KR20190095191A - 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법 - Google Patents

인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20190095191A
KR20190095191A KR1020190090542A KR20190090542A KR20190095191A KR 20190095191 A KR20190095191 A KR 20190095191A KR 1020190090542 A KR1020190090542 A KR 1020190090542A KR 20190090542 A KR20190090542 A KR 20190090542A KR 20190095191 A KR20190095191 A KR 20190095191A
Authority
KR
South Korea
Prior art keywords
laundry
information
course
areas
image
Prior art date
Application number
KR1020190090542A
Other languages
English (en)
Inventor
이주성
송태엽
한다윤
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20190095191A publication Critical patent/KR20190095191A/ko

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F39/005—
    • D06F33/02—
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • D06F39/003—
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2101/00—User input for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2101/20—Operation modes, e.g. delicate laundry washing programs, service modes or refreshment cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/04—Quantity, e.g. weight or variation of weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/06—Type or material
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/64—Radiation, e.g. microwaves
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/10—Temperature of washing liquids; Heating means therefor
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/52—Changing sequence of operational steps; Carrying out additional operational steps; Modifying operational steps, e.g. by extending duration of steps
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2633—Washing, laundry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Textile Engineering (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 인공지능 기반의 자율 제어 에어컨에 관한 것이다. 본 발명은, 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 상기 구성원을 구별할 수 있는 구성원 데이터를 포함하는 이미지를 수신하는 통신부; 및 수신된 이미지로부터 상기 구성원 데이터를 인식하고, 인식된 구성원 데이터에 기초하여 상기 구성원이 원하는 에어컨의 동작 조건이 포함된 동작 데이터를 획득하고, 상기 구성원 데이터 및 상기 동작 데이터를 포함하는 구성원 정보를 데이터베이스에 저장하고, 상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 구성원 정보로부터, 적어도 하나의 구성원 각각에 대해 상기 구성원이 원하는 에어컨의 동작 조건을 획득 및 분석하는 프로세서를 포함하고, 상기 프로세서의 제어로 상기 에어컨을 자율 구동하는 것을 특징으로 하는 인공지능 기반의 자율 제어 에어컨을 제공한다.
본 발명에 따르면, 스스로 구성원을 학습하여 최적의 상태로 활동을 제어하여 소비전력을 절감하고, 각 구성원에게 설정된 동작 데이터에 따른 동작 조건에 따라 가동되어 구성원 개인의 편리성이 증대되는 이점이 있다.

Description

인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법{AI-BASED APPARATUS AND CONTROL METHOD FOR RECOMMENDATION FOR LAUNDRY COURSE}
본 발명은 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 최근에는 인공지능을 가전에 적용하여 여러 목적에 맞게 운용하는 기술들이 시도되고 있다. 사람이 개입하지 않고 자동으로 목적에 맞게 프로그램 된 형태로 가전 기기가 제어되는 것이다. 일 예로, 인공지능이 적용된 세탁기의 경우 자동으로 세탁물의 종류에 적합한 세탁 코스를 제공하여 사용자는 간편하게 세탁 코스를 선택할 수 있다.
이와 관련, 한국공개특허공보 제10-2008-0079913호(세탁기의 세탁코스 추천방법, 이하 '종래 기술1')는 세탁물의 종류에 따라 최적의 세탁코스를 추천해 주어 사용자가 세탁물의 종류에 적합한 세탁코스를 간편하게 선택할 수 있는 방법을 개시하고 있다.
또한, 한국공개특허공보 제10-2018-0119486호(사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류 처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템, 이하 '종래 기술2')는, 사용이력 또는 지역정보를 반영하여 사용자에게 맞춤형 코스 또는 옵션 중 하나 이상을 추천할 수 있는 의류처리장치와, 이를 포함하는 제어 방법 및 온라인 시스템에 관한 것이다
다만, 종래 기술 1의 경우, 사용자들은 세탁물의 종류를 사용자 본인이 직접 확인을 해야 한다는 점에 있어, 세탁물의 유형을 정확히 판단할 수 없고, 종래 기술 2의 경우, 과거의 학습 모델에 따른 코스를 추천하기 때문에, 학습 모델에 매칭되는 코스 외에는 조작이 불가능하다는 문제점이 있다.
본 발명이 해결하고자 하는 과제는, 사용자의 주관적인 판단이 없어도 세탁물의 유형을 자동으로 분석하여 세탁코스를 제공하는 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는, 학습 모델이 아닌 투입한 세탁물을 즉시 분석하여 매칭되는 세탁코스를 제공하는 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법을 제공하는 것이다.
본 발명의 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치는, 세탁기 내부의 적어도 하나 이상의 세탁물을 복수의 영역으로 구분하여 상기 복수의 영역을 각각 복수의 각도에서 촬영하여 상기 세탁물의 종류와 재질에 관한 적어도 하나 이상의 이미지를 획득하는 감지부; 및 상기 이미지로부터 상기 세탁물의 종류와 재질에 관한 세탁물 정보를 획득하고, 상기 세탁물 정보를 데이터베이스에 저장하며, 상기 데이터베이스에 저장된 상기 복수의 영역에 대응하는 복수의 세탁물 정보를, 사용자가 기 입력한 세탁물 데이터 및 세탁 코스 비교하여 상기 적어도 하나 이상의 세탁물의 세탁 코스를 추출하는 프로세서를 포함할 수 있다.
상기 감지부는, 상기 세탁물의 복수의 영역을 각각 복수의 각도에서 촬영하는 영상 카메라; 및 상기 영상 카메라가 촬영하는 동안 상기 이미지를 획득할 수 있도록 광원을 제공하는 조명을 더 포함할 수 있다.
상기 조명은, 상기 복수의 영역에 분포한 상기 세탁물에 일정한 조도를 유지하기 위해 상기 세탁기의 상부에 설치되며, 상기 감지부가 상기 이미지를 획득하는 동안 작동될 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하고, 상기 세탁물 정보와 상기 적어도 하나 이상의 세탁 코스와의 적합성에 대해 점수를 부여하여, 상기 점수가 가장 높은 세탁 코스를 추출할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 복수의 영역에 분포된 상기 세탁물 정보를 분류하고, 상기 세탁물 정보를 각각 상기 세탁물 데이터와 비교하여 유사도를 산출하며, 상기 유사도가 가장 높은 세탁물 데이터에 대응되는 세탁 코스를 추출할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 이미지로부터 상기 복수의 영역을 추출하고, 상기 복수의 영역에 분포된 상기 세탁물에 대한 컨볼루션 신경망(CNN: Convolutional Neural Network)을 통해 상기 세탁물 정보를 유추하며, 상기 세탁물 정보에 대응되는 기 학습된 세탁 코스를 추출할 수 있다.
실시 예에 따라, 메모리는, 머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 세탁물 정보를 인식하기 위한 세탁물 정보 인식 모델을 저장할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 사용자가 수동으로 입력한 세탁 코스 또는 자동으로 추출된 세탁 코스 중 어느 하나에 의해 상기 세탁기를 제어하는 제어부를 더 포함할 수 있다.
본 발명의 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치의 제어 방법은, 세탁기 내부의 적어도 하나 이상의 세탁물을 복수의 영역으로 구분하여 상기 복수의 영역을 각각 복수의 각도에서 촬영하여 상기 세탁물의 종류와 재질에 관한 적어도 하나 이상의 이미지를 획득하는 제1 단계; 상기 이미지로부터 상기 세탁물의 종류와 재질에 관한 세탁물 정보를 획득하여 데이터베이스에 저장하는 제2 단계; 및 상기 데이터베이스에 저장된 상기 복수의 영역에 대응하는 복수의 세탁물 정보를, 사용자가 기 입력한 세탁물 데이터 및 세탁 코스 비교하여 상기 적어도 하나 이상의 세탁물의 세탁 코스를 추출하는 제3 단계를 포함할 수 있다.
실시 예에 따라, 상기 제1 단계는, 상기 사용자 또는 상기 사용자의 모바일로부터 상기 세탁물의 종류와 재질이 나타난 적어도 하나 이상의 정지 영상 또는 동영상을 입력 받는 단계를 포함할 수 있다.
실시 예에 따라, 상기 제 2 단계는, 상기 세탁물을 상기 복수의 영역으로 분류하는 단계; 상기 복수의 영역에 대응되는 종류와 재질을 매칭시켜 세탁물 정보를 생성하는 단계; 및 상기 세탁물 및 상기 복수의 영역과 대응되는 상기 세탁물 정보를 매칭시켜 상기 데이터베이스에 저장하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 제3 단계는, 상기 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하는 단계; 상기 세탁물 정보와 상기 적어도 하나 이상의 세탁 코스와의 적합성에 대해 점수를 부여하는 단계; 및 상기 점수가 가장 높은 세탁 코스를 추출하는 단계를 더 포함할 수 있다.
실시 예에 따라, 상기 제3 단계는, 상기 복수의 영역에 분포된 상기 세탁물 정보를 분류하는 단계; 상기 세탁물 정보를 각각 상기 세탁물 데이터와 비교하여 유사도를 산출하는 단계; 및 상기 유사도가 가장 높은 세탁물 데이터에 대응되는 세탁 코스를 추출하는 단계를 더 포함할 수 있다.
실시 예에 따라, 상기 제3 단계는,상기 복수의 영역에 분포된 상기 세탁물에 대한 컨볼루션 신경망(CNN: Convolutional Neural Network)을 적용하여 상기 세탁물 정보를 유추하는 단계; 및 상기 세탁물 정보에 대응되는 기 학습된 세탁 코스를 추출하는 단계를 더 포함할 수 있다.
본 발명의 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치의 제어 방법은, 상기 사용자가 수동으로 입력한 세탁 코스 또는 자동으로 추출된 세탁 코스 중 어느 하나의 의해 상기 세탁기를 제어하는 단계를 더 포함할 수 있다.
본 발명의 실시 예에 따르면, 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법은, 스스로 사용자에게 적절한 세탁 코스를 제공하기 때문에, 사용자 측면에서 세탁물에 가장 적절한 세탁 방법을 얻을 수 있는 이점이 있다.
또한, 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법은, 세탁물의 종류에 맞게 세탁기를 구동하기 때문에, 기계 측면에서 효율적으로 세탁물을 세탁할 수 있고, 세탁물 측면에서 옷감이 손상되지 않는 이점이 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치의 블록도를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 감지부의 구성도를 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치의 제어 방법의 순서도를 나타낸다.
도 7은 본 발명의 일 실시 예에 따른 제2 단계의 실시 예에 대한 상세한 순서도를 나타낸다.
도 8은 본 발명의 제1 실시 예에 따른 제3 단계의 상세한 순서도를 나타낸다.
도 9는 본 발명의 제2 실시 예에 따른 제3 단계의 상세한 순서도를 나타낸다.
도 10은 도 9에 따른 프로세서의 세탁 코스를 추출하는 모습을 나타낸다.
도 11은 본 발명의 실시 예에 따라 제어부가 추가된 순서도를 나타낸다.
도 12는 도 11의 순서도에 따라 세탁기를 제어하는 제어부의 모습을 나타낸다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치(200a)의 블록도를 나타낸다.
도 4를 참조하면, 인공지능 기반의 세탁 코스 추천 장치(200a)는, 감지부(220), 메모리, 및 프로세서를 포함하고, 프로세서는 제어부(270)를 더 포함할 수 있다.
인공지능 기반의 세탁 코스 추천 장치(200a)는, 도 2에서 상술한 AI 서버(200)의 일 예에 해당할 수 있다. 즉, 도 2의 AI서버(200)에 포함된 구성들(210, 230, 240, 260)은 인공지능 기반의 세탁 코스 추천 장치(200a)에도 마찬가지로 포함될 수 있다.
세탁기(100a)는, 도 2의 AI 장치(100)의 일 예에 해당할 수 있다. 즉, 도 1의 AI 장치(100)에 포함된 구성들(110, 120, 130, 140, 150, 170, 180)은 세탁기(100a)에도 마찬가지로 포함될 수 있다.
인공지능 기반의 세탁 코스 추천 장치(200a)는 감지부(220)로부터 획득되는 이미지로부터, 러닝 프로세서(240)에 의해 학습된 머신 러닝 기반의 이미지 인식 모델(예컨대, 인공신경망(231a))을 통해 세탁물의 특성과 관련된 세탁물 정보를 인식할 수 있다.
감지부(220)는, 세탁기(100a) 내부의 적어도 하나 이상의 세탁물을 복수의 영역으로 구분하여 상기 복수의 영역을 각각 복수의 각도에서 촬영하여 상기 세탁물의 종류와 재질에 관한 적어도 하나 이상의 이미지를 획득할 수 있다.
감지부(220)는 사용자가 세탁기(100a) 내부에 세탁물을 넣었을 때, 여러 가지 세탁물이 뒤 섞여 있는 경우, 세탁물을 분석할 수 있다. 세탁물의 경우 직물 패턴을 가지고 있기 때문에 직물 패턴의 재질과 모양 등을 구분하여 세탁물에 맞게 세탁을 어떻게 할지 결정할 수 있다.
또한 감지부(220)는 세탁물의 직물 패턴이 복수로 구성된 경우, 각각의 복수의 영역에 존재하는 세탁물을 이미지를 클러스터링 하여 각 직물 패턴을 검출할 수 있다.
직물 패턴의 검출의 경우, 면, 솜, 가죽, 폴리에스테르 등 어느 직물로 구성되어 있는지 판단하기 위한 것으로, 해당 세탁물을 분류하기 위한 기준이 될 수 있다. 기본 정보는 색깔, 도안, 무늬, 재질, 탈색 여부, 부류, 무게, 스타일, 최적 세탁 온도, 세탁 요구 또는 브랜드를 포함할 수 있다.
메모리는, 머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 세탁물 데이터를 인식하기 위한 세탁물 데이터 인식 모델을 저장할 수 있다.
인공지능 기반의 세탁 코스 추천 장치(200a)의 메모리에는, 러닝 프로세서(240) 또는 프로세서(260a) 의해 학습된 세탁물 데이터 인식 모델(231b; 예컨대 이미지 인식 모델)이 저장될 수 있다.
예컨대, 러닝 프로세서(240) 또는 프로세서(260a)는, 학습용 이미지 및 학습용 세탁물 정보를 이용한 지도 학습을 통해, 상기 세탁물 데이터 인식 모델(231b)을 학습시킬 수 있다.
프로세서는, 상기 이미지로부터 상기 세탁물의 종류와 재질에 관한 세탁물 정보를 획득하고, 상기 세탁물 정보를 데이터베이스(400)에 저장할 수 있다.
프로세서는, 상기 데이터베이스(400)에 저장된 상기 복수의 영역에 대응하는 복수의 세탁물 정보를, 사용자가 기 입력한 세탁물 데이터 및 세탁 코스와 비교하여 상기 적어도 하나 이상의 세탁물의 세탁 코스를 추출할 수 있다.
세탁물 정보는 세탁물의 종류와 재질을 정의한 것으로, 상술한 직물 패턴과 마찬가지로 상기 세탁물을 분류하기 위한 기준으로서, 예를 들어 블라우스, 런닝 셔츠, 솜이불, 가죽 등을 포함할 수 있다.
세탁물 정보는 해당 세탁물에 대한 직물 패턴과, 분류 정보를 기록한 것으로, 복수의 영역에서 인식되는 적어도 하나 이상의 세탁물에 대해 세탁물 정보가 레이블링 되어 데이터베이스(400)에 저장될 수 있다.
상기 프로세서는, 상기 복수의 영역에 분포된 상기 세탁물 정보를 분류하고, 상기 세탁물 정보를 각각 상기 세탁물 데이터와 비교하여 유사도를 산출하며, 상기 유사도가 가장 높은 세탁물 데이터에 대응되는 세탁 코스를 추출할 수 있다.
세탁물 데이터는 세탁물 정보와 그 구성은 동일하나, 자동으로 인식된 정보가 아닌 사용자가 입력한 정보로 정의된다. 즉, 세탁물 데이터는 사용자가 세탁기(100a)를 구동시키는 경우 입력 가능한 모든 직물 패턴에 대한 정보로서, 상기 감지부(220)가 인식하기 이전에 사용자에 의해 입력되는 정보를 말한다.
세탁물 데이터는, 프로세서가 학습 알고리즘을 통해 세탁물 정보를 스스로 유추하는 경우에는 적용이 없고, 감지부(220)에서 획득된 이미지를 통해 비교 판단하여 유사도를 산출하는 과정에 사용될 수 있다.
프로세서는, 상기 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하고, 상기 세탁물 정보와 상기 적어도 하나 이상의 세탁 코스와의 적합성에 대해 점수를 부여하여, 상기 점수가 가장 높은 세탁 코스를 추출할 수 있다.
또한, 상기 프로세서는, 상기 이미지로부터 상기 복수의 영역을 추출하고,
상기 복수의 영역에 분포된 상기 세탁물에 대한 컨볼루션 신경망(CNN: Convolutional Neural Network)을 통해 상기 세탁물 정보를 유추하며, 상기 세탁물 정보에 대응되는 기 학습된 세탁 코스를 추출할 수 있다.
컨볼루션 신경망(CNN: Convolutional Neural Network)은 상기 복수의 영역의 지정과 검출된 세탁물을 분류하는 정밀기술로 학습기반 인식 기술이다.
컨볼루션 신경망(CNN: Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.
본 발명의 실시 예에 따른 프로세서는, 학습기반 인식 기술을 이용하는데, 이는 세탁물을 정확하게 분류해낼 수 있도록 설계된 학습 구조에 의해 복수의 데이터를 군집화하거나 분류하는 딥 러닝(Deep Learning)에 기반한 기술이다.
제어부(270)는, 상기 사용자가 수동으로 입력한 세탁 코스 또는 프로세서에 의해 자동으로 추출된 세탁 코스 중 어느 하나에 의해 상기 세탁기(100a)를 제어할 수 있다.
제어부(270)는, 데이터베이스(400)와 연동되거나 세탁기(100a)와 직접 연동이 가능하다. 코스 선택에 있어, 제어부(270)는 사용자가 수동으로 입력한 세탁 코스와 프로세서에 의해 자동으로 추출된 세탁 코스 중 우선 순위를 부여하여 세탁기(100a)를 제어할 수 있고, 제어 기능이 구비된 조작 버튼과 같이 물리적으로 구현도 가능하다.
도 5는 본 발명의 일 실시 예에 따른 감지부(220)의 구성도를 나타낸다.
도 5를 참조하면, 상기 감지부(220)는, 영상 카메라(221)와 조명(222)을 더 포함할 수 있다.
영상 카메라(221)는 상기 세탁물의 복수의 영역을 각각 복수의 각도에서 촬영할 수 있다. 영상 카메라(221)는 영상 인식을 통해 목적물을 식별할 수 있는 카메라로, 이미지 추출이나 동영상 추출 등이 가능한 3D 카메라 등을 포함할 수 있다.
영상 카메라(221)는 세탁기(100a) 내부의 세탁 통에 설치되거나 세탁 통 외부의 프레임에 설치될 수 있으며, 세탁물을 인식하기 위해 설치될 수 있는 모든 위치에 설치될 수 있다.
조명(222)은, 상기 영상 카메라(221)가 촬영하는 동안 상기 이미지를 획득할 수 있도록 광원을 제공할 수 있다. 상기 조명(222)은, 상기 복수의 영역에 분포한 상기 세탁물에 일정한 조도를 유지하기 위해 상기 세탁기(100a)의 상부에 설치될 수 있으며, 상기 감지부(220)가 상기 이미지를 획득하는 동안 작동할 수 있다.
영상 카메라(221)는 획득된 이미지를 주기적으로 또는 실시간으로 프로세서로 전송할 수 있고, 특정 동영상을 추출하거나 동영상데이터의 영상을 이미지로 추출하여 전송할 수도 있다.
영상 카메라(221)는, 복수의 영역에서 획득된 이미지로 각 세탁물을 분석할 수 없는 경우, 기 설정된 기준에 따라 프로세서에 의해 다시 이미지를 획득할 수 있다.
상술한 인공지능 기반의 세탁 코스 추천 장치(200a)를 이용하여 세탁 코스를 추천하는 제어 방법에 대해 이하 설명한다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 기반의 세탁 코스 추천 장치(200a)의 제어 방법의 순서도를 나타낸다.
도 6을 참조하면, 본 발명의 제어 방법은, 제1 단계(S10) 내지 제3 단계(S30)를 포함하는데, 이는 적어도 하나 이상의 이미지를 획득하는 제1 단계(S10), 획득된 이미지로부터 세탁물 정보를 획득하여 데이터베이스(400)에 저장하는 제2 단계(S20) 및 세탁물의 세탁 코스를 추출하는 제3 단계(S30)로 구성될 수 있다.
제1 단계(S10)는, 세탁기(100a) 내부의 적어도 하나 이상의 세탁물을 복수의 영역으로 구분하여 상기 복수의 영역을 각각 복수의 각도에서 촬영하여 상기 세탁물의 종류와 재질에 관한 적어도 하나 이상의 이미지를 획득할 수 있다.
상기 제1 단계(S10)는, 상기 사용자 또는 상기 사용자의 모바일(300)로부터 상기 세탁물의 종류와 재질이 나타난 적어도 하나 이상의 정지 영상 또는 동영상을 입력 받는 단계를 포함할 수 있다.
제1 단계는, 영상 카메라(221)와 조명(222)을 통해 구현될 수 있다. 영상 카메라(221)는 적어도 하나 이상 설치될 수 있으며, 각 영상 카메라(221)는 세탁물을 구분할 정도의 이미지를 획득하기 위해 복수의 이미지를 획득할 수 있다.
영상 카메라(221)는 복수의 영역 각각에 대해 복수의 이미지를 획득할 수 있으며, 각도 조절이 가능하여 세탁물을 피사체로 하여 여러 각도에서 이미지를 검출할 수 있다.
영상 카메라(221)가 적용되는 경우 외에, 사용자가 직접 정지 영상 또는 동영상을 입력할 수 있다. 이 경우, 실시 예에 따라 세탁기(100a)에 장착된 외부 입력 장치를 통해 입력을 하거나, 무선 통신으로 세탁기(100a)에 접속하여 이미지를 전송할 수도 있다. 사용자가 직접 정지 영상 또는 동영상을 입력하는 경우, 영상 카메라(221)의 인식 과정을 생략할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 제2 단계의 실시 예에 대한 상세한 순서도를 나타낸다.
도 7을 참조하면, 제2 단계(S20)는, 상기 이미지로부터 상기 세탁물의 종류와 재질에 관한 세탁물 정보를 획득하여 데이터베이스(400)에 저장하는 과정으로, 세탁물을 복수의 영역으로 분류하는 단계(S21), 세탁물 정보를 생성하는 단계(S22) 및 세탁물 및 복수의 영역과 대응되는 세탁물 정보를 매칭시켜 데이터베이스(400)에 저장하는 단계(S23)를 포함할 수 있다.
세탁물을 복수의 영역으로 분류하는 단계(S21)는, 세탁물이 위치한 부분을 구획하여 각 세탁물에 따라 이미지를 매칭시키기 위한 준비 과정이다.
세탁물 정보를 생성하는 단계(S22)는, 상기 복수의 영역에 존재하는 세탁물에 대한 해당 세탁물의 직물 패턴과, 분류 정보를 생성하는 과정이다.
이 경우, 프로세서는, 감지부(220)의 영상 카메라(221)로부터 전송된 이미지를 통해 각 세탁물에 대한 세탁물 정보를 구성하여 데이터베이스(400)에 저장할 수 있다(S23). 세탁물 정보는 상술한 바와 같이 세탁물의 종류와 재질을 정의한 것으로, 상술한 직물 패턴과 마찬가지로 상기 세탁물을 분류하기 위한 기준이다. 본 발명의 실시 예에 따른 제2 단계의 세부 구성은 도 7에서 후술한다.
제3 단계(S30)는, 상기 데이터베이스(400)에 저장된 상기 복수의 영역에 대응하는 복수의 세탁물 정보를, 사용자가 기 입력한 세탁물 데이터 및 세탁 코스 비교하여 상기 적어도 하나 이상의 세탁물의 세탁 코스를 추출할 수 있다.
제3 단계(S30)는, 프로세서가 감지부(220)로부터 전송 받은 복수의 이미지를 사용자가 기 입력한 데이터베이스(400) 내의 세탁물 데이터 및 세탁 코스와 비교 대조하여 각 세탁물의 기본 정보를 확인하고, 여기서 가장 최적의 세탁 코스를 추출하는 과정이다.
기본 정보는 주요하게 색깔, 도안, 무늬, 재질(면, 리넨(linen), 화학섬유, 폴리에스테르, 실크, 비단, 다운(down), 데님(denim) 등을 포함), 탈색 여부, 부류(속옷, 코트, 바지, 아동복, 침대 시트, 이불 커버 등을 포함), 무게, 스타일, 최적 세탁 온도, 세탁 요구 및/또는 브랜드를 포함할 수 있고, 이에 한정되는 것은 아니며, 추후 세탁 프로그램을 확정하는 근거로 된다.
제3 단계(S30)는, 세탁물 정보와 각 세탁 코스와의 비교를 통해 세탁 코스를 추출하는 제1 실시 예(도 8 참조)와 사용자가 입력한 세탁물 데이터와 유사도를 판단하여 세탁 코스를 추출하는 제2 실시 예(도 9 및 도 10 참조)를 통해 구현될 수 있다.
도 8은 본 발명의 제1 실시 예에 따른 제3 단계의 상세한 순서도를 나타낸다.
도 8을 참조하면, 제1 실시 예에 따른 제3 단계(S30)는, 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하는 단계(S31), 세탁물 정보와 상기 세탁 코스와의 적합성에 대해 점수를 부여하는 단계(S32) 및 점수가 가장 높은 세탁 코스를 추출하는 단계(S33)를 포함할 수 있다.
블라우스 런닝 셔츠 솜이불 재킷
표준 -5 0 -25 -100
울 / 섬세 -3 -20 -40 -100
급속 -25 -15 -25 -100
이불 -90 -5 0 -100
속옷 -75 0 -20 -100
표 1은 세탁물 정보(가로 축)와 세탁 코스(세로 축)를 매칭시켜 어울리는 적합성에 대해 점수를 부여한 모습이다.표 1을 참조하면, 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하는 단계(S31)는, 상기 세탁물에 레이블링 된 세탁물 정보를 추출하고, 세탁물 정보에 따라 적용할 수 없는 코스를 배제한다.
예를 들어(표 미도시), A라는 세탁물에 대한 세탁물 정보를 참조하여, A라는 제품에는 표준이나 급속이 적용될 수 없다면 이를 코스와의 적합성 판단 시 배제하는 것이다. 만약, 사용자가 같이 세탁할 수 없는 세탁물을 투입한 경우에는 모든 세탁 코스는 배제되고, 사용자에게 알림을 주는 과정도 포함할 수 있다.
세탁물 정보와 상기 세탁 코스와의 적합성에 대해 점수를 부여하는 단계(S32)는 표 1에서 런닝 셔츠의 경우 표준과 속옷이 적합하므로 적합도가 0인데 반해, 다른 세탁 코스는 그 만큼의 차이가 있어 (-)로 표시될 수 있다.
점수가 가장 높은 세탁 코스를 추출하는 단계는, 그 부여된 점수가 가장 큰 세탁 코스를 추출하는 것으로 이를 사용자에게 알려주거나 세탁기(100a)에 표시하는 과정이다.
도 9는 본 발명의 제2 실시 예에 따른 제3 단계(S30)의 상세한 순서도를 나타내고, 도 10은 도 9에 따른 프로세서의 세탁 코스를 추출하는 모습을 나타낸다.
도 9를 참조하면, 제2 실시 예에 따른 제3 단계(S30)는, 복수의 영역에 분포된 상기 세탁물 정보를 분류하는 단계(S41), 세탁물 정보와 세탁물 데이터를 비교하여 유사도를 산출하는 단계(S42) 및 유사도가 가장 높은 세탁 코스를 추출하는 단계(S43)를 포함할 수 있고, 도 10을 참조하면 이러한 추출 단계를 (1) 내지 (4)의 과정으로 보여준다.
상기 세탁물 정보를 분류하는 단계(S41)는, (1) 상술한 제1 단계에서 구획된 복수의 영역과 각 영역에 존재하는 적어도 하나 이상의 이미지를 통해 (2) 세탁물을 종류와 재질에 따라 세탁물 정보를 매칭시키는 과정이다.
세탁물 정보와 세탁물 데이터를 비교하여 유사도를 산출하는 단계(S42)는, (3) 세탁물 각각에 대해 데이터베이스(400)에서 기 등록된 세탁물 데이터와 비교한 뒤 가장 가까운 재질과 매칭시키는 과정이다.
이 과정에서, 가장 가까운 재질과 매칭시키지 못했다면, (4) 상기 복수의 영역에 분포된 상기 세탁물에 대한 컨볼루션 신경망(CNN: Convolutional Neural Network)을 적용하여 상기 세탁물 정보를 유추하거나 상기 세탁물 정보에 대응되는 기 학습된 세탁 코스를 추출하는 과정을 진행할 수도 있다.
유사도가 가장 높은 세탁 코스를 추출하는 단계(S43)는, 기 등록된 세탁물 데이터와 비교한 뒤 가장 가까운 재질과 매칭시켜 이를 사용자에게 알려주거나 세탁기(100a)에 표시하는 과정이다.
도 11은 본 발명의 실시 예에 따라 제어부(270)가 추가된 순서도를 나타내고, 도 12는 도 11의 순서도에 따라 세탁기(100a)를 제어하는 제어부(270)의 모습을 나타낸다.
도 11 및 도 12를 참조하면, 상술한 도 4에서 제어부(270)를 추가하여, 상기 사용자가 수동으로 입력한 세탁 코스 또는 자동으로 추출된 세탁 코스 중 어느 하나의 의해 상기 세탁기(100a)를 제어할 수 있다.
제어부(270)는 시리얼 통신 등 유선 통신 방식이나, 또는 라디오 주파수(RF) 통신, 블루투스(Bluetooth), 적외선 통신(IrDA), 무선 랜(LAN), 지그비(Zigbee) 등 근거리 무선 통신 방식 중 하나의 통신 방식으로 세탁기(100a)와 통신을 수행하는 통신 모듈을 포함하고 이를 이용하여 세탁기(100a)에 직접 표시하거나 사용자의 모바일(300)로 제어 내용을 전송할 수 있으며, 구동 모듈을 통해 세탁기(100a)를 제어할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 세탁기 내부의 적어도 하나 이상의 세탁물을 복수의 영역으로 구분하여 상기 복수의 영역을 각각 복수의 각도에서 촬영하여 상기 세탁물의 종류와 재질에 관한 적어도 하나 이상의 이미지를 획득하는 감지부; 및
    상기 이미지로부터 상기 세탁물의 종류와 재질에 관한 세탁물 정보를 획득하고,
    상기 세탁물 정보를 데이터베이스에 저장하며,
    상기 데이터베이스에 저장된 상기 복수의 영역에 대응하는 복수의 세탁물 정보를, 사용자가 기 입력한 세탁물 데이터 및 세탁 코스 비교하여 상기 적어도 하나 이상의 세탁물의 세탁 코스를 추출하는 프로세서를 포함하는 인공지능 기반의 세탁 코스 추천 장치.
  2. 제 1 항에 있어서,
    상기 감지부는,
    상기 세탁물의 복수의 영역을 각각 복수의 각도에서 촬영하는 영상 카메라; 및
    상기 영상 카메라가 촬영하는 동안 상기 이미지를 획득할 수 있도록 광원을 제공하는 조명을 더 포함하는 인공지능 기반의 세탁 코스 추천 장치.
  3. 제 2 항에 있어서,
    상기 조명은,
    상기 복수의 영역에 분포한 상기 세탁물에 일정한 조도를 유지하기 위해 상기 세탁기의 상부에 설치되며,
    상기 감지부가 상기 이미지를 획득하는 동안 작동되는 것을 특징으로 하는 인공지능 기반의 세탁 코스 추천 장치.
  4. 제 1 항에 있어서,
    상기 프로세서는,
    상기 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하고,
    상기 세탁물 정보와 상기 적어도 하나 이상의 세탁 코스와의 적합성에 대해 점수를 부여하여,
    상기 점수가 가장 높은 세탁 코스를 추출하는 것을 특징으로 하는 인공지능 기반의 세탁 코스 추천 장치.
  5. 제 1 항에 있어서,
    상기 프로세서는,
    상기 복수의 영역에 분포된 상기 세탁물 정보를 분류하고,
    상기 세탁물 정보를 각각 상기 세탁물 데이터와 비교하여 유사도를 산출하며,
    상기 유사도가 가장 높은 세탁물 데이터에 대응되는 세탁 코스를 추출하는 것을 특징으로 하는 인공지능 기반의 세탁 코스 추천 장치.
  6. 제 1 항에 있어서,
    상기 프로세서는,
    상기 이미지로부터 상기 복수의 영역을 추출하고,
    상기 복수의 영역에 분포된 상기 세탁물에 대한 컨볼루션 신경망(CNN: Convolutional Neural Network)을 통해 상기 세탁물 정보를 유추하며,
    상기 세탁물 정보에 대응되는 기 학습된 세탁 코스를 추출하는 것을 특징으로 하는 인공지능 기반의 세탁 코스 추천 장치.
  7. 제 1 항에 있어서,
    머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고,
    상기 이미지로부터 상기 세탁물 정보를 인식하기 위한 세탁물 정보 인식 모델을 저장하는 메모리를 더 포함하는 인공지능 기반의 세탁 코스 추천 장치.
  8. 제 1 항에 있어서,
    상기 프로세서는,
    상기 사용자가 수동으로 입력한 세탁 코스 또는 자동으로 추출된 세탁 코스 중 어느 하나에 의해 상기 세탁기를 제어하는 제어부를 더 포함하는 인공지능 기반의 세탁 코스 추천 장치.
  9. 세탁기 내부의 적어도 하나 이상의 세탁물을 복수의 영역으로 구분하여 상기 복수의 영역을 각각 복수의 각도에서 촬영하여 상기 세탁물의 종류와 재질에 관한 적어도 하나 이상의 이미지를 획득하는 제1 단계;
    상기 이미지로부터 상기 세탁물의 종류와 재질에 관한 세탁물 정보를 획득하여 데이터베이스에 저장하는 제2 단계; 및
    상기 데이터베이스에 저장된 상기 복수의 영역에 대응하는 복수의 세탁물 정보를, 사용자가 기 입력한 세탁물 데이터 및 세탁 코스 비교하여 상기 적어도 하나 이상의 세탁물의 세탁 코스를 추출하는 제3 단계를 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
  10. 제 9 항에 있어서,
    상기 제1 단계는,
    상기 사용자 또는 상기 사용자의 모바일로부터 상기 세탁물의 종류와 재질이 나타난 적어도 하나 이상의 정지 영상 또는 동영상을 입력 받는 단계를 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
  11. 제 9 항에 있어서,
    상기 제 2 단계는,
    상기 세탁물을 상기 복수의 영역으로 분류하는 단계;
    상기 복수의 영역에 대응되는 종류와 재질을 매칭시켜 세탁물 정보를 생성하는 단계; 및
    상기 세탁물 및 상기 복수의 영역과 대응되는 상기 세탁물 정보를 매칭시켜 상기 데이터베이스에 저장하는 단계를 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
  12. 제 9 항에 있어서,
    상기 제3 단계는,
    상기 세탁물 정보에 적용될 수 있는 적어도 하나 이상의 세탁 코스를 추출하는 단계;
    상기 세탁물 정보와 상기 적어도 하나 이상의 세탁 코스와의 적합성에 대해 점수를 부여하는 단계; 및
    상기 점수가 가장 높은 세탁 코스를 추출하는 단계를 더 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
  13. 제 9 항에 있어서,
    상기 제3 단계는,
    상기 복수의 영역에 분포된 상기 세탁물 정보를 분류하는 단계;
    상기 세탁물 정보를 각각 상기 세탁물 데이터와 비교하여 유사도를 산출하는 단계; 및
    상기 유사도가 가장 높은 세탁물 데이터에 대응되는 세탁 코스를 추출하는 단계를 더 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
  14. 제 9 항에 있어서,
    상기 제3 단계는,
    상기 복수의 영역에 분포된 상기 세탁물에 대한 컨볼루션 신경망(CNN: Convolutional Neural Network)을 적용하여 상기 세탁물 정보를 유추하는 단계; 및
    상기 세탁물 정보에 대응되는 기 학습된 세탁 코스를 추출하는 단계를 더 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
  15. 제 9 항에 있어서,
    상기 사용자가 수동으로 입력한 세탁 코스 또는 자동으로 추출된 세탁 코스 중 어느 하나의 의해 상기 세탁기를 제어하는 단계를 더 포함하는 인공지능 기반의 세탁 코스 추천 장치의 제어 방법.
KR1020190090542A 2019-06-28 2019-07-25 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법 KR20190095191A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/KR2019/007929 2019-06-28
PCT/KR2019/007929 WO2020262746A1 (ko) 2019-06-28 2019-06-28 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20190095191A true KR20190095191A (ko) 2019-08-14

Family

ID=67622091

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190090542A KR20190095191A (ko) 2019-06-28 2019-07-25 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US11525202B2 (ko)
KR (1) KR20190095191A (ko)
WO (1) WO2020262746A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113981652A (zh) * 2020-07-27 2022-01-28 青岛海尔洗衣机有限公司 衣物处理方法、装置、电子设备、及存储介质
WO2023027215A1 (ko) * 2021-08-26 2023-03-02 엘지전자 주식회사 인공지능 세탁기 및 세탁기의 제어방법
KR20230032763A (ko) 2021-08-31 2023-03-07 엘지전자 주식회사 가전제품용 운전코스 추천을 위한 서비스 시스템 및 서비스 방법
WO2024034829A1 (ko) * 2022-08-08 2024-02-15 삼성전자 주식회사 세탁기 및 세탁물과 관련된 정보를 제공하는 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699818A (zh) * 2021-01-04 2021-04-23 北京激浊扬清文化科技有限公司 洗衣机状态识别方法、装置、计算机设备及存储介质
US11629445B2 (en) * 2021-01-22 2023-04-18 Haier Us Appliance Solutions, Inc. System and method for measuring laundry appliance air flow using a camera and artificial intelligence
US11851799B2 (en) * 2021-03-25 2023-12-26 Haier Us Appliance Solutions, Inc. Systems and methods of operating a washing machine appliance to detect and mitigate out-of-balance conditions
CN114855416B (zh) * 2022-04-25 2024-03-22 青岛海尔科技有限公司 洗涤程序的推荐方法及装置、存储介质及电子装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101381144B1 (ko) 2007-02-28 2014-04-04 삼성전자주식회사 세탁기의 세탁코스 추천방법
US8528230B2 (en) 2009-02-19 2013-09-10 Whirlpool Corporation Laundry treating appliance with bulky item detection
KR102217559B1 (ko) 2014-03-10 2021-02-19 엘지전자 주식회사 세탁기의 제어 장치 및 그의 방법
CN106192289A (zh) * 2015-04-30 2016-12-07 青岛海尔洗衣机有限公司 洗衣机控制方法及洗衣机
KR20170090164A (ko) 2016-01-28 2017-08-07 엘지전자 주식회사 가전제품의 제어방법
WO2018011173A1 (de) 2016-07-15 2018-01-18 Henkel Ag & Co. Kgaa Verfahren zur ermittlung von behandlungsparametern einer textilie über strukturinformation
US20180308149A1 (en) * 2017-04-25 2018-10-25 Fashionality Inc. Systems and methods to curate, suggest and maintain a wardrobe
KR102070783B1 (ko) 2017-04-25 2020-01-29 엘지전자 주식회사 사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113981652A (zh) * 2020-07-27 2022-01-28 青岛海尔洗衣机有限公司 衣物处理方法、装置、电子设备、及存储介质
WO2023027215A1 (ko) * 2021-08-26 2023-03-02 엘지전자 주식회사 인공지능 세탁기 및 세탁기의 제어방법
KR20230032763A (ko) 2021-08-31 2023-03-07 엘지전자 주식회사 가전제품용 운전코스 추천을 위한 서비스 시스템 및 서비스 방법
WO2024034829A1 (ko) * 2022-08-08 2024-02-15 삼성전자 주식회사 세탁기 및 세탁물과 관련된 정보를 제공하는 방법

Also Published As

Publication number Publication date
US11525202B2 (en) 2022-12-13
WO2020262746A1 (ko) 2020-12-30
US20210363680A1 (en) 2021-11-25

Similar Documents

Publication Publication Date Title
US11525202B2 (en) AI-based laundry course recommending apparatus and method of controlling the same
US11868881B2 (en) Artificial intelligence laundry drying machine
KR102298541B1 (ko) 이미지 데이터에서 사용자를 인식하는 인공 지능 장치 및 그 방법
KR102286137B1 (ko) 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
KR20190096878A (ko) 인공지능 기반의 공기조화기
US20210138654A1 (en) Robot and method for controlling the same
US11269328B2 (en) Method for entering mobile robot into moving walkway and mobile robot thereof
KR20210063700A (ko) 사용자의 활동 정보를 고려하여 추천 마사지 설정을 결정하는 인공 지능 마사지 장치 및 그 방법
US11423302B2 (en) Artificial intelligence laundry treatment apparatus
KR20190104927A (ko) 사진 영상 제공 장치 및 사진 영상 제공 방법
KR20190104483A (ko) 로봇 시스템 및 그 제어 방법
US20190365321A1 (en) Xr apparatus for passenger in vehicle
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
KR20190106862A (ko) 인공지능 장치 및 그를 이용한 IoT 기기의 도난 감지 및 탐색 방법
KR20190096871A (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR20190084912A (ko) 사용자의 액션에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190096879A (ko) 인공지능 기반의 세탁물 데이터 분석 장치
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190096857A (ko) 로봇의 경로를 결정하는 인공 지능 서버 및 그 방법
KR20190098102A (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR20190098930A (ko) 사용자에게 음식을 제공하는 방법 및 그 장치
KR20190114935A (ko) 인공지능 서버
KR102537381B1 (ko) 보행경로예측장치
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
US20230161356A1 (en) Method of updating map in fusion slam and robot implementing same

Legal Events

Date Code Title Description
G15R Request for early publication
E902 Notification of reason for refusal