KR20210008786A

KR20210008786A - 인공지능 조리 기기

Info

Publication number: KR20210008786A
Application number: KR1020190107525A
Authority: KR
Inventors: 최흥식; 안효진; 김상오
Original assignee: 엘지전자 주식회사
Priority date: 2019-07-15
Filing date: 2019-08-30
Publication date: 2021-01-25
Also published as: US20210338007A1; US11583134B2; EP3785581A4; EP3785581A1; CN112512391A; WO2021010509A1

Abstract

인공지능 조리기기가 개시된다. 본 발명의 실시 예에 따른 인공지능 조리기기는, 조리 용기의 내용물을 가열하기 위한 가열부, 상기 조리 용기의 내용물의 진동 신호를 감지하는 진동 센서, 및, 상기 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하여 상기 조리 용기의 내용물이 끓는지에 대한 정보를 획득하고, 상기 획득한 정보에 따른 제어를 수행하는 프로세서를 포함한다.

Description

인공지능 조리 기기 {ARTIFICIAL INTELLIGENCE COOKING DEVICE}

본 발명은, 조리 용기의 진동 신호를 인공지능 모델에 입력하여 조리 용기의 내용물이 끓는지 판단할 수 있는 인공지능 조리기기에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.

한편 조리기기의 동작에 의해 조리 용기의 내용물이 지속적으로 끓는 경우, 내용물의 끓어넘침, 화재 등의 문제가 발생할 수 있다. 그리고 이를 방지하기 위해서는, 사용자가 내용물이 끓는지를 계속적으로 확인해야 한다.

이러한 불편함을 방지하기 위하여, 조리기기의 내용물이 끓는지 판단하는 기술이 대한민국 등록 공보 KR1390397B1, 미국 등록 공보 US6301521, 미국 등록 공보 US9395078 등에서 제시되고 있다.

대한민국 등록 공보 KR1390397B1와 미국 등록 공보 US6301521는, 진동센서, 적외선센서, 무게센서, 음파센서, 포토 센서, 타이머, 음향 센서(acoustic sensor), 광학 센서, 온도 센서 등의 많은 센서들을 조합하는 기술을 제시한다. 다만 이러한 기술들은 많은 센서가 필요하며, 많은 센서에서 수집되는 데이터를 처리하고 조합하기 위한 복잡한 로직이 필요하다는 단점이 있다.

또한 미국 등록 공보 US9395078는, 내용물에 대한 가열에 따른 진동 시그널의 변화를 시간 순서에 따라 추출하고, 각 단계에서의 시그널을 분석하여 내용물이 끓는지 판단하는 기술을 제시한다. 다만 이러한 기술은 정형화된 시간 순서의 로직이 깨지는 경우에 오판할 가능성이 매우 크며, 제한적인 조건(시간적 흐름, 외부 노이즈의 부재)에서만 사용이 가능하다는 단점이 있다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 조리 용기의 진동 신호를 인공지능 모델에 입력하여 조리 용기의 내용물이 끓는지 판단할 수 있는 인공지능 조리기기를 제공하기 위함이다.

본 발명의 일 실시 예에 따른 인공지능 조리 기기는, 조리 용기의 내용물을 가열하기 위한 가열부, 상기 조리 용기의 내용물의 진동 신호를 감지하는 진동 센서, 및, 상기 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하여 상기 조리 용기의 내용물이 끓는지에 대한 정보를 획득하고, 상기 획득한 정보에 따른 제어를 수행하는 프로세서를 포함한다.

내용물이 끓음으로 인하여 발생되는 진동의 특징(세기, 주파수, 패턴)을 학습한 인공지능 모델을 이용하여 내용물의 끓음 여부를 결정하기 때문에, 끓음 여부 판단의 정확도를 향상시킬 수 있는 장점이 있다.

또한 본 발명에 따르면, 일정 시간 단위(예를 들어 1초)의 데이터가 인공지능 모델에 입력되며, 인공지능 모델은 현재 시간 구간의 데이터만 고려해도(즉 이전 시간 구간의 데이터를 함께 고려하지 않아도) 끓음 여부를 판단하는 것이 가능하다. 즉 진동 신호의 변화에 따른 특징을 시간적인 순서에 따라 추출하여 끓음을 감지하는 미국 등록 공보 US9395078에 비해, 오판할 가능성이 훨씬 적으며 더 높은 정확도를 나타낼 수 있는 장점이 있다.

또한 본 발명에 따르면, 내용물의 종류, 조리 용기의 종류, 내용물의 양 등의 변화에도 불구하고, 정확한 예측이 가능한 장점이 있다.

또한 본 발명에 따르면, 진동 신호를 일반적인 신호 처리 방식으로 처리한 후 인공지능 모델에 입력하기만 하면 되기 때문에, 처리 알고리즘이 단순화 될 수 있는 장점이 있다.

본 발명에 따르면, 연속적인 복수의 시간 구간의 데이터에 대응하여 획득된 복수의 정보 모두가 조리 용기의 내용물이 끓는다는 것을 나타낼 때 조리 용기의 내용물이 끓는 것으로 결정하기 때문에, 예측의 정확도를 더욱 향상시킬 수 있는 장점이 있다.

본 발명에 따르면, 내용물의 끓음 여부를 감지하고 이에 따른 제어를 수행하기 때문에, 내용물의 끓어넘침, 화재 등을 예방하고, 사용자가 내용물이 끓는지를 지속적으로 확인해야 하는 불편함을 방지할 수 있다.

본 발명에 따르면, 사용자의 온도 설정 만으로 다양한 조리 기법에 부합하는 조리를 수행할 수 있는 장점이 있다.

본 발명에 따르면, 진동 센서 모듈(160)은 본체(11)의 내부 공간에 수용된다. 이에 따라 진동 센서(610)가 유도 가열 조리기기(1)의 외부에서 발생하는 진동 신호(예를 들어 도마, 믹서기 사용 등에 의한 주변 소음 등)를 감지하는 것을 최소화 할 수 있다.

또한 본 발명에 따르면, 진동 센서 모듈(610)을 수용하는 아웃터 홀더(630)는 판(12)에 연결되어 고정된다. 이에 따라 판(12)이 아닌 다른 구조를 통하여 전해지는 진동 신호(예를 들어 본체(12)에 의해 전달되는 진동)를 진동 센서(610)가 감지하는 것을 최소화 할 수 있다.

한편 본 발명에 따르면, 아웃터 홀더(630)는 판(12)의 하면(15)에 밀착하여 배치되며, 진동 센서(610)의 측부 및 하부를 둘러싼다. 이에 따라 외부에서 발생하는 진동 신호(예를 들어 도마, 믹서기 사용 등에 의한 주변 소음 등)를 진동 센서(610)가 감지하는 것을 최소화 할 수 있다.

본 발명에 따르면, 가압 기구의 가압에 의해 하우징을 판(12)에 밀착시킴으로써, 판(12)이외의 다른 루트를 통하여 전해지는 진동 신호가 진동 센서(710)로 전달되는 것을 최소화 할 수 있는 장점이 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 실시예에 따른 유도 가열 조리기기의 사시도이다.
도 5는 도 1의 II-II`의 단면도이다.
도 6은 본 발명의 제1 실시 예에 따른 진동 센서 모듈(106)을 설명하기 위한 분해 사시도이다.
도 7은 본 발명의 또 다른 실시 예에 따른 진동 센서 모듈 및 가압기구를 설명하기 위한 분해 사시도이다.
도 8은 유도 가열 조리기기의 회로구성을 간략하게 나타낸 도면이다.
도 9는 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.
도 10은 내용물이 끓을때의 진동 신호와 내용물이 끓지 않을때의 진동 신호를 2D 이미지로 도식화 하여 나타낸 도면이다.
도 11은 본 발명의 실시 예에 따른, 인공지능 모델의 생성 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른, 조리 용기의 내용물이 끓는지 판단하는 방법을 설명하기 위한 도면이다.
도 13은 본 발명의 실시 예에 따른, 내용물이 끓는 경우의 인공지능 조리기기의 동작을 설명하기 위한 도면이다.
도 14는 본 발명의 또 다른 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.

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(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

*<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4 내지 도 8은 본 발명의 실시 예에 따른, 인공지능 조리 기기를 설명하기 위한 도면이다.

이하에서는 유도 가열 조리기기의 예를 들어 인공지능 조리기기를 설명한다.

유도 가열 조리기기는 워킹 코일(Working Coil) 또는 가열코일에 고주파의 전류를 흐르게 하고, 이로 인하여 발생하는 강력한 자력선이 부하(또는, 조리용기)를 통과할 때 와류전류(Eddy Current)가 흘러 용기 자체가 가열되는 방식에 의해서 조리 기능을 수행하는 전기 조리 장치이다.

이러한 유도 가열 조리기기의 기본적인 가열원리를 살펴보면, 가열코일에 전류가 인가됨에 따라 자성체인 가열부하가 유도(Induction) 가열에 의해 열을 생성하고, 이와 같이 생성된 열에 의하여 가열부하 자체가 가열되어 조리가 이루어지게 된다.

유도 가열 조리기기에 이용되는 인버터는 가열코일에 고주파의 전류가 흐르도록 가열코일에 인가되는 전압을 스위칭시키는 역할을 한다. 인버터는 통상 IGBT(Insulated Gate Bipolar Transistor)로 이루어진 스위칭 소자를 구동시킴으로써, 고주파의 전류를 가열코일에 흐르도록 하여 가열코일에 고주파 자계가 형성되도록 한다.

도 4는 본 발명의 실시예에 따른 유도 가열 조리기기의 사시도이다.

유도 가열 조리기기는, 본체(11), 판(12), 판(12)에서 가열부하가 안착되어 가열될 수 있는 가열영역과, 사용자에 의해 유도 가열 조리기기의 동작이 제어되기 위한 조작부로 구성된다.

여기서 판(12)(plate)은 본체의 상부 외관을 형성하는 상판일 수 있다.

도 4를 참조하면, 유도 가열 조리기기(1)는, 다수의 부품이 내장되기 위한 내부공간을 형성하는 본체(11)를 포함할 수 있다. 상기 본체(11)는 상기 유도 가열 조리기기(1)의 하측외관을 형성할 수 있다.

상기 본체(11)는, 자기장을 발생시켜 열원을 제공하는 가열부(100)를 더 포함할 수 있다.

또한, 상기 본체(11)는, 상기 가열부(100)를 제어하기 위한 프로세서(180)와, 상기 가열부(100) 및 상기 프로세서(180) 중 적어도 하나에 전원을 공급하기 위한 전원공급부(도 8의 (17))를 더 포함할 수 있다. 상기 프로세서(180)는 후술되는 조작부(13)의 신호를 기초로 작동될 수 있다. 그리고, 상기 프로세서(180)는 상기 전원공급부(17)의 전원을 상기 가열부(100)로 전달시킬 수 있다.

상기 가열부(100)에 전원이 공급되면, 상기 가열부(100)에서 발생되는 자기장에 의해, 상기 판(12)에 올려진 조리 용기는 가열될 수 있다. 그리고, 상기 조리 용기에 담긴 내용물(예를 들어 물, 음식물 등)은 조리될 수 있다. 상기 조리 용기는 적어도 일부가 일례로, 철(iron), 스틸(steel) 등의 자성체로 구성될 수 있다.

한편, 상기 판(12)은, 소정의 두께를 가지도록 형성될 수 있다. 상기 판(12)은 일례로, 세라믹 소재의 열 강화유리로 형성되어 열에 강한 성질을 가질 수 있다.

상기 가열부(100)에 대응되는 상기 판(12)의 상부면에는, 조리가 수행되기 위한 가열영역(102)이 형성될 수 있다. 상기 조리 용기가 상기 가열영역(102)에 안착되면, 상기 조리 용기의 내용물이 가열될 수 있다. 상기 가열영역(102)은 상기 가열부(100)의 크기에 대응되는 크기로 형성될 수 있다.

상기 판(12)에는, 상기 가열영역(102)에 상기 조리 용기가 정위치로 안착되도록 안내 하기 위한 가이드 라인(guide line: 101)이 형성될 수 있다.

한편, 상기 가열부(100)가 복수 개로 구비되는 경우, 상기 가이드 라인은 상기 가열부의 개수와 대응되는 개수로 구비될 수 있다. 상기 가이드 라인(101)은 상기 가열영역의 둘레부와 동일하거나 더 크게 형성될 수 있다.

상기 판(12)은, 상기 프로세서(180)의 동작을 제어하는 조작부(13)를 포함할 수 있다. 상기 조작부(13)는 버튼, 노브, 및 터치스크린 등 다양한 방식으로 적용될 수 있다. 따라서, 사용자는 상기 조작부(13)를 이용하여 상기 유도 가열 조리기기(1)를 원하는 목적에 맞도록 설정할 수 있다. 일례로, 사용자는 상기 조작부(13)를 이용하여 상기 가열부(100)의 가열레벨(또는, 가열세기)를 결정할 수 있다. 그리고, 설정된 가열레벨로 상기 가열부(100)가 작동될 수 있다. 상기 가열부(100)의 가열레벨은, 상기 가열부(100)에 인가되는 자기장의 세기에 의해 결정될 수 있다.

상기 판(12)은, 상기 가열부(100)와 상기 가열부에 안착된 부하의 정보 및 상태를 표시하기 위한 수단인 표시부(14)를 더 포함할 수 있다. 상기 표시부(14)는 상기 조작부(13)에 입력된 정보가 표시될 수 있다. 일례로, 상기 표시부(14)에는, 상기 조작부(13)를 통해 설정된 상기 가열부(100)의 가열레벨이 표시될 수 있다.

또한, 상기 표시부(14)는, 상기 유도 가열 조리기기(1)의 조리가 중단되거나, 상기 유도 가열 조리기기(1)의 상태에 이상이 발생된 경우, 사용자가 인식하도록 메시지를 표시할 수 있다.

한편 진동 센서 모듈(160)은 가열 영역(102)과 다른 영역에 배치되고, 판(12)의 진동을 감지할 수 있다. 이와 관련해서는 이후에 구체적으로 설명한다.

도 5는 도 1의 II-II`의 단면도이며, 도 8은 유도 가열 조리기기의 회로구성을 간략하게 나타낸 도면이다.

상기 가열부(100)는 전기 유도 가열 요소인 워킹 코일(working coil: 103)을 포함할 수 있다. 상기 워킹코일(103)에 전류가 인가되면, 자성체인 가열부하가 유도(Induction) 가열에 의해 열을 생성하고, 생성된 열에 의하여 가열부하가 가열되어 조리가 수행될 수 있다.

한편, 상기 워킹코일(103)에 전류를 공급하기 위해서, 상기 본체(11)는 전원 공급부(17)로부터 인가되는 전원을 변환하여 가열부(100)에 공급하는 전력 변환 장치를 포함할 수 있다. 여기서 전력 변환 장치는 인버터(19)일 수 있으며, 인버터(19)는 워킹 코일(103)에 인가되는 전압을 스위칭 할 수 있다. 그리고 상기 인버터(19)에 의해서 상기 워킹코일(103)에는 고주파의 전류가 흐를 수 있다.

또한, 상기 인버터(19)를 구동시키기 위한 전원을 공급하기 위하여, 상기 본체(11)는, 전원공급부(17)로부터 공급되는 전원을 정류시키기 위한 정류부(18)를 더 포함할 수 있다. 한편, 인버터(19)는 상기 프로세서(180)에 의해 제어되어, 인가되는 전원을 스위칭할 수 있다.

정리하면, 상기 정류부(18)는 상기 전원공급부(17)로부터 공급되는 전원을 상기 인버터(19)에 공급되기 위한 전원으로 정류시킬 수 있다. 그리고, 상기 정류부(18)에 의해 정류된 전원은 상기 인버터(19)에 인가될 수 있다. 상기 인버터(19)는 워킹코일(103)에 고주파의 전류가 흐르도록 하기 위하여, 상기 워킹코일(103)에 인가되는 전압을 스위칭할 수 있다. 따라서, 워킹코일(103)에는 고주파의 자계가 형성될 수 있다. 그리고, 상기 가열영역(102)에 안착된 가열부하에는, 와류전류(eddy current)가 흘러 조리가 수행될 수 있다.

판(12)의 하부에는 진동 센서 모듈(106)이 배치될 수 있다.

또한 진동 센서 모듈(160)은 진동 센서 모듈(160)은 가열 영역(102)과 다른 영역, 즉 가열부가 배치되지 않은 영역에 배치될 수 있다. 한편 조리 용기가 가열 영역(102)에 안착하여 진동하는 경우, 진동 신호는 판(12)을 통하여 진동 센서 모듈(106)에 전달될 수 있다.

도 6은 본 발명의 제1 실시 예에 따른 진동 센서 모듈(106)을 설명하기 위한 분해 사시도이다.

도 5를 함께 참고하여 설명한다.

유도 가열 조리기기(1)는 진동 센서 모듈(106)을 포함할 수 있다.

진동 센서 모듈(160)은 본체(11)의 내부 공간에 수용될 수 있다. 구체적으로 진동 센서 모듈(160)은, 판(12)과 본체(11) 사이에 형성되는 공간에 배치될 수 있다. 이에 따라 진동 센서(610)가 유도 가열 조리기기(1)의 외부에서 발생하는 진동 신호를 감지하는 것을 최소화 할 수 있다.

한편 진동 센서 모듈(160)은, 진동 센서(610) 및 아웃터 홀더(630)를 포함할 수 있다.

아웃터 홀더(630)는 판(12)의 하부에 배치될 수 있다. 이 경우 아웃터 홀더(630)는 판(12)의 하면과 접촉할 수 있다.

구체적으로 아웃터 홀더(630)는 판(12)의 하면(15)에 연결되어 고정될 수 있으며, 이 경우 아웃터 홀더(630)의 상면은 판(12)의 하면(15)에 접촉할 수 있다. 한편 유도 가열 조리기기(1)는 아웃터 홀더(630)를 판(12)의 하면(15)에 연결시켜 고정하기 위한 체결 부재(미도시)를 포함할 수 있다.

한편 아웃터 홀더(630)가 판(12)의 하면(15)에 연결되어 고정된다고 설명하였으나 이에 한정되지 않으며, 아웃터 홀더(630)는 판(12)의 하면(15)과 이격되어 배치될 수 있다. 이 경우 유도 가열 조리기기(1)는, 판(12) 또는 본체(11)와 아웃터 홀더(630)를 연결하고, 아웃터 홀더(630)를 지지하는 체결 부재(미도시)를 포함할 수 있다.

한편 진동 센서(610)는 아웃터 홀더(630)에 수용될 수 있다. 또한 아웃터 홀더(630)는 진동 센서(610)의 상면이 판(12)의 하면(15)과 마주보도록, 상면이 개방될 수 있다. 여기서 아웃터 홀더(630)의 상면이 개방된다는 것은, 아웃터 홀더(630)의 상면 전체를 의미할 수도 있으며, 아웃터 홀더(630)의 상면 일부를 의미할 수도 있다.

이 경우 진동 센서(610)의 상면은 판(12)의 하면(15)과 이격될 수도 있고, 진동 센서(610)의 상면이 판(12)의 하면(15)과 접촉할 수도 있다.

한편 아웃터 홀더(630)는 진동 센서(610)의 측부 및 하부를 둘러쌀 수 있다. 이 경우 아웃터 홀더(630)는 진동 센서(610)와 이격되어 진동 센서(610)를 둘러쌀 수도 있으며, 진동 센서(610)와 접촉하여 진동 센서(610)를 둘러쌀 수도 있다. 여기서 진동 센서(610)의 측부 및 하부를 둘러싼다는 것은, 진동 센서(610)의 측부 및 하부 전체를 의미할 수도 있으며, 진동 센서(610)의 측부 및 하부의 일부를 의미할 수도 있다.

아웃터 홀더(630)는 진동 센서(610)와 이격되어 진동 센서(610)를 둘러싸는 경우, 진동 센서 모듈(106)은 아웃터 홀더 및 진동 센서와 연결되어 진동 센서를 지지하는 커넥터를 더 포함할 수 있다.

한편 진동 센서 모듈(160)은, 이너 홀더(620) 및 커넥터(640)를 더 포함할 수 있다.

진동 센서(610)는 이너 홀더(620)에 수용될 수 있다. 이 경우 이너 홀더(620)는 진동 센서(610)의 측부 및 하부를 둘러쌀 수 있다. 여기서 진동 센서(610)의 측부 및 하부를 둘러싼다는 것은, 진동 센서(610)의 측부 및 하부 전체를 의미할 수도 있으며, 진동 센서(610)의 측부 및 하부의 일부를 의미할 수도 있다.

한편 이너 홀더(620)는 탄성 소재로 구성될 수 있다. 이에 따라 이너 홀더(620)는 판(12)을 통하여 수신되는 진동 신호를 제외한 다른 진동 신호가 진동 센서(610)에 전달되는 것을 줄일 수 있다.

아웃터 홀더(630)는 중공구조일 수 있으며, 아웃터 홀더(630)의 내부 공간에 이너 홀더(620)가 수용될 수 있다. 이 경우 커넥터(640)는 아웃터 홀더(630) 및 이너 홀더(620)를 연결하고, 이너 홀더(620)를 지지할 수 있다.

한편 아웃터 홀더(630)는 로어 홀더(631)와 어퍼 홀더(632)를 포함할 수 있다.

어퍼 홀더(632)는 수용부(650)를 포함할 수 있다. 여기서 수용부(650)는 홀(hole) 형상일 수 있으며, 수용부(620)의 내부에는 이너 홀더(620)가 수용될 수 있다.

한편 로어 홀더(631)는 중공 구조일 수 있으며, 로어 홀더(631)의 내부 공간에 커넥터(640)가 배치될 수 있다. 그리고 커넥터(640)는 이너 홀더(620) 및 로어 홀더(631)에 연결되고 이너 홀더(620)를 지지할 수 있다.

한편 이너 홀더(620) 및 아웃터 홀더(630)에는, 진동 센서(610)의 측면 또는 하면의 일부를 진동 센서 모듈(106)의 외부로 노출시키기 위한 개구(660)가 형성될 수 있다. 이 경우 개구(660)를 통하여 진동 센서(610)와 프로세서(180)를 연결하는 배선이 형성될 수 있다.

도 7은 본 발명의 또 다른 실시 예에 따른 진동 센서 모듈 및 가압기구를 설명하기 위한 분해 사시도이다.

도 5를 함께 참고하여 설명한다.

진동 센서 모듈(700)은 진동 센서(710) 및 진동 센서가 수용되는 하우징(720)을 포함할 수 있다.

진동 센서(710)는 하우징(720)에 수용될 수 있다. 이 경우 하우징(720)은 수용부(721)를 포함할 수 있으며, 진동 센서(710)는 수용부(721)에 수용될 수 있다.

또한 하우징(720)은 진동 센서(710)의 측부 및 하부를 둘러쌀 수 있다. 또한 하우징(720)은 진동 센서(710)의 상면이 판(12)의 하면(15)과 마주보도록, 상면이 개방될 수 있다. 이 경우 진동 센서(710)의 상면은 판(12)의 하면(15)과 이격될 수도 있고, 진동 센서(610)의 상면이 판(12)의 하면(15)과 접촉할 수도 있다.

한편 가압 기구(800)는 스프링(750), 스프링 서포터(760) 및 스프링 하우징(740)을 포함할 수 있다.

스프링 서포터(760)는 본체(11)의 하판(16)에 연결될 수 있다. 또한 스프링(750)은 스프링 서포터(760)에 장착될 수 있으며, 이 경우 스프링 서포터(760)는 스프링(750)이 상판(12) 방향으로 향하도록 스프링(750)을 지지할 수 있다.

한편 스프링 하우징(740)은 스프링 수용부(741)를 포함할 수 있다. 이 경우 스프링(750)의 일부는 스프링 수용부(741)에 수용될 수 있다.

한편 가압 기구(800)는 진동 센서 모듈(700)을 상판(12) 방향으로 가압할 수 있다.

구체적으로 진동 센서 모듈(700)은, 스프링 하우징(740)의 상부에 배치될 수 있으며, 스프링(750)의 탄성력에 의해 의한 압력은 상판(12)이 배치된 방향으로 작용할 수 있다. 그리고 스프링(750)의 탄성력이 진동 센서 모듈(700)에 전달되어, 진동 센서 모듈(700)은 상판(12)이 배치된 방향으로 가압될 수 있다. 이 경우 진동 센서 모듈(700)은 가압 기구(800)와 직접 연결될 수도 있으며, 진동 흡수 기구(730)를 사이에 두고 간접적으로 연결될 수 있다.

한편 하우징(720)은 판(12)의 하부에 배치될 수 있다. 이 경우 하우징(720)은 가압 기구(800)의 가압에 의해 판(12)의 하면과 접촉할 수 있다.

이와 같이 본 구조에 따르면, 가압 기구의 가압에 의해 하우징을 판(12)에 밀착시킴으로써, 판(12)이외의 다른 루트를 통하여 전해지는 진동 신호가 진동 센서(710)로 전달되는 것을 최소화 할 수 있는 장점이 있다.

한편 진동 흡수 기구(730)는 고무 등의 탄성체로 구성될 수 있다. 또한 진동 흡수 기구(730)는 하판(16)을 통하여 전달되는 진동 신호를 흡수하여, 상기 진동 신호가 진동 센서(710)에 전달되는 것을 방지할 수 있다.

한편 유도 가열 조리기기의 예를 들어 인공지능 조리기기를 설명하였으나 이에 한정되지 않는다.

예를 들어 본 발명에서 설명하는 인공 지능 조리기기는, 가스 레인지, 전기 레인지, 오븐, 전자 레인지, 인덕션, 하이브리드, 하이라이트 등, 조리 용기의 내용물을 가열할 수 있는 모든 제품에 적용될 수 있다.

한편 인공지능 조리 기기는, 도 1에서 설명한 AI 장치(100)의 구성의 일부 또는 전부를 포함하고, AI 장치(100)가 수행하는 기능을 수행할 수 있다.

도 9는 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법은, 조리 용기의 내용물의 진동 신호를 감지하는 단계(S910), 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하여 조리 용기의 내용물이 끓는지에 대한 정보를 획득하는 단계(S930) 및 획득한 정보에 따른 제어를 수행하는 단계(S950)를 포함할 수 있다.

먼저 진동 신호를 설명한다.

진동 신호란, 조리 용기의 내용물이 가열됨에 따라 발생하는 물리적 진동을 의미할 수 있다.

그리고 진동 신호는, 조리 용기의 내용물의 온도에 따라 진동의 세기, 주파수 및 패턴 중 적어도 하나가 달라질 수 있다. 이에 따라 조리 용기의 내용물이 끓는 경우, 진동 신호는 고유의 특색을 나타낼 수 있다.

도 10은 내용물이 끓을때의 진동 신호와 내용물이 끓지 않을때의 진동 신호를 2D 이미지로 도식화 하여 나타낸 도면이다.

도 10a, 도 10b, 도 10c, 도 10d, 도 10e에서는, 조리 용기의 크기와 내용물의 종류, 내용물의 양을 다르게 한 다섯 개의 샘플의 진동 신호를 2D 이미지로 도식화 하였다.

그리고 좌측 이미지는 내용물이 끓지 않을 때 내용물에 의해 발생되는 진동 신호, 우측 이미지는 내용물이 끓고 있을 때 내용물에 의해 발생되는 진동 신호이다.

예를 들어 도 10a의 좌측 이미지는 제1 조리 용기에 담긴 물이 끓기 전에 감지되는 진동 신호이며, 도 10a의 우측 이미지는 제1 조리 용기에 담긴 물이 끓는 중에 감지되는 진동 신호이다. 다른 예를 들어, 도 10b의 좌측 이미지는 제2 조리 용기에 담긴 수프가 끓기 전에 감지되는 진동 신호이며, 도 10b의 우측 이미지는 제2 조리 용기에 담긴 수프가 끓는 중에 감지되는 진동 신호이다.

도 10을 참고하면, 내용물이 끓을 때, 또는 내용물이 끓지 않을 때의 진동 신호가 다른 특성을 나타내는 것을 알 수 있으며, 이는 조리 용기의 내용물의 온도에 따라 진동의 세기, 주파수 및 패턴 중 적어도 하나가 달라지는 것에서 기인한 것이다.

따라서 내용물이 끓을 때의 진동 신호의 특징을 추출하여 분석할 수 있다면, 진동 신호 만으로도 내용물이 끓는지 또는 끓지 않는지를 판단해낼 수 있다.

도 11은 본 발명의 실시 예에 따른, 인공지능 모델의 생성 방법을 설명하기 위한 도면이다.

먼저 인공지능에 대하여 간단히 설명한다.

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.

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(SVM: support vector machine), 그리고 인공 신경망(ANN: 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.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

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

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

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

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

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

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 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 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

본 발명의 실시 예에 따른 인공지능 모델은, 내용물이 끓는지 또는 끓지 않는지를 예측하도록 트레이닝 되거나, 내용물의 온도를 예측하도록 트레이닝 될 수 있다.

먼저 도 11a를 참조하여, 내용물이 끓는지 또는 끓지 않는지를 예측하도록 트레이닝 하는 방법을 설명한다.

학습 장치(200)는 진동 신호에 대응하는 데이터에 끓음 여부에 대한 정보를 레이블링 하여 뉴럴 네트워크(1110)를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 진동 센서를 이용하여 진동 신호를 감지하고, 감지된 진동 신호를 진동 신호에 대응하는 데이터로 변환할 수 있다. 그리고 학습 장치(200)는 진동 신호에 대응하는 데이터를 입력 값으로, 상기 진동 신호가 발생할 때의 내용물의 상태(내용물이 끓음 또는 끓지 않음)를 출력 값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다. 여기서 내용물의 상태(내용물이 끓음 또는 끓지 않음)는, 뉴럴 네트워크가 진동 신호에 대응하는 데이터를 이용하여 추론해야 하는 정답일 수 있다.

따라서 학습 장치(200)는 진동 신호에 대응하는 데이터에 끓음 여부에 대한 정보(끓음 또는 끓지 않음)을 레이블링 하여 뉴럴 네트워크에 제공할 수 있다.

이 경우 뉴럴 네트워크는 진동 신호에 대응하는 데이터 및 끓음 여부에 대한 정보(끓음 또는 끓지 않음)를 이용하여, 진동 신호에 대응하는 데이터와 끓음 여부에 대한 정보의 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.

한편 학습 장치(200)는 일정 크기의 시간 구간의 데이터를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

구체적으로 내용물이 가열되는 동안 진동 신호는 시계열적으로 감지될 수 있으며, 따라서 진동 신호에 대응하는 데이터 역시 시계열적으로 수집되는 데이터일 수 있다.

이 경우 학습 장치(200)는 시계열적으로 수집되는 데이터를 일정 크기의 시간 구간에 따라 분리하고, 분리된 데이터에 끓음 여부에 대한 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.

예를 들어 학습 장치(200)는, 시계열적으로 수집되는 데이터를 1초 단위로 분리할 수 있다. 그리고 학습 장치(200)는 1초의 시간 구간에 해당하는 데이터에 끓음 여부에 대한 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 하고, 그리고 나서 다음 1초의 시간 구간에 해당하는 데이터에 끓음 여부에 대한 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.

한편 학습 장치(200)는 다양한 종류의 조리 용기, 다양한 종류의 내용물, 다양한 양의 내용물에서 발생하는 진동 신호 및 상기 진동 신호가 발생할 때의 내용물의 상태(내용물이 끓음 또는 끓지 않음)를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

여기서 조리 용기의 종류가 다양하다는 것은, 조리 용기의 형상, 모양, 크기 및 재질 중 적어도 하나가 상이한 것을 의미할 수 있다.

또한 내용물이 다양하다는 것은, 내용물의 성분(예를 들어 물, 수프, 찌게, 국, 죽, 스튜 등)가 상이한 것을 의미할 수 있다.

또한 내용물의 양이 다양하다는 것은, 내용물의 질량 또는 부피가 상이하다는 것을 의미할 수 있다.

한편 학습 장치(200)는 진동 센서에서 감지된 진동 신호를 진동 데이터로 변환하고, 진동 신호에 대응하는 진동 데이터를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

이 경우 진동 데이터는 다양한 형식으로 진동 신호를 표현할 수 있다.

일례로, 진동 데이터는 진동 신호를 샘플링 하여 시간 영역에서 나타낸 데이터일 수 있다. 다른 예로, 진동 데이터는 진동 신호를 샘플링 한 후 고속 푸리에 변환(fast Fourier transform)하여 진동 신호를 주파수 영역에서 나타낸 데이터일 수 있다. 다른 예로 진동 데이터는, 진동 신호를 샘플링 하고 차분(difference)하여 시간 영역에서 나타낸 데이터일 수 있다. 또 다른 예로 진동 데이터는, 진동 신호를 샘플링하고 차분(difference)한후 고속 푸리에 변환(fast Fourier transform)하여 주파수 영역에서 나타낸 데이터일 수 있다.

또 다른 예로, 진동 신호의 특징(진폭, 주파수, 패턴 등)을 나타내는 이미지, 예를 들어 도 10에서 도시한 2D 이미지가 뉴럴 네트워크에 제공되는 훈련 데이터로 사용될 수 있다.

즉 진동 신호의 특징(진폭, 주파수, 패턴 등)을 나타낼 수 있는 모든 종류의 데이터가 뉴럴 네트워크의 훈련 데이터로 사용될 수 있다.

다음은 도 11b를 참조하며, 인공지능 모델이 내용물의 온도를 예측하도록 트레이닝 하는 방법을 설명한다. 또한 도 11a에서의 설명된 내용과 다른 점만을 설명하도록 한다.

학습 장치(200)는 진동 신호에 대응하는 데이터를 입력 값으로, 상기 진동 신호가 발생할 때의 내용물의 온도를 출력 값으로 이용하여 뉴럴 네트워크(1120)를 트레이닝 할 수 있다. 여기서 내용물의 온도는, 뉴럴 네트워크가 진동 신호에 대응하는 데이터를 이용하여 추론해야 하는 정답일 수 있다.

따라서 학습 장치(200)는 진동 신호에 대응하는 데이터에 온도 정보를 레이블링 하여 뉴럴 네트워크에 제공할 수 있다.

이 경우 뉴럴 네트워크는 진동 신호에 대응하는 데이터 및 온도 정보를 이용하여, 진동 신호에 대응하는 데이터와 온도에 대한 정보의 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.

또한 학습 장치(200)는 시계열적으로 수집된 데이터를 일정 크기의 시간 구간에 따라 분리하고, 분리된 데이터에 온도 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.

한편 온도는, 끓음 또는 끓지 않음과 같이 클래스(class)로 분류되는 것이 아니라, 연속적인 값으로 표현될 수 있다. 따라서 뉴럴 네트워크는 회귀분석(Regression) 알고리즘을 이용하여 트레이닝 될 수 있다.

한편 위와 같은 방식으로 트레이닝 된 뉴럴 네트워크를 인공지능 모델이라 명칭할 수 있다.

한편 인공지능 모델은 인공지능 조리기기에 탑재될 수 있다.

구체적으로 인공지능 모델은, 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 그리고 인공지능 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공지능 모델을 구성하는 하나 이상의 명령어는 인공지능 조리기기의 메모리(170)에 저장될 수 있다.

한편 진동 신호에 대응하는 데이터를 이용하여 뉴럴 네트워크를 트레이닝 하는 경우, 이러한 데이터를 진동 신호에 대응하는 훈련용 데이터라 명칭할 수 있다.

도 12는 본 발명의 실시 예에 따른, 조리 용기의 내용물이 끓는지 판단하는 방법을 설명하기 위한 도면이다.

진동 센서(610)는 조리 용기의 내용물의 진동 신호를 감지할 수 있다. 예를 들어 진동 센서(610)는 마이크일 수 있으며, 이 경우 진동 센서(610)는 조리 용기, 판(12) 및 공기 중 적어도 하나를 통하여 전달되는 진동 신호를 감지할 수 있다.

다만 마이크에 한정되지 않으며, 조리 용기의 내용물의 진동을 감지할 수 있는 다양한 방식이 진동 센서(610)의 구동에 사용될 수 있다.

한편 프로세서(180)는 진동 신호에 대응하는 데이터를 획득할 수 있다.

구체적으로 프로세서(180)는 진동 센서(610)를 이용하여 통하여 감지된 진동 신호를 진동 신호에 대응하는 데이터로 변환할 수 있다. 여기서 진동 신호에 대응하는 데이터는, 진동의 세기, 주파수 및 패턴 중 적어도 하나를 나타내는 특징 벡터일 수 있다.

이 경우 프로세서(180)는, 진동 신호를 인공 지능 모델의 훈련 데이터로 사용된 데이터와 동일한 형식의 데이터로 변환할 수 있다. 예를 들어 진동 신호를 샘플링 하여 시간 영역에서 나타낸 데이터를 훈련 데이터로 사용하여 인공지능 모델을 생성한 경우, 프로세서(180)는 진동 센서(610)에서 감지된 진동 신호를 샘플링 하여 시간 영역에서 나타낸 데이터로 변환할 수 있다.

한편 특정 크기의 시간 구간의 데이터를 훈련 데이터로 사용하여 인공지능 모델을 생성한 경우, 프로세서(180)는 상기 특정 크기의 시간 구간의 데이터를 인공지능 모델에 제공할 수 있다.

구체적으로 조리용기의 내용물이 가열되는 동안 진동 신호는 시계열적으로 감지될 수 있고, 따라서 진동 신호에 대응하는 데이터 역시 시계열적으로 수집되는 데이터일 수 있다.

그리고 프로세서(180)는 시계열적으로 수집되는 데이터를 상기 특정 크기의 시간 구간으로 분리할 수 있다. 예를 들어 1초의 시간 구간에 해당하는 데이터를 훈련 데이터로 사용하여 인공지능 모델이 생성된 경우, 프로세서(180)는 시계열적으로 수집되는 데이터를 1초의 시간 단위로 분리하고, 1초의 시간 구간에 해당하는 데이터를 인공지능 모델에 입력할 수 있다.

한편 복수의 시간 구간은 연속적일 수 있으나 이에 한정되지 않으며, 복수의 시간 구간은 연속적이지 않을 수도 있으며 서로 중복될 수도 있다.

예를 들어 복수의 시간 구간이 연속적인 경우, 제1 시간 구간에 해당하는 데이터는 가열을 시작한 시점부터 500초- 501초의 시간 구간의 진동 신호에 대응하는 데이터일 수 있으며, 제2 시간 구간에 해당하는 데이터는 가열을 시작한 시점으로부터 501초 - 502초의 시간 구간의 진동 신호에 대응하는 데이터일 수 있다.

다른 예를 들어 복수의 시간 구간이 연속적이지 않은 경우, 제1 시간 구간에 해당하는 데이터는 가열을 시작한 시점부터 500초- 501초의 시간 구간의 진동 신호에 대응하는 데이터일 수 있으며, 제2 시간 구간에 해당하는 데이터는 가열을 시작한 시점으로부터 502초 - 503초의 시간 구간의 진동 신호에 대응하는 데이터일 수 있다.

또 다른 예를 들어 복수의 시간 구간이 중복되는 경우, 제1 시간 구간에 해당하는 데이터는 가열을 시작한 시점부터 500초- 501초의 시간 구간의 진동 신호에 대응하는 데이터일 수 있으며, 제2 시간 구간에 해당하는 데이터는 가열을 시작한 시점으로부터 500.5초 ? 501.5초의 시간 구간의 진동 신호에 대응하는 데이터일 수 있다.

한편 진동 신호에 대응하는 데이터는 시계열적으로 수집되는 데이터라고 설명한 바 있다. 그리고 프로세서(180)는 진동 신호에 대응하는 데이터를 실 시간으로 인공지능 모델에 제공할 수 있다.

구체적으로, 프로세서(180)는 특정 크기의 시간 구간에 해당하는 데이터가 획득되면, 특정 크기의 시간 구간에 해당하는 데이터를 실 시간으로 인공지능 모델에 입력할 수 있다. 예를 들어 특정 크기가 1초라고 가정하는 경우, 프로세서는 500초- 501초의 시간 구간의 데이터가 획득되는 즉시 500초- 501초의 시간 구간의 데이터를 인공 지능 모델에 입력하고, 그리고 나서 501초- 502초의 시간 구간의 데이터가 획득되는 즉시 501초- 502초의 시간 구간의 데이터를 인공 지능 모델에 입력할 수 있다.

한편 프로세서(180)는 복수의 시간 구간의 시간 순서에 따라, 복수의 시간 구간의 데이터를 순차적으로 인공지능 모델에 입력할 수 있다.

예를 들어 제1 시간 구간은 500초 ? 501초, 제2 시간 구간은 501초-502초, 제3 시간 구간은 502초-503초인 경우, 프로세서(180)는 제1 시간 구간에 해당하는 데이터, 제2 시간 구간에 해당하는 데이터 및 제3 시간 구간에 해당하는 데이터를 순차적으로 인공지능 모델에 입력할 수 있다.

즉 본 발명에 따르면, 진동 신호에 대응하는 데이터를 실시 간으로 처리하여 순차적으로 인공지능 모델에 입력함으로써, 내용물이 끓는지에 대한 정보를 최대한 빨리 획득할 수 있는 장점이 있다.

한편 프로세서(180)는 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하여 조리 용기의 내용물이 끓는지에 대한 정보를 획득할 수 있다.

구체적으로 프로세서(180)는 진동 신호에 대응하는 데이터를 인공지능 모델에 제공할 수 있다. 여기서 인공지능 모델은 내용물이 끓는지에 대한 정보를 레이블링 데이터로 이용하여 트레이닝 된 뉴럴 네트워크일 수 있으며, 이 경우 인공지능 모델은 결과 값, 예를 들어 복수의 클래스(끓음 / 끓지 않음)에 각각 대응하는 스코어 또는 확률을 출력할 수 있다.

그리고, 인공지능 모델이 인공지능 모델에 제공되는 데이터를 이용하여 출력하는 결과 값에 기초하여, 프로세서는 조리 용기의 내용물이 끓는지에 대한 정보를 획득할 수 있다. 예를 들어 인공지능 모델이 내용물이 끓는 확률을 97프로로 출력한 경우, 프로세서(180)는 조리 용기의 내용물이 끓고 있는 것으로 결정할 수 있다.

다음은 도 12를 참조하며, 인공지능 조리기기의 동작 방법을 시간 순서대로 설명한다. 도 12에서는 시간(t)의 흐름에 따른 내용물의 온도(T) 변화 그래프를 도시하였다.

프로세서(180)는 제1 시간 구간(P1)에 대응하는 데이터를 인공지능 모델에 입력할 수 있다. 이 경우 인공지능 모델은 내용물이 끓지 않는다는 정보(또는 확률값)를 출력하고, 이에 따라 프로세서(180)는 내용물이 끓지 않는 것으로 결정할 수 있다. 그리고 프로세서(180)는 이와 같은 과정을 반복할 수 있다.

한편 내용물의 온도가 끓는 점(A)에 도달하여 특정 시점(B)부터 끓기 시작하였다.

그리고 프로세서(180)가 제4 시간 구간(P4)에 해당하는 데이터를 인공지능 모델에 입력할 수 있다. 이 경우 인공지능 모델은 결과 값을 출력하고, 프로세서(180)는 조리 용기의 내용물이 끓을 확률이 기 설정된 값 이상임에 따라 조리 용기의 내용물이 끓는 것으로 결정할 수 있다.

다음은 네개의 샘플을 진동 신호를 다양하게 조합하여 트레이닝 된 인공 지능 모델의 예측의 정확도를 기재한 표이다.

	A 조건 트레이닝 데이터	B 조건 트레이닝 데이터	C 조건 트레이닝 데이터	D 조건 트레이닝 데이터	합계
A 조건 테스트 데이터	96.10%	97.07%	98.13%	97.72%	97.80%
B 조건 테스트 데이터	96.03%	97.40%	96.03%	96.72%	95.95%
C 조건 테스트 데이터	93.27%	96.54%	97.12%	97.79%	97.60%
D 조건 테스트 데이터	95.31%	97.08%	97.17%	98.32%	97.43%
합계	95.27%	97.05%	97.09%	97.60%	97.15%

표 1을 참고하면, A 조건 트레이닝 데이터는 A 조건(예를 들어 500ml의 물)에서 획득된 진동 신호를 이용하여 뉴럴 네트워크를 트레이닝 했다는 의미이며, B 조건 트레이닝 데이터는 B 조건(예를 들어 1000ml의 수프)에서 획득된 진동 신호를 이용하여 뉴럴 네트워크를 트레이닝 했다는 의미이다.

또한 A 조건 테스트 데이터는 트레이닝 된 뉴럴 네트워크에 A 조건에서 획득된 진동 신호를 입력하여 정확도를 측정했다는 의미이며, B 조건 테스트 데이터는 B 조건에서 획득된 진동 신호를 트레이닝 된 뉴럴 네트워크에 입력하여 정확도를 측정했다는 의미이다.

표 1을 참조하면, A 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 A 조건의 진동 신호를 입력한 경우(96.10%의 정확도), B 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 B 조건의 진동 신호를 입력한 경우(97.40%의 정확도), C 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 C 조건의 진동 신호를 입력한 경우(97.12%의 정확도), D 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 D 조건의 진동 신호를 입력한 경우(98.32%의 정확도)에 높은 정확도를 나타내는 경향성이 도출된다. 이는 훈련 데이터를 이용하여 뉴럴 네트워크가 트레이닝 됨으로써 뉴럴 네트워크의 파라미터(가중치, 편향 등)이 최적화 되었음을 의미할 수 있다.

또한 표 1을 참조하면, A, B, C, D 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 A 조건의 진동 신호를 입력한 경우(97.80%의 정확도), A, B, C, D 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 B 조건의 진동 신호를 입력한 경우(95.95%의 정확도), A, B, C, D 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 C 조건의 진동 신호를 입력한 경우(97.60%의 정확도), A, B, C, D 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 D 조건의 진동 신호를 입력한 경우(97.43%의 정확도)에 높은 정확도를 나타내는 경향성이 도출된다. 이는 다양한 훈련 데이터를 이용하여 뉴럴 네트워크가 트레이닝 됨으로써 뉴럴 네트워크의 파라미터(가중치, 편향 등)가 더욱 최적화 될 수 있음을 의미할 수 있다.

또한 표 1을 참조하면, A, B, C, D 조건의 진동 신호를 이용하여 트레이닝 된 뉴럴 네트워크에 A 조건의 진동 신호, B 조건의 진동 신호, C 조건의 진동 신호 및 D 조건의 진동 신호를 입력하여 테스트를 진행한 경우, 전체 정확도는 97.15%로 나타났다. 이는 트레이닝 된 뉴럴 네트워크가, 다양한 상황에서 매우 정확한 확률로 내용물의 끓음 여부를 예측할 수 있음을 나타낸다.

이와 같이 본 발명에 따르면, 내용물이 끓음으로 인하여 발생되는 진동의 특징(세기, 주파수, 패턴)을 학습한 인공지능 모델을 이용하여 내용물의 끓음 여부를 결정하기 때문에, 끓음 여부 판단의 정확도를 향상시킬 수 있는 장점이 있다.

한편 온도가 매우 낮은 구간(예를 들어 P1)부터 계속적으로 인공지능 모델에 데이터를 입력하는 것은 인공지능 모델의 처리 부담을 가중시킬 수 있다. 따라서 프로세서(180)는 진동의 세기가 일정 크기 이상인 경우에 진동 신호에 대응하는 데이터를 인공지능 모델에 제공할 수 있다.

예를 들어 내용물의 온도가 상승할수록 진동의 세기는 커진다. 그리고 진동의 세기가 일정 크기 이상이라는 것이 특정 시점(c)에 감지되는 경우, 프로세서(180)는 특정 시점(c) 이후의 시간 구간(P2, P3, P4, P5)에 해당하는 데이터를 인공지능 모델에 입력할 수 있다.

한편 프로세서(180)는 연속적인 복수의 시간 구간의 데이터를 인공지능 모델에 입력하고, 연속적인 복수의 시간 구간의 데이터를 인공지능 모델에 입력하여 획득되는 정보들을 고려하여 조리용기의 내용물이 끓는 것으로 결정할 수 있다.

구체적으로 프로세서(180)는 제4 시간 구간(P4)의 데이터를 인공지능 모델에 제공하여 조리용기의 내용물이 끓는지에 대한 제1 정보를 획득할 수 있다.

또한 프로세서(180)는 제4 시간 구간(P4)의 다음 시간 구간인 제5 시간 구간(P5)의 데이터를 인공지능 모델에 제공하여, 조리 용기의 내용물이 끓는지에 대한 제2 정보를 획득할 수 있다.

또한 프로세서(180)는 제1 정보 및 제2 정보를 이용하여 조리용기의 내용물이 끓는지 여부를 결정할 수 있다.

구체적으로 제1 정보 및 제2 정보가 조리 용기의 내용물이 끓는다는 것을 나타내는 경우, 프로세서(180)는 조리 용기의 내용물이 끓는 것으로 결정할 수 있다.

또한 제1 정보는 조리 용기의 내용물이 끓는다는 것을 나타내나, 제2 정보는 조리 용기의 내용물이 끓지 않는 다는 것을 나타내는 경우, 프로세서(180)는 조리 용기의 내용물이 끓지 않는 것으로 결정할 수 있다.

한편 프로세서(180)는 제5 시간 구간(P5)의 다음 시간 구간인 제6 시간 구간의 데이터를 인공지능 모델에 제공하여, 조리 용기의 내용물이 끓는지에 대한 제3 정보를 획득할 수 있다. 그리고 제1 정보는 조리 용기의 내용물이 끓지 않는다는 것을 나타내나 제2 정보는 조리 용기의 내용물이 끓는다는 것을 나타내는 경우, 프로세서(180)는 제2 정보 및 제3 정보를 이용하여 조리용기의 내용물이 끓는지 여부를 결정할 수 있다. 예를 들어 제2 정보와 제3 정보가 모두 조리용기의 내용물이 끓는다는 것을 나타내는 경우, 프로세서(180)는 조리 용기의 내용물이 끓고 있는 것으로 결정할 수 있다.

인공지능 모델이 정확한 예측을 할 확률이 97프로인 것으로 가정한다. 97프로는 매우 높은 확률이지만, 틀린 예측을 할 확률 역시 3프로가 존재한다. 다만 본 발명에 따르면, 연속적인 복수의 시간 구간의 데이터에 대응하여 획득된 복수의 정보 모두가 조리 용기의 내용물이 끓는다는 것을 나타낼 때 조리 용기의 내용물이 끓는 것으로 결정하기 때문에, 예측의 정확도를 더욱 향상시킬 수 있는 장점이 있다.

한편 프로세서(180)는 조리 용기의 내용물이 끓는지에 대한 정보에 따른 제어를 수행할 수 있다.

이와 관련해서는 도 13을 참고하여 설명한다.

도 13은 본 발명의 실시 예에 따른, 내용물이 끓는 경우의 인공지능 조리기기의 동작을 설명하기 위한 도면이다.

조리 용기의 내용물이 끓는 경우, 프로세서는 가열부의 가열 세기가 감소되거나 가열부의 가열 동작이 중단되도록 전력 변환 장치를 제어할 수 있다.

예를 들어 전력 변환 장치가 인버터(19)인 경우, 프로세서(180)는 가열부(워킹 코일)에 인가되는 전압을 차단하거나, 가열부(워킹 코일)에 인가되는 전압을 낮추도록 인버터(19)를 제어할 수 있다.

또한 인공지능 조리기기는 스피커를 포함할 수 있다. 그리고 조리 용기의 내용물이 끓는 경우, 프로세서(180)는 스피커를 통하여 알람을 출력할 수 있다.

또한 다른 기기와의 연동 동작도 가능하다.

구체적으로 인공지능 조리 기기는 이동 단말기(1420) 및 후드(1410) 등 다른 기기와 통신할 수 있다.

또한 조리 용기의 내용물이 끓는 경우, 프로세서(180)는 다른 기기를 동작시키기 위한 제어 명령을 전송할 수 있다. 예를 들어 조리 용기의 내용물이 끓는 경우 프로세서(180)는 후드(1410)를 동작시키기 위한 제어 명령을 전송할 수 있다.

또한 프로세서(180)는 다른 기기에 알림을 전송하고, 다른 기기로부터 제어 명령을 수신할 수 있다.

예를 들어 조리 용기의 내용물이 끓는 경우, 프로세서(180)는 이동 단말기(1420)에 조리 용기의 내용물이 끓는다는 것을 나타내는 알림을 전송할 수 있다. 또한 전송된 알림에 대응하여 이동 단말기(1420)로부터 제어 명령이 수신되는 경우, 프로세서(180)는 수신된 제어 명령에 기초하여 가열부의 가열 세기를 감소시키거나 가열부의 동작을 중단시킬 수 있다.

이와 같이 본 발명에 따르면, 내용물의 끓음 여부를 감지하고 이에 따른 제어를 수행하기 때문에, 내용물의 끓어넘침, 화재 등을 예방하고, 사용자가 내용물이 끓는지를 지속적으로 확인해야 하는 불편함을 방지할 수 있다.

다음은 내용물의 온도 정보를 획득하고, 내용물의 온도 정보에 기초하여 조리 용기의 내용물이 끓는지에 대한 정보를 획득하는 방법에 대하여 설명한다.

프로세서(180)는 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하여 조리 용기의 내용물이 끓는지에 대한 정보를 획득할 수 있다.

구체적으로 프로세서(180)는 진동 신호에 대응하는 데이터를 인공지능 모델에 제공할 수 있다. 여기서 인공지능 모델은 내용물의 온도 정보를 레이블링 데이터로 이용하여 트레이닝 된 뉴럴 네트워크일 수 있으며, 이 경우 인공지능 모델은 결과 값, 예를 들어 내용물의 온도 정보를 출력할 수 있다.

그리고, 인공지능 모델이 인공지능 모델에 제공되는 데이터를 이용하여 출력하는 온도 정보에 기초하여, 프로세서는 조리 용기의 내용물이 끓는지에 대한 정보를 획득할 수 있다. 예를 들어 인공지능 모델이 100도의 온도 정보를 출력한 경우, 프로세서(180)는 조리 용기의 내용물이 끓고 있는 것으로 결정할 수 있다.

한편 인공지능 모델이 온도 정보를 출력하는 경우, 내용물이 끓기 이전에 가열부를 제어하는 것이 가능하다.

구체적으로 프로세서(180)는, 온도 정보에 기초하여, 내용물의 온도가 기 설정된 값보다 크면 가열부의 가열 세기가 감소되거나 가열부의 가열 동작이 중단되도록 전력 변환 장치를 제어할 수 있다.

또한 기 설정된 값은 끓는 점보다 작은 값일 수 있다. 예를 들어 프로세서(180)는 내용물의 온도가 95도보다 크면 가열부의 가열 세기가 감소되거나 가열부의 가열 동작이 중단되도록 전원 전력 변환 장치를 제어할 수 있다.

이와 같이 본 발명에 따르면, 내용물의 온도를 예측함으로써 내용물이 끓는 것을 사전에 예방할 수 있는 장점이 있다.

한편 프로세서는 인공지능 모델이 출력하는 온도 정보 및 사용자에 의해 설정된 온도 정보를 이용하여, 내용물이 사용자에 의해 설정된 온도 정보를 유지하도록 가열부를 제어할 수 있다.

구체적으로 프로세서는 온도 정보를 설정하기 위한 입력을 입력부를 통하여 수신할 수 있다.

또한 프로세서는 사용자에 의해 설정된 온도 정보 및 인공지능 모델이 출력하는 온도 정보를 비교하고, 비교 결과에 따른 제어를 수행함으로써, 내용물이 사용자에 의해 설정된 온도 정보를 유지하도록 제어할 수 있다.

예를 들어 사용자가 70도를 설정하였고 인공지능 모델이 75도의 온도 정보를 출력한 경우, 프로세서(180)는 가열 세기를 감소시키도록 전력 변환 장치를 제어할 수 있다.

다른 예를 들어 사용자가 70도를 설정하였고, 인공지능 모델이 65도의 온도 정보를 출력한 경우, 프로세서(180)는 가열 세기를 증가시키도록 전력 변환 장치를 제어할 수 있다.

다른 예를 들어 사용자가 10분간 100도, 그 다음 10분간 70도를 설정한 경우, 프로세서(180)는 사용자가 설정한 온도 정보 및 인공지능 모델이 출력하는 온도 정보에 기초하여 전력 변환 장치를 제어할 수 있다.

최근 단순히 끓이는 방식의 조리 기법 이외에도, 수비드 기법 등 일정 온도의 유지가 중요한 조리 기법이 나타나고 있다. 그리고 본 발명에 따르면, 사용자의 온도 설정 만으로 다양한 조리 기법에 부합하는 조리를 수행할 수 있는 장점이 있다.

도 14는 본 발명의 또 다른 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.

앞선 실시 예에서는 인공지능 모델이 인공지능 조리기기에 탑재되는 것으로 설명하였다. 다만 이에 한정되지 않으며, 인공지능 모델은 인공지능 서버(1330)에 탑재될 수 있다.

한편 인공지능 서버(1330)는 복수의 인공지능 조리기기(1, 1310, 1320)과 통신하고, 복수의 인공지능 조리기기(1, 1310, 1320)에 끓음 여부 감지 서비스를 제공할 수 있다.

구체적으로 인공지능 조리 기기(1)는, 진동 신호에 대응하는 데이터를 인공지능 서버(1330)에 전송할 수 있다.

이 경우 인공지능 서버(1330)는 진동 신호에 대응하는 데이터를 수신하고, 진동 신호에 대응하는 데이터를 인공지능 모델에 입력하여 조리 용기의 내용물이 끓는지에 대한 정보를 획득할 수 있다.

또한 인공지능 서버(1330)는 조리 용기의 내용물이 끓는지에 대한 정보를 인공지능 조리 기기(1)에 전송할 수 있다.

한편 인공지능 조리 기기(1)는 조리 용기의 내용물이 끓는지에 대한 정보를 수신하고, 수신된 정보에 따른 제어를 수행할 수 있다.

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 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 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.

180: 프로세서

Claims

조리 용기의 내용물을 가열하기 위한 가열부;
상기 조리 용기의 내용물의 진동 신호를 감지하는 진동 센서; 및
상기 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하여 상기 조리 용기의 내용물이 끓는지에 대한 정보를 획득하고, 상기 획득한 정보에 따른 제어를 수행하는 프로세서를 포함하는
인공지능 조리기기.
제 1항에 있어서,
상기 인공지능 모델은,
진동 신호에 대응하는 훈련용 데이터에 및 끓음 여부에 대한 정보를 레이블링 하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 2항에 있어서,
상기 프로세서는,
상기 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하고, 상기 인공지능 모델이 상기 제공되는 데이터를 이용하여 출력하는 결과 값에 기초하여 상기 조리 용기의 내용물이 끓는지에 대한 정보를 획득하는
인공지능 조리기기.
제 1항에 있어서,
상기 인공지능 모델은,
진동 신호에 대응하는 훈련용 데이터에 온도 정보를 레이블링 하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 4항에 있어서,
상기 프로세서는,
상기 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하고, 상기 인공지능 모델이 상기 제공되는 데이터를 이용하여 출력하는 온도 정보에 기초하여 상기 조리 용기의 내용물이 끓는지에 대한 정보를 획득하는
인공지능 조리기기.
제 1항에 있어서,
상기 진동 신호에 대응하는 데이터는,
진동의 세기, 주파수 및 패턴 중 적어도 하나를 나타내는 특징 벡터인
인공지능 조리기기.
제 1항에 있어서,
상기 프로세서는,
상기 진동 신호에 대응하는 제1 시간 구간의 데이터를 상기 인공지능 모델에 제공하여 상기 조리 용기의 내용물이 끓는지에 대한 제1 정보를 획득하고,
상기 제1 시간 구간의 다음 시간 구간인 제2 시간 구간의 데이터를 상기 인공지능 모델에 제공하여 상기 조리 용기의 내용물이 끓는지에 대한 제2 정보를 획득하고,
상기 제1 정보 및 상기 제2 정보가 상기 조리 용기의 내용물이 끓는다는 것을 나타내는 경우, 상기 조리 용기의 내용물이 끓는 것으로 결정하는
인공지능 조리기기.
제 1항에 있어서,
상기 가열부에 전압을 공급하는 전력 변환 장치를 더 포함하고,
상기 프로세서는,
상기 조리 용기의 내용물이 끓는 경우, 상기 가열부의 가열 세기가 감소되거나 상기 가열부의 가열 동작이 중단되도록 상기 전력 변환 장치를 제어하는
인공지능 조리기기.
제 4항에 있어서,
상기 프로세서는,
상기 진동 신호에 대응하는 데이터를 인공지능 모델에 제공하고,
상기 인공지능 모델이 상기 제공되는 데이터를 이용하여 출력하는 온도 정보에 기초하여, 상기 내용물의 온도가 기 설정된 값보다 크면 상기 가열부의 가열 세기가 감소되거나 상기 가열부의 가열 동작이 중단되도록 상기 전력 변환 장치를 제어하는
인공지능 조리기기.
제 1항에 있어서,
상기 조리 용기가 안착되는 판(plate);
상기 인공지능 조리기기의 하측 외관을 형성하는 본체; 및
상기 진동 센서를 포함하는 진동 센서 모듈을 더 포함하고,
상기 진동 센서 모듈은,
상기 본체의 내부 공간에 수용되는
인공지능 조리기기.
제 10항에 있어서,
상기 진동 센서 모듈은,
상기 진동 센서가 수용되고 상기 판(plate)의 하부에 배치되는 아웃터 홀더를 더 포함하고,
상기 아웃터 홀더는,
상기 진동 센서의 상면이 상기 판(plate)의 하면과 마주보도록 상면이 개방되는
인공지능 조리기기.
제 11항에 있어서,
상기 아웃터 홀더는, 상기 판(plate)의 하면과 접촉하는
인공지능 조리기기.
제 11항에 있어서,
상기 아웃터 홀더는,
상기 진동 센서의 측부 및 하부를 둘러싸는
인공지능 조리기기.
제 11항에 있어서,
상기 진동 센서 모듈은,
상기 진동 센서가 수용되는 이너 홀더; 및
상기 아웃터 홀더 및 상기 이너 홀더와 연결되어 상기 이너 홀더를 지지하는 커넥터를 더 포함하는
인공지능 조리기기.
제 1항에 있어서,
상기 인공지능 조리기기의 하측 외관을 형성하는 본체;
상기 진동 센서 및 상기 진동 센서가 수용되는 하우징을 포함하는 진동 센서 모듈; 및
스프링 및 ‘상기 본체의 하판에 연결되고 상기 스프링을 지지하는 스프링 서포터’를 포함하고, 상기 진동 센서 모듈을 상기 판(plate) 방향으로 가압하는 가압 기구를 더 포함하는
인공지능 조리기기.