KR20200095076A

KR20200095076A - 인공지능 기반의 세탁물 처리 정보 제공 장치

Info

Publication number: KR20200095076A
Application number: KR1020190012701A
Authority: KR
Inventors: 주현우
Original assignee: 엘지전자 주식회사
Priority date: 2019-01-31
Filing date: 2019-01-31
Publication date: 2020-08-10

Abstract

본 발명의 실시 예에 따른 인공지능 기반의 세탁물 처리 정보 제공 장치는, 사용자의 단말기 및 외부 서버와 연결하기 위한 통신부, 세탁물 이미지에 포함된 세탁물을 인식하는 세탁물 인식 모듈, 상기 세탁물의 인식 결과에 기초한 세탁물 관리 정보를 획득하는 세탁물 관리 정보 획득 모듈, 및 상기 세탁물 관리 정보, 및 데이터베이스에 저장된 다수의 세탁물 데이터에 기초하여, 상기 인식된 세탁물에 대한 세탁물 처리 기기의 세탁물 처리 동작을 위한 세탁물 처리 정보를 생성하는 세탁물 처리 정보 생성 모듈을 포함한다.

Description

인공지능 기반의 세탁물 처리 정보 제공 장치{APPARATUS FOR PROVIDING LAUNDRY TREATING INFORMATION BASED ON ARTIFICIAL INTELLIGENCE}

본 발명은 세탁물 처리 정보 제공 장치에 관한 것으로서, 특히 세탁기, 건조기, 또는 의류 관리기 등의 세탁물 처리 기기와 연결되어, 처리하고자 하는 세탁물과 관련된 세탁물 처리 정보를 상기 세탁물 처리 기기로 제공하는 장치에 관한 것이다.

현대에서 세탁기나 건조기와 같은 세탁물 처리 기기는 모든 가정에서 필수적인 가전 제품이다. 또한, 최근에는 의류의 살균이나 먼지 제거, 건조 등의 기능을 제공하는 의류 관리기의 보급이 점차 확대되고 있다.

세탁 또는 관리를 필요로 하는 의류, 침구 또는 인형 등은 다양한 소재로 구성되어 있으며, 각 소재 별로 세탁 또는 관리 시 요구되는 사항이 상이하다. 따라서, 현재의 세탁물 처리 기기는 다양한 소재에 대하여 적합한 세탁 기능을 제공하기 위하여 여러 세탁 코스를 제공하고 있다.

한편, 기존의 세탁물 처리 기기들은 미리 정해진 세탁 코스를 사용자가 선택하면 해당 세탁 코스를 제공하거나, 사용자가 매 세탁시마다 각 세탁 단계에 대한 파라미터를 설정하면 해당 파라미터를 반영한 세탁 코스를 제공하는 기능만을 제공하고 있다.

그러나, 종래의 세탁물 처리 장치는 한 종류의 세탁물, 또는 여러 종류의 세탁물들이 투입된 경우에도, 사용자가 각 세탁 단계에 대한 설정된 파라미터만을 반영한 세탁 코스를 제공하는데 그치고 있다.

이 경우, 특정 세탁물에 손상이 가해지거나, 특정 세탁물의 세척이 제대로 이루어지지 않는 문제가 있다.

본 발명이 해결하고자 하는 과제는, 세탁물의 이미지를 통해 처리하고자 하는 세탁물을 인식하여, 인식된 세탁물에 적합한 세탁물 처리 정보를 제공할 수 있는 장치를 구현하는 것이다.

본 발명이 해결하고자 하는 다른 과제는, 인식된 세탁물과 관련된 다수의 데이터를 활용함으로써 보다 정확한 세탁물 처리 정보를 제공할 수 있는 장치를 구현하는 것이다.

본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치는, 사용자의 단말기 및 외부 서버와 연결하기 위한 통신부, 세탁물 이미지에 포함된 세탁물을 인식하는 세탁물 인식 모듈, 상기 세탁물의 인식 결과에 기초한 세탁물 관리 정보를 획득하는 세탁물 관리 정보 획득 모듈, 및 상기 세탁물 관리 정보, 및 데이터베이스에 저장된 다수의 세탁물 데이터에 기초하여, 상기 인식된 세탁물에 대한 세탁물 처리 기기의 세탁물 처리 동작을 위한 세탁물 처리 정보를 생성하는 세탁물 처리 정보 생성 모듈을 포함한다.

실시 예에 따라, 상기 세탁물 인식 모듈은 상기 세탁물 이미지에 대한 이미지 처리를 통해 상기 세탁물에 대한 복수의 특징들을 추출하는 이미지 분석기, 및 추출된 복수의 특징들에 기초하여 상기 세탁물의 인식 결과를 제공하는 세탁물 인식기를 포함할 수 있다.

실시 예에 따라, 상기 복수의 특징들은 상기 세탁물의 색상, 픽셀 패턴, 텍스트, 브랜드 심볼, 형상, 외곽선, 윤곽선 중 적어도 하나를 포함할 수 있다.

상기 세탁물 인식 모듈은, 상기 복수의 특징들 및 상기 세탁물의 인식 결과에 기초하여 상기 세탁물 인식기를 업데이트할 수 있다.

실시 예에 따라, 상기 세탁물의 인식 결과는, 상기 세탁물의 제품명, 종류, 재질, 색상, 및 브랜드 중 적어도 하나를 포함할 수 있다.

실시 예에 따라, 상기 세탁물 관리 정보 획득 모듈은, 상기 세탁물의 인식 결과에 기초한 적어도 하나의 검색 결과를 상기 외부 서버로부터 수신하고, 수신된 적어도 하나의 검색 결과 중 상기 인식된 세탁물에 대응하는 검색 결과를 확인하고, 확인된 검색 결과의 제공자로부터 상기 세탁물 관리 정보를 수신할 수 있다.

실시 예에 따라, 상기 세탁물 관리 정보 획득 모듈은, 상기 수신된 적어도 하나의 검색 결과를 상기 통신부를 통해 상기 단말기로 전송하고, 상기 단말기로부터 상기 적어도 하나의 검색 결과 중 상기 인식된 세탁물에 대응하는 상기 검색 결과에 대한 정보를 수신함으로써, 상기 검색 결과를 확인할 수 있다.

상기 세탁물 처리 정보 생성 모듈은, 상기 데이터베이스에 저장된 상기 다수의 세탁물 데이터 중, 상기 세탁물 관리 정보와 관련된 적어도 하나의 세탁물 데이터를 획득하고, 획득된 적어도 하나의 세탁물 데이터 각각의 세탁물 처리 정보에 기초하여, 상기 인식된 세탁물에 대한 상기 세탁물 처리 정보를 생성할 수 있다.

상기 세탁물 관리 정보는, 상기 세탁물의 제품명, 색상, 재질, 세탁 방법, 및 관리 방법 중 적어도 하나의 항목에 대한 정보를 포함하고, 상기 세탁물 처리 정보 생성 모듈은, 상기 데이터베이스에 저장된 상기 다수의 세탁물 데이터 중, 상기 세탁물 관리 정보에 포함된 적어도 하나의 항목 중 적어도 일부가 일치하는 상기 적어도 하나의 세탁물 데이터를 획득할 수 있다.

상기 세탁물 처리 정보 생성 모듈은, 상기 생성된 세탁물 처리 정보를 상기 세탁물 처리 기기 또는 상기 단말기로 전송하도록 상기 통신부를 제어할 수 있다.

실시 예에 따라, 상기 세탁물 처리 정보는 상기 세탁물 처리 기기의 세탁물 처리 동작과 관련된 제어 변수들을 포함할 수 있다.

상기 세탁물 처리 정보 생성 모듈은, 세탁물 처리 기기들, 단말기들, 및 세탁물 처리 기기의 제조사 서버 중 적어도 하나로부터 세탁물들과 관련된 다수의 정형 데이터를 수집하고, 상기 외부 서버로부터 세탁물과 관련된 다수의 비정형 데이터를 수집하는 데이터 수집 모듈을 포함하고, 상기 다수의 세탁물 데이터는 상기 다수의 정형 데이터 및 비정형 데이터를 포함할 수 있다.

상기 다수의 정형 데이터 각각은, 대응하는 세탁물에 대한 상기 세탁물 처리 기기의 제어 변수들에 대한 정보를 포함할 수 있다.

실시 예에 따라, 상기 다수의 세탁물 데이터는, 상기 다수의 비정형 데이터 각각으로부터 추출 또는 생성되는 세탁 제어 변수들에 대한 정보를 포함할 수 있다.

실시 예에 따라, 상기 세탁물 이미지는 상기 통신부를 통해 상기 단말기로부터 수신될 수 있다.

본 발명의 실시 예에 따르면, 세탁물 처리 정보 제공 장치는 머신 러닝 등의 인공지능 기반의 학습된 데이터를 이용하여, 세탁물 이미지에 포함된 세탁물을 정확히 인식하고, 인식된 세탁물에 대한 세탁물 처리 정보를 세탁물 처리 기기 등으로 제공할 수 있다. 이에 따라, 사용자의 세탁물 처리 기기에 대한 사용 편의성이 향상될 수 있다.

또한, 세탁물 처리 정보 제공 장치는, 인식된 세탁물의 관리 정보와 동일 또는 유사한 관리 정보를 갖는 다수의 세탁물들의 세탁물 처리 정보를 활용하여, 인식된 세탁물에 대해 최적의 세탁물 처리 정보를 제공할 수 있다. 따라서, 세탁물 처리 기기의 동작모드나 설정값을 사용자가 잘못 설정한 경우 발생할 수 있는 세탁물의 변질이나 손상 등의 문제가 방지될 수 있고, 그 결과 사용자의 만족도가 극대화될 수 있다.

도 1은 인공 신경망의 학습 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치를 포함하는 시스템을 개략적으로 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치의 개략적인 블록도이다.
도 4는 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치의 세탁물 처리 정보 제공 동작을 설명하기 위한 플로우차트이다.
도 5는 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치가 세탁물 이미지에 포함된 세탁물을 인식하는 동작을 나타내는 예시도이다.
도 6은 세탁물 처리 정보 제공 장치가, 인식된 세탁물에 대한 세탁물 관리 정보를 획득하는 동작을 설명하기 위한 플로우차트이다.
도 7은 도 6에 도시된 세탁물 처리 정보 제공 장치의 동작과 관련된 예시도이다.
도 8은 세탁물 처리 정보 제공 장치가, 획득된 세탁물 관리 정보에 기초하여 세탁물 처리 정보를 생성하는 동작을 설명하기 위한 플로우차트이다.
도 9는 세탁물 처리 정보 제공 장치에 포함된 세탁물 처리 정보 생성 모듈이 빅데이터 기술에 기반하여 구현되는 실시 예를 나타내는 도면이다.
도 10은, 도 9의 실시 예에 따라 구현된 세탁물 처리 정보 생성 모듈을 포함하는 세탁물 처리 정보 생성 장치의 세탁물 처리 정보 생성 동작을 나타내는 예시도이다.

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 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.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'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(support vector machine, SVM), 그리고 인공신경망(Artificial neural network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 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.

인공신경망(Artificial Neural Network, ANN)은 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 신경망(Artificial Neural Network, ANN)은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망(Artificial Neural Network, ANN)은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망(Artificial Neural Network, ANN)은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망(Artificial Neural Network, ANN)은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망(Artificial Neural Network, ANN)은 뉴런(neuron)과 뉴런(neuron)을 연결하는 시냅스(synapse)를 포함할 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어(layer)의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은, 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.

인공신경망(Artificial Neural Network, ANN)은 계층(layer) 수에 따라 단층 신경망(Single Layer Neural Networks)과 다층 신경망(Multi Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망(Single Layer Neural Networks)은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층신경망(Multi Layer Neural Networks)은 입력층과 은닉층, 출력층으로 구성된다.

입력층(input layer)은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층(hidden layer)은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층(output layer)은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.

한편 입력층(input layer)과 출력 층(output layer) 사이에 복수의 은닉층(hidden layer)을 포함하는 심층 신경망(Deep Neural Network, DNN)은, 기계 학습(machine learning) 기술의 한 종류인 딥 러닝(deep learning)을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습(training)이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망(Artificial Neural Network, ANN)의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망(Artificial Neural Network, ANN)의 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 분류(classification)하거나 군집화 (clustering)할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.

다음은 인공 신경망(Artificial Neural Network, ANN)의 학습 방식에 대하여 설명한다.

인공 신경망(Artificial Neural Network, ANN)의 학습 방식은 크게, 지도 학습(Supervised Learning), 비 지도 학습(Unsupervised Learning), 준 지도 학습(semi-supervised learning), 강화 학습(Reinforcement learning)으로 분류될 수 있다.

지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터(training data)에 대한 레이블(label)이 주어진 상태에서 인공 신경망(Artificial Neural Network, ANN)을 학습시킨다.

여기서 레이블(label)이란, 훈련 데이터(training data)가 인공 신경망(Artificial Neural Network, ANN)에 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터(training data)가 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과값)을 레이블(label) 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망(Artificial Neural Network, ANN)의 학습을 위하여 훈련 데이터(training data)에 레이블(label)을 다는 것을, 훈련 데이터(training data)에 레이블링 데이터(labeling data)를 레이블링 한다(labeling)라고 명칭 한다.

이 경우 훈련 데이터(training data)와 훈련 데이터에 대응하는 레이블(label)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망(Artificial Neural Network, ANN)에는 트레이닝 셋(training set)의 형태로 입력될 수 있다.

한편 훈련 데이터(training data)는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블(label)이 레이블링(labeling)된다는 것은 훈련 데이터(training data)가 나타내는 특징에 레이블(label)이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터(training data)는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터와 레이블링 데이터(labeling data)를 이용하여, 훈련 데이터와 레이블링 데이터(labeling data)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망(Artificial Neural Network, ANN)은 유추된 함수에 대한 평가를 통해 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화) 할 수 있다.

비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블(label)이 주어지지 않는다.

구체적으로, 비 지도 학습(Unsupervised Learning)은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블(label)의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습(Unsupervised Learning)의 예로는, 군집화(Clustering) 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(Generative　Adversarial　Network, GAN), 오토 인코더(Autoencoder, AE)를 들 수 있다.

생성적 적대 신경망(Generative　Adversarial　Network, GAN)이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.

이 경우 생성기(generator)는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기(discriminator)는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 생성기(generator)에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기(generator)는 판별기(discriminator)를 속이지 못한 데이터를 입력 받아 학습하며, 판별기(discriminator)는 생성기(generator)로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기(generator)는 판별기(discriminator)를 최대한 잘 속이도록 진화할 수 있고, 판별기(discriminator)의 원본 데이터와 생성기(generator)에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더(Autoencoder, AE)는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더(Autoencoder, AE)는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.

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 인코더(Autoencoder, AE)는 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.

준 지도 학습(Semi-Supervised Learning)은 기계 학습의 일종으로, 레이블(label)이 주어진 훈련 데이터와 레이블(label)이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.

준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

이하, 도 1을 참조하여 본 발명의 세탁물 처리 정보 제공 장치에 적용되는 인공지능의 일례로서 인공 신경망과 관련된 내용을 우선 설명한다.

도 1은 인공 신경망의 학습 장치를 설명하기 위한 블록도이다.

인공 신경망의 학습 장치(1000)는, 데이터 입력부(1010), 프로세서(1020) 및 인공 신경망(1030)을 포함할 수 있다.

데이터 입력부(1010)는 입력 데이터를 수신할 수 있다. 이 경우 데이터 입력부(1010)는 훈련 데이터를 수신할 수 있으며, 가공되지 않은 데이터를 수신할 수도 있다.

데이터 입력부(1010)가 가공되지 않은 데이터를 수신한 경우, 프로세서(1020)는 수신된 데이터를 전처리 하여 인공 신경망(1030)에 입력이 가능한 훈련데이터를 생성할 수 있다.

인공 신경망(1030)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 인공 신경망(1030)의 일부 또는 전부가 소프트웨어로 구현되는 경우 인공 신경망(1030)을 구성하는 하나 이상의 명령어는 인공 신경망의 학습 장치(1000)에 포함되는 메모리(미도시)에 저장될 수 있다.

프로세서(1020)는 훈련 데이터 또는 트레이닝 셋(training set)을 인공 신경망(1030)에 입력하여 인공 신경망(1030)을 훈련(training)시킬 수 있다.

구체적으로 프로세서(1020)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(Artificial Neural Network, ANN)을 반복적으로 학습시킴으로써, 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화)할 수 있다

이와 같이 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.

한편 학습 모델(a trained model)은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

한편 학습 모델(a trained model)은 인공 신경망의 학습 장치(1000)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 다른 장치로 전송되어 탑재될 수도 있다.

학습 모델(a trained model)을 다른 장치로 전송하는 경우, 인공 신경망의 학습 장치(1000)는 다른 장치와 통신하기 위한 통신부(미도시)를 포함할 수 있다.

도 2는 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치를 포함하는 시스템을 개략적으로 나타내는 도면이다.

본 명세서에서 세탁물은, 의복이나 이불, 인형과 같이 옷감을 포함하는 사물들을 통칭하는 의미로 사용될 수 있다.

도 2를 참조하면, 세탁물 처리 정보 제공 장치(10)는 단말기(20) 등을 통해 수신되는 이미지로부터 세탁물을 인식할 수 있다. 예컨대, 상기 이미지는 세탁물의 전체적인 외형을 포함할 수 있으나, 반드시 그러한 것은 아니다.

세탁물 처리 정보 제공 장치(10)는 외부 서버(40) 등을 통해 상기 인식된 세탁물에 대한 검색 동작을 수행하고, 검색 결과로서 상기 세탁물에 대한 세탁물 관리 정보를 획득할 수 있다. 예컨대, 상기 세탁물 관리 정보는 세탁물의 명칭, 색상, 재질, 세탁 방법, 관리 방법 등을 포함할 수 있다. 세탁물 처리 정보 제공 장치(10)는 상기 세탁물 관리 정보에 기초하여 후술할 세탁물 처리 정보를 생성할 수 있다.

세탁물 처리 정보 제공 장치(10)는, 상기 획득된 세탁물 관리 정보에 기초하여 상기 세탁물에 대한 세탁물 처리 정보를 생성할 수 있다. 예컨대, 상기 세탁물 처리 정보는 세탁물 처리 기기(30)의 구동을 위한 모드, 설정값(온도, 시간 등) 등의 세탁 제어 변수들을 포함할 수 있다. 생성된 세탁물 처리 정보는 세탁물 처리 기기(30)로 제공될 수 있고, 세탁물 처리 기기(30)는 상기 세탁물 처리 정보에 기초하여 구동 환경을 설정하고, 사용자 입력 등에 의해 세탁물의 처리와 관련된 동작을 수행할 수 있다.

실시 예에 따라, 세탁물 처리 정보 제공 장치(10)는 단말기(20) 등으로부터 세탁물과 관련된 다양한 형태의 정보를 수신하고, 수신된 정보에 기초하여 상기 세탁물에 대한 세탁물 처리 정보를 생성할 수도 있다. 예를 들어, 상기 정보는 세탁물의 태그를 포함하는 이미지, 세탁물의 명칭 등 식별 정보를 포함하는 텍스트, 세탁물을 지칭하는 음성 등의 다양한 형태를 가질 수 있다.

이러한 세탁물 처리 정보 제공 장치(10)는 네트워크를 통해 단말기(20), 세탁물 처리 기기(30), 외부 서버(40) 등과 연결되는 적어도 하나의 서버로 구현될 수 있으나, 반드시 그러한 것은 아니다. 실시 예에 따라, 세탁물 처리 정보 제공 장치(10)는 단말기(20) 또는 세탁물 처리 기기(30) 내에 구현될 수도 있다.

단말기(20)는 네트워크를 통해 세탁물 처리 정보 제공 장치(10)와 연결되어, 세탁물을 포함하는 이미지 등 세탁물의 인식(또는 식별 등)과 관련된 정보를 세탁물 처리 정보 제공 장치(10)로 전송할 수 있다.

이러한 단말기(20)는 스마트폰, 태블릿 PC 등의 이동형 단말기, 및 PC 등의 고정형 단말기를 포함할 수 있다. 예컨대, 단말기(20)는 세탁물을 포함하는 이미지를 획득하기 위한 카메라를 포함할 수 있다. 또한, 단말기(20)에는 세탁물 처리 정보 제공 장치(10)와의 접속 및 세탁물의 인식과 관련된 정보의 전송 기능을 지원하는 애플리케이션이 설치되어 있을 수 있다.

세탁물 처리 기기(30)는 세탁물 처리 정보 제공 장치(10)로부터 세탁물 처리 정보를 수신하고, 수신된 세탁물 처리 정보에 기초하여 세탁물의 처리(treating)와 관련된 다양한 동작을 수행할 수 있다. 예컨대, 세탁물 처리 기기(30)는 세탁물에 대한 세탁, 헹굼, 탈수 등의 행정을 수행하는 세탁기, 세탁물의 건조 기능을 제공하는 건조기를 포함할 수 있다. 또한, 세탁물 처리 기기(30)는 세탁물(특히 의류)의 살균, 탈취, 먼지 제거, 주름 관리 등의 기능을 제공하는 의류 관리기를 포함할 수 있다. 그 밖에도, 세탁물 처리 기기(30)는 세탁물의 처리를 수행하는 다양한 기기들을 포함할 수 있다.

이 경우, 세탁물 처리 정보 제공 장치(10)가 제공하는 세탁물 처리 정보는, 세탁물 처리 기기(30)의 종류에 따라 서로 다를 수 있다.

예컨대, 세탁물 처리 기기(30)가 세탁기인 경우 상기 세탁물 처리 정보는 구동 모드(코스), 물온도, 시간(총 시간, 세탁 행정 시간, 헹굼 행정 시간, 탈수 행정 시간 등), 횟수(헹굼 횟수 등) 등과 관련된 설정 정보를 포함할 수 있다.

한편, 세탁물 처리 기기(30)가 건조기인 경우, 상기 세탁물 처리 정보는 구동 모드, 시간, 건조 온도 등과 관련된 설정 정보를 포함할 수 있다. 세탁물 처리 기기(30)가 의류 관리기인 경우, 세탁물 처리 정보는 구동 모드, 시간, 복수의 기능들 각각의 활성화/비활성화 등과 관련된 설정 정보를 포함할 수 있다.

외부 서버(40)는 세탁물 처리 정보 제공 장치(10)와 연결되어, 세탁물 처리 정보의 생성과 관련된 다양한 정보를 제공할 수 있다. 예컨대, 외부 서버(40)는 검색 서비스(포털 등)의 제공을 위한 서버이거나, 전자상거래 서비스 등의 제공을 위한 서버일 수 있다. 실시 예에 따라, 외부 서버(40)는 세탁물과 관련된 다양한 데이터를 저장하는 데이터베이스 서버일 수도 있다.

이하, 도 3을 참조하여 세탁물 처리 정보 제공 장치(10)의 구성에 대해 설명한다.

도 3은 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치의 개략적인 블록도이다.

도 3을 참조하면, 세탁물 처리 정보 제공 장치(10)는 제어부(110), 통신부(120), 메모리(130), 세탁물 인식 모듈(140), 세탁물 관리 정보 획득 모듈(150), 및 세탁물 처리 정보 생성 모듈(160)을 포함할 수 있다. 다만, 도 3에 도시된 구성 요소들에 의해 세탁물 처리 정보 제공 장치(10)가 한정되는 것은 아닌 바, 세탁물 처리 정보 제공 장치(10)는 보다 많은 구성 요소들을 포함할 수도 있다.

제어부(110)는 세탁물 처리 정보 제공 장치(10)에 포함된 구성 요소들의 전반적인 동작을 제어할 수 있다. 이러한 제어부(110)는 적어도 하나의 프로세서(또는 컨트롤러)를 포함할 수 있다. 예컨대, 하드웨어적으로 설명하면, 제어부(110)는 적어도 하나의 CPU, AP(application processor), ASIC(application specific integrated circuit), 집적 회로, 마이크로컴퓨터 등으로 구현될 수 있다.

통신부(120)는 세탁물 처리 정보 제공 장치(10)를 네트워크를 통해 단말기(20), 세탁물 처리 기기(30), 외부 서버(40) 등 다양한 기기들과 연결하기 위한 적어도 하나의 통신 모듈을 포함할 수 있다. 예컨대, 통신부(120)는 LTE(long term evolution) 등의 이동통신 기술표준에 따른 통신방식을 지원하는 이동통신 모듈, WLAN(Wireless LAN), Wi-Fi 등의 무선 인터넷 기술에 따른 통신방식을 지원하는 무선 인터넷 모듈 등을 포함할 수 있다. 또한, 통신부(110)는 블루투스(Bluetooth), Wi-Fi Direct 등의 근거리 통신기술에 따른 통신방식을 지원하는 근거리 통신 모듈을 포함할 수 있다.

메모리(130)는 세탁물 처리 정보 제공 장치(10)의 동작과 관련된 제어 데이터, 알고리즘, 프로그램 데이터 등을 저장할 수 있다. 또한, 메모리(130)는 단말기(20)나 외부 서버(40) 등으로부터 수신되는 다양한 데이터를 저장할 수 있다.

실시 예에 따라, 메모리(130)는 다양한 세탁물들 각각에 대한 세탁물 관리 정보 및 세탁물 처리 정보를 저장 및 관리하는 데이터베이스를 포함할 수도 있다.

세탁물 인식 모듈(140)은 단말기(20) 등으로부터 수신된 세탁물의 인식(또는 식별 등)과 관련된 정보로부터 상기 세탁물을 인식할 수 있다.

예컨대, 세탁물 인식 모듈(140)은 단말기(20)로부터 수신된 세탁물을 포함하는 이미지(이하, “세탁물 이미지”라 함)로부터 세탁물을 인식할 수 있다.

특히, 세탁물 인식 모듈(140)은 인공지능(artificial intelligence)의 일 분야인 머신 러닝 기반의 이미지 인식 모델을 이용하여, 상기 세탁물 이미지로부터 세탁물을 인식할 수 있다. 예컨대, 이미지 인식 모델은 하드웨어, 소프트웨어, 또는 이들의 조합으로 구현되는 인공 신경망(ANN)을 포함할 수 있다. 예를 들어, 상기 인공 신경망은 딥러닝(deep learning)으로 학습된 CNN(convolutional neural network)을 포함할 수 있으나, 이에 한정되는 것은 아니고 다양한 형태의 인공 신경망을 포함할 수 있다.

예컨대, 세탁물 인식 모듈(140)은 상기 세탁물 이미지를 처리하여 색상, 패턴 등의 특징점들을 추출하고, 추출된 특징점들을 상기 인공 신경망에 입력하여 세탁물을 인식할 수 있다. 예컨대, 상기 복수의 특징점들은 색상, 픽셀 패턴, 텍스트, 브랜드 심볼(또는 마크 등), 세탁물의 형상, 외곽선, 또는 윤곽선 등을 포함할 수 있다. 이 경우, 세탁물 인식 결과는 세탁물의 제품명, 종류, 재질, 색상, 브랜드 등의 세탁물과 관련된 정보 중 적어도 하나를 포함할 수 있다.

한편, 세탁물 인식 모듈(140)은 상기 세탁물 이미지를 이용하여 세탁물을 인식할 때마다, 상기 추출된 복수의 특징점들 및 인식 결과를 추가하여 인공 신경망 구조를 업데이트할 수 있다.

세탁물 인식 모듈(140)의 세탁물 인식 동작과 관련된 실시 예에 대해서는 추후 도 5를 통해 설명하기로 한다.

세탁물 관리 정보 획득 모듈(150)은, 세탁물 인식 모듈(140)의 세탁물 인식 결과를 이용하여 상기 세탁물에 대한 세탁물 관리 정보를 획득할 수 있다.

구체적으로, 세탁물 관리 정보 획득 모듈(150)은 외부 서버(40)를 통해 상기 세탁물 인식 결과를 이용한 검색 동작을 수행할 수 있다. 예컨대, 세탁물 관리 정보 획득 모듈(150)은 상기 세탁물 인식 결과를 포함하는 키워드를 통해 적어도 하나의 검색 결과를 획득할 수 있다. 상기 적어도 하나의 검색 결과 각각은 상기 키워드와 관련된 이미지를 포함할 수 있으나, 반드시 그러한 것은 아니다.

세탁물 관리 정보 획득 모듈(150)은 획득된 적어도 하나의 검색 결과 중, 세탁물 이미지에 포함된 세탁물과 대응하는 검색 결과를 확인할 수 있다.

예컨대, 세탁물 관리 정보 획득 모듈(150)은 적어도 하나의 검색 결과 각각에 포함된 이미지에 대해 기 공지된 이미지 분석 알고리즘을 적용하여, 상기 세탁물 이미지에 포함된 세탁물과 일치하거나 유사도가 가장 높은 이미지를 포함하는 검색 결과를 상기 세탁물과 대응하는 검색 결과로 확인할 수 있다.

또는, 세탁물 관리 정보 획득 모듈(150)은 상기 적어도 하나의 검색 결과를 사용자의 단말기(20)로 전송할 수 있다. 단말기(20)는 수신된 적어도 하나의 검색 결과를 디스플레이 등을 통해 출력하고, 사용자로부터 상기 적어도 하나의 검색 결과 중 상기 세탁물과 대응하는 검색 결과에 대한 선택 입력을 수신할 수 있다. 단말기(20)는 선택된 검색 결과에 대한 정보를 세탁물 처리 정보 제공 장치(10)로 전송하고, 세탁물 관리 정보 획득 모듈(150)은 단말기(20)로부터 상기 정보를 수신함으로써 상기 세탁물과 대응하는 검색 결과를 확인할 수 있다.

세탁물 관리 정보 획득 모듈(150)은, 상기 확인된 검색 결과의 제공자(데이터베이스 서버, 제조사 서버, 웹사이트, 블로그, 소셜 미디어 사이트, 전자상거래 서비스 서버 등)에 접속하여, 상기 세탁물에 대한 세탁물 관리 정보를 획득할 수 있다. 도 2에서 상술한 바와 같이, 상기 세탁물 관리 정보는 세탁물의 명칭, 색상, 재질, 세탁 방법, 관리 방법 등을 포함할 수 있다.

세탁물 관리 정보 획득 모듈(150)의 동작과 관련된 실시 예는 추후 도 6 내지 도 7을 참조하여 보다 상세히 설명한다.

세탁물 처리 정보 생성 모듈(160)은, 세탁물 관리 정보 획득 모듈(150)에 의해 획득된 세탁물 관리 정보에 기초한 세탁물 처리 정보를 생성할 수 있다.

실시 예에 따라, 세탁물 처리 정보 생성 모듈(160)은 빅데이터 기술에 기반하여 구현될 수 있다.

빅데이터 기술이란, 단순히 데이터베이스에 구축된 규격화된 정형 데이터 뿐만 아니라, 웹 환경 등에서 규격이 일정하지 않은 비정형 데이터를 효과적으로 수집하고, 수집된 데이터를 분석하여 통계 정보, 예측 정보 등의 유용한 정보를 추출 및 제공하는 기술을 의미한다.

즉, 세탁물 처리 정보 생성 모듈(160) 또는 세탁물 처리 정보 제공 장치(10)와 별도로 구현된 데이터 수집 및 저장 장치는, 다양한 경로를 통해 제공되는 데이터 소스로부터 세탁물과 관련된 각종 정형 데이터 및 비정형 데이터를 수집하여 저장할 수 있다. 예컨대, 상기 정형 데이터는 복수의 사용자들의 단말기들 또는 세탁물 처리 기기들로부터 획득되는 세탁물, 세탁물 관리 정보, 및/또는 세탁물 처리 정보를 포함할 수 있다. 한편, 상기 비정형 데이터는 외부 서버(40; 예컨대 포털 서버, 전자상거래 서비스 서버, 소셜 미디어 서버 등)로부터 획득되는 세탁물과 관련된 다양한 형태의 데이터를 포함할 수 있다. 수집된 데이터는 데이터베이스에 저장될 수 있다.

즉, 세탁물 처리 정보 생성 모듈(160)은, 상기 세탁물 관리 정보에 기초하여, 데이터베이스에 저장된 데이터를 분석하고, 분석 결과에 따른 세탁물 처리 정보를 생성(또는 획득)할 수 있다.

예컨대, 세탁물 처리 정보 생성 모듈(160)은 데이터베이스에 저장된 다수의 데이터 중, 상기 세탁물 관리 정보와 대응(일치 또는 유사)하는 정보를 갖는 복수의 데이터를 추출하고, 추출된 복수의 데이터 내의 세탁물 처리 정보를 통계 분석하여 세탁물 처리 정보를 생성할 수 있다.

실시 예에 따라, 도 1에서 상술한 학습 장치(1000)와 유사하게, 세탁물 처리 정보 생성 모듈(160)은 데이터베이스에 저장된 다수의 데이터를 이용한 학습 동작을 통해 구축된 인공 신경망을 포함할 수 있다. 이 경우, 세탁물 처리 정보 생성 모듈(160)은 상기 세탁물 관리 정보를 인공 신경망에 입력하여 세탁물 처리 정보를 획득할 수도 있다.

생성된 세탁물 처리 정보는 사용자의 세탁물 처리 기기(30)의 종류에 대응할 수 있다. 세탁물 처리 정보 생성 모듈(160)과 관련된 실시 예에 대해서는 추후 도 8 내지 도 10을 참조하여 보다 상세히 설명한다.

제어부(110)는, 상기 생성된 세탁물 처리 정보를 세탁물 처리 기기(30)로 전송하도록 통신부(120)를 제어할 수 있다.

도 4는 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치의 세탁물 처리 정보 제공 동작을 설명하기 위한 플로우차트이다.

도 4를 참조하면, 세탁물 처리 정보 제공 장치(10)는 단말기(20) 등으로부터 세탁물 이미지를 수신하고(S100), 상기 세탁물 이미지에 포함된 세탁물을 인식할 수 있다(S110).

예컨대, 단말기(20)의 사용자는 단말기(20)의 카메라를 이용하여, 처리(예컨대, 세탁)하고자 하는 세탁물을 촬영할 수 있다. 단말기(20)는 상기 촬영에 의해 획득된 세탁물 이미지를 세탁물 처리 정보 제공 장치(10)로 전송할 수 있다.

세탁물 처리 정보 제공 장치(10)의 세탁물 인식 모듈(140)은, 상기 세탁물 이미지에 포함된 세탁물을 인식할 수 있다. 세탁물 인식 모듈(140)의 세탁물 인식 동작에 대해서는 추후 도 5를 통해 보다 구체적으로 설명한다.

세탁물 처리 정보 제공 장치(10)는 인식된 세탁물에 대한 세탁물 관리 정보를 획득할 수 있다(S120).

세탁물 처리 정보 제공 장치(10)의 세탁물 관리 정보 획득 모듈(150)은, 세탁물 인식 모듈(140)로부터 제공되는 세탁물 인식 결과와 관련된 키워드를 이용하여, 외부 서버(40) 등으로부터 적어도 하나의 검색 결과를 수신할 수 있다. 세탁물 관리 정보 획득 모듈(150)은 수신된 적어도 하나의 검색 결과 중 상기 인식된 세탁물과 대응하는 검색 결과를 확인하고, 확인된 검색 결과에 기초하여 세탁물 관리 정보를 획득할 수 있다.

S120 단계에 대해서는 추후 도 6 내지 도 7을 참조하여 보다 상세히 설명한다.

세탁물 처리 정보 제공 장치(10)는 획득된 세탁물 관리 정보에 기초한 세탁물 처리 정보를 생성하고(S130), 생성된 세탁물 처리 정보를 세탁물 처리 기기(30)로 전송할 수 있다(S140).

세탁물 처리 정보 생성 모듈(160)은, 상기 세탁물 관리 정보에 기초하여 세탁물 처리 정보를 생성할 수 있다.

도 3에서 상술한 바와 같이, 세탁물 처리 정보 생성 모듈(160)은 데이터베이스에 저장된 다수의 데이터 중, 상기 세탁물 관리 정보와 대응(일치 또는 유사)하는 정보를 갖는 복수의 데이터를 추출하고, 추출된 복수의 데이터 각각의 세탁물 처리 정보를 통계 분석하여 세탁물 처리 정보를 생성할 수 있다.

실시 예에 따라, 세탁물 처리 정보 생성 모듈(160)은 상기 데이터베이스에 저장된 다수의 데이터를 이용한 학습 동작을 통해 구축된 인공 신경망을 포함할 수 있다. 이 경우, 세탁물 처리 정보 생성 모듈(160)은 상기 세탁물 관리 정보를 인공 신경망에 입력하여 세탁물 처리 정보를 획득할 수도 있다.

S130 단계에 대해서는 추후 도 8 내지 도 10을 통해 보다 상세히 설명한다.

제어부(110)는 생성된 세탁물 처리 정보를 세탁물 처리 기기(30)로 전송하도록 통신부(120)를 제어할 수 있다. 세탁물 처리 기기(30)는 수신된 세탁물 처리 정보에 기초하여 구동 모드나 제어값들을 설정하여 세탁물 처리 기능을 제공할 수 있다.

또한, 세탁물 처리 정보 제공 장치(10)는 상기 인식된 세탁물, 획득된 세탁물 관리 정보, 및 생성된 세탁물 처리 정보를 포함하는 세탁물 데이터를 데이터베이스에 저장할 수 있다.

한편, 세탁물 처리 정보 제공 장치(10)는 추후 동일한 사용자로부터 동일한 세탁물을 포함하는 세탁물 이미지가 수신되는 경우, 세탁물 관리 정보의 획득 및 세탁물 관리 정보에 기초한 세탁물 처리 정보의 생성 동작 없이 종전에 획득하였던 세탁물 처리 정보를 곧바로 세탁물 처리 기기(30)로 제공할 수 있다.

도 5는 본 발명의 실시 예에 따른 세탁물 처리 정보 제공 장치가 세탁물 이미지에 포함된 세탁물을 인식하는 동작을 나타내는 예시도이다.

도 5를 참조하면, 세탁물 처리 정보 제공 장치(10)의 제어부(110)는 단말기(20) 등으로부터 세탁물 이미지(500)를 수신할 수 있다. 세탁물 이미지(500)는 세탁물(510)의 외형을 포함할 수 있다.

세탁물 인식 모듈(140)은, 세탁물 이미지(500)에 포함된 세탁물(510)에 대한 복수의 특징점들을 추출하는 이미지 분석기(142)와, 추출된 복수의 특징점들에 기초하여 세탁물(510)을 인식하는 세탁물 인식기(144)를 포함할 수 있다.

이미지 분석기(142)는 기 공지된 각종 이미지 처리/분석 알고리즘에 기초하여, 세탁물 이미지(500)에 포함된 세탁물(510)에 대한 복수의 특징점들을 추출할 수 있다. 예컨대, 상기 복수의 특징점들은 색상, 픽셀 패턴, 텍스트, 브랜드 심볼(또는 마크 등), 세탁물의 형상이나 외곽선, 윤곽선 등 세탁물(510)의 인식과 관련된 다양한 특징들을 포함할 수 있다.

세탁물 인식기(144)는 추출된 특징점들에 기초하여 세탁물(510)을 인식한 인식 결과(520)를 출력할 수 있다. 도 3에서 상술한 바와 같이, 세탁물 인식기(144)는 딥러닝으로 학습된 인공신경망을 포함할 수 있다. 도 5의 예에서, 세탁물 인식기(144)는 세탁물 이미지(500)로부터 추출된 복수의 특징점들에 기초하여 세탁물(510)의 인식 결과(520)로서 “검정 가죽 재킷”을 출력할 수 있다.

실시 예에 따라, 세탁물 인식기(144)는 복수의 인공신경망들을 포함할 수 있다. 복수의 인공신경망들 각각은 상기 복수의 특징점들 중 적어도 하나에 기초하여 세탁물에 대한 적어도 하나의 정보를 나타내는 출력 결과를 제공할 수 있다. 예컨대, 제1 인공신경망은 상기 복수의 특징점들 중 색상 및 픽셀 패턴에 기초하여 세탁물의 색상 및 재질에 대한 정보를 나타내는 출력 결과를 제공할 수 있다. 제2 인공신경망은 상기 복수의 특징점들 중 텍스트 및 브랜드 심볼에 기초하여 세탁물의 브랜드 정보를 나타내는 출력 결과를 제공할 수 있다. 이 경우, 세탁물의 인식 결과(520)는, 적어도 하나의 인공신경망 각각의 출력 결과가 조합됨에 따라 획득될 수 있다.

세탁물 인식 모듈(140)은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 세탁물 인식 모듈(140)이 소프트웨어로 구현되는 경우, 제어부(110)는 메모리(130)에 저장된 이미지 분석기(142) 및 세탁물 인식기(144) 각각의 프로그램 데이터를 로드하여 처리함으로써 세탁물 인식 모듈(140)이 지원하는 동작을 수행할 수 있다.

도 6은 세탁물 처리 정보 제공 장치가, 인식된 세탁물에 대한 세탁물 관리 정보를 획득하는 동작을 설명하기 위한 플로우차트이다.

도 6을 참조하면, 세탁물 처리 정보 제공 장치(10)의 세탁물 관리 정보 획득 모듈(150)은, 세탁물 인식 모듈(140)에 의해 인식된 세탁물과 관련된 적어도 하나의 검색 결과를 획득할 수 있다(S122).

세탁물 관리 정보 획득 모듈(150)은 통신부(120)를 통해 연결된 외부 서버(40)로부터, 상기 세탁물의 인식 결과를 이용하여 검색 동작을 수행할 수 있다. 세탁물 관리 정보 획득 모듈(150)은 세탁물 인식 모듈(140)로부터 제공되는 인식 결과에 대응하는 키워드를 상기 외부 서버(40)로 전송함으로써 검색 동작을 수행할 수 있다.

예컨대 외부 서버(40)는 다양한 세탁물들에 대한 정보를 갖는 데이터베이스 서버이거나, 검색 서비스를 제공하는 검색 서버, 전자상거래 서비스 제공 서버 등을 포함할 수 있다.

세탁물 관리 정보 획득 모듈(150)은, 외부 서버(40)로부터 상기 인식된 세탁물과 관련된 적어도 하나의 검색 결과를 수신할 수 있다. 예컨대, 외부 서버(40)는 세탁물 처리 정보 제공 장치(10)로부터 제공된 키워드를 포함하거나 상기 키워드와 관련된 적어도 하나의 검색 결과를 추출할 수 있다.

추출된 적어도 하나의 검색 결과 각각은 상기 세탁물 또는 키워드와 관련된 세탁물의 이미지를 포함할 수 있다.

실시 예에 따라, 상기 적어도 하나의 검색 결과 각각은, 상기 세탁물 또는 키워드와 관련된 세탁물에 대한 다양한 정보(세탁물의 이미지, 제품명, 브랜드, 재질, 색상, 사이즈, 가격, 관리 방법, 세탁 방법 등)를 포함할 수 있다.

세탁물 관리 정보 획득 모듈(150)은, 획득된 적어도 하나의 검색 결과 중, 상기 인식된 세탁물과 대응하는 검색 결과를 확인할 수 있다(S124).

세탁물 관리 정보 획득 모듈(150)은 상기 적어도 하나의 검색 결과 중, 상기 인식된 세탁물과 대응하는 세탁물에 대한 정보를 갖는 검색 결과를 추출할 수 있다. 상기 인식된 세탁물과 대응하는 세탁물이란, 상기 인식된 세탁물과 일치하는 세탁물을 의미할 수 있으나, 일치하지 않더라도 재질 및/또는 색상이 일치하는 세탁물을 의미할 수도 있다. 예컨대, 세탁물 관리 정보 획득 모듈(150)은 적어도 하나의 검색 결과 각각에 포함된 이미지를 처리/분석하여, 도 4의 S100 단계에서 수신된 세탁물 이미지와의 유사도가 가장 높은 어느 하나의 이미지에 대응하는 검색 결과를 추출할 수 있다.

실시 예에 따라, 세탁물 처리 정보 제공 장치(10)는 상기 적어도 하나의 검색 결과를 단말기(20)로 전송할 수 있다. 단말기(20)는 수신된 적어도 하나의 검색 결과를 디스플레이 등을 통해 출력하고, 사용자는 출력된 적어도 하나의 검색 결과 중 인식된 세탁물과 일치하는 세탁물에 대한 정보를 갖는 검색 결과를 선택할 수 있다. 단말기(20)는 선택된 검색 결과에 대한 정보를 세탁물 처리 정보 제공 장치(10)로 전송할 수 있다. 세탁물 관리 정보 획득 모듈(150)은, 단말기(20)로부터 수신된 정보에 기초하여, 상기 인식된 세탁물과 대응하는 검색 결과를 확인할 수 있다.

세탁물 관리 정보 획득 모듈(150)은, 확인된 검색 결과에 기반한 세탁물 관리 정보를 획득할 수 있다(S126).

세탁물 관리 정보 획득 모듈(150)은, 인식된 세탁물과 대응하는 검색 결과의 제공자(데이터베이스 서버, 제조사 서버, 웹사이트, 블로그, 소셜 미디어 사이트, 전자상거래 서비스 서버 등)에 접속하여, 상기 검색 결과에 대응하는 세탁물에 대한 세탁물 관리 정보를 획득할 수 있다. 상술한 바와 같이, 상기 세탁물 관리 정보는 세탁물의 명칭(제품명), 색상, 재질, 세탁 방법, 관리 방법 등을 포함할 수 있다.

실시 예에 따라, 상기 검색 결과 내에 세탁물 관리 정보가 포함된 경우, 세탁물 관리 정보 획득 모듈(150)은 상기 검색 결과로부터 세탁물 관리 정보를 획득할 수 있다.

도 7은 도 6에 도시된 세탁물 처리 정보 제공 장치의 동작과 관련된 예시도이다.

도 7을 참조하면, 세탁물 관리 정보 획득 모듈(150)은 세탁물 인식 모듈(140)의 인식 결과(예컨대, “검정 가죽 재킷”; 도 5의 520)에 기초하여, 외부 서버(40)로부터 적어도 하나의 검색 결과(701~705)를 획득할 수 있다.

상기 적어도 하나의 검색 결과(701~705) 각각은, 상기 인식 결과(520)와 관련된 세탁물의 이미지를 포함할 수 있다.

세탁물 관리 정보 획득 모듈(150)은 획득된 적어도 하나의 검색 결과(701~705)를 사용자의 단말기(20)로 전송할 수 있다. 단말기(20)는 수신된 적어도 하나의 검색 결과(701~705) 중 인식된 세탁물과 대응하는 검색 결과의 선택 입력을 수신하기 위한 검색 결과 화면(700)을 디스플레이를 통해 출력할 수 있다. 상기 검색 결과 화면(700)은 상기 적어도 하나의 검색 결과(701~705)를 포함할 수 있다.

사용자는 디스플레이를 통해 출력된 검색 결과 화면(700)에 기초하여, 인식된 세탁물과 대응하는 검색 결과(704)를 선택할 수 있다. 단말기(20)는 선택된 검색 결과(704)에 대한 정보를 세탁물 처리 정보 제공 장치(10)로 전송할 수 있다.

세탁물 관리 정보 획득 모듈(150)은, 단말기(20)로부터 수신된 정보에 기초하여, 검색 결과(704)의 제공자(데이터베이스 서버, 제조사 서버, 웹사이트, 블로그, 소셜 미디어 사이트, 전자상거래 서비스 서버 등)로부터 검색 결과(704)에 대응하는 세탁물(제품)의 제품 정보(710)를 획득할 수 있다. 예컨대, 제품 정보(710)는 제품명(711), 색상(712), 사이즈, 소재(재질; 713), 제조자, 제조국, 세탁방법(714) 등을 포함할 수 있다.

세탁물 관리 정보 획득 모듈(150)은, 제품 정보(710)에 기초하여 세탁물 관리 정보를 획득할 수 있다. 예컨대, 세탁물 관리 정보 획득 모듈(150)은 제품 정보(710) 중 제품명(711), 색상(712), 소재(713), 및 세탁방법(714)을 포함하는 세탁물 관리 정보를 획득할 수 있다.

도 8은 세탁물 처리 정보 제공 장치가, 획득된 세탁물 관리 정보에 기초하여 세탁물 처리 정보를 생성하는 동작을 설명하기 위한 플로우차트이다.

도 8 내지 도 10에서는, 세탁물 처리 정보 생성 모듈(150)은 빅데이터 기술에 기반하여 세탁물 처리 정보를 생성하는 예를 설명한다.

도 8을 참조하면, 세탁물 처리 정보 제공 장치(10)의 세탁물 처리 정보 생성 모듈(160)은, 세탁물 관리 정보 획득 모듈(150)에 의해 획득된 세탁물 관리 정보와 관련된 복수의 세탁물 데이터를 데이터베이스(DB)로부터 획득할 수 있다(S132).

상기 데이터베이스는 세탁물 처리 정보 제공 장치(10)의 메모리(130)에 포함되거나, 세탁물 처리 정보 제공 장치(10)와 연결된 외부 서버(40)에 포함될 수 있다. 상기 데이터베이스는, 세탁물의 식별 정보, 관리 정보, 처리 정보(세탁물 처리 기기(30)의 설정값, 동작 모드 등) 등을 각각 포함하는 다수의 세탁물 데이터를 포함할 수 있다. 상기 다수의 세탁물 데이터 각각은, 세탁물들과 관련하여 다양한 경로를 통해 제공되는 각종 정형 데이터 및/또는 비정형 데이터를 포함할 수 있다. 예컨대, 상기 정형 데이터는 복수의 사용자들의 단말기들이나 세탁물 처리 기기들로부터 수신되는 세탁물 정보(세탁물, 세탁물 관리 정보, 및/또는 세탁물 처리 정보(설정값, 동작 모드 등))를 포함할 수 있다. 한편, 비정형 데이터는 외부 서버(40; 예컨대, 포털 서버, 전자상거래 서비스 서버, 소셜 미디어 서버 등)로부터 획득되는 세탁물과 관련된 규격화되지 않은 다양한 형태의 데이터(예컨대, 세탁물의 처리나 관리 방법을 나타내는 텍스트 등)를 포함할 수 있다.

세탁물 처리 정보 생성 모듈(160)은, 상기 데이터베이스에 저장된 다양한 세탁물 데이터 중, 세탁물 관리 정보 획득 모듈(150)에 의해 획득된 세탁물 관리 정보와 관련된 복수의 세탁물 데이터를 획득할 수 있다.

예컨대, 세탁물 처리 정보 생성 모듈(160)은, 상기 세탁물 관리 정보에 포함된 제품명, 색상, 재질, 관리방법, 및 세탁방법 중 적어도 일부가 일치하는 복수의 세탁물 데이터를, 상기 세탁물 관리 정보와 관련된 복수의 세탁물 데이터로서 획득할 수 있다.

세탁물 처리 정보 생성 모듈(160)은 획득된 복수의 세탁물 데이터 각각의 세탁물 처리 정보에 기초하여, 인식된 세탁물의 세탁물 처리 정보를 생성할 수 있다(S134).

획득된 복수의 세탁물 데이터 각각에는, 대응하는 세탁물에 대한 세탁물 처리 정보가 포함될 수 있다.

예컨대, 세탁물 데이터가 정형 데이터인 경우, 상기 세탁물 처리 정보는 해당 세탁물에 대한 세탁물 처리 기기(30)의 세탁물 처리 동작 시 설정값(예컨대, 세탁시간, 헹굼횟수 등)이나 동작 모드(세탁코스 등) 등과 같은 세탁 제어 변수들에 대한 정보를 포함할 수 있다.

한편, 세탁물 데이터가 비정형 데이터인 경우, 세탁물 처리 정보 생성 모듈(160)은 상기 세탁물 데이터에 포함된 각종 정보 중, 세탁물 처리 기기(30)의 세탁물 처리 동작과 관련된 정보를 추출하고, 추출된 정보를 이용하여 세탁물 처리 기기(30)의 세탁 제어 변수들에 대한 정보를 생성할 수 있다. 실시 예에 따라서는, 데이터베이스가 상기 비정형 데이터의 저장 시 세탁물 처리 기기(30)의 상기 세탁 제어 변수들에 대한 정보를 생성하고, 상기 생성된 정보와 상기 비정형 데이터를 포함하는 세탁물 데이터를 저장할 수도 있다.

세탁물 처리 정보 생성 모듈(160)은 복수의 세탁물 데이터 각각의 세탁물 처리 정보를 분석하여, 인식된 세탁물에 대한 세탁물 처리 정보를 생성할 수 있다.

예컨대, 세탁물 처리 정보 생성 모듈(160)은 복수의 세탁물 데이터 각각의 세탁물 처리 정보를 각종 통계 분석 기법을 이용하여 분석할 수 있다. 분석 결과에 따라, 세탁물 처리 정보 생성 모듈(160)은 세탁물 처리 기기(30)의 세탁 제어 변수들을 결정하고, 결정된 세탁 제어 변수들을 포함하는 세탁물 처리 정보를 생성할 수 있다. 이에 따라, 세탁물 처리 정보 생성 모듈(160)은 인식된 세탁물에 대한 최적의 세탁물 처리 정보를 제공할 수 있다.

세탁물 처리 정보 제공 장치(10)는 생성된 세탁물 처리 정보를 세탁물 처리 기기(30)로 전송할 수 있다.

도 9는 세탁물 처리 정보 제공 장치에 포함된 세탁물 처리 정보 생성 모듈이 빅데이터 기술에 기반하여 구현되는 실시 예를 나타내는 도면이다. 도 10은, 도 9의 실시 예에 따라 구현된 세탁물 처리 정보 생성 모듈을 포함하는 세탁물 처리 정보 생성 장치의 세탁물 처리 정보 생성 동작을 나타내는 예시도이다.

도 9의 실시 예에서, 세탁물 처리 정보 생성 모듈(160)은 세탁물과 관련된 다양한 데이터의 수집 동작, 및 수집된 데이터에 기반한 다수의 세탁물 데이터를 데이터베이스(DB)에 구축 및 관리하는 동작까지도 수행하는 것으로 가정한다. 다만, 실시 예에 따라 도 9의 데이터 수집 모듈(162)과 데이터베이스(DB)는 세탁물 처리 정보 제공 장치(10)와 연결된 외부 서버(40)에 구현될 수도 있다.

도 9를 참조하면, 세탁물 처리 정보 생성 모듈(160)은 데이터 수집 모듈(162) 및 데이터 분석 모듈(164)을 포함할 수 있다.

데이터 수집 모듈(162)은 다양한 경로를 통해 획득되는 데이터 소스로부터 세탁물과 관련된 데이터(세탁물 데이터)를 수집할 수 있다.

상술한 바와 같이, 상기 데이터 소스는 세탁물 처리 기기들이나 사용자 단말기들, 또는 세탁물 처리 기기의 제조사 서버 등을 통해 획득되는 정형 데이터를 포함할 수 있다. 상기 정형 데이터는, 세탁물 처리 기기(30)의 세탁물 처리 동작 시 설정값(세탁시간, 헹굼횟수 등)이나 동작 모드(세탁코스 등) 등을 포함하는 세탁 제어 변수들에 대한 정보를 포함할 수 있다. 한편, 상기 정형 데이터는 세탁물 처리 기기의 제조사 서버 등에 저장되는 내부 데이터에 해당할 수 있다.

또한, 상기 데이터 소스는 외부 서버(40; 예컨대, 포털 서버, 전자상거래 서비스 서버, 소셜 미디어 서버 등) 등으로부터 획득되는 세탁물과 관련된 규격화되지 않은 비정형 데이터를 포함할 수 있다. 예를 들어, 상기 비정형 데이터는 세탁물의 처리나 관리 방법을 나타내는 텍스트 등을 포함할 수 있다.

예컨대, 데이터 수집 모듈(162)은 정형 데이터가 저장된 DBMS (DataBase Management System) 등으로부터 하둡 분산 파일 시스템(Hadoop Distributed File System (HDFS))으로 상기 정형 데이터를 전송 가능하도록 설계된 스쿱(Sqoop), 또는 세탁물 처리 기기의 제조사 서버(또는 제조사 DB)와 연결하여 상기 내부 데이터를 수집하는 DB Connector 등의 정형 데이터 수집 도구를 이용하여, 상기 정형 데이터를 수집할 수 있다.

또한, 데이터 수집 모듈(162)은 Nutch 등의 오픈소스 웹 검색 엔진, 플룸(Flume) 등의 로그 데이터 수집 에이전트, 또는 검색 서비스 업체의 API (Application Program Interface) 등의 비정형 데이터 수집 도구를 이용하여 상기 비정형 데이터를 수집할 수 있다.

데이터베이스(DB)는 데이터 수집 모듈(162)에 의해 수집된 정형 데이터 및 비정형 데이터에 기초하여 구축되는 다수의 세탁물 데이터를 저장할 수 있다. 예컨대, 데이터베이스(DB)는 상기 HDFS으로 구현될 수 있고, 이 경우 상기 다수의 세탁물 데이터는 네트워크에 연결된 복수의 기기들에 분산 저장될 수 있다.

상기 다수의 세탁물 데이터는 상기 정형 데이터 및 비정형 데이터 자체를 의미할 수 있다. 실시 예에 따라, 상기 다수의 세탁물 데이터는 상기 정형 데이터 및/또는 비정형 데이터로부터 상술한 세탁 제어 변수들에 대한 정보를 추출 또는 생성한 것일 수 있다. 이 경우, 상기 정형 데이터 및/또는 비정형 데이터로부터 상기 세탁 제어 변수들에 대한 정보를 추출 또는 생성하기 위한 모듈이 더 포함될 수 있다.

데이터 분석 모듈(164)은 데이터베이스(DB)에 저장된 다수의 세탁물 데이터 중, 세탁물 관리 정보 획득 모듈(150)에 의해 획득된 세탁물 관리 정보와 관련된 복수의 세탁물 데이터를 추출하고, 추출된 복수의 세탁물 데이터에 기초하여 분석 결과(세탁물 처리 정보)를 제공할 수 있다.

예컨대, 데이터 분석 모듈(164)은 R이나 파이썬(Python) 등의 통계 분석용 프로그래밍 언어 기반으로 구현될 수 있다. 또는, 데이터 분석 모듈(164)은 머하웃(Mahout) 등의 머신러닝용 라이브러리 등을 이용하여 다수의 세탁물 데이터를 학습함에 따라 구축되는 학습 모델을 포함할 수도 있다.

즉, 데이터 분석 모듈(164)은 추출된 복수의 세탁물 데이터의 통계 분석을 통해 최적의 분석 결과, 즉 최적의 세탁물 처리 정보를 생성하여 제공할 수 있다. 또는, 데이터 분석 모듈(164)은 다수의 세탁물 데이터를 통해 학습된 학습 모델을 통해, 상기 세탁물 관리 정보에 대한 최적의 세탁물 처리 정보를 생성하여 제공할 수 있다.

상술한 바와 같이, 상기 세탁물 처리 정보는 세탁물 처리 기기(30)의 구동을 위한 모드, 설정값(온도, 시간 등) 등의 세탁 제어 변수들을 포함할 수 있다.

이에 기초하여 도 10의 예를 살펴보면, 데이터 분석 모듈(164)은 데이터베이스(DB)에 저장된 다수의 세탁물 데이터 중, 상기 세탁물 관리 정보와 관련된 복수의 세탁물 데이터(DATA)를 획득할 수 있다.

여기서, 상기 세탁물 관리 정보는 도 7에서 상술한 제품명(711), 색상(712), 소재(713), 및 세탁방법(714)을 포함하는 것으로 가정한다. 이 경우, 데이터베이스(DB)의 관리 도구는, 데이터베이스(DB)에 저장된 다수의 세탁물 데이터 중 상기 제품명(711), 색상(712), 소재(713), 및 세탁방법(714) 중 적어도 하나와 동일 또는 유사한 정보를 갖는 복수의 세탁물 데이터(DATA)를 추출하고, 추출된 복수의 세탁물 데이터(DATA)를 데이터 분석 모듈(164)로 제공할 수 있다.

예컨대, 세탁물 데이터는 대응하는 세탁물에 대한 세탁물 정보(910) 및 세탁물 처리 정보(920)를 포함할 수 있다. 세탁물 정보(910)는 제품명(911), 색상(912), 소재(913), 및 세탁물 관리 정보(914~916) 중 적어도 하나를 포함할 수 있다. 세탁물 처리 정보(920)는 세탁코스(921), 물온도(922), 시간(923) 등 세탁물 처리 기기(30)의 동작과 관련된 다양한 세탁 제어 변수들을 포함할 수 있다.

데이터 분석 모듈(164)은, 획득된 복수의 세탁물 데이터(DATA) 각각의 세탁물 정보(910) 및 세탁물 처리 정보(920)에 기초하여, 인식된 세탁물에 대한 세탁물 처리 정보(SET_INFO)를 생성할 수 있다.

예컨대, 데이터 분석 모듈(164)은 획득된 복수의 세탁물 데이터(DATA) 각각의 세탁물 처리 정보(920)를 통계 분석하고, 분석 결과에 따라 빈도수가 가장 높은 세탁 제어 변수들을 포함하는 세탁물 처리 정보(SET_INFO)를 생성할 수 있다.

또는, 데이터 분석 모듈(164)은 상기 세탁물 관리 정보와 세탁물 정보(910) 간의 동일성에 기초하여 세탁물 데이터 각각의 세탁물 처리 정보(920)에 대한 가중치를 부여하고, 가중치가 부여된 세탁물 처리 정보(920)의 통계 분석을 통해 세탁물 처리 정보(SET_INFO)를 생성할 수도 있다.

예컨대, 생성된 세탁물 처리 정보(SET_INFO)는 세탁물 처리 기기(30)의 세탁코스를 '손세탁코스'로 설정하고, 세탁수 온도를 '냉온'으로 설정하며, 세탁시간을 '45분'으로 설정하는 설정값들을 포함할 수 있다. 세탁물 처리 정보 제공 장치(10)는 생성된 세탁물 처리 정보(SET_INFO)를 세탁물 처리 기기(30)로 전송할 수 있다. 세탁물 처리 기기(30)는 수신된 세탁물 처리 정보(SET_INFO)에 기초하여 상기 세탁코스, 세탁수 온도, 및 세탁시간을 자동으로 설정함으로써, 인식된 세탁물에 대한 최적의 세탁물 처리 동작을 제공할 수 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

사용자의 단말기 및 외부 서버와 연결하기 위한 통신부;
세탁물 이미지에 포함된 세탁물을 인식하는 세탁물 인식 모듈;
상기 세탁물의 인식 결과에 기초한 세탁물 관리 정보를 획득하는 세탁물 관리 정보 획득 모듈; 및
상기 세탁물 관리 정보, 및 데이터베이스에 저장된 다수의 세탁물 데이터에 기초하여, 상기 인식된 세탁물에 대한 세탁물 처리 기기의 세탁물 처리 동작을 위한 세탁물 처리 정보를 생성하는 세탁물 처리 정보 생성 모듈을 포함하는 세탁물 처리 정보 제공 장치.
제1항에 있어서,
상기 세탁물 인식 모듈은,
상기 세탁물 이미지에 대한 이미지 처리를 통해 상기 세탁물에 대한 복수의 특징들을 추출하는 이미지 분석기; 및
추출된 복수의 특징들에 기초하여 상기 세탁물의 인식 결과를 제공하는 세탁물 인식기를 포함하는 세탁물 처리 정보 제공 장치.
제2항에 있어서,
상기 복수의 특징들은,
상기 세탁물의 색상, 픽셀 패턴, 텍스트, 브랜드 심볼, 형상, 외곽선, 윤곽선 중 적어도 하나를 포함하는 세탁물 처리 정보 제공 장치.
제3항에 있어서,
상기 세탁물 인식 모듈은,
상기 복수의 특징들 및 상기 세탁물의 인식 결과에 기초하여 상기 세탁물 인식기를 업데이트하는 세탁물 처리 정보 제공 장치.
제2항에 있어서,
상기 세탁물의 인식 결과는,
상기 세탁물의 제품명, 종류, 재질, 색상, 및 브랜드 중 적어도 하나를 포함하는 세탁물 처리 정보 제공 장치.
제1항에 있어서,
상기 세탁물 관리 정보 획득 모듈은,
상기 세탁물의 인식 결과에 기초한 적어도 하나의 검색 결과를 상기 외부 서버로부터 수신하고,
수신된 적어도 하나의 검색 결과 중 상기 인식된 세탁물에 대응하는 검색 결과를 확인하고,
확인된 검색 결과의 제공자로부터 상기 세탁물 관리 정보를 수신하는 세탁물 처리 정보 제공 장치.
제6항에 있어서,
상기 세탁물 관리 정보 획득 모듈은,
상기 수신된 적어도 하나의 검색 결과를 상기 통신부를 통해 상기 단말기로 전송하고,
상기 단말기로부터 상기 적어도 하나의 검색 결과 중 상기 인식된 세탁물에 대응하는 상기 검색 결과에 대한 정보를 수신함으로써, 상기 검색 결과를 확인하는 세탁물 처리 정보 제공 장치.
제1항에 있어서,
상기 세탁물 처리 정보 생성 모듈은,
상기 데이터베이스에 저장된 상기 다수의 세탁물 데이터 중, 상기 세탁물 관리 정보와 관련된 적어도 하나의 세탁물 데이터를 획득하고,
획득된 적어도 하나의 세탁물 데이터 각각의 세탁물 처리 정보에 기초하여, 상기 인식된 세탁물에 대한 상기 세탁물 처리 정보를 생성하는 세탁물 처리 정보 제공 장치.
제8항에 있어서,
상기 세탁물 관리 정보는,
상기 세탁물의 제품명, 색상, 재질, 세탁 방법, 및 관리 방법 중 적어도 하나의 항목에 대한 정보를 포함하고,
상기 세탁물 처리 정보 생성 모듈은,
상기 데이터베이스에 저장된 상기 다수의 세탁물 데이터 중, 상기 세탁물 관리 정보에 포함된 적어도 하나의 항목 중 적어도 일부가 일치하는 상기 적어도 하나의 세탁물 데이터를 획득하는 세탁물 처리 정보 제공 장치.
제1항에 있어서,
상기 세탁물 처리 정보 생성 모듈은,
상기 생성된 세탁물 처리 정보를 상기 세탁물 처리 기기 또는 상기 단말기로 전송하도록 상기 통신부를 제어하는 세탁물 처리 정보 제공 장치.
제1항에 있어서,
상기 세탁물 처리 정보는,
상기 세탁물 처리 기기의 세탁물 처리 동작과 관련된 제어 변수들을 포함하는 세탁물 처리 정보 제공 장치.
제11항에 있어서,
상기 세탁물 처리 정보 생성 모듈은,
세탁물 처리 기기들, 단말기들, 및 세탁물 처리 기기의 제조사 서버 중 적어도 하나로부터 세탁물들과 관련된 다수의 정형 데이터를 수집하고, 상기 외부 서버로부터 세탁물과 관련된 다수의 비정형 데이터를 수집하는 데이터 수집 모듈을 포함하고,
상기 다수의 세탁물 데이터는 상기 다수의 정형 데이터 및 비정형 데이터를 포함하는 세탁물 처리 정보 제공 장치.
제12항에 있어서,
상기 다수의 정형 데이터 각각은,
대응하는 세탁물에 대한 상기 세탁물 처리 기기의 제어 변수들에 대한 정보를 포함하는 세탁물 처리 정보 제공 장치.
제12항에 있어서,
상기 다수의 세탁물 데이터는,
상기 다수의 비정형 데이터 각각으로부터 추출 또는 생성되는 제어 변수들에 대한 정보를 포함하는 세탁물 처리 정보 제공 장치.
제1항에 있어서,
상기 세탁물 이미지는 상기 통신부를 통해 상기 단말기로부터 수신되는 세탁물 처리 정보 제공 장치.