KR20210056173A

KR20210056173A - 인공지능 조리 기기

Info

Publication number: KR20210056173A
Application number: KR1020190142974A
Authority: KR
Inventors: 심현승
Original assignee: 엘지전자 주식회사
Priority date: 2019-11-08
Filing date: 2019-11-08
Publication date: 2021-05-18
Also published as: US20210137310A1; WO2021091030A1

Abstract

인공지능 조리기기가 개시된다. 본 발명의 실시 예에 따른 인공지능 조리기기는, 조리를 수행하는 조리부, 요리를 촬영하는 하나 이상의 카메라, 출력부, 및, 상기 요리가 촬영된 영상을 인공지능 모델에 제공함으로써 조리 상태를 획득하고, 상기 조리 상태를 나타내는 결과 데이터를 출력하도록 상기 출력부를 제어하는 프로세서를 포함하고, 상기 인공지능 모델은, 훈련용 요리 영상 및 상기 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크이다.

Description

인공지능 조리 기기 {ARTIFICIAL INTELLIGENCE COOKING DEVICE}

본 발명은, 요리를 촬영하여 조리 상태를 확인할 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 오븐, 전자레인지 등의 조리기기를 이용하여 조리를 수행할 때, 사용자는 자신의 경험이나 레시피를 이용하여 온도와 시간을 설정한다.

다만 그릇의 모양, 그릇의 위치, 재료의 상태, 재료의 양, 재료의 크기, 요리 실력 등 다양한 조건에 의해 조리 상태(음식이 다 익었는지, 부분적으로만 익었는지, 익지 않았는지 등)가 달라질 수 있다.

현재 조리 상태를 확인하는 방법은 경험적인 방법으로, 사용자가 요리를 직접 꺼내서 눈으로 확인하거나 손으로 눌러보거나 냄새를 맡아보는 것이다.

다만 이러한 방법은 정확하지 않고, 불편하며, 경우에 따라서는 사용자가 화상을 입을 수도 있다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 요리를 촬영하여 조리 상태를 확인할 수 있는 인공지능 조리기기를 제공하기 위함이다.

인공지능 조리기기는, 조리를 수행하는 조리부, 요리를 촬영하는 하나 이상의 카메라, 출력부, 및, 상기 요리가 촬영된 영상을 인공지능 모델에 제공함으로써 조리 상태를 획득하고, 상기 조리 상태를 나타내는 결과 데이터를 출력하도록 상기 출력부를 제어하는 프로세서를 포함하고, 상기 인공지능 모델은, 훈련용 요리 영상 및 상기 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

본 발명에 따르면, 조리 상태를 확인하기 위하여 경험적인 방법을 사용할 필요 없이, 영상을 촬영하는 것 만으로도 조리 상태를 파악할 수 있는 장점이 있다. 따라서 본 발명에 따르면 사용자의 불편함을 해소할 수 있으며, 조리 상태를 더욱 정확히 파악할 수 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 4 내지 도 6은 본 발명의 실시 예에 따른 인공지능 조리 기기를 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.
도 8은 조리를 수행하는 방법을 설명하기 위한 도면이다.
도 9는 요리의 영상을 촬영하여 인공지능 모델에 제공하는 방법을 설명하기 위한 도면이다.
도 10은 인공지능 모델의 트레이닝 방법을 설명하기 위한 도면이다.
도 11은 부분별 익힘 정도를 설명하기 위한 도면이다.
도 12는 부분별 익힘 여부 또는 부분별 익힘 정도를 색상으로 표시하는 방법을 설명하기 위한 도면이다.
도 13은 다양한 종류의 요리에 대응하는 복수의 인공지능 모델을 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 6은 본 발명의 실시 예에 따른 인공지능 조리 기기를 설명하기 위한 도면이다.

이하에서는 오븐의 예를 들어 인공지능 조리기기를 설명한다.

일반적으로, 오븐은 소정의 공간에 배치된 음식물을 가열하여 조리하는 기기이다. 상기 오븐은 그 열원에 따라 전기식, 가스식, 전자식 등으로 구분될 수 있다. 예를 들어, 전기오븐은 전기히터를 열원으로 이용하고, 가스오븐은 가스에 의한 열을 열원으로 이용하며, 전자오븐(전자레인지)는 고주파로 인한 물분자의 마찰열을 열원으로 이용하고 있다.

도 4는 본 발명의 일 실시 예에 따른 오븐을 도시한 도면이고, 도 5는 본 발명의 일 실시 예에 따른 오븐의 도어 개방을 도시한 도면이다.

도 4 내지 도 5에 도시된 바와 같이, 본 발명의 사상에 따른 오븐(1)에는, 외관을 형성하는 케이스(10) 및 상기 케이스(10)의 일 면에 부착되는 도어(20)가 포함된다.

상기 케이스(10)는 내부공간을 갖는 형상으로 마련되고, 전방이 개방된다. 상기 케이스(10)는 소정의 박스형상으로 형성될 수 있으며, 외측에 사용자에 제공되는 전원부(14), 입력부(15) 및 디스플레이부(16)가 구비된다.

상기 전원부(14)는 사용자가 상기 오븐(1)의 전원을 ON/OFF 할 수 있는 다양한 형상으로 마련된다. 또한, 상기 입력부(15)는 사용자가 각종 모드, 온도 및 시간 등을 선택할 수 있도록 복수의 버튼으로 마련된다.

상기 디스플레이부(16)는 사용자가 상기 오븐(1)의 상태를 판단할 수 있도록 소정의 정보를 가시화하는 구성으로 이해될 수 있다. 특히, 상기 디플레이부(16)는 상기 전원부(14)와 함께 ON/OFF 될 수 있으며, 소정의 패널 형태로 구비될 수 있다. 이와 같은 디스플레이부(16)에 대해서는 자세하게 후술한다.

상기 케이스(10)의 내부에는, 음식물이 수용되는 조리실(11)이 형성된다. 상기 조리실(11)의 내부에는 음식물을 올려두기 위한 그릴(12)이 구비될 수 있다. 또한, 상기 조리실(11)의 내측벽에는, 상기 그릴(12)이 착탈가능하게 설치되도록, 그릴장착부(13)가 구비될 수 있다. 상기 그릴(12) 및 상기 그릴장착부(13)는 다양한 개수 및 형상으로 구비될 수 있다.

또한, 상기 케이스(10)의 내부 및 상기 조리실(11)의 외측에는 가열부(17), 팬(18) 및 상기 팬(18)에 구동력을 제공하는 팬모터(19)가 배치된다. 상기 가열부(17)는 상기 조리실(11) 내를 가열하며, 상기 팬(18)은 상기 조리실(11) 내부 공기를 유동시키는 구성으로 이해된다.

상기 가열부(17)는 전기의 입력에 의해 열을 발산하는 전기히터로 구비될 수 있으며, 상기 케이스(10)의 일 측에 설치될 수 있다. 또한, 상기 가열부(17)는 상기 팬(18)의 일 측에 설치되어 상기 팬(18)과 일체로 구성될 수 있다. 상기 팬(18)은 상기 팬모터(19)로부터 구동력을 전달받아 상기 조리실(11) 내에 상기 가열부(17)에 의해 가열된 공기를 유동시킨다.

즉, 상기 가열부(17) 및 상기 팬(18)은 상기 조리실(11) 내부의 음식물을 조리하는 구성으로 이해되며, 도면에서 도시한 형상은 예시적인 것으로 다양하게 구비될 수 있다. 또한, 본 발명의 사상에 따른 오븐(1)은 전기를 열원으로 하는 전기식 오븐에 한정되지 않고, 가스식, 전자식 등 다양한 열원으로 음식물을 조리할 수 있다.

상기 도어(20)는 상기 케이스(10)의 개방된 전면에 상기 조리실(11)을 개폐하도록 배치된다. 즉, 상기 도어(20)에 의해 상기 조리실(11)이 개폐될 수 있다. 설명의 편의상, 상기 도어(20)의 설치구조 및 잠금장치 등에 관한 구성은 생략하고 도시하였다.

도 5에 도시된 바와 같이, 상기 도어(20)는 상기 케이스(10)의 전면에 전방으로 회동가능하게 설치된다. 또한, 상기 도어(20)에는 사용자가 파지하여 회동시킬 수 있는 손잡이(21)가 구비될 수 있다.

또한, 본 발명의 사상에 따른 오븐(1)에는, 상기 조리실(11) 내부 상태를 감지할 수 있는 소정의 감지부가 구비될 수 있다. 상기 감지부에는, 상기 조리실(11) 내부를 촬영할 수 있는 카메라(32)가 구비될 수 있다. 상기 카메라(32)는 상기 조리실(11)의 일 측에 배치되어 상기 조리실(11) 내부의 영상을 제공할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 오븐의 제어구성을 도시한 도면이다.

본 발명의 사상에 따른 오븐(1)에는 상기의 구성을 제어하는 프로세서(50)가 구비된다.

사용자는 상기 전원부(14) 및 상기 입력부(15)를 이용하여 상기 프로세서 (50)에 소정의 명령을 전달할 수 있다. 이때, 상기 전원부(14) 및 상기 입력부(15)는 앞서 설명한 바와 같이 상기 케이스(11)의 외측에 구비되거나, 사용자의 모바일기기(60)에 구비될 수 있다.

예를 들어, 상기 프로세서(50)와 상기 모바일기기(60)는 블루투스 등으로 연결되어 소정의 정보를 주고 받을 수 있다. 즉, 사용자는 원거리에서 상기 오븐(1)을 제어하는 명령을 입력할 수 있다. 예를 들어, 사용자는 모바일기기(60)를 이용하여 상기 오븐(1)을 예열시키고, 예열이 완료된 후 상기 오븐(1)에 접근하여 음식물을 투입할 수 있다.

또한, 상기 프로세서(50)는 소정의 감지부에 의해 감지된 정보를 전달받을 수 있다. 상기 감지부에는 앞서 설명한 카메라(32)와 상기 조리실(11) 내부의 온도를 측정하는 온도센서(30) 등이 포함될 수 있다. 자세하게는, 상기 카메라(32)는 상기 조리실(11) 내부를 촬영하여 생성된 영상을 상기 프로세서 (50)에 전달하고, 상기 온도센서(30)는 상기 조리실(11) 내부 온도정보를 상기 프로세서(50)에 전달할 수 있다.

또한, 상기 프로세서(50)에는 소정의 시간을 측정하는 타이머(52)가 구비될 수 있다. 예를 들어, 상기 프로세서(50)는 조리가 시작될 때 상기 타이머(52)에 명령을 전달하여 조리시간을 측정하거나, 예약시간에 맞추어 상기 오븐(1)의 전원을 ON 할 수 있다.

상기 프로세서(50)는 상기 가열부(17)를 가동시키고, 상기 팬모터(19)에 전원을 공급하여 상기 팬(18)을 구동시킬 수 있다.

또한, 상기 프로세서(50)는 소정의 정보를 상기 디스플레이부 또는 상기 모바일기기(60)에 전달하여 가시화할 수 있다. 예를 들어, 상기 온도센서(30)에 의해 전달된 온도 및 상기 타이머(52)에 의해 측정되는 조리시간을 가시화할 수 있다.

상기 디스플레이부에는 앞서 설명한 상기 케이스 디스플레이부(16) 및 상기 도어 디스플레이부(40)가 포함된다. 상기 프로세서(50)는 상기 케이스 디스플레이부(16), 상기 도어 디스플레이부(40) 및 상기 모바일기기(60) 중 적어도 어느 하나에 정보를 가시화할 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.

또한 인공지능 조리기기는, 도 4 내지 도 6에서 설명한 오븐의 구성의 일부 또는 전부를 포함하고, 오븐이 수행하는 기능을 수행할 수 있다.

한편 오븐의 예를 들어 인공지능 조리기기를 설명하였으나 이에 한정되지 않는다.

예를 들어 본 발명에서 설명하는 인공 지능 조리기기는, 가스 레인지, 전기 레인지, 전자 레인지, 인덕션, 하이브리드, 하이라이트 등, 조리를 수행하기 위한 조리부를 포함하는 모든 제품에 적용될 수 있다.

도 7은 본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 인공지능 조리기기의 동작 방법은, 조리를 수행하는 단계(S710), 요리의 영상을 촬영하는 단계(S720), 요리를 촬영한 영상을 인공지능 모델에 제공하여 조리 상태를 획득하는 단계(S730), 조리 상태를 나타내는 결과 데이터를 출력하는 단계(S740) 및 인공지능 모델에 의하여 조리 완료를 나타내는 결과 값이 출력도면 조리의 수행을 중단하는 단계(S750)를 포함할 수 있다.

도 8은 조리를 수행하는 방법을 설명하기 위한 도면이다.

인공지능 조리기기는 조리를 수행하는 조리부(미도시)를 포함할 수 있다.

인공지능 조리기기가 오븐(1)인 경우, 조리부(미도시)는 가열부(17), 팬(18) 및 팬모터(19)를 포함할 수 있다. 또한 조리부(미도시)는 열대류를 발생시키거나, 공기의 순환 방향을 조절할 수 있는 팬 및 팬 모터를 포함할 수 있다.

인공지능 조리기기가 전자 레인지인 경우, 전자 레인지는 도어가 설치된 캐비닛, 캐비닛의 일측에 설치되어 조리 대상물을 수용할 수 있는 캐비티와, 캐비티의 내부 바닥에 설치되어 조리 대상물이 놓여질 수 있는 평평한 플랫 테이블(Flat table), 캐비닛의 타측에 설치되어 조리 대상물을 가열시킬 수 있는 전자파를 발생시키는 마그네트론, 마그네트론과 캐비티를 연결하는 웨이브가이드, 플랫 테이블을 회전시키는 구동 모터, 열대류를 발생시키거나, 공기의 순환 방향을 조절할 수 있는 팬 및 팬 모터, 및 전자레인지의 작동을 제어하는 컨트롤러를 포함할 수 있다.

전자레인지를 작동시키면, 마그네트론으로부터 전자파가 발생되고, 이 전자파가 웨이브가이드 및 스터러를 통해 캐비티로 방사되어 플랫 테이블 위의 조리 대상물에 침투된다. 그러면, 전자파로 인해 조리 대상물의 분자 운동이 활성화되어 조리 대상물에 열이 발생함으로써 조리 대상물이 조리된다.

한편 인공지능 조리기기가 전자 레인지인 경우, 조리부는 캐비티, 마그네트론, 웨이브가이드, 스터러, 플랫 테이블, 구동 모터 열대류를 발생시키거나 공기의 순환 방향을 조절할 수 있는 팬 및 팬 모터를 포함할 수 있다.

한편 프로세서는 조리를 수행하도록 조리부를 제어할 수 있으며, 조리가 수행됨에 따라 인공지능 조리기기의 내부(또는 인공지능 조리기기 상에) 배치된 요리는 익을 수 있다.

도 9는 요리의 영상을 촬영하여 인공지능 모델에 제공하는 방법을 설명하기 위한 도면이다.

도 9를 참조하면, 프로세서는 카메라를 통하여 요리를 촬영할 수 있다.

구체적으로 프로세서는, 인공지능 조리기기가 조리 동작을 수행하는 중, 인공지능 조리기기의 내부의(또는 인공지능 조리기기 상의) 요리를 촬영할 수 있다. 또한 프로세서는, 인공지능 조리기기가 조리 동작을 완료한 이후, 인공지능 조리기기의 내부의(또는 인공지능 조리기기 상의) 요리를 촬영할 수 있다.

한편 카메라는 조리실 내부를 촬영할 수 있도록 배치될 수 있으나, 이에 한정되지 않는다.

예를 들어 카메라는 인공지능 조리기기의 전방을 촬영하도록 배치될 수 있다. 이 경우 사용자는 요리를 카메라 앞에 놓고 영상의 촬영을 요청할 수 있으며, 프로세서는 요리가 촬영된 영상을 이용하여 조리 상태를 나타내는 결과 데이터를 출력할 수 있다.

한편 프로세서는, 인공지능 조리기기가 조리 동작을 수행하는 중, 기 설정된 주기마다 요리를 촬영할 수 있다.

다만 이에 한정되지 않으며, 입력부를 통하여 사용자로부터 조리 상태 확인 요청이 수신되면, 프로세서는 요리를 촬영할 수 있다. 예를 들어 사용자로부터 “얼마나 익었는지 확인해줘”라는 음성 입력이 수신되면, 프로세서는 요리를 촬영하고 요리가 촬영된 영상을 인공지능 모델에 제공할 수 있다.

한편 프로세서는 요리가 촬영된 영상(910)을 인공지능 모델(920)에 제공할 수 있다. 구체적으로 프로세서는, 요리가 촬영된 영상(910)을 인공지능 모델(920)의 입력 데이터로써, 인공지능 모델(920)에 제공할 수 있다.

도 10은 인공지능 모델의 트레이닝 방법을 설명하기 위한 도면이다.

먼저 인공지능 모델(920)의 생성 방법을 설명한다.

인공지능 모델(920)은, 훈련용 요리 영상 및 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

여기서 훈련용 조리 상태는, 조리의 완료 여부, 조리의 완료 정도, 요리의 부분별 익힘 여부 또는 요리의 부분별 익힘 정도를 포함할 수 있다.

먼저 도 10a를 참고하여, 조리의 완료 여부를 예측하도록 뉴럴 네트워크(1020)를 트레이닝 하는 방법을 설명한다.

인공지능 모델(920)은 요리를 포함하는 훈련용 영상 데이터와 조리의 완료 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1020)일 수 있다.

조리의 완료 여부는, 조리가 완료되었음을 나타내는 정보 정보 및 조리가 완료 되지 않았음을 나타내는 정보 포함할 수 있다. 여기서 조리가 완료되었다는 것은 요리의 모든 부분이 익었다는 것을 의미하며, 조리가 완료되지 않았다는 것은 요리의 일부 또는 전부가 덜 익었다는 것을 의미할 수 있다.

그리고 학습 장치(200)는 훈련용 요리 영상(1010)에 조리의 완료 여부에 대한 정보를 레이블링 하여 뉴럴 네트워크(1020)를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 훈련용 요리 영상(트레이닝을 위하여 수집된 영상으로써, 요리를 포함하는 영상)을 입력값으로, 훈련용 요리 영상에 포함되는 요리에 대한 조리의 완료 여부를 출력값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다. 여기서 조리의 완료 여부(조리가 완료 되었는지 또는 조리가 완료되지 않았는지)는, 뉴럴 네트워크가 훈련용 요리 영상을 이용하여 추론해야 하는 정답일 수 있다.

예를 들어 학습 장치(200)는, 조리가 완료된 요리의 영상(예를 들어 모든 부위가 다 익은 치킨)에 조리가 완료되었음을 나타내는 정보를 레이블링 하여 뉴럴 네트워크(1020)를 트레이닝 할 수 있다.

다른 예를 들어 학습 장치(200)는, 조리가 완료되지 않은 요리의 영상 (예를 들어 모든 부위가 80프로만 익은 치킨, 또는 일부 부위만 익지 않은 치킨)에 조리가 완료되지 않았음을 나타내는 정보를 레이블링 하여 뉴럴 네트워크(1020)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(1020)는 훈련용 요리 영상 및 조리의 완료 여부에 대한 정보(조리가 완료되었음을 나타내는 정보 또는 조리가 완료 되지 않았음을 나타내는 정보)를 이용하여, 훈련용 요리 영상과 조리의 완료 여부의 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.

다음은 도 10b를 참고하여, 조리의 완료 정도를 예측하도록 뉴럴 네트워크(1030)를 트레이닝 하는 방법을 설명한다.

인공지능 모델(920)은, 요리를 포함하는 훈련용 영상 데이터와 조리의 완료 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1030)일 수 있다.

조리의 완료 정도는, 요리가 얼마나 익었는지에 대한 정보를 포함할 수 있다.

그리고 학습 장치(200)는 훈련용 요리 영상(1010)에 조리의 완료 정도에 대한 정보를 레이블링 하여 뉴럴 네트워크(1030)를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 훈련용 요리 영상(트레이닝을 위하여 수집된 영상으로써, 요리를 포함하는 영상)을 입력값으로, 훈련용 요리 영상에 포함되는 요리에 대한 조리의 완료 정도를 출력값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다. 여기서 조리의 완료 정도(조리가 얼마나 완료되었는지)는, 뉴럴 네트워크가 훈련용 요리 영상을 이용하여 추론해야 하는 정답일 수 있다.

예를 들어 학습 장치(200)는, 조리가 완료된 요리의 영상(예를 들어 모든 부위가 다 익은 치킨)에 조리가 100% 완료되었음을 나타내는 정보를 레이블링 하여 뉴럴 네트워크(1030)를 트레이닝 할 수 있다.

다른 예를 들어 학습 장치(200)는, 조리가 70프로 완료된 영상(예를 들어 모든 부위가 70프로만큼 익은 치킨, 또는 70프로의 부위가 완전히 익고 30프로의 부위가 덜 익은 치킨 등)에 조리가 70% 완료되었음을 나타내는 정보를 레이블링 하여 뉴럴 네트워크(1030)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(1020)는 훈련용 요리 영상 및 조리의 완료 정도를 이용하여, 훈련용 요리 영상과 조리의 완료 정도의 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.

다음은 도 10c를 참고하여, 요리의 부분별 익힘 여부를 예측하도록 뉴럴 네트워크(1040)를 트레이닝 하는 방법을 설명한다.

인공지능 모델(920)은, 요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1040)일 수 있다.

조리의 부분별 익힘 여부는, 다 익은 영역 및 덜 익은 영역에 대한 정보를 포함할 수 있다.

그리고 학습 장치(200)는 훈련용 요리 영상(1010)에 요리의 부분별 익힘 여부에 대한 정보를 레이블링 하여 뉴럴 네트워크(1040)를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 훈련용 요리 영상(트레이닝을 위하여 수집된 영상으로써, 요리를 포함하는 영상)을 입력값으로, 훈련용 요리 영상에 포함되는 요리에 대한 부분별 익힘 여부를 출력 값으로 이용하여 뉴럴 네트워크(1040)를 트레이닝 할 수 있다. 여기서 조리의 부분별 익힘 여부(다 익은 영역 및 덜 익은 영역)는, 뉴럴 네트워크가 훈련용 요리 영상을 이용하여 추론해야 하는 정답일 수 있다.

예를 들어 학습 장치(200)는, 요리 영상(예를 들어 가슴 부분은 익지 않고, 가슴을 제외한 다른 부분는 익은 치킨)에 조리가 완료된 영역 및 조리가 완료되지 않은 영역 중 적어도 하나를 레이블링 하여, 뉴럴 네트워크(1040)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(1040)는 훈련용 요리 영상 및 요리의 부분별 익힘 여부에 대한 정보를 이용하여, 훈련용 요리 영상과 요리의 부분별 익힘 여부의 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.

다음은 도 10d 및 도 11을 참고하여, 요리의 부분별 익힘 정도를 예측하도록 뉴럴 네트워크(1050)를 트레이닝 하는 방법을 설명한다.

도 11은 부분별 익힘 정도를 설명하기 위한 도면이다.

인공지능 모델(920)은, 요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1050)일 수 있다.

조리의 부분별 익힘 정도는, 영역별로 요리가 얼마나 익었는지에 대한 정보를 포함할 수 있다. 예를 들어 조리의 부분별 익힘 정도는, 제1 값만큼 익은 제1 영역에 대한 정보, 제2값 만큼 익은 제2 영역에 대한 정보, 제3 값만큼 익은 제3 영역에 대한 정보를 포함할 수 있다.

그리고 학습 장치(200)는 훈련용 요리 영상(1010)에 요리의 부분별 익힘 정도를 레이블링 하여 뉴럴 네트워크(1050)를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 훈련용 요리 영상(트레이닝을 위하여 수집된 영상으로써, 요리를 포함하는 영상)을 입력값으로, 훈련용 요리 영상에 포함되는 요리에 대한 부분별 익힘 정도를 출력 값으로 이용하여 뉴럴 네트워크(1040)를 트레이닝 할 수 있다. 여기서 조리의 부분별 익힘 정도는, 뉴럴 네트워크가 훈련용 요리 영상을 이용하여 추론해야 하는 정답일 수 있다.

예를 들어 학습 장치(200)는, 요리 영상(예를 들어 가슴 부분은 60프로 익고, 허벅지 부분은 80프로 익고, 다리 부분은 90프로 익고, 나머지 부분은 다 익은 치킨)에 60프로 익은 영역, 80프로 익은 영역, 90프로 익은 영역, 100프로 익은 영역을 레이블링 하여, 뉴럴 네트워크(1050)를 트레이닝 할 수 있다.

다른 예를 들어 도 11에서 도시하는 바와 같이, 학습 장치(200)는, 빵을 포함하는 요리 영상(1110)에, 100프로 익은 영역(1121), 90프로 익은 영역(1122), 60프로 익은 영역(1123), 50프로 익은 영역(1124)를 레이블링 하여, 뉴럴 네트워크(1050)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(1050)는 훈련용 요리 영상 및 요리의 부분별 익힘 정도에 대한 정보를 이용하여, 훈련용 요리 영상과 요리의 부분별 익힘 정도의 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 다양한 훈련 영상 및 다양한 훈련 영상에 레이블된 조리의 완료 여부를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

구체적으로 학습 장치(200)는 다양한 익힘 정도를 가지는 영상들, 다양한 부분별 익힘 정도를 가지는 영상들, 다양한 각도에서 촬영된 영상들, 다양한 조명에서 촬영된 영상들, 다양한 거리에서 촬영된 영상들, 다양한 크기의 요리(예를 들어 큰 치킨, 작은 치킨)를 촬영한 영상들을 훈련 영상으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

한편 위와 같은 방식으로 트레이닝된 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 프로세서(180)는, 요리가 촬영된 영상을 인공지능 모델에 제공함으로써 조리 상태를 획득할 수 있다.

구체적으로 프로세서(180)는 요리가 촬영된 영상을 인공지능 모델(920)에 입력할 수 있다.

이 경우 인공지능 모델(920)은, 요리가 촬영된 영상으로부터 요리 표면의 색상, 요리 표면의 질감 및 요리의 형상 중 적어도 하나를 포함하는 특징 벡터를 추출할 수 있다.

여기서 특징 벡터는, 요리가 익었는지를 나타내는 요소일 수 있다.

예를 들어 빵 표면의 색상이 갈색인 것은 빵이 익었다는 것을 나타낼 수 있으며, 빵 표면의 색상이 흰색인 것은 빵이 덜 익었다는 것을 나타낼 수 있다.

다른 예를 들어 치킨의 표면이 매끄럽다는 것은 치킨이 익지 않았다는 것을 나타낼 수 있으며, 치킨의 표면이 거칠다는 것은 치킨이 익었다는 것을 나타낼 수 있다.

또 다른 예를 들어 빵이 부풀어오른 형상은 빵이 익었다는 것을 나타낼 수 있으며, 빵이 부풀어오르지 않은 형상은 빵이 덜 익었다는 것을 나타낼 수 있다.

그리고 인공지능 모델(920)은 추출된 특징 벡터를 이용하여 촬영된 영상에 대응하는 조리 상태를 출력할 수 있다.

여기서 조리 상태는, 조리의 완료 여부, 조리의 완료 정도, 조리의 부분별 익힘 여부 또는 요리의 부분별 익힘 정도를 포함할 수 있다.

예를 들어 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 조리의 완료 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1020)인 경우, 인공지능 모델(920)은 촬영된 영상으로부터 특징 벡터를 추출하고, 추출된 특징 벡터에 기반하여 조리가 완료되었음을 나타내는 정보 (요리의 모든 부분이 익었음을 나타내는 정보) 또는 조리가 완료되지 않았음을 나타내는 정보(요리의 일부 또는 전부가 덜 익었음을 나타내는 정보)를 출력할 수 있다.

다른 예를 들어 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 조리의 완료 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1030)인 경우, 인공지능 모델(920)은 촬영된 영상으로부터 특징 벡터를 추출하고, 추출된 특징 벡터에 기반하여 조리가 얼마나 완료되었는지에 대한 정보(예를 들어 70프로 완료)를 출력할 수 있다.

다른 예를 들어 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1040)인 경우, 인공지능 모델(920)은 촬영된 영상으로부터 특징 벡터를 추출하고, 추출된 특징 벡터에 기반하여 다 익은 영역에 대한 정보 및 덜 익은 영역에 대한 정보를 출력할 수 있다.

다른 예를 들어 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1050)인 경우, 인공지능 모델(920)은 촬영된 영상으로부터 특징 벡터를 추출하고, 추출된 특징 벡터에 기반하여 제 1값(100%)만큼 익은 영역에 대한 정보, 제 2값(80%)만큼 익은 영역에 대한 정보, 제 3값(70%)만큼 익은 영역에 대한 정보, 제 4값(50%)만큼 익은 영역에 대한 정보를 출력할 수 있다.

한편 프로세서는 조리 상태를 나타내는 결과 데이터를 출력하도록 출력부를 제어할 수 있다.

구체적으로 프로세서는 조리 상태를 나타내는 결과 데이터를 음성으로써 출력하도록 스피커를 제어할 수 있다.

예를 들어 프로세서는, “조리가 완료되었습니다(또는 요리가 다 익었습니다)”, “조리가 완료되지 않았습니다(또는 요리가 다 익지 않았습니다)” 등의 음성 메시지를 출력할 수 있다.

다른 예를 들어 프로세서는, “조리가 70프로 완료되었습니다(또는 요리가 70프로 익었습니다)”, “조리가 모두 완료되었습니다(또는 요리가 100프로 익었습니다)” 등의 음성 메시지를 출력할 수 있다.

또 다른 예를 들어 프로세서는, “닭의 다리 부위가 익지 않았습니다”, “닭의 오른쪽 부분이 익지 않았습니다”, “모든 부분이 다 익었습니다” 등의 음성 메시지를 출력할 수 있다.

또 다른 예를 들어 프로세서는, “닭의 다리 부위는 100프로, 닭의 날개 부위는 80프로, 나머지 부위는 60프로 익었습니다”, 닭의 오른쪽 부분은 80프로, 닭의 윗부분은 100프로, 닭의 왼쪽 부분은 90프로 익었습니다”, “빵의 모든 부분이 다 익었습니다” 등의 음성 메시지를 출력할 수 있다.

또한 프로세서는 조리 상태를 나타내는 결과 데이터를 영상으로써 출력하도록 디스플레이부를 제어할 수 있다.

예를 들어 프로세서는, 조리가 완료되었음을 나타내는 UI 앨리먼트 또는 조리가 완료되지 않았음을 나타내는 UI 앨리먼트를 디스플레이 할 수 있다.

다른 예를 들어 프로세서는, 조리의 완료 정도를 나타내는 UI 앨리먼트를 디스플레이할 수 있다.

또한 프로세서는 부분별 익힘 여부 또는 부분별 익힘 정도를 나타내는 UI 앨리먼트를 디스플레이 할 수 있다.

이와 관련해서는 도 12를 참고하여 설명한다.

도 12는 부분별 익힘 여부 또는 부분별 익힘 정도를 색상으로 표시하는 방법을 설명하기 위한 도면이다.

도 12a를 참고하면, 프로세서는 요리를 나타내는 영상을 디스플레이 할 수 있다.

여기서 요리를 나타내는 영상은, 요리가 촬영된 영상일 수 있다. 구체적으로 요리를 나타내는 영상은, 인공지능 모델이 조리 상태를 출력하기 위하여 사용한 입력 데이터인 요리가 촬영된 영상일 수 있다.

또한 요리를 나타내는 영상은, 촬영된 요리에 대응하는 형상을 가지는 오브젝트를 포함하는 영상일 수 있다. 예를 들어 촬영된 요리가 둥근 빵인 경우, 요리를 나타내는 영상은 둥근 형상의 오브젝트를 포함하는 영상일 수 있다.

한편 프로세서는, ‘부분별 익힘 여부가 색상으로 표시되는, 요리를 나타내는 영상’을 상기 결과 데이터로서 디스플레이 할 수 있다.

구체적으로 도 12a를 참고하면, 프로세서는 완전히 익은 영역(1210)이 제1 색상으로 표시되고 덜 익은 영역(1220)이 제2 색상으로 표시되는, 요리를 나타내는 영상을 디스플레이 할 수 있다.

예를 들어 요리를 나타내는 영상이 요리가 촬영된 영상인 경우, 프로세서는 요리 상에서 완전히 익은 영역을 빨간색으로, 요리 상에서 덜 익은 영역을 노란색으로 디스플레이 할 수 있다.

다른 예를 들어 요리를 나타내는 영상이 촬영된 요리에 대응하는 형상을 가지는 오브젝트를 포함하는 영상인 경우, 프로세서는, 오브젝트 상에서 완전히 익은 영역을 빨간색으로, 덜 익은 영역을 노란색으로 디스플레이 할 수 있다.

한편 프로세서는, ‘부분별 익힘 정도가 색상으로 표시되는, 요리를 나타내는 영상’을 결과 데이터로서 디스플레이 할 수 있다.

구체적으로 도 12b를 참고하면, 프로세서는 제1 값만큼 익은 영역(1230)이 제1 색상으로 표시되고 제2 값만큼 익은 영역(1240)이 제2 색상으로 표시되고, 제3 값만큼 익은 영역(1250)이 제3 색상으로 표시되는, 요리를 나타내는 영상을 디스플레이 할 수 있다.

예를 들어 프로세서는, 100프로 익은 영역을 빨간색으로, 80프로 익은 영역을 노란색으로, 50프로 익은 영역을 파란색으로 디스플레이 할 수 있다.

한편 인공지능 모델에 의하여 조리 완료를 나타내는 결과 값이 출력되면, 프로세서는 조리의 수행을 중단하도록 조리부를 제어할 수 잇다.

구체적으로 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 조리의 완료 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1020)이고, 인공지능 모델(920)이 조리가 완료되었음을 나타내는 정보를 출력하는 경우, 프로세서는 가열을 중단하도록 가열부를 제어할 수 있다.

또한 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 조리의 완료 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1030)이고, 인공지능 모델(920)이 조리가 100프로 완료되었음을 나타내는 정보를 출력하는 경우, 프로세서는 가열을 중단하도록 가열부를 제어할 수 있다.

또한 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1040)이고, 인공지능 모델(920)이 모든 영역이 익었음을 나타내는 정보를 출력하는 경우, 프로세서는 가열을 중단하도록 가열부를 제어할 수 있다.

또한 인공지능 모델(920)이 요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크(1050)이고, 인공지능 모델(920)이 모든 영역이 100프로 익었다는 것을 나타내는 정보를 출력하는 경우, 프로세서는 가열을 중단하도록 가열부를 제어할 수 있다.

한편 프로세서는, 부분별 익힘 여부 또는 부분별 익힌 정도에 기초하여, 더 익은 부분에 비해 덜 익은 부분에 더 많은 열이 가해지도록 조리부를 제어할 수 있다.

구체적으로 프로세서는, 완전히 익은 부분에 비하여 완전히 익지 않은 부분에 더 많은 열이 가해지도록 조리부를 제어할 수 있다. 또한 프로세서는, 익은 정도가 높은 부분(예를 들어 90프로 익은 부분)에 비하여 익은 정도가 낮은 부분(예를 들어 50프로 익은 부분)에 더 많은 열이 가해지도록 조리부를 제어할 수 있다.

한편 인공지능 조리기기가 오븐인 경우, 프로세서는 열대류 제어 또는 공기의 순환 방향을 조절함으로써 더 익은 부분에 비해 덜 익은 부분에 더 많은 열이 가해지도록 조리부를 제어할 수 있다.

또한 인공지능 조리기기가 토스터인 경우, 프로세서는 열선을 부분적으로 제어함으로써, 더 익은 부분에 비해 덜 익은 부분에 더 많은 열이 가해지도록 조리부를 제어할 수 있다.

한편 프로세서는, 부분별 익힘 여부 또는 부분별 익힘 정도에 기초하여, 더 익은 부분과 덜 익은 부분에 열이 고르게 가해지도록 조리부를 제어할 수 있다.

예를 들어 제1 영역이 50프로 익었고 제2 영역이 30프로 익었다는 것은, 현재 열이 고르게 가해지고 있지 않다는 것을 의미한다. 그리고 영역 간에 익힘 정도의 차이가 발생하거나, 영역 간에 익힘 여부의 차이가 발생하는 경우, 프로세서는 더 익은 부분과 덜 익은 부분에 동일한 열이 가해지도록 조리부를 제어할 수 있다.

예를 들어 인공지능 조리기기가 전자레인지인 경우, 프로세서는 플랫 테이블의 회전 속도를 가변함으로써, 더 익은 부분과 덜 익은 부분에 열이 고르게 가해지도록 제어할 수 있다.

도 13은 다양한 종류의 요리에 대응하는 복수의 인공지능 모델을 설명하기 위한 도면이다.

인공지능 모델(920)은 제1 종류의 요리(1311)에 대응하는 제1 인공지능 모델(1321), 제2 종류의 요리(1312)에 대응하는 제2 인공지능 모델(1322), 제3 종류의 요리(1313)에 대응하는 제3 인공지능 모델(1323), 제4 종류의 요리(1314)에 대응하는 제4 인공지능 모델(1324)을 포함할 수 있다.

여기서 제1 인공지능 모델(1321)은 제1 종류의 요리에 대한 훈련용 요리 영상 및 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

예를 들어 제1 인공지능 모델(1321)은 빵에 대한 훈련용 요리 영상 및 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

또한 제2 인공지능 모델(1322)은 제2 종류의 요리에 대한 훈련용 요리 영상 및 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

예를 들어 제2 인공지능 모델(1322)은 피자에 대한 훈련용 요리 영상 및 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

한편 요리가 촬영되면, 프로세서는 촬영된 요리의 종류를 결정하고, 결정된 종류에 대응하는 인공지능 모델에 요리가 촬영된 영상을 제공할 수 있다.

구체적으로 요리가 촬영되는 경우, 프로세서는 요리가 촬영된 영상을 이용하여 촬영된 요리의 종류를 결정할 수 있다. 예를 들어 요리가 촬영되는 경우, 프로세서는 요리가 촬영된 영상을 오브젝트 인식하여 촬영된 요리가 빵이라고 결정할 수 있다.

그리고 촬영된 요리의 종류가 제1 종류인 경우, 프로세서는 요리가 촬영된 영상을 제1 인공지능 모델에 제공할 수 있다. 예를 들어 촬영된 요리가 빵인경우, 프로세서는 빵이 촬영된 영상을 빵에 대응하는 제1 인공지능 모델에 제공할 수 있다.

이 경우 프로세서는 요리가 촬영된 영상을 제1 인공지능 모델에 제공함으로써 조리 상태를 획득하고, 조리 상태를 나타내는 결과 데이터를 출력하도록 출력부를 제어할 수 있다.

또한 본 발명에 따르면 조리 상태를 영역별로 표시함으로써, 요리의 완성도를 높일 수 있는 장점이 있다. 예를 들어 덜 익은 부분이 어디인지를 사용자에게 알려주는 경우, 사용자는 덜 익은 부분을 집중적으로 익히기 위한 조치를 취할 수 있다.

또한 본 발명에 따르면, 영역별 조리 상태를 서로 다른 색상으로 제공함으로써, 사용자에게 영역별 조리 상태를 직관적으로 전달할 수 있는 장점이 있다.

또한 본 발명에 따르면, 모든 영역이 익는 경우 자동으로 조리를 중단함으로써, 오버?k을 방지하고 최상의 요리를 완성시킬 수 있는 장점이 있다.

또한 본 발명에 따르면, 덜 익은 부분을 집중적으로 조리하거나, 더 익은 부분과 덜 익은 부분이 고르게 익도록 제어함으로써, 요리의 완성도를 높일 수 있는 장점이 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.

100: 인공지능 조리기기

Claims

인공지능 조리기기에 있어서,
조리를 수행하는 조리부;
요리를 촬영하는 하나 이상의 카메라;
출력부; 및
상기 요리가 촬영된 영상을 인공지능 모델에 제공함으로써 조리 상태를 획득하고, 상기 조리 상태를 나타내는 결과 데이터를 출력하도록 상기 출력부를 제어하는 프로세서를 포함하고,
상기 인공지능 모델은,
훈련용 요리 영상 및 상기 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 1항에 있어서,
상기 조리 상태는,
조리의 완료 여부, 조리의 완료 정도, 요리의 부분별 익힘 여부 또는 요리의 부분별 익힘 정도를 포함하는
인공지능 조리기기.
제 2항에 있어서,
상기 인공지능 모델은,
요리를 포함하는 훈련용 영상 데이터와 조리의 완료 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 2항에 있어서,
상기 인공지능 모델은,
요리를 포함하는 훈련용 영상 데이터와 조리의 완료 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 2항에 있어서,
상기 인공지능 모델은,
요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 여부를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 2항에 있어서,
상기 인공지능 모델은,
요리를 포함하는 훈련용 영상 데이터와 요리의 부분별 익힘 정도를 포함하는 레이블링 데이터를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리기기.
제 2항에 있어서,
상기 프로세서는,
‘상기 부분별 익힘 여부 또는 상기 부분별 익힘 정도가 색상으로 표시되는, 상기 요리를 나타내는 영상’을 상기 결과 데이터로서 디스플레이 하는
인공지능 조리기기.
제 1항에 있어서,
상기 인공지능 모델은,
상기 요리가 촬영된 영상으로부터 요리 표면의 색상, 요리 표면의 질감 및 요리의 형상 중 적어도 하나를 나타내는 특징 벡터를 추출하고, 상기 특징 벡터를 이용하여 상기 조리 상태를 출력하는
인공지능 조리기기.
제 1항에 있어서,
상기 프로세서는,
상기 인공지능 모델에 의하여 조리 완료를 나타내는 결과 값이 출력되면, 조리의 수행을 중단하도록 상기 조리부를 제어하는
인공지능 조리기기.
제 2항에 있어서,
상기 프로세서는,
상기 부분별 익힘 여부 또는 상기 부분별 익힘 정도에 기초하여, 더 익은 부분에 비해 덜 익은 부분에 더 많은 열이 가해지도록 상기 조리부를 제어하는
인공지능 조리기기.
제 2항에 있어서,
상기 프로세서는,
상기 부분별 익힘 여부 또는 상기 부분별 익힘 정도에 기초하여, 더 익은 부분과 덜 익은 부분에 열이 고르게 가해지도록 상기 조리부를 제어하는
인공지능 조리기기.
제 1항에 있어서,
상기 인공지능 모델은,
제1 종류의 요리에 대응하는 제1 인공지능 모델 및 제2 종류의 요리에 대응하는 제2 인공지능 모델을 포함하고,
상기 프로세서는,
상기 요리가 촬영된 영상을 이용하여 상기 촬영된 요리의 종류를 결정하고, 상기 촬영된 요리의 종류가 제1 종류인 경우 상기 요리가 촬영된 영상을 상기 제1 인공지능 모델에 제공하는
인공지능 조리기기.
요리를 촬영하는 단계;
상기 요리가 촬영된 영상을 인공지능 모델에 제공함으로써 조리 상태를 획득하는 단계; 및
상기 조리 상태를 나타내는 결과 데이터를 출력하는 단계를 포함하고,
상기 인공지능 모델은,
훈련용 요리 영상 및 상기 훈련용 요리 영상에 레이블된 훈련용 조리 상태를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 조리 방법.