KR20200064508A - 식품 영양소 섭취량 분석 장치 및 그 방법 - Google Patents
식품 영양소 섭취량 분석 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20200064508A KR20200064508A KR1020180150700A KR20180150700A KR20200064508A KR 20200064508 A KR20200064508 A KR 20200064508A KR 1020180150700 A KR1020180150700 A KR 1020180150700A KR 20180150700 A KR20180150700 A KR 20180150700A KR 20200064508 A KR20200064508 A KR 20200064508A
- Authority
- KR
- South Korea
- Prior art keywords
- food
- nutrient
- information
- weight
- analysis
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 20
- 235000012631 food intake Nutrition 0.000 title description 2
- 230000037406 food intake Effects 0.000 title description 2
- 235000013305 food Nutrition 0.000 claims abstract description 194
- 238000004458 analytical method Methods 0.000 claims abstract description 144
- 238000001228 spectrum Methods 0.000 claims abstract description 87
- 235000015097 nutrients Nutrition 0.000 claims abstract description 85
- 235000006286 nutrient intake Nutrition 0.000 claims abstract description 47
- 239000000203 mixture Substances 0.000 claims abstract description 25
- 238000005303 weighing Methods 0.000 claims abstract 4
- 239000000463 material Substances 0.000 claims description 71
- 230000003287 optical effect Effects 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 32
- 235000021049 nutrient content Nutrition 0.000 claims description 21
- 239000002131 composite material Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 7
- 235000012041 food component Nutrition 0.000 description 6
- 239000004615 ingredient Substances 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 235000013361 beverage Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000014633 carbohydrates Nutrition 0.000 description 3
- 150000001720 carbohydrates Chemical class 0.000 description 3
- 239000005417 food ingredient Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 235000021395 porridge Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229920006254 polymer film Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Nutrition Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Child & Adolescent Psychology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치는 음식물을 올려 놓은 상태로 회전할 수 있는 선반부 및 무게 센서를 구비하여 상기 음식물의 무게 데이터를 획득하는 무게 측정부, 상기 무게 측정부에 의해 회전하는 음식물에 대한 2차원 곡률 이미지로부터 상기 음식물의 부피 데이터를 획득하는 부피 측정부, 상기 무게 측정부에 의해 회전하는 음식물의 특정 지점에 대한 광 스펙트럼 정보를 획득하는 광 스펙트럼 측정부 및 상기 무게 데이터 및 부피 데이터를 이용하여 상기 음식물의 무게 정보 및 부피 정보를 각각 계산하고, 상기 무게 정보, 부피 정보 및 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 영양소별 함량을 분석하는 분석부를 포함한다.
Description
본 발명은 식품 영양소 섭취량 분석 장치 및 그 방법에 관한 것으로 보다 상세하게는 복합 식품의 영양소 섭취량을 분석할 수 있는 장치 및 그 방법에 관한 것이다.
사람들은 일상 생활 속에서 다양한 종류의 식품을 섭취한다. 적정 칼로리의 식품을 섭취하는 것은 건강에 도움이 되지만, 일일 권장량 이상의 칼로리를 지속적으로 섭취하는 것은 건강에 좋지 않다. 그러나 사람들이 섭취하려는 식품의 칼로리가 얼마인지, 적정 섭취 칼로리가 얼마인지 등을 일일이 확인하고 관리하기란 쉽지 않다.
건강에 대한 관심이 고조됨에 따라 섭취한 칼로리뿐만 아니라 섭취한 식품의 영양소별 섭취량을 알고자 하는 욕구도 함께 증가하였다. 편의점이나 마트에 진열된 복합식품에 부착된 식품성분표가 일 예이다. 그러나 조리된 식품의 경우에는 영양소별 섭취량을 파악하기란 쉽지 않으며, 인터넷 상에 개시된 자료를 이용하여 칼로리나 섭취량을 가늠할 수 있을 뿐이다.
본 발명은 전술한 문제점을 해결하기 위해 안출된 것으로서 복합식품의 영양소별 섭취량을 파악할 수 있는 식품 영양소 섭취량 분석 장치 및 그 방법을 제공하는 데 그 목적이 있다.
상기 문제점을 해결하기 위해 본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치는 음식물을 올려 놓은 상태로 회전할 수 있는 선반부 및 무게 센서를 구비하여 상기 음식물의 무게 데이터를 획득하는 무게 측정부, 상기 무게 측정부에 의해 회전하는 음식물에 대한 2차원 곡률 이미지로부터 상기 음식물의 부피 데이터를 획득하는 부피 측정부, 상기 무게 측정부에 의해 회전하는 음식물의 특정 지점에 대한 광 스펙트럼 정보를 획득하는 광 스펙트럼 측정부 및 상기 무게 데이터 및 부피 데이터를 이용하여 상기 음식물의 무게 정보 및 부피 정보를 각각 계산하고, 상기 무게 정보, 부피 정보 및 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 영양소별 함량을 분석하는 분석부를 포함한다.
상기 무게 센서는 FSR(Force Sensitive Resistor)센서 인 것을 특징으로 한다.
상기 부피 측정부는 상기 무게 측정부에 의해 회전하는 음식물에 광을 투영하여 복수의 2차원 곡률 이미지를 생성하는 격자 생성 프로젝터 및 상기 복수의 2차원 곡률 이미지를 캡처하는 이미지 획득부를 포함하고 상기 분석부는 상기 복수의 2차원 곡률 이미지를 변환하여 상기 음식물의 부피 정보를 계산하는 것을 특징으로 한다.
상기 광 스펙트럼 측정부는 상기 격자 생성 프로젝터의 레이저 혼합광을 광원으로 하여 상기 광 스펙트럼 정보를 획득하는 것을 특징으로 한다.
상기 분석부는 기 저장된 예측 모델을 이용하여 상기 광 스펙트럼 정보로부터 상기 영양소 성분비를 계산하는 영양소 분석부, 상기 음식물의 종류를 입력 받아 기 저장된 표준 레시피 DB를 이용하여 상기 음식물의 재료 구성비를 계산하는 재료 분석부, 기 저장된 재료별 광 스펙트럼 DB 및 영양소별 광 스펙트럼 DB를 이용하여 상기 재료 구성비로부터 재료별 영양소 성분비를 계산하는 추가 분석부 및 상기 무게 정보, 상기 부피 정보, 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산하는 함량 분석부를 포함하는 것을 특징으로 한다.
상기 예측 모델은 복합 식품의 광 스펙트럼 정보를 학습하여 생성된 뉴럴 네트워크인 것을 특징으로 한다.
본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법은 음식물의 종류를 입력 받는 입력 단계, 상기 음식물의 무게 데이터, 부피 데이터 및 광 스펙트럼 정보를 측정하는 측정 단계 및 상기 무게 데이터 및 부피 데이터를 이용하여 상기 음식물의 무게 정보 및 부피 정보를 계산하고 상기 무게 정보, 상기 부피 정보 및 상기 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 함량을 분석하는 분석 단계를 포함한다.
상기 측정 단계는 무게 측정부가 FSR센서를 이용하여 상기 무게 데이터를 측정하는 무게 측정 단계, 부피 측정부가 상기 무게 측정부에 의해 회전하는 음식물로부터 복수의 2차원 곡률 이미지를 캡처하는 부피 측정 단계 및 광 스펙트럼 측정부가 상기 음식물의 특정 지점에 대한 광 스펙트럼 정보를 획득하는 광 스펙트럼 측정 단계를 포함하고 상기 분석 단계는 상기 복수의 2차원 곡률 이미지를 변환하여 상기 부피 정보를 계산하는 것을 특징으로 한다.
상기 분석 단계는 상기 광 스펙트럼 정보를 이용하여 예측 모델로부터 상기 음식물의 영양소 성분비를 계산하는 성분 분석 단계 및 상기 무게 정보, 상기 부피 정보 및 상기 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산하는 함량 분석 단계를 포함하는 것을 특징으로 한다.
상기 분석 단계는 상기 함량 분석 단계 이전에 상기 음식물의 종류를 이용하여 표준 레시피 DB로부터 상기 음식물의 재료 구성비를 계산하는 재료 분석 단계 및 재료별 광 스펙트럼 DB 및 영양소별 광 스펙트럼 DB를 이용하여 상기 재료 구성비로부터 재료별 영양소 성분비를 계산하는 추가 성분 분석 단계를 더 포함하고 상기 함량 분석 단계는 상기 무게 정보, 상기 부피 정보, 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산하는 것을 특징으로 한다.
상기 예측 모델은 복합 식품의 광 스펙트럼 정보를 학습하여 생성된 뉴럴 네트워크인 것을 특징으로 한다.
본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치 및 그 방법은 개인의 인식을 기반으로 하는 것이 아니라 측정된 음식물의 정보(무게, 부피, 광 스펙트럼)를 이용하여 분석하므로 보다 정확한 분석이 가능하다.
또한 본 발명은 기계 학습을 적용한 예측 모델을 사용하므로 스펙트럼 정보를 통한 영양소 분석의 정밀도를 향상시킬 수 있다.
또한 본 발명은 복합식품의 영양소 성분비뿐만 아니라 단일식품으로서 재료별 영양소 성분비를 함께 고려하여 계산하므로 정확한 영양 성분 분석이 가능하다.
도 1은 종래 기술에 따라 음식물의 영양소 섭취량을 측정하는 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따라 구현된 식품 영양소 섭취량 분석 장치를 도시한 도면이다.
도 4는 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법의 분석 단계를 구체적으로 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따라 구현된 식품 영양소 섭취량 분석 장치를 도시한 도면이다.
도 4는 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법의 분석 단계를 구체적으로 설명하기 위한 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다. 제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 식품 영양소 섭취량 분석 장치 및 그 방법을 상세하게 설명하기로 한다.
도 1은 종래 기술에 따라 음식물의 영양소 섭취량을 측정하는 방법을 설명하기 위한 도면이다.
종래 기술은 개인의 인식을 기반으로 영양소 섭취량을 분석한다.
도 1을 참조하면, 종래기술은 사용자가 정보를 입력하는 A단계, 표준 레시피 DB를 적용하는 B단계, 음식의 성분을 분석하는 C단계, 성분별 섭취량을 계산하는 D단계 및 섭취량 분석 결과가 출력되는 E단계를 포함한다.
A단계에서 사용자가 섭취 음식의 종류를 입력하고 상기 음식의 부피와 무게를 육안으로 추정하여 입력한다. 예를 들면 부피의 경우, 개량 그릇의 눈금을 육안으로 확인하여 입력한다.
B단계에서 표준 레시피 DB로부터 상기 섭취 음식의 종류에 따른 재료 구성비를 파악한다. 표준 레시피 DB란 복합 식품의 재료 구성비에 관한 정보를 포함하고 있는 데이터 베이스이다. 복합 식품이란 복수의 재료가 포함된 음식을 의미하며, 예를 들면 죽은 복합 식품이고 쌀과 물이 각각 재료에 해당한다. 상기 재료 구성비는 죽을 예로 들면 쌀, 물 및 기타 재료가 어떠한 비율로 포함되어 있는 지에 관한 정보이다.
C단계에서 상기 재료 구성비를 기초로 재료별 영양성분 DB를 이용하여 재료별 영양소 함량을 계산한다. 상기 재료별 영양성분 DB란 각 재료마다 1회 제공량(g)을 기준으로 각 영양소별 함량에 관한 정보를 저장하고 있는 데이터 베이스이다. 예를 들면, 쌀(고량미)은 1회 제공량(100g)을 기준으로 탄수화물 67.8g, 단백질 10.1g. 지방 3.7g을 포함하고 있다.
D단계에서 사용자가 입력한 부피와 무게 정보, 재료별 영양소 함량 계산 결과를 이용하여 섭취 음식의 영양소별 함량을 계산한다.
E단계에서 1일 영양소 섭취량 분석을 위해 상기 영양소별 함량과 칼로리 계산 결과를 함께 출력한다. 구체적으로 280g의 죽을 섭취했다면 탄수화물 84g, 단백질 14g 및 지방 12g, 칼로리 500kcal와 같은 결과를 출력한다.
상기와 같이 종래 기술의 경우 개인의 인식을 기반으로 무게 및 부피를 측정하여 입력해야 한다는 점에서 정확도가 결여될 수 있다.
도 2는 본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치(100)는 무게 측정부(110), 부피 측정부(120), 광 스펙트럼 측정부(130) 및 분석부(140)를 포함할 수 있다.
무게 측정부(110)는 음식물의 무게 데이터를 측정한다. 구체적으로 무게 측정부(110)는 상기 음식물을 올려놓은 상태로 회전할 수 있는 선반부(111) 및 상기 음식물의 무게를 감지하는 무게 센서(112)를 포함할 수 있다. 상기 음식물은 단일 식품 및 복합 식품을 포함할 수 있다.
선반부(111)는 동력 수단에 의해 상기 음식물을 올려 놓은 상태로 360도 회전이 가능하다. 선반부(111)의 회전에 의해 부피 측정 및 광 스펙트럼 측정이 가능하다. 이는 후술한다.
무게 센서(112)는 압력 센서일 수 있다. 다만 이에 한정되지 않고 무게 센서(112)는 로드 셀(load cell) 또는 FSR(Force Sensing Resistor) 센서와 같이 무게를 측정할 수 있는 모든 종류의 센서를 포함한다.
상기 로드 셀(load cell)은 외력에 의해 비례적으로 변하는 탄성체와 이를 전기적인 신호로 바꾸어주는 스트레인 게이지를 이용한 하중감지센서(Sensor)이다. 상기 로드 셀은 상업용 전자저울에서부터 산업용 대용량 전자식 계량기에 이르기까지 각종 산업분야의 공장제어, 자동화 분야에서 핵심적인 역할을 수행하고 있다.
상기 FSR(Force Sensing Resistor)은 센서 표면에 힘을 증가시킬 때 감소하는 저항이 발생하는 중합체 필름(polymer film)이다. 상기 FSR은 전도성의 고무와 비교할 때 전기적 이력 현상이 거의 없고, 피에조 필름(piezo film)과 비교할 때 진동 및 열의 영향이 거의 없으면서 가격이 저렴한 장점이 있다.
상기 무게 데이터는 실제 무게가 아니라 센서에 의해 측정된 전압 또는 저항 값(ohm)에 해당하므로 실제 무게 정보로 변환하기 위해 무게 측정부(110)는 상기 무게 데이터를 분석부(140)로 전달한다.
부피 측정부(120)는 상기 음식물에 대한 부피 데이터를 획득한다. 구체적으로 부피 측정부(120)는 무게 측정부(110)에 의해 회전하는 음식물에 대한 2차원 곡률 이미지를 캡처하여 상기 부피 데이터를 획득한다. 보다 상세하게는, 부피 측정부(120)는 격자 생성 프로젝터(121) 및 이미지 획득부(122)를 포함할 수 있다.
격자 생성 프로젝터(121)는 무게 측정부(110)에 의해 회전하는 음식물에 대해 레이저 광을 조사하여 복수의 2차원 곡률 이미지를 생성한다. 구체적으로 격자 생성 프로젝터(121)는 2차원 평면 그리드와 프로젝터를 포함할 수 있다.
상기 2차원 평면 그리드는 격자 모양을 가지며 부피 측정 해상도를 고려하여 상기 음식물의 크기에 따라 격자의 크기와 단일 유닛의 크기를 조절할 수 있다.
상기 프로젝터는 DLP laser projector로 구현될 수 있다. 다만 이에 한정되지 않으며 상기 프로젝터는 레이저 혼합광을 조사할 수 있는 모든 종류의 레이저 프로젝터를 포함할 수 있다. 상기 DLP는 디지털 광원 처리(Digital Light Processing)를 의미한다.
본 발명의 일 실시예에 따라 격자 생성 프로젝터(121)는 광 스펙트럼 측정부(130)의 광원으로서 동작할 수 있다.
이미지 획득부(122)는 복수의 2차원 곡률 이미지를 캡처한다. 구체적으로 이미지 획득부(122)는 상기 음식물이 무게 측정부(110)에 의해 회전하는 동안 상기 2차원 곡률 이미지를 복수 회 캡처한다.
상기 부피 데이터는 상기 복수의 2차원 곡률 이미지를 포함하는 데이터를 의미하며, 상기 무게 데이터와 마찬가지로 상기 음식물의 실제 부피가 아니므로 변환을 위해 부피 측정부(120)는 상기 부피 데이터를 분석부(140)로 전달한다.
광 스펙트럼 측정부(130)는 상기 음식물의 광 스펙트럼 정보를 획득한다.
구체적으로 광 스펙트럼 측정부(130)는 광 스펙트럼 생성부(131) 및 광 스펙트럼 검출부(132)를 포함할 수 있다.
광 스펙트럼 생성부(131)는 상기 음식물의 화학적 성분을 분석할 수 있는 스펙트럼을 생성한다. 광 스펙트럼 생성부(131)는 광원, 필터, 제1 가이드 미러 및 광학 렌즈를 포함할 수 있다.
상기 광원은 상기 음식물의 분석을 위한 특정 스펙트럼을 갖는 특정 스펙트럼을 갖는 빛을 발생시킬 수 있도록, 둘 이상의 복수의 레이저 광원으로 조합되거나 하나의 레이저 광원과 LED 광원의 조합으로 이루어져 단일 파장 레이저를 통해 빛을 생성시킬 수 있다. 상기 레이저 광원은 예컨대 근적외선(Near Infrared Ray), Red, Violet 등 블루레이 광픽업 중 분석할 식품에 따라 선택적으로 조합될 수 있다. 상기 광원은 격자 생성 프로젝터(121)에 의해 대체될 수 있다.
상기 제1 필터는 상기 광원에 의해 생성된 빛을 상기 음식물의 화학적 구성 분자에 따른 산란을 야기시키는 것으로, 협대역 레이저 클리닝 필터(narrow band laser cleaning filter)와 대역 필터(Band-pass filter) 중 적어도 어느 하나를 포함할 수 있다.
상기 제1 가이드 미러는 상기 제1 필터에서 산란된 빛을 상기 광학 렌즈로 반사시키고 상기 음식물로부터 투과, 반사된 빛을 광 스펙트럼 검출부(132)로 투과시킨다.
상기 광학 렌즈는 상기 광원에 의해 생성된 빛이 상기 음식물에 입사될 수 있도록 집광한다. 상기 광학 렌즈는 상기 음식물로부터 투과, 반사된 빛이 광 스펙트럼 검출부(132)를 향해 투과될 수 있도록 대물렌즈로 구현될 수 있다.
광 스펙트럼 검출부(132)는
상기 음식물로부터 투과, 반사된 빛의 스펙트럼을 검출한다. 구체적으로 광 스펙트럼 검출부(132)는 제2 필터, 스펙트로미터(spectrometer) 및 제2 가이드 미러를 포함할 수 있다.
상기 제2 필터는 상기 음식물로부터 투과, 반사된 빛의 스펙트럼 신호를 외란으로부터 분리한다. 상기 제2 필터는 롱-패스 필터(long-pass filter)를 포함할 수 있다.
상기 스펙트로미터는 상기 제1 필터에 의해 분리된 스펙트럼 신호를 상기 제2 가이드 미러로부터 반사 받아 상기 음식물의 광 스펙트럼 정보를 검출한다.
구체적으로 상기 스펙트로미터는 임베딩 유닛(embedding unit)과 CCD센서를 포함할 수 있다. 상기 임베딩 유닛은 내장형 마이크로 컨트롤러로서, 인터넷 연결을 위한 기기인 Mbed와, 센서 등이 부착될 수 있는 기판인 아두이노(arduino)를 구비하여 구성될 수 있다. 상기 CCD센서는 빛을 전하로 변화시켜 화상을 얻어내는 센서로 상기 시료에 대한 특정 스펙트럼 데이터를 추출한다.
상기 제2 가이드 미러는 상기 제2 필터를 투과한 빛의 광 경로상에 설치되어 반사되는 광을 상기 스펙트로미터로 반사한다.
광 스펙트럼 측정부(130)는 상기 광 스펙트럼 정보를 분석부(140)로 전달한다.
분석부(140)는 상기 음식물의 영양소 성분비와 영양소별 함량을 분석한다.
구체적으로 분석부(140)는 상기 무게 정보, 상기 부피 정보 및 상기 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 영양소별 함량을 분석한다. 보다 상세하게 분석부(140)는 영양소 분석부(141), 재료 분석부(142), 추가 분석부(143) 및 함량 분석부(144)를 포함할 수 있다.
종래 기술은 음식의 영양소 성분을 분석하기 위해 일반적으로 선형/비선형 예측모델을 통한 통계치를 사용하여 분석을 수행하였다. 이러한 분석 방식은 다양한 영양성분을 포함하는 복합 식품에 대해서는 적합하지 않다. 본 발명의 실시예는 기계 학습 알고리즘을 적용하여 상기 음식물의 영양소 성분비를 계산한다.
구체적으로 영양소 분석부(141)는 기 저장된 예측 모델을 이용하여 상기 광 스펙트럼 정보로부터 상기 영양소 성분비를 계산한다. 상기 예측 모델은 복합 식품의 광 스펙트럼을 학습하여 형성된 뉴럴 네트워크(neural network)이다.
상기 예측 모델은 CNN(Convolutional Neural Network)일 수 있다. 다만 이에 한정되지 않으며 다른 기계학습 알고리즘이 적용된 뉴럴 네트워크일 수 있다.
재료 분석부(142)는 상기 음식물의 종류를 입력 받고 기 저장된 표준 레시피 DB를 이용하여 상기 음식물의 재료 구성비를 계산한다. 재료 분석부(142)는 상기 음식물의 종류를 사용자로부터 입력 받기 위해 입력부(미도시)을 포함하여 구현될 수 있다. 상기 입력부는 키보드나 마우스 같이 케이블을 통한 외부 입력 기기일 수 있으며 재료 분석부(142)의 구성에 일체로 포함되는 터치 패널일 수도 있다.
사용자는 상기 입력부를 통해 상기 음식물의 종류를 입력하면 재료 분석부(142)는 상기 표준 레시피 DB를 이용하여 상기 음식물이 어떠한 재료로 구성되어 있고 어떠한 비율로 포함되어 있는 지 재료 구성비를 계산한다.
상기 표준 레시피 DB는 재료 분석부(142)에 기 저장된 것일 수 있으나 이에 한정되지 않으며 인터넷을 통해 접근이 가능한 표준 레시피 DB일 수 있다. 이를 위해 분석부(140)는 유무선 통신을 위해 통신 수단을 구비할 수 있다.
재료 분석부(142)는 계산한 상기 재료 구성비를 추가 분석부(143)로 전달한다.
광 스펙트럼은 영양소의 종류를 구분해주지만 특정 peak(내지 주파수)의 intensity(강도)가 높다는 점만으로는 해당 영양소가 많이 포함되어 있다고는 단정할 수 없고 영양소 함량을 알기 위해서는 보다 정밀한 측정을 요한다.
본 발명은 일 실시예에 따라 영양소 함량 계산의 정확도를 높이기 위해 복합식품으로서 영양소 성분비뿐만 아니라 단일식품으로서 재료별 영양소 성분비를 함께 계산한다.
구체적으로 추가 분석부(143)는 재료별 광 스펙트럼 DB와 영양소별 광 스펙트럼 DB를 이용하여 상기 재료 구성비로부터 재료별 영양소 성분비를 계산한다.
추가 분석부(143)는 상기 음식물의 재료마다 영양소가 어떠한 비율로 포함되어 있는 지 상기 재료별 광 스펙트럼 DB와 영양소별 광 스펙트럼 DB를 이용하여 계산한다.
상기 재료별 광 스펙트럼 DB란 음식의 재료(예를 들면, 쌀)들의 광 스펙트럼이 저장되어 있는 데이터 베이스를 의미한다. 상기 영양소별 광 스펙트럼 DB란 영양소(예를 들면, 탄수화물)들의 광 스펙트럼 DB가 저장되어 있는 데이터 베이스를 의미한다.
함량 분석부(144)는 상기 음식물에 대한 정보를 이용하여 상기 음식물의 영양소별 함량을 계산한다.
구체적으로 함량 분석부(144)는 상기 음식물의 무게 정보 및 부피 정보를 계산한다. 그 후 함량 분석부(144)는 무게 정보, 부피 정보, 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산한다.
함량 분석부(144)는 무게 측정부(110)로부터 전달받은 무게 데이터를 이용하여 상기 음식물의 무게 정보를 계산한다. 무게 센서(112)가 FSR센서로 구현된 경우에 함량 분석부(144)는 상기 무게 데이터를 질량 보정 DB를 이용하여 상기 음식물의 무게 정보를 획득한다.
함량 분석부(144)는 부피 측정부(120)로부터 전달받은 부피 데이터인 복수의 2차원 곡률 이미지를 변환하여 상기 음식물의 부피 정보를 계산한다. 구체적으로 함량 분석부(144)는 상기 복수의 2차원 곡률 이미지를 집합함으로써 상기 음식물의 3차원 형상과 부피 정보를 계산한다.
함량 분석부(144)는 계산된 무게 정보 및 부피 정보를 기초로 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 정량 분석을 수행한다. 즉 함량 분석부(144)는 상기 음식물의 무게(또는 부피)에서 실제로 각 영양소가 얼마만큼 포함되어 있는 지 계산한다. 함량 분석부(144)는 함량 분석의 정확도를 높이기 위해 상기 영양소 성분비에 상기 재료별 영양소 성분비를 함께 이용하여 계산한다.
함량 분석부(144)는 정량 분석을 수행함에 있어 상기 무게 정보 및 부피 정보를 이용한다. 대부분의 광 스펙트럼 데이터는 수분의 무게를 고려하지 않는다. 음식물에 포함된 수분 함량을 알기 위해서는 해당 음식물의 무게와 밀도를 알아야 한다. 밀도는 단위 부피당 질량인 바, 그 정의에 따라 함량 분석부(144)는 상기 무게 정보 및 부피 정보를 이용하여 상기 음식물에 포함된 물의 함량을 계산한다.
함량 분석부(144)는 상기 물의 함량과 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 각 영양소 함량을 계산한다. 함량 분석부(144)는 상기 각 영양소의 함량을 그램(g)으로 표현할 수 있으나 이에 한정되는 것이 아니며 사용자가 지정한 단위(예를 들면 mL)로 표현할 수도 있다.
함량 분석부(144)는 상기 각 영양소 함량 계산 결과를 사용자가 확인하도록 출력할 수 있다. 이를 위해 함량 분석부(144)는 디스플레이부(미도시)를 구비할 수 있다. 이 경우 본 발명의 일 실시예에 따라 재료 분석부(142)의 입력부 및 함량 분석부(144)의 디스플레이부는 터치 패널과 같이 일체로 구현될 수 있다.
상기와 같이 본 발명의 일 실시예에 따른 식품 영양소 섭취량 분석 장치(100)는 개인의 인식을 기반으로 하는 것이 아니라 측정된 음식물의 정보(무게, 부피, 광 스펙트럼)를 이용하여 분석하므로 보다 정확한 분석이 가능하다.
또한 본 발명은 기계 학습을 적용한 예측 모델을 사용하므로 스펙트럼 정보를 통한 영양소 분석의 정밀도를 향상시킬 수 있다.
또한 본 발명은 복합식품의 영양소 성분비뿐만 아니라 단일식품으로서 재료별 영양소 성분비를 함께 고려하여 계산하므로 정확한 영양 성분 분석이 가능하다.
도 3은 본 발명의 일 실시예에 따라 구현된 식품 영양소 섭취량 분석 장치를 도시한 도면이다.
도 3에서 식품 영양소 섭취량 분석 장치(100)의 각 구성이 별개의 구성인 것처럼 배치되어 있으나 이는 설명을 위해 예시적으로 도시한 것이다. 도 3을 참조하면, 선반부(111)에는 사과가 놓여 있으며 무게 센서(112)는 상기 사과의 무게 데이터를 측정한다. 무게 센서(112)는 평면형 압력센서로서 FSR센서로 구현될 수 있으나 이에 한정되지 않고 정전식 혹은 저항식 압력 센서로 구현될 수 있다.
선반부(111)가 회전하는 동안 격자 생성 프로젝터(121)가 상기 사과에 레이저 혼합광을 조사하여 복수의 2차원 곡률 이미지를 생성하고 이미지 획득부(122)는 상기 복수의 2차원 곡률 이미지를 캡처한다.
이미지 획득부(122)는 소형화를 위해 모바일폰 CMOS 카메라나 1.67um급 외장형 CMOS 카메라로 구현될 수 있다.
광 스펙트럼 측정부(130)의 스펙트로미터는 근적외광 또는 원적외광을 분석할 수 있다. 구체적으로 상기 스펙트로미터는 900 내지 1700nm 대역을 분석하는 근적외광 스펙트로미터(NIR spectrometer) 또는 1350nm 내지 2490nm 대역을 분석하는 원적외광 스펙트로미터(FIR spectrometer)로 구현될 수 있다.
상기 음식물의 정보인 광 스펙트럼 정보(L), 무게 및 부피 정보(W)는 분석부(140)로 전달된다. 분석부(140)는 라즈베리 파이 플랫폼(Raspberry Pi platform)으로 구현되거나 모바일 폰이나 상기 모바일 폰에 탑재되는 어플리케이션으로 구현될 수 있다.
도 4는 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법은 입력 단계(S200), 측정 단계(S300) 및 분석 단계(S400)를 포함할 수 있다.
입력 단계(S200)에서, 식품 영양소 섭취량 분석 장치(100)는 음식물의 종류를 입력 받는다. 구체적으로 상기 음식물의 종류를 입력 받고 기 저장된 표준 레시피 DB를 이용하여 상기 음식물의 재료 구성비를 계산한다.
측정 단계(S300)에서, 식품 영양소 섭취량 분석 장치(100)는 상기 음식물의 무게 데이터, 부피 데이터 및 광 스펙트럼 정보를 측정한다.
구체적으로 무게 측정부(110)는 상기 음식물의 무게 데이터를 측정한다. 부피 측정부(120)는 무게 측정부(110)에 의해 회전하는 음식물로부터 2차원 곡률 이미지를 캡처한다. 광 스펙트럼 측정부(130)는 무게 측정부(110)에 의해 회전하는 음식물의 특정 지점에 대한 광 스펙트럼 정보를 획득한다.
분석 단계(S400)에서, 식품 영양소 섭취량 분석 장치(100)는 상기 무게 데이터, 상기 부피 데이터를 이용하여 상기 음식물의 무게 정보 및 부피 정보를 계산하고 상기 무게 정보, 상기 부피 정보 및 상기 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 함량을 분석한다.
도 5는 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법의 분석 단계를 구체적으로 설명하기 위한 흐름도이다.
도 5를 참조하면, 분석 단계(S400)는 성분 분석 단계(S410), 재료 분석 단계(S420), 추가 성분 분석 단계(S430) 및 함량 분석 단계(S440)를 포함할 수 있다.
성분 분석 단계(S410)에서, 식품 영양소 섭취량 분석 장치(100)는 상기 음식물의 광 스펙트럼 정보를 이용하여 예측 모델로부터 상기 음식물의 영양소 성분비를 계산한다. 상기 예측 모델은 복합 식품의 광 스펙트럼을 학습하여 형성된 뉴럴 네트워크(neural network)이다.
재료 분석 단계(S420)에서, 식품 영양소 섭취량 분석 장치(100)는 상기 음식물의 종류를 이용하여 표준 레시피 DB로부터 상기 음식물의 재료 구성비를 계산한다.
추가 성분 분석 단계(S430)에서, 식품 영양소 섭취량 분석 장치(100)는 재료별 광 스펙트럼 DB 및 영양소별 광 스펙트럼 DB를 이용하여 상기 재료 구성비로부터 재료별 영양소 성분비를 계산한다.
함량 분석 단계(S440)에서, 식품 영양소 섭취량 분석 장치(100)는 상기 음식물의 무게 정보, 부피 정보, 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산한다.
구체적으로 분석 장치(100)는 상기 음식물이 무게 데이터 및 부피 데이터를 이용하여 무게 정보 및 부피 정보를 각각 계산하고, 계산된 무게 정보 및 부피 정보를 기초로 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 정량 분석을 수행한다.
분석 장치(100)는 상기 무게 정보 및 부피 정보를 이용하여 상기 음식물에 포함된 물의 함량을 계산한다. 분석 장치(100)는 상기 물의 함량과 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 각 영양소 함량을 계산한다.
일 실시예에 의하면 함량 분석 단계(S440) 이후, 분석 결과를 출력하는 출력 단계를 더 포함할 수 있다. 상기 출력 단계에서는 각 단계별로 계산된 결과가 모두 출력될 수 있다.
구체적으로 분석 장치(100)는 상기 음식물의 종류에 따른 재료와 그 구성비, 재료별 영양소 성분비, 상기 음식물의 영양소 성분비 및 칼로리 등을 포함하여 출력할 수 있다. 다만 이에 한정되는 것은 아니며 분석 장치(100)는 나이, 체중 등 사용자의 정보를 입력 받아 이를 기초로 일일 영양소 섭취 권장량을 산출하고 상기 일일 영양소 섭취 권장량과 분석 단계(S400)의 분석 결과를 비교하여 권장 수준을 만족하는 지 여부를 함께 출력할 수 있다.
상기와 같이 본 발명의 다른 실시예에 따른 식품 영양소 섭취량 분석 방법은 개인의 인식을 기반으로 하는 것이 아니라 측정된 음식물의 정보(무게, 부피, 광 스펙트럼)를 이용하여 분석하므로 보다 정확한 분석이 가능하다.
또한 본 발명은 기계 학습을 적용한 예측 모델을 사용하므로 스펙트럼 정보를 통한 영양소 분석의 정밀도를 향상시킬 수 있다.
또한 본 발명은 복합식품의 영양소 성분비뿐만 아니라 단일식품으로서 재료별 영양소 성분비를 함께 고려하여 계산하므로 정확한 영양 성분 분석이 가능하다.
본 발명은 특정 기능들 및 그의 관계들의 성능을 나타내는 방법 단계들의 목적을 가지고 위에서 설명되었다. 이러한 기능적 구성 요소들 및 방법 단계들의 경계들 및 순서는 설명의 편의를 위해 여기에서 임의로 정의되었다.
상기 특정 기능들 및 관계들이 적절히 수행되는 한 대안적인 경계들 및 순서들이 정의될 수 있다. 임의의 그러한 대안적인 경계들 및 순서들은 그러므로 상기 청구된 발명의 범위 및 사상 내에 있다.
추가로, 이러한 기능적 구성 요소들의 경계들은 설명의 편의를 위해 임의로 정의되었다. 어떠한 중요한 기능들이 적절히 수행되는 한 대안적인 경계들이 정의될 수 있다. 마찬가지로, 흐름도 블록들은 또한 어떠한 중요한 기능성을 나타내기 위해 여기에서 임의로 정의되었을 수 있다.
확장된 사용을 위해, 상기 흐름도 블록 경계들 및 순서는 정의되었을 수 있으며 여전히 어떠한 중요한 기능을 수행한다. 기능적 구성 요소들 및 흐름도 블록들 및 순서들 둘 다의 대안적인 정의들은 그러므로 청구된 본 발명의 범위 및 사상 내에 있다.
본 발명은 또한 하나 이상의 실시 예들의 용어로, 적어도 부분적으로 설명되었을 수 있다. 본 발명의 실시 예는 본 발명, 그 측면, 그 특징, 그 개념, 및/또는 그 예를 나타내기 위해 여기에서 사용된다. 본 발명을 구현하는 장치, 제조의 물건, 머신, 및/또는 프로세스의 물리적인 실시 예는 여기에 설명된 하나 이상의 실시 예들을 참조하여 설명된 하나 이상의 측면들, 특징들, 개념들, 예들 등을 포함할 수 있다.
더구나, 전체 도면에서, 실시 예들은 상기 동일한 또는 상이한 참조 번호들을 사용할 수 있는 상기 동일하게 또는 유사하게 명명된 기능들, 단계들, 모듈들 등을 통합할 수 있으며, 그와 같이, 상기 기능들, 단계들, 모듈들 등은 상기 동일한 또는 유사한 기능들, 단계들, 모듈들 등 또는 다른 것들일 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시 예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 식품 영양소 섭취량 분석 장치
110 : 무게 측정부
111 : 선반부
112 : 무게 센서
120 : 부피 측정부
121 : 격자 생성 프로젝터
122 : 이미지 획득부
130 : 광 스펙트럼 측정부
140 : 분석부
141 : 영양소 분석부
142 : 재료 분석부
143 : 추가 분석부
144 : 함량 분석부
110 : 무게 측정부
111 : 선반부
112 : 무게 센서
120 : 부피 측정부
121 : 격자 생성 프로젝터
122 : 이미지 획득부
130 : 광 스펙트럼 측정부
140 : 분석부
141 : 영양소 분석부
142 : 재료 분석부
143 : 추가 분석부
144 : 함량 분석부
Claims (11)
- 음식물을 올려 놓은 상태로 회전할 수 있는 선반부 및 무게 센서를 구비하여 상기 음식물의 무게 데이터를 획득하는 무게 측정부;
상기 무게 측정부에 의해 회전하는 음식물에 대한 2차원 곡률 이미지로부터 상기 음식물의 부피 데이터를 획득하는 부피 측정부;
상기 무게 측정부에 의해 회전하는 음식물의 특정 지점에 대한 광 스펙트럼 정보를 획득하는 광 스펙트럼 측정부; 및
상기 무게 데이터 및 부피 데이터를 이용하여 상기 음식물의 무게 정보 및 부피 정보를 각각 계산하고, 상기 무게 정보, 부피 정보 및 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 영양소별 함량을 분석하는 분석부를 포함하는 식품 영양소 섭취량 분석 장치. - 제1 항에 있어서,
상기 무게 센서는 FSR(Force Sensitive Resistor)센서 인 것을 특징으로 하는 식품 영양소 섭취량 분석 장치. - 제1 항에 있어서,
상기 부피 측정부는,
상기 무게 측정부에 의해 회전하는 음식물에 광을 투영하여 복수의 2차원 곡률 이미지를 생성하는 격자 생성 프로젝터 및
상기 복수의 2차원 곡률 이미지를 캡처하는 이미지 획득부를 포함하고
상기 분석부는
상기 복수의 2차원 곡률 이미지를 변환하여 상기 음식물의 부피 정보를 계산하는 것을 특징으로 하는 식품 영양소 섭취량 분석 장치. - 제3 항에 있어서,
상기 광 스펙트럼 측정부는
상기 격자 생성 프로젝터의 레이저 혼합광을 광원으로 하여 상기 광 스펙트럼 정보를 획득하는 것을 특징으로 하는 식품 영양소 섭취량 분석 장치. - 제1 항에 있어서,
상기 분석부는
기 저장된 예측 모델을 이용하여 상기 광 스펙트럼 정보로부터 상기 영양소 성분비를 계산하는 영양소 분석부;
상기 음식물의 종류를 입력 받아 기 저장된 표준 레시피 DB를 이용하여 상기 음식물의 재료 구성비를 계산하는 재료 분석부;
기 저장된 재료별 광 스펙트럼 DB 및 영양소별 광 스펙트럼 DB를 이용하여 상기 재료 구성비로부터 재료별 영양소 성분비를 계산하는 추가 분석부; 및
상기 무게 정보, 상기 부피 정보, 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산하는 함량 분석부를 포함하는 것을 특징으로 하는 식품 영양소 섭취량 분석 장치. - 제5 항에 있어서,
상기 예측 모델은 복합 식품의 광 스펙트럼 정보를 학습하여 생성된 뉴럴 네트워크인 것을 특징으로 하는 식품 영양소 섭취량 분석 장치. - 식품 영양소 섭취량 분석 장치를 이용한 식품 영양소 섭취량 분석 방법에 있어서,
음식물의 종류를 입력 받는 입력 단계;
상기 음식물의 무게 데이터, 부피 데이터 및 광 스펙트럼 정보를 측정하는 측정 단계; 및
상기 무게 데이터 및 부피 데이터를 이용하여 상기 음식물의 무게 정보 및 부피 정보를 계산하고 상기 무게 정보, 상기 부피 정보 및 상기 광 스펙트럼 정보를 이용하여 상기 음식물의 영양소 성분비와 함량을 분석하는 분석 단계를 포함하는 식품 영양소 섭취량 분석 방법. - 제7 항에 있어서,
상기 측정 단계는,
무게 측정부가 FSR센서를 이용하여 상기 무게 데이터를 측정하는 무게 측정 단계;
부피 측정부가 상기 무게 측정부에 의해 회전하는 음식물로부터 복수의 2차원 곡률 이미지를 캡처하는 부피 측정 단계; 및
광 스펙트럼 측정부가 상기 음식물의 특정 지점에 대한 광 스펙트럼 정보를 획득하는 광 스펙트럼 측정 단계를 포함하고
상기 분석 단계는,
상기 복수의 2차원 곡률 이미지를 변환하여 상기 부피 정보를 계산하는 것을 특징으로 하는 식품 영양소 섭취량 분석 방법. - 제7 항에 있어서,
상기 분석 단계는,
상기 광 스펙트럼 정보를 이용하여 예측 모델로부터 상기 음식물의 영양소 성분비를 계산하는 성분 분석 단계; 및
상기 무게 정보, 상기 부피 정보 및 상기 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산하는 함량 분석 단계를 포함하는 것을 특징으로 하는 식품 영양소 섭취량 분석 방법. - 제9 항에 있어서,
상기 분석 단계는,
상기 함량 분석 단계 이전에
상기 음식물의 종류를 이용하여 표준 레시피 DB로부터 상기 음식물의 재료 구성비를 계산하는 재료 분석 단계; 및
재료별 광 스펙트럼 DB 및 영양소별 광 스펙트럼 DB를 이용하여 상기 재료 구성비로부터 재료별 영양소 성분비를 계산하는 추가 성분 분석 단계를 더 포함하고
상기 함량 분석 단계는,
상기 무게 정보, 상기 부피 정보, 상기 영양소 성분비 및 상기 재료별 영양소 성분비를 이용하여 상기 음식물의 영양소별 함량을 계산하는 것을 특징으로 하는 식품 영양소 섭취량 분석 방법. - 제10 항에 있어서,
상기 예측 모델은 복합 식품의 광 스펙트럼 정보를 학습하여 생성된 뉴럴 네트워크인 것을 특징으로 하는 식품 영양소 섭취량 분석 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180150700A KR20200064508A (ko) | 2018-11-29 | 2018-11-29 | 식품 영양소 섭취량 분석 장치 및 그 방법 |
| PCT/KR2019/015665 WO2020111611A1 (ko) | 2018-11-29 | 2019-11-15 | 식품 영양소 섭취량 분석 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180150700A KR20200064508A (ko) | 2018-11-29 | 2018-11-29 | 식품 영양소 섭취량 분석 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200064508A true KR20200064508A (ko) | 2020-06-08 |
Family
ID=70852857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180150700A KR20200064508A (ko) | 2018-11-29 | 2018-11-29 | 식품 영양소 섭취량 분석 장치 및 그 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20200064508A (ko) |
| WO (1) | WO2020111611A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102473283B1 (ko) * | 2022-08-25 | 2022-12-02 | 주식회사 두잉랩 | 인공지능을 활용한 영상 분석을 기반으로 중량 정보를 고려한 영양정보 제공 시스템 및 방법 |
| KR20220164206A (ko) | 2021-06-04 | 2022-12-13 | 주식회사 리얼바이오메디칼 | 식품 크로노메트릭 신호 해석 및 식품 분석 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113776431A (zh) * | 2021-08-09 | 2021-12-10 | 宁波银河自控设备有限公司 | 一种在线液压同步升降称重方法、系统及其存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100559161C (zh) * | 2004-03-12 | 2009-11-11 | 乐世太平洋株式会社 | 物体的卡路里测定方法以及物体的卡路里测定装置 |
| WO2013059599A1 (en) * | 2011-10-19 | 2013-04-25 | The Regents Of The University Of California | Image-based measurement tools |
| US9442100B2 (en) * | 2013-12-18 | 2016-09-13 | Medibotics Llc | Caloric intake measuring system using spectroscopic and 3D imaging analysis |
| KR101789732B1 (ko) * | 2015-07-29 | 2017-10-25 | 피도연 | 식품 정보 제공 방법 및 장치 |
| KR101959762B1 (ko) * | 2017-04-17 | 2019-07-05 | 가천대학교 산학협력단 | 인공 지능 기반 영상 및 음성 인식 영양 평가 방법 |
-
2018
- 2018-11-29 KR KR1020180150700A patent/KR20200064508A/ko not_active Application Discontinuation
-
2019
- 2019-11-15 WO PCT/KR2019/015665 patent/WO2020111611A1/ko active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220164206A (ko) | 2021-06-04 | 2022-12-13 | 주식회사 리얼바이오메디칼 | 식품 크로노메트릭 신호 해석 및 식품 분석 방법 |
| KR102473283B1 (ko) * | 2022-08-25 | 2022-12-02 | 주식회사 두잉랩 | 인공지능을 활용한 영상 분석을 기반으로 중량 정보를 고려한 영양정보 제공 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020111611A1 (ko) | 2020-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10823427B2 (en) | Oven comprising a scanning system | |
| JP6375557B2 (ja) | 面の色及びスペクトルを測定しカテゴリ分類するためのシステム及び方法 | |
| KR20200064508A (ko) | 식품 영양소 섭취량 분석 장치 및 그 방법 | |
| US20160260352A1 (en) | Apparatus and method for identifying food nutritional values | |
| JP6288512B2 (ja) | 食品分析装置 | |
| US20150305543A1 (en) | Oven comprising weight sensors | |
| CN108449962B (zh) | 用于确定物体的反射率的方法和相关设备 | |
| CN202814866U (zh) | 用于生化分析仪的色差评定系统 | |
| Thong et al. | Predicting food nutrition facts using pocket-size near-infrared sensor | |
| US20190282097A1 (en) | Personal Wellness Monitoring System | |
| US20160109295A1 (en) | Portable electronic apparatus, spectrometer combined therewith, and method for detecting quality of test object by using the same | |
| WO2014103165A1 (ja) | カロリー算出装置 | |
| Gökmen et al. | A non-contact computer vision based analysis of color in foods | |
| CN108073906A (zh) | 菜品营养成分检测方法、装置、烹饪器具和可读存储介质 | |
| CN104603598A (zh) | 分析装置 | |
| CN110366731A (zh) | 用于指导膳食的图像捕获的系统、方法和计算机程序 | |
| Hu et al. | NIRSCam: A mobile near-infrared sensing system for food calorie estimation | |
| US11243172B2 (en) | Portable scanning device for ascertaining attributes of sample materials | |
| JP2009139110A (ja) | 米飯品質予測方法及びその装置 | |
| KR102086114B1 (ko) | 영양 측정 장치 및 방법 | |
| US20220065781A1 (en) | Method to Estimate Surface Gloss | |
| CN107064023B (zh) | 一种油脂色泽检测系统及方法 | |
| US20190086263A1 (en) | Reflectometer, electronic device and method | |
| WO2006046197A1 (en) | Device and method for determining the calorie content of an object | |
| Patnaik et al. | Development of a low-cost color sensor for biomedical applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |