데이터로부터 함수 또는 가능성 모델을 학습하는 이전의 학습 방법들과는 대조적으로, 강화 학습(RL)은 교사를 필요로하지 않으며, 장기간 에이전트 자체의 행위로부터 환경적인 피드백을 사용하여 학습을 가능하게 한다. 이것은 지도와 비지도 학습 사이의 차이를 수반한다. 만약 장기 목표가 정해지고, 긍정적인 환경 피드백(보상 또는 강화로도 알려져 있는)이 향상을 지원한다. 에이전트는, 기대되는 총 보상을 최적화하는 것이 최고의 정책으로 하여, 보상으로부터 실제 세계와 상호 작용하는 지침 또는 전략을 최적화하는 방법을 배울 수 있다. RL은 환경에서의 완벽한 선행 모델 또는 완전한 보상 함수를 요구하지 않는다. 인공 에이전트는 따라서 인지적 능력을 나타내며, 고통이나 배고픔과 같은 부정적인 결과 및 기쁨과 식품과 같은 긍정적인 보상으로부터 학습할 수 있는 동물과 유사한 방식으로 행동한다. 이러한 경우 우리는 에이전트가 수치 함수적 접근을 이용해야만 하도록 선택할 수 있으며, 이에서 환경적 수익이 최대화되도록 시도한다.

RL에서, 에이전트는 특정 정책

를 학습함으로써 장기 보상

를 최대화하기 위해 현재 상태

에 있는 것으로 인지되는 환경에서 행동

를 취한다. 이 에이전트 행동은 또한 수치 함수 추론으로 불린다. 에이전트는 연속적으로 미분가능한 특정 정책

을 고려하여 상태 값 함수

를 이용해 상태 값을 평가함으로써 행동을 평가할 수 있다.

[수학식 2.21]

이 함수를 이용하면, 에이전트는 주어진 상태에서의 기대 수익 및 다음 정책을 평가할 수 있다. 또한 행동에 대한 기대 수익 및 뒤따르게 될 주어진 상태와 정책을 평가할 수 있다. 따라서, 에이전트는 상태-행동 함수 또는 다음과 같은 Q-함수로부터 주어진 상태를 고려하여 행동을 선택한다

[수학식 2.22]

다음 행동은 따라서 보상 함수

에 의존하며, 에이전트가 현재 보상을 넘어 기대되는 향후 보상을 위해 양해를 구할 수 있도록 하기 위해, 할인계수 (

)가 선택될 수 있다.

RL에서, 방법은 수치 함수에 기반 방법 또는 직접 정책 검색하는 그룹들로 분화될 수 있다. 많은 행동-비평 알고리즘들은 수치 함수 기반 방법들이며, 정책에 따라 기대 수익을 추론하고 최적화한다. 수치 함수 기반 방법을 현실화하기 위해, 인공 에이전트를 위한 행동 및 근본적인 제어 문제는 마르코프 결정 과정(MDP: Markov Decision Process)으로 설명될 수 있다. 시스템은

이고,

가 초기 상태인 연속적인 상태 집합를 통해 환경을 지각한다. 정책 파라미터들

를 이용해

에 의해 정의되는 확률적이고 파라미터화된 정책에 관하여 가능한 행동들의 집합

로부터 선택할 수 있다. 각 행동에 따르는 보상은

의존한다. 만약 가능한 환경 모델이 없는 경우, 언급된 행동-비평 방법은 잠재적으로 정책 탐색 알고리즘으로 발전할 수 있다. 이름은 연기자가 비평가로부터의 피드백에 응답하여 행동을 수정하는 연극으로부터 유래되었다. 이는 특성 또는 소위 기저 함수의 집합의 가중 함수와 같은 주어진 평가 함수 이용함으로써 얻어질 수 있으며, 이는 이때 수치 함수 파리미터 v를 이용해 상태값 함수의 근사치를 다음과 같이 주어진다.

[수학식 2.23]

정책을 향상시키는 것은 정책 경사와 함께 다뤄지는 최적화 이슈이다. 정책 그래디언트 방법의 선택은 집중과 효율에 대단히 중요하다. 둘은 모두 Natural Actor-Critic(NAC) 알고리즘에 의해 충족되는 것처럼 보이며, J.Peters와 S.Schaal에 의해 "Natural Actor-Critic ", 뉴로컴퓨팅, Vol.71, NO 7-9, 페이지 1180-1190, 2008, 행위자가 비평가 정책 도함수 g을 이용하여 개선하는 경우 다음과 같다.

[수학식 2.24]

NAC 알고리즘의 정책 파라미터들의 개선을 위한 단계는 이때, 다음을 이용하여 계산된다.

[수학식 2.25]

α가 학습률일 때,

가 피셔 메트릭을 이용해 계산되거나 NAC 알고리즘 출판물에서 언급된 범위 내에서 보여지는 바와 같은 정책으로부터 유도된 자연 경사이다.LSTD-Q를 이용한 NAC 알고리즘은 J.　Peters and S. Schaal, "Natural actor-critic", Neurocomputing, vol. 71, no. 7-9, pp. 1180-1190, 2008의 1183페이지 상의 테이블 1에 충분히 기록되어 있다. 그것은 유사 코드로 된 다음의 단계를 포함하며, 초기 파리미터들

파라미터화된 정책

으로 적용된다.

1: START: Draw initial state s ₀ ~ p(s _t ) and select parameters

2: For t= 1, 2, 3, ... do

3: Execute: Draw acton

, observe next state

, and reward

.

4: Critic Evaluation(LSTD-(λ)): Update

4.1: basis functions:

,

4.2: statistics:

,

4.3: critic parameters:

,

5: Actor: If gradient estimate is accurate, update policy parameters

5.1:

and forget (reset) statistics. END.

기저 함수

는 이 문서의 다른 곳에서 검토된 바와 같이 센서 데이터 입력을 특성 공간으로 맵핑함으로써 표현될 수 있다. 이 경우, 기저 함수는 특성치와 동등하다. 기저 함수는 또한 달리 선택될 수 있고, 에이전트는 로 센서 데이터를 이용할 수 있다. 기저 함수는 또한 보상 함수 결과를 이용해 최대화할 수 있는 적용가능한 방법들, 그 자신의 학습 단계와 결합할 수 있다.

다른 RL 에이전트 역시 적용가능하다는 점도 중요한 사항이다. 많은 다른 정책 학습 에이전트 개념이 적용될 수 있다. 나아가, 분류 출력 또는 품질 표시기 외에 보상 신호

와 같은 다른 소스들을 이용하는 것도 독창적이다. 예를 들어, 보상 신호원으로 후 처리 고정 또는 전 처리 공정 센서를 적용하는 것도 가능하다. 보상 함수는 후 처리 공정 센서의 측정된 데이터로부터 양호 또는 불량 클래스의 일부가 되는 0과 1 사이 또는 -1과 1사이의 가능값을 가지며, 이는 상기에서 설명된 분류자에 의해 결정된다. 경우에 따라 전처리 센서가 보상

를 부여하기 위해 이용된다. RL 에이전트는 이러한 목적을 달성할 수 있는 파라미터 집합를 구할 수 있다. 따라서 강화 학습은 Natural Actor-Critic과 같은 정책연구 알고리즘을 이용하여 주어진 보상으로부터의 정책 학습을 수반하는 장기 목표를 향한 한 단계일 수 있다.

인지 기술 아키텍쳐

인공 에이전트는 센서들에 의해 환경을 지각하고 액츄에이터를 통해 이러한 결과에 따라 행동하는 무언가이다. 에이전트는 프로그램의 아키텍쳐로 정의된다. 이를 위해 영감을 자극하는 롤 모델은 자연적인 인지이며, 우리는 기술 시스템을 위해 비슷한 행동 인지를 실현하기를 원한다. 따라서, 에이전트는 정보의 요약, 학습 및 제조 단말기를 위한 의사 결정과 같은 인지 능력을 갖추도록 장치된다. 공정의 일부로서, 이러한 섹션은 에이전트를 창출하고, 에이전트가 생산 업무를 담당할 수 있게 하는 아키텍쳐를 도입한다. 이렇게 하기 위해, 센서로부터 데이터를 읽고, 액츄에이터를 위해 행동을 정정의함으로써, 에이전트는 인지적인 지각-행동 루프를 따른다

자연적인 인지 능력은 방대한 데이터 집합으로부터 관련 정보를 추출하고 이러한 정보 내에서 카테고리간을 구별하는 능력이다. 본 발명에 따라 이러한 개념을 자연적인 인지로부터 수학적 데이터 해석의 세계로 전달하기 위해, 비슷한 행동을 보여주는 무언가를 달성하기 위해 데이터 감소 기술과 분류 방법의 결합이 이용된다. 공업적인 생산에서, 많은 제조 공정들이 내부에서 정확히 어떤 일이 일어나느냐보다는 박스의 유입 및 반출에 초점을 맞춘 블랙 박스 모델을 이용하여 수행된다. 생산 시스템에서 이용될 수 있는 블랙 박스와의 연결은 일반적으로 센서와 액츄에이터이다. 카메라들, 마이크들, 촉각 센서들 및 다른 것들이 생산 과정을 모니터한다. 이러한 시스템은 또한, 환경과 상호작용하기 위해 예를 들어 리니어 드라이브 또는 로봇식 위치 잡이와 같은 액츄에이터를 필요로 한다. 매 생산 공정을 위해, 이러한 액츄에이터는 파라미터화되어야 한다. 에이전트가 순응적으로 제어할 수 있는지 배우기 위해, 이러한 생산 시스템, 자가 학습 알고리즘의 수많은 조합, 분류 기술, 지식 저장소들, 특성 추출 방법, 차원 감소 기술, 및 다양체 학습 기술 중의 적어도 하나의 파라미터가 이용될 수 있다. 본 발명은 또한 서로 다른 다중 센서 및 액추에이터를 이용하여 다른 제어 기술, 개방과 폐쇄 루프 둘 다를 제공한다. 수많은 시뮬레이션과 실험 후에, 이러한 기술들이 결합될 수 있다는 것을 입증하는 간단한 아키텍쳐가 적어도 식품 가공에서는 성공적이고 신뢰성 있다는 것이 입증되었다. 하지만, 식품 가공은 블랙 박스로 해석될 수 있고, 따라서 다른 유형의 생산 공정에도 적용가능할 것이다.

도 14은 생산 업무를 위한 모니터링 또는 순응적인 공정 제어를 제공할 수 있는 설계 에이전트에 적합한 인지적 아키텍쳐를 도시한 것이다. 다이어그램은 유닛 통신 및 정보 처리 단계를 보여준다. 자연적 인지는 예를 들어 구조적 신호와 같은 대표적인 상징점을 확인함으로써 최초로 정보를 추출하는 것처럼 보인다. 유사한 과정이 차원 감소(DR)를 사용하여 달성될 수 있으며, 차원 감소에서는 에이전트가 들어오는 센서 데이터의 낮은 차원의 표현을 이용한다. 자연적 인지는 이때 들어오는 감각적인 사건에 대한 지식이 이미 존지하는 지 아닌지에 대해 확인한다. 이런 단계는 "감각" 사건 또는 특성을 범주화하는 분류 기술을 사용함으로써 달성될 수 있다. 자연적인 피험자는 학습할 것인지 또는 새로운 행동을 계획할 것인지 결정할 수 있다. 이를 복제하기 위해, 본 발명의 아키텍쳐는 처리 로직을 만족시키는 자가 학습 기술 제공한다. 복잡한 의사 결정이 필요 없는 빠른 반응의 달성 방법을 찾을 때, 우리는 또한 폐쇄 루프 제어 디자인의 사용에서 직접적으로 액츄에이터를 시작할 수 있는 센서 입력을 "고착화"할 수 있었다. 따라서, 본 발명의 아키텍쳐는 다음과 같이 개별적으로 논의될 네 개의 사용 모드에 따라 설계될 수 있다: 첫번째, 관련 정보의 추출; 두번째, 인간 전문가로부터 공정을 어떻게 모니터하고 제어하는 지에 대한 피드백의 수신, 또는 지도 학습; 세번째, 학습된 지식에 기반한 행동; 및 네번째, 전에 알려지지 않은 상황에서의 자율적인 제어 공정.

다른 인지적 아키텍쳐와 같이, 여기서의 목적은 일종의 인공지능 또는 인관과 관련된 인지 능력을 가지는 에이전트를 창출하는 것이다.

에이전트는 전체적인 식품 가공 품질의 관점에서 구성 에이전트들과 모듈들의 성능을 비교할 수 있도록 다른 차원 감소 및 분류 기술로부터 복수 개의 요소로 구성될 수 있다. 많은 서로 다른 차원 감소 및 분류 기술이 적용될 수 있으며, 이 중 일부는 연구 과제에서 평가되어 왔다. 본 발명의 인지적 아키텍쳐는 에이전트로 구성된 다음과 같은 모듈들을 제공한다: 구성 성분 분석(PCA), 선형 판별 분석법(LDA), Isometric Feature Mapping (Isomap), 서포트 벡터 머신들 (SVM), 퍼지 K-최근접(KNN), 인공 신경망 (ANN), 및 강화 학습 (RL), 기타 다른 방법들. 이러한 아키텍쳐 내의 제어 에이전트의 본 발명의 3가지 실시예는 제어를 위해, Isomap, SBM, ANN 및 PID 에너지 공급 제어를 연결한 에이전트 A , 또는 Isomap, SVM 및 PID 에너지 공급 제어를 연결한 에이전트 B, 또는 ANN 및 퍼지 KNN을 연결한 에이전트 C이다.

관련 정보의 추출

자연적인 인간의 인지에서, 우리는 우리가 듣고, 느끼고 본 모든 것으로부터 정보를 추출하거나 흡수한다. 따라서, 우리는 일반적으로 오로지 가장 관심있는 것만을 기억한다. 이에 착안하여, 기술적인 인지 시스템도 유사하게 생산 공정으로부터 관련 정보를 추출해야 한다. 가공되지 않은 센서 데이터가 아니라 추출된 특성만을 가지고 작업하는 것은 특별한 이점이 있다. 수많은 약한 센서 신호들은 차원에서 더 적지만 나은 신호로 감소될 수 있고, 좀 더 신뢰성 있는 특성을 산출한다. 나아가, 실 시간 공정 제어를 현실화하기 위해, 많은 양의 데이터는 전체 시스템에서 실행 시간을 증가시키는 심각한 영향을 끼칠 수 있기 때문에, 들어오는 신호 데이터의 양을 감소시킬 필요가 있다.

본 발명의 아키텍쳐는 초기 정보의 추출을 위해 테스트 실행을 요구한다. 이러한 에이전트 훈련 시기 동안, 제어되는 액츄에이터의 파라미터 범위 바뀐다. 어떠한 정보가 가장 관련있는 지 판단하기 위해, 에이전트는 그 자체의 행동 반경을 살펴보아야 한다. 이러한 초기 참조 테스트 후에, 시스템은 대표적인 특성을 찾기위해 기록된 센서 데이터를 분석한다. 에이전트는 다른 종류의 센서에 대해 다르게 특성 계산을 풀 수 있지만, 감지 유닛은 이상적으로는 감지된 입력을 학습된 특성 공간으로 맵핑하도록 훈련되어야 한다. 시스템은 특정값에서의 변화만을 인식하거나 반응할 수 있기 때문에, 특성 공간의 유용한 표현을 찾는 것은 매우 중요하다. 본 발명의 인지적 처리의 목적은 차후의 처리 단계를 위해, 가능한 많은 정보를 제공하는 것이다. 하지만, 로 센서 데이터는 무시될 수 있는 반복, 연관성, 및 상호 의존을 포함한다. 따라서, 관련있는 정보를 추출하기 위해, 가장 중요한 특성 또는 많은 정보를 포함하는 것들이 확인되어야 한다. 이를 하기 위해, "인지적으로" 에이전트는 인간 전문가의 필수적인 지도 없이도 이러한 업무를 수행해야 한다. 따라서, 파라미터화를 변경할 필요나 구조변경 없이도 모든 다른 종류의 처리 업무 및 상응하는 센서 데이터에 적용될 수 있는 특성 추출 방법이 선택된다. 다양체 학습 또는 차원 감소 기술은 이러한 요구를 만족한다. 그것들은 관찰 평면에서 n차원의 센서 데이터 집합 X를 특성 공간에서 p차원의 데이터 집합 Y로 감소시킬 수 있다. 종종, 새로운 양p는 n보다 훨씬 작다. 하지만, 많은 선형 또는 비선형 차원 감소 기술은 여러 다른 목적에서 시도되고 테스트되어 왔다. 본 발명은 특성 추출 방법이 투명하게 작동하고, 사용자에게 공정 단계를 내보일 수 있어야 한다는 요구에 부응하는 생산 작업장에 적합한 특성 추출 기술을 제공한다. 특성 추출 방법은 비지도하에 실행될 수 있다. 특성 추출 방법은 설정을 위한 합리적인 기간 내에, 특히 공정 동안, 실행가능하다. 추출된 특성은 여러 식품 적재 내에 신뢰성 있는 분류를 위한 충분한 공정 정보를 포함한다.

간략히, PCA는 더 큰 데이터 집합을 나타내는 직교 선형 결합을 구한다. 이것들은 들어오는 센서 데이터 벡터들을 위해 계산될 수 있다. 이들 고유 벡터들은 한계점 d까지의 분류를 위해 특성의 역할을 할 수 있다. 분류와 결합되는 특성 추출은 선형 판별 분석을 이용하여 달성될 수 있다. LDA를 이용하여 같은 데이터 집합을 해석하는 것과 "양호" "보통" 및 "불량"과 같이 정의된 3개의 학습된 품질 클래스들은 또 다른 특성 집합을 제공한다. 특성 추출은 Isomap 알고리즘을 이용하여 또한 달성될 수 있다. 불행히도, 비선형 특성은 LDA, PCA와 같은 선형 특성 추출과 같은 방법으로 보여질 수 없다. 상기에 명명된 방법으로 추출된 특성은 다음과 같이 비교된다. LDA 특성들은 PCA 특성들 중 그 어느것보다 더욱 상세한 내용을 포함하는 것으로 보인다. 이러한 계산 방법을 이용하면, LDA 특성들은 PCA보다 적은 특성에서 더욱 많은 처리 정보를 포함하는 것으로 보이며, 이는 그것들이 특히 희망하는 클래스들을 분류하기 위해 고안되었기 때문이다. 나아가, PCA와 LDA를 이용하여 계산된 특성을 이러한 두 방법이 Isomap보다 좀 더 투명하게 만드는 방법으로 보여주는 것이 가능하다. 사용자는 만약 공정 비디오 내에서 단지 들여다봄으로써 확인될 수 있는 특성을 인식하는 것이라면 프로세스가 어떻게 보이는지를 알 수 있게 된다. PCA와 Isomap은 LDA에서는 불가능한 비 지도 실행이 가능하다는 이점을 가진다. 그러므로, LDA는 PCA에 비교하는 정도로의 역할은 하지만, 원하는 아키텍쳐를 위한 대안으로는 고려되지 않는다. 또한, LDA 특성은 특정한 공정에 대해 매우 개별화된 것처럼 보인다. Isomap은 해석하는데 막대한 실행 시간이 필요하고, 표본 외 확장성을 가진다. 따라서, 만약 PCA를 이용한 분류가 충분할 결과를 얻는다면, 그때, 조사 하에 시스템에 더욱 적용가능하다. 따라서, 본 발명의 제1 목적에 대해 Isomap이 상당히 우월한 성능을 보여주지 않는다면, 선택의 방법은 PCA가 될 수 있다. 우리는 본 발명의 기초인 가장 중요한 품질 측정은 실험적 결과이기 때문에, 차원 감소 기술의 최종 결정을 미뤄야 한다.

간단히 말하자면, 차원 감소는 훈련 시도 과정에서 에이전트가 다양성과 유사점을 감지하는 관점에서 관련 정보를 추출할 수 있게 한다. 이것은 에이전트가 로 센서 데이터의 막대하게 많은 양에 비교하면 적은 특성 값만을 처리할 수 있게 돕는다. 또한, 차원 감소는 알려지지 않은 상황에서 유사점, 예를 들어 음식의 크기가 형태와 같은 유사한 식품 가공 특성을 인식하는 것을 지원하며, 이러한 것들이 훈련의 일부가 아닌 경우조차도 가능하다. 이것은 알려지지 않았으나 유사한 상황에 대한 에이전트의 순응성을 향상시킬 수 있다.

인간 전문가로부터의 지도 학습

자연적인 인간의 인지에서, 예를 들어 어린 시절에, 우리는 종종 다른 사람들로부터 어떻게 복잡한 업무를 처리하는 지를 배운다. 유사하게, 기계도 초기에 인간 전문가로부터 업무에 대해 학습 가능성을 가진다. 지도 학습은 생산을 위한 인지 에이전트를 설정하는 데 가장 효과적인 방법으로 보인다. 공업적인 생산에서, 생산 시스템이 설치되는 동안 또는 환경 설정되는 동안, 자격을 갖춘 인간 감독관이 일반적으로 존재한다. 우리가 검사하고 있는 아키텍쳐는 전문가로부터 피드백을 받기 위해, 예를 들어 터치 스크린 태블릿 컴퓨터 상의 직관적인 그래픽 사용자 인터페이스와 같은 인간-기계 커뮤니케이션을 이용한다. 상기에서 언급한 바와 같이, 이런 아키텍쳐에서는 초기 학습 단계로서, 액츄에이터마다 적어도 하나의 테스트 행동 도는 테스트 실행이 요구된다. 이러한 테스트 동안에, 에이전트는 행동의 희망 범위 내에서 하나의 액츄에이터를 실행하고, 센서 데이터 입력이 저장된다. 이러한 실행 후에, 전문가는 로봇이 액츄에이터를 바르게 실행하였는지, 또는 만약 행동이 성공적이지 못하거나 바르지 않았는지에 관한 피드백을 제공한다. 피드백은 여러 가지 다른 범주로 입력될 수 있으며, 따라서 다른 종류의 실패 및 출구 전력이 정의될 수 있다. 분류 기술은 이때 특성과 함께 대응하는 지도 피드백을 수집할 수 있다. 순람표와 결합하여, 분류자 모듈은 지식 및 현재 시스템 상태에 대한 분류를 위한 계획 저장소의 역할을 할 수 있다. 에이전트가 그 자신의 행동을 어떻게 수행하는지, 그 자신에게 어떻게 피드백을 주는지는 다음 섹션에서 중요해진다; 이 섹션은 주로 인간 전문가로부터 학습하는 지각 능력 및 모니터링 목적에서의 이러한 지식의 적용을 다룬다.

분류 기술로서 서포트 벡터 머신, 퍼지 K-최근접, 인공 신경망이 논의되어 왔다. 인간 전문가가 기계에게 더 많이 가르칠수록, 시스템이 희망하는 목적을 달성하는 데 더욱 가까워진다. 비용을 줄이기 위해, 가능하다면 필요한 인간 지도 시간은 그저 한 두 번의 참조 테스트 정도로 최소화되어야 한다.

준-지도 학습

이전의 논의는 에이전트가 조시된 인지적 아키텍쳐에서 모니터링의 관점에서 그들의 지식을 보여주는 것뿐만 아니라 그들의 주위를 인식하고, 인간 전문가로부터 학습하는지를 보여준다. 선택된 특성에 기반하여 제공된 모니터링 신호는 훈련된 분류자를 이용해 해석되는 다른 센서들로부터 얻어진다. 이런 모니터링 신호는 품질을 향상시켜 온 것으로 보이며, 공정 파리미터의 제어에 적용가능할 것이다. 에이전트는 이때, 공정을 관찰하는 입장에서, 획득된 지식을 바탕으로 실제 행동하는 것으로 바뀔 것이다. 하지만, 만약 생산 가공에서 에이전트가 공정 제어에도 적용된다면, 완벽에 가까운 성능과 함께 많은 요구조건을 충족해야한다. 다음은 인지적 아키텍쳐의 근본적인 요구 조건의 일부이다: 공정 제어 모듈은 적어도 센서 입력으로부터 액츄에이터 출력 까지의 하나의 제어 사이클을 완수할 수 있어야 한다. 제어된 파라미터들은 변경되었을 때, 즉각적으로 제때에 맞추어 응답하면서 공정 결과에 영향이 있어야 한다. 공정 제어 모듈은 신뢰할만한 안정성 및 필요한 역동성의 균형을 제공한다는 관점에서 최적화되어야 한다.

공업적 생산 가공에 적합한 견고한 공정 제어를 실현하기 위해, 빠르거나 실 시간 폐쇄 루프 제어가 종종 요구된다. 조사된 아키텍쳐의 이점은 로 센서 데이터보다는 특성을 이용하여 정보의 손실을 최소화하면서 제어 루프를 더 빠르게 완료할 수 있다는 것이다. 이런 아키텍쳐에서, 분류 결과에 맞추어 어떠한 종류의 컨트롤러 설계도 시행될 수 있다. 간단한 형태는 3개의 가능한 분류 출력 값을 가지는 것이다: 덜익음, 분류 I; 적합, 분류 II; 너무 구워짐, 분류 III. 이는 다음을 이용하여 표현될 수 있다.

[수학식 3.1]

여기서 p는 분류 확률이고,

는 품질 지표이다.

PID 제어기는 상기에서 논의된 인간 전문가로부터의 감독 학습과 관계된 모니터링 신호에 따라 시스템의 액츄에이터의 파라미터를 조정할 수 있다. PID-제어를 분류 결과와 결합하는 것은 에이전트가 에너지 공급 제어 처리를 수행할 수 있게 한다. 이것은 다음에 보여진 것과 같이 실현될 수 있다.

[수학식 3.2]

여기서, P는 비율, I는 적분, D는 도출된 행위이다. 품질 지표

와 분류 모듈의 출력 사이의 에러

를 최소화하는 것으로, 바람직한 값은 0.0이다. 이러한 맥락에서, 품질 지표와 관련된 확률 클래스의 독립성에서 바람직한 값의 독창적인 이용가능성은 바람직한 공정 결과를 최적화할 수 있는 이러한 값을 다양화할 수 있는 기회를 준다. 하나의 접근은 ANN 및 대응하는 실험을 이용한 PID 제어를 설명한다. 다른 접근은 식품 가공을 제어하는 SVM 분류 모듈의 용법을 살핀다.

비 지도 학습

제안된 바와 같이, 자가 학습 메커니즘은 본 발명의 시스템에 통합된다. 후련된 특성을 근거로 신규성을 체크하는 것은 새로운 또는 이전에 알려지지 않은 상황들을 탐지한다. 이러한 경우에, 시스템은 이전에 훈련된 특성을 이용하여 또 다른 테스트 행동을 수행하고, 새로운 음식을 분류한다. 이때, 인간 전문가를 참고로 할 필요가 없다; 그것은 획득한 지식을 새로운 식품에 자율적으로 맵핑할 수 있고, 공정 제어를 적절하게 조정할 수 있다.

공정 피드백 제어를 달성하기 위해, 모니터링 신호

는 제어 변수로 이용된다.

와 상호 연관성을 가지는 변경 가능한 임의의 공정 파라미터가 될 수 있는 변수를 취함으로써, 에너지 공급은 작은 관성과

와의 강한 상호 연관성에 적합해 보인다. 그 크기는 식 3.2에서 보인 PID 알고리즘에 의해 계산된다. 공정 제어를 달성하기 위해, 식 3.2에서 보여주는 바와 같이, 에이전트는 모니터링 신호를 PID 컨트롤러에 연결함으로써 루프를 폐쇄한다. 피트백 컨드톨러는 단일-입력-단일-출력(SISO) 제어 시스템으로 디자인되며, 이는 극히 낮은 에너지 공급을 위해

, 극히 높은 에너지 공급을 위해

인 모니터링 시그널

을 분류 유닛으로 수신하며, 이것을 제어기 에러를 최소화하기 위한 참조 값으로 이용한다.

상기의 설명은 어떻게 인지적 에이전트가 인간 전문가의 피드백으로부터 학습하는 지를 개요를 서술한 것이다. 인지 시스템이 그 자신의 행동으로부터 학습하거나, 그 자신에게 피드백을 주는 것도 가능하다. 이러한 종류의 인지 능력은 강화 학습(RL)으로 얻어질 수도 있다. 분류자는 RL 에이전트에 피드백을 주거나 그 자신의 행동을 위한 보상을 제공하는 역할을 넘어설 수 있다. 에이전트는 이때 피드백 또는 그 전의 실적에 따른 보상에 근거하여 어떻게 행동할 지 또는 어떻게 구울 지에 대한 지침을 학습한다. 이러한 점을 테스트하기 위해, 학습 업무는 그러므로 더 이상의 인간 전문가의 지도 없이 다른 속도에서 얻어지는 지식에 근거하여 에이전트가 어떻게 식품을 가공할 것인지를 학습하는 것이다.

강화 학습을 이용한 주어진 학습 업무를 달성하기 위해, 신뢰할만한 보상 함수가 필요하다. 시스템이 복수의 센서 데이터 입력을 가질 때, 상품 베이킹 특성을 식별하는 분류자는, 예를 들어 서포트 벡터 기계, 도 23에 도시된 바와 같이 보상 함수

의 역할을 할 수 있다. 이러한 보상은 앞서 기술된 Natural-Actor-Critic 방법에서의 비평의 역할을 수행한다. 따라서, 에이전트가 선택하는 다음 행동은 순 에너지 공급

이다. 선택되는 행동은 학습된 방침에 의존하며, 다음과 같이 나타낸다.

[수학식 4.1]

지침 파라미터

는 식 2.25의 그래디언트

와

에 의존한다. 하지만, 적용된 알고리즘을 완전히 검토하기 위해서, 최소제곱 시간 차 학습 LSTD-Q(λ)과 함께 Natural Actor-Critic 알고리즘을 찾아보는 것이 좋다. 지침은 보상,

로부터 학습함으로써 에이전트가 상태

로부터 행동

로 맵핑할 수 있게 한다. 보상은 자연적으로 지침 파라미터에 영향을 준다. 연구에 따르면 본 발명의 RL 에이전트의 가장 좋은 지침은 시그마 함수로 구한 것이며,

[수학식 4.2]

은 최대 허용 전력이며,

는 -부터 1 사이의 난수의 입력 및 탐사 파라미터

에 의해 결정되는 탐사 소음이다. 본 발명은 센서와 아키텍쳐를 연결하는 인지적 지각-행동 폐쇄 루프 내에서 식품 생산 기계를 위한 인지 아키텍쳐에 적합한 모듈을 연구해왔다. 인지 능력들은: 관련있는 정보를 추출하는 것; 인간 전문가로부터 학습하는 것; 의사 결정을 위해 습득된 지식을 이용하는 것; 에이전트가 이전에 훈련된 바 없는 상황을 어떻게 대처하는 지를 학습하는 것들이다.

이미 언급된 바와 같이, 앞서 논의된 기계 학습 기술들은 열 처리 모니터링 시스템의 어떠한 기술된 실시예에서도 시행될 수 있다.

다음에서, 도 18a 및 18b에 도시된 열 처리 모니터링 시스템(100)의 일 실시예가 설명된다. 열 처리 모니터링 시스템은 도 1a 및 1b와 관련하여 기술된 오븐(100) 및 모니터링 장치(150)을 포함한다. 도 18a와 관하여 설명되는 실시예는, 하지만, 상기에서 설명된 것과 같이 창(130)의 용례에 대해서는 제한되지 않아야 하며, 따라서, 카메라(160)가 가열되는 식품을 관찰을 허용하기 적합하다면 어떠한 종류의 창(1800)이 이용되어도 좋다. 모니터링 장치(150)의 실시예는 도 1a 및 1b의 실시예에 채용된 구조로 제한되지 않아야 하며, 나아가 도 8 내지 10과 관련한 베이킹 또는 예열 라인 또는 식품 가열 라인 내에 상기에서 설명된 다른 어떠한 실시예에 채용될 수도 있다.

모니터링 장치(150)의 일 실시예의 블록 다이어그램을 도 18b에 나타내었다. 모니터링 장치(150) 및 모니터링 시스템(100)은 따라서, 가열중인 식품의 현재 센서 데이터를 결정하는 적어도 하나의 센서(1815)를 구비하는 센서 유닛(1810), 현재 센서 데이터로부터 현재 특성 데이터를 결정하는 처리 유닛(1820), 및 현재 특성 데이터를 참조 가열 공정의 참조 특성 데이터와 비교함으로써 모니터링 되는 식품의 현재 가열 공정에서의 현재 가열 공정 상태를 판단하기 적합한 모니터링 유닛(1830)을 포함한다. 열 처리 모니터링 시스템은 현재 센서 데이터를 현재 특성 데이터로 맵핑을 판단하고, 적어도 하나의 훈련 가열 공정의 특성 데이터를 근거로 참조 가열 공정의 참조 특성 데이터를 판단하기 적합한 학습 유닛(1840)을 더 포함한다. 모니터링 장치(150)는 가열되는 식품의 종류를 분류하고, 판단된 식품 유형에 따른 참조 가열 공정을 선택하기 적합한 분류 유닛(1850)을 더 포함한다. 각각의 유닛(1820, 1830, 1840, 1850)은 별도로 제공되거나, 모니터링 장치(150)의 CPU에 의해 실행되는 소프트웨어로 시행될 수 있다.

센서 유닛(1810)은 적어도 하나의 센서(1812)를 포함하며, 센서(1812)는 상기에서 기술된 임의의 센서이며, 특히, 도 1a 및 1b와 관련해 기술된 카메라(160), 도 7 또는 8과 관련해서 기술된 센서 시스템(850)의 임의의 센서, 또는 도 12와 관련해서 기술된 센서 시스템이다. 특히, 센서 유닛(1810)의 적어도 하나의 센서(1812)는 습도계, 삽입식 온도 센서, 처리실 온도 센서, 음향 센서, 저울, 타이머, 카메라, 영상 센서, 포토 다이오드 열, 처리실 내부의 가스의 가스 분석기, 삽입식 온도 센서의 온도 프로파일을 판단하는 수단, 빛 또는 발음기 또는 발원에 대응하여 반사되거나 방출된 빛 또는 음향과 같은, 처리되는 식품의 전기장 또는 음향 방출을 판단하는 수단, 3D 또는 스테레오 카메라 시스템 또는 레이더를 포함하는 가열되는 식품의 3D 측정 장치로부터의 결과를 판단하는 수단, 또는 처리되는 식품의 종류 또는 구성 또는 패턴 또는 광학 특성 또는 부피 또는 질량을 판단하는 수단 중 적어도 어느 하나를 포함한다. 이런 실시에에 따르면, 입력으로 가능한 많은 센서 데이터를 이용하는 것이 효과적이다. 어느 센서 신호가 가장 좋은 정보를 제공할 것인지 예측하기는 힘들다. 알고리즘이 참조 베이킹의 변수를 탐지하면, 기계 학습에 이용되는 학습 유닛(1840)은 개별적으로 다른 베이킹 상품에 대해서 다른 센서 데이터를 선택할 수 있다. 때때로, 부피 또는 색상 변수가 가장 중요한 데이터가 될 수도 있고, 가끔은 습도, 온도, 중량이 될 수도 있다.

일 실시예에서, 센서 유닛(1810)은 유일한 센서(1812)로 카메라(160)를 포함하며, 이는 어떠한 다른 센서가 모니터링 장치(150)에 통합될 필요가 없다는 이점으로 이어진다ㅏ. 다라서, 모니터링 장치(150)는 오븐(110)의 오븐 도어에 장착되는 단일의 컴팩트한 케이싱으로 형성될 수 있다. 하지만, 모니터링 장치(150)에 센서 데이터 입력 인터페이스(1814) 또한 제공할 수 있으며, 이에 의해 상기에서 언급된 센서들의 현재 센서 데이터가 센서 유닛(1810)의해 읽혀질 수 있고, 처리 유닛(1820)으로 전송될 수 있다. 센서(1812)의 현재 센서 데이터는 로 데이터일 필요는 없으며, 카메라(160)의 HDR 사전 처리 픽셀 데이터 또는 광 삼각법 센서의 사전 처리 데이터와 같이 사전 처리될 수 있으며, 이는 예를 들어 관찰되는 식품 토막의 부피의 계산된 값을 포함할 수 있다.

처리 유닛(1820), 모니터링 유닛(1830), 학습 유닛(1840) 및 분류 유닛(1850)은 상기에서 설명된 바와 같이 기계 학습 기술에 근거하여 사용자에게 최적의 식품 가열 결과를 제공하기 위해 협력한다.

여기서, 처리 유닛(1820) 및 학습 유닛(1840)은 상기의 적어도 하나의 센서(1812)의 현재 센서 데이터의 양을 줄이기 위해 제공된다. 특히, 학습 유닛(1840)은 현재 센서 데이터의 차원을 감소시키기 위해, 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 센서 데이터의 현재 특성 데이터로의 맵핑 판단에 적합화되었다. 학습 유닛(1840)은 모니터링 장치(150)에 통합될 수 있거나 예를 들어 인터넷을 통해(PCA 루프의 용법에 따라 아래에 기술된 바와 같이) 데이터 연결이 제공되는 다른 장소에 위치하는 외부 유닛일 수 있다. 적어도 하나의 훈련 가열 공정은 따라서 로컬 모니터링 장치(150)의 센서 유닛(1810)의 현재 센서 데이터에 근거하며, 하지만 다른 장소의 추가적인 모니터랑 장치의 센서 유닛의 현재 센서 데이터에 근거할 수도 있으며, 제공되는 센서는 종류별로 서로 비교가능하다. 훈련 가열 공정에 의해, 센서 데이터는 차원에서 감소되며, 시간에 따라 가장 변화량이 큰 센서 데이터에 가장 큰 가중치가 부여된다.

학습 유닛(1840)의 의해 실행되는 분산 해석은 주성분 분석(PCA), isometric feature mapping 또는 선형 판별 분석(LDA), 또는 상기에 자세히 기술되었던 차원 감소 기술 중 적어도 하나를 포함한다.

지배적인 특성의 해석 및 선택은 따라서, 일련의 식품 가공 데이터에 PCA 또는 주성분 분석을 적용함으로써 실행된다. 이러한 방법으로 상기에서 기술된 바와 같이 특성들은 분산에 의해 분류될 수 있고, 가장 두드러진 것이 모니터링에 매우 유요할 수 있다. 상기에 기술된 분석을 수행함으로써, 센서 데이터를 차원 감소되고, 실행되는 가열 공정에 특징적이며, 모니터링 장치(150)에 의해 모니터링 되는 특성 데이터로 맵핑하기 위한 맵핑이 유도된다. 외부 서버로부터 수신되거나 모니터링 장치(150)의 메모리에 저장될 수 있는 맵핑 또한 처리 유닛(1820)에 의해 들어오는 현재 센서 데이터를 센서 유닛(1810)으로부터 현재 특성 데이터로 맵핑하도록 적용될 수 있으며, 이는 이때 모니터링 유닛(1830)으로 전송된다. 일부 경우에는, "맵핑"은 어떤 센서 데이터에 대해서는 식별 맵핑일 수 있고, 따라서 센서 데이터의 일부는, 특히 처리실 내부의 확실한 온도, 가열되는 식품의 부피 값, 처리실 내부의 습도의 습도 값과 같은 특징적인 값을 이미 포함하는 기 처리된 센서 데이터에 관해서는 각 특성 데이터와 동등하다. 하지만, 맵핑은 바람직하게는 데이터의 차원이 감소될 수 있는 맵핑이다. 학습 유닛은 나아가 현재 특성 데이터의 차원을 감소시킬 수 있는 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 특성 데이터의 특성 데이터로의 맵핑을 결정하기에 적합화 되었다.

모니터링 유닛(1830)은 이때, 현재 특성 데이터를 참조 가열 공정의 참조 특성 데이터와 비교함으로써 모니터링되는 식품의 현재 가열 공정에서의 현재 가열 공정 상태를 결정하기에 적합화 되었다.

모니터링 동안에, 바라는 관심사 중 하나는 현재 특성 데이터를 해석하고, 규칙 불규칙적인 공정에 대한 결정에 이르는 것이다. 유명한 방법을 이용해 규칙적인 행동의 특성을 수집할 수 있으며, 일단 특성값이 이전의 학습된 규칙적인 행위와 다르다면, 이때 불규칙적인 행위라고 추정할 수 있다. 이것은 상기에서 기술된 서포트 벡터 기계 또는 K-최근접법과 같은 분류자를 포함함으로써 뒷받침될 수 잇다. 모니터링 유닛(1830)은 판단된 현재 특성 데이터 또는 현재 가열 공정 상태에 기반한 적어도 하나의 액츄에이터의 적어도 하나의 행동을 결정하는 데 적합화될 수 있으며, 상기에서 기술된 제어 유닛(1300)은 모니터링 장치(1830)에서 실행될 수 있다. 따라서, 모니터링 장치(1830)는 상기에서 기술된 모든 기계 학습 기술을 실행하는 데 적합화될 수 있다.

일 실시예에 따르면, 참조 가열 공정의 참조 특성 데이터는 현재 가열 공정 상태를 판단하기 위해 현재 특성 데이터와 비교된다. 참조 특성 데이터는 외부 서버로부터 수신하거나 모니터링 장치(140)의 메모리에 저장된 기 설정된 데이터일 수 있다. 다른 실시예에서는, 학습 유닛(1840)(모니터링 장치(150)의 외부 또는 내부의)은 가열 프로그램의 기 설정된 특성 데이터를, 사용자에 의해 트레이닝 집합의 일부로 분류되는 적어도 하나의 훈련 공정의 특성 데이터의 훈련 집합과 결합함으로써, 참조 가열 공정의 참조 특성 데이터를 판단하는 데 적합화될 수 있다. 가열 프로그램은 가공되는 식품의 특정 종류 또는 유형에 특징적인 특성 데이터의 시간 의존형 시퀀스로 이해될 수 있다.

예를 들면, 참조 가열 공정 또는 기설정된 가열 프로그램은 크로와상과 같이 가열되는 식품의 시간으로 표현되는 특성 데이터의 시퀀스이며, 이는 최적화된 가열 또는 베이킹 결과를 도출한다. 다시 말해, 만약 현재 특성 데이터가 정확히 선택된 관련 특성들의 숫차의 차원을 가지는 참조 공간에서 참조 특성 데이터 점의 시간 의존형 경로를 따른다면, 식품은 기 설정된 최적화된 시간을 따라, 최적의 방법으로 가열될 것이며, 예를 들어 크로와상은 완벽하게 구워질 것이다. 최적화된 시간은 가열 또는 베이킹실 내의 온도에 의존적일 수 있다.

가열 프로그램의 기 설정된 특성 데이터를 사용자에 의해 훈련 집합의 일부로 분류되는 적어도 하나의 훈련 가열 공정의 특성 데이터의 훈련 집합과 결합하는 것은 훈련 집합의 특성 공간에서의 특성 데이터의 점 데이터군(예를 들어 적어도 하나의 훈련 가공 공정이 사용자에 의해 "양호"로 여겨지는)이 매 시점(점 데이터군의 중심점은 특성 공간 내에서 결정된다)의 평균이 되고, 이때, 기 설정된 가열 프로그램을 적합화하는 데 이용된다. 이것은 가열 프래그램의 특성들과 훈련 집합의 특성들은 동등하게 또는 가중치를 주는 방법으로 매 시점마다 평균을 냄으로써 행해질 수 있다. 예를 들어, 트레이닝 집합의 가중은 25%가 될 수 있고, 기 설정된 프로그램의 가중은 75%일 수 있다.

따라서, 적어도 하나의 참조 베이킹(훈련 가열 공정)은 차후의 베이킹을 최적화하기 위해 행해질 수 있다. 나아가 차후의 베이킹으로부터의 피드백은 따라서 개별적인 베이킹 프로그램을 최적화할 수 있다. 따라서, 만약 현재 베이킹이 현재 센서 데이터와 현재의 베이킹과 소위 "실측 정보"와의 차이로부터 계산된 변경에 의해 적합화된다면, 좀 더 일관적인 베이킹 품질을 달성할 수 있으며, 이는 이후의 피드백(훈련 집합)으로부터 베이킹 프로그램 및 그에 따르는 센서 데이터까지의 특성 데이터뿐만 아니라 적어도 하나의 참조 베이킹(훈련 집합)의 특성 데이터와 결합된 베이킹 프로그램(기 설정된 가열 프로그램)이다.

따라서, 베이킹 프로그램의 경과 시간과 결합된 참조 베이킹의 센서 데이터로부터 대응하는 특성 값으로 중요 특성들을 계산하는 것이 가능하다. 여기서, 많은 다른 특성 산출 차이를 이용하고, 분산에 의해 그들을 분류하는 것이 가능하다. 분산에 의해 분류하는 가능한 메커니즘은 상기에서 기술된 주성분 분석(PCA)이다. 시간의 경과에 따라 PCA를 이용해 특성들과 특성값들의 이들 집합들을 분류할 수 있는 참조 베이킹으로부터 시간 경과에 따른 여러 특성들과 특성 값들을 계산할 수 있다.

적어도 하나의 가장 중요한 특성들 및 특성 값 데이터 집합을 취함으로써 반복 베이킹을 위한 제어 알고리즘을 자동적으로 디자인할 수 있으며, 바람직하게는 가장 큰 분산을 가지는 것이다. 만약 여러 참조 베이킹이 존재하면, 가장 큰 분산 및 가장 큰 특성 값 반복을 가지는 것을 취하는 것이 바람직하다.

예를 들어 참조 가열 공정같은 "실측 정보"를 형성하기 위해 기 설정된 가열 프로그램을 적합화할 수 있는 상기의 가능성을 실행하기 위해, 현재 가열 공정의 현재 특성 데이터를 기록하는 기록 장치(1822)를 모니터링 장치(150)는 더 포함할 수 있으며, 학습 유닛(1840)은 훈련 가열 가공의 특성 데이터로 이용될 수 있는 기록 장치(1822)로부터 기록된 특성 데이터를 수신하는데 적합화된다.

분류 유닛(1850)은 가열되는 식품의 종류를 분류하도록 제공될 수 있다. 이것은 예를 들어 안면 인식 기술과 같은, 가열되는 식품의 픽셀 영상의 영상 처리에 의해 수행될 수 있다. 가열되는 식품의 종류(브래드 롤, 머핀, 크로와상, 또는 빵) 를 판단한 다음, 분류는 각각의 기 설정된 가열 프로그램 또는 가열되는 각 식품에 대응하는 저장된 참조 가열 공정 선택하는 데 이용될 수 있다. 또한, 예를 들어, 작은 크로와상, 중간 크기의 크로와상 또는 큰 사이즈의 크로와상과 같은 세부 범주가 제공될 수 있다. 다른 참조 가열 공정들은 비 식품 종류 범주에 따라 저장될 수 있다. 예를 들어, 다른 시간 의존적 환경 또는 오븐 파라미터에 대응하는 참조 가열 프로그램이 있을 수 있다.

예를 들어, 날씨 데이터가 본 발명의 베이킹 과정에 보충될 수 있다. 알려진 베이킹 오븐의 기하학적 위치의 지질학적 고도에 의해, 끓는 점이 결정되고, 따라서 베이킹 프로그램의 변경으로 이어질 수 있다. 또한, 오븐 환경의 지역적인 기압, 온도 및 습도 데이터는 베이킹 프로그램의 변경에 이용될 수 있다. 따라서, 이러한 데이터는 기록될 수 있고, 특정 참조 가열 프로그램을 위한 색인 데이터로 이용될 수 있고, 이는 따라서 메모리에서 찾아볼 수 있다.

나아가, 적재, 유닛 및 수정의 통계 또한 창의적인 자가 학습 베이킹 과정을 위한 데이터로 이용될 수 있다. 따라서, 베이킹 데이터 히스토리는 본 발명의 베이킹 과정의 개선을 도울 수 있다. 역할 정의에 의해 설명될 수 있는 분포된 피드백에 의해, 본 발명의 베이킹 공정이 개선될 수 있다. 나아가 사용되고 있는 열 처리 모니터링 시스템은 확대할 수 있는 월드 맵 상에 디스플레이될 수 있다.

또한, 베이킹 데이터 히스토리는 시간에 따라 생산되는 베이킹 제품의 양을 고려할 수 있다. 열 처리 모니터링 시스템은 주기적으로 발상해는 최저 및 최대 생산량에 대한 베이킹 데이터 히스토리를 찾을 수 있고, 다음 최저 또는 최대의 발생을 추산할 수 있다. 열 처리 모니터링 시스템은 이때 시스템 사용자에게 예상되는 최소 혹은 최대의 주기에 너무 많거나 너무 적은 식품이 생산될 지를 알려줄 수 있다.

현재 가열 공정 상태는 현재 특성 데이터를 참조 특성 데이터와 비교함으로써 판단될 수 있다. 비교는 참조 가열 프로그램의 각 시기에 대한 현재 특성 데이터와 참조 특성 데이터 사이의 거리의 판단일 수 있다. 따라서, 판단된 거리의 최근접 거리를 판단함으로써, 최근접 시기는 참조 가열 프로그램에서 찾아볼 수 있고, 따라서, 에를 들어 잔여 베이킹 시간이 결정될 수 있다.

상기와 같이, 센서 유닛(1810)은 가열되는 식품의 픽셀 이미지를 기록하는 카메라(160)와 같은 카메라를 포함할 수 있고, 카메라의 현재 센서 데이터는 현재 픽셀 이미지의 현재 픽셀 데이터에 대응한다.

이미지 처리를 위한 특성 탐지는 다음과 같은 단계를 포함할 수 있다: 에지, 코너, 방울들, 관심 영역들, 관심점의 탐지, 색상 또는 계조 영상, 형태, 융선(ridge), 방울 또는 관심 영역 또는 관심점의 처. 센서 데이터로부터의 특성은 또한 표적 진폭 선택 또는 주파수 기판 특성 선택을 포함할 수 있다.

여기서, 에지들은 두 영상 영역 사이의 경계( 또는 에지)가 있는 점들이다. 일반적으로, 에지는 가장 임의적이니 형태로 이루어지며, 교차점을 포함할 수 있다. 실제로, 에지들은 일반적으로 강한 그래디언트 크기를 가지는 이미지에서 점들의 집합으로 정의된다. 또한, 어떤 일반적인 알고리즘은 이때, 높인 그래디언트 점들을 서로 이어, 에지의 더욱 완전한 묘사를 형성한다. 이러한 알고리즘들은 일반적으로 예를 들어 모양, 평활도, 및 그래디언트 값과 같은 특성에 어떤 제약을 에지의 특성에 부여한다. 국지적으로, 에지는 일차원 구조를 가진다.

코너 및 관심점이라는 용어는 다소 교환가능하게 이용되며, 이미지에서 점 같은 형상들을 지시하며, 국지적 2차원 구조이다. 일찌기 알고리즘이 처음 에지 탐지를 실행하고, 이때, 방향에서의 빠른 변화를 찾기 위해 에지들을 분석하였을 때부터, "코너"라는 명칭이 사용되었다. 이러한 알고리즘들은 이때 발전되어, 예를 들어 영상 그래디언트에서 고 레벨의 곡률을 찾음으로써, 구체적인 에지 탐지는 더 이상 요구되지 않는다. 이대, 소위 코너들은 또한 전통적인 의미에서는 코너가 아닌 영상의 일부에서 탐지된다는 것(예를 들어 어두운 배경에서 작은 밝은 점이 탐지될 수 있다)을 명심하여야 한다. 이러한 점들은 종종 관심점으로 알려져 있으며, "코너"라는 용어는 전통에 의해 사용된다.

방울은 훨씬 더 점 같은 코너와는 반대로, 지역적 관점에서 영상 구조의 보충 설명을 제공한다. 그럼에도 불구하고, 방울 기술어는 종종 방울 검출기가 또한 관심점 운전원으로 여겨질 수 있다는 것을 의미하는 선호 점(운전원 반응의 극대값 또는 무게중심)을 포함한다. 방울 검출기는 너무 잔잔해서 코너 검출기에 의해서는 검출될 수 없는 영상 내에서 영역을 검출할 수 있다. 영상을 수축시킨 다음 코너 검출을 수행한다고 가정하자. 검출기는 수축 영상에서 날카로운 점들에 응답할 것이나, 원본 영상에서는 매끈할 것이다. 이 점에서, 코너 검출기와 방울 검출기 사이의 차이점이 다소 모호해진다. 큰 규모에서, 이러한 차별은 적절한 척도의 개념을 포함함으로써 처리될 수 있다. 그럼에도 불구하고, 다른 척도에서 다른 영상 구조의 다른 유형에 대한 그들의 응답 특성 때문에, LoG 및 DoH 방울 검출기 또한 코너 검출기에 대한 문헌에서 언급된다.

길쭉한 대상에서, 융선에 대한 개념은 자연적인 도구이다. 계조 영상으로부터 계산된 융선 디스크립터는 중심축의 일반화로 보여진다. 실질적인 관점에서, 융선은 1차원 곡선으로 생각될 수 있고, 나아가 각 융선 점(ridge point)와 연관되는 국부 융선 너비의 속성을 가진다. 하지만, 불행히도, 알고리즘적으로 계조 영상의 일반적인 클래스들로부터는 융선 특성들을 추출하기가 에자, 코너 또는 방울 특성들에 비해 어렵다. 그럼에도 불구하고, 융선 디스크립터는 항공 영상으로부터 도로를 추출하거나, 의학 영상으로부터 혈관을 추출하는 데 빈번히 이용된다.

현재 픽셀 데이터는 제1 색상에 대응하는 제1 픽셀 데이터, 제2 색상에 대응하는 제2 픽셀 데이터, 제3 색상에 대응하는 제3 픽셀 데이터를 포함할 수 있으며, 제1, 제2, 제3 색상은 각각 R,G,B에 대응한다. 여기서, 백상광으로 식품을 비추는 조명원이 유리하다. 하지만, 각 파장에서 계조 영상을 관찰하기 위해 광학 영역에서 특정 파장 영역으로, 예를 들어 600nm에서 단색 조명원 역시 제공될 수 있다.

R,G,B 픽셀 값의 개별 분석의 제공에 의해, 빵 색상을 학습할 수 있는 알고리즘을 실행할 수 있다. 여기서, 오븐 픽셀로부터 빵 픽셀을 구분하는 것이 필수적이며, 이것은 색상에 의해 행해진다. 최적의 분할부분을 가지는 좀 더 많은 선명한 정보를 가지는 고 동적 범위(HDR) 사전 처리 화상을 이용하는 것이 유용하다. 따라서, 카메라는 바람직하게는 현재 픽셀 데이터로 HDR 처리된 픽셀 영상을 생성하도록 조정된다. 여기서, 또한 로그 스케일링이 실행될 수 있으며, 카메라는 선형 로그 또는 선형과 로크가 결합된 픽셀 영상을 기록하도록 조정된다. 빵 픽셀을 학습하기 위해, 역전파 또는 상기에서 기술된 SVM 분류와 함께 인공 신경망이 이용될 수 있으며, 이는 오븐을 수동으로 마스크한 화상을 가지고 훈련된다.

예로서, 롤을 굽기 위해, 베이킹 동안의 가장 중대한 변동은 색깔에서의 차이(픽셀의 밝기 변화)와 부피에서의 차이(특정 밝기의 픽셀 수의 차이)이다. 이것은 참조 베이킹 또는 참조 열 처리 동안의 두 가지 가장 중요한 특성이고, 대응하는 특성값들은 시간에 따라 변한다. 이것은 베이킹 공정의 특징을 만든다. 예를 들어, 부피 변화를 표현하는 특성 값은 20분의 베이킹 시간에서 10분의 경과 후에 최대값을 가지고, 시간 변화는 20분의 베이킹 시간에서 15분이다. 반복 베이킹에서 앞서 언급한 서포트 벡터 머신과 같은 분류자에 의해 반복 베이킹에서 들어오는 센서 데이터에서 가장 가능성이 높은 짝을 참조 베이킹 또는 참조 가열 프로그램에서 탐지할 수 있다. 예를 들어, 반복되는 베이킹에서 색 변화가 부피 변화의 5분 후에 최대값을 가질 수 있다. 반복 베이킹과 참조 베이킹 사이의 시간 차는 따라서 50%가 된다. 이것은 잔여 베이킹 시간을 50%까지 줄이는 조정을 야기한다. 여기서, 15분의 대신 5분이 경과 시간이 된다.

또한, 반복 베이킹 프로그램에 대한 제어 알고리즘의 인용에 영향을 줄 수 있는 인용 계수를 도입할 수 있다. 이것은 참조 베이크 수가 신뢰 계수에 영향을 주는 것과 같이 자동적으로도 또는 특정 계수로 수동적으로도 설정될 수도 있다. 이것은 또한 이전에 기술된 정보 기술을 사용하는 원격 시스템에 의해 최적화될 수 있다.

또한, 색상 변화를 표현하는 특성의 변화에 의해 이런 시스템 내에서 온도를 변화시키는 것이 특히 가능하다. 기술된 바와 같이, 색상 변화(픽셀의 밝기의 변화)를 표현하는 특성을 산출하는 것이 가능하다. 픽셀 밝기를 정규화할 수 있다. 정규화 후에, 색상의 변화에 따라 온도를 조러할 수 있다. 만약 예를 들어, 잔여 시간의 75% 이후에, 색상에서 기대되는 변화가 일어나지 않은 경우, 온도를 높일 수 있고, 또는 만약 참조 베이킹으로부터 기대되는 색상 변화보다 더 많은 색상 변화가 있는 경우, 온도가 낮춰질 수 있다.

모니터링 장치(150)는 모니터링 유닛에 의해 판별된 현재 가열 공정 상태와 기 설정된 가열 공정 상태의 비교에 근거하여 쿠킹 공정으로부터 베이킹 공정으로 가열 공정을 변경하도록 조정된 제어 유닛(1860)을 더 포함할 수 있다. 현재 가열 공정 상태는 앞서와 같이 "최근접"의 시점을 판별함으로써 계산된다. 기 설정된 공정 상태의 시점과 계산된 시점을 비교함으로써, 만약 계산된 시점이 이때 기설정된 시점보다 이후라면, 가열 공정이 변경된다. 예를 들어, 암묵적으로, 발효는 가열되는 식품의 100%의 부피 변화 후에 종료되어야 하며, 따라서 만약 브레드 롤 또는크루아상이 2배의 부피를 가지게 되면, 발효는 종료되어 베이킹 과정이 시작되야 한다. 빵 또는 구워지는 식품의 부피 변화는 카메라 픽셀 특성에 의해 매우 효율적인 방법으로 탐지될 수 있다. 제어되는 가열 처리 기계는 발효/베이킹 기계와 통합될 수 있고, 하지만, 또한 발효 도는 베이킹을 위한 다른 기계들 또한 제어될 수 있다.

계산을 단순화하고, 반복적인 결과를 담보하기 위해, 현재 가열 공정에서 가열 온도가 일정하게 유지되는 것이 바람직하다.

제어 유닛(1860)은 모니터링 유닛에 의해 판별되는 현재 가열 공정 상태와 가열의 종료점에 대응하는 기 설정된 가열 공정 상태의 비교에 근거해서 가열 공정을 중지시키도록 또한 조정된다. 제어 유닛(1860)은 또한 가열 공정이 종료되어야 할 때 사용자에게 경고를 발하도록 조정된다. 그러므로, 모니터링 장치는 경고 유닛(1870) 및 디스플레이 유닛(1880)을 포함할 수 있다. 디스플레이 유닛(188)은, 예를 들어 잔여 가열 또는 베이킹 시간과 같은 현재 가열 공정 상태를 나타내도록 제공된다. 디스플레이 유닛(188)은 사용자에 의한 가열되는 식품의 시각적 모니터링을 위해 열 처리실 내부의 현재 픽셀 영상을 보여줄 수도 있다. 제어 유닛(1860)은 모니터링 유닛에 의해 판별된 현재 공정 상태와 가열의 종료점에 대응하는 기 설정된 가열 공정의 비교에 근거하여 잔여 시간을 보여주도록 그리고/ 또는 열 처리실 내의 영상을 보여주도록 조정되는 디스플레이 유닛(1880)을 제어하도록 조정될 수 있다.

제어 유닛(1860)은 상기에서 기술된 액츄에이터를 제어하기 위해, 또는 다음과 같은 액츄에이터, 열 처리실의 온도 제어장치, 수분을 가함으로써 열 처리실의 습도를 조정하는 수단, 또는 환기 메커니즘(환기 셔터) 제어 장치를 제어하기 위해 출력 인터페이스(1890)에 연결될 수 있다. 액츄에이터는 팬 속도를 조정하는 수단, 열 처리실과 각 환경 사이의 차압을 조정하는 수단, 열 처리실 내의 시간에 따른 온도 곡선을 설정하는 수단, 발효 또는 베이킹과 같은 다른 열 처리 과정을 수행하고 조정하는 수단, 열 처리실 내의 내부 가스 흐름 프로파일을 조정하는 수단, 가열되는 식품의 특성을 조사 또는 관찰하기 위한 각 전자기 혹은 음향 발생기의 전자기 또는 음향 방출 강도를 조정하는 수단들을 더 포함할 수 있다.

특히, 제어 유닛(1860)은 열 처리실의 온도 제어장치, 수분 또는 증기를 가함으로써 열 처리실의 습도를 조정하는 수단, 또는 환기 메커니즘 제어장치, 팬 속도를 조정하는 수단, 열 처리실과 각 환경 사이의 차압을 조정하는 수단, 열 처리실 내의 시간에 따른 온도 곡선을 설정하는 수단, 발효 또는 베이킹과 같은 다른 열 처리 과정을 수행하고 조정하는 수단, 열 처리실 내의 내부 가스 흐름 프로파일을 조정하는 수단, 가열되는 식품의 특성을 조사 또는 관찰하기 위한 각 전자기 혹은 음향 발생기의 전자기 또는 음향 방출 강도를 조정하는 수단들을 제어하도록 조정된다.

본 발명에 따른 열 처리 모니터링 방법은 가열되는 식품의 현재 센서 데이터의 판별; 현재 센서 데이터로부터 현재 특성 데이터의 판별; 및 참조 가열 공정의 참조 특성 데이터와 현재 특성 데이터를 비교함으로써 모니터링 되는 식품의 현개 가열 공저에서의 현재 가열 공정 상태를 판별하는 것을 포함한다. 방법은 바람직하게는 현재 센서 데이터의 현재 특성 데이터로의 맵핑 및/또는 적어도 하나의 훈련 가열 공정의 특성 데이터에 근거해서 참조 가열 공정의 참조 특성 데이터의 판별하는 것을 더 포함한다. 또한 방법은, 현재 센서 데이터의 차원 감소를 위해 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 센서 데이터의 현재 특성 데이터로의 맵핑을 포함한다. 분산 해석은 바람직하게는 주 성분 분석(PCA), isometric feature mapping(ISOMAP) 또는 선형 판별 분석(LDA) 중 적어도 어느 하나 또는 차원 감소 기술을 포함한다. 방법은 바람직하게는 가열 프로그램의 기 설정된 특성 데이터와 사용자에 의해 훈련 집합의 일부로 분류된 적어도 하나의 훈련 가열 공정의 특성 데이터의 훈련 집합과의 결합에 의해 참조 가열 공정의 참조 데이터의 판별을 더 포함한다. 또한, 본 발명의 방법에 의해, 현재 가열 공정의 현재 특성 데이터가 기록될 수 있고, 기록된 특성 데이터는 훈련 가열 공정의 특성 데이터로서 이용될 수 있다. 또한, 방법은 가열되는 식품의 유형을 분류하는 것과 판별된 식품의 유형에 대응하는 참조 가열 공정을 선택하는 것을 포함할 수 있다. 바람직하게는, 현재 가열 공정 상태와 기 설정된 공정 상태의 비교에 근거하여 가열 공정은 발효 공정으로부터 베이킹 공정으로 변경된다. 현재 가열 공정에서 가열 온도는 바람직하게는 일정하게 유지된다. 바람직하게는, 가열 공정은 가열의 종료점에 대응하는 기 설정된 가열 공정 상태와 모니터링 장치에 의해 판별되는 현재 가열 공정 상태의 비교에 근거하여 중지된다. 유용한 실시예에서, 가열 공정이 종료되어야 하는 때 사용자는 경고를 받을 수 있다.

모니터링 장치(150)의 또다른 실시예에 따르면, 기계 학습은 다중 입력 및 다중 출력(MIMO) 시스템을 위해 이용된다. 특히, 수분 부가, 잔여 시간 및/또는 온도를 위한 조정 시스템음 기계 학습 기술을 이용한 열 처리 모니털이 시스템에 의해 실행될 수 있다.

시스템은 참조 베이킹 동안 모든 센서 데이터를 수집한다. 습도의 경우, 적어도 하나의 습도계가 참조 베이킹 동안의 베이킹 시간에 따른 습도를 위한 참조 값을 참지한다. 같은 상품 베이킹의 반복 시, 부가되는 물의 양은 다를 수 있다. 구워지는 상품의 양이 다를 수 있고, 오븐 내부의 부피가 다를 수 있고, 오븐의 적재 시에 구워지는 상품에 더 많거나 적은 얼음이나 물이 존재할 수 있다.

다른 조정들 다음으로, 본 발명에 따른 제어 시스템은 참조 베이킹과 비교하여 유사한 조건을 달성하기 위해 필요한 한 많은 물을 더할 수 있다. 잔여 베이킹 시간이 제어 시스템에 의해 조정될 수 있기 때문에, 물이 더해지는 시간 역시 조정될 수 있다. 고정된 시간 대신, 20분의 베이킹 프로그램에서 10분 경과 후에 1리터의 물을 더하는 식으로, 이런 실시예에 따르면 시스템은 50%의 경과 시간 후에 참조 베이킹 습도 레벨을 맞추기 위해 필요한 많은 물을 더할 것이다.

이 발명의 실행에서 일단 비정규적 행위가 인식되면, 이런 신호 또는 비정규성 및 그에 상응하는 진폭이 식품 생산 공정에서 믹서(반죽으로 에너지를 유입), 반죽 분할기(분할 주기) 또는산업 오븐(베이킹 프로그램의 시간 또는 온도)와 같은 고정 장치들을 조정하는 데 이용될 수 있다.

또 다른 실시예에 따르면, 베이킹실 내의 음식의 관찰은 "라이브"로 행해질 있고, 그에 따라 오븐 내부의 "라이브 뷰"가 베이킹 공정의 원격 접속을 가능하게 한다. 또한 원격 오븐 조정은 자가 학습 열 처리 모니터링 시스템의 베이킹 행위를 향상시킬 수 있다.

일 실시예에서 "지각", "인지", 및 "행동" (P-C-A) 루프들은, 인지 에이전트 및 액츄에이터와 지적 센서들을 가지는 산업 공정에 적합한 기계 학습 기술이 이용될 수 있다. 가능한 많은 상호작용 P-C-A 루프들을 만드는 것 뿐 아니라 지적 능력, 지식 및 기술의 전달이 인지적인 공장에서 유용할 것이다.

매우 적은 식품 공정만이 독특하다. 식품 생상 공정의 대부분은 비슷한 환경에서, 다른 시럴 또는 다른 시간에 동일한 업무를 수행하며 운영된다. 여전히, 종종 아무런 정보도 교환되지 않거나 제한된 정보만이 이러한 공정들간에 교환된다. 동일한 음식 생산 스테이션은 종종 유사한 공정 업무를 수행하는 모든 개별체마다 개별적인 설정을 요구한다. 기게들이 서로 돕는 능력을 향상시키기 위해, 분포된 P-C-A 루프를 시간 또는 공간 상 결합하는 것이 유용하다. 이러한 목표에 접근하기 위해 특정 주제가 야기된다: 다른 개별체 사이의 기술 전파를 가능하게 하기 위해, 신뢰성 있고 조정가능한 다중-P-C-A 루프 위상학일 수립하는 것이 유용하다. 이러한 메타시스테은 비슷한 공정들을 식별할 수 있고, 센서 데이터를 해석하고, 특성을 획득하고, 다른 개별체들의 결과를 해석할 수 있어야 한다. 차원 감소, 다발화(clustering) 및 분류 기술이 기계가 높은 레벨에서 의사소통할 수 있게 한다. 기계-기계 신뢰 모델, 수집적 학습 및 지식 표현은 이러한 목적에 필수적이다. 나아가 어떤 산업 공정은 인지적 관점에서 전체적인 성능을 최적화하도록 재정의될 수 있다. 데이터 처리와 하드웨어 설정 모두 견고하고, 신뢰성 있고, 강력한 정보 공유 및 기술 전파 과정을 낳는다.

제어를 위한 자가 최적화 알고리즘 또는 산업 응용의 파리미터화를 이용하는 것은 지속적으로 개별 지식 베이스를 향상시킬 수 있는 가능성을 제공한다. 예를 들어 강화 학습은 이러한 가능성을 제공하는 방법들의 집합을 부여한다. 이러한 알고리즘들은 최적의 상태-행동 조합을 학습하기 위해 공정 상태-공간의 탐사에 의존한다. 강화 학습 에이전트는 또한 간단한 P-C-A 루프에 의해 기술될 수 있고, 환경의 상태 정보를 평가하는 과정은 루프의 "지각" 요소이며, 현재 제어 법칙의 변경은 "행동" 부분을 표현하며, 추정된 상태 정보를 새로운 제어 법칙으로 맵핑하는 과정은 단일 P-C-A 루프의 "인지" 영역을 부여한다. 산업 응용에서 커다란 상태-공간을 탐사하는 것은 안전, 속도 또는 비용과 같은 다양한 이유에서 항상 가능한 것은 아니다. 다중 에이전트에게 학습 업무를 분배하기 위한 다중-P-C-A-루프 접근을 이용하는 것은 학습 경험의 양을 여전히 높게 유지하면서 개별 에이전트의 탐사의 양을 줄일 수 있다. 그것은 나아가 다른 P-C-A 루프들 사이의 교습을 가능하게 한다. 다중-P-C-A 접근을 위한 가능한 과제는 한 시스템 또는 조립 라인에서 예를 들어 모니터링과 폐쇄 루프 제어 유닛과 같은 다중 에이전트를 결합하는 것이다. 두 다른 에이전트들은 다른 공정 파라미터의 최적화를 위해 훈련될 수 있다. 다중-P-C-A 레벨에서 둘의 조합은 모든 파라미터들을 위한 최적 경로를 찾아내는 데 이요될 수 있다.

간략히 설명된 다중-P-C-A 루프들은 공정의 품질 뿐 아니라 유연성과 설치 및 환경 설정 시간에서 제조 성능을 향상시킬 수 있다. 하나의 접근은 지식 연계 및 기술 전파로 비슷한 작업장을 조합하고 연대하여 향상시킨다. 다른 접근은 서로 피드백을 통해 다른 유닛들이 자가 향상하도록 한다. 다음에서, 본 발명에 따른 인지 공정 장치를 위한 네트워킹 시스템이 기술되어야 한다. 본 발명은, 일단 협력 시스템이 충분한 기계 지식을 얻으면, 그것들이 반복 설정 단계를 피하고, 생산 유연성을 향상시킬 뿐 아니라 정지 시간을 상당히 줄일 수 있다.

본 발명의 일 실시예에 따르면, 여러 열 처리 모니터링 장치(100)의 통합을 가능하게 하기 위해, 모든 분포된 시스템들은 인터넷을 통해 서로 연결된다. 이러한 시스템들에 의해 획득된 지식은 공유되고, 따라서 처리 설정, 센서 설치 및 품질 벤치마크의 포괄적인 데이터베이스를 허용한다.

기계들 간에 정보를 공유하기 위해, 그들 모두는 특성 획득에 유사한 방법을 이용해야만 한다. 이러한 목적을 달성하기 위한 첫 시나리오는 공정 상태의 양효한 추정을 수신하기 위해, 모니터링 시스템들(100)의 각 센서 유닛들(1810)의 복수의 센서로부터 입력 데이터를 조합에 접근하는 인지 데이터 처리를 이용하는 것이 현재 도입되어 있다.

인지적 차원 감소 기술을 이용하여, 불필요하고 쓸모없는 데이터를 이들 센서들로부터 제거할 수 있다. 감소된 센서 데이터는 공정의 상태를 분류하는데 이용될 수 있다. 다발화는 특정한 공정 상태를 식별할 있게 하며, 다른 장치들에서도 가능하게 한다. 만약 참조들로부터 중대한 차이(그리고 따라서 알려지지 않은 공정 조건)가 탐지되면, 감독관이 경고를 받을 수 있다. 전문가는 성능을 향상시키기 위해, 이때 새로운 상태 및 대처법(가능한 경우)을 시스템에게 가르칠 수 있다.

개발되는 인지 시스템은 허용가능한 그리고 허용불가능한 결과를 구별하는 것을 학습할 수 있어야 하며, 나아가 가능한 때에 허용불가능한 결과를 회피할 있어야 한다. 인지 기술의 이용은 베이킹 또는 식품 생산 고정의 완벽한 물리적 모델의 필요를 제거한다. 시스템은 적어도 하나의 조향 변수를 향상시킴으로써 공정을 안정화할 수 있다. 분포된 인지는 다른 제조 장소 사이의 중앙 데이터 베이스를 허용한다. 한 공정에서 획득된 정보는 다른 장소의 유사한 공정으로 전파될 수 있다.

Claims

가열되는 식품의 현재 센서 데이터를 판별하기 위해 적어도 하나의 센서(1812)를 구비하는 센서 유닛(1810);
현재의 센서 데이터로부터 현재의 특성 데이터를 판별하는 처리 유닛(1820);
현재의 특성 데이터와 참조 가열 공정의 참조 특성데이터와 비교함으로써, 모니터링 되는 현재의 가열 공정에서의 현재 공정 상태를 판별하도록 조정된 모니터링 유닛(1830);을 포함하는 열 처리 모니터링 시스템(100).
제1항에 있어서,
현재 센서 데이터의 현재 특성 데이터로의 판별 및/또는 적어도 하나의 훈련 가열 과정의 특성 데이터에 근거해 참조 가열 공정의 참조 특성 데이터를 판별하는 학습 유닛(1840)을 더 포함하는 열 처리 모니터링 시스템(100).
제2항에 있어서,
학습 유닛(1840)이 현재 센서 데이터의 차원 감소를 위해, 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 센서 데이터의 현재 특성 데이터로의 맵핑을 판별하도록 조정된 열 처리 모니터링 시스템(100).
제2항 또는 3항에 있어서,
학습 유닛(1840)은 현재 특성 데이터의 차원 감소를 위해, 적어도 하나의 훈련 가열 공정의 분산 해석에 의해 현재 특성 데이터의 특성 데이터로의 맵핑을 판별하도록 조정된 열 처리 모니터링 시스템(100).
제3항 또는 제4항에 있어서,
분산 해석은 주 성분 분석(PCA), isometric feature mapping(ISOMAP) 또는 선형 판별 분석(LDA) 중 적어도 어느 하나 또는 차원 감소 기술을 포함하는 열 처리 모니터링 시스템(100).
제2항 내지 제5항 중 어느 한 항에 있어서,
학습 유닛(1840)은 가열 프로그램의 기 설정된 특성 데이터를, 사용자의 선호에 의해 훈련 집합의 일부로 분류되는 적어도 하나의 훈련 가열 공정의 특성 데이터의 훈련 집합과 결합함으로써, 참조 가열 공정의 참조 특성 데이터를 판별하도록 조정된 열 처리 모니터링 시스템(100).
제2항 내지 제6항 중 어느 한 항에 있어서,
현재 가열 공정의 현재 특성 데이터를 기록하는 기록 유닛(1822)를 더 포함하고, 학습 유닛(1840)은 기록 유닛(1822)으로부터 훈련 가열 공정의 특성 데이터로 이용되는 기록된 특성 데이터를 수신하도록 조정되는 열 처리 모니터링 장치(100).
제1항 내지 제7항 중 어느 한 항에 있어서,
센서 유닛(1810)은 가열되는 식품의 픽셀 영상을 기록하는 카메라(160)를 포함하고, 카메라의 현재 센서 데이터는 현재 픽셀 영상의 현재 픽셀 데이터에 대응하는 것을 특징으로 하는 열 처리 모니터링 장치(100).
제8항에 있어서,
현재 픽셀 데이터는 제1 색상에 대응하는 제1 픽셀 데이터, 제2 색상에 대응하는 제2 픽셀 데이터, 제3 색상에 대응하는 제3 픽셀 데이터를 포함하는 것을 특징으로 하는 열 처리 모니터링 시스템(100).
제9항에 있어서,
제1, 제2, 및 제3 색상은 각각 R, G 및 B에 대응하는 것을 특징으로 하는 열 처리 모니터링 시스템(100).
제8항 내지 제10항 중 어느 한 항에 있어서,
카메라(160)는 현재 픽셀 데이터로 HDR 처리된 픽셀 영상을 생성하도록 조정된 것을 특징으로 하는 열 처리 모니터링 시스템(100).
제1항 내지 제11항 중 어느 한 항에 있어서,
가열되는 식품의 유형을 분류하고, 판별된 식품의 유형에 대응하는 참조 가열 공정을 선택하도록 조정된 분류 유닛(1850)을 더 포함하는 열 처리 모니터링 시스템(100).
제1항 내지 제12항 중 어느 한 항에 있어서,
모니터링 유닛에 의해 판별된 현재 가열 공정 상태와 기 설정된 가열 공정 상태의 비교에 근거하여 발효 공정에서 베이킹 공정으로 가열 공정을 변경하도록 조정된 제어 유닛(1860)을 더 포함하는 열 처리 모니터링 시스템(100).
제1항 내지 제13항 중 어느 한 항에 있어서,
모니터링 유닛에 의해 판별된 현재 가열 공정 상태를 가열의 종료점에 대응하는 기 설정된 가열 공정 상태와 비교에 근거하여 가열 공정의 잔여 시간을 표시하고 그리고/또는 열 처리실 내부의 영상을 보여주도록 조정된 디스플레이 유닛(1880)을 제어하도록 조정된 제어 유닛(1860)을 더 포함하는 것을 특징으로 하는 열 처리 모니터링 시스템(100).
제1항 내지 제14항 중 어느 한 항에 있어서,
가열 공정이 종료되어야 하는 때 사용자에게 경고하도록 조정된 제어 유닛(1860)을 더 포함하는 열 처리 모니터링 시스템(100).
제1항 내지 제15항 중 어느 한 항에 있어서,
열 처리실의 온도 제어장치, 수분 또는 증기를 가함으로써 열 처리실 내의 습도를 조정하는 수단, 환기 메커니즘의 제어장치, 팬 속도를 조정하는 수단, 열 처리실과 각 환경 사이의 차압을 조정하는 수단, 열 처리실 내의 시간 의존적 온도 곡선을 설정하는 수단, 발효 또는 베이킹과 같이 다른 처리 과정을 수행하고 조정하는 수단, 열 처리실 내의 내부 가스 흐름 프로파일을 조정하는 수단, 가열되는 식품의 특성을 확인하거나 관찰하기 위해 전자기 또는 음향 발생기의 전자기 또는 음향 방출 강도를 조정하는 수단을 제어하도록 조정된 제어 유닛(1860)을 더 포함하는 열 처리 모니터링 시스템(100).
제1항 내지 제16항 중 어느 한 항에 있어서,
센서 유닛(1810)의 적어도 하나의 센서(1812)는 습도계, 삽입식 온도 센서, 처리실 온도 센서, 음향 센서, 저울, 타이머, 카메라, 영상 센서, 포토다이오드 열, 처리실 내부의 가스를 분석하는 가스 분석기, 삽입식 온도 센서들의 온도 프로파일을 판별하는 수단, 광 또는 음향 발생기 또는 발생원에 대응하여 반사되거나 방출된 빛 또는 음향과 같이 처리되는 음식의 전자기 또는 음향 공정 방출을 판별하는 수단, 3D 또는 스테레오 카메라 시스템 또는 레이더를 포함하여 가열되는 식품의 3D 측정으로부터 결과를 판별하는 수단, 또는 가열되는 식품의 유형 도는 구성 또는 패턴 또는 광학 특성 또는 부피 또는 질량을 판별하는 수단 중 적어도 하나를 포함하는 것을 특징으로 하는 열 처리 모니터링 시스템.