KR20210007775A - 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법 - Google Patents

Abstract

건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법이 개시된다. 본 발명의 일 실시예에 따른 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법는, 프로바이더가 제공하는 웹 페이지 내에서 제품 정보를 포함하는 타겟 영역을 엣지 기반의 계층적 영상 분할 과정을 통해 프리미티브 영상을 생성한다. 프리미티브 영상으로부터 건강 기능식품 관련 텍스트를 추출하여 데이터 베이스에 저장한다. 데이터 베이스에 저장된 정보를 이용하여 개인 맞춤형 영양 플래서 서비스 제공 또한 가능하게 된다.

Description

건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법{METHOD FOR EXTRCTING OF IMAGE INFORMATION IN WEB PAGE PROVIDING HEALTH FUNCTIONAL FOOD INFORMATION}

본 발명은 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법에 관한 것으로서, 보다 구체적으로는 개인 맞춤형 건강 식품 정보를 보다 효율적으로 제공할 수 있는 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법에 관한 것이다.

건강 기능식품이란 인체에 유용한 기능성을 가진 원료나 성분을 사용하여 가공, 제조한 식품으로서, 생체 기능의 활성화를 통해 질병 발생위험을 감소시키거나 건강을 유지 및 증지시키는 것을 목적으로 하는 식품이다.

건강 기능식품 구매에 있어서, 제품의 기능성을 구분하여 선택하는 것은 개인의 몫으로 과거에는 대부분 약국, 병원 등을 통해 구매하였으나, 인터넷의 발달로 인해 수많은 정보를 통해 기인이 직접 판단하고 선택하는 경향이 있다.

그러나, 건강 기능식품에 대한 올바른 지식이 없이는 개인의 성별, 연령, 체질, 상황 등을 만족하는 맞춤형 제품을 선택하는 것이 매우 어렵기 때문에 전문가에 의한 정확한 제품 선택 및 복용 방법에 관한 적절한 정보 제공 및 교육이 필요한 상황이다.

본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 발명은 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보를 보다 효율적으로 제공하는 것을 목적으로 한다.

또한, 본 발명은 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보를 효율적으로 이용하여 개인 맞춤형 영양 플래너(Nutra Planner) 서비스를 제공하는 것을 목적으로 한다.

본 발명의 일 양상에 따른 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보 제공 방법은, 건강 기능식품과 관련된 정보를 표시하는 웹 페이지에서 타겟 영역을 선택하는 단계; 상기 타겟 영역의 영상 전처리 과정을 통해 상기 타겟 영역에 포함된 타겟 영상을 적어도 하나의 경계를 갖는 제1 구분 영역으로 구획하는 단계; 상기 제1 구분 영역에 따라 상기 타겟 영상을 복수의 영상으로 분할하는 단계; 상기 복수의 영상으로부터 적어도 하나의 프리미티브 영상(primitive image)을 생성하는 단계; 및 상기 적어도 하나의 프리미티브 영상으로부터 제1 텍스트를 추출하여 데이터베이스에 저장하는 단계;를 포함한다.

상기 프리미티브 영상을 생성하는 단계는, 상기 제1 구분 영역을 적어도 하나의 경계를 갖는 제2 구분 영역으로 구획하는 단계; 상기 제2 구분 영역에 따라 상기 제2 구분 영역을 분할하는 단계; 및 상기 제2 구분 영역에 따라 분할된 복수의 영상으로부터 상기 적어도 하나의 프리미티브 영상을 생성하는 단계;를 더 포함할 수 있다.

상기 프리미티브 영상을 생성하는 단계는, 상기 제1 구분 영역에 따라 분할된 복수의 영상과 상기 제2 구분 영역에 따라 분할된 복수의 영상 중 상기 프리미티브 영상이 존재하는지 판단하는 단계; 및 상기 프리미티브 영상이 검출되지 않는 경우, 상기 제2 구분 영역을 적어도 하나의 경계를 갖는 제3 구분 영역으로 구획하는 단계;를 더 포함할 수 있다.

상기 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보 제공 방법은, 상기 복수의 영상 중 상기 프리미티브 영상을 제외한 적어도 하나의 영상으로부터 제2 텍스트를 추출하는 단계; 상기 제2 텍스트를 도메인 용어사전을 이용하여 패턴 매칭을 수행하는 단계; 및 상기 패턴 매칭 결과에 기초하여 추출되는 메타 데이터를 상기 제1 텍스트와 함께 상기 데이터 베이스에 저장하는 단계;를 더 포함할 수 있다.

상기 타겟 영역은, 상기 건강 기능식품 정보가 미리 정해진 패턴으로 구조화된 영역을 포함할 수 있다.

상기 건강 기능식품 정보는, 제품 이미지, 제품명, 제품의 기능, 상기 제품의 특징, 복용 방법, 성분명 및 함량 중 적어도 항목을 포함할 수 있다.

상기 적어도 하나의 항목 중 적어도 하나가 이미지 형태로 표시되고, 상기 타겟 영역은, 상기 건강 기능식품 정보 중 상기 이미지 형태로 표시되는 영역일 수 있다.

상기 웹 페이지 내에서, 상기 구조화된 영역 이외의 정보들이 포함된 경우, 상기 상기 구조화된 영역에 대해서만 상기 타겟 영역을 분할하는 단계;를 더 포함할 수 있다.

건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보 제공 방법은, 상기 웹 페이지로부터 상기 미리 정해진 패턴으로 구조화된 영역을 상기 타겟 영역으로 선택하도록 하는 인공 신경망 모델을 학습시키는 단계; 및 상기 웹 페이지의 영상을 전처리하는 단계; 및 상기 전처리된 영상을 상기 인공 신경망 모델의 입력으로 설정하고, 상기 인공 신경망 모델의 출력값에 의해 상기 타겟 영역을 선택하는 단계;를 더 포함할 수 있다.

상기 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보 제공 방법은, 상기 웹 페이지로부터 상기 프리미티브 영상을 구별하도록 딥러닝 모델을 학습시키는 단계; 를 더 포함하고, 상기 타겟 영역을 선택하는 단계, 상기 제1 구분 영역으로 구획하는 단계, 상기 복수의 영상으로 분할하는 단계 또는 상기 프리미티브 영상을 생성하는 단계 중 적어도 하나는 상기 딥러닝 모델의 출력에 의해 결정될 수 있다.

본 발명의 다른 양상에 따른 컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)는 컴퓨터 실행 가능한 컴포넌트가 건강 기능식품과 관련된 정보를 표시하는 웹 페이지에서 타겟 영역을 선택하고, 상기 타겟 영역의 영상 전처리 과정을 통해 상기 타겟 영역에 포함된 타겟 영상을 적어도 하나의 경계를 갖는 제1 구분 영역으로 구획하고, 상기 제1 구분 영역에 따라 상기 타겟 영상을 복수의 영상으로 분할하고, 상기 복수의 영상으로부터 적어도 하나의 프리미티브 영상(primitive image)을 생성하고, 상기 적어도 하나의 프리미티브 영상으로부터 제1 텍스트를 추출하여 데이터베이스에 저장한다.

본 발명에 따른 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법은, 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보를 보다 효율적으로 제공할 수 있다.

또한, 본 발명에 의하면, 건강 기능 식품을 판매하는 웹 사이트를 판매 대상 제품에 관한 정보를 효율적으로 이용하여 개인 맞춤형 영양 플래너(Nutra Planner) 서비스를 제공할 수 있다.

또한, 본 발명에 의하면, 웹 사이트 상에서 구조화되지 않은 건강 기능식품 정보에 대해서도 인공지능 영상 분석 기술을 통해 개인 맞춤형 영양 플래서 서비스를 조가 효율적으로 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따라 프리미티브 영상을 생성하는 일 예의 흐르도이다.
도 3a 내지 도 3b는 본 발명의 일 실시예에 따라 엣지 맵의 계층적 구조를 통해 영상을 분할하는 예를 도시한다.
도 4는 본 발명의 일 실시예에 따라 분할된 영역으로부터 건강 기능식품 정보를 추출하기 위한 프로토 타입을 예시적으로 설명하기 위한 도면이다.
도 5a 내지 도 5f는 도 4에 도시된 프로토 타입에 기초하여 분할된 영역으로부터 건강 기능식품 정보를 추출하는 예들을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 자유도가 높은 구조화된 영상으로부터 건강 기능식품 정보 추출 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따라 자유도가 높은 구조화된 영상으로 부터 건강 기능식품 정보 추출 방법의 또 다른 예를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따라 자유도가 상대적으로 높은 구조화된 정보가 표시되는 예를 설명하기 위한 도면이다.
도 9는 자유도가 상대적으로 높은 구조화된 웹 페이지에서 본 발명의 일 실시예에 따라 계층적 영상 분할 동작을 수행하는 예를 설명하기 위한 도면이다.
도 10 내지 도 11은 본 발명의 다른 실시예에 따른 개인 맞춤형 건강 기능식품 정보 제공하기 위한 시스템을 예시적으로 설명하기 위한 도면이다.
도 12는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 13은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 14는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 15는

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 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 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 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.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 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.

도 1은 본 발명의 일 실시예에 따른 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법의 흐름도이다. 본 발명의 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법은, 서버에서 구현될 수 있으며, 보다 구체적으로는, 서버의 프로세서에서 구현될 수 있다.

또는 후술하는 도 11에 도시된 바와 같이, 지식 추출 에이전트(이하 '에이전트'로 호칭하기로 한다), 상기 에이전트를 제어하는 에이전트 컨트롤러를 통해 구현될 수도 있다. 설명의 편의를 위해 상기 지식 추출 에이전트, 에이전트 모듈, AI 프로세서 등의 기능을 수행하는 프로세서에 의해 본 발명의 실시예가 구현되는 것을 전제로 하여 설명한다.

상기 프로세서는, 건강 기능식품과 관련된 정보를 표시하는 웹 페이지에서 타겟 영역을 선택할 수 있다(S100).

상기 건강 기능식품과 관련된 정보를 표시하는 웹 페이지는 상기 건강 기능식품을 판매하는 프로바이더에 의해 제공되는 웹 페이지로서, 상기 웹 페이지에는, 제품 이미지, 제품명, 제품의 기능, 상기 제품의 특징, 복용 방법, 성분명 및 함량 중 적어도 항목을 포함할 수 있다.

상기 웹 페이지는 프로바이더에 따라 서로 다른 패턴을 가지도록 구조화될 수 있다. 예를 들어, 제1 프로바이더는 제품 이미지와, 제품에 관한 개략적인 특징을 포함하는 텍스트만을 웹 페이지로 제공할 수 있다. 또한 예를 들어, 제2 프로바이더는 제품 이미지, 복용방법, 성분명/함량 정보를 일정한 배치 구조를 가지고 웹 페이지에 제공할 수 있다.

여기서 서로 다른 패턴을 가지도록 구조화된다는 것은, 프로세서가 웹 페이지 화면으로부터 영상 분석 및 데이터 마이닝 과정을 통해 소정의 정보를 추출하기 위해 동일한 알고리즘을 적용할 수 없는 데이터 표시 형태 또는 구조를 의미할 수 있다. 따라서, 글로벌 건강 식품기능 판매 사이트는 제품 선택에 의미있는 제품명, 기능성, 제품 특징, 복용 방법, 함유 성분 및 함량 등의 주요 정보를 텍스트와 영상이 혼재된 형태로 제공하고 있는데, 동일한 영상 분석 알고리즘을 통해 정보 추출이 가능한 웹 페이지인 경우, 일정한 패턴으로 구조화된 것으로 간주할 수 있다.

본 발명의 일 실시예에 의하면, 전술한 바와 같이 동일한 패턴으로 구조화된 웹 페이지 화면, 유사한 패턴으로 구조화된 웹 페이지 화면에 대하여 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출할 수 있다. 그러나 본 발명은 이에 한정되지 않고 다양하게 변형되어 구현될 수 있다.

예를 들어, 본 발명의 일 실시예에 의하면, 서로 다른 패턴으로 구조화된 웹 페이지 화면이라 하더라도, 미리 학습된 딥러닝 모델을 통해 전술한 동일 패턴의 구조화된 웹 페이지 화면을 통해 정보를 추출하는 기능을 수행할 수도 있다.

또한, 예를 들어, 본 발명의 일 실시예에 의하면, 프로세서는 서로 다른 프로바이더가 제공하는 차별화된 판매 사이트에 적합한 건강 기능식품 정보를 추출 가능한 별도의 에이전트 기능을 수행할 수 있다. 이를 통해 프로바이더 별로 서로 다른 에이전트 기능을 수행하는 알고리즘이 서버에 저장될 수 있다. 서버는 특정 프로바이더가 제공하는 웹 페이지에서 소정 고객의 구매 요청을 수신한 경우, 상기 특정 프로바이더에 매칭되는 에이전트 프로그램을 구동시키고, 상기 에이전트 프로그램을 통해 자동적으로 고객이 구매 요청한 제품의 건강 기능식품 정보를 추출하여 제공할 수 있다.

또한 상기 제1 프로바이더와 제2 프로바이더가 각각의 웹 페이지에 건강 기능식품 관련 정보를 제공하는 구조는 서로 동일할 수 있다. 웹 페이지 화면상에서 특정 영역에 특정 정보가 배치되는 패턴이 동일할 수도 있고, 배치 위치는 서로 다르지만 상기 웹 페이지 화면상에 표시되어 있는 경우에는 동일한 구조로 간주할 수 있다.

한편, S100에서 타겟 영역이라 함은, 전술한 구조화된 웹 페이지에서 건강 기능식품 정보가 표시되는 영역일 수 있다. 프로세서는 전술한 바와 같이 프로바이더에 각각 대응되는 에이전트 프로그램을 구동하는 경우, 프로세서는 웹 페이지를 제공한 특정 프로바이더를 확인할 수 있다. 프로세서는 상기 특정 프로바이더를 확인한 경우, 특정 프로바이더가 제공하는 웹 페이지는 소정 패턴으로 구조화되어(structured) 제공되는 웹 페이지를 확인할 수 있다. 이에 특정 프로바이더가 제공하는 웹 페이지의 구조를 통해 타겟 영역을 미리 예측할 수 있다. 예를 들어, 상기 특정 프로바이더의 경우, 제품 이미지는 웹 페이지의 2사분면에 표시하고, 제품의 특징 및 기능 설명에 관한 텍스트를 제1 사분면에 표시하고, 복용 방법, 효능, 함량 성분을 포함하는 이미지를 제3 및 제4 사분면에 걸쳐서 표시할 수 있다. 이 경우, 프로세서는 제3 및 제4 사분면의 영역을 타겟 영역으로 선택할 수 있다. 상기 타겟 영역의 선택은 전술한 예에 한정되지 않고 다양하게 변형되어 구현될 수 있다.

상기 프로세서는, 상기 타겟 영역에 대하여 영상 전처리 과정을 수행할 수 있다(S110).

상기 타겟 영역은 건강 기능식품 정보를 포함하는 영역으로서, 이미지 및/또는 텍스트로 구성될 수 있다. 프로세서는,상기 이미지로부터 건강 기능식품 정보를 추출하기 위해서 영상 분석 알고리즘을 수행하여 전처리 과정을 수행할 수 있다. 상기 영상 분석 알고리즘은 공지의 알고리즘이 적용될 수 있으며, 구체적인 알고리즘에 대한 설명은 생략하기로 한다.

상기 프로세서는, 상기 영상 전처리 과정을 통해 상기 타겟 영역에 포함된 타겟 영상을 적어도 하나의 경계를 갖는 제1 구분 영역으로 구획할 수 있다(S120).

상기 타겟 영역에 포함된 타겟 영상은 전처리 결과일 수 있다. 상기 전처리 결과는 적어도 하나의 경계(edge)로 구분되는 복수의 영역으로 구성될 수 있다. 본 발명의 일 실시예에 의하면, 상기 복수의 영역으로부터 프리미티브 영상을 생성하는 것을 목적으로 한다. 이에 따라, 프로세서는 상기 타겟 영상을 적어도 하나의 경계를 갖는 제1 구분 영역으로 구획함으로써, 프리미티브 영상을 탐색하는 과정을 수행할 수 있다.

상기 제1 구분 영역은, 상기 영상 전처리 결과에서 엣지처리됨으로써, 구성될 수 있다. 상기 제1 구분 영역은 엣치처리된 영역의 개수만큼 구획되어 서로 독립된 영역으로 처리할 수 있는 영역일 수 있다.

상기 프로세서는, 상기 제1 구분 영역에 따라 상기 타겟 영상을 복수의 영상으로 분할할 수 있다(S130).

상기 프로세서는 서로 독립된 영역으로 간주되는 상기 제1 구분 영역에 기초하여 타겟 영상을 분할할 수 있다. 예를 들어, 전처리결과 엣지처리된 영역이 3영역인 경우, 제1 구분 영역은 서로 독립된 세 가지의 영역으로 구성되며, 프로세서는 상기 엣지에 기초하여 타겟 영상을 3개로 분할할 수 있다.

상기 프로세서는, 상기 복수의 영상으로부터 적어도 하나의 프리미티브 영상(primitive image)을 생성할 수 있다(S140).

상기 프리미티브 영상은 본 발명의 일 실시예에 따라 영상 분석을 통해 건강 기능식품 정보를 추출할 수 있는 최소 단위의 영상일 수 있다. 상기 최소 단위는 영상의 크기정보에 대응될 수 있다. 또한 상기 최소 단위는 영역의 크기 정보에 대응될 수도 있다. 상기 프리미티브 영상을 선택하는 과정 또한 제품을 제공하는 프로바이더에 따라 서로 다른 패턴을 가질 수 있다.

상기 프로세서는, 상기 적어도 하나의 프리미티브 영상으로부터 제1 텍스트를 추출하여, 데이터베이스에 저장할 수 있다(S150)

프로세서는, 상기 프리미티브 영상에 포함된 건강 기능식품 정보를 텍스트 형태로 추출할 수 있다. 또한, 프로세서는 추출된 텍스트 정보를 개인 맞춤형 건강 기능식품 제공 서비스를 구현하기 위하여 지식 기반의 데이터 베이스에 저장할 수 있다.

이하, 제1 구분 영역을 통해 프리미티브 영상을 생성하는 과정을 설명하였으나, 프리미티브 영상을 생성하는 과정은 다양하게 변형되어 실시될 수 있다.

도 2는 본 발명의 일 실시예에 따라 프리미티브 영상을 생성하는 일 예의 흐르도이다.

프로세서는, 도 1에서 설명한 제1 구분 영역을 적어도 하나의 경계를 갖는 제2 구분 영역으로 구획할 수 있다(S141).

프로세서는, 상기 제2 구분 영역에 따라 상기 제2 구분 영역을 분할할 수 있다(S143).

프로세서는, 상기 제2 구분 영역에 따라 분할된 복수의 영상으로부터 상기 적어도 하나의 프리미티브 영상을 생성할 수 있다(S145).

한편, 프로세서는 상기 제1 구분 영역에 따라 분할된 복수의 영상과 상기 제2 구분 영역에 따라 분할된 복수의 영상 중 상기 프리미티브 영상이 존재하는지 판단할 수 있다. 여기서 프로세서는 상기 제1 구분 영역에 따라 분할된 복수의 영상과 제2 구분 영역에 따라 분할된 복수의 영상을 하나의 프리미티브 영상집합체로 관리할 수 있다. 복수의 영역에 프리미티브 영상으로서의 기능이 수행될 수 있는 정보들이 산재해있을 수 있기 때문이다.

프로세서는, 상기 영상 집합체에 프리미티브 영상이 포함되어 있는지 지속적으로 모니터링하면서 추가적인 영상 분할 과정을 통해 프리미티브 영상의 생성을 관리할 수 있다.

프로세서는, 상기 영상 집합체로부터 상기 프리미티브 영상이 검출되지 않는 경우, 상기 제2 구분 영역을 적어도 하나의 경계를 갖는 제3 구분 영역으로 구획할 수 있다. 한편, 프로세서는 상기 제3 구분 영역에 대해서도 전술한 영상 분할 동작을 수행할 수 있으며, 상기 제3 구분 영역에 기초하여 분할된 복수의 영상 또한 상기 영상 집합체에 포함하여 관리할 수 있다. 마찬가지로 프로세서는 제3 구분 영역에 기초하여 분할된 복수의 영상을 포함하여 프리미티브 영상의 존재 여부를 지속적으로 모니터링할 수 있다.

다만, 프로세서는 상기 프리미티브 영상의 검출을 위해 경계 베이스로 영상을 무한 분할하는 과정을 수행할 필요는 없으며, 상기 영상 집합체로부터 적절한 수 이상의 프리미티브 영상을 검출한 경우 더 이상의 프리미티브 영상 생성을 위한 동작을 중단할 수도 있다.

도 3a 내지 도 3b는 본 발명의 일 실시예에 따라 엣지 맵의 계층적 구조를 통해 영상을 분할하는 예를 도시한다.

도 3a를 참조하면, 프로세서는 건강 기능식품 정보를 제공하는 웹 페이지로부터 타겟 영역(TA)를 선택할 수 있다. 프로세서는 상기 타겟 영역(TA)에 대하여 전처리 동작을 수행할 수 있다. 전처리 결과 타겟 영역(TA)에 포함된 타겟 영상을 적어도 하나의 경계(E1,E2)를 갖는 제1 구분 영역으로 구획할 수 있다. 여기서 타겟 영상은 성분명 및 함량에 대한 정보를 포함하는 이미지일 수 있다.

프로세서는 상기 제1 구분 영역에 따라 상기 타겟 영상을 복수의 영상(D1,D2,D3)으로 분할할 수 있다. 상기 제1 구분 영역은 상기 전처리에 따라 디텍트된 경계(E1,E2)를 가지므로, 프로세서는 상기 전처리된 영상이 두 개의 경계를 가지는 경우 3개의 분할 영상(D1,D2,D3)을 생성할 수 있다.

도 3b를 참조하면, 프로세서는 전술한 과정을 반복 수행할 수 있다. 예를 들어, 프로세서는 제1 구분 영역에 대해서는 마찬가지로 복수의 엣지(E1, E2,...,En)를 디텍트하고, 상기 복수의 엣지에 기반하여 복수의 경계를 갖는 제2 구분 영역으로 구획할 수 있다. 프로세서는 상기 복수의 경계를 기반으로 복수의 분할 영상(D1,D2,...,Dn)을 생성할 수 있다.

프로세서는 상기 복수의 분할 영상(D1,D2,...,Dn)으로부터 프리미티브 영상(D2)을 생성 또는 선택할 수 있다. 그런 후, 상기 프리미티브 영상(D2)으로부터 텍스트를 추출하는 동작을 수행한다.

도 4는 본 발명의 일 실시예에 따라 분할된 영역으로부터 건강 기능식품 정보를 추출하기 위한 프로토 타입을 예시적으로 설명하기 위한 도면이다.

도 4를 참조하면, 전술한 바와 같이 프로바이더에 따라 제품을 표시하는 웹 페이지 상에서 서로 다른 구조화된 패턴을 가질 수 있다. 예를 들어, 제1 프로토타입의 경우, 제품의 성분명/함량을 나타내는 타겟 영역은 도 4에 도시된 프로토타입으로 제공될 수 있다.

상기 프로토타입은 제1 분할 영역(D1) 내지 제4 분할 영역(D4)으로 구성될 수 있다.

예를 들어, 상기 제1 분할 영역(D1)은 단위 유형, 포함개수 항목을 포함하고, 제2 분할 영역(D2)은 복용량에 대한 정보를 포함하고, 제3 분할 영역(D3)은 성분 리스트를 포함하고, 제4 분할 영역(D4)은 복용 방법을 포함하도록 설정될 수 있다.

제1 분할 영역(D1)은 다시 제1 서브 영역(D11)과 제2 서브 영역(D22)으로 구분될 수 있다. 각 서브 영역(D11,D12)은 또한 적어도 두 가지 이상의 영역으로 구획되어 추출 정보들이 표시될 수 있다.

제2 분할 영역(D2)도 마찬가지로 적어도 둘 이상의 추출 정보를 포함하는 서브 영역을 가질 수 있다.

제3 분할 영역(D3)의 경우 건강 기능식품의 성분 리스트를 표시하기 위한 표준화된 구조로 구성될 수 있으며, 예를 들어, 제3 분할 영역은 n개의 서브 영역(D31,D32,...,D3n)이 병렬적으로 나열될 수 있으며, 각 서브 영역은 전술한 바와 같이 복수의 추출 정보가 기재될 수 있도록 정형화될 수 있다.

제4 분할 영역(D4)의 경우, 복용 방법에 관한 정보가 기재되는 영역으로서, 마찬가지로 복수의 서브 영역(D41,D42,...,D4n)을 포함할 수 있다.

이하, 전술한 각 분할 영역에서 실제로 추출되는 정보들을 예시로 하여 설명한다.

도 5a 내지 도 5f는 도 4에 도시된 프로토 타입에 기초하여 분할된 영역으로부터 건강 기능식품 정보를 추출하는 예들을 설명하기 위한 도면이다.

도 5a를 참조하면, 제1 분할 영역(D1)의 제1 서브 영역(D11)은 제공되는 제품의 사이즈(Serving Size)와 캡슐의 개수 정보가 추출될 수 있다. 제2 서브 영역(D12)는 컨테이너당 제공되는 개수가 60개 임을 표시할 수 있는 영역으로서, 단위 유형에 따라 특정 서브 영역에만 추출 정보가 기재되어 표시될 수 있음은 물론이다. 따라서 본 발명의 일 실시예에 의하면, 전술한 프로토타입의 구조화된 영역이 에이전트 프로그램을 통해 보다 빠른 속도로 검출함으로써, 개인 맞춤형 건강 기능식품 제공 서비스를 구현할 수 있다. 또한, 이에 따라, 글로벌 건강 기능식품 시장 환경에서 고객이 일일이 모든 건강 기능식품에 대한 정보를 알지 못하더라도 본 발명의 일 실시예에 따라 제공되는 방법을 통해 개인 니즈에 맞는 건강 기능식품 정보를 제공받을 수 있다.

도 5b 내지 도 5d는 제3 분할 영역(D3)에서 성분 리스트가 표시되는 서브 영역(D31,D32)를 가질 수 있다. 예를 들어, Biotin 의 함량 정보, AlpaLipoic Acid(Thioctic Acid) 함량 정보 등이 상기 제3 분할 영역의 서브 영역을 통해 추출될 수 있다. 도 5c 및 5d 또한 서로 다른 정보들이 제3 분할 영역의 서브 영역(D31,D32)을 통해 제공되는 예시를 나타낸다.

한편, 도 5e 및 도 5f는 제1 분할 영역(D1), 제3 분할 영역(D3), 제4 분할 영역(D4) 모두 각각의 서브 영역들(D11,D12,D31,D32,...,D39, D00)을 포함하고 있는 예를 도시한다. 여기서 제4 분할 영역(D4)는 복용 방법이 기재되는 영역으로서 매일 일정량의 섭취 여부에 대한 정보가 기재될 수 있다.

이상, 본 발명의 건강 기능식품 정보 추출 방법을 도 1 내지 도 5f를 통해 설명하였으며, 이는 웹 페이지 상에서 구조화된 화면으로 제공되는 정보들에 대하여 설명하였으나, 본 발명은 이에 한정되는 것은 아니다. 예를 들어, 전술한 예들 보다 상대적으로 구조화에 있어서 상대적으로 자유도가 높은 정보들에 대하여 본 발명이 적용되는 예들을 설명한다.

도 6은 본 발명의 일 실시예에 따라 자유도가 높은 구조화된 영상으로부터 건강 기능식품 정보 추출 방법을 설명하기 위한 도면이다.

도 6을 참조하면, 프로세서는 복수의 분할 영상 중 프리미티브 영상이 존재하는지 여부를 판단할 수 있다(S500).

프로세서는, 상기 복수의 영상 중 프리미티브 영상이 존재하는 경우(S500:YES), 상기 프리미티브 영상으로부터 텍스트 정보를 추출하고(S510), 추출된 텍스트를 데이터 베이스에 저장할 수 있다(S520).

한편, 상기 복수의 분할 영상 중 프리미티브 영상이 존재하지 않는 것으로 판단한 경우(S500: NO), 프로세서는 현재 분할된 영상들 중 적어도 하나의 영상에서 추가적인 분할 과정을 수행할 수 있다(S530).

상기 추가적인 영상 분할 과정은 도 1 내지 도 2를 통해 설명한 방법으로 수행될 수 있다.

한편, 전술한 예들은 프리미티브 영상으로부터 건강 기능식품 정보를 추출하여 데이터 베이스에 저장하고, 이를 개인 맞춤형 영양 플래서 서비스에 이용할 수 있음을 설명하였으나, 본 발명은 이에 한정되는 것은 아니다. 예를 들어, 프리미티브 영역 이외의 영상들로부터도 의미있는 데이터들을 추출하여 데이터 컨버젼스 동작을 수행할 수 있다.

도 7은 본 발명의 일 실시예에 따라 자유도가 높은 구조화된 영상으로 부터 건강 기능식품 정보 추출 방법의 또 다른 예를 설명하기 위한 도면이다.

도 7을 참조하면, 프로세서는 복수의 분할 영상 중 프리미티브 영상이 존재하는지 여부를 판단할 수 있다(S600).

프로세서는 전술한 바와 같이, 상기 프리미티브 영상에서 제1 텍스트를 추출할 수 있다(S610). 여기서 상기 제1 텍스트는 프로바이더가 필수적으로 제공하고나 하는 건강 기능식품 관련 정보가 포함될 수 있다. 또한 프로세서는 상기 추출된 제1 텍스트를 데이터 베이스에 저장할 수 있다(S620).

프로세서는 상기 복수의 분할 영상 중 프리미티브 영상이 존재하지 않는 것으로 판단한 경우(S600:N), 상기 타겟 영상 중 프리미티브 영상을 제외한 영상에서 제2 텍스트를 추출할 수 있다(S630). 여기서 상기 제2 텍스트는 프로바이더가 구조화된 웹 페이지를 통해 제공하고자 하던 건강 기능식품 관련 필수 정보는 아닐 수 있지만, 구매 고객에게 참조 정보로 제공될 수는 있다.

이에 따라, 프로세서는 추출된 제2 텍스트를 도메인 용어사전을 통해 패턴 매칭을 수행하고, 상기 패턴 매칭 결과 메타 데이터를 생성할 수 있다(S640). 여기서 상기 메타 데이터는 건강 기능식품 관련한 의미있는 정보일 수 있으며, 상기 추출된 제1 텍스트와 함께 데이터 베이스에 저장할 수 있다(S620).

이를 통해 개인 맞춤형 영양 플래너 서비스를 제공함에 있어서, 특정 건강 기능식품에 대한 필수 정보 뿐 아니라 부가정보를 함께 제공할 수 있다.

도 7을 통해 구현되는 본 발명의 일 실시예에 따른 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법은 구조화되어 제공되는 웹 페이지를 기준으로 할 때 자유도가 상대적으로 높은 웹 페이지에 적용될 수 있으며, 도 8 및 도 9에 예시적으로 도시되어 있다.

도 8은 본 발명의 일 실시예에 따라 자유도가 상대적으로 높은 구조화된 정보가 표시되는 예를 설명하기 위한 도면이다. 도 9는 자유도가 상대적으로 높은 구조화된 웹 페이지에서 본 발명의 일 실시예에 따라 계층적 영상 분할 동작을 수행하는 예를 설명하기 위한 도면이다.

도 8을 참조하면, 도 3에서 예시적으로 설명한 성분명/함량 정보가 구조화되어 개시되는 패턴과 달리, 건강 기능식품 관련 필수 정보 및 부가 정보들이 개시되는 패턴에 규칙성을 찾기가 어려울 수 있다. 예를 들어, 제품 사진 이미지, 제품명, 복용 방법, 성분명/함량 등에 관한 정고가 복수의 웹 페이지 상에 구분되어 제공될 수도 있으며, 하나의 웹 페이지 내에서도 일정한 규칙에 맞게 배치되어 있는 구조가 아닐 수 있다.

도 9를 참조하면, 도 8에 도시된 구조화 관점에서 자유도가 상대적으로 높은 웹 페이지에 대하여 본 발명의 일 실시예에 따른 건강 기능식품 정보 추출 방법을 적용할 수 있다.

프로세서는 도 8에 도시된 웹 페이지 화면의 중 제1 웹 페이지 화면(도 8의 촤측화면)을 타겟 영역으로 선택할 수 있다. 프로세서는 전술한 바와 같이 구조화되지 않은 웹 페이지의 경우 전체 영역을 타겟 영역으로 선택할 수 있으며, 타겟 영역의 선택 기준은 다양하게 변형될 수 있다.

프로세서는 전처리 과정을 통해 적어도 하나의 엣지(E1,E2,E3)를 검출할 수 있다.

상기 프로세서는 상기 검출된 엣지(E1,E2,E3)에 기초하여 타겟 영상을 분할할 수 있다. 프로세서는 제1 엣지(E11)와 제3 엣지D31)에 의해 분할되는 분할 영상(D1,D3)을 프리미티브 영상으로 결정하고, 상기 결정된 프리미티브 영상으로 부터 텍스트를 추출하여 데이터 베이스에 저장할 수 있다.

이 경우, 프리미티브 영상을 결정함에 있어서, 도 1 내지 도 2를 통해 설명한 바와 같이 복수의 엣지 기반 영상 분할이 수행되지 않을 수 있다. 왜냐하면 구조화 관점에서 자유도가 상대적으로 높기 때문에 프리미티브 영상이 검출이 상당한 리소스가 소요될 수 있으며, 상기 프리미티브 영상이 검출되지 않을 수도 있다. 따라서, 자유도가 상대적으로 높은 웹 페이지의 경우, 미리 정해진 횟수(예를 들어, 1회 또는 2회)의 엣지 기반 영상 분할 동작을 수행함으로써, 프리미티브 영상을 결정할 수 있다.

도 10은 본 발명의 다른 실시예에 따른 개인 맞춤형 건강 기능식품 정보 제공하기 위한 시스템을 예시적으로 설명하기 위한 도면이고, 도 11은 본 발명의 또 다른 실시예에 따른 개인 맞춤형 건강 기능식품 정보 제공을 위한 서버의 구조를 설명하기 위한 도면이다.

도 10을 참조하면, 본 발명의 일 실시예에 따른 개인 맞춤형 건강 기능식품 정보 제공하기 위한 시스템은, 지식 추출 에이전트 모듈, 지식 기반 데이터 베이스(Knowledge Base), 맞춤형 플래너 모듈, 사용자 프로파일 데이터 베이스, 고객 단말기 및/또는 개인 맞춤형 건강 기능식품 정보를 제공하는 프로바이더를 포함할 수 있다.

지식 추출 에이전트는 프로바이더가 제공하는 건강 기능식품 정보 웹 사이트로부터 제품 정보 문서(예를 들어, HTML)를 획득할 수 있다. 지식 추출 에이전트는 본 발명의 일 실시예에 따라 건강 기능식품 정보를 추출하기 위하여 영상 분석 과정을 통해 건강 기능식품 관련 정보를 텍스트 형태로 추출할 수 있다. 상기 텍스트 형태의 정보는, 지식 기반 데이터베이스에 저장될 수 있다.

맞춤형 플래너 모듈은 고객 프로파일과 건강기능식품 지식기반 데이터베이스를 기반으로 개인맞춤 제품 추천 및 복용 가이드 서비스를 제공할 수 있다.

도 11을 참조하면, 본 발명의 일 실시예에 따른 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법을 통해 개인 맞춤형 영양 플래너 서비스를 제공하기 위해서는, 건강기능식품 쇼핑몰 사이트와 인터넷에서 제품 정보와 관련 빅데이터를 분석하고 수집하여 Knowledge Base를 구축할 필요성이 있다.

대부분의 Global 건강기능식품 판매 사이트는 그림 7에서와 같이 제품 선택에 의미있는 제품명, 기능성, 제품 특징, 복용 방법, 함유 성분 및 함량 등의 주요 정보를 텍스트와 영상이 혼재된 형태로 제공하고 있다. 각 판매 사이트에서 제공하는 제품 정보는 일정한 배치 패턴이 있으나, 다른 사이트와는 상이한 배치 패턴을 보이고 있다. 또한, 인터넷에는 특정 성분, 제품, 의약품과의 혼합복용 등에 관련된 다양하고 유용한 정보가 산재되어 있다.

이러한 특징이 있는 판매 사이트의 제품 정보를 자동으로 분석하고 수집하기 위해서는 사이트 적응적인 정보 추출 에이전트와 빅데이터 분석 시스템이 필요하다.

본 발명의 일 실시예에 의하면, Agent Controller의 Agent Generator를 이용해 지식추출 Metadata와 Crawling Engine을 정의하여 특정 건강기능식품 웹사이트에 적응적인 지식 추출 에이전트를 생성할 수 있다.

Metadata는 텍스트와 영상으로 구성된 정보를 추출하는 방법을 정의한 것으로 Text Miner는 텍스트 지식을 추출하고, AI Image Miner는 영상분석 기술을 이용하여 영상 정보를 추출할 수 있다. 추출된 정보는 Agent Controller의 지식 통합 모듈(Knowledge Integration Module)을 통해 Knowledge Base에 저장될 수 있다.

Nutra Bigdata Analyzer는 건강기능식품 트렌드, 제품, 건강/의약품 관련 빅데이터 분석을 통해 영양플래너 서비스에 필요한 지식을 수집할 수 있다.

도 12는 본 발명의 일 실시예에 따라 건강 기능식품 정보를 제공하기 위한 웹 페이지에서 영상 정보 추출 방법을 구현하기 위하여 지식 기반 데이터베이스를 구축하는 시스템의 구성을 도시한다.

도 12를 참조하면, 적합도 측도 연산 시스템(Goodness Measure Calculation System)은 고객 프로파일에서 종래에 복용하던 복용제품 및 의약품 정보와 제품 선호도, 알르레기, 나이, 임신여부, 수술 이력 등의 특성 정보를 이용하여 유효성분 적정 함유율, 제품선호도 반영률, 고객특성 일치율, 안정성 평가 등을 연산할 수 있다.

개인 맞춤 제품(Personalized Product) Ranker는 적합도 측도 연산 결과를 기반으로 개인 맞춤 정도에 따라 제품 랭킹(Ranking)을 도출할수 있다. 또한, 복용가이드 시스템(Take Guidance System)은 복용 상태를 모니터링하고 시각화하여 고객의 제품 선택을 지원할 수 있다.

안정성 평가 시스템(Safety Evaluation System)은 타겟 제품에 대한 기존 복용제품, 의약품과의 안정성 평가 정보와 고객 특성에 따른 섭취 주의 사항 정보를 제공할 수 있다.

개인맞춤 영양플래너는 건강기능식품에 전문지식이 부족한 일반인들도 자신의 특성에 최적화된 제품을 안전하게 선택할 수 있는 서비스를 제공할 수 있다.

도 13은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다. 또한, 도 14는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다. 그리고, 도 15는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5^th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.

A. UE 및 5G 네트워크 블록도 예시

도 13은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 13을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 12의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 12의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.

도 13을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 14는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 14를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 14를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 14를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의(best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 15는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

여기서 UE는 프로바이더일 수 있으며, 5G 네트워크는 본 발명의 일 실시예에 따라 건강 기능식품 정보 추출 방법을 제공하는 서버일 수 있다.

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 12 및 도 13과 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 14의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 15의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 15의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

한편, 도 16은 본 발명의 일 실시예들에 적용될 수 있는 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다.

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다.

복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.

모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

한편, 도 16에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

TA: 타겟 영역
엣지: E1,E1,...,En

Claims (5)

1. 건강 기능식품과 관련된 정보를 표시하는 웹 페이지에서 타겟 영역을 선택하는 단계;
   상기 타겟 영역의 영상 전처리 과정을 통해 상기 타겟 영역에 포함된 타겟 영상을 적어도 하나의 경계를 갖는 제1 구분 영역으로 구획하는 단계;
   상기 제1 구분 영역에 따라 상기 타겟 영상을 복수의 영상으로 분할하는 단계;
   상기 복수의 영상으로부터 적어도 하나의 프리미티브 영상(primitive image)을 생성하는 단계; 및
   상기 적어도 하나의 프리미티브 영상으로부터 제1 텍스트를 추출하여 데이터베이스에 저장하는 단계;
   를 포함하는 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법.
   
2. 제 1 항에 있어서,
   상기 프리미티브 영상을 생성하는 단계는,
   상기 제1 구분 영역을 적어도 하나의 경계를 갖는 제2 구분 영역으로 구획하는 단계;
   상기 제2 구분 영역에 따라 상기 제2 구분 영역을 분할하는 단계; 및
   상기 제2 구분 영역에 따라 분할된 복수의 영상으로부터 상기 적어도 하나의 프리미티브 영상을 생성하는 단계;
   를 더 포함하는 것을 특징으로 하는 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법.
   
3. 제 2 항에 있어서,
   상기 프리미티브 영상을 생성하는 단계는,
   상기 제1 구분 영역에 따라 분할된 복수의 영상과 상기 제2 구분 영역에 따라 분할된 복수의 영상 중 상기 프리미티브 영상이 존재하는지 판단하는 단계; 및
   상기 프리미티브 영상이 검출되지 않는 경우, 상기 제2 구분 영역을 적어도 하나의 경계를 갖는 제3 구분 영역으로 구획하는 단계;
   를 더 포함하는 것을 특징으로 하는 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법.
   
4. 제 1 항에 있어서,
   상기 복수의 영상 중 상기 프리미티브 영상을 제외한 적어도 하나의 영상으로부터 제2 텍스트를 추출하는 단계;
   상기 제2 텍스트를 도메인 용어사전을 이용하여 패턴 매칭을 수행하는 단계; 및
   상기 패턴 매칭 결과에 기초하여 추출되는 메타 데이터를 상기 제1 텍스트와 함께 상기 데이터 베이스에 저장하는 단계;
   를 더 포함하는 것을 특징으로 하는 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법.
   
5. 제 1 항에 있어서,
   상기 타겟 영역은,
   상기 건강 기능식품 정보가 미리 정해진 패턴으로 구조화된 영역을 포함하고,
   상기 건강 기능식품 정보는, 제품 이미지, 제품명, 제품의 기능, 상기 제품의 특징, 복용 방법, 성분명 및 함량 중 적어도 항목을 포함하는 것을 특징으로 하는 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법.
   

Images