KR20190068446A - 식품 정보 관리 장치 및 식품 정보 관리 방법 - Google Patents
식품 정보 관리 장치 및 식품 정보 관리 방법 Download PDFInfo
- Publication number
- KR20190068446A KR20190068446A KR1020180154523A KR20180154523A KR20190068446A KR 20190068446 A KR20190068446 A KR 20190068446A KR 1020180154523 A KR1020180154523 A KR 1020180154523A KR 20180154523 A KR20180154523 A KR 20180154523A KR 20190068446 A KR20190068446 A KR 20190068446A
- Authority
- KR
- South Korea
- Prior art keywords
- food
- information
- learning
- nutrient
- spectroscopic
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 262
- 238000000034 method Methods 0.000 title claims abstract description 33
- 235000015097 nutrients Nutrition 0.000 claims abstract description 128
- 230000005477 standard model Effects 0.000 claims abstract description 49
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract 9
- 230000003595 spectral effect Effects 0.000 claims description 72
- 238000012795 verification Methods 0.000 claims description 37
- 150000001720 carbohydrates Chemical class 0.000 claims description 21
- 102000004169 proteins and genes Human genes 0.000 claims description 15
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 229910002651 NO3 Inorganic materials 0.000 claims description 4
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 39
- 235000014633 carbohydrates Nutrition 0.000 description 19
- 238000010586 diagram Methods 0.000 description 6
- 238000004186 food analysis Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009629 microbiological culture Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 235000000346 sugar Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nutrition Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명의 일 실시 예에 따른 식품 정보 관리 장치는 열량 영양소의 농도 별로 임의로 제조된 표준 모델 식품의 분광신호를 기초로 구축된 열량 영양소 농도 별 분광신호 데이터베이스를 제공할 수 있다.
Description
본 식품 정보 관리 장치 및 식품 정보 관리 방법에 관련된 것으로, 식품의 분광신호를 스스로 학습하는 식품 정보 관리 장치 및 식품 정보 관리 방법에 관련된 것이다.
종래 식품을 분석하는 방식은 크게 화학적 식품분석과 비파괴식 식품분석 방식이 있다.
화학적 식품분석 방식은 실제로 식품의 시료를 추출하여 시료의 화학적인 반응을 측정함으로써 가장 높은 정확도를 보이지만 실험실 레벨에서만 사용 가능하며 미생물 배양 등의 특수한 경우 시간이 매우 오래 걸리는 한계가 있다.
이와 달리, 비파괴식 성분분석 방식은 일반 카메라 (가시영역) 및 Near-IR (적외선영역) 등의 빛을 식품에 쏘아 반사되는 빛의 스펙트럼을 분석하는 방식으로 비파괴 분석이 가능하며 빠르게 결과를 제공해 준다는 점에서 의미가 있다.
비파괴식 성분분석 방식은 측정된 입력과 기존에 구축된 데이터베이스 내에 미리 저장된 데이터를 비교하여 결과를 산출한다는 점에서 미리 데이터베이스 구축되지 못한 새로운 입력이 들어오는 경우 식품분석의 신뢰도가 낮아진다는 한계가 있었다.
이에 본 발명자들은 기존의 비파괴성 성분분석 방식의 취약점을 개선한, 식품 정보 관리 장치 및 식품 정보 관리 방법을 발명하게 되었다.
본 발명이 해결하고자 하는 일 기술적 과제는, 기계학습 방식으로 열량 영양소의 성분에 상응하는 분광신호 데이터베이스를 구축하는 식품 정보 관리 장치 및 식품 정보 관리 방법을 제공하는 데 있다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 고 정밀도의 기계학습 결과를 가지는 식품 정보 관리 장치 및 식품 정보 관리 방법을 제공하는 데 있다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 분광신호 데이터베이스에 기반하여, 임의의 식품에 대한 분광신호가 가지는 식품 정보를 제공하는 데 있다.
본 발명이 해결하고자 하는 기술적 과제는 상술된 것에 제한되지 않는다.
본 발명의 일 실시 예에 따른 식품 정보 관리 장치는, 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 정해진 기준에 따라 설정된, 표준 모델 식품 분광 정보 획득부, 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부, 상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품의 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보로부터 분광신호를 생성하는 방식을 학습하는 학습부 및 상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장되는 데이터베이스를 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터베이스에 상기 학습된 결과를 저장한 이후에, 특정 식품에 대한 분광신호를 획득하는 경우, 상기 데이터베이스를 통하여 상기 특정 식품에 대한 분광신호에 상응하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 식품 정보 제공부는, 상기 특정 식품에 대한 분광신호가 상기 데이터베이스에 미 저장된 경우, 상기 학습부를 통하여 상기 특정 식품에 대한 분광 신호를 생성하는 열량 영양소 조합을 생성할 수 있다.
일 실시 예에 따르면, 상기 식품 정보 제공부는, 상기 데이터베이스 내에서, 상기 특정 식품에 대한 분광신호와 매칭하는 학습 분광신호를 고려하되, 상기 매칭하는 정도는 제공할 식품 정보의 종류에 따라 상이할 수 있다.
일 실시 예에 따르면, 상기 식품 정보가 상기 특정 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 상기 특정 식품의 열량 영양소에 대한 정보인 경우보다 높을 수 있다.
본 발명의 일 실시 예에 따른 식품 정보 관리 방법은, 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 설정된, 표준 모델 식품 분광 정보 획득 단계; 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계; 상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보에 상응하는 분광신호를 학습하는 학습 단계; 및 상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 식품 정보 관리 장치는 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부; 상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광신호 대 열량 영양소 관계를 학습하는 학습부; 및 상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장하는 데이터베이스를 포함하되, 상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함할 수 있다.
일 실시 예에 따르면, 상기 공통 네트워크와 상기 열량 영양소 별 네트워크 사이에는 조인트 레이어(joint layer)가 위치하며, 상기 조인트 레이어의 노드 수는 상기 조인트 레이어 이전 레이어의 노드 수보다 적을 수 있다.
일 실시 예에 따르면, 상기 조인트 레이어는 검증 네트워크와 연결되며, 상기 검증 네트워크는 상기 공통 네트워크로부터의 결과에 기반하여 상기 입력된 분광신호를 역으로 생성하고, 상기 학습부는 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크를 재 학습시킬 수 있다.
일 실시 예에 따르면, 상기 학습부는, 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도를, 분광신호 파형 형상을 기준으로 판단할 수 있다.
일 실시 예에 따르면, 임의의 분광신호를 획득한 경우, 상기 데이터베이스에 기반하여 상기 임의의 분광신호에 매칭하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 식품 정보 제공부는, 제공하는 식품 정보의 종류에 따라 상기 매칭 정도를 달리 적용하되, 상기 식품 정보가 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 식품의 열량 영양소에 대한 정보인 경우보다 높을 수 있다.
본 발명의 일 실시 예에 따른 식품 정보 관리 방법은, 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계; 상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광 신호 대 열량 영양소 관계를 학습하는 학습 단계; 및 상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함하되, 상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함할 수 있다.
본 발명의 일 실시 예에 따르면, 식품 정보 관리 장치 및 식품 정보 관리 방법기계학습 방식으로 열량 영양소의 성분에 상응하는 분광신호 데이터베이스를 구축할 수 있다.
본 발명의 일 실시 예에 따르면, 자가 검증을 통하여 고 정밀도의 데이터베이스를 제공할 수 있다.
본 발명의 일 실시 예에 따르면, 임의의 분광신호 만으로 고 신뢰성의 식품 정보를 제공할 수 있다.
본 발명이 해결하고자 하는 기술적 효과는 상술된 것에 제한되지 않는다.
도 1은 본 발명의 제1 실시 예에 따른 식품 정보 관리 장치의 블록도를 도시한다.
도 2는 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시한다.
도 3 내지 도 6은 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 7은 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치의 블록도를 설명하기 위한 도면이다.
도 8은 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시한다.
도 9는 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 2는 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시한다.
도 3 내지 도 6은 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 7은 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치의 블록도를 설명하기 위한 도면이다.
도 8은 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시한다.
도 9는 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
이하, 첨부된 도면들을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명할 것이다. 그러나 본 발명의 기술적 사상은 여기서 설명되는 실시 예에 한정되지 않고 다른 형태로 구체화 될 수도 있다. 오히려, 여기서 소개되는 실시 예는 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한, 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
또한, 본 명세서의 다양한 실시 예 들에서 제1, 제2, 제3 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 따라서, 어느 한 실시 예에 제 1 구성요소로 언급된 것이 다른 실시 예에서는 제 2 구성요소로 언급될 수도 있다. 여기에 설명되고 예시되는 각 실시 예는 그것의 상보적인 실시 예도 포함한다. 또한, 본 명세서에서 '및/또는'은 전후에 나열한 구성요소들 중 적어도 하나를 포함하는 의미로 사용되었다.
명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 또한, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 구성요소 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 구성요소 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하는 것으로 이해되어서는 안 된다. 또한, 본 명세서에서 "연결"은 복수의 구성 요소를 간접적으로 연결하는 것, 및 직접적으로 연결하는 것을 모두 포함하는 의미로 사용된다.
또한, 하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 것이다.
도 1은 본 발명의 제1 실시 예에 따른 식품 정보 관리 장치의 블록도를 도시한다.
본 발명의 일 실시 예에 따른 식품 정보 관리 장치(100)는, 열량 영양소인 탄소화물, 단백질, 지방의 각 함량에 따라 분광신호(hyperspectral images)가 서로 다른 특성을 보인다는 점을 고려하여, 임의의 식품에 대한 분광신호가 주어진 경우, 임의의 식품에 대한 정보 예를 들어, 어떤 식품인지, 열량이 얼마인지, 각 열량 영양소의 함량이 얼마인지 등에 대한 정보를 제공할 수 있다. 이 때, 분광신호라 함은 물체 즉 식품이 가지고 있는 빛의 성분을 파장의 순서로 나열한 것으로 의미하는 것으로, 일 예에 따르면 분광신호는 650nm 이상, 예를 들어, 887nm 내지 1722nm 범위의 파장 대역을 가질 수 있다.
도 1을 참조하면, 일 실시 예에 따른 식품 정보 관리 장치(100)는 분광 정보 획득부(100), 학습부(120), 데이터베이스(130) 및 식품 정보 제공부(140) 중 적어도 하나를 포함하여 이루어질 수 있다. 이하 각 구성에 대하여 설명하기로 한다.
상기 분광 정보 획득부(110)는 식품에 대한 분광신호와 그에 상응하는 열량 영양소 정보를 획득할 수 있다. 이 때, 식품은 표준 모델 식품 및 참조 식품(즉 실제 식품) 중 적어도 하나를 포함할 수 있는 바, 상기 분광 정보 획득부(110)는 표준 모델 식품 분광 정보 획득부(112) 및 참조 식품 분광 정보 획득부(114)를 포함할 수 있다.
상기 표준 모델 식품 분광 정보 획득부(112)는 표준 모델 식품의 열량 영양소 정보 및 열량 영양소 정보에 상응하는 분광신호에 대한 정보를 획득할 수 있다. 이 때, 표준 모델 식품이라 함은, 탄수화물, 단백질, 지방의 각 열량 영양소가 소정의 단위 예를 들어, 5% 비율로 달라지는 실험을 위하여 가공된 식품을 의미할 수 있다. 보다 구체적인 예를 들어, 표준 모델 식품 1은, 탄수화물:단백질:지방=5%:0%:0%로 이루어지고 분광신호1을 가질 수 있고, 표준 모델 식품 2는 탄수화물:단백질:지방=5%:5%:0%로 이루어지고 분광신호2를 가질 수 있고, 표준 모델 식품 3은 탄수화물:단백질:지방=5%:5%:5%로 이루어지고 분광신호3을 가질 수 있고, 표준 모델 식품 4는 탄수화물:단백질:지방=10%:0%:0%로 이루어지고 분광신호4를 가질 수 있고, 표준 모델 식품 n은 탄수화물:단백질:지방=m%:m%:m0%로 이루어지고 분광신호n을 가질 수 있다.
이 때, 표준 모델 식품 1과 같이 탄수화물 5% 만으로 이루어지거나 표준 모델 식품 2와 같이 탄수화물, 단백질 5% 만으로 이루어지거나 표준 모델 식품 3과 같이 탄수화물, 단백질, 지방 각 5%로 이루어지거나, 표준 모델 식품 4와 같이 탄수화물 10% 만으로 이루어진 식품은 존재하기 어려우나, 표준 모델 식품을 미리 제조하고 그의 분광신호를 획득한다는 점에서 의의가 있다.
즉, 표준 모델 식품 분광 정보 획득부(112)는 각 열량 영양소의 농도 별로 분광신호가 어떻게 변하는지에 대한 정보를 획득할 수 있다. 이에 따라, 비록 자연계에 존재하지 않는 식품이라 하더라도 각 열량 영양소의 조합에 의하여 합성될 수 있는 분광신호 정보를 획득할 수 있는 것이다. 이후, 표준 모델 식품 분광 정보 획득부(112)가 획득하는 정보는 고 신뢰도의 데이터베이스(130) 구축에 활용될 수 있다.
상기 참조 식품 분광 정보 획득부(114)는 참조 식품에 대한 열량 영양소 정보 및 열량 영양소 정보에 상응하는 분광신호에 대한 정보를 획득할 수 있다. 여기서 참조 식품이라 함은 당근, 배추, 설탕, 옥수수와 같이 자연계에 존재하는 실제 식품을 의미할 수 있다. 상기 참조 식품 분광 정보 획득부(114)가 획득한 정보도 상기 데이터베이스(130)에 제공될 수 있다.
상기 학습부(120)는 상기 분광 정보 획득부(120)가 획득한 정보에 기반하여, 새로운 열량 영양소 조합과 그 조합 시의 분광신호를 학습할 수 있다. 즉, 상기 학습부(120)는 표준 모델 식품의 열량 영양소 정보 및 그에 대한 분광신호 정보, 참조 식품의 열량 영양소 정보 및 그에 대한 분광신호 정보를 활용하여, 새로운 열량 영양소 조합과 그 조합 시의 분광신호를 학습할 수 있는 것이다.
상기 학습부(120)는 상기 표준 모델 식품의 열량 영양소 정보 및 그에 대한 분광신호 정보를 통하여, 새로운 열량 영양소 조합으로 구성된 새로운 식품을 생성할 있다. 학습의 검증을 위하여, 상기 학습부(120)는 예를 들어, 참조 식품 분광 정보 획득부(114)를 통하여 기 획득된 식품의 열량 영양소와 같은 식품을 새로이 생성할 수 있다. 즉, 새로운 식품에 대한 분광신호는 이미 획득된 상태일 수 있다.
상기 학습부(120)는 상기 새로운 식품에 대한 분광신호를 예상할 수 있다. 상기 학습부(120)는 다양한 머신 러닝 방식으로 상기 새로운 식품에 대한 분광신호를 예상할 수 있다. 상기 학습부(120)는 예상된 분광신호와, 상기 참조 식품 분광 정보 획득부(114)를 통하여 기 획득된 분광신호를 대비할 수 있다. 상기 학습부(120)는 대비 결과 오차가 미리 정해진 기준 보다 작은 경우, 학습이 올바르게 이루어짐을 판단할 수 있고, 이와 달리 오차가 미리 정해진 기준 보다 큰 경우, 학습 방식을 수정할 수 있다. 이와 같은 방식으로 상기 학습부(120)는 상기 분광 정보 획득부(110)를 통하여 획득된 정보에 기반하여 머신 러닝(machine learning)을 진행할 수 있다.
상기 학습부(120)는 미리 정해진 기준을 통과하는 학습 방식을 찾은 경우, 상기 분광 정보 획득부(110)를 통하여 미-획득된 열량 영양소 조합을 합성할 수 있다. 이에 따라, 상기 학습부(120)는 합성된 열량 영양소 조합에 대한 분광신호를 상기 학습 방식을 이용하여 예측할 수 있다. 즉 상기 학습부(120)는 열량 영양소 농도 값 대 분광 신호 관계를 예측할 수 있다. 이 후, 상기 학습부(120)는 합성된 열량 영양소 조합에 대한 정보 즉, 탄수화물, 단백질 및 지방의 농도 정보와 예측된 분광신호 정보를 쌍(pair)을 이루어 데이터베이스(130)로 제공할 수 있다.
상기 데이터베이스(130)는 상기 분광 정보 획득부(110)가 획득한 열량 영양소 농도 값 및 그에 대한 분광신호를 쌍을 이루어 저장할 수 있음은 물론이고, 상기 학습부(120)가 학습한 열량 영양소 농도 값과 그에 상응하는 분광신호를 쌍을 이루어 저장할 수 있다.
이로써, 상기 데이터베이스(130)는 기존에 상기 분광 정보 획득부(110)가 제공하지 못한 정보도 저장할 수 있으므로, 고 신뢰도의 분광신호 분석 결과를 제공할 수 있다.
또한, 상기 데이터베이스(130)에는 상기 학습부(120)가 참조 식품 외에, 표준 모델 식품의 열량 영양소 및 분광 신호가 학습에 사용하고, 학습 결과가 저장된다. 이에 따라 상기 데이터베이스(130) 구축에 요구되는 방대한 노력과 비용이 획기적으로 줄어들 수 있다.
나아가 상기 데이터베이스(130)는 식품의 이름에 대한 정보도 저장할 수 있다. 예를 들어, 상기 데이터베이스(130)는 상기 참조 식품 분광 정보 획득부(114)를 통하여 열량 영양소 정보 및 분광신호 외에 식품 이름에 대한 정보도 더 획득할 수 있다.
상기 식품 정보 제공부(140)는 임의의 식품에 대한 분광신호를 획득하고, 임의의 식품에 대한 식품 정보를 제공할 수 있다. 상기 식품 정보 제공부(140)는 열량 영양소 정보를 모르는 상태에서 분광신호만을 획득한 경우, 획득된 분광신호와 매칭 정도가 높은 분광신호를 상기 데이터베이스(130)에서 찾을 수 있다. 즉, 상기 식품 정보 제공부(140)는 매칭도가 높은 분광신호와 쌍을 이루는 열량 영양소 정보를, 상기 데이터베이스(130)에서 검색할 수 있다. 이로써, 상기 식품 정보 제공부(140)는 분광신호 만으로 식품에 대한 정보를 제공할 수 있는 것이다.
만약, 상기 식품 정보 제공부(140)는 임의의 식품에 대한 분광신호와 매칭 정도가 높은 분광신호를 상기 데이터베이스(130)에서 찾을 수 없는 경우, 상기 학습부(120)로 하여금 학습을 지시할 수 있다. 즉, 상기 학습부(120)는 앞서 설명한 방법에 따라 상기 분광 정보 획득부(110)를 통하여 획득된 정보를 활용하여 학습을 수행할 수 있다. 이에 따라 미리 학습되지 못한 분광신호도 추가적인 학습을 통하여, 상기 데이터베이스(130)에 업데이트 될 수 있다.
상기 식품 정보 제공부(140)는 임의의 식품의 분광신호와 매칭 정도가 높은 분광신호를 상기 데이터베이스(130)에서 찾고, 그에 쌍을 이루는 식품에 대한 정보를 제공함에 있어서, 매칭 정도를 고려하여 식품에 대한 정보의 종류를 달리할 수 있다. 예를 들어, 매칭 정도가 미리 정해진 기준 A 보다 높은 경우, 즉 매칭 정도가 우수한 경우, 상기 식품 정보 제공부(140)는 열량 영양소 정보 예를 들어, 각 열량 영양소 농도, 칼로리 정보 및 식품 이름에 대한 정보를 제공할 수 있다. 이와 달리, 매칭 정도가 미리 정해진 기준 B 보다 높으나 기준 A 보다 낮은 경우, 즉 매칭 정도가 보통인 경우, 상기 식품 정보 제공부(140)는 열량 영양소 정보는 제공하되, 식품 이름에 대한 정보는 생략할 수 있다. 예를 들어, 상기 식품 이름에 대한 정보는 '알 수 없음'으로 제공될 수 있다. 이는 식품의 이름의 경우, 식품 정체성에 대한 정보로써, 만약 오류가 있는 경우, 알러지 등 2차 사고를 유발할 수 있다. 이에 따라, 매칭 정도가 우수한 경우에만 식품 이름에 대한 정보가 제공되도록 함으로써, 2차 사고를 예방할 수 있다.
이상 도 1을 참조하여 본 발명의 일 실시 예에 따른 식품 정보 관리 장치에 대하여 설명하였다. 이하 도 2 내지 도 6을 참조하여 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법에 대하여 설명하기로 한다. 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법에 앞서 설명한 일 실시 예에 따른 식품 정보 관리 장치에 의하여 구현됨은 물론이다.
도 2는 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시하고, 도 3 내지 도 6은 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법은, 상기 분광 정보 획득부(110)가 열량 영양소 및 분광신호 정보를 획득하는 단계(S110, S120), 상기 학습부(120)가 분광 신호 대 열량 영양소 관계를 학습하는 단계(S130), 상기 데이터베이스(130)를 구축하는 단계(S140) 및 식품 정보를 제공하는 단계(S150, S160 및 S170) 중 적어도 하나의 단계를 포함할 수 있다. 이하 각 단계에 대하여 상술하기로 한다.
단계 S110에서, 도 3에 예시적으로 도시된 바와 같이, 상기 표준 모델 식품 분광 정보 획득부(112)는 표준 모델 식품에 대한 열량 영양소(N_S) 및 그에 상응하는 분광신호(S_S)를 획득할 수 있다. 상기 표준 모델 식품 분광 정보 획득부(112)는 표준 모델 식품 1, 2, 3,?n에 대한 분광신호 1, 2, 3,?n을 획득할 수 있다. 상기 표준 모델 식품 분광 정보 획득부(112)는 획득된 정보를 상기 데이터베이스(130)에 제공할 수 있다.
단계 S120에서, 도 4에 예시적으로 도시된 바와 같이, 상기 참조 식품 분광 정보 획득부(114)는 참조 식품에 대한 열량 영양소(N_R) 및 그에 상응하는 분광신호(S_R)를 획득할 수 있다. 상기 참조 식품 분광 정보 획득부(114)는 참조 식품 1, 2, 3?n에 대한 분광신호 1, 2, 3,?n을 획득할 수 있다. 상기 참조 식품 분광 정보 획득부(114)는 획득된 정보를 상기 데이터베이스(130)에 제공될 수 있다.
단계 S130에서, 상기 학습부(130)는 상기 분광 정보 획득부(110)를 통하여 획득된 정보에 기반하여 분광신호 대 열량 영양소 관계를 학습할 수 있다. 이는 앞서 도 3을 참조하여 설명한 분광신호는 열량 영양소 농도 값이 5% 간격으로 되어 있기 때문에, 5% 사이 구간에 대한 분광신호 학습이 필요하고, 도 4를 참조하여 설명한 분광신호는 모든 식품을 대상으로 하기에는 물리적인 한계가 있다는 점에서 학습이 필요하다.
단계 S130의 상세한 설명을 위하여 도 5를 참조하기로 한다. 도 5를 참조하면, 단계 S130은, 단계 S132 내지 단계 S138 중 적어도 하나의 단계를 포함할 수 있다. 이하 각 단계에 대하여 설명하기로 한다.
단계 S132에서, 상기 학습부(120)는 표준 모델 식품의 열량 영양소 정보를 합성하여 분광신호를 예상할 수 있다. 예를 들어, 상기 학습부(120)는 표준 모델 식품의 열량 영양소 개개의 값이, 참조 식품의 열량 영양소에 미리 정해진 기준 이상 부합하도록 조절할 수 있다. 이에 따라 상기 학습부(120)는 열량 영양소를 합성할 수 있다. 이후, 상기 학습부(120)는 합성된 열량 영양소에 상응하는 분광신호를, 상기 표준 모델 식품의 분광신호(S_S)를 통하여 예측할 수 있다.
단계 S134에서, 상기 학습부(120)는 상기 합성된 열량 영양소에 상응하는 분광신호를, 상기 참조 식품의 분광신호(S_R)에서 가져올 수 있다.
단계 S136에서, 상기 학습부(120)는 단계 S132의 예측된 분광신호와 단계 S134의 실제 분광신호를 대비하고 오차를 산출할 수 있다.
단계 S138에서, 만약 단계 S136의 오차가 미리 정해진 임계 값 보다 큰 경우, 단계 S132 및 단계 S134가 처음부터 다시 수행될 수 있다. 이와 달리, 단계 S136의 오차가 미리 정해진 임계 값 이하인 경우, 상기 학습부(120)의 학습 방식은 검증된 것으로 볼 수 있다. 이에 따라 데이터베이스 구축이 진행될 수 있다.
다시 도 2를 참조하면, 단계 S140에서, 상기 학습부(120)는 검증된 학습 방식으로 학습을 진행할 수 있다. 이에 따라 상기 분광 정보 획득부(110)를 통하여 미 획득된 열량 영양소의 조합을 임의로 생성하고, 검증된 학습 방식으로 분광신호를 생성할 수 있다. 상기 학습부(120)는 학습된 열량 영양소 및 분광신호 페어를 상기 데이터베이스(130)에 제공하고, 상기 데이터베이스(130)는 이를 저장할 수 있다.
단계 S150에서 상기 식품 정보 제공부(140)는 임의의 분광신호만을 제공받을 수 있다. 이 경우, 상기 식품 정보 제공부(140)는 임의의 분광신호를 기초로, 식품에 대한 정보를 제공할 수 있다(단계 S160). 보다 구체적인 설명을 위하여 도 6을 참조하기로 한다. 도 6을 참조하면, 상기 식품 정보 제공부(140)는 임의의 분광신호와 구축된 데이터베이스(130) 내 분광신호를 대비할 수 있다. 상기 식품 정보 제공부(140)는 대비 결과, 매칭 정도가 높은 분광신호를 데이터베이스(130) 내에서 찾은 경우, 상응하는 식품 정보 예를 들어, 열량 영양소 정보 및 식품 이름에 대한 정보를 제공할 수 있다(단계 S170). 앞서 설명한 바와 같이, 매칭 정도를 고려하여 식품 이름에 대한 정보는 선택적으로 제공될 수 있다. 만약, 상기 식품 정보 제공부(140)는 대비 결과, 매칭 정도가 높은 분광신호를 데이터베이스(130) 내에서 찾지 못한 경우, 상기 학습부(120)로 하여금 재 학습을 지시할 수 있다. 이에 따라 상기 학습부(120)는 새로운 학습 방식을 도모할 수 있다(단계 S164). 이후 새로운 학습 방식이 도출된 경우, 상기 식품 정보 제공부(140)는 식품 정보를 제공할 수 있으며, 학습부(120)는 새로운 학습 방식을 적용하여 추가적인 학습을 전개할 수 있다.
이상 도 1 내지 도 6을 참조하여 본 발명의 실시 예에 따른 식품 정보 관리 장치 및 식품 정보 관리 방법을 설명하였다. 앞서 설명의 과정에서, 상기 학습부(120)가 상기 표준 모델 식품 분광 정보 획득부(112) 및 상기 참조 식품 분광 정보 획득부(114) 각각으로부터 획득된 정보 모두를 활용하여 학습하는 것을 상정하여 설명하였으나, 이와 달리, 상기 표준 모델 식품 분광 정보 획득부(112)으로부터 획득된 정보는 제외하고, 상기 참조 식품 분광 정보 획득부(114)으로부터 획득된 정보만으로 학습할 수 있음은 물론이다.
이하, 도 7 내지 도 9를 참조하여, 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치 및 식품 정보 관리 방법을 설명하기로 한다. 본 발명의 제2 실시 예를 설명함에 있어서, 도 1 내지 도 6을 참조하여 설명한 제1 실시 예와 중복되는 부분에 대해서는 설명을 생략하기로 한다.
도 7은 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치의 블록도를 설명하기 위한 도면이다.
도 7을 참조하면, 본 발명의 제 2 실시 예에 따른 학습부(120)는 공통 네트워크(122), 열량 영양소 별 네트워크(124) 및 검증 네트워크(126)로 이루어진 학습 네트워크를 포함할 수 있다. 이하 별도의 설명이 없는 한 학습부(120)는 제2 실시 예에 따른 학습부를 의미하는 것으로 한다.
일 예에 따르면, 학습부(120)는 상기 분광 정보 획득부(110)를 통하여 획득된 열량 영양소 정보 및 분광신호를 활용하여, 열량 영양소 대 분광신호를 관계를 학습하되, 신경망 학습을 수행할 수 있다. 이 때, 학습부(120)는 표준 모델 식품 분광 정보 획득부(112)로부터의 정보만을 활용할 수도 있고, 참조 식품 분광 정보 획득부(114)로부터만의 정보만을 활용할 수도 있다. 이하에서는 설명의 편의를 위하여, 상기 학습부(120)로 참조 식품의 분광신호(S_R)가 제공되는 경우를 상정하기로 한다.
상기 학습부(120)는 상기 공통 네트워크(122)를 포함할 수 있다. 상기 공통 네트워크(122)는 신경 학습망으로 이루어지며, 복수의 노드들을 포함하는 복수의 레이어들을 포함할 수 있다. 상기 공통 네트워크는 상기 참조 식품의 분광신호(S_R)을 제공받아, 상기 열량 영양소 별 네트워크(124)와 공유되는 공통적인 특징을 추출할 수 있다. 일 예에 따르면, 상기 공통 네트워크(122)는 상기 참조 식품의 분광신호(S_R) 중 노이즈를 제거할 수 있다.
상기 공통 네트워크(122)는 기능적인 구현을 위하여, 복수의 레이어들을 포함하되, 참조 식품의 분광신호(S_R)를 제공받는 레이어에서 열량 영양소 별 네트워크(124) 방향으로 갈수록 노드의 수는 증가하다가 감소할 수 있다. 즉, 상기 공통 네트워크(122)를 이루는 마지막 레이어(도 7의 공통 네트워크(122)의 우측 레이어)의 노드의 수는 마지막 바로 이전 레이어의 노드의 수보다 적을 수 있다. 이에 따라 상기 공통 네트워크(122)는 압축된 형태의 결과를 제공할 수 있다. 이로써, 후속하는 네트워크의 연산량을 줄일 수 있다.
상기 공통 네트워크(122)의 마지막 레이어는 조인트 레이어(123)와 연결될 수 있다. 상기 조인트 레이어(123)는 상기 열량 영양소 별 네트?(124) 및 검증 네트워크(126)와 연결될 수 있다.
상기 검증 네트워크(126)는 상기 조인트 레이어(123)로부터 상기 공통 네트워크(122)의 결과를 제공받을 수 있다. 상기 검증 네트워크(126)는 상기 제공받은 결과를 바탕으로 역으로 분광신호를 생성할 수 있다. 즉, 상기 검증 네트워크(126)의 전단 레이어에서 후단 레이어로 갈수록 노드가 증가할 수 있다. 다른 관점에서 상기 조인트 네트워크(123)가 인코딩된 결과를 제공하였다면, 상기 검증 네트워크(126)는 인코딩된 결과를 디코딩할 수 있다. 이에 따라 상기 검증 네트워크(126)는 인코딩된 결과를 디코딩하여 분광신호를 생성할 수 있다.
상기 검증 네트워크(126)로부터 생성된 분광신호는 검증부(127)로 제공될 수 있다. 상기 검증부(127)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)과 상기 검증 네트워크(126)로부터 디코딩된 분광신호의 매칭 정도를 다양한 방식으로 판단할 수 있다. 예를 들어, 상기 검증부(127)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)의 면적과 상기 검증 네트워크(126)로부터 디코딩된 분광신호의 면적의 매칭 정도를 판단할 수 있다. 이와 달리, 상기 검증부(127)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)의 파형과 상기 검증 네트워크(126)로부터 디코딩된 분광신호의 파형의 매칭 정도를 판단할 수 있다. 파형 대비의 경우, 상기 공통 네트워크(122)의 각 레이어 노드 사이의 가중치 학습이 충분하지 못한 경우를 보다 정확하게 구분할 수 있다는 점에서 의의가 있다.
상기 검증부(127)는 적어도 하나의 매칭 정도가 매칭 정도가 미리 정해진 기준 보다 높은 경우, 상기 공통 네트워크(122)의 학습 방식을 인증할 수 있다. 예를 들어, 상기 검증부(127)는 면적 및 파형 모두 미리 정해진 기준 보다 높은 경우, 상기 공통 네트워크(122)의 학습 방식을 인증할 수 있다. 이와 달리, 상기 검증부(127)는 모든 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크(122)이 재 학습 되도록 할 수 있다. 이에 따라 상기 공통 네트워크(122)를 구성하는 노드 간의 관계가 재 설정될 수 있다.
상기 열량 영양소 별 네트워크(124)는 상기 조인트 네트워크(123)로부터 상기 공통 네트워크(122)의 결과를 제공받을 수 있다. 이 때, 상기 열량 영양소 별 네트워크(124)는 탄수화물 네트워크(124a), 단백질 네트워크(124b) 및 지방 네트워크(124c)를 포함할 수 있다. 상기 탄수화물 네트워크(124a)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)에 상응하는 탄수화물 농도를 제공할 수 있고, 상기 단백질 네트워크(124b)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)에 상응하는 단백질 농도를 제공할 수 있고, 상기 지방 네트워크(124c)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)에 상응하는 지방 농도를 제공할 수 있다. 일 예에 따르면, 탄수화물 네트워크(124a), 단백질 네트워크(124b) 및 지방 네트워크(124c)의 각 레이어의 노드 수는 일정할 수 있다.
상기 열량 영양소 별 네트워크(124)의 결과 값은 열량 영양소 결과 값 제공부(125)로 제공될 수 있다. 구체적으로, 상기 탄수화물 네트워크(124a)의 결과 값은 탄수화물 값 제공부(125a)로 제공되고, 단백질 네트워크(124b)의 결과 값은 단백질 값 제공부(125b)로 제공되고, 지방 네트워크(124c)의 결과 값은 지방 값 제공부(125c)로 제공될 수 있다.
상기 학습부(120)는 상기 열량 영양소 결과 값 제공부(125)의 결과 값을 분광신호와 쌍을 이루어 상기 데이터베이스(130)에 저장할 수 있다. 다만 저장 전에, 상술한 상기 검증부(127)의 검증을 통과하였는지 확인할 수 있다. 상기 검증부(127)의 검증을 통과한 경우, 상기 학습부(120)는 상기 데이터베이스(130)에 결과를 저장할 수 있다. 이와 달리, 상기 검증부(127)의 검증을 통과하지 못한 채 상기 열량 영양소 결과 값 제공부(125)에서 제공되는 결과 값이 있는 경우, 공통 네트워크(122)의 수정이 필요한 상황이므로, 결과 값이 폐기될 수 있다.
이상 제2 실시 예의 학습부(120)를 설명하였다. 학습부(120) 외에, 분광 정보 획득부(110), 데이터베이스(130), 식품 정보 제공부(140)는 앞서 제1 실시 예에서 설명한 바와 동일하므로 구체적인 설명을 생략하기로 한다. 제2 실시 예에 따른 학습부(120)는 제1 실시 예에 따른 학습부 대비 입력되는 분광신호의 수가 적어도 학습이 가능하다는 점에서 이점이 있다. 이에 따라 제2 실시 예에서는 분광 정보 획득부(110)로부터의 입력 값을 최소화할 수 있다. 또한, 제2 실시 예에서는 표준 모델 식품 분광 정보 획득부(112) 및 참조 식품 분광 정보 획득부(114) 중 하나만 있는 구현 예도 가능하다.
이상, 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치를 설명하였다. 이하 도 8 및 도 9를 참조하여 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법에 대하여 설명하기로 한다.
도 8은 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시하고, 도 9는 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 8을 참조한 제2 실시 예에서는 학습부가 적은 입력 데이터가 있어도 학습 가능하다는 효과를 부각하기 위하여, 표준 모델 식품 정보 획득부(112)는 생략하였다.
도 8을 참조하면, 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법은, 상기 참조 식품 분광 정보 획득부(114)가 열량 영양소 및 분광신호 정보를 획득하는 단계(S210), 상기 학습부(120)가 분광 신호 대 열량 영양소 관계를 학습하는 단계(S220), 상기 데이터베이스(130)를 구축하는 단계(S230) 및 식품 정보를 제공하는 단계(S240, S250 및 S260) 중 적어도 하나의 단계를 포함할 수 있다. 이하 각 단계에 대하여 상술하기로 한다. 다만 제1 실시 예와 중복되는 부분은 설명을 생략하기로 한다.
단계 S210은 단계 S120에 대응하므로 구체적인 설명을 생략하기로 한다.
단계 S220에서, 상기 학습부(120)는 분광 신호 대 열량 영양소 관계를 학습할 수 있다. 즉, 도 7을 참조하여 설명한 제2 실시 예에 따른 학습부(120)는 학습 네트워크를 통하여 분광 신호 대 열량 영양소 관계를 학습할 수 있다. 즉, 단계 S210에서 획득된 분광신호를 기초로 열량 영양소 정보를 학습할 수 있는 것이다.
상술한 바와 같이, 상기 학습부(120)는 공통 네트워크(122)를 통하여 압축된 형태의 학습 결과를 제공할 수 있다. 이 때, 학습 결과는 상기 검증 네트워크(126)에 의하여 디코딩될 수 있다. 이에 따라 상기 검증부(127)는 상기 공통 네트워크(122)의 학습이 제대로 수행되었는지 판단할 수 있다. 상기 검증부(127)는 학습이 제대로 수행되었는지 판단하기 위하여, 도 9에 도시된 바와 같이, 상기 공통 네트워크(122)에 입력된 분광신호(S_R)와 상기 검증 네트워크(126)에서 획득된 분광신호의 면적(M1) 및/또는 파형(M2)를 대비할 수 있다.
상기 검증부(127)는 대비 결과 매칭 정도가 미리 정해진 기준 보다 큰 경우, 상기 공통 네트워크(122)의 학습이 제대로 수행되었다고 판단할 수 있다. 설명의 편의를 위하여 면적 기준 및 파형 기준 모두 미리 정해진 기준 보다 많이 매칭하는 경우, 상기 공통 네트워크(122)의 학습이 제대로 된 것을 상정하기로 한다.
이와 달리, 상기 검증부(127)는 대비 결과 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크(122)가 재 학습하도록 할 수 있다. 이에 따라 상기 공통 네트워크(122)의 노드의 관계 가중치가 재 설정될 수 있다. 즉, 상기 학습부(120) 스스로 학습이 제대로 이루어지고 있는지 자가 검증할 수 있는 것이다.
한편, 상기 열량 영양소 별 네트워크(124)는 상기 조인트 네트워크(123)로부터 학습 결과를 제공받아, 학습을 수행할 수 있다. 상기 열량 영양소 별 네트워크(124)의 결과는 열량 영양소 결과 값 제공부(125)로 제공될 수 있다. 상기 학습부(120)는 상기 열량 영양소 결과 값 제공부(125)의 결과 값을 상기 데이터베이스(130)에 저장하기 전에 상기 검증부(127)의 검증을 통과한 결과 값인지를 판단할 수 있다.
이후, 상기 학습부(120)는 상기 열량 영양소 결과 값 제공부(125)의 결과 값이 상기 공통 네트워크(122)에 입력된 분광신호(S_R)의 열량 영양소 농도 값에 부합하는지 판단할 수 있다. 판단 결과 부합 정도가 미리 정해진 기준 보다 높은 경우, 열량 영양소 별 네트워크(124)의 학습 결과가 인정될 수 있다. 이와 달리, 판단 결과 부합 정도가 미리 정해진 기준 이하인 경우, 열량 영양소 별 네트워크(124)는 재 학습될 수 있다.
이에 따라 공통 네트워크(122) 및 열량 영양소 별 네트워크(124)의 각 노드들은 검증된 관계성(즉 가중치)을 가질 수 있다.
상기 학습부(120)는 검증된 학습 네트워크를 통하여 임의의 분광신호에 대한 열량 영양소 농도 값을 생성할 수 있다. 이에 따라 상기 학습부(120)는 새로운 열량 영양소를 조합하고, 상기 학습 결과를 바탕으로 새로운 열량 영양소에 상응하는 분광신호를 쌍을 이루어 상기 데이터베이스(130)에 저장할 수 있다(단계 S230).
이후 단계 S240 내지 단계 S260은 각각 단계 S150 내지 단계 S170에 상응하므로 구체적인 설명을 생략하기로 한다.
이상 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치 및 식품 정보 관리 방법을 설명하였다. 설명의 편의를 위하여 제1 실시 예와 제2 실시 예를 구분하여 설명하였으나, 식품 정보 관리 장치는 제1 및 제2 실시 예를 모두 구현하도록 제공될 수 있다.
이상, 본 발명을 바람직한 실시 예를 사용하여 상세히 설명하였으나, 본 발명의 범위는 특정 실시 예에 한정되는 것은 아니며, 첨부된 특허청구범위에 의하여 해석되어야 할 것이다. 또한, 이 기술분야에서 통상의 지식을 습득한 자라면, 본 발명의 범위에서 벗어나지 않으면서도 많은 수정과 변형이 가능함을 이해하여야 할 것이다.
Claims (13)
- 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 정해진 기준에 따라 설정된, 표준 모델 식품 분광 정보 획득부;
참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부;
상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품의 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보로부터 분광신호를 생성하는 방식을 학습하는 학습부; 및
상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장되는 데이터베이스를 포함하는 식품 정보 관리 장치. - 제1 항에 있어서,
상기 데이터베이스에 상기 학습된 결과를 저장한 이후에, 특정 식품에 대한 분광신호를 획득하는 경우, 상기 데이터베이스를 통하여 상기 특정 식품에 대한 분광신호에 상응하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함하는, 식품 정보 관리 장치. - 제2 항에 있어서,
상기 식품 정보 제공부는, 상기 특정 식품에 대한 분광신호가 상기 데이터베이스에 미 저장된 경우, 상기 학습부를 통하여 상기 특정 식품에 대한 분광 신호를 생성하는 열량 영양소 조합을 생성하는, 식품 정보 관리 장치. - 제2 항에 있어서,
상기 식품 정보 제공부는, 상기 데이터베이스 내에서, 상기 특정 식품에 대한 분광신호와 매칭하는 학습 분광신호를 고려하되, 상기 매칭하는 정도는 제공할 식품 정보의 종류에 따라 상이한, 식품 정보 관리 장치. - 제4 항에 있어서,
상기 식품 정보가 상기 특정 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 상기 특정 식품의 열량 영양소에 대한 정보인 경우보다 높은, 식품 정보 관리 장치. - 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 설정된, 표준 모델 식품 분광 정보 획득 단계;
참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계;
상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보에 상응하는 분광신호를 학습하는 학습 단계; 및
상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함하는, 식품 정보 관리 방법. - 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부;
상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광신호 대 열량 영양소 관계를 학습하는 학습부; 및
상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장하는 데이터베이스를 포함하되,
상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함하는 식품 정보 관리 장치. - 제7 항에 있어서,
상기 공통 네트워크와 상기 열량 영양소 별 네트워크 사이에는 조인트 레이어(joint layer)가 위치하며,
상기 조인트 레이어의 노드 수는 상기 조인트 레이어 이전 레이어의 노드 수보다 적은, 식품 정보 관리 장치. - 제7 항에 있어서,
상기 조인트 레이어는 검증 네트워크와 연결되며,
상기 검증 네트워크는 상기 공통 네트워크로부터의 결과에 기반하여 상기 입력된 분광신호를 역으로 생성하고,
상기 학습부는 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크를 재 학습시키는, 식품 정보 관리 장치. - 제8 항에 있어서,
상기 학습부는, 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도를, 분광신호 파형 형상을 기준으로 판단하는, 식품 정보 관리 장치. - 제7 항에 있어서,
임의의 분광신호를 획득한 경우, 상기 데이터베이스에 기반하여 상기 임의의 분광신호에 매칭하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함하는, 식품 정보 관리 장치. - 제11 항에 있어서,
상기 식품 정보 제공부는, 제공하는 식품 정보의 종류에 따라 상기 매칭 정도를 달리 적용하되,
상기 식품 정보가 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 식품의 열량 영양소에 대한 정보인 경우보다 높은, 식품 정보 관리 장치. - 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계;
상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광 신호 대 열량 영양소 관계를 학습하는 학습 단계; 및
상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함하되,
상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함하는 식품 정보 관리 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2018/015507 WO2019112364A1 (ko) | 2017-12-08 | 2018-12-07 | 식품 정보 관리 장치 및 식품 정보 관리 방법 |
| US16/895,113 US11789002B2 (en) | 2017-12-08 | 2020-06-08 | Managing apparatus for food information and managing method for food information |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170167887 | 2017-12-08 | ||
| KR20170167887 | 2017-12-08 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190068446A true KR20190068446A (ko) | 2019-06-18 |
| KR102143700B1 KR102143700B1 (ko) | 2020-08-12 |
Family
ID=67103028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180154523A KR102143700B1 (ko) | 2017-12-08 | 2018-12-04 | 식품 정보 관리 장치 및 식품 정보 관리 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11789002B2 (ko) |
| KR (1) | KR102143700B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3593281A1 (en) * | 2017-03-07 | 2020-01-15 | Sony Corporation | System, method and computer program for guided image capturing of a meal |
| CN114220501A (zh) * | 2021-11-24 | 2022-03-22 | 江苏大学 | 炒饭食味特性的快速定量评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150112902A (ko) * | 2015-03-31 | 2015-10-07 | 강원대학교산학협력단 | 근적외 분광법을 이용하여 원료 및 형태가 다른 다양한 식품에 함유된 영양성분의 함량을 동시에 분석하는 방법 |
| JP2015215273A (ja) * | 2014-05-13 | 2015-12-03 | パナソニックＩｐマネジメント株式会社 | 食品分析装置 |
| KR20160134250A (ko) * | 2015-05-15 | 2016-11-23 | 피도연 | 식품의 상태 측정기 및 이를 이용한 식품의 상태 측정 시스템 |
| WO2017150214A1 (ja) * | 2016-02-29 | 2017-09-08 | 京セラ株式会社 | 検査装置及び検査システム |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003526470A (ja) | 2000-03-14 | 2003-09-09 | オーサーハブ インコーポレーテッド | 回内／回外・屈曲両用治療運動装置 |
| US7048768B1 (en) | 2004-01-30 | 2006-05-23 | John Hoover Rouse | Multi-function body-powered prosthetic wrist unit and method |
| EP1724566A4 (en) | 2004-03-12 | 2011-04-06 | Joy World Pacific Co Ltd | METHOD FOR MEASURING THE CALORIES OF AN OBJECT AND DEVICE FOR MEASURING THE CALORIES OF AN OBJECT |
| JP4422072B2 (ja) | 2005-05-30 | 2010-02-24 | Ｎｅｃシステムテクノロジー株式会社 | 食品分析装置、食品分析方法、及び、プログラム |
| KR101247705B1 (ko) | 2010-10-27 | 2013-03-26 | 이상원 | 팔꿈치 연동 기계식 의수 |
| US20170176255A1 (en) * | 2012-05-09 | 2017-06-22 | Archimej Technology | Sample Analysis Methods |
| KR20160061586A (ko) | 2014-11-22 | 2016-06-01 | 김근식 | 음식의 열량 정보를 확인할 수 있는 무선 단말기의 카메라 렌즈 |
-
2018
- 2018-12-04 KR KR1020180154523A patent/KR102143700B1/ko active IP Right Grant
-
2020
- 2020-06-08 US US16/895,113 patent/US11789002B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015215273A (ja) * | 2014-05-13 | 2015-12-03 | パナソニックＩｐマネジメント株式会社 | 食品分析装置 |
| KR20150112902A (ko) * | 2015-03-31 | 2015-10-07 | 강원대학교산학협력단 | 근적외 분광법을 이용하여 원료 및 형태가 다른 다양한 식품에 함유된 영양성분의 함량을 동시에 분석하는 방법 |
| KR20160134250A (ko) * | 2015-05-15 | 2016-11-23 | 피도연 | 식품의 상태 측정기 및 이를 이용한 식품의 상태 측정 시스템 |
| WO2017150214A1 (ja) * | 2016-02-29 | 2017-09-08 | 京セラ株式会社 | 検査装置及び検査システム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102143700B1 (ko) | 2020-08-12 |
| US20200303054A1 (en) | 2020-09-24 |
| US11789002B2 (en) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Riedl et al. | Review of validation and reporting of non-targeted fingerprinting approaches for food authentication | |
| CN105809164B (zh) | 文字识别方法和装置 | |
| O'Toole et al. | Demographic effects on estimates of automatic face recognition performance | |
| Małek et al. | The VIMOS Public Extragalactic Redshift Survey (VIPERS)-A support vector machine classification of galaxies, stars, and AGNs | |
| Xie et al. | Classification of tomatoes with different genotypes by visible and short-wave near-infrared spectroscopy with least-squares support vector machines and other chemometrics | |
| Oliveri et al. | Partial least squares density modeling (PLS-DM)–A new class-modeling strategy applied to the authentication of olives in brine by near-infrared spectroscopy | |
| Chen et al. | Authenticity detection of black rice by near‐infrared spectroscopy and support vector data description | |
| TWI620131B (zh) | 物品辨識系統與方法 | |
| Xu et al. | Methods for performing dimensionality reduction in hyperspectral image classification | |
| Murakami et al. | Leveraging SN Ia spectroscopic similarity to improve the measurement of H 0 | |
| EP3281026B1 (fr) | Procédé de séparation de sources pour signaux parcimonieux | |
| KR102143700B1 (ko) | 식품 정보 관리 장치 및 식품 정보 관리 방법 | |
| Li et al. | Manufacturer identification and storage time determination of “Dong’e Ejiao” using near infrared spectroscopy and chemometrics | |
| Wang et al. | Authentication of whey protein powders by portable mid‐infrared spectrometers combined with pattern recognition analysis | |
| Miaw et al. | Comparison of different multivariate classification methods for the detection of adulterations in grape nectars by using low-field nuclear magnetic resonance | |
| Diaz-Chito et al. | Incremental model learning for spectroscopy-based food analysis | |
| Yakes et al. | Evaluation of portable sensor and spectroscopic devices for seafood decomposition determination | |
| CN110457207A (zh) | 基于机器学习模型的测试方法及相关设备 | |
| McDowell et al. | Detection of refined sunflower and rapeseed oil addition in cold pressed rapeseed oil using mid infrared and Raman spectroscopy | |
| Kügler et al. | Determining spectroscopic redshifts by using k nearest neighbor regression-I. Description of method and analysis | |
| JP3577281B2 (ja) | 赤外分光光度計用データ処理装置 | |
| Anzanello et al. | Wavelength selection framework for classifying food and pharmaceutical samples into multiple classes | |
| He et al. | Quantitative analysis of the varieties of apple using near infrared spectroscopy by principal component analysis and BP model | |
| Su et al. | A Partial least squares‐based consensus regression method for the analysis of near‐infrared complex spectral data of plant samples | |
| Bilal et al. | Chemometric data analysis with autoencoder neural network |
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 |