KR20180045230A - Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model - Google Patents

Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model Download PDF

Info

Publication number
KR20180045230A
KR20180045230A KR1020160139103A KR20160139103A KR20180045230A KR 20180045230 A KR20180045230 A KR 20180045230A KR 1020160139103 A KR1020160139103 A KR 1020160139103A KR 20160139103 A KR20160139103 A KR 20160139103A KR 20180045230 A KR20180045230 A KR 20180045230A
Authority
KR
South Korea
Prior art keywords
food
corruption
module
model
prediction model
Prior art date
Application number
KR1020160139103A
Other languages
Korean (ko)
Other versions
KR101864252B1 (en
Inventor
이종하
김선칠
박희준
Original Assignee
계명대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020160139103A priority Critical patent/KR101864252B1/en
Publication of KR20180045230A publication Critical patent/KR20180045230A/en
Application granted granted Critical
Publication of KR101864252B1 publication Critical patent/KR101864252B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • G08B21/245—Reminder of hygiene compliance policies, e.g. of washing hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Food Science & Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Emergency Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medicinal Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Nutrition Science (AREA)
  • Medical Informatics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

The present invention relates to an artificial intelligence-based food spoilage prediction model developing system and a food spoilage prediction notifying system using an artificial intelligence-based food spoilage prediction model. According to an embodiment of the present invention, the artificial intelligence-based food spoilage prediction model developing system includes: a food analysis module for analyzing food data; a bacteria analysis module for analyzing a plurality of food poisoning bacteria data; and a model development module for developing a food spoilage prediction model. Therefore, according to the present invention, the artificial intelligence-based food spoilage prediction model developing system can achieve a substantial food poisoning prevention effect by providing food consumption standards for individual foods.

Description

인공지능 기반 식품부패예측 모델 개발 시스템 및 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템{ARTIFICIAL INTELLIGENCE BASED FOOD PUTREFACTION MODEL DEVELOPING SYSTEM AND FOOD PUTREFACTION ALARM SYSTEM USING FOOD PUTREFACTION MODEL}[0001] ARTIFICIAL INTELLIGENCE SYSTEM FOR FOOD PUTREFACTION [0002] AND FOOD PUTREFACTION ALARM SYSTEM [0003] BACKGROUND OF THE INVENTION [0004] [0001] The present invention relates to a system and method for predicting food corruption based on artificial intelligence,

본 발명은 식품부패예측 모델 개발 시스템 및 식품부패예측 알림 시스템에 관한 것으로서, 보다 구체적으로는 인공지능 기반 식품부패예측 모델 개발 시스템 및 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템에 관한 것이다.The present invention relates to a food corruption prediction model development system and a food corruption prediction notification system, and more particularly, to a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model development system and an artificial intelligence-based food corruption prediction model .

최근 단체 급식을 하는 학교 혹은 돌잔치나 결혼식 피로연 후, 집단 식중독이 발생했다는 뉴스를 종종 접하게 된다. 식중독을 원인물질에 따라 분류하면 세균성 식중독, 화학성 식중독, 자연독 식중독, 미생물 독성대사물질에 의한 식중독 등으로 구분할 수 있다. 각 부류에 속하는 독성물질은 그 종류가 매우 많으며, 독성물질은 당장 건강을 해칠만한 양이 아니라고 하더라도 많은 식품 중에 널리 분포되어 있어서 만성중독, 발암성, 돌연변이 유발성, 기형 유발성, 알레르기성 반응을 일으키는 원인이 될 수도 있다.
We often hear news that a group food poisoning has occurred after a recent school lunch or after a birthday party or wedding reception. Food poisoning can be divided into bacterial food poisoning, chemical food poisoning, natural poisoning food poisoning and food poisoning by microbial toxic metabolites. Although toxic substances belonging to each class are very numerous and toxic substances are not immediately harmful to health, they are widely distributed among many foods, and they can cause chronic poisoning, carcinogenicity, mutagenicity, teratogenicity, allergic reaction It may be the cause.

식중독을 일으키는 원인은 미생물이 생산한 독소에 의한 것과 미생물 감염에 의한 것으로 구분되지만, 식중독 균은 전염병과 달리 식중독 균이 식품에 오염되어 일정량 이상(약 100만 마리 정도)으로 증식된 식품을 섭취하여야 발생한다. 따라서 식중독을 예방하기 위해서는 청결, 충분한 가열과 신속한 섭취가 가장 중요하다.
The cause of food poisoning is divided into the toxin produced by the microorganism and the microorganism infection. However, unlike the infectious disease, the food poisoning bacteria are contaminated with the food, and the food which is over a certain amount (about 1 million) Occurs. Therefore, to prevent food poisoning, cleanliness, sufficient heating and rapid intake are the most important.

최근 지구온난화로 인한 초봄과 초가을의 이상고온 현상으로 인하여, 식중독이 증가하는 추세에 있으며, 학교급식 시설에서 식품 조리나 보관상의 문제로 인하여 식중독 오염사고가 증가하고 있는 실정이다. 식중독을 예방하기 위해서는 식품의 조리과정 및 전 처리 과정에서의 주의도 필요하나, 조리된 음식물의 보관 장소 및 시간도 여름철 식중독을 예방하기 위해서는 매우 중요하다. 예를 들어, 기온이 25℃ 이상 30℃ 미만으로, 상대습도가 80%인 상태가 6시간 정도 지속될 것이 예상되는 경우, 또는 기온이 30℃ 이상으로, 상대습도가 70% 이상인 상태가 6시간 정도 지속될 것이 예상되는 경우, 또는 30℃ 이상 기온이 10시간 이상 지속 되는 경우, 또는 상대습도 90% 이상인 상태가 24시간 이상 지속 되는 경우, 또는 하루의 일교차가 10℃ 이상으로 급격히 기온이 상승하는 경우, 또는 장염비브리오균이 g당 10,000마리 이상인 경우 및 장염비브리오 오염이 확산 될 경우 등과 같은 기후조건 하에서는, 식중독의 발생률이 매우 높기 때문에 식품의 조리, 취급, 보관 등에 각별한 주의가 요구되고 있다.
Recently, food poisoning is on the rise due to unusually high temperatures in early spring and early fall due to global warming. Food poisoning accidents are increasing due to food cooking and storage problems in school food service facilities. In order to prevent food poisoning, careful attention should be paid to the cooking process and the preconditioning process of food, but the place and time of storage of cooked food is also very important to prevent food poisoning in summer. For example, if the temperature is 25 ° C or more and less than 30 ° C and the relative humidity is 80% is expected to last for about 6 hours, or the temperature is more than 30 ° C and the relative humidity is 70% Or when the temperature exceeds 30 ° C for more than 10 hours, or when the relative humidity exceeds 90% for more than 24 hours, or when the daytime temperature difference suddenly rises to 10 ° C or higher, Or vancomycin, or more than 10,000 vibrio parahaemolytic bacteria per gram, or when vibrio parasite spreads, it is necessary to pay special attention to the cooking, handling and storage of food because the incidence of food poisoning is very high.

이와 같은 식중독의 예방을 위하여, 공개특허 제10-2009-0075990호(발명의 명칭: 식중독 지수 예보기, 공개일자: 2009년 07월 13일), 공개특허 제10-2012-004821호(발명의 명칭: 식중독 지수 표시가 가능한 디스플레이 모듈의 운용 시스템, 공개일자: 2012년 05월 15일) 등의 선행기술이 개시된 바 있다.
In order to prevent such food poisoning, Japanese Patent Application Laid-Open No. 10-2009-0075990 (entitled "Food Poisoning Index Example", published on Jul. 13, 2009) The operation system of the display module capable of displaying the food poisoning index, published on May 15, 2012).

이러한 종래의 선행기술들은, 기존의 식중독 지수를 예보 또는 표시하는 역할을 하는데, 기존의 식중독 지수는 식중독에 대한 경고의 의미로서 실제 적용에 있어서는 실질적인 체감효과를 가지기 어렵고, 계절과 날씨에 따른 식품의 손상/부패 정도에 대해 주의를 요구하는 것일 뿐, 개별 식품에 대한 섭취 기준을 제공하지 않는 한계가 있다. 따라서 실질적인 식중독 예방 효과는 크지 않은 실정이며, 이러한 한계를 극복하기 위한 새로운 지수 또는 모델의 개발이 필요한 실정이다.These conventional prior arts serve to predict or display the existing food poisoning index. The conventional food poisoning index, as a warning to food poisoning, is hard to have a substantial haptic effect in practical application, There is a limit to not only provide an intake standard for individual foods, but also to pay attention to the degree of damage / corruption. Therefore, the actual effect of preventing food poisoning is not significant, and it is necessary to develop a new index or model to overcome these limitations.

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 식품 데이터 및 식중독 균 데이터를 분석하고, 분석 결과를 이용하여 각 식품의 시간에 따른 부패 정도를 나타내는 식품부패예측 모델을 개발함으로써, 개별 식품에 대한 섭취 기준을 제공하여 실질적인 식중독 예방 효과를 얻을 수 있고, 시간 개념의 식품부패예측지수를 도입하여, 소비자가 쉽게 섭식 가능 시간을 예측하고 실질적인 체감 효과를 가지도록 할 수 있는, 인공지능 기반 식품부패예측 모델 개발 시스템 및 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템을 제공하는 것을 그 목적으로 한다.The present invention has been proposed in order to solve the above-mentioned problems of the previously proposed methods. The present invention analyzes food data and food poisoning bacteria data, and calculates a food corruption prediction model , It is possible to obtain an effective food poisoning prevention effect by providing an intake standard for individual food, and by introducing a food corruption prediction index with a time concept, a consumer can easily predict a foodable time and have a substantial haptic effect The present invention aims to provide a system for predicting food corruption prediction based on artificial intelligence and a system for predicting food corruption using artificial intelligence based food corruption prediction model.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공지능 기반 식품부패예측 모델 개발 시스템은,According to an aspect of the present invention, there is provided an artificial intelligence-based food corruption prediction model development system,

식품부패예측 모델 개발 시스템으로서,As a food corruption prediction model development system,

식품 데이터를 분석하는 식품 분석 모듈;A food analysis module for analyzing food data;

복수의 식중독 균 데이터를 분석하는 균 분석 모듈; 및A bacteria analysis module for analyzing a plurality of food poisoning bacteria data; And

상기 식품 분석 모듈 및 균 분석 모듈의 분석 결과를 이용하여, 각 식품에 대한 식중독 예상 균의 우점종을 선정하고, 각 식품에 대하여 선정된 우점종의 식중독 균을 적용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측 모델을 개발하는 모델 개발 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
Using the analysis results of the food analysis module and the bacteria analysis module, the dominant species of the food poisoning antibiotics for each food were selected, and the food poisoning bacteria of the selected dominant species were applied to each food, And a model development module for developing a corruption prediction model.

바람직하게는, 상기 식품 분석 모듈은,Preferably, the food analysis module comprises:

식자재의 배송 상태, 식품의 조리 방법, 음식 보관 방법 및 식품 성분을 포함하는 군에서 선택된 적어도 하나 이상의 식품 데이터를 분석할 수 있다.
It is possible to analyze at least one food data selected from the group including the delivery status of the food materials, the food preparation method, the food storage method, and the food ingredients.

더욱 바람직하게는, 상기 식자재의 배송 상태는,More preferably, the delivery condition of the food material is,

계절별 온도, 습도 및 자외선을 포함하는 계절 환경 정보에 따라 결정될 수 있다.
Seasonal temperature, humidity, and ultraviolet rays.

바람직하게는, 상기 식품 분석 모듈은,Preferably, the food analysis module comprises:

식품안전정보포털 데이터로부터 수집된 식품 데이터를 분석할 수 있다.
Food data collected from food safety information portal data can be analyzed.

바람직하게는, 상기 식품 분석 모듈은,Preferably, the food analysis module comprises:

상기 식품 데이터를 이용하여 복수의 식품을 미리 정해진 식품군으로 분류할 수 있다.
A plurality of foods can be classified into a predetermined food group using the food data.

더욱 바람직하게는, 상기 모델 개발 모듈은,More preferably, the model development module includes:

상기 식품 분석 모듈에서 분류된 각 식품군 별로 상기 식품부패예측 모델을 개발할 수 있다.
The food corruption prediction model may be developed for each food group classified in the food analysis module.

바람직하게는,Preferably,

상기 균 분석 모듈은, 시간에 따른 각 식중독 균의 성장 또는 사멸을 예측하는 제1차 모델을 개발하며,The microorganism analysis module develops a first model for predicting the growth or death of each food poisoning bacteria over time,

상기 모델 개발 모듈은, 각 식품에 대하여 선정된 우점종의 식중독 균에 대하여 상기 균 분석 모듈에서 개발된 제1차 모델을 이용하여, 상기 식품부패예측 모델을 개발할 수 있다.
The model development module may develop the food corruption prediction model using the first model developed in the microorganism analysis module for food poisoning bacteria of the selected dominant species for each food.

바람직하게는,Preferably,

온도, 습도 및 자외선 정보를 포함하는 환경 데이터를 분석하는 환경 분석 모듈을 더 포함하며,Further comprising an environmental analysis module for analyzing environmental data including temperature, humidity and ultraviolet information,

상기 모델 개발 모듈은, 상기 환경 분석 모듈에서 분석한 분석 결과를 상기 식품부패예측 모델에 적용할 수 있다.
The model development module may apply the analysis result analyzed by the environment analysis module to the food corruption prediction model.

더욱 바람직하게는, 상기 환경 분석 모듈은,More preferably, the environment analysis module includes:

기상 정보 및, 조리실 또는 보관실에서 직접 측정된 정보를 포함하는 군에서 선택된 적어도 하나 이상의 환경 데이터를 분석할 수 있다.
At least one environmental data selected from the group including weather information, and information directly measured in a kitchen or a storage room can be analyzed.

바람직하게는,Preferably,

상기 모델 개발 모듈에서 개발된 식품부패예측 모델을 이용하여, 각 식품에 대한 시간 개념의 식품부패예측지수를 도출하는 지수 도출 모듈을 더 포함할 수 있다.
And an index derivation module for deriving the food corruption prediction index of the time concept for each food using the food corruption prediction model developed by the model development module.

더욱 바람직하게는, 상기 지수 도출 모듈은,More preferably, the exponent derivation module comprises:

각 식품에 대해 선정된 우점종의 감염 위험성, 균의 위험성 및 최소 감염수를 포함하는 군에서 선택된 적어도 하나 이상의 요인을 고려하여, 상기 식품부패예측지수를 도출할 수 있다.
The food corruption prediction index can be derived in consideration of at least one factor selected from the group including the risk of infection of the dominant species selected for each food, the risk of bacteria, and the minimum number of infections.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템은,According to an aspect of the present invention, there is provided a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model,

식품부패예측 알림 시스템으로서,As a food corruption prediction notification system,

식품명을 입력받는 입력 모듈;An input module for inputting a food name;

상기 입력받은 식품명과 대응되는 식품에 대하여 선정된 우점종의 예상 식중독 균이 적용된 식품부패예측 모델을 이용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측지수를 도출하는 모델링 모듈; 및A modeling module for deriving a food spoilage prediction index indicating a degree of spoilage over time using a food spoilage prediction model to which a predominant food species of the dominant species selected for the food corresponding to the input food name is applied; And

상기 도출된 식품부패예측지수를 출력하는 출력 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
And an output module for outputting the derived food spoilage prediction index.

바람직하게는, 상기 식품부패예측지수는,Preferably, the food spoilage predictive index is calculated by:

섭식 가능시간을 나타낼 수 있다.
It is possible to indicate the feeding time.

더욱 바람직하게는, 상기 모델링 모듈은,More preferably, the modeling module comprises:

미리 입력받은 식단에 대하여, 상기 섭식 가능 시간을 기준으로 조리 우선순위를 설정할 수 있다.
The cooking priority can be set based on the feeding time with respect to the pre-inputted food.

바람직하게는, 상기 모델링 모듈은,Advantageously, the modeling module comprises:

미리 분류된 각 식품군에 대하여 개발된 식품부패예측 모델을 저장하는 모델 저장부;A model storage unit for storing a food corruption prediction model developed for each food group classified in advance;

상기 입력 모듈에서 입력받은 식품명과 상기 각 식품군을 매칭하여, 상기 식품명에 대응되는 식품부패예측 모델을 검색하는 모델 매칭부; 및A model matching unit for matching a food name inputted from the input module with each of the food groups and searching for a food corruption prediction model corresponding to the food name; And

상기 모델 매칭부에서 검색된 식품부패예측 모델을 이용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측지수를 도출하는 지수 도출부를 포함할 수 있다.
And an index derivation unit for deriving a food corruption prediction index indicating the degree of corruption with time using the food corruption prediction model retrieved by the model matching unit.

더욱 바람직하게는, 상기 지수 도출부는,More preferably, the exponent derivation unit may calculate,

시간에 따른 부패 속도의 변화를 이용해, 권장 섭식 시간을 더 도출할 수 있다.
The change in decay rate over time can be used to further derive the recommended feeding time.

더욱 바람직하게는, 상기 모델링 모듈은,More preferably, the modeling module comprises:

기상 정보 또는, 식품 조리실, 보관실, 보관 용기 및 냉장고를 포함하는 군에서 선택된 적어도 하나에 구비된 센서로부터 온도 및 습도 정보를 수신하는 환경 정보 수신부를 더 포함하며,Further comprising an environmental information receiving unit for receiving temperature and humidity information from at least one sensor selected from the group consisting of weather information or food cooking room, storage room, storage container, and refrigerator,

상기 지수 도출부는, 상기 환경 정보 수신부에서 수신한 온도 및 습도 정보를 더 이용하여 상기 식품부패예측지수를 도출할 수 있다.
The exponent derivation unit may derive the food corruption prediction index by further using the temperature and humidity information received by the environment information reception unit.

더더욱 바람직하게는, 상기 모델링 모듈은,Even more preferably, the modeling module comprises:

상기 식품부패예측지수 및 상기 환경 정보 수신부에서 수신한 온도 및 습도 정보를 이용하여, 식품의 보관 방법 또는 부패 방지 조치를 상기 모델 저장부를 통해 제공하는 대응 정보 제공부를 더 포함할 수 있다.
And a corresponding information providing unit for providing the food storage method or the anti-corruption measure through the model storage unit using the food corruption prediction index and the temperature and humidity information received by the environment information receiving unit.

더욱 바람직하게는,More preferably,

보관 용기에 구비된 코드 및 냉장고에 구비된 코드 인식 장치로부터, 식품의 냉장고 출입을 모니터링 하는 모니터링부를 더 포함하며,Further comprising a monitoring unit for monitoring the entrance and exit of the refrigerator of the food from the code provided in the storage container and the code recognition device provided in the refrigerator,

상기 지수 도출부는, 상기 모니터링 결과에 따라 식품부패예측지수를 수정할 수 있다.
The exponent derivation unit may modify the food corruption prediction index according to the monitoring result.

바람직하게는,Preferably,

상기 입력 모듈 및 출력 모듈 중 적어도 하나는, 스마트 디바이스로 구현될 수 있다.At least one of the input module and the output module may be implemented as a smart device.

본 발명에서 제안하고 있는 인공지능 기반 식품부패예측 모델 개발 시스템 및 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템에 따르면, 식품 데이터 및 식중독 균 데이터를 분석하고, 분석 결과를 이용하여 각 식품의 시간에 따른 부패 정도를 나타내는 식품부패예측 모델을 개발함으로써, 개별 식품에 대한 섭취 기준을 제공하여 실질적인 식중독 예방 효과를 얻을 수 있고, 시간 개념의 식품부패예측지수를 도입하여, 소비자가 쉽게 섭식 가능 시간을 예측하고 실질적인 체감 효과를 가지도록 할 수 있다.According to the artificial intelligence-based food corruption prediction model development system proposed by the present invention and the food corruption prediction notification system using the artificial intelligence-based food corruption prediction model, the food data and food poisoning bacteria data are analyzed, . In addition, by introducing the time-consuming food corruption prediction index, it is possible to obtain food corruption predictive models that show the degree of corruption according to time, It is possible to predict the time and have a substantial haptic effect.

도 1은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템의 개념을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템의 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템에서, 식품 분석 모듈의 식품 분류를 예를 들어 도시한 도면.
도 4는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템에서, 균 분석 모듈이 개발하는 제1차 모델을 예를 들어 도시한 도면.
도 5는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템에서, 모델 개발 모듈이 각 식품에 대한 우점종의 식중독 균을 적용하는 과정을 예를 들어 도시한 도면.
도 6은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템의 구성을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템의 구현 형태를 예를 들어 도시한 도면.
도 8은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템에서, 출력 모듈에 의해 출력된 디스플레이 화면을 예를 들어 도시한 도면.
도 9는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템에서, 모델링 모듈의 세부적인 구성을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템의 구현 상태를 예를 들어 도시한 도면.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a conceptual diagram of a system for developing an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. FIG.
BACKGROUND OF THE INVENTION Field of the Invention [0001] The present invention relates to a food corruption prediction model development system based on artificial intelligence.
3 is a diagram illustrating a food classification of a food analysis module in an artificial intelligence-based food corruption prediction model development system according to an embodiment of the present invention.
4 is a diagram illustrating a first-order model developed by the germ line analysis module in the artificial intelligence-based food corruption prediction model development system according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating a process in which a model development module applies a food poisoning bacterium of the dominant species to each food in an artificial intelligence-based food corruption prediction model development system according to an embodiment of the present invention.
6 is a diagram illustrating a configuration of a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention.
FIG. 7 illustrates an embodiment of a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention.
FIG. 8 is a view illustrating a display screen output by an output module in a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. FIG.
9 is a diagram illustrating a detailed configuration of a modeling module in a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention.
FIG. 10 illustrates an implementation state of a food corruption prediction notification system using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, in order that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In the drawings, like reference numerals are used throughout the drawings.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . Also, to "include" an element means that it may include other elements, rather than excluding other elements, unless specifically stated otherwise.

도 1은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)의 개념을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)은, 식품(음식), 식중독 균, 조리/보관 방법, 환경 등을 고려하여 인공지능을 기반으로 각종 바이오 데이터를 분석하는 식품부패예측 모델을 개발함으로써, 식품부패예측지수를 도출할 수 있다.
1 is a diagram illustrating a concept of an artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention. 1, an artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention is a system that develops an artificial intelligence-based food corruption prediction model based on artificial intelligence , The food corruption prediction index can be derived by developing a food corruption prediction model that analyzes various types of bio data.

본 발명의 식품부패예측 모델은, 장기간 보관이 가능한 식품과 즉시 섭취하여야 하는 식품의 차이에 따른 식품의 손상 정도를 예측하는 모델로서, 개발된 식품부패예측 모델을 이용하여 식중독 균의 특성과 개별 식품의 특성을 조합하여 식중독 발생 시간을 예측할 수 있으므로, 위험 범위 내에서 섭취 가능한 식품의 기준을 제공하고, 조리 시간에 따른 식품의 부패 정도를 예측하며, 제조 및 보관의 우선순위를 판정할 수 있다.
The food corruption prediction model of the present invention is a model for predicting the degree of food damage due to the difference between food that can be stored for a long time and food that should be immediately consumed. Using the developed food corruption prediction model, , It is possible to provide criteria for foods that can be consumed within the risk range, estimate the degree of corruption of food according to the cooking time, and determine the priority of manufacture and storage.

도 2는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)의 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)은, 식품 분석 모듈(110), 균 분석 모듈(120) 및 모델 개발 모듈(140)을 포함하여 구성될 수 있으며, 환경 분석 모듈(130) 및 지수 도출 모듈(150)을 더 포함하여 구성될 수 있다.
FIG. 2 is a diagram showing a configuration of an artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention. 2, the artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention includes a food analysis module 110, a bacteria analysis module 120, and a model development module 140, And may further include an environment analysis module 130 and an index derivation module 150.

식품 분석 모듈(110)은, 식품 데이터를 분석할 수 있다. 보다 구체적으로는, 식품 분석 모듈(110)은, 식자재의 배송 상태, 식품의 조리 방법, 음식 보관 방법 및 식품 성분을 포함하는 군에서 선택된 적어도 하나 이상의 식품 데이터를 분석할 수 있다. 즉, 식품 분석 모듈(110)에서는, 식품의 부패에 영향을 미치는 각종 정보를 수집 및 분석할 수 있다. 이때, 식품 분석 모듈(110)이 분석하는 식품 데이터는, 식품안전정보포털 데이터로부터 수집된 것일 수 있다.
The food analysis module 110 may analyze the food data. More specifically, the food analysis module 110 may analyze at least one food data selected from the group including the delivery status of the food materials, the food preparation method, the food storage method, and the food ingredients. That is, the food analysis module 110 can collect and analyze various kinds of information that affect food corruption. At this time, the food data analyzed by the food analysis module 110 may be collected from the food safety information portal data.

여기에서, 식자재의 배송 상태는, 계절별 온도, 습도 및 자외선을 포함하는 계절 환경 정보에 따라 결정될 수 있다. 즉, 계절에 따라 식자재 배송 중의 신선도에 영향이 있을 수 있으므로, 계절 환경 정보에 따른 식자재의 배송 상태를 분석하여 추후 상세히 설명할 모델 개발 모듈(140)에서 반영할 수 있다.
Here, the delivery state of the food materials can be determined according to the seasonal environment information including seasonal temperature, humidity, and ultraviolet rays. That is, since the freshness of the foodstuffs may be affected according to the season, the delivery status of the foodstuffs according to the seasonal environment information may be analyzed and reflected in the model development module 140 to be described in detail later.

한편, 식품 분석 모듈(110)은, 식품 데이터를 이용하여 복수의 식품을 미리 정해진 식품군으로 분류할 수 있다. 즉, 모든 식품에 대하여 식품 데이터를 분석하고 식품부패예측 모델을 개발하는 것은 시간과 비용 측면에서 비경제적이므로, 유사한 특성을 갖는 식품들을 그룹화하여 미리 정해진 식품군으로 분류할 수 있다.
On the other hand, the food analysis module 110 can classify a plurality of foods into predetermined food groups using food data. That is, analyzing food data for all foods and developing a food corruption prediction model is uneconomic in terms of time and cost, so that foods with similar characteristics can be grouped into predefined food groups.

도 3은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)에서, 식품 분석 모듈(110)의 식품 분류를 예를 들어 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)의 식품 분석 모듈(110)은, 농어초밥, 샐러드김밥, 불고기덮밥 등과 같은 구체적인 식품을, 곡류, 감자류, 당류 등 미리 정해진 식품군으로 분류할 수 있다.
3 is a diagram illustrating an example of a food classification of the food analysis module 110 in the artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention. 3, the food analysis module 110 of the artificial intelligence-based food corruption prediction model development system 100 according to an exemplary embodiment of the present invention includes a food analysis module 110 for detecting specific foods such as perch sushi, salad kimbap, , Cereals, potatoes, sugars, and so on.

균 분석 모듈(120)은, 복수의 식중독 균 데이터를 분석할 수 있다. 식중독을 일으키는 균은 황색포도상구균, 살모넬라균, 장출혈성 대장균, 장염비브리오균, 바실러스 세레우스균 등 다양할 수 있는데, 균 분석 모듈(120)에서는 기존 논문을 활용한 바이오데이터 분석을 통해 구체적인 각 식중독 균의 데이터를 분석할 수 있다.
The bacteria analysis module 120 can analyze a plurality of food poisoning bacteria data. The microorganism analysis module 120 analyzes the bio-data using the existing papers to identify specific food poisoning diseases, such as bacteria, fungi, bacteria, The data of the bacteria can be analyzed.

보다 구체적으로는, 균 분석 모듈(120)은, 시간에 따른 각 식중독 균의 성장 또는 사멸을 예측하는 제1차 모델을 개발할 수 있다. 제1차 모델은, 최대성장속도 및 온도를 변수로 하는 다항식의 형태일 수 있으며, 유도기 및 성장률 등을 나타내는 파라미터를 산출하여 개발될 수 있다.
More specifically, the bacteria analysis module 120 may develop a first model that predicts the growth or death of each food poisoning bacteria over time. The first model may be a polynomial form having the maximum growth rate and temperature as variables, and may be developed by calculating parameters indicative of the induction device and the growth rate.

도 4는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)에서, 균 분석 모듈(120)이 개발하는 제1차 모델을 예를 들어 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)의 균 분석 모듈(120)은, 식중독 균의 성장 및 사멸과 관련된 제1차 모델을 이용해, 시간에 따른 세균수의 변화를 예측할 수 있다.
FIG. 4 is a diagram illustrating a first-order model developed by the bacteria analysis module 120 in the artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention. 4, the bacteria analysis module 120 of the artificial intelligence-based food corruption prediction model development system 100 according to an exemplary embodiment of the present invention calculates a first model related to growth and death of food poisoning bacteria , It is possible to predict a change in the number of bacteria with time.

환경 분석 모듈(130)은, 온도, 습도 및 자외선 정보를 포함하는 환경 데이터를 분석할 수 있다. 균 분석 모듈(120)에서 개발된 제1차 모델의 생장과 사멸은, 저장온도, pH, 수분활성도 등의 내적, 외적 환경에 따라 많은 영향을 받을 수 있으므로, 환경 데이터를 분석하여 추후 상세히 설명할 모델 개발 모듈(140)에서 분석 결과를 반영할 수 있다.
The environment analysis module 130 may analyze environmental data including temperature, humidity, and ultraviolet information. The growth and death of the first-order model developed by the microorganism analysis module 120 can be greatly affected by internal and external environments such as storage temperature, pH, water activity, etc. Therefore, The model development module 140 may reflect the analysis result.

여기에서, 환경 분석 모듈(130)은, 기상 정보 및, 조리실 또는 보관실에서 직접 측정된 정보를 포함하는 군에서 선택된 적어도 하나 이상의 환경 데이터를 분석할 수 있다. 즉, 기상 정보를 이용해 계절적 변화와 구체적인 날씨 변화를 분석하고, 조리실이나 보관실과 같은, 실제 식품이 조리되고 보관되는 환경을 분석하여, 식품부패에 영향을 미치는 직접적인 환경 데이터를 식품부패예측 모델에 반영할 수 있다.
Here, the environment analysis module 130 may analyze at least one environmental data selected from the group including weather information and information directly measured in the cooking chamber or the storage room. In other words, by analyzing seasonal changes and specific weather changes using weather information, and by analyzing the environment in which actual food is cooked and stored, such as a kitchen or a storage room, direct environmental data affecting food corruption are reflected in the food corruption prediction model can do.

모델 개발 모듈(140)은, 식품 분석 모듈(110) 및 균 분석 모듈(120)의 분석 결과를 이용하여, 각 식품에 대한 식중독 예상 균의 우점종을 선정하고, 각 식품에 대하여 선정된 우점종의 식중독 균을 적용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측 모델을 개발할 수 있다.
The model development module 140 uses the analysis results of the food analysis module 110 and the analysis module 120 to select the dominant species of the food poisoning anticipated bacterium for each food, By applying bacteria, a food corruption prediction model can be developed that shows the degree of corruption over time.

이때, 모델 개발 모듈(140)은, 식품 분석 모듈(110)에서 분류된 각 식품군 별로 식품부패예측 모델을 개발할 수 있다. 즉, 유사한 특성을 가진 식품의 경우 부패 양상도 유사할 수 있으므로, 각 식품군 별로 식품부패예측 모델을 개발하여, 경제적인 모델 개발 및 활용이 가능하도록 할 수 있다.
At this time, the model development module 140 can develop a food corruption prediction model for each food group classified by the food analysis module 110. In other words, foodstuffs with similar characteristics may have similar patterns of corruption, so that food corruption prediction models can be developed for each food group, enabling economic models to be developed and utilized.

또한, 모델 개발 모듈(140)은, 각 식품에 대하여 선정된 우점종의 식중독 균에 대하여 균 분석 모듈(120)에서 개발된 제1차 모델을 이용하여, 식품부패예측 모델을 개발할 수 있다. 여기에서, 우점종은 해당 식품에 대한 감염 위험성, 균의 위험성 및 최소 감염수 등을 고려하여 선정될 수 있다.
In addition, the model development module 140 can develop a food corruption prediction model using the first-order model developed by the microorganism analysis module 120 for food poisoning bacteria of the selected dominant species for each food. Here, the dominant species can be selected in consideration of the risk of infection, the risk of bacteria, and the minimum number of infections.

도 5는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)에서, 모델 개발 모듈(140)이 각 식품에 대한 우점종의 식중독 균을 적용하는 과정을 예를 들어 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)의 모델 개발 모듈(140)은, 식품 분석 모듈(110) 및 균 분석 모듈(120)의 분석 결과로부터, 각 식품 또는 식품군에 대한 예상 식중독 균의 우점종을 선정하고, 해당 우점종의 제1차 모델을 이용해 각 식품 또는 식품군별 식품부패예측 모델을 개발할 수 있다.
FIG. 5 illustrates a process of applying the dominant species of food poisoning bacteria to each food in the model development module 140 in the artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention. FIG. 5, the model development module 140 of the artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention includes a food analysis module 110 and a bacteria analysis module 120, , We can select the dominant species of anticipated food poisoning bacteria for each food or food group and develop a food corruption prediction model for each food or food group using the first model of the dominant species.

한편, 모델 개발 모듈(140)은, 환경 분석 모듈(130)에서 분석한 분석 결과를 식품부패예측 모델에 적용할 수 있다. 즉, 균 분석 모듈(120)에서 개발한 제1차 모델에 환경 분석 결과를 반영하여, 주어진 환경에 따른 식중독 균의 수를 예측하는 제2차 모델을 개발할 수 있다. 모델 개발 모듈(140)은, 선정된 우점종의 제1차 모델과 환경 변화가 반영된 제2차 모델을 통합하여, 사용자가 쉽게 활용할 수 있도록 식품 또는 식품군별로 시간에 따른 부패 정도를 나타내는 식품부패예측 모델을 개발할 수 있다.
Meanwhile, the model development module 140 can apply the analysis result analyzed by the environment analysis module 130 to the food corruption prediction model. That is, the second-order model that predicts the number of food poisoning bacteria according to a given environment can be developed by reflecting the environmental analysis result to the first model developed by the bacteria analysis module 120. The model development module 140 integrates the first model of the selected dominant species and the second model that reflects the environment change and generates a food corruption prediction model that indicates the degree of corruption in each food or food group, Can be developed.

지수 도출 모듈(150)은, 모델 개발 모듈(140)에서 개발된 식품부패예측 모델을 이용하여, 각 식품에 대한 시간 개념의 식품부패예측지수를 도출할 수 있다. 지수 도출 모듈(150)은, 각 식품에 대해 선정된 우점종의 감염 위험성, 균의 위험성 및 최소 감염수를 포함하는 군에서 선택된 적어도 하나 이상의 요인을 고려하여, 식품부패예측지수를 도출할 수 있다.
The index derivation module 150 can derive the food corruption prediction index of the time concept for each food using the food corruption prediction model developed by the model development module 140. [ The index derivation module 150 may derive the food corruption prediction index taking into consideration at least one factor selected from the group including the risk of infection of the dominant species selected for each food, the risk of bacteria, and the minimum number of infections.

즉, 해당 식중독 균의 위험성 등을 고려하여 균의 수가 임계값에 도달하면 식중독 위험이 있는 것으로 판단하고, 지수 도출 모듈(150)은, 식품부패예측 모델에서 균의 수가 임계값에 도달하기까지의 잔여 시간을 식품부패예측지수로 도출할 수 있다.
That is, considering the risk of the food poisoning bacteria, the index derivation module 150 judges that there is a food poisoning risk when the number of bacteria reaches the threshold value, and the index derivation module 150 calculates the number of bacteria until the number of bacteria reaches the threshold value in the food corruption prediction model The remaining time can be determined by the food corruption prediction index.

도 6은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 구성을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)은, 입력 모듈(210), 모델링 모듈(220) 및 출력 모듈(230)을 포함하여 구성될 수 있다.
FIG. 6 is a diagram illustrating a configuration of a food corruption prediction notification system 200 using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. 6, a food corruption prediction notification system 200 using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention includes an input module 210, a modeling module 220, and an output module 230).

즉, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)은, 도 1 내지 도 5에서 상세히 설명한 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)에 의해 개발된 식품부패예측 모델을 이용하여, 실제 사용자들이 식품부패 정도를 파악하고 이에 대응할 수 있도록 식품부패예측 지수를 제공할 수 있다.
That is, the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention includes an artificial intelligence-based food corruption system 200 according to an embodiment of the present invention, Using the food corruption prediction model developed by the predictive model development system 100, a food corruption prediction index can be provided so that actual users can grasp the degree of food corruption and cope with it.

이하에서는, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 세부적인 구성에 대하여 상세히 설명하도록 한다.
Hereinafter, the detailed structure of the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention will be described in detail.

입력 모듈(210)은, 식품명을 입력받을 수 있다. 이때, 식품명은 사용자 디바이스 또는 사용자 인터페이스를 통해 직접 입력받거나 선택받을 수 있으며, 식품의 포장이나 용기 등에 구비된 바코드, QR코드, 일련번호와 같은 아이템 코드 등 각종 코드를 이용하여 입력받을 수도 있다. 예를 들어, 사용자 인터페이스에서 식품명 입력 선택 시, 김밥, 탕수육, 김치찌개 등 구체적인 식품 리스트를 출력하여, 사용자가 선택 가능하도록 할 수 있다.
The input module 210 can receive the food name. At this time, the food name can be inputted or selected directly through a user device or a user interface, and can be input using various codes such as a bar code, a QR code, and an item code such as a serial number provided in a package or container of food. For example, when selecting the food name input in the user interface, a specific food list such as kimbap, sweet and sour cream, and kimchi stew can be output to be selected by the user.

모델링 모듈(220)은, 입력받은 식품명과 대응되는 식품에 대하여 선정된 우점종의 예상 식중독 균이 적용된 식품부패예측 모델을 이용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측지수를 도출할 수 있다. 이때, 식품부패예측지수는, 식품부패예측 모델 개발 시스템(100)의 지수 도출 모듈(150)에서 설명한 바와 같이 식품부패예측 모델에서 균의 수가 임계값에 도달하기까지의 잔여 시간일 수 있으며, 섭식 가능시간을 나타낼 수도 있다.
The modeling module 220 can derive a food corruption prediction index indicating the degree of corruption over time by using a food corruption prediction model to which the estimated food poisoning bacteria of the dominant species selected for the food corresponding to the input food name is applied. At this time, the food corruption prediction index may be the remaining time until the number of bacteria reaches the threshold value in the food corruption prediction model as described in the index derivation module 150 of the food corruption prediction model development system 100, It is also possible to indicate the possible time.

한편, 모델링 모듈(220)은, 미리 입력받은 식단에 대하여, 섭식 가능 시간을 기준으로 조리 우선순위를 설정할 수 있다. 특히, 급식 시설의 경우, 다량의 식품 조리로 인해 조리 시간이 오래 걸리기 때문에 식단을 구성하는 각 식품의 조리 시각은 다르지만, 실제 섭식 시간은 동일함에도 불구하고, 부패하기 쉬운 식품에 대한 고려가 전혀 없었다. 모델링 모듈(220)이 식단을 구성하는 각 식품의 식품부패예측지수를 이용하여, 실제 식사가 제공되는 시간에 부패가 일어나지 않도록 조리 우선순위를 설정하여, 기존과 같은 문제를 해결할 수 있다.
On the other hand, the modeling module 220 can set the cooking priority order on the basis of the feeding time with respect to the previously input food. In particular, in the case of a food service facility, since the cooking time is long due to the large amount of food cooked, the cooking time of each food constituting the food is different, but although the actual feeding time is the same, . Using the food corruption prediction index of each food constituting the diet, the modeling module 220 can set the cooking priority so that corruption does not occur at the time when the actual meal is provided, thereby solving the conventional problems.

모델링 모듈(220)의 세부적인 구성에 대해서는 추후 도 9를 이용하여 상세히 설명하도록 한다.
The detailed configuration of the modeling module 220 will be described later in detail with reference to FIG.

출력 모듈(230)은, 도출된 식품부패예측지수를 출력할 수 있다. 즉, 사용자가 식품부패예측지수와 조리 우선순위 등을 확인하고, 실제 식품의 조리나 섭식 등에 활용할 수 있도록, 출력 모듈(230)이 식품부패예측지수와 조리 우선순위 등을 출력할 수 있다.
The output module 230 may output the derived food corruption prediction index. That is, the output module 230 can output the food corruption prediction index, the cooking priority, and the like so that the user can confirm the food corruption prediction index and the cooking priority, and utilize the food for cooking or feeding.

한편, 본 발명에서, 입력 모듈(210) 및 출력 모듈(230) 중 적어도 하나는, 스마트 디바이스로 구현될 수 있다. 여기에서, 스마트 디바이스는, 스마트폰, 스마트 노트, 태블릿 PC, 스마트 카메라, 스마트 TV, 스마트 워치, 웨어러블(wearable) 컴퓨터 등일 수도 있다. 또한, 스마트 디바이스에 통신망 등에서 운영되는 애플리케이션 서버에서 관리하는 설치 프로그램에 의하여 설치된 실행 프로그램인 애플리케이션을 설치하여, 모델링 모듈(220)과 네트워크를 통한 신호 및 데이터의 송수신을 용이하게 하고, 식품명의 입력이나 식품부패예측지수의 출력을 위한 사용자 인터페이스를 활용할 수 있다.
In the present invention, at least one of the input module 210 and the output module 230 may be implemented as a smart device. Here, smart devices may be smart phones, smart notes, tablet PCs, smart cameras, smart TVs, smart watches, wearable computers, and the like. An application, which is an executable program installed by an installation program managed by an application server operated in a communication network or the like, is installed in the smart device to facilitate transmission and reception of signals and data through the network with the modeling module 220, A user interface for outputting the food corruption prediction index can be utilized.

도 7은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 구현 형태를 예를 들어 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 입력 모듈(210) 및 출력 모듈(230)은, 스마트폰으로 구현될 수 있으며, 사용자가 스마트폰을 이용하여 식품명을 입력하고, 모델링 모듈(220)에서 도출된 식품부패예측지수를 디스플레이부나 스피커 등의 출력 장치를 통해 출력할 수 있다.
FIG. 7 illustrates an embodiment of a food corruption prediction notification system 200 using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. 7, the input module 210 and the output module 230 of the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention can be implemented as a smartphone A user may input a food name using a smartphone and output the food spoilage prediction index derived from the modeling module 220 through an output device such as a display unit or a speaker.

도 8은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)에서, 출력 모듈(230)에 의해 출력된 디스플레이 화면을 예를 들어 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 출력 모듈(230)은, 식품부패예측 모델을 그래프 형태로 출력할 수 있으며, 온도, 습도 등의 환경 정보와 선택된 식품명, 식중독 예방을 위한 조치 등 각종 정보를 출력할 수도 있다.
FIG. 8 is a diagram illustrating a display screen output by the output module 230 in the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. 8, the output module 230 of the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention outputs the food corruption prediction model in the form of a graph And can output various information such as environmental information such as temperature and humidity, selected food name, measures for preventing food poisoning, and the like.

도 9는 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)에서, 모델링 모듈(220)의 세부적인 구성을 도시한 도면이다. 도 9에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 모델링 모듈(220)은, 모델 저장부(221), 모델 매칭부(222) 및 지수 도출부(224)를 포함하여 구성될 수 있으며, 환경 정보 수신부(223), 대응 정보 제공부(225), 모니터링부(226)를 더 포함하여 구성될 수 있다.
FIG. 9 is a diagram illustrating a detailed configuration of the modeling module 220 in the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. 9, the modeling module 220 of the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention includes a model storage unit 221, And an exponent derivation unit 224. The environment information receiving unit 223, the corresponding information providing unit 225, and the monitoring unit 226 may be further included.

모델 저장부(221)는, 미리 분류된 각 식품군에 대하여 개발된 식품부패예측 모델을 저장할 수 있다. 즉, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델 개발 시스템(100)에서 개발된 식품군 별 식품부패예측 모델을 저장하여, 모델링이 가능하도록 할 수 있다.
The model storage unit 221 can store the food corruption prediction model developed for each group of food groups classified in advance. That is, the food corruption prediction model developed by the artificial intelligence-based food corruption prediction model development system 100 according to an embodiment of the present invention can be stored and modeled.

모델 매칭부(222)는, 입력 모듈(210)에서 입력받은 식품명과 각 식품군을 매칭하여, 식품명에 대응되는 식품부패예측 모델을 검색할 수 있다. 즉, 모델 매칭부(222)는, 구체적인 식품명이 속하는 식품군을 검색하여 매칭하고, 해당 식품군에 대한 식품부패예측 모델을 찾아, 추후 상세히 설명할 지수 도출부(224)에서 사용 가능하도록 할 수 있다.
The model matching unit 222 can search for the food corruption prediction model corresponding to the food name by matching the food name inputted from the input module 210 with each food group. That is, the model matching unit 222 searches for food groups to which a specific food name belongs, matches the food groups, finds a food corruption prediction model for the food group, and makes it available for use in the index derivation unit 224 to be described in detail later.

환경 정보 수신부(223)는, 기상 정보 또는, 식품 조리실, 보관실, 보관 용기 및 냉장고를 포함하는 군에서 선택된 적어도 하나에 구비된 센서로부터 온도 및 습도 정보를 수신할 수 있다. 즉, 환경 정보 수신부(223)는, 기상 서버로부터 수신한 기상 정보 이외에도, 식품의 실제 조리와 보관이 이루어지는 장소 또는 용기 등에 구비된 센서로부터, 온도 및 습도 정보를 수신하여, 정확한 식품부패예측이 가능하도록 할 수 있다.
The environment information receiving unit 223 can receive temperature and humidity information from sensors provided in at least one of weather information or at least one selected from the group including a food cooking chamber, a storage room, a storage container, and a refrigerator. That is, in addition to the weather information received from the weather server, the environment information receiving unit 223 receives temperature and humidity information from a sensor provided in a place or a container where food is actually cooked and stored, .

지수 도출부(224)는, 모델 매칭부(222)에서 검색된 식품부패예측 모델을 이용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측지수를 도출할 수 있으며, 환경 정보 수신부(223)에서 수신한 온도 및 습도 정보를 더 이용하여 보다 정확한 식품부패예측지수를 도출할 수 있다. 또한, 지수 도출부(224)는, 시간에 따른 부패 속도의 변화를 이용해, 권장 섭식 시간을 더 도출할 수 있다.
The exponent derivation unit 224 can derive a food corruption prediction index indicating the degree of corruption with time using the food corruption prediction model retrieved by the model matching unit 222, More accurate temperature and humidity information can be used to derive a more accurate predictor of food corruption. Further, the exponent derivation unit 224 can derive the recommended feeding time by using the change of the decay rate with time.

이와 같이, 지수 도출부(224)는, 구체적인 식품에 대하여, 실제 환경에서의 식품부패를 예측하고, 사용자가 체감할 수 있는 시간 개념의 식품부패예측지수를 도출하기 때문에, 정확도 및 활용도가 높아 실질적인 식중독 예방 효과를 얻을 수 있다.
As described above, the index derivation unit 224 predicts food corruption in a real environment and derives a food corruption prediction index of a time concept in which the user can perceive a specific food, so that the accuracy and utilization are high, The effect of preventing food poisoning can be obtained.

대응 정보 제공부(225)는, 식품부패예측지수 및 환경 정보 수신부(223)에서 수신한 온도 및 습도 정보를 이용하여, 식품의 보관 방법 또는 부패 방지 조치를 출력 모듈(230)을 통해 제공할 수 있다. 즉, 도 8에 도시된 바와 같은 화면에 출력된 “70도 이상으로 5분간 가열 후 보관하세요.”와 같은 조치를 대응 정보 제공부(225)가 제공할 수 있다.
The countermeasure information providing unit 225 can provide the food storage method or the anti-corruption measure through the output module 230 by using the food corruption prediction index and the temperature and humidity information received by the environment information receiving unit 223 have. That is, the countermeasure information providing unit 225 can provide a measure such as " Please store after heating for 70 minutes or more for 5 minutes " on the screen as shown in Fig.

또한, 온도 및 습도 정보에 따라 제공되는 식품의 보관 방법 또는 부패 방지 조치는 서로 상이할 수 있다. 이를 위하여, 대응 정보 제공부(225)는 식품의 보관 방법 또는 부패 방지 조치 등이 저장된 데이터베이스를 활용할 수 있으며, 네트워크를 통해 데이터베이스에 접속하여 다양한 정보를 검색하여 제공할 수도 있다.
In addition, the method of storing food or anti-corruption measures provided according to temperature and humidity information may be different from each other. To this end, the countermeasure information providing unit 225 may utilize a database in which a food storage method, a corruption prevention measure, and the like are stored, and may access a database through a network to retrieve and provide various information.

모니터링부(226)는, 보관 용기에 구비된 코드 및 냉장고에 구비된 코드 인식 장치로부터, 식품의 냉장고 출입을 모니터링 할 수 있다. 즉, 식품의 보관 용기에 보관된 식품에 대한 코드를 부착하고, 냉장고 출입 시 냉장고의 코드 인식 장치가 보관 용기의 코드를 자동으로 인식하여 모니터링부(226)에 전달함으로써, 모니터링부(226)가 냉장고에 출입하는 식품을 관리할 수 있다.
The monitoring unit 226 can monitor the refrigerator entry / exit of the food from the code provided in the storage container and the code recognition device provided in the refrigerator. That is, the code for the food stored in the storage container of the food is attached, and the code recognition device of the refrigerator automatically recognizes the code of the storage container when the refrigerator enters and exits and transfers the code to the monitoring part 226, You can manage the food entering and leaving the refrigerator.

또한, 모니터링부(226)는, 냉장고 출입에 따른 해당 식품의 환경 변화를 지수 도출부(224)에 전달하고, 지수 도출부(224)는 모니터링 결과에 따라 식품부패예측지수를 수정함으로써, 정확한 모델링이 가능하도록 할 수 있다. 또한, 식품 보관 방법이나 조치 등이 제대로 이루어졌는지 등을 추적할 수도 있다.
The monitoring unit 226 transmits the environmental change of the food to and from the refrigerator to the exponent deriving unit 224. The exponent deriving unit 224 corrects the food corruption prediction index according to the monitoring result, . You can also track how the food was stored and how it worked.

도 10은 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)의 구현 상태를 예를 들어 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200)은, 부엌 내 또는 냉장고 등에 출력 모듈(230)을 구비하여, 실시간으로 업데이트되는 식품부패예측지수를 출력할 수 있다. 또한, 실시예에 따라서는, 사용자의 스마트 디바이스와의 통신을 통해 원격지에 위치한 사용자에게 식품부패여부를 알려주어, 적극적인 대응이 가능하도록 할 수도 있다.
10 is a diagram illustrating an implementation state of a food corruption prediction notification system 200 using an artificial intelligence-based food corruption prediction model according to an embodiment of the present invention. As shown in FIG. 10, the food corruption prediction notification system 200 using the artificial intelligence-based food corruption prediction model according to an embodiment of the present invention includes an output module 230 in a kitchen or a refrigerator, The food corruption prediction index may be updated. In addition, according to the embodiment, it is possible to notify the user located at the remote place through the communication with the smart device of the user whether the food is corrupt or not, so that the user can actively respond.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics and scope of the invention.

100: 본 발명의 일실시예에 따른 식품부패예측 모델 개발 시스템
110: 식품 분석 모듈 120: 균 분석 모듈
130: 환경 분석 모듈 140: 모델 개발 모듈
150: 지수 도출 모듈 200: 식품부패예측 알림 시스템
210: 입력 모듈 220: 모델링 모듈
221: 모델 저장부 222: 모델 매칭부
223: 환경 정보 수신부 224: 지수 도출부
225: 대응 정보 제공부 226: 모니터링부
230: 출력 모듈100: A food corruption prediction model development system according to an embodiment of the present invention
110: Food analysis module 120: Bacteria analysis module
130: environment analysis module 140: model development module
150: Exponentiation module 200: Food Corruption Prediction System
210: input module 220: modeling module
221: Model storage unit 222: Model matching unit
223: Environmental information receiving unit 224: Index deriving unit
225: corresponding information providing unit 226:
230: Output module

Claims (20)

식품부패예측 모델 개발 시스템(100)으로서,
식품 데이터를 분석하는 식품 분석 모듈(110);
복수의 식중독 균 데이터를 분석하는 균 분석 모듈(120); 및
상기 식품 분석 모듈(110) 및 균 분석 모듈(120)의 분석 결과를 이용하여, 각 식품에 대한 식중독 예상 균의 우점종을 선정하고, 각 식품에 대하여 선정된 우점종의 식중독 균을 적용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측 모델을 개발하는 모델 개발 모듈(140)을 포함하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
As a food corruption prediction model development system (100)
A food analysis module 110 for analyzing food data;
A bacteria analysis module (120) for analyzing a plurality of food poisoning bacteria data; And
Using the analysis results of the food analysis module 110 and the bacteria analysis module 120, the dominant species of the food poisoning anticipated bacterium for each food was selected, and the food bacterium of the selected dominant species was applied to each food, And a model development module (140) for developing a food corruption prediction model indicating the degree of corruption caused by the food corruption prediction model.
제1항에 있어서, 상기 식품 분석 모듈(110)은,
식자재의 배송 상태, 식품의 조리 방법, 음식 보관 방법 및 식품 성분을 포함하는 군에서 선택된 적어도 하나 이상의 식품 데이터를 분석하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
The food analysis module (110) according to claim 1, wherein the food analysis module (110)
A system (100) for developing an artificial intelligence based food corruption prediction model, characterized by analyzing at least one food data selected from the group consisting of food delivery conditions, food cooking methods, food storage methods and food ingredients.
제2항에 있어서, 상기 식자재의 배송 상태는,
계절별 온도, 습도 및 자외선을 포함하는 계절 환경 정보에 따라 결정되는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
3. The method according to claim 2,
(100) according to the present invention is determined according to seasonal environmental information including seasonal temperature, humidity, and ultraviolet rays.
제1항에 있어서, 상기 식품 분석 모듈(110)은,
식품안전정보포털 데이터로부터 수집된 식품 데이터를 분석하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
The food analysis module (110) according to claim 1, wherein the food analysis module (110)
An artificial intelligence-based food corruption prediction model development system (100) characterized by analyzing food data collected from food safety information portal data.
제1항에 있어서, 상기 식품 분석 모듈(110)은,
상기 식품 데이터를 이용하여 복수의 식품을 미리 정해진 식품군으로 분류하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
The food analysis module (110) according to claim 1, wherein the food analysis module (110)
A system (100) for developing an artificial intelligence-based food corruption prediction model, characterized by classifying a plurality of foods into a predetermined food group using the food data.
제5항에 있어서, 상기 모델 개발 모듈(140)은,
상기 식품 분석 모듈(110)에서 분류된 각 식품군 별로 상기 식품부패예측 모델을 개발하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
6. The method of claim 5, wherein the model development module (140)
Wherein the food corruption prediction model is developed for each food group classified by the food analysis module (110).
제1항에 있어서,
상기 균 분석 모듈(120)은, 시간에 따른 각 식중독 균의 성장 또는 사멸을 예측하는 제1차 모델을 개발하며,
상기 모델 개발 모듈(140)은, 각 식품에 대하여 선정된 우점종의 식중독 균에 대하여 상기 균 분석 모듈(120)에서 개발된 제1차 모델을 이용하여, 상기 식품부패예측 모델을 개발하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
The method according to claim 1,
The microorganism analysis module 120 develops a first model that predicts the growth or death of each food poisoning bacteria over time,
The model development module 140 develops the food spoilage prediction model using the first model developed by the microorganism analysis module 120 for food poisoning bacteria of the selected dominant species for each food A system for the development of artificial intelligence-based food corruption prediction models (100).
제1항에 있어서,
온도, 습도 및 자외선 정보를 포함하는 환경 데이터를 분석하는 환경 분석 모듈(130)을 더 포함하며,
상기 모델 개발 모듈(140)은, 상기 환경 분석 모듈(130)에서 분석한 분석 결과를 상기 식품부패예측 모델에 적용하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
The method according to claim 1,
Further comprising an environmental analysis module (130) for analyzing environmental data including temperature, humidity and ultraviolet information,
Wherein the model development module (140) applies the analysis result analyzed by the environment analysis module (130) to the food corruption prediction model (100).
제8항에 있어서, 상기 환경 분석 모듈(130)은,
기상 정보 및, 조리실 또는 보관실에서 직접 측정된 정보를 포함하는 군에서 선택된 적어도 하나 이상의 환경 데이터를 분석하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
9. The system of claim 8, wherein the environment analysis module (130)
(100) for analyzing at least one environmental data selected from the group comprising weather information, and information directly measured in a kitchen or a storage room.
제1항에 있어서,
상기 모델 개발 모듈(140)에서 개발된 식품부패예측 모델을 이용하여, 각 식품에 대한 시간 개념의 식품부패예측지수를 도출하는 지수 도출 모듈(150)을 더 포함하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
The method according to claim 1,
Further comprising an index derivation module (150) for deriving a food corruption prediction index of a time concept for each food using the food corruption prediction model developed by the model development module (140) Food corruption prediction model development system (100).
제10항에 있어서, 상기 지수 도출 모듈(150)은,
각 식품에 대해 선정된 우점종의 감염 위험성, 균의 위험성 및 최소 감염수를 포함하는 군에서 선택된 적어도 하나 이상의 요인을 고려하여, 상기 식품부패예측지수를 도출하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델 개발 시스템(100).
11. The apparatus of claim 10, wherein the exponentiation module (150)
Wherein the food spoilage prediction index is derived by taking into consideration at least one factor selected from the group including the risk of infection of the dominant species selected for each food, the risk of the organism, and the minimum number of infections, Predictive model development system (100).
식품부패예측 알림 시스템(200)으로서,
식품명을 입력받는 입력 모듈(210);
상기 입력받은 식품명과 대응되는 식품에 대하여 선정된 우점종의 예상 식중독 균이 적용된 식품부패예측 모델을 이용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측지수를 도출하는 모델링 모듈(220); 및
상기 도출된 식품부패예측지수를 출력하는 출력 모듈(230)을 포함하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
A food corruption prediction notification system (200)
An input module 210 for receiving a food name;
A modeling module (220) for deriving a food spoilage prediction index indicating a degree of spoilage over time using a food spoilage prediction model to which a predicted food poisoning bacterium of a dominant species selected for the food corresponding to the input food name is applied; And
And an output module (230) for outputting the derived food spoilage prediction index.
제12항에 있어서, 상기 식품부패예측지수는,
섭식 가능시간을 나타내는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
14. The food spoilage prediction index according to claim 12,
Wherein the food corruption predictive model is based on an artificial intelligence-based food corruption prediction model.
제13항에 있어서, 상기 모델링 모듈(220)은,
미리 입력받은 식단에 대하여, 상기 섭식 가능 시간을 기준으로 조리 우선순위를 설정하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
14. The method of claim 13, wherein the modeling module (220)
The food corruption prediction notification system (200) using the artificial intelligence-based food corruption prediction model, wherein a cooking priority is set based on the food-feeding time with respect to the foodstuff inputted in advance.
제12항에 있어서, 상기 모델링 모듈(220)은,
미리 분류된 각 식품군에 대하여 개발된 식품부패예측 모델을 저장하는 모델 저장부(221);
상기 입력 모듈(210)에서 입력받은 식품명과 상기 각 식품군을 매칭하여, 상기 식품명에 대응되는 식품부패예측 모델을 검색하는 모델 매칭부(222); 및
상기 모델 매칭부(222)에서 검색된 식품부패예측 모델을 이용하여, 시간에 따른 부패 정도를 나타내는 식품부패예측지수를 도출하는 지수 도출부(224)를 포함하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
13. The method of claim 12, wherein the modeling module (220)
A model storage unit 221 for storing a food corruption prediction model developed for each group of foods classified in advance;
A model matching unit 222 for matching the food name inputted from the input module 210 with each food group and searching for a food spoilage prediction model corresponding to the food name; And
And an exponent derivation unit (224) for deriving a food corruption prediction index indicating a degree of corruption with time using the food corruption prediction model retrieved by the model matching unit (222) Food Corruption Prediction System Using Predictive Model (200).
제15항에 있어서, 상기 지수 도출부(224)는,
시간에 따른 부패 속도의 변화를 이용해, 권장 섭식 시간을 더 도출하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
16. The apparatus according to claim 15, wherein the exponent derivation unit (224)
A food corruption prediction notification system (200) using an artificial intelligence based food corruption prediction model, characterized by further deriving a recommended feeding time using a change in decay rate with time.
제15항에 있어서, 상기 모델링 모듈(220)은,
기상 정보 또는, 식품 조리실, 보관실, 보관 용기 및 냉장고를 포함하는 군에서 선택된 적어도 하나에 구비된 센서로부터 온도 및 습도 정보를 수신하는 환경 정보 수신부(223)를 더 포함하며,
상기 지수 도출부(224)는, 상기 환경 정보 수신부(223)에서 수신한 온도 및 습도 정보를 더 이용하여 상기 식품부패예측지수를 도출하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
16. The method of claim 15, wherein the modeling module (220)
Further comprising an environment information receiving unit (223) for receiving temperature and humidity information from at least one sensor selected from the group consisting of weather information or food cooking room, storage room, storage container and refrigerator,
Wherein the exponent derivation unit (224) derives the food corruption prediction index by further using the temperature and humidity information received by the environment information reception unit (223) Corruption prediction notification system (200).
제17항에 있어서, 상기 모델링 모듈(220)은,
상기 식품부패예측지수 및 상기 환경 정보 수신부(223)에서 수신한 온도 및 습도 정보를 이용하여, 식품의 보관 방법 또는 부패 방지 조치를 상기 출력 모듈(230)을 통해 제공하는 대응 정보 제공부(225)를 더 포함하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
18. The method of claim 17, wherein the modeling module (220)
A corresponding information providing unit 225 for providing the food storage method or the anti-corruption measure through the output module 230 by using the food corruption prediction index and the temperature and humidity information received from the environment information receiving unit 223, (200) using the artificial intelligence-based food corruption prediction model.
제15항에 있어서,
보관 용기에 구비된 코드 및 냉장고에 구비된 코드 인식 장치로부터, 식품의 냉장고 출입을 모니터링 하는 모니터링부(226)를 더 포함하며,
상기 지수 도출부(224)는, 상기 모니터링 결과에 따라 식품부패예측지수를 수정하는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).
16. The method of claim 15,
Further comprising a monitoring unit (226) for monitoring the entrance and exit of the refrigerator of the food from the code provided in the storage container and the code recognition device provided in the refrigerator,
Wherein the exponent derivation unit (224) corrects the food corruption prediction index according to the monitoring result. The food corruption prediction notification system (200) using the artificial intelligence-based food corruption prediction model.
제12항에 있어서,
상기 입력 모듈(210) 및 출력 모듈(230) 중 적어도 하나는, 스마트 디바이스로 구현되는 것을 특징으로 하는, 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템(200).13. The method of claim 12,
Wherein at least one of the input module (210) and the output module (230) is implemented as a smart device, the food corruption prediction notification system (200) using the artificial intelligence based food corruption prediction model.
KR1020160139103A 2016-10-25 2016-10-25 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model KR101864252B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160139103A KR101864252B1 (en) 2016-10-25 2016-10-25 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160139103A KR101864252B1 (en) 2016-10-25 2016-10-25 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model

Publications (2)

Publication Number Publication Date
KR20180045230A true KR20180045230A (en) 2018-05-04
KR101864252B1 KR101864252B1 (en) 2018-06-04

Family

ID=62199672

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160139103A KR101864252B1 (en) 2016-10-25 2016-10-25 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model

Country Status (1)

Country Link
KR (1) KR101864252B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020060090A1 (en) * 2018-09-21 2020-03-26 Samsung Electronics Co., Ltd. Method and system for providing information related to state of object in refrigerator
KR20210054760A (en) * 2019-11-06 2021-05-14 농업회사법인 주식회사 푸드스미스 Gas measuring device capable of precisely measuring gas generated from food and surrounding environment, and method of monitoring state of the food using the same

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10515715B1 (en) 2019-06-25 2019-12-24 Colgate-Palmolive Company Systems and methods for evaluating compositions
KR102635331B1 (en) * 2021-09-06 2024-02-08 한국식품연구원 Method and apparatus for predicting food poisoning bacteria under dynamic temperature condition

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007328464A (en) * 2006-06-06 2007-12-20 Sharp Corp Buying activity management device, control method, control program and computer-readable recording medium with the control program recorded thereon
KR101209404B1 (en) * 2012-03-29 2012-12-06 군산대학교산학협력단 Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food
KR20150140554A (en) * 2015-01-14 2015-12-16 전대연 Food material management system in Refrigerator.

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007328464A (en) * 2006-06-06 2007-12-20 Sharp Corp Buying activity management device, control method, control program and computer-readable recording medium with the control program recorded thereon
KR101209404B1 (en) * 2012-03-29 2012-12-06 군산대학교산학협력단 Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food
KR20150140554A (en) * 2015-01-14 2015-12-16 전대연 Food material management system in Refrigerator.

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020060090A1 (en) * 2018-09-21 2020-03-26 Samsung Electronics Co., Ltd. Method and system for providing information related to state of object in refrigerator
KR20200034903A (en) * 2018-09-21 2020-04-01 삼성전자주식회사 Method and system for providing information related to a status of an object in a refrigerator
US11263498B2 (en) 2018-09-21 2022-03-01 Samsung Electronics Co., Ltd. Method and system for providing information related to a status of an object in a refrigerator
KR20210054760A (en) * 2019-11-06 2021-05-14 농업회사법인 주식회사 푸드스미스 Gas measuring device capable of precisely measuring gas generated from food and surrounding environment, and method of monitoring state of the food using the same

Also Published As

Publication number Publication date
KR101864252B1 (en) 2018-06-04

Similar Documents

Publication Publication Date Title
US11181515B2 (en) Scent-based spoilage sensing refrigerator
KR101864252B1 (en) Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model
US20190226755A1 (en) Image-based spoilage sensing refrigerator
Heising et al. Options for reducing food waste by quality-controlled logistics using intelligent packaging along the supply chain
Van Gerwen et al. Stepwise quantitative risk assessment as a tool for characterization of microbiological food safety
US11244280B2 (en) Reducing food waste by using a machine learning model
Nauta et al. Tools for microbiological risk assessment
CN108254513A (en) A kind of judgment method and device of fish shelf life
Sapkota et al. Price transmission relationships along the seafood value chain in Bangladesh: Aquaculture and capture fisheries
Xiao et al. Developing an intelligent traceability system for aquatic products in cold chain logistics integrated WSN with SPC
US20230161330A1 (en) Early warning system for food safety violation and method thereof
Caya et al. Determining spoilage level against time and temperature of tomato-based Filipino cuisines using electronic nose
Jacobsen et al. Improving food safety through data pattern discovery in a sensor-based monitoring system
Tarlak et al. Development and validation of a one-step modelling approach for the determination of chicken meat shelf-life based on the growth kinetics of Pseudomonas spp
Kim et al. Estimation of real-time remaining shelf life using mean kinetic temperature
Huang Evaluating the performance of a new model for predicting the growth of Clostridium perfringens in cooked, uncured meat and poultry products under isothermal, heating, and dynamically cooling conditions
Rijgersberg et al. Modeling logistic performance in quantitative microbial risk assessment
US20230224612A1 (en) Systems and methods for sensor monitoring and sensor-related calculations
US20140136430A1 (en) Product integrity monitor
Stutt et al. An integrated model for pre-and post-harvest aflatoxin contamination in maize
US20190050796A1 (en) Method of auditing cold chain distribution systems
Lambertini et al. The Public Health Impact of Implementing a Concentration‐Based Microbiological Criterion for Controlling Salmonella in Ground Turkey
Seo et al. Contamination of Clostridium perfringens in soy sauce, and quantitative microbial risk assessment for C. perfringens through soy sauce consumption
Amézquita et al. Modelling microbiological shelf life of foods and beverages
US11810029B2 (en) Predictive forecasting of food allocation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant