KR20190108532A - 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템 - Google Patents
세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR20190108532A KR20190108532A KR1020190109703A KR20190109703A KR20190108532A KR 20190108532 A KR20190108532 A KR 20190108532A KR 1020190109703 A KR1020190109703 A KR 1020190109703A KR 20190109703 A KR20190109703 A KR 20190109703A KR 20190108532 A KR20190108532 A KR 20190108532A
- Authority
- KR
- South Korea
- Prior art keywords
- foreign
- noise
- dryer
- foreign matter
- data
- Prior art date
Links
- 238000005406 washing Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 101
- 238000013528 artificial neural network Methods 0.000 claims abstract description 75
- 239000000126 substance Substances 0.000 claims abstract description 72
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 67
- 239000000463 material Substances 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000018044 dehydration Effects 0.000 claims description 12
- 238000006297 dehydration reaction Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 7
- 239000002781 deodorant agent Substances 0.000 claims 2
- 238000001035 drying Methods 0.000 abstract description 10
- 239000010410 layer Substances 0.000 description 61
- 238000012549 training Methods 0.000 description 49
- 238000010801 machine learning Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 21
- 239000004033 plastic Substances 0.000 description 20
- 229920003023 plastic Polymers 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 19
- 239000002184 metal Substances 0.000 description 18
- 229910052751 metal Inorganic materials 0.000 description 18
- 230000008569 process Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 150000002739 metals Chemical class 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- D06F37/203—
-
- 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
- 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
- D06F33/48—Preventing or reducing imbalance or noise
-
- 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
-
- D06F39/005—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/001—Acoustic presence detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G06K9/627—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R3/00—Circuits for transducers, loudspeakers or microphones
- H04R3/005—Circuits for transducers, loudspeakers or microphones for combining the signals of two or more microphones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Textile Engineering (AREA)
- Signal Processing (AREA)
- Otolaryngology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Control Of Washing Machine And Dryer (AREA)
Abstract
본 발명에 의해 세탁기/건조기 내의 이물질 감지 장치 및 서버를 포함하는 이물질 감지 시스템이 개시된다. 이물질 분류 장치는 이물질를 거치하는 거치부, 거치부에 거치된 이물질 무게를 감지하는 무게 감지부, 거치부를 진동시키는 모터, 모터의 작동시 이물질의 무게에 따라 모터에 반영되는 모터 전류 패턴을 감지하는 모터 전류 감지부, 모터 전류 패턴을 기초로 이물질 종류를 분류하는 이물질 종류 분류부, 및 이물질 분류에 따라 이물질 처리 코스를 자동 설정하는 제어부를 포함하고, 서버는 수신된 소음 데이터를 인공신경망을 통해 학습시킨 이물질분류엔진을 생성하는 인공지능 모델 학습부를 포함하고, 서버는 인공지능 모델 학습부를 통해 학습시킨 학습된 이물질분류엔진을 이물질 분류 장치로 전송하도록 구성되고, 이물질 종류 분류부는 서버에서 전송받은 학습된 이물질분류엔진을 통해 이물질의 종류를 분류하고, 통신부는 이물질 종류 분류부에서 분류된 이물질의 종류에 관한 정보를 이물질 가전에 전송하도록 구성될 수 있다. 본 발명에 따르면, 인공지능(AI), 인공지능 기반의 이물질 종류 분류 기술과 5G 네트워크를 이용하여 세탁기/건조기 내 이물질을 감지할 수 있다.
Description
본 발명은 마이크로폰을 통해 세탁기/건조기의 터브 안의 세탁물 중 이물질의 소음을 감지하는 방법, 장치 및 시스템에 관한 것으로, 더욱 상세하게는 센서 또는 인공지능 기반의 이물질 감지 방법, 장치, 및 시스템에 관한 것이다.
본 발명에서 이물질(Foreign Objects)은 세탁기/건조기에 투입된, 세탁 과정에서 세탁물의 터브에 손상을 줄 수 있는 쇠붙이(버클, 동전 등)나 아주 단단한 플라스틱 재질, 동전 등을 의미한다.
종래에는 세탁기/건조기는 세탁기/건조기 내의 세탁물에 이물질이 섞여 있는 경우, 이물질을 감지할 수 있는 장비를 구비하고 있지 않았다. 따라서, 이물질에 의해 세탁기/건조기 터브에 손상이 가해질 수 있었다.
선행기술 1은 마이크로폰을 통해 탈수시 세탁물의 과도한 언밸런스에 의한 심한 소음이 발생할 경우 세탁물 치우침 방지행정을 수행한 후 다시 탈수를 진행하는 방법으로 탈수시 소음이 일정이상 발생되지 않도록 제어하고, 세탁/탈수 등과 같은 각 행정진행시 혹은 행정진행 전에 각 부품에서 발생하는 소리를 감지하여 그 부품의 고장 여부를 판단하는 자기진단기능을 실현하고, 사용자의 음성신호를 인식하여 음성으로 조작 가능한 음성인식기능을 갖춘 세탁기 제어방법에 관한 것이다. 그러나 세탁기에 마이크로폰을 장착하여 언밸런스로 인해 소음을 감지하는 것이기 때문에, 세탁기/건조기 내의 이물질이 유발하는 다양한 소음 패턴을 파악하기 어려웠다.
선행기술 2는 발명은 세탁기의 동작 중에 발생하는 소음을 상쇄하면서 동시에 사용자에게 세탁기의 진행정보를 음향으로 제공해 주는 세탁기 및 그 음향제어방법에 관한 것이다. 이를 위해 본 발명은 입력된 운전명령에 따라 세탁기의 동작을 진행하고, 상기 세탁기의 동작 중에 발생하는 소음의 패턴을 감지하고, 상기 감지된 소음을 상쇄하기 위한 음향을 판독하고, 상기 판독된 음향을 상기 소음에 매핑하여 출력하는 마스킹 효과로 소음을 최소화할 수 있으며, 소음 패턴에 따라 각 행정의 시작과 완료, 그리고 변경을 감지하고, 사용자의 접근 여부를 감지하여 피드백 음향을 출력함으로서 세탁기의 진행정보를 알 수 있도록 하였다. 그러나, 선행기술2는 세탁행정 중 발생하는 소음패턴의 소음을 상쇄하기 위한 것이기 때문에 세탁물에 이물질이 섞여 있는 경우 이물질에 의한 소음인지 파악할 수 없었다.
본 발명의 일 실시 예는, 세탁기/건조기 내의 이물질을 세탁/건조 초기에 발견하는 것이다.
본 발명의 일 실시 예는, 세탁기/건조기의 회전 시에 이물질로 인해 터브가 손상되는 것을 방지하고, 세탁물을 보호하기 위한 것이다.
본 발명의 일 실시 예는, 세탁기/건조기의 회전 시에 이물질의 소음을 인식하여 세탁기/건조기 행정을 중지시키고 사용자에게 알림으로써 스마트한 세탁기/건조기를 만들기 위한 것이다.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 세탁기/건조기 내 이물질 감지 방법, 장치 및 시스템은 AI 기술을 기반으로 이물질의 종류를 추정할 수 있다.
구체적으로, 이물질 감지 방법은 세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 투입 후 터브가 회전할 경우 발생하는 소음 데이터를 수집하는 단계, 수집된 소음 데이터가 특정 임계치를 넘는지 모니터링하는 단계, 수집된 소음 데이터가 특정 임계치를 넘으면 기 학습된 인공지능모델을 통해 이물질(Foreign Objects)의 종류를 추정하는 단계를 포함할 수 있다.
본 발명의 다른 실시 예에서, 이물질의 종류를 추정하는 단계는 소음 데이터를, 이물질의 종류를 분류하기 위해 기 학습된 인공지능 모델에 적용하는 단계 및 기 학습된 인공지능 모델로부터 이물질의 종류에 관한 정보를 출력하는 단계를 포함할 수 있다.
본 발명의 다른 실시 예에서, 이물질 감지 방법은 세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 탈수 시 터브가 회전할 경우 발생하는 탈수 시 소음 데이터를 수집하는 단계를 더 포함하고, 기 학습된 인공지능 모델은 탈수 시 소음 데이터, 및 탈수 시 소음 데이터에 이물질 종류 또는 세탁물의 편심(Unbalance, UB)의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 이물질 종류 또는 세탁물의 편심(UB)을 분류하여 출력하도록 구성되고, 세탁물의 편심(UB)은 수집된 소음 데이터가 이물질 분류 범위를 결정하는 특정 임계치를 넘어 일정 데시빌 이상일 경우 발생될 수 있다.
본 발명의 다른 실시 예에서, 이물질 감지 방법은 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상인 경우 세탁기/건조기 행정을 정지하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시 예에서, 이물질 감지 방법은 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상이면 사용자에게 알리는 단계를 더 포함할 수 있다.
본 발명의 다른 실시 예에서, 이물질 감지 방법은 소음 데이터를 수집하는 단계 후에 수집된 소음 데이터를 사용자 단말기로 전송하는 단계를 더 포함하고, 사용자 단말기에서 모니터링하는 단계, 이물질의 종류를 추정하는 단계가 실행될 수 있다.
본 발명의 일 실시예에 따른 세탁기/건조기 내의 이물질 감지 장치는 세탁물의 투입 후 터브가 회전할 경우 발생하는 소음을 감지하는 세탁기/건조기에 장착된 마이크로폰, 및 마이크로폰을 통해 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하고, 수집된 소음 데이터가 특정 임계치를 넘는 경우 기 학습된 인공지능모델을 통해 이물질(Foreign Objects)의 종류를 추정하는 이물질분류부를 포함할 수 있다.
다른 실시 예에서, 이물질분류부는 소음 데이터를, 이물질의 종류를 분류하기 위해 기 학습된 인공지능 모델에 적용하고, 기 학습된 인공지능 모델로부터 이물질의 종류에 관한 정보를 출력하도록 구성될 수 있다.
본 발명의 실시 예에 따른 이물질 감지 방법 또는 이물질 감지 장치에서 기 학습된 인공지능 모델은 소음 데이터 및 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 이물질 종류를 분류하여 출력하는 이물질분류엔진일 수 있다.
본 발명의 실시 예에 따른 이물질 감지 방법 또는 이물질 감지 장치에서, 인공지능모델은 소음 데이터들을 K-최근접 이웃 알고리즘(K-Nearest Neighbor algorithm)을 통해 이물질 종류를 분류하도록 구성될 수 있다.
본 발명의 다른 실시 예에서, 마이크로폰은 세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 탈수 시 터브가 회전할 경우 발생하는 탈수 시 소음 데이터를 수집하도록 구성되고, 기 학습된 인공지능 모델은 탈수 시 소음 데이터, 및 탈수 시 소음 데이터에 이물질 종류 또는 세탁물의 편심(Unbalance, UB)의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 이물질 종류 또는 세탁물의 편심(UB)을 분류하여 출력하도록 구성되고, 세탁물의 편심(UB)은 수집된 소음 데이터가 이물질 분류 범위를 결정하는 특정 임계치를 넘어 일정 데시빌 이상일 경우 발생될 수 있다.
본 발명의 실시 예에 따른 이물질 감지 방법 또는 이물질 감지 장치에서, 소음 데이터는 소음의 크기 및 소음의 간격을 포함할 수 있다.
본 발명의 다른 실시 예에서, 이물질 감지 장치는 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상인 경우 세탁기/건조기 행정을 정지하도록 구성된 제어부를 더 포함할 수 있다.
본 발명의 다른 실시 예에서, 이물질 감지 장치는 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상이면 사용자에게 알리도록 구성된 통신부를 더 포함할 수 있다.
본 발명의 실시예에 따른 세탁기/건조기 내의 이물질 감지 시스템은 세탁기/건조기 내의 이물질 감지 장치 및 서버를 포함할 수 있고, 이물질 감지 장치는 세탁물의 투입 후 터브가 회전할 경우 발생하는 소음을 감지하는 세탁기/건조기에 장착된 마이크로폰, 및 마이크로폰을 통해 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하고, 수집된 소음 데이터가 특정 임계치를 넘는 경우 기 학습된 인공지능모델을 통해 이물질의 종류를 추정하는 이물질분류부를 포함하고, 서버는 수신된 소음 데이터를 인공신경망을 통해 학습시킨 이물질분류엔진을 생성하는 인공지능 모델 학습부를 포함하고, 서버는 인공지능 모델 학습부를 통해 학습시킨 학습된 이물질분류엔진을 이물질 감지 장치로 전송하도록 구성되고, 이물질분류부는 서버에서 전송받은 학습된 이물질분류엔진을 통해 이물질 종류를 분류하도록 구성될 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 방법을 실행하기 위한 컴퓨터 프로그램이 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시 예에 의하면, 인공지능(AI), 인공지능 기반의 소리 인식 기술과 5G 네트워크를 이용하여 이물질로 인한 세탁기/건조기 내의 터브 손상을 최소화할 수 있다.
본 발명의 실시 예에 의하면, 세탁기/건조기 내의 이물질을 세탁/건조 초기에 발견하여 세탁기/건조기의 터브 및 옷감의 손상을 최소화 및 보호할 수 있다.
본 발명의 실시 예에 의하면, 세탁 및 건조 시에 소음이 미리 방지될 수 있다
본 발명의 실시 예에 의하면, 세탁기/건조기에서 획득된 소음 데이터를 사용자 단말기로 전송하고, 단말기의 연산기능을 통한 빠른 연산으로 세탁기의 연산부담을 분배할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 세탁기/건조기의 터브 손상의 원인이 되는 이물질 및 상기 이물질이 유발하는 상기 터브 내의 손상의 예시이다.
도 2는 이물질 감지 장치, 사용자 단말기, 서버 및 이들을 통신 연결하는 네트워크를 포함하는 시스템 환경의 예시도이다.
도 3은 세탁기/건조기 및 사용자 단말기에서 작동하는 이물질 감지 장치 및 서버를 포함하는 이물질 감지 시스템의 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 이물질 감지 장치의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 이물질 감지 장치의 이물질 감지 프로세스를 개략적으로 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따라 세탁기/건조기 내의 이물질을 감지하는 방법의 흐름도이다.
도 7는 본 발명의 일 실시 에에 따른 인공지능 모델 학습부를 통해 이물질분류엔진을 학습시키는 흐름도이다.
도 8a는 본 발명의 일 실시 예에 따른 K-최근접 이웃 알고리즘의 예시도이다.
도 8b는 이물질 소음의 크기에 따라 이물질 재질 종류를 분류한 예시도이다.
도 9는 본 발명의 일 실시 예에 따는 인공신경망의 예시도이다.
도 2는 이물질 감지 장치, 사용자 단말기, 서버 및 이들을 통신 연결하는 네트워크를 포함하는 시스템 환경의 예시도이다.
도 3은 세탁기/건조기 및 사용자 단말기에서 작동하는 이물질 감지 장치 및 서버를 포함하는 이물질 감지 시스템의 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 이물질 감지 장치의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 이물질 감지 장치의 이물질 감지 프로세스를 개략적으로 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따라 세탁기/건조기 내의 이물질을 감지하는 방법의 흐름도이다.
도 7는 본 발명의 일 실시 에에 따른 인공지능 모델 학습부를 통해 이물질분류엔진을 학습시키는 흐름도이다.
도 8a는 본 발명의 일 실시 예에 따른 K-최근접 이웃 알고리즘의 예시도이다.
도 8b는 이물질 소음의 크기에 따라 이물질 재질 종류를 분류한 예시도이다.
도 9는 본 발명의 일 실시 예에 따는 인공신경망의 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 세탁기/건조기의 터브 손상의 원인이 되는 이물질 및 상기 이물질이 유발하는 상기 터브 내의 손상의 예시이다.
세탁기/건조기(200)는 세탁물을 세탁하기 위해 회전하는 터브를 포함한다. 세탁물에 쇠 버클, 플라스틱 버클, 및 동전과 같은 이물질(101)이 포함된 경우, 세탁/건조 행정을 위해 터브를 회전시킬 때 터브에 스크래치(102)가 발생할 수 있다. 이러한 스크래치는 터브의 수명을 감소시키고, 세탁물을 손상시킬 수 있다. 쇠붙이, 플라스틱, 및 동전은 터브가 회전할 때 터브 표면과 마찰하여 세탁/건조시의 소음과 다른, 일정한 소음 크기 및 소음 간격의 소음 패턴을 발생시킬 수 있으므로, 이물질 감지 장치는 소음 크기 및 소음 간격을 모니터링하여, 이물질의 존재 및 이물질의 종류를 추정할 수 있다.
세탁기/건조기에 들어갈 수 있는 이물질은 쇠붙이, 플라스틱, 동전 등 기타 소재일 수 있다. 이 밖에도 이물질은 머리핀, 장난감, 볼펜, 금속성 단추, 플라스틱 단추 등을 포함할 수 있다.
도 2는 이물질 감지 장치, 사용자 단말기, 서버 및 이들을 통신 연결하는 네트워크를 포함하는 시스템 환경의 예시도이다.
이물질 감지 장치(100)는 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 세탁기/건조기 내 이물질을 감지할 수 있다.
이물질 감지 환경은 이물질 감지 장치(100), 세탁기/건조기(200), 서버(300), 네트워크(400) 및 사용자 단말기(500)를 포함할 수 있다. 이물질 감지 장치(100)는 세탁기/건조기(200) 내에 통합되어 마이크로폰를 통해 소음을 모니터링하여 이물질의 존재를 감지하고 이물질 종류를 추정할 수 있다.
본 발명의 다른 실시예에서, 이물질 감지 장치(100)는 사용자 단말기(500)에 어플리케이션의 형태로 실행될 수 있다. 사용자 단말기(500)는 세탁기/건조기(200)의 마이크로폰으로부터 소음 데이터에 관한 사항을 수신할 수 있으며, 소음 데이터를 분석하고, 이물질의 존재가 발견된 경우 세탁기/건조기(200)에 세탁/건조 행정의 정지 및 터브를 보호하기 위한 각종 제어 신호를 송신할 수 있다. 또한, 이물질의 존재가 발견된 경우 사용자에게 알람 또는 음성으로 알릴 수 있다.
본 발명의 일 실시 예에서 이물질 감지 장치(100)는 네트워크(400)를 통해 사용자 단말기(500) 및 서버(300)와 통신할 수 있으며, 딥러닝(Deep Learning) 등 기계학습(machine learning)을 수행할 수 있고, 메모리(127)는, 기계학습에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 이물질 감지 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 단말기에 설치된 이물질 감지 애플리케이션 또는 이물질 감지 제어 웹 브라우저를 이용하여 이물질 감지 장치(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.
여기서 인공 지능(artificial intelligence, AI)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 의미할 수 있다.
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.
기계학습(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 기계학습은, 경험적 데이터를 기반으로, 학습 데이터(트레이닝 데이터) 세트 및/또는 테스트 데이터 세트를 생성하여 학습을 하여 학습된 모델을 결정하고, 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 기계학습의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
네트워크(400)는 이물질 감지 장치(100)와, 서버(300)와 사용자 단말기(500)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 3은 세탁기/건조기 및 사용자 단말기에서 작동하는 이물질 감지 장치 및 서버를 포함하는 이물질 감지 시스템의 예시도이다.
이물질 감지 장치(100) 및 서버(300)에는 인공신경망(artificial neural network)이 탑재될 수 있다. 또한 이물질 감지 장치(100)는 동작 모드에 대응하여 사용자 단말기(500)에 학습된 인공지능모델을 통해 식별된 이물질 정보를 전송할 수 있다.
이물질 감지 장치(100)는 이물질의 종류를 추론(inference)(또는 분류)하는 인공지능 모델을 학습시키기 위한 용도로 서버(300)를 이용할 수 있다. 예를 들어 이물질 감지 장치(100)는 인공지능 모델 학습부(124)를 포함하여서, 이물질의 종류를 분류(classify)하기 위한 기 학습된 인공지능 모델을 자신이 직접 생성하여 이를 이용할 수도 있지만, 서버(300)가 인공지능 모델 학습부를 포함할 수 있고, 서버(300)에 의해 수집된 빅 데이터 형태의 데이터를 대신 이용할 수도 있다.
이물질 감지 장치(100)는 로컬 영역에 저장되거나 또는 서버(300)에 저장된 인공지능 알고리즘과 관련된 각종 프로그램을 이용할 수 있다. 즉 서버(300)는 데이터 수집과 함께 수집된 데이터를 이용하여 인공지능 모델을 학습시키는 역할을 할 수 있다. 이물질 감지 장치(100)는 생성된 인공지능 모델을 기반으로 이물질의 존재 및 종류를 분류할 수 있다.
서버(300)는 세탁기/건조기(200)에 장착된 마이크로부터 이물질에 의해 유발된 소음 데이터 및 이물질의 종류의 레이블이 매칭된 데이터를 수신할 수 있다. 서버(300)는 인공지능 알고리즘을 이용하여 이물질의 종류 식별에 필요한 훈련용 데이터 및 인공지능 알고리즘과 관련된 각종 프로그램, 예를 들어 API, 워크플로우 등을 사용자 단말에 제공할 수 있다. 즉 서버(300)는 이물질의 종류를 분류(classify)하기 위한 소음 데이터 및 상기 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터를 포함하는 훈련용 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다. 또한, 서버(300)는 소음의 크기 및 간격에 관한 데이터 및 이물질의 종류에 관한 데이터를 포함하는 훈련용 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다. 그 밖에 서버(300)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트할 수 있다. 여기서, 이물질 감지 장치(100)는 서버(300)가 수행하는 일련의 단계들을 단독으로 또는 서버(300)와 함께 수행할 수 있다.
서버(300)는 수집된 소음 크기 및 간격의 소음 패턴을 가지고 심층신경망(DNN)을 통해 학습시킨 인공지능 모델을 생성하는 인공지능 모델 학습부를 포함할 수 있다. 서버의 인공지능 모델 학습부는 기계학습 또는 딥러닝에 필요한 소음의 크기 및 간격, 및 이물질의 종류 추정에 필요한 데이터를 저장한 데이터베이스로부터, 심층신경망을 통해 학습시키는데 필요한 학습 데이터를 추출하고, 학습 데이터의 정확도를 높이기 위해 학습용 데이터를 전처리하고, 학습용 데이터를 심층신경망(DNN)을 통해 학습시키고, 그리고 기 학습된 인공지능 모델을 생성하도록 구성될 수 있다.
데이터의 전처리 (Preprocessing)란 학습용 데이터를 제거 또는 수정하여 최대한 소스 데이터의 정확성을 높이는 것을 말한다. 뿐만 아니라 중요성이 현저히 낮은 데이터를 과도하게 많이 포함한 경우 이들을 적절히 축소 조절하여 관리와 사용에 용이한 형태로 변경시켜 주기도 한다. 데이터 전처리에는 데이터 정제, 데이터 통합, 데이터 변환, 데이터 축소 등이 포함된다. 데이터 정제는 결측치를 채워 넣고, 잡음 있는 데이터를 평활화(smoothing) 하고, 이상치를 식별하고, 데이터 불일치를 교정하는 것이다.
서버(300)는 인공지능 모델 학습부를 통해 학습시킨 기 학습된 인공지능 모델을 이물질 감지 장치(100)로 전송하도록 구성될 수 있다. 이물질 감지 장치(100)의 이물질분류부(126)는 상기 서버에서 전송받은 기 학습된 인공지능 모델을 통해 이물질의 종류를 분류하도록 구성될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 이물질 감지 장치의 블록도이다.
세탁기/건조기(200)는 세탁기의 소음을 감지하는 마이크로폰(110), 이물질을 감지하는 이물질 감지 장치(100), 및 세탁/건조 행정을 실행하는 세탁기/건조기 작동부(130)를 포함할 수 있다.
이물질 감지 장치(100)는 세탁기/건조기에 매립될 수 있고, 사용자 단말기(500)에 어플리케이션 앱 형태로 설치될 수 있다. 마이크(110)는 세탁기/건조기(200)에 음성인식을 위해 설치된 마이크로폰일 수 있다. 마이크로폰은 상용화된 세탁기/건조기에 장착된 마이크로폰 이외에 별도로 이물질 감지 장치(100) 내에 통합될 수 있다.
이물질 감지 장치(100)는 마이크로폰(110)으로부터 소음 데이터를 수신하는 데이터 수집부(122), 수집된 소음 데이터로부터 이물질의 종류를 추정하는 이물질분류부(126)를 포함할 수 있다. 또한, 이물질 감지 장치(100)는 각종 데이터를 저장할 수 있는 메모리(127), 외부 기기와 통신할 수 있는 통신부(129), 및 데이터 수집부(122), 인공지능 모델 학습부(124), 이물질분류부(126), 메모리(127) 및 통신부(129)를 제어하고, 이물질 감지 장치(100)의 이물질 존재시 세탁기/건조기(200)의 동작을 정지시키는 제어부(128)를 포함할 수 있다.
제어부(128)는 이물질분류부(126)에서 분류된 이물질의 종류에 관한 정보를 기초로 세탁기/건조기(200)의 동작을 정지하도록 제어할 수 있다. 또한, 마이크로폰(110에서 감지한 소음 정보, 그리고 이물질분류부(126)에서 분류된 이물질의 종류(재질) 정보에 대하여 사용자 단말기(500) 및 서버(300)에 통신하기 위한 프로토콜(Protocol) 정보를 갖는 제어신호를 생성할 수 있다. 통신부(129)는 생성된 제어신호를 사용자 단말기(500) 및 서버(300)에 전달하도록 하고, 이물질 존재 정보를 사용자 단말기(500)에게 알리는 역할을 한다.
이물질 감지 장치(100)는 마이크로폰(110)으로부터 전달받은 데이터를 기초로 인공지능 모델을 학습시킬 수 있다. 이를 위해, 이물질 감지 장치(100)는 데이터 수집부(122), 인공지능모델 학습부(124), 및 이물질분류부(126)를 포함할 수 있다. 데이터 수집부(122)는 세탁기/건조기(200)에 장착되거나, 자체 보유한 마이크로폰(110)으로부터 이물질 종류 분류에 필요한 데이터를 수집할 수 있다. 인공지능모델 학습부(124)는 복수의 소음 데이터 및 복수의 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 학습하고, 이물질 종류를 추정하여 출력하도록 이물질분류엔진을 학습시킬 수 있다. 이물질분류부(126)는 수집된 소음 데이터를 기초로 이물질분류엔진을 통해 이물질의 종류를 추정하여 출력할 수 있다. 이물질분류부(126)로부터 출력된 이물질의 종류 정보는 소음 데이터와 매칭되어 메모리(127)에 저장될 수 있다.
데이터 수집부(122)는 소음 크기 및 소음 간격을 포함하는 소음 데이터, 및 소음 데이터들에 이물질 종류의 레이블을 매칭한 데이터들을 포함하는 인공지능 학습용 데이터 및 테스트용 데이터로 생성할 수 있다. 본 발명의 일 실시예에서, 이물질 종류의 레이블을 매칭한 데이터들은 서버의 데이터베이스에 미리 저장된 소음 크기 및 소음 간격에 이물질 종류를 매칭한 데이터들을 활용할 수 있다. 서버(300)는 다른 세탁기/건조기(200)로부터 이물질 종류 분류에 필요한 소음 데이터를 전송받고, 저장할 수 있고, 이물질 감지 장치(100)에 제공할 수 있다.
학습용 데이터 및 테스트용 데이터의 비율은 데이터 양에 따라 다를 수 있으며, 일반적으로 7:3의 비율로 정할 수 있다. 인공지능 모델 학습용 데이터는 정확한 학습결과를 얻기 위해 데이터 전처리 및 데이터 증강 과정을 거칠 수 있다.
본 발명의 다른 실시 예에서, 도 3에서 설명한 바와 같이, 이물질 감지 장치(100)는 이물질의 종류를 추론(inference)(또는 분류)하는 인공지능 모델을 학습시키기 위한 용도로 서버(300)를 이용할 수 있다. 서버(300)는 이물질 감지 장치(100)로부터 이물질 감지 장치(100)가 취득한 소음 관련 데이터들을 수신할 수 있다. 서버(300)는 인공지능 모델 학습부를 통해 학습시킨 이물질분류엔진을 이물질 감지 장치(100)로 전송하도록 구성될 수 있다. 이물질 감지 장치(100)의 이물질분류부(126)는 상기 서버(300)에서 전송받은 기 학습된 인공지능 모델을 통해 이물질의 종류를 분류하도록 구성될 수 있다.
이물질 감지 장치(100)의 제어부(128)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
이물질 감지 장치(100)의 통신부(129)는 네트워크(400)와 연동하여 사용자 단말기(500), 및/또는 서버(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(129)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 이물질 감지 장치의 이물질 감지 프로세스를 개략적으로 도시한 도면이다.
마이크로폰(110)은 세탁기/건조기(200)에서 세탁/건조 시 발생하는 소음을 감지할 수 있다. 마이크로폰(110)을 통해 세탁기/건조기(200)의 터브 안의 세탁물 중 쇠붙이(버클, 동전 등)나 아주 단단한 플라스틱 재질의 이물질이 행정과정에 터브와 부딪혀 나는 특정한 패턴의 소리정보들을 세탁기(건조기)의 마이크로폰(110)으로 수집할 수 있다. 감지된 소음 정보는 사용자 단말기(500) 또는 세탁기/건조기(200) 내에 통합된 이물질 감지 장치(100)로 전송될 수 있다.
인공지능모델 학습부(124)는 데이터 수집부(122)에 의해 수집된 소음 데이터 및 상기 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터들을 기초로 이물질분류엔진을 학습시킬 수 있다. 단단한 플라스틱과 쇠의 종류 및 다양한 재질에 따라 터브와의 충돌 시에 발생하는 소음 데이터를 세탁기/건조기(200) 또는 사용자 단말기로 전송 후 연산과정을 통하여 머신러닝 분류알고리즘(K-NN)으로 Class 별 특정 패턴 별로 학습할 수 있다.
이물질분류부(126)는 마이크로폰(110)을 통해 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하고, 수집된 소음 데이터가 특정 임계치를 넘는 경우 기 학습된 인공지능모델을 통해 이물질(Foreign Objects)의 종류를 추정할 수 있다. 이물질분류부(126)는 서버(300) 또는 이물질 감지 장치(100)의 인공지능모델 학습부(124)에서 학습된 이물질분류엔진을 통해 마이크로폰(110)으로부터 전송된 소음 데이터를 입력으로 하여 이물질 존재여부를 판단하고 이물질 종류를 분류할 수 있다. 이물질의 종류는 쇠붙이(Class-1), 플라스틱(Class-2), 동전 등 기타 소음(Class-3)으로 각각 정상 범위 및 이상 범위를 정의하여 분류될 수 있다. 또한, 이물질의 종류를 분류하는 정상 범위, 이상범위를 벗어나는 더 큰 소음에 대해 이물질로 인한 소음과 다른 세탁물의 편심(Unbalance, UB)에 의한 소음으로 분류할 수 있다. 세탁물의 편심(UB)은 상기 수집된 소음 데이터가 이물질 분류 범위를 결정하는 특정 임계치를 넘어 일정 데시빌 이상일 경우 발생될 수 있다. 세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 탈수 시 터브가 회전할 때 발생하는 탈수 시 소음 데이터를 수집할 수 있다. 기 학습된 인공지능 모델은 탈수 시 소음 데이터, 및 탈수 시 소음 데이터에 이물질 종류 또는 세탁물의 편심의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 상기 이물질 종류 또는 세탁물의 편심(UB)을 분류하여 출력할 수 있다.
본 발명의 일 실시예에서, 이물질의 존재 여부는 소음 데이터 입력에 대해 이물질의 종류를 출력하는 경우 이물질이 존재하는 것으로 판단할 수 있다. 또한, 소음 데이터 입력에 대해 이물질의 종류를 출력하지 못한 경우 이물질이 존재하지 않는 것으로 판단할 수 있다. 이물질이 존재하지 않는 경우는 소음 크기가 이물질 분류 범위의 소음보다 작거나, 이물질 분류 범위보다 큰 경우가 해당할 수 있다. 또한, 이물질의 종류를 출력하지 못한 경우 소음의 크기가 큰 경우와 작은 경우로 나눠서 소음 크기가 큰 경우는 소음의 크기가 이물질 종류 분류를 하는 범위를 넘은 것으로 이물질의 소음과 다른 종류의 소음인 세탁물의 편심에 의한 것으로 판정하고, 소음 크기가 작은 경우만 이물질이 존재하지 않는 것으로 판정할 수 있다.
이물질분류부(126)가 이물질 종류를 분류하여 출력한 경우 제어부(128)는, 예를 들어 소음 크기가 특정 임계치 이상일 경우 행정을 정지하고 알림음을 발생시키거나 사용자의 휴대폰의 디스플레이부에 표시할 수 있으며, 사용자에 알림을 주어 터브 및 세탁물들을 보호할 수 있다. 이물질분류부(126)가 이물질 종류를 분류하여 출력한 경우 제어부(128)는 세탁기/건조기(200)의 세탁/건조 행정을 정지시킬 수 있다. 통신부(129)는 이물질의 종류가 출력된 경우 또는 소음의 크기가 이물질 종류 분류를 하는 범위를 넘어 세탁물의 편심이 있는 것으로 판정된 경우 사용자 단말기(500)를 통해 또는 직접 사용자에게 알릴 수 있다.
도 6은 본 발명의 일 실시 예에 따라 세탁기/건조기 내의 이물질을 감지하는 방법의 흐름도이다.
세탁기/건조기 내의 이물질을 감지하는 방법은 세탁기/건조기(200)에 전원이 공급되거나, 세탁물이 터브 내로 투입된 경우, 그리고 별도로 사용자 설정으로 이물질 감지 장치(100)를 온한 경우 시작될 수 있다(S1000).
이물질 감지 장치(100)는 마이크로폰(110)으로부터 세탁물 투입 이후 포량 측정시에 또는 터브가 회전하는 행정에서 소음데이터를 수집할 수 있다(S1100). 이물질 감지 장치(100)는 포량 측정 시외에도 세탁물의 탈수 시 터브가 회전할 때 발생하는 탈수 시 소음 데이터를 수집할 수 있다. 탈수 시 소음 데이터 수집은 세탁물의 편심 여부를 판정하는데 이용될 수 있다.
또한, 세탁기/건조기(200)에 내장된 통신부를 통해 사용자 단말기(500)로 소음 데이터를 전송할 수 있다(S1200).
세탁기/건조기(200) 또는 사용자 단말기(500)의 이물질 감지 장치(100)는 전송된 소음데이터를 분석하여 소음 크기가 설정임계치보다 작은 경우(S1300), 마이크를 통한 소음데이터 수집을 계속한다(S1100).
세탁기/건조기(200) 또는 사용자 단말기(500)의 이물질 감지 장치(100)는 전송된 소음데이터를 분석하여 소음 크기가 설정임계치 이상인 경우(S1300), 기 학습된 인공지능모델을 통해 이물질을 분류할 수 있다(S1400). 본 발명의 다른 실시예에서, 소음의 크기가 이물질 분류 범위를 벗어나는 데시빌을 갖는 경우 이물질의 소음이 아닌 세탁물의 편심에 의한 소음으로 판정할 수 있다.
이물질을 분류한 후 세탁기/건조기(200) 또는 사용자 단말기(500)의 이물질 감지 장치(100)는 제어부(128)를 통해 세탁기/건조기(200)의 행정을 정지시킬 수 있다(S1500). 본 발명의 다른 실시예에서, 이물질의 소음이 아닌 세탁물의 편심에 의한 소음으로 판정한 경우에도 세탁기/건조기(200)의 행정을 정지시킬 수 있다.
이물질 종류를 사용자을 분류한 후 세탁기/건조기(200) 또는 사용자 단말기(500)의 이물질 감지 장치(100)는 분류된 결과를 사용자에게 알릴 수 있다(S1600). 예를 들어 이물질을 분류한 후 세탁기/건조기(200) 또는 사용자 단말기(500)의 이물질 감지 장치(100)는 통신부(129)를 통해 사용자 단말기(500)의 디스플레이부에 어플리케이션 앱을 통해 이물질의 존재 및 이물질 종류를 텍스트 또는 그림으로 알릴 수 있다.
이물질 감지 장치(100)가 사용자에게 이물질 분류 결과를 통지한 후 이물질 감지 프로세스가 종료된다(S1600).
본 발명의 다른 실시 예에서, 이러한 이물질 종류 분류 방법을 실행하도록 프로그래밍된 프로그램이 컴퓨터 판독 가능 기록매체에 저장될 수 있다.
도 7는 본 발명의 일 실시 에에 따른 인공지능 모델 학습부를 통해 이물질분류엔진을 학습시키는 흐름도이다.
도 6를 참조하면, S1400 단계에서 포함되는, 이물질의 종류를 분류하는 기 학습된 인공지능 모델을 학습시키는 프로세스가 묘사된다. 이물질 감지 장치(100)에서 적용될, 이물질의 종류를 식별하기 위해 인공지능 모델 학습이 시작된다(S100).
복수의 상기 소음 데이터 및 복수의 상기 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터들을 포함하는 인공지능 모델 학습용 데이터가 생성될 수 있다(S110). 인공지능 모델, 예를 들어 머신러닝 기법, CNN 또는 RNN과 같은 인공 신경망은 지도학습을 통해 수집된 학습용 데이터를 이용하여 이물질의 종류의 특징들을 학습시킬 수 있다(S120). 인공지능모델 학습부(124)는 취득한 모터 전류 패턴을 기초로, 인공 지능 기반의 CNN(Convolution Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory)을 수행하여 이물질 종류를 추정할 수 있다.
소음 데이터는 소음의 크기 및 소음의 간격을 포함할 수 있으며, 소리인식분야에서 널리 사용되는 기법들에 의해 추출된 특징값들일 수 있다. 예를 들어, 소리 추출의 가장 전형적인 방법인 특징값 추출(Feature extraction)을 위해 MFCC(Mel Frequency Cepstral Coefficient)를 사용할 수 있다. MFCC는 바로 소리의 특징을 추출하는 기법인데, 입력된 소리 전체를 대상으로 하는 것이 아니라, 일정 구간(Short time)씩 나누어, 이 구간에 대한 스펙트럼을 분석하여 특징을 추출하는 기법이다.
본 발명의 일 실시 예에서, 인공지능모델의 학습을 위해 인공지능 프로그래밍에 사용되는 딥러닝 구현 라이브러리인 파이토치(Pytorch) 또는 텐서플로우(TensorFlow)가 사용될 수 있다.
기 학습된 인공지능 모델의 평가(S130)를 통해 인공지능 모델이 생성된다(S140). 기 학습된 인공지능 모델의 평가(S130)는 테스트용 데이터를 사용하여 수행된다. 본 발명 전체에서 '기 학습된 인공지능 모델'은 학습용 데이터를 학습시키고 생성된 특별한 언급이 없어도 테스트용 데이터를 통해 테스트한 후 학습된 모델을 결정한 것을 의미한다. 이물질 종류 분류 방법을 학습시키기 위한 인공지능 모델에 대해 적용될 수 있는 머신러닝 알고리즘 및 인공지능 기법들은 도 8a, 도 8b 및 도 9에서 설명하기로 한다.
도 8a는 본 발명의 일 실시 예에 따른 K-최근접 이웃(K-Nearest Neighbor, K-NN) 알고리즘의 예시도이다.
이물질 종류를 분류를 위한 인공지능 학습법으로서 머신 러닝의 분류(classification), 결정트리 알고리즘, K-NN 알고리즘 등을 사용할 수 있다. K-NN알고리즘은 지도학습(Supervised Learning)을 통한 분류 알고리즘으로 기 학습된 분류(Class)별 데이터들(쇠, 플라스틱, 동전 등)과 새로 입력되는 소음데이터를 비교하여 Class 군과 가장 가까운 것끼리 분류하는 머신러닝 기법이다. K-NN알고리즘은 비모수적 모델(nonparametric model)로서, 예측하고자 하는 관측치가 있을 때 이와 가장 가까운 거리에 있는 K개의 관측치를 결정한 후 이들의 특성을 이용해 관심 관측치를 예측하는 과정을 거치는 알고리즘이다. 이 과정에서 확률분포의 개념은 사용되지 않기 때문에 비모수적 모델이다.
예를 들어, 도 8a에서와 같이, 쇠붙이(□ 표시)와 플라스틱(△ 표시)이 있을 때 새롭게 입력된 소음(○ 표시)이 주어지면 K-NN 알고리즘은 실선과 점선으로 그려진 범위를 K 값으로 설정할 수 있고 가까운 거리와 먼 거리에 따라 가중치를 부여할 수 있다. 도 8a에서, 세로축은 시간간격(s)일 수 있고, 가로축은 소음의 크기(dB)일 수 있다. 즉, 쇠붙이는 가로축에서 센터로부터 대체로 우측에 분포하여 플라스틱보다 더 큰 소음크기를 가짐을 알 수 있고, 플라스틱은 가로축 센터로부터 좌측에 대체로 위치하여 쇠붙이보다 상대적으로 더 작은 소음을 가짐을 알 수 있다. 이 도 8에서, K=1의 실전 영역에서 가장 가까운 점이 쇠붙이이고, 쇠붙이의 개수가 2개, 플라스틱 개수가 1개이므로 새로운 소음은 쇠붙이로 분류할 수 있다. K값을 높여서 K=2로 점선까지 범위를 넓히면 결과는 플라스틱의 개수가 3개, 쇠붙이 개수 2로 쇠붙이의 개수가 많으므로, 새로 입력된 소음은 플라스틱으로 분류하게 된다.
이물질분류부(126)는 K-최근접 이웃 알고리즘 이외에도 나이브 베이즈 (Naive Bayes), 의사결정 트리(Decision Trees), 분류 규칙 학습자(Classification Rule Learners), 선형 회귀(Linear Regression), 회귀 트리(Regression Trees), 모델 트리(Model Trees), 신경망(Neural Networks), 서포트벡터머신(Support Vector Machines) 등 다른 머신 러닝 또는 인공신경망 알고리즘을 이용하여 이물질의 종류를 분류할 수 있다.
도 8b는 이물질 소음의 크기에 따라 이물질 재질 종류를 분류한 예시도이다.
도 8b는 이물질의 소음크기에 따라 이물질의 재질 종류를 표시한 테이블이 다. 입력된 소음의 크기 클래스가 Level 2 이상의 임계치 발생시 기존 학습된 데이터(플라스틱 및 쇠붙이)를 Class1 및 Class2 그룹과 비교하여 가장 유사한 그룹으로 분류할 수 있다. 기존 데이터에 없는 소음의 경우 Level2 이상의 임계치 발생시 기존 데이터에 없는 소음이지만 이상범위 소음으로 분류할 수 있다.
표 1은 도 8b의 기준에 따라 도 8a의 K-최근접 이웃 알고리즘을 적용하는 그래프의 가로축의 소음크기에 따라 이물질을 분류한 테이블이다. 표 1은 도 8b의 소음크기에 의한 분류 이외에 시간 간격의 분류를 포함한다.
| Class | 이물질 재질 종류(소음) | 소음크기(단위:dB) | 시간 간격(s) | |
| ○ | Class-0 | 새로 입력된 소음 | 28~32 |
0.8~1.1 |
| □ | Class-1 | 플라스틱 소음 | 0~9(정상범위) | |
| 10~29(이상범위) | 0.6~1.8(이상범위) | |||
| △ | Class-2 | 쇠붙이 소음 | 0~24(정상범위) | |
| 24~50(이상범위) | 0.9~2(이상범위) | |||
| 기타소음 | Class-3 | 동전 등 기타 소음 | 0~50(정상범위) | |
| 45~70(이상범위) | 0.5~2(이상범위) |
본 발명의 일 실시예에서, 도 8a의 그래프에 따라 소음크기 및 시간 간격에 따라 K최근접 이웃 알고리즘을 적용할 경우, 새로 입력된 소음(○표시)의 소음크기는 28~32 bB이고, 시간 간격은 0.8~1.1s이므로, K=1인 경우 쇠붙이로 분류될 수 있다. 한편, K=2이면 플라스틱으로 분류될 수 있다.
본 발명의 다른 실시예에서, 도 8b의 소음 크기 만에 의해 이물질 종류를 분류할 경우, 새로 입력된 소음은 쇠붙이 32dB에 가장 근접해 있으므로, 쇠붙이로 분류될 수 있다.
도 9는 본 발명의 일 실시 예에 따는 인공신경망의 예시도이다.
인공 지능(artificial intelligence, AI)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.
기계 학습(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 인공지능 학습은, 경험적 데이터를 기반으로, 학습용 데이터(트레이닝 데이터) 및/또는 테스트용 데이터를 생성하여 학습을 하여 기 학습된 인공지능 모델을 결정하고, 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 인공지능 학습의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 화면 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
용어 '기계 학습'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 추론을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 수신한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습용 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비지도 학습, 준지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 추론하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(조정)될 수 있다.
비지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 기계 학습 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 레이블을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 조정 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
기계 학습 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 조정 알고리즘을 이용할 수 있으며, 학습 조정 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 조정 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 조정 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 조정 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 조정 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 조정 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
이물질의 종류 또는 이물질 종류를 식별하기 위한 인공지능 모델의 학습은 지도학습, 비지도학습 및 강화학습 중에서 어느 하나의 형태로 수행될 수 있다.
CNN(Convolutional Neural Network)은 심층신경망의 가장 대표적인 방법으로, 이미지를 작은 특징에서 복잡한 특징으로 특징화한다. CNN은 하나 또는 여러 개의 컨볼루션 레이어와 그 위에 올려진 일반적인 인공 신경망 레이어들로 이루어져 컨볼루션 레이어에서 전처리를 수행하는 구조를 가진 인공신경망이다. 예를 들어, 사람 얼굴의 이미지를 CNN을 통해 학습시키기 위해, 제일 먼저 필터를 사용하여 간단한 특징들을 뽑아내어 하나의 컨볼루션 레이어를 만들고, 이 특징들에서 좀 더 복잡한 특징을 추출하는 새로운 레이어, 예를 들어 폴링 레이어를 추가한다. 볼루션 레이어는 컨볼루션 연산을 통해 특징들을 추출하는 레이어로서, 규칙적인 패턴을 가진 곱셈을 수행한다. 폴링레이어는 입력 공간을 추상화하는 레이어로 서브샘플링을 통해 이미지의 차원을 축소시킨다. 예를들어 28x28 사이즈의 얼굴 이미지를 스크라이드가 1인 4개의 필터를 사용하여 각각 24x24의 피쳐맵을 만들고 서브샘플링(또는 풀링)으로 12x12로 압축할 수 있다. 그 다음 레이어에서 8x8 사이즈로 12개의 피처맵을 만들고 다시 4x4로 서브샘플링을 하여, 최종적으로 12x4x4 = 192의 입력을 가진 신경망으로 학습을 하여 이미지를 분류할 수 있다. 이렇게 여러 개의 컨볼류션 레이어를 연결하여 이미지의 특징을 뽑아내고 최종적으로 기존과 같은 오류역전파 신경망을 사용하여 학습을 시킬 수 있다. CNN의 장점은 인공신경망 학습을 통해 이미지의 특징을 특징화하는 필터를 스스로 만든다는 것이다.
RNN(Recurrent Neural Network)은 뉴런의 출력이 다시 입력으로 피드백되는 재귀적인 연결 구조를 갖는 신경망을 말한다. 다층 퍼셉트론 신경망은 입력이 출력 방향으로만 활성화되고 은닉 뉴런이 과거의 정보를 기억하지 못한다는 단점이 있었다. 이러한 단점은 시계열분석 관련 문제에서 매우 취약하다. RNN은 이런 단점을 해결했다. 기존의 DNN(Deep Neural Networks)의 경우 각 layer마다 parameter들이 독립적이었으나, RNN은 이를 공유하고 있다. 따라서 현재의 출력 결과는 이전 time step의 결과에 영향을 받으며, hidden layer는 일종의 메모리 역할을 하게 된다.
RNN의 기본적 작동원리는 ht = g1(xtU + Wht -1 + bx), ot = g2(Vht+bh) 이다.
g1 g2 : 비선형 활성화 함수 (Sigmoid, tanh 등)
xt: 입력값
ht: t(시간)단계의 은닉변수 (hidden state)
ot: t(시간)단계의 출력값
b: 편향 (bias)
U,V,W: 각각 xt, ht, ht-1의 가중치 (weight)
위 식에서 입력 X = (x1 , x2 , x3 , ... , xn)이 입력되면 ot가 출력된다.
그러나, 전통적인 RNN 모형 및 Bi-directional RNN의 경우 Vanishing gradient problem을 지닌다. LSTM(Long Short Term Memory)은 학습이 오래 지속될 경우 초기 학습한 내용이 잊혀진다는 단점이 있는데 이를 개선한 아키텍처(architecture)이다. RNN의 입력, forget, 출력 부분에 Gate라는 셀들을 붙여 값을 조절한다. Forget gate는 이전 상태 정보를 저장할지를 결정하고, input gate는 입력되는 새로운 정보를 저장할지 결정하고, output gate는 갱신된 cell의 출력값을 제어한다.
본 발명의 일 실시 예에서, CNN 인공신경망 모델은 MFCC을 이용하여 소음을 구별하기 위한 소음의 특징의 벡터 또는 스펙트럼을 추출하고, 벡터 또는 스펙트럼들의 2차원 소리맵을 구성하여, 소음의 크기 및 소음 간격의 2개를 입력층으로, 5개의 은닉층, 그리고 플라스틱, 쇠붙이, 동전 등 기타 소음의 이물질에 대한 3개의 출력층을 가진 심층신경망 구조를 가질 수 있다.
본 발명의 다른 실시 예에서, 소음의 종류를 분류하기 위해, RNN 또는 LSTM 인공신경망 모델을 이용할 수 있다. RNN 또는 LSTM 인공신경망 모델은 소음의 시계열적 특성을 이용하여, 입력 소음이 플라스틱, 쇠붙이, 동전 등 기타 소음인지 구별하는 RNN 심층신경망 구조를 가질 수 있다. 또한, CNN+LSTM 인공지능모델이 사용될 수 있다.
본 발명의 일 실시 예에서, 딥러닝 기반의 인공지능모델 학습을 위해 인공지능 프로그래밍에 사용되는 인공지능 언어 라이브러리인 TensorFlow 또는 Pytoch를 사용할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 이물질 감지 장치
101: 이물질
102: 스크래치 110: 마이크로폰
121: 입력층 122: 데이터 수집부
123: 은닉층 124: 인공지능 모델 학습부 125: 출력층 126: 이물질분류부
127: 메모리 128: 제어부
129: 통신부 130: 세탁기/건조기 작동부
200: 세탁기/건조기 300: 서버
400: 네트워크 500: 사용자 단말기
102: 스크래치 110: 마이크로폰
121: 입력층 122: 데이터 수집부
123: 은닉층 124: 인공지능 모델 학습부 125: 출력층 126: 이물질분류부
127: 메모리 128: 제어부
129: 통신부 130: 세탁기/건조기 작동부
200: 세탁기/건조기 300: 서버
400: 네트워크 500: 사용자 단말기
Claims (20)
- 세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 투입 후 터브가 회전할 경우 발생하는 소음 데이터를 수집하는 단계;
상기 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하는 단계;
상기 수집된 소음 데이터가 특정 임계치를 넘으면 기 학습된 인공지능모델을 통해 이물질(Foreign Objects)의 종류를 추정하는 단계;를 포함하는,
세탁기/건조기 내의 이물질 감지 방법.
- 제 1 항에 있어서,
상기 이물질의 종류를 추정하는 단계는
상기 소음 데이터를, 상기 이물질의 종류를 분류하기 위해 기 학습된 인공지능 모델에 적용하는 단계; 및
상기 기 학습된 인공지능 모델로부터 이물질의 종류에 관한 정보를 출력하는 단계;를 포함하는,
세탁기/건조기 내의 이물질 감지 방법.
- 제 2 항에 있어서,
상기 기 학습된 인공지능 모델은
상기 소음 데이터 및 상기 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 상기 이물질 종류를 분류하여 출력하는 이물질분류엔진인,
세탁기/건조기 내의 이물질 감지 방법.
- 제 1 항에 있어서,
상기 기 학습된 인공지능모델은 상기 소음 데이터들을 K-최근접 이웃 알고리즘(K-Nearest Neighbor algorithm)을 통해 이물질 종류를 분류하도록 구성된,
세탁기/건조기 내의 이물질 감지 방법.
- 제 1 항에 있어서,
세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 탈수 시 터브가 회전할 경우 발생하는 탈수 시 소음 데이터를 수집하는 단계를 더 포함하고,
상기 기 학습된 인공지능 모델은
상기 탈수 시 소음 데이터, 및 상기 탈수 시 소음 데이터에 이물질 종류 또는 세탁물의 편심(Unbalance, UB)의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 상기 이물질 종류 또는 세탁물의 편심(UB)을 분류하여 출력하도록 구성되고,
상기 세탁물의 편심(UB)은 상기 수집된 소음 데이터가 이물질 분류 범위를 결정하는 특정 임계치를 넘어 일정 데시빌 이상일 경우 발생되는,
세탁기/건조기 내의 이물질 감지 방법.
- 제 1 항에 있어서,
상기 소음 데이터는 소음의 크기 및 소음의 간격을 포함하는,
세탁기/건조기 내의 이물질 감지 방법.
- 제 6 항에 있어서,
상기 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상이면 세탁기/건조기 행정을 정지하는 단계를 더 포함하는,
세탁기/건조기 내의 이물질 감지 방법.
- 제 6 항에 있어서,
상기 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상이면 사용자에게 알리는 단계를 더 포함하는,
세탁기/건조기 내의 이물질 감지 방법.
- 제 1 항에 있어서,
상기 소음 데이터를 수집하는 단계 후에 상기 수집된 소음 데이터를 사용자 단말기로 전송하는 단계를 더 포함하고,
상기 사용자 단말기에서 상기 모니터링하는 단계, 상기 이물질의 종류를 추정하는 단계가 실행되는,
세탁기/건조기 내의 이물질 감지 방법.
- 컴퓨터를 이용하여 제 1 항 내지 제 9 항 중 어느 한 항에 따른 세탁기/건조기 내의 이물질 감지 방법을 수행하도록 프로그래밍된 프로그램을 저장한 컴퓨터 판독 가능한 기록매체.
- 세탁물의 투입 후 터브가 회전할 경우 발생하는 소음을 감지하는 세탁기/건조기에 장착된 마이크로폰; 및
상기 마이크로폰을 통해 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하고, 상기 수집된 소음 데이터가 특정 임계치를 넘는 경우 기 학습된 인공지능모델을 통해 이물질(Foreign Objects)의 종류를 추정하는 이물질분류부;를 포함하는,
세탁기/건조기 내의 이물질 감지 장치.
- 제 11 항에 있어서,
상기 이물질분류부는
상기 소음 데이터를, 상기 이물질의 종류를 분류하기 위해 기 학습된 인공지능 모델에 적용하고, 상기 기 학습된 인공지능 모델로부터 이물질의 종류에 관한 정보를 출력하도록 구성된,
세탁기/건조기 내의 이물질 감지 장치.
- 제 12 항에 있어서,
상기 기 학습된 인공지능 모델은
상기 소음 데이터 및 상기 소음 데이터에 이물질 종류의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 상기 이물질 종류를 분류하여 출력하는 이물질분류엔진인,
세탁기/건조기 내의 이물질 감지 장치.
- 제 11 항에 있어서,
상기 인공지능모델은 상기 소음 데이터들을 K-최근접 이웃 알고리즘(K-Nearest Neighbor algorithm)을 통해 이물질 종류를 분류하도록 구성된,
세탁기/건조기 내의 이물질 감지 장치. - 제 13 항에 있어서,
상기 마이크로폰은 세탁기/건조기에 장착된 마이크로폰을 통해 세탁물의 탈수 시 터브가 회전할 경우 발생하는 탈수 시 소음 데이터를 수집하도록 구성되고,
상기 기 학습된 인공지능 모델은
상기 탈수 시 소음 데이터, 및 상기 탈수 시 소음 데이터에 이물질 종류 또는 세탁물의 편심(Unbalance, UB)의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터를 통해 학습시켜서, 상기 이물질 종류 또는 세탁물의 편심(UB)을 분류하여 출력하도록 구성되고,
상기 세탁물의 편심(UB)은 상기 수집된 소음 데이터가 이물질 분류 범위를 결정하는 특정 임계치를 넘어 일정 데시빌 이상일 경우 발생되는,
세탁기/건조기 내의 이물질 감지 장치. - 제 11 항에 있어서,
상기 소음 데이터는 소음의 크기 및 소음의 간격을 포함하는,
세탁기/건조기 내의 이물질 감지 장치. - 제 16 항에 있어서,
상기 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상이면 세탁기/건조기 행정을 정지하도록 구성된 제어부를 더 포함하는,
세탁기/건조기 내의 이물질 감지 장치. - 제 16 항에 있어서,
상기 수집한 소음의 크기 및 소음의 간격이 특정 임계치 이상이면 사용자에게 알리도록 구성된 통신부를 더 포함하는,
세탁기/건조기 내의 이물질 감지 장치. - 세탁기/건조기 내의 이물질 감지하는 어플리케이션 앱을 실행하기 위한 이동 단말기로서,
세탁물의 투입 후 터브가 회전할 경우 발생하는 소음을 감지하는 세탁기/건조기에 장착된 마이크로폰으로부터 수집된 소음 데이터를 수신하고,
상기 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하고, 그리고
상기 수집된 소음 데이터가 특정 임계치를 넘는 경우 기 학습된 인공지능모델을 통해 이물질(Foreign Objects)의 종류를 추정하도록 구성된,
어플리케이션 앱을 실행하기 위한 이동 단말기. - 세탁기/건조기 내의 이물질 감지 장치 및 서버를 포함하는 세탁기/건조기 내의 이물질 감지 시스템으로서,
상기 이물질 감지 장치는
세탁물의 투입 후 터브가 회전할 경우 발생하는 소음을 감지하는 세탁기/건조기에 장착된 마이크로폰; 및
상기 마이크로폰을 통해 수집된 소음 데이터가 특정 임계치를 넘는지 여부를 모니터링하고, 상기 수집된 소음 데이터가 특정 임계치를 넘는 경우 기 학습된 인공지능모델을 통해 이물질의 종류를 추정하는 이물질분류부;를 포함하고,
상기 서버는 수신된 소음 데이터를 인공신경망을 통해 학습시킨 이물질분류엔진을 생성하는 인공지능 모델 학습부를 포함하고,
상기 서버는 상기 인공지능 모델 학습부를 통해 학습시킨 학습된 이물질분류엔진을 이물질 감지 장치로 전송하도록 구성되고,
상기 이물질분류부는 상기 서버에서 전송받은 학습된 이물질분류엔진을 통해 이물질 종류를 분류하도록 구성된,
세탁기/건조기 내의 이물질 감지 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190109703A KR20190108532A (ko) | 2019-09-04 | 2019-09-04 | 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템 |
| US16/653,663 US10962663B2 (en) | 2019-09-04 | 2019-10-15 | Method, apparatus and system of detecting foreign objects in laundry machine |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190109703A KR20190108532A (ko) | 2019-09-04 | 2019-09-04 | 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190108532A true KR20190108532A (ko) | 2019-09-24 |
Family
ID=68068848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190109703A KR20190108532A (ko) | 2019-09-04 | 2019-09-04 | 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10962663B2 (ko) |
| KR (1) | KR20190108532A (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112030467A (zh) * | 2020-08-19 | 2020-12-04 | 珠海格力电器股份有限公司 | 洗衣机以及应用于洗衣机的控制方法 |
| KR20210041413A (ko) | 2019-10-07 | 2021-04-15 | 선문대학교 산학협력단 | 세탁물 감지 장치 |
| CN112853674A (zh) * | 2019-11-27 | 2021-05-28 | 青岛海尔洗衣机有限公司 | 用于衣物处理设备的自学习控制方法 |
| CN114059275A (zh) * | 2020-08-03 | 2022-02-18 | 青岛海尔洗衣机有限公司 | 洗衣机异物检测方法、装置、电子设备、及存储介质 |
| KR20220085158A (ko) * | 2020-12-15 | 2022-06-22 | 현대건설주식회사 | 딥 러닝 기반 이물질 검출이 가능한 음식물 쓰레기 처리 시스템 및 슬러지 처리 시스템 |
| US11692301B2 (en) | 2020-10-16 | 2023-07-04 | Haier Us Appliance Solutions, Inc. | System and method for using sound to monitor the operation of a dryer appliance |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184663B (zh) * | 2020-09-27 | 2021-07-20 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车抗蛇行减震器安装座异物检测方法 |
| JP7453136B2 (ja) | 2020-12-25 | 2024-03-19 | 株式会社日立製作所 | 異常検出装置、異常検出方法及び異常検出システム |
| CN115679620A (zh) * | 2021-07-29 | 2023-02-03 | 青岛海尔洗涤电器有限公司 | 一种洗衣机金属异物检测方法及洗衣机 |
| US11946187B2 (en) | 2021-08-18 | 2024-04-02 | Haier Us Appliance Solutions, Inc. | Method for preventing accidental washing of electronic devices in a washing machine appliance |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080045604A (ko) | 2006-11-20 | 2008-05-23 | 다이니폰 스크린 세이조우 가부시키가이샤 | 패턴 묘화 장치 및 패턴 묘화 방법 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR0176864B1 (ko) * | 1995-11-20 | 1999-05-15 | 구자홍 | 세탁기의 수위 측정장치 |
| KR100195925B1 (ko) | 1996-11-07 | 1999-06-15 | 구자홍 | 마이크로폰을 채용한 전자동 세탁기 제어방법 |
| KR101466336B1 (ko) | 2008-05-16 | 2014-11-27 | 삼성전자 주식회사 | 세탁기 및 그 음향제어방법 |
| US10489739B2 (en) * | 2013-09-18 | 2019-11-26 | Simpler Postage, Inc. | System and method for object shipping automation |
| US9793939B2 (en) * | 2015-08-05 | 2017-10-17 | International Business Machines Corporation | Automatic self-protection for a portable electronic device |
| US10904076B2 (en) * | 2018-05-30 | 2021-01-26 | International Business Machines Corporation | Directing functioning of an object based on its association to another object in an environment |
-
2019
- 2019-09-04 KR KR1020190109703A patent/KR20190108532A/ko not_active Application Discontinuation
- 2019-10-15 US US16/653,663 patent/US10962663B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080045604A (ko) | 2006-11-20 | 2008-05-23 | 다이니폰 스크린 세이조우 가부시키가이샤 | 패턴 묘화 장치 및 패턴 묘화 방법 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210041413A (ko) | 2019-10-07 | 2021-04-15 | 선문대학교 산학협력단 | 세탁물 감지 장치 |
| CN112853674A (zh) * | 2019-11-27 | 2021-05-28 | 青岛海尔洗衣机有限公司 | 用于衣物处理设备的自学习控制方法 |
| CN114059275A (zh) * | 2020-08-03 | 2022-02-18 | 青岛海尔洗衣机有限公司 | 洗衣机异物检测方法、装置、电子设备、及存储介质 |
| CN112030467A (zh) * | 2020-08-19 | 2020-12-04 | 珠海格力电器股份有限公司 | 洗衣机以及应用于洗衣机的控制方法 |
| CN112030467B (zh) * | 2020-08-19 | 2021-09-28 | 珠海格力电器股份有限公司 | 洗衣机以及应用于洗衣机的控制方法 |
| US11692301B2 (en) | 2020-10-16 | 2023-07-04 | Haier Us Appliance Solutions, Inc. | System and method for using sound to monitor the operation of a dryer appliance |
| KR20220085158A (ko) * | 2020-12-15 | 2022-06-22 | 현대건설주식회사 | 딥 러닝 기반 이물질 검출이 가능한 음식물 쓰레기 처리 시스템 및 슬러지 처리 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200041673A1 (en) | 2020-02-06 |
| US10962663B2 (en) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190108532A (ko) | 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템 | |
| US20210104021A1 (en) | Method and apparatus for processing image noise | |
| EP3763273B1 (en) | A cleaner capable of controlling motor power and control method thereof | |
| US11776092B2 (en) | Color restoration method and apparatus | |
| Sumpter et al. | Learning spatio-temporal patterns for predicting object behaviour | |
| KR20190094133A (ko) | 객체를 인식하는 인공 지능 장치 및 그 방법 | |
| US11363479B2 (en) | Method and device for people counting | |
| Li et al. | A spatial-temporal imputation technique for classification with missing data in a wireless sensor network | |
| US11436848B2 (en) | Automatic labeling apparatus and method for object recognition | |
| US11264016B2 (en) | Noise manageable electronic device and control method thereof | |
| KR20190092333A (ko) | 음성 인식 디바이스와 통신하는 장치, 음성 인식 능력을 가진 장치 및 음성 인식 능력을 가진 장치를 제어하는 방법 | |
| KR20190106924A (ko) | 의류 포질에 따라 의류 처리 코스를 제어하는 방법, 장치 및 시스템 | |
| Tan et al. | Multimodal sensor fusion framework for residential building occupancy detection | |
| KR20200095076A (ko) | 인공지능 기반의 세탁물 처리 정보 제공 장치 | |
| US11422564B2 (en) | Method for making space map and moving robot | |
| CN112949391B (zh) | 一种基于深度学习谐波信号分析的智能安检方法 | |
| Zhu et al. | Cost-effective active sparse urban sensing: Adversarial autoencoder approach | |
| KR20210078256A (ko) | 이상진단 장치 및 이상진단 모델을 최적화하기 위한 방법 | |
| US11261554B2 (en) | Washing apparatus and control method thereof | |
| Subramanian et al. | A meta-cognitive interval type-2 fuzzy inference system classifier and its projection based learning algorithm | |
| Misra et al. | Image segmentation using clustering with fireworks algorithm | |
| Sharen et al. | WISNet: A Deep Neural Network based Human Activity Recognition System | |
| US11466389B2 (en) | Washing apparatus and control method thereof | |
| Kulakov et al. | Sound and video processing in wireless sensor networks | |
| Wang | Robust CSI based smart human sensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |