KR20210066452A

KR20210066452A - 조리장치 및 조리장치 제어방법

Info

Publication number: KR20210066452A
Application number: KR1020190155705A
Authority: KR
Inventors: 김성일
Original assignee: 엘지전자 주식회사
Priority date: 2019-11-28
Filing date: 2019-11-28
Publication date: 2021-06-07
Also published as: US20210161329A1

Abstract

본 발명의 일 실시 예에 따른 조리장치 및 조리장치 제어방법은, 영상분석 인공지능 기술을 활용하여 조리 대상물의 정보를 분석하고, 분석된 조리 대상물에 대한 요리 정보를 기초로 조리될 수 있도록 한다. 특히, 5G 네트워크를 통해 머신 러닝(ML)을 수행한 인공지능 인공지능(AI) 모델을 이용하여 조리장치에 배치되는 조리 대상물의 위치에 따라 조리 대상물이 적절하게 조리될 수 있도록 조리 대상물을 향해 방사되는 가열기의 세기나 시간 등을 제어할 수 있다. 더욱이, 조리 대상물이 수용된 그릇의 조리 상태에 따라 조리 대상물을 향해 방사되는 가열기의 세기나 시간 등을 제어하여 조리 대상물의 파손을 방지할 수 있다.

Description

조리장치 및 조리장치 제어방법{COOKING APPARATUS AND CONTROL METHOD THEREOF}

본 발명은 영상분석 인공지능 기술을 활용하여 조리 대상물의 위치를 판단하고, 조리 대상물의 위치, 조리 대상물의 조리 시간 등에 따라 적합한 자동 조리 신경망을 이용하여 자동으로 조리 대상물을 조리하는 가열기를 제어할 수 있는 기기 및 방법에 관한 것이다.

이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.

오븐, 전자레인지, 에어 프라이어 등의 조리장치를 사용하여 음식을 조리하는 경우, 사용자가 직접 요리 종류와 요리 방식, 조리를 위한 설정 정보 등을 직접 입력한다. 그러나, 다양한 조리법에 따라 조리장치를 설정하는 것이 복잡하고, 동일한 조리 대상물이라 하더라도 조리 대상물의 면적, 두께와 같은 특성이 다르므로 표준화된 레시피에 따라 조리장치를 사용하는 것이 적절하지 않을 때가 있다.

특히 조리 대상물의 조리 상태(예: 반 조리 상태, 냉동 상태, 비조리 상태 등), 조리장치에 투입되는 조리 대상물의 위치 등에 따라 조리 대상물을 가열시키는 가열기의 강도나, 시간, 음용자의 선호도에 따라 자동으로 조리할 수 있는 등의 기술에 대한 관심이 높아지고 있다.

관련 기술로서, 한국공개특허 제 10-2019-0038184호는 “자동 조리 장치 및 방법”에 관한 기술이다. 상술한 문헌에서는 조리 대상물에 서로 다른 파장 대역의 광을 선택적으로 조사하고 반사된 상에 기초에 조리 대상물의 정보를 획득, 식별하여 조리 대상물의 조리 과정을 자동으로 제어할 수 있는 기술을 발명한다.

상술한 문헌에서는 기계 학습 알고리즘을 활용한 조리장치에 대한 발명을 하고 있으나, 조리 대상물이 조리장치 내부에 투입되는 위치에 따라 적절한 조리가 이루어질 수 있는 기술, 반 조리 식품 등의 제품을 음용자의 선호도에 따라 자동으로 조리하는 등의 기술까지는 논의되고 있지 않다.

또한, 한국공개특허 제10-2019-0084556호는 “조리 과정에 대한 타임라인을 결정할 수 있는 전자 장치”에 관한 발명으로서, 특정 요리에 대한 레시피에 따른 자동 요리가 가능할 수 있는 기술을 발명한다.

상술한 문헌에서는 조리 기기의 설정 값이 변경도면 변경된 설정 값에 따라 조리장치의 타임 라인을 갱신하고, 이를 디스플레이하는 기술을 발명하고 있으나, 조리 기기에 투입되는 조리 대상물의 위치에 따라 가열기의 강도나 시간 등을 제어하거나, 음용자의 기호에 따라 조리 시간을 조절할 수 있는 기술에 대해서는 논의되고 있지 않다.

상술된 바와 같은 한계를 극복하기 위해, 여러 방식으로 훈련된 신경망 모델을 통해 조리장치를 제어하여 조리 대상물의 적절한 조리가 이루어질 수 있도록 하는 해결책이 필요하다.

한편, 전술한 선행기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 일 과제는, 영상분석 인공지능 기술을 활용하여 조리장치 내에 배치되는 조리 대상물의 위치를 분석하고, 이에 따라 조리 대상물이 적절하게 조리될 수 있도록 조리 대상물을 향해 가열기를 방사하는 가열기의 방향, 가열기에서 가열기를 방사하는 시간 등을 제어할 수 있도록 한다.

또한, 본 발명의 일 과제는 조리 대상물이 수용된 그릇의 조리 상태에 따라 조리 대상물을 향해 방사되는 가열기의 세기나 시간 등을 제어하여 조리 대상물의 과도한 조리가 발생하는 것을 방지할 수 있도록 한다.

또한, 본 발명의 일 과제는 조리 기기를 사용하는 사용자를 인식하고, 사용자 기호에 따라 조리 대상물을 조리할 수 있도록 하는데 있다.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 발명의 영상분석 인공지능 기술을 활용하는 조리장치는 조리장치의 외관을 형성하는 본체, 본체 내에 배치되는 조리 대상물을 조리하기 위한 가열기, 조리 대상물을 촬영하기 위한 카메라 및 카메라 및 가열기와 통신하여 조리장치를 제어하는 프로세서를 포함할 수 있다.

이때, 프로세서는, 카메라에 의해 촬영된 조리 대상물의 본체 내 위치를 파악하여, 조리 대상물의 위치에 따라 가열기를 제어하도록 구성될 수 있다.

또한, 본 발명의 실시 예에 따른 영상분석 인공지능 기술을 활용한 조리장치 제어방법은 조리장치 외관을 형성하는 본체 내에 배치되는 조리 대상물을 촬영하고, 촬영된 조리 대상물의 본체 내의 위치를 파악한 뒤, 조리 대상물의 위치에 따라 조리 대상물을 가열하기 위해 본체 내에 배치된 가열기를 제어할 수 있다.

이로 인해 조리 대상물의 위치가 조리장치 내부 요리 위치에 위치하지 않더라고, 조리 대상물의 위치를 판단한 뒤, 조리 대상물을 조리하는 가열기의 방향을 제어하여 조리 대상물 전반에 가열기가 방사되도록 함으로써, 조리 대상물이 고르게 조리될 수 있게 한다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명의 실시 예에 따른 조리장치 및 조리장치 제어방법은 영상분석 인공지능 기술을 활용하여 조리 대상물의 위치를 분석할 수 있고, 분석된 조리 대상물의 위치에 따라 조리 대상물을 가열하는 가열기의 방향을 제어할 수 있게 된다.

특히, 조리 대상물을 조리할 때, 조리장치 내부에 투입되는 조리 대상물의 위치가 정 위치가 아닌 경우에도 적절한 조리가 이루어질 수 있다. 구체적으로, 조리 대상물의 위치가 조리장치 내부 요리 위치에 위치하지 않을 수 있다. 이 경우, 조리 대상물의 위치를 판단한 뒤, 조리 대상물을 조리하는 가열기의 방향을 제어하여 조리 대상물 전반에 가열기가 방사되도록 함으로써, 조리 대상물이 고르게 조리될 수 있게 한다.

또한, 본 발명의 실시 예에 따르면 조리 대상물을 반 조리식품(간편조리식품 및 밀 키트)와 미 가공 조리 대상물로 구분할 수 있다. 여기서, 반 조리식품의 경우 제품 포장지에 탑재된 QR 코드, 바코드 등을 통해 제품의 레시피를 추출할 수 있고, 추출된 제품의 레시피를 기반으로 제품의 조리가 가능해질 수 있다.

더불어, 조리장치가 구동되어 조리 대상물이 조리되는 과정에서 카메라에서 촬영한 조리 대상물의 상태를 통해 가열기를 제어할 수 있다. 구체적으로, 조리 대상물은 조리장치에서 조리 대상물을 가열시키는 가열기에 의해 조리될 수 있다. 이때, 조리 대상물 중 수분이 있는 조리 대상물인 경우 가열기가 일정 시간 이상 조리 대상물로 방사되거나 일정 강도 이상 조리 대상물로 방사되면 조리 대상물이 끓게 된다. 이 경우, 조리장치 내부에서 발생한 열에 의해 조리 대상물이 수용된 용기도 달궈지며 조리 대상물이 용기에서 넘칠 수 있다. 용기가 달궈질 때, 용기가 미세하게 흔들릴 수 있으며, 용기의 흔들림으로 용기와 조리장치 내부 바닥 면 사이에서 마찰음이 발생할 수 있다. 발생한 마찰음을 통해 조리 대상물이 끓고 있음을 판단하고, 조리 대상물이 끓고 있는 경우, 조리 대상물을 가열시키는 가열기의 세기, 시간 등을 조절하여 조리 대상물이 용기에서 넘치는 것을 방지할 수 있도록 한다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 는 본 발명의 실시 예에 따른 조리장치를 개략적으로 도시한 도면이다.
도 2 본 발명의 실시 예에 따른 조리장치 제어를 위한 환경의 예시도이다.
도 3 및 도 4는 본 발명의 실시 예에 따른 조리장치 및 조리장치를 제어하는 환경을 설명하기 위한 블록 구성도이다.
도 5는 도 3의 조향부를 설명하기 위한 개략적인 도면이다.
도 6은 본 발명의 실시 예에 따른 인공 지능 모델의 학습 장치에 해당하는 서버의 블록 구성도이다.
도 7은 본 발명의 실시 예에 따른 인공지능 모델을 이용한 조리 대상물 인식의 예시도이다.
도 8은 본 발명의 실시 예에 따른 조리 과정 이용의 예시도이다.
도 9는 본 발명의 실시 예에 따른 조리장치 제어방법의 흐름도이다.
도 10은 본 발명의 실시 예에 따른 조리장치 제어방법의 데이터 흐름도이다.
도 11은 본 발명의 다른 실시 예에 따른 조리장치 제어방법의 흐름도이다.
도 12는 본 발명의 다른 실시 예에 따른 조리장치 제어방법의 데이터 흐름도이다.
도 13 및 도 14는 본 발명의 또 다른 실시 예에 따른 조리장치 제어방법의 데이터 흐름도이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예들에 한정되지 않는다. 이하 실시 예에서는 본 발명을 명확하게 설명하기 위해서 설명과 직접적인 관계가 없는 부분을 생략하지만, 본 발명의 사상이 적용된 장치 또는 시스템을 구현함에 있어서, 이와 같이 생략된 구성이 불필요함을 의미하는 것은 아니다. 아울러, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조번호를 사용한다.

이하의 설명에서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 되며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 또한, 이하의 설명에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 설명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 는 본 발명의 실시 예에 따른 조리장치를 개략적으로 도시한 도면이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 조리장치를 제어하기 위한 조리장치 제어방법에 의하면 카메라를 이용하여 조리 대상물이 촬영되고, 촬영된 영상 또는 이미지를 인식할 수 있다. 즉, 영상분석 인공지능 기술을 활용하여 조리 대상물의 위치를 분석할 수 있다. 분석된 조리 대상물이 조리장치에 배치되는 위치가 조리장치 내 조리 대상물이 위치해야 하는 정 위치에서 벗어날 수 있다. 이 경우, 조리 대상물을 가열하여 조리하는 가열기의 방향, 시간 등을 제어하여 조리 대상물이 적절하게 조리될 수 있도록 한다.

또한, 본 발명의 조리장치 제어방법에 의하면, 조리 대상물은 조리장치에서 조리 대상물을 가열시키는 가열기에 의해 조리될 수 있다. 이때, 조리 대상물 중 수분이 있는 조리 대상물인 경우 가열기가 일정 시간 이상 조리 대상물을 가열하거나 일정 강도 이상 조리 대상물을 가열하여 조리하면 조리 대상물이 끓게 된다. 이 경우, 조리장치 내부에서 발생한 열에 의해 조리 대상물이 수용된 용기도 달궈지며 조리 대상물이 용기에서 넘칠 수 있다. 용기가 달궈질 때, 용기가 미세하게 흔들릴 수 있으며, 용기의 흔들림으로 용기와 조리장치 내부 바닥 면 사이에서 마찰음이 발생할 수 있다. 발생한 마찰음을 통해 조리 대상물이 끓고 있음을 판단하고, 조리 대상물이 끓고 있는 경우, 조리 대상물을 가열시키는 가열기의 세기, 시간 등을 조절하여 조리 대상물이 용기에서 넘치는 것을 방지할 수 있도록 한다.

도 2 본 발명의 실시 예에 따른 조리장치 제어를 위한 환경의 예시도이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 조리장치(100) 제어를 위한 환경은, 단말기(equipment)(300), 조리장치(100), 서버(200) 및 네트워크(400)가 통신 연결되어 있다.

단말기(300)는 사용자 단말(user equipment) 및 촬영 기능을 포함하는 인공지능(AI assistant) 스피커 등을 포함할 수 있다. 인공지능 스피커는 홈 자동화에서 게이트웨이 역할을 하는 장치로 음성 인식을 이용한 각종 홈 어플라이언스의 제어가 가능하도록 구현될 수 있다.

구체적으로 단말기(300)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비

게이션, 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)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(300)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

조리장치(100)는 조리장치(100)를 사용하는 사용자가 직접 조리 레시피를 입력하여 조리 대상물이 조리되도록 할 수 있지만, 다르게는 임베디드 시스템(embedded system)의 일종으로서 무선 통신 기능을 이용하여 조리 대상물을 조리할 수 있다. 예컨대, 단말기(300) 및/또는 서버(200)를 통해 조리 명령을 수신하여 조리가 이루어질 수 있도록 하는 것이다.

이러한 조리장치(100)는 예를 들어 전기 오븐, 전자 레인지 쿡탑 등의 어플라이언스가 포함될 수 있으며, 이하 본 발명의 실시 예에서는 조리장치(100)가 전자 레인지인 경우를 예를 들어 설명하기로 한다.

또한, 본 발명의 조리장치(100)는 조리 대상물을 인식하고, 인식한 조리 대상물을 조리하는 레시피를 사용자가 사용자의 취향에 따라 수정하여 조리한 경우, 수정한 사용자의 레시피에 따라 조리 대상물을 조리할 수 있는 인공 지능(artificial intelligence, AI) 기능을 포함할 수 있다.

이러한 인공 지능 기능을 조리장치(100)가 포함하는 예를 들지만 다르게는 서버(200)가 인공 지능 기능을 포함하여 조리 대상물에 따라 조리장치(100)를 제어하도록 구현될 수도 있다.

이때, 조리장치(100)를 제어하는 대상은 설명한 바와 같이 사용자가 될 수 있으며, 사용자가 단말기(300)를 통해 조리장치(100)를 제어할 수도 있다.

서버(200)는 본 발명의 일 실시 예에서 설명되는 인공지능 모델과 관련하여 조리장치(100)에 탑재된 인공지능 모델과 관련된 각종 서비스를 제공하는 역할을 한다. 인공지능 모델에 대한 자세한 설명은 후술하기로 한다. 또한, 서버(200)는 조리 대상물 인식에 필요한 각종 서비스를 제공하는 역할을 할 수도 있다.

네트워크(400)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.

본 발명의 실시 예에 따른 조리장치(100)는 5G 네트워크를 통해 학습 장치인 서버(200)와 데이터를 전송하고 수신할 수 있다. 특히 단말기(300)와 인공지능 스피커는 5G 네트워크를 통해 모바일 브로드밴드(EnhancedMobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine type communications) 중에서 적어도 하나의 서비스를 이용하여 학습 장치와 데이터 통신을 할 수 있다.

eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말기들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말기의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

설명한 바와 같이, 본 발명의 실시 예에 따른 조리장치(100)는 조리 대상물의 인식하고, 인식한 조리 대상물을 조리하는 레시피를 사용자가 사용자의 취향에 따라 수정하여 조리한 경우, 수정한 사용자의 레시피에 따라 조리 대상물을 조리할 수 있는 인공 지능 기술이 적용된 심층 신경망 또는 다른 타입의 머신 러닝 모델들과 같은 다양한 학습 모델 또는 이들을 포함하는 기술을 저장하거나 포함할 수 있다.

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

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

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

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

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(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, 연속적인 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.

도 3 및 도 4는 본 발명의 실시 예에 따른 조리장치 및 조리장치를 제어하는 환경을 설명하기 위한 블록 구성도이고, 도 5는 도 3의 조향부를 설명하기 위한 개략적인 도면이다.

도면을 참조하기 전에 본 발명의 실시 예에 따른 조리장치(100)는 학습모델(a trained model)이 탑재되어 있다. 이러한, 학습모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

도면을 참조하면, 본 발명의 실시 예에 따른 조리장치(100)는 본체(105), 통신부(110), 카메라(120), 진동센서(130), 디스플레이부(109), 사용자 입력부(103), 메모리(170), 가열기(140) 및 프로세서(190) 등을 포함하도록 구성될 수 있다.

본체(105_도 1 참고)는 조리장치(100)의 외관을 형성하고, 내부에 조리 대상물이 배치될 수 있는 공간을 포함한다. 또한, 본체(105) 내부에는 조리 대상물이 수용되는 용기가 거치될 수 있는 거치대(107_도 1 참고)가 설치될 수 있다. 이러한 본체(105)는 구현되는 조리장치(100)의 조건에 따라 다양한 형상으로 형성될 수 있으며, 본체(105)의 형상에 의해 본 발명이 제한되는 것은 아니다.

통신부(110)는 조리장치(100) 또는 서버(200)에서의 조리 명령을 수신하는 역할을 한다. 조리장치(100)는 통신부(110), 예를 들어 블루투스와 같은 근거리 통신 모듈을 이용하여 조리장치(100)와 통신 연결될 수 있다. 또한, 조리장치(100)는 무선 랜(wireless LAN), 예를 들어 Wi-Fi 모듈을 이용하여 서버(200)와 인터넷 연결될 수 있다.

카메라(120)는 조리장치(100)의 내부 또는 외부에 위치하여 조리 대상물을 촬영하고, 촬영한 조리 대상물의 인식을 위한 입력 영상을 획득하는 역할을 할 수 있다.

또한, 카메라(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 조리장치(100) 제어를 위한 제어 명령 출력 시, 사용될 입력 데이터 등을 획득할 수 있다.

더욱이, 카메라(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(190) 또는 러닝 프로세서(150)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

카메라(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 조리장치(100) 내부 또는 외부에 하나 또는 복수의 카메라 들을 구비할 수 있다.

카메라(120)는 조리장치(100) 내부에 조리 대상물이 투입되어 배치되면 이미지 센서에 의해 얻어지는 조리 대상물의 영상 또는 이미지 등을 프레임으로 처리할 수 있다. 처리된 프레임은 디스플레이부(109)에 표시되거나 메모리(170)에 저장될 수 있다.

가열기(140)는 조리장치(100) 내부에 배치되는 조리 대상물을 조리할 수 있는 가열기를 공급한다. 이러한 가열기(140)는 조리장치(100)의 종류에 따라 전자파, 열선 등 중 어느 하나로 구성될 수 있다. 앞서 설명한 바와 같이 본 발명의 실시 예는 전자레인지를 예를 들어 설명하므로, 본 발명의 실시 예에 따른 가열기(140)는 전자파로 구현된 예를 들어 설명하기로 한다.

구체적으로 가열기(140)는 조리 대상물을 가열할 수 있는 에너지를 제공하는 에너지원과 에너지원에서 조리 대상물을 향해 방사되는 에너지의 방향을 조절하는 조향부(160)를 포함할 수 있다.

여기서, 조리 대상물을 향해 방사되는 에너지의 방향을 조절하기 위해서는 후술할 프로세서(190)를 통해 이루어질 수 있다. 구체적으로 프로세서(190)에서 조향부(160)가 카메라(120)에 의해 촬영된 조리 대상물을 향하도록 제어할 수 있다.

이를 통해 조리 대상물이 본체(105) 내에 정 위치에 위치하지 않더라도 조향부(160)가 조리 대상물을 향하고, 조리 대상물을 향해 에너지가 방사되므로 조리 대상물이 적절하게 조리될 수 있는 것이다.

한편, 조리 대상물의 위치에 따라 가열기(140)의 방향을 조절하는 조향부(160)는 도 5를 이용하여 설명하기로 한다.

가열기(140)에서 발생한 전기 에너지, 신호를 조리 대상물로 전송시키도록 복수의 슬롯(10)을 포함하는 전송로(8)와, 복수의 슬롯(10)을 통과하며 슬롯(10)의 위상을 가변하는 유전체(11)를 포함할 수 있다.

이때, 복수의 슬롯(10) 각각은 슬롯 안테나로 동작할 수 있다. 슬롯 안테나는, 방형 도파관의 한 끝을 도체판으로 단락하고, 이 도체판에 전계와 직각 방향으로 가는 홈을 뚫은 것을 의미한다. 이러한 슬롯 안테나는, 홈의 길이를 전파 파장의 절반으로 하면 반파장 안테나와 마찬가지로 공진하고, 홈 중앙이 전계 최대 즉 전압의 파복(波腹)이 되어 전파의　방사 효율이 최대가 된다. 주로　파라볼라 안테나의　1차 방사기로서 사용될 수 있다.

한편, 전송로(8)와 복수의 슬롯은 배열 안테나로 동작할 수 있다. 배열 안테나는 많은　안테나 소자를 배열하여 각 소자의 여진(勵振) 전류의 위상을 조절하고　안테나를 특정 방향, 동일 위상으로 하여 주 빔을 형성하는 안테나라고 할 수 있다.

이러한 구성을 기초로 유전체(11)는 슬롯 안테나들 사이에서 위치를 변경하여 배열 안테나의 방사 패턴을 변화시킬 수 있다. 즉, 유전체(11)는 슬롯 안테나들 사이의 전기적 길이인 위치상차를 결정하는 역할을 하며, 전송로(8) 내에서 유전체(11)의 위치가 바뀜에 따라 슬롯(10) 들 사이의 위상이 바뀌게 된다. 이로 인해 전체 배열 안태나의 방사 패턴이 변화되어 조향부의 방향이 변경되게 되는 것이다.

진동센서(130)는 조리 과정에서 조리장치(100)의 내부 온도 등을 측정하는 역할을 한다.

또한, 진동센서(130)는 조리 과정에서 조리 대상물이 수용된 용기와 조리장치(100) 내부 바닥 면 사이에서 발생한 마찰음을 센싱할 수도 있다. 구체적으로 조리 대상물은 조리장치(100)에서 조리 대상물을 가열시키는 가열기(140)에 의해 조리될 수 있다. 이때, 조리 대상물 중 수분이 있는 조리 대상물인 경우 가열기(140)에서 공급되는 가열기가 일정 시간 이상 조리 대상물로 방사되거나 일정 강도 이상 조리 대상물로 방사되면 조리 대상물이 끓게 된다. 즉, 조리 대상물이 포함하는 수분이 끓어 기화되는 것이다. 이 경우, 조리장치(100) 내부에서 발생한 열에 의해 조리 대상물이 수용된 용기도 달궈지며 조리 대상물이 용기에서 넘칠 수 있다. 용기가 달궈질 때, 용기가 미세하게 흔들릴 수 있으며, 용기의 흔들림으로 용기와 조리장치(100) 내부 바닥 면 사이에서 발생한 마찰음을 진동센서(130)에서 측정하는 것이다.

정리하면, 진동센서(120)를 통해 감지된 본체(105) 내 진동을 기초로 조리 대상물의 상태를 판단할 수 있다. 예컨대 조리 대상물이 끓고 있는 조리 대상물이 담긴 용기가 흔들리며 용기와 본체(105) 바닥 면 사이에 마찰음이 발생할 수 있다. 진동센서(120)는 발생한 마찰음을 감지할 수 있고, 마찰음은 조리 대상물이 끓을수록 커지게 된다. 구체적으로, 마찰음의 크기가 미리 정해진 임계값을 초과하는 경우 조리 대상물이 끓고 있다고 판단할 수 있으며, 이 경우 가열기(140)의 세기를 제어하여 조리 대상물이 추가로 끓는 것을 방지할 수 있으며, 나아가 조리 대상물이 용기에서 이탈하여 본체(105) 내부가 조리 대상물에 의해 오염되는 것을 방지할 수 있다.

러닝 프로세서(150)는 카메라(120)를 통해 추출한 조리 대상물의 상태에 대한 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습할 수 있다.

예를 들어, 러닝 프로세서(150)는 진동센서(120)에 의해 감지된 조리 대상물의 상태를 LSTM 순환 신경망을 이용하여 판단할 수 있다. LSTM 순환 신경망은, 시계열 데이터(time-series　data)와 같이 시간의 흐름에 따라 변화하는　데이터를 학습하기 위한　딥 러닝　모델. 기준 시점(t)과 다음 시점(t+1)에　네트워크를 연결하여 구성한　인공 신경망(ANN)이다.

즉 LSTM 순환 신경망은 조리 대상물이 조리될 때 발생하는 진동의 시계열적 변화에 따라 조리 대상물의 상태를 추정하도록 훈련된 신경망이라고 할 수 있다.

또한, 러닝 프로세서는 카메라(120)를 통해 촬영된 조리 대상물의 이미지를 통해 본체(105) 내에 위치한 조리 대상물의 위치를 판단할 수 있다.

이를 위해 러닝 프로세서(150)는 합성곱 신경망을 이용할 수 있으며, 합성곱 신경망은 본체(105) 내에서 촬영된 조리 대상물의 이미지에 기초하여 본체(105) 내에 위치한 조리 대상물의 위치를 결정하도록 훈련된 신경망이라 할 수 있다.

이러한 러닝 프로세서(150)에 대해 구체적으로 살펴보면, 러닝 프로세서(150)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써 인공 신경망의 최적화된 모델 파라미터를 결정하도록 한다.

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라고 칭할 수 있다.

이때 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론하는데 사용될 수 있다.

러닝 프로세서(150)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

또한, 러닝 프로세서(150)는 다른 컴포넌트, 디바이스, 단말기(300)와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

이러한 러닝 프로세서(150)는 조리장치(100)에 통합되어 구현된 메모리를 포함할 수 있다. 일부 실시 예에서 러닝 프로세서(150)는 메모리(170)를 사용하여 구현되는 예를 들어 설명하기로 한다.

이와 다르게, 러닝 프로세서(150)는 조리장치(100)에 직접 결합된 외부 메모리 또는 조리장치(100)와 통신하는 서버(200)에서 유지되는 메모리를 사용하여 구현될 수도 있다.

러닝 프로세서(150)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 서버(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(150)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(190) 또는 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

디스플레이부(109)는 조리장치(100)에 의한 조리 과정을 표시하는 역할을 한다.

사용자 입력부(103)는 조리장치(100) 운전에 필요한 각종 파라미터 설정 및 레시피에 대응하는 조리 코드를 입력 받는 역할을 한다. 예를 들어 특정 조리 대상물의 해당 레시피에 대응하는 조리 코드를 표시하면, 사용자는 해당 조리 코드를 조리장치(100)의 사용자 입력부(103)를 통해 직접 입력할 수 있다.

프로세서(190)는 조리장치(100)의 각 구성요소를 제어하고, 이들을 이용하여 조리장치(100)의 운전을 제어하는 역할을 할 수 있다.

구체적으로 프로세서(190)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 조리장치(100)를 실행할 수 있는 동작을 결정 또는 예측할 수 있다. 이를 위해 프로세서(190)는 러닝 프로세서(150)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나 바람직한 것으로 판단되는 동작을 실행할 수 있도록 조리장치(100)를 제어할 수 있다.

프로세서(190)는 적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

또한, 프로세서(190)는 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 조리장치(100)의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

일부 예에서, 러닝 프로세서(150)의 데이터에 기초하여, 프로세서(190)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(190)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(190)는 역사적 입력 및 출력, 패턴 매칭, 모호하지않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

이러한 프로세서(190)는 문맥 조건 또는 사용자의 의도에 기초하여 요구사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(190)는 러닝 프로세서(150)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 조리장치(100)에사 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

또한, 프로세서(190)는 조리장치(100)를 사용하는 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다. 이렇게 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

더불어, 프로세서(190)는 진동센서(130)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있으며, 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다. 추가적으로, 프로세서(190)는 카메라(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

즉, 프로세서(190)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(150)에 저장할 수 있는 것이다.

조리장치(100)의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(190)는 결정된 동작을 실행하기 위해 조리장치(100)의 구성 요소를 제어 할 수 있다. 그리고 프로세서(190)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(190)에서 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(190)는 러닝 프로세서(150)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있는 것이다.

메모리(170)는 서버(200)에서 수신한 레시피를 저장하고, 각 레시피에 대응하는 프로그램을 저장할 수 있다.

또한, 메모리(170)는 사용자가 사용자 입력부(103)를 통해 입력한 조리 대상물의 조리 시간을 저장할 수도 있다. 구체적으로, 사용자는 조리 시간이 3분이 반 조리식품을 4분으로 입력하여 조리할 수 있으며, 이러한 조리법이 메모리(170)에 저장되어 사용자가 별도로 입력하지 않아도 자동으로 관련 제품을 사용자의 기호에 맞게 조리할 수 있도록 한다.

이를 위해, 메모리(170)는 조리장치(100)를 사용하는 사용자의 개인 정보가 저장될 수도 있다. 사용자의 개인 정보란 예를 들어 사용자의 지문, 얼굴, 홍채 등과 같은 정보가 될 수 있으며, 사용자의 개인 정보가 저장됨에 따라 사용자의 기호에 맞도록 조리 대상물을 조리할 수 있게 된다.

또한, 메모리(170)는 조리장치(100)의 다양한 기능을 지원하는 데이터를 저장한다.

구체적으로 메모리(170)는 조리장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 조리장치(100)동작을 위한 데이터들, 명령어들을, 러닝 프로세서(150)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

또한, 메모리(170)는 러닝 프로세서(150) 등에서 학습된 모델을 저장할 수 있다. 이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

더불어, 메모리(170)는 카메라(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐 아니라 가공되지 않은 입력 데이터 그 자체일 수 있다.

이러한 메모리(170)에 대해 보다 구체적으로 살펴보면, 메모리(170)에는 각종 컴퓨터 프로그램 모듈이 탑재될(loaded) 수 있다. 메모리(170)에 탑재되는 컴퓨터 프로그램의 범위에 운영체제(operating system) 및 하드웨어를 관리하는 시스템 프로그램 외의 응용 프로그램으로 인식 모듈(171), DB 모듈(172), 인공지능 모델(173), 학습 모듈(174), 조리 명령 모듈(175), 및 구동 모듈(176)이 포함될 수 있다. 여기서, 응용 프로그램들 중에서 일부는 집적된 회로를 포함하는 하드웨어 형태로 구현될 수 있다.

프로세서(190)는 메모리(170)에 저장된 각 모듈들(171 내지 176)을 제어하도록 설정될 수 있으며, 설정에 따라 각 모듈의 응용 프로그램들은 해당 기능을 수행한다. 모듈들은 본 발명의 일 실시 예에 따른 조리장치 제어방법을 구성하는 각 기능에 관한 명령어을 포함하도록 설정될 수 있다. 프로세서(190)에 포함된 각종 로직 회로가 메모리(170)에 로드된 각종 모듈의 명령어를 읽고, 실행하는 과정에서 각 모듈의 기능들이 수행되어 조리장치(100)가 구동될 수 있다.

구체적으로, 인식 모듈(171)은 입력 영상에서 조리 대상물의 종류에 따라 조리 대상물 또는 반 조리 식품 등의 포장 디자인의 특징을 탐색하고, 탐색 결과 조리 대상물을 인식하는 기능을 수행한다. 조리 대상물 검출에는 다양한 알고리즘이 응용될 수 있다. 이 알고리즘들의 예로서 다음과 같은 것들이 있다. 조리 대상물의 외형적 특징에 기반하여 입력 영상과 데이터베이스에 저장된 기준 영상을 비교하고 일치 여부를 판단하는 여러 가지 컴퓨터 인식 방식이 있을 수 있다.

본 발명의 일 실시 예에 따른 조리장치 제어방법 에서 인식 모듈(171)은 조리 대상물 인식을 위한 각종 전처리 방법, 예를 들어 경계 이미지 추출에 RGB 이미지의 Gray로 변환과 Morph Gradient 알고리즘을 이용할 수 있고, 잡영(noise) 제거에 Adaptive Threshold 알고리즘을 이용할 수 있다. 프로세서(190)는 조리장치(100) 내에 배치되는 조리 대상물을 촬영한 이미지에 기반하여 사물 인식(object detection)과 문자 인식(OCR) 등이 실행될 수 있다.

이때, 객체 및 문자 인식에는 윤곽선 (Contour) 추출 방법이 이용될 수 있다. 그리고 윤곽선을 가공하는 방법으로 Morph Close 알고리즘과 Long Line Remove 알고리즘이 이용될 수 있다.

조리장치(100)는 인공지능 모델(173), 예를 들어 인공 신경망을 이용하여 조리 대상물을 인식할 수 있다. 예를 들어 흑백의 정지 영상에서 슬라이딩 윈도우를 이용해 학습된 조리 대상물의 특징을 포함하는 영상이 인공 신경망에 의해 검색될 수 있다. 두 개 이상의 조리 대상물의 특징의 추출도 가능하다. 학습 장치는 영상 분류 및 객체 및 문자인식을 위한 훈련으로서 인공 신경망을 학습 시킬 수 있다. 학습 데이터로서 문자만 포함하는 영상 데이터와 문자와 객체를 모두 포함하는 영상 데이터가 준비될 수 있다.

퍼지 및 인공 신경망을 이용하여 얼굴을 인식하는 방법이 있다. 인공 신경망 회로의 입력으로 픽셀의 밝기 값대신 퍼지 소속함수(fuzzy membership function)가 사용된다. 이 알고리즘은 인공 신경망만을 이용한 방법보다 성능이 향상되었으나 처리 속도가 느린 것이 단점이다. 본 발명의 일 실시 예에서 DB 모듈(172)은 인식된 조리 대상물에 관한 레시피를 검출하는 역할을 한다. 레시피에 관한 데이터베이스는 서버(200)에 의해 제공될 수 있으며, 조리장치(100)는 서버(200)에서 수신한 레시피 정보를 저장할 수 있다.

이러한 DB 모듈(172)은 조리장치(100)에 의한 조리 내역 및 수집된 로그 데이터를 이용하여 데이터베이스를 업그레이드 할 수 있다.

앞서 설명한 바와 같이 조리장치(100)는 인공지능 모델(173)을 포함할 수 있다. 인공지능 모델(173)은, 예를 들어 머신 러닝을 통해 조리 대상물을 인식하도록 훈련된 인공 신경망으로 구현될 수 있다. 훈련된 인공 신경망은 가공 정도에 따라 간편조리식품, 밀 키트 및 미 가공 조리 대상물을 포함하는 카테고리들 중에서 입력된 영상 속의 조리 대상물이 속하는 카테고리를 판단할 수 있도록 훈련될 수 있다. 이러한 훈련은 지도학습에 의한 이미지 분류(image classification)에 해당한다.

예를 들어 인공 신경망은 포장지에 포장지에 표시된 상품명, 상품의 사진 또는 일러스트를 인식하고, 인식된 객체를 간편조리식품으로 분류할 수 있다. 또한, 인공 신경망은 상품의 사진 또는 일러스트가 없이 포장지에 상품명만 표시된 조리 대상물을 밀 키트로 분류할 수 있다. 또한, 인공 신경망은 일부 포장된 객체가 인식되는 경우에도, 포장지가 없는 다른 객체에 대해 가공되지 않은 천연 식 재료를 인식해서 미 가공 조리 대상물로 분류할 수 있다. 일 실시 예로서 인공지능 모델(173)은 학습 장치인 서버(200)에서 학습 과정과 평가 과정을 거처 완성된 후, 조리장치의 메모리(170)에 저장될 수 있다.

그리고 저장된 인공지능 모델(173)은 조리장치(100)에서 수집되는 사용자 로그 데이터를 이용하는 학습 모듈(174)에 의한 2차 학습 과정에 의해 개인화된 인공지능 모델로 훈련될 수 있다. 따라서 카메라(120)를 통해 수집되는 영상의 특징을 이용하는 2차 학습을 통해 사용자가 애용하는 조리 대상물의 종류와 이에 이용되는 주요 조리 패턴들이 인식할 수 있다. 조리 명령 모듈(174)은 DB 검출된 레시피 및 인공지능에 의해 인식된 조리 패턴에 따라 조리 명령을 생성하는 역할을 한다.

인식된 조리 대상물에 해당하는 조리 명령이 조리장치(100)의 메모리(170)에 저장된 경우, 저장된 조리 명령이 이용될 수 있다. 그러나, 저장된 해당 조리 명령이 없거나, 저장된 조리 명령을 조리 패턴에 따라 수정할 필요가 있는 경우 조리 명령 모듈(174)은 하나의 이상의 운전 명령을 조합하여 새로운 조리 명령을 생성할 수 있다. 이렇게 프로그램된 조리 명령에 의해 조리장치(100)는 해당 조리 대상물을 조리하도록 제어될 수 있다.

구동 모듈(176)은 조리 명령에 따라 각종 조리기, 예를 들면 전기 오븐의 또는 전자 레인지를 구동시키는 역할을 할 수 있다.

이러한 구성의 조리장치(100)가 조리 대상물을 조리하는 과정을 살펴보면, 우선 카메라(120)를 이용하여 조리장치(100)의 본체(105) 내에 배치되는 조리 대상물을 촬영하여 인식한다.

이후, 조리 대상물이 본체(105) 내에 어느 위치에 위치하는지 파악한다. 즉, 조리 대상물이 본체(105)의 거치대(107) 중앙에 위치하지 않고 어느 한쪽으로 치우쳐 위치하는지를 파악하는 것이다.

이때, 러닝 프로세서(150)의 합성곱 신경망을 이용하여 본체(105) 내에서 촬영된 조리 대상물의 이미지에 기초하여 본체(105) 내에 위치한 조리 대상물의 위치를 결정할 수 있다.

조리 대상물의 위치를 파악한 뒤, 조리 대상물의 위치가 정 위치에서 벗어나 경우, 조리 대상물을 조리하기 위한 에너지원의 방향을 조향부(160)를 이용하여 조절할 수 있다.

이로 인해, 조리 대상물의 위치가 정 위치가 아니라고 하더라고 조리 대상물이 적절하게 조리될 수 있다.

한편, 조리 대상물이 조리될 때 본체(105) 내에서 진동이 발생할 수 있다. 조리 대상물이 수용된 용기가 조리 대상물이 조리되어 가열되면서 움직일 수 있으며, 용기의 움직임과 본체(105)의 거치대(107) 사이에서 마찰음이 발생할 수 있기 때문이다.

이러한 진동은 러닝 프로세서(150)의 LSTM 순환 신경망을 통해 조리 대상물이 조리될 때 발생하는 진동의 시계열적 변화에 따라 조리 대상물의 상태를 추정할 수 있다.

즉, 조리 대상물이 가열되면 용기의 움직임이 증가하고, 용기와 본체(105) 거치대(107) 사이의 마찰음이 증가하게 된다. 즉, 마찰음의 크기가 미리 정해진 임계 값을 초과할 경우 조리 대상물이 끓는 것이라 판단할 수 있으며, 이 경우 가열기(140)의 세기를 제어하여 조리 대상물이 추가로 끓는 것을 방지할 수 있으며, 나아가 조리 대상물이 용기에서 이탈하여 본체(105) 내부가 조리 대상물에 의해 오염되는 것을 방지할 수 있다.

도 6은 본 발명의 실시 예에 따른 인공 지능 모델의 학습 장치에 해당하는 서버의 블록 구성도이다.

도 6을 참고하면, 서버(200)는 학습 결과로서 조리 대상물을 인식하는 인공지능 모델을 훈련 시키는데 필요한 학습용 데이터와 각종 인공 지능 알고리즘과 관련된 컴퓨터 프로그램, 예를 들어 API, 데이터 워크플로우(data workflows) 등을 조리장치에 제공할 수 있다.

또한 서버(200)는 객체 인식, 문자 인식 및 식재료 형상의 특징 인식을 위한 학습에 필요한 학습용 데이터를 사용자 로그 데이터 형태로 사용자 데이터를 통해 수집하고, 수집된 학습용 데이터를 이용하여 직접 훈련시킨 인공지능 모델을 조리장치(100)에 제공할 수도 있다.

이러한 서버(200)는 조리장치(100) 외부에 별도로 구성된 장치 또는 서버로, 조리장치(100)의 러닝 프로세서(150)와 동일한 기능을 수행할 수 있다. 즉, 서버(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

서버(200)는 적어도 하나의 조리장치(100)와 통신할 수 있고, 조리장치(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 서버(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 서버(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다. 서버(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 서버(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

또한, 서버(200)는 주기적으로 혹은 요청에 의하여 조리장치(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

이러한 서버(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 2의 무선 통신부(110) 및 인터페이스부(260)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 조리장치(100)의 카메라(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다. 또한, 입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

메모리(280)는 조리장치(100)의 메모리(170)에 대응하는 구성이며, 모델 저장부(231) 및 데이터 베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다. 즉 데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 조리장치(100)의 러닝 프로세서(150)에 대응되는 구성이다.

구체적으로, 서버(200)의 러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다.

전원공급부(250)는 서버(200)에 전원을 공급하는 구성이다.

이외에 서버(200)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 하고 업데이트된 인공지능 모델을 조리장치(100)에 제공할 수 있다. 여기서 조리장치(100)는 서버(200)가 수행하는 일련의 단계들을 로컬 영역에서 단독으로 또는 서버(200)와의 통신을 통해 수행할 수 있다. 예를 들어 조리장치(100)는 사용자 개인의 데이터에 의한 학습을 통해 인공지능 모델이 사용자의 개인적 패턴을 학습시킴으로써 서버(200)로부터 다운로드 받은 인공지능 모델을 업데이트할 수 있다.

도 7은 본 발명의 실시 예에 따른 인공지능 모델을 이용한 조리 대상물 인식의 예시도이고, 도 8은 본 발명의 실시 예에 따른 조리 과정 이용의 예시도이다.

도 7 및 도 8을 참조하면, 머신 러닝을 수행하는 합성곱 신경망(Convolutional Neural Network, CNN)의 구조가 나타나 있다.

CNN은 이미지의 특징을 추출하는 영역과 클래스를 분류하는 영역으로 나뉠 수 있다. 특징 추출 영역은 Convolution Layer(10, 30)와 Pooling Layer(20, 40)를 여러 겹 쌓는 형태로 구성된다. Convolution Layer(10, 30)는 입력 데이터에 필터를 적용 후 활성화 함수를 반영하는 필수 요소이다. Convolution Layer(10, 30) 다음에 위치하는 Pooling Layer(20, 40)는 선택적인 레이어이다. CNN 마지막 부분에는 이미지 분류를 위한 Fully Connected Layer(60)가 추가된다. 이미지의 특징을 추출하는 부분과 이미지를 분류하는 영역 사이에 이미지 형태를 배열 형태로 만드는 Flattern Layer(50)가 위치한다.

CNN은 이미지 특징 추출을 위하여 입력데이터를 필터가 순회하며 합성곱을 계산하고, 그 계산 결과를 이용하여 Feature Map을 만든다. Convolution Layer Filter 크기, Stride, Padding 적용 여부, Max Pooling 크기에 따라 출력 데이터의 Shape이 변경된다.

조리 대상물이 간편요리식품, 반 조리식품 등의 제품에 해당하는 경우, 조리장치(100)는 조리 대상물에 대한 유통기한정보, 레시피 정보 등을 표시할 수 있다.

조리 대상물이 미 가공의 조리 대상물을 포함하는 경우 조리기 제어 장치(100)는 사용자로부터 조리 대상물 정보를 입력 받을 수 있다(도 8의 ①).

본 발명에 따른 일 실시 예에서 조리 대상물 정보는 조리 대상물 인식을 대체하거나, 보충할 수 있는 정보를 말한다. 조리 대상물 정보의 범위에는 조리 대상물에 표시된 각종 코드, 예를 들어 바코드, QR코드, 사용자에 의해 입력되는 요리 명칭, 조리 대상물 명칭 또는 이에 대응하는 코드가 포함될 수 있다. 따라서 조리 대상물이 인식된 경우에도 추가적인 조리 대상물에 대해서는 해당 조리 대상물 정보가 추가적으로 입력될 수 있다.

조리장치(100)는 조리 대상물 또는 조리 대상물 정보 등을 기반으로 해당 레시피를 검출할 수 있다. 예를 들어 반 조리식품인 컵밥의 경우 컵밥의 QR코드, 바코드 등에 저장된 컵밥 조리 레시피를 검출할 수 있다. 이와 반대로, 이미 조리된 식품을 냉동하고, 냉동한 식품을 조리하는 경우(예: 피자) 조리장치(100) 또는/및 서버(200)에 저장된 냉동식품을 조리하는 레시피를 검출할 수 있다(도 8의 ②).

레시피를 검출하면 조리 명령을 실행할 수 있다(도 8의 ③). 이때 조리 명령은 검출된 레시피에 따라 조리장치(100)를 자동으로 구동시켜 조리 대상물을 조리할 수 있지만, 다르게는 사용자가 조리장치(100)의 사용자 입력부(103)를 통해 입력하여 조리 명령을 실행할 수도 있다. 그 밖에 레시피에 따른 조리 항목이 조리장치(100)의 디스플레이부(109)에 노출되도록 하고, 사용자가 디스플레이부(109)에 노출된 조리 항목을 선택하여 조리 명령이 실행될 수도 있다.

이때, 조리장치(100)는 사용자의 조리 명령에 따라 조리장치(100)를 제어하여 요리 조리를 제어할 수 있다(도 8의 ④).

예를 들어 냉동 피자가 조리장치(100) 내에 투입될 때, 투입되는 냉동 피자의 위치가 조리장치(100) 내부 가운데가 아닌 좌, 우 또는 전, 후 중 어느 한 방향으로 치우쳐 투입되는 경우, 냉동 피자를 향해 방사되는 가열기가 일정한 경우, 한쪽으로 치우진 부분을 덜 조리될 수 있다.

따라서, 카메라(120)를 통해 냉동피자의 위치를 인식하고, 배치되는 냉동피자의 위치가 한쪽으로 치우친 경우, 치우친 냉동 피자의 위치에 대응하여 가열기를 방사하도록 하여 냉동 피자의 조리가 적절하게 이루어질 수 있도록 한다.

이와 유사하게 카메라(120)를 통해 조리 대상물의 조리 상태를 추출하여 조리 시간을 제어할 수도 있다. 예컨대, 냉동 피자의 조리 레시피가 3분으로 검출되었으나, 2분이 경과한 시점에 피자의 표면이 끓는 등의 현상이 발생할 수 있다. 이 경우, 2분이 경과한 시점에 조리를 중단하여 조리 대상물이 추가 조리되어 음용 불가능되는 것을 방지할 수 있다.

이와 다르게, 냉동 피자의 조리 레시피가 3분으로 검출되었으나, 사용자는 4분으로 냉동 피자의 조리 명령을 실행할 수 있다. 이 경우, 사용자의 냉동 피자 조리 명령을 저장한 뒤, 이후 사용자가 냉동 피자를 재 투입하는 경우 사용자가 선호한 4분 조리로 자동 조리될 수 있도록 한다. 즉, 조리 대상물에 따른 사용자의 기호를 반영할 수 있도록 하는 것이다.

이와 같이 조리를 제어하여 조리 대상물의 조리가 완성되면 조리 완료를 알릴 수 있다(도 8의 (5)). 이때, 조리 완료는 조리장치(100)의 알람 서비스, 조리장치(100)와 통신 연결된 단말기(300)를 통해 알릴 수 있다.

도 9는 본 발명의 실시 예에 따른 조리장치 제어방법의 흐름도이고, 도 10은 본 발명의 실시 예에 따른 조리장치 제어방법의 데이터 흐름도이다.

도 9 및 도 10을 참조하면, 본 발명의 실시 예에 따른 조리장치(100)는 단계 S110 내지 단계 S170 를 포함하도록 구성될 수 있다. 그리고 각 단계들은 조리장치(100) 단독으로 또는 서버(200)와 연동하여 수행될 수 있다. 이하 도면을 참고하여 설명하기로 한다.

여기서 조리장치 제어방법을 구성하는 각 단계를 수행하는 주체는 조리장치(100) 또는 단말기(300) 중 어느 하나가 될 수 있으나, 구체적으로는 조리장치(100)의 메모리(170) 상에 저장된 프로그램에 포함된 컴퓨터 명령어를 실행하는 조리장치(100)의 프로세서(190)에서 수행할 수 있다.

프로세서(190)는 중앙처리 장치(cental processing unit)로 불리는 CPU 및 그래픽 처리 장치로 불리는 GPU(graphics processing unit) 중에서 적어도 하나 이상으로 구현될 수 있다. 이하 본 발명의 실시 예에 따른 조리장치 제어방법의 실행 주체인 조리장치(100) 또는 프로세서(190) 관점에서 각 단계들을 설명하기로 한다.

조리장치(100)는, 조리장치(100) 내부 또는 외부에 설치된 카메라(120)를 통해 조리장치(100)로 투입되는 조리 대상물을 촬영한 뒤, 촬영한 조리 대상물 이미지를 인식하여 조리 대상물의 정보를 입력 받는다(S101, S110). 본 단계에서 조리 대상물에 관한 영상을 획득하는 단계, 획득한 영상에서 잡영(noise)을 제거하는 단계, 잡영이 제거된 영상을 학습 데이터로 사용하여 인공지능 모델을 학습시키는 단계, 및 평가를 통해 학습이 완성된 인공지능 모델을 이용하여 객체, 즉 조리 대상물을 인식하는 단계를 포함하도록 구성될 수 있다.

잡영 제거는 인공지능 모델의 학습 효과를 높이기 위한 데이터 마이닝 단계에 해당한다. 상술한 바와 같이 잡영 제거 과정은 영상을 RGB 모드에서 그레이(Gray) 모드로 변환하는 단계, Morph Gradient 알고리즘을 이용한 경계 이미지 추출, Adaptive Threshold 알고리즘을 이용한 잡영 제거, Morph Close 및 Long Line Remove 알고리즘을 이용한 영상 최적화 및 경계선(contour) 추출 단계를 포함하도록 구성될 수 있다. 다만 잡영 제거 과정에서 사용된 알고리즘의 표기는 본 발명의 일 실시 예에 불과하므로, 다른 알고리즘의 사용을 배제하는 것은 아니다.

본 단계에서, 조리 대상물을 촬영할 때, 서버(200)와 조리장치(100)가 통신 연결되어 촬영된 조리 대상물에 관한 정보를 서버(200)를 통해 전송하고, 관련된 조리 대상물에 대한 정보를 수신 받을 수 있다(S102, S113, S120).

본 발명에 따른 실시 예에서 조리 대상물의 인식은 크게 두 단계로 나누어 인식될 수 있다. 즉, 조리 대상물의 인식은 간편조리식품, 밀 키트와 같은 반 조리식품 및 미 가공 조리 대상물과 같이 조리 대상물이 속하는 카테고리를 판단하는 단계 및 해당 카테고리, 예를 들어 반 조리식품의 포장 디자인에 기반하여 제품의 ID를 인식하거나, 미 가공 조리 대상물의 객체를 인식하는 단계를 포함하도록 구성될 수 있다. 다만, 반 조리식품의 경우 위의 2가지 단계가 동시에 실행됨으로써 제품 포장 디자인에 표시된 객체 영상 및 문자를 이용하여 제품의 ID가 바로 인식될 수도 있다.

미 가공 조리 대상물의 인식은 영상 내 객체 인식에 기반하고, 복수의 조리 대상물의 인식을 포함할 수 있다. 그리고 복수의 조리 대상물 인식에는 상표가 표시된 제품 인식이 포함될 수 있다. 본 발명의 일 실시 예에 따라 인공지능 모델을 이용하여 조리 대상물을 인식하는 인식 과정이 수행될 수 있다. 특히 기계 학습(machine learning)을 수행하는 인공 신경망을 이용하여 이미지 분류, 객체인식 및 문자인식 과정이 수행될 수 있다.

또한, 본 발명에 따른 실시 예에서 조리 대상물이 조리장치(100)에 투입되면 조리 대상물의 위치를 검색할 수 있다(S130). 즉, 조리 대상물 및 조리 대상물의 투입 위치에 따라 자동 조리 신경망을 선택할 수 있다.

여기서, 자동 조리 신경망은 설명된 조리 대상물 종류, 요리 조리 상태에 따라 조리가 가능하도록 할 수 있다. 또한, 자동 조리 신경망은 조리 대상물이 조리장치(100)에 배치되는 위치가 정 위치(예: 조리장치 본체 내부 가운데)가 아닌 경우, 조리 대상물이 적절히 조리될 수 있도록 조리 대상물을 가열시키는 가열기를 자동으로 조절할 수 있도록 한다.

구체적으로 요리재료를 입력 받은 뒤, 조리 대상물이 반 조리식품인 경우 조리장치(100)로 배치되는 식품의 위치를 인식한다(S140). 이렇게 인식한 식품의 위치가 정 위치가 아닌 경우, 조리장치(100) 내부 중앙에 가열기를 방사하게 되면 식품이 골고루 조리되지 않을 수 있다. 이를 방지하기 위하여 가열기의 방사 방향을 제어하여 식품 전반에 가열기가 도달할 수 있도록 할 수 있다(S150). 즉, 조리 대상물 이미지 인식용 신경망을 통해 조리 대상물의 위치에 따라 조리 대상물을 가열시키는 가열기방향을 제어하는 것이다.

예를 들어 반 조리식품이 조리장치(100)에 투입되는 경우, 반 조리식품 포장지에 인쇄된 QR 코드, 바코드 등을 통해 식품의 추천 조리 시간 등의 레시피 정보를 추출한다. 추출된 레시피 정보를 기초로 조리장치(100)를 구동하여 식품이 조리될 수 있도록 한다.

이와 다르게, 조리 대상물이 가공되지 않은 제품인 경우에도 조리 대상물의 투입 위치를 판단한 뒤, 조리 대상물의 위치에 따라 가열기를 제어할 수 있도록 한다.

여기서 가열기의 제어란, 조리 대상물을 가열시키는 가열기의 방향 이외에 조리 대상물을 가열시키는 가열기의 방사 시간, 강도 등을 조절하는 것을 의미한다.

가열기를 제어하며 조리 대상물을 조리한 뒤, 요리가 완성되면 요리 완성 여부를 조리장치(100)에 탑재된 알람 서비스를 통해 외부에 알리거나, 다르게는 조리장치(100)와 통신 연결된 단말기(300)에 관련 정보를 전송함으로써 사용자가 요리 조리의 완성을 인지할 수 있다(S109, S170).

이때, 조리장치(100)는 조리 대상물을 요리한 시간 및 가열기의 강도 등에 대한 정보를 서버(200)로 전송할 수 있다. 서버(200)에는 각 요리 재품의 제품, 재료에 따른 조리 시간, 조리를 위한 가열기의 강도 등에 대한 정보가 저장될 수 있다.

도 11은 본 발명의 다른 실시 예에 따른 조리장치 제어방법의 흐름도이고, 도 12는 본 발명의 다른 실시 예에 따른 조리장치 제어방법의 데이터 흐름도이다.

도 11 및 도 12를 참조하면, 도 11과 도 9의 차이는 조리 대상물이 조리장치(100)에 투입되고, 조리장치(100)가 구동되어 조리 대상물이 조리되는 과정에서 카메라(120)의 카메라(120)에서 촬영한 조리 대상물의 상태를 통해 가열기를 제어하는 것이다.

구체적으로, 조리장치(100)는 조리장치(100) 내부 또는 외부에 설치된 카메라(120)를 통해 조리장치(100)로 투입되는 조리 대상물을 촬영한 뒤, 촬영한 조리 대상물 이미지를 인식하여 조리 대상물의 정보를 입력 받는다(S110).

이후, 조리장치(100)가 구동하여 조리 대상물을 조리하고, 조리 대상물을 조리하는 과정에서 조리장치(100) 내부 또는 외부에 설치된 카메라(120)를 통해 조리 대상물의 상태, 조리 대상물이 수용된 용기의 상태 등을 판단한다(S112, S114).

설명한 바와 같이 본 발명의 실시 예의 조리장치(100)인 전자레인지는, 전자레인지는 수분이 있는 음식물에　전자파를 집중적으로 쏘여 음식물 내부의 수분에 진동을 가해 발열시켜 음식물 조리하는 장치이다. 따라서, 가열기가 일정 시간 이상 조리 대상물로 방사되거나 일정 강도 이상 조리 대상물로 방사되면 조리 대상물이 끓을 수 있다. 이 경우, 조리장치 내부에서 발생한 열에 의해 조리 대상물이 수용된 용기도 달궈지며 조리 대상물이 용기에서 넘칠 수 있다. 용기가 달궈질 때, 용기가 미세하게 흔들릴 수 있으며, 용기의 흔들림으로 용기와 조리장치 내부 바닥 면 사이에서 진동(마찰음)이 발생할 수 있다.

이러한 조리 대상물의 상태, 용기의 상태 등을 카메라(120)를 통해 확인하고, 가열기 제어가 필요하다고 판단되면, 가열기의 세기 및 시간을 제어하여 조리 대상물이 가열기에 의해 손상되거나 용기에서 넘치는 것을 조절하는 것이다(S114, S116).

도 13 및 도 14는 본 발명의 또 다른 실시 예에 따른 조리장치 제어방법의 데이터 흐름도이다.

도 13 및 도 14를 참조하면, 도 13과 도 9 및 도 11과의 차이는, 조리장치(100)를 사용하는 사용자의 개인 정보를 기초로 조리 대상물의 조리가 이루어진다는 것이다.

구체적으로, 조리장치(100)를 사용한 사용자의 개인 정보, 예를 들어 사용자의 지문, 식품에 따른 사용자의 요리 선호도 등에 따라 조리장치(100)를 제어할 수 있다.

이를 위해, 조리장치(100)를 사용하는 사용자의 개인 정보를 우선 획득할 수 있다. 여기서 사용자의 개인 정보란 사용자의 홍채, 지문 등과 같은 생체 정보가 될 수 있다. 획득한 사용자의 개인 정보는 후술할 조리 대상물의 조리 조건을 선택할 수 있는 기준이 될 수 있다(S1011).

사용자의 개인 정보를 획득한 후, 조리장치(100) 내부 또는 외부에 설치된 카메라(120)를 통해 조리장치(100)로 투입되는 조리 대상물을 촬영한 뒤, 촬영한 조리 대상물 이미지를 인식하여 조리 대상물의 정보를 입력 받는다.

이후, 조리 대상물의 정보에 따라 반 조리식품의 경우, 포장 디자인에 기반하여 기 저장된 레시피를 통해 조리를 수행한다. 이와 반대로 미 가공 조리 대상물의 경우 사용자가 입력한 입력 정보를 기초로 조리를 수행할 수 있다.

이러한 조리 조건은 서버(200)에 저장된다. 서버(200)에 저장된 조리 조건은 동일한 사용자가 조리장치(100)를 사용하여 동일한 조리 대상물을 조리하는 경우 자동으로 조리 대상물을 조리할 수 있도록 하는 데이터가 될 수 있다(S115).

예컨대, 사용자가 반 조리식품의 조리를 사용자의 기호대로 변경할 수 있다. 예컨대 냉동 피자의 추천 조리 시간은 3분임에 반해 사용자는 4분을 실행할 수 있다.

이러한 사용자의 조리 조건을 서버(200)에 저장한 후, 사용자 정보가 저장된 사용자가 조리장치(100)를 사용하는 과정을 도 13을 참고하여 설명하기로 한다.

우선, 사용자 정보가 저장된 상태에서 사용자가 조리장치(100)를 on 또는 조리장치(100)를 개바한다. 이때, 서버(200)에 저장된 사용자 정보를 확인하고, 확인된 사용자 정보와 조리장치(100)를 구동시키는 사용자가 동일하다고 판단되면 사용자가 조리장치(100)에 투입하는 조리 대상물을 인식한다.

이후 인식한 조리 대상물에 따라 사용자가 조리한 조리 조건을 조리장치(100)로 전송한다(S117). 즉, 과거 조리 내역의 조리 조건을 조리장치(100)의 메모리(170)로 전송하는 것이다.

전송된 사용자의 조리 조건에 기반하여 조리 대상물을 조리하고, 요리가 완성되면 서버(200) 측으로 요리 완성 정보를 전송할 수 있다(S119).

이때, 사용자가 조리 대상물의 조리 조건을 변경하는 경우, 변경된 조리 조건을 서버(200)에 재 전송하게 되며, 서버(200)는 조리장치(100) 측으로부터 전송되는 조리 조건의 전송 날짜가 최근 날짜를 기반으로 업데이트할 수 있다. 이는, 이후 사용자가 동일한 조리 대상물을 조리하는 경우 최근 날짜에 조리한 조리 조건을 선호하는 것으로 추측할 수 있기 때문이다.

이와 같이 본 발명의 다양한 실시 예 따른 조리장치 및 조리장치 제어방법을 통해 조리 대상물을 인식할 수 있고, 인식된 조리 대상물의 위치에 따라 조리 대상물을 가열하는 가열기의 방향을 제어할 수 있게 된다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 단계들은 적당한 순서로 행해질 수 있다. 반드시 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 또한, 본 발명에 따른 방법들에 포함된 단계들은 프로세서 또는 해당 단계의 기능을 수행하기 위한 모듈들을 통해서 수행될 수 있다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims

영상분석 인공지능 기술을 활용하는 조리장치로서,
조리장치의 외관을 형성하는 본체;
상기 본체 내에 배치되는 조리 대상물을 조리하기 위한 가열기;
상기 조리 대상물을 촬영하기 위한 카메라; 및
상기 카메라 및 가열기와 통신하여 상기 조리장치를 제어하는 프로세서를 포함하고,
상기 프로세서는,
상기 카메라에 의해 촬영된 조리 대상물의 상기 본체 내 위치를 파악하여, 상기 조리 대상물의 위치에 따라 상기 가열기를 제어하도록 구성되는,
조리장치.
제1항에 있어서,
상기 가열기는,
상기 조리 대상물을 가열하기 위한 에너지를 제공하는 에너지원; 및
상기 에너지원에서 상기 조리 대상물을 향해 방사되는 상기 에너지의 방향을 조절하는 조향부를 포함하고,
상기 프로세서는 상기 조향부가 상기 카메라에 의해 촬영된 조리 대상물을 향하도록 제어하는,
조리장치.
제1항에 있어서,
상기 본체 내의 진동을 감지하는 진동센서를 더 포함하고,
상기 프로세서는,
상기 진동센서를 통해 감지된 진동에 기초하여 상기 조리 대상물의 상태를 판단하고, 상기 판단에 기초하여 상기 가열기를 제어하는,
조리장치.
제3항에 있어서,
상기 진동센서는,
상기 조리 대상물 조리 시, 상기 본체 내의 상기 조리 대상물이 수용된 용기와 상기 본체 바닥 면 사이의 마찰음을 감지하는,
조리장치.
제4항에 있어서,
상기 마찰음은,
상기 조리 대상물 조리 시, 상기 용기 내 조리 대상물의 상태 변화에 따른 상기 용기의 움직임에 의해 발생하고,
상기 프로세서는,
상기 마찰음의 크기가 미리 정해진 임계값을 초과하는 것에 기초하여 상기 조리 대상물의 끓음을 판단하는,
조리장치.
제1항에 있어서,
상기 프로세서는,
상기 감지된 진동에 LSTM 순환 신경망을 적용하여 상기 조리 대상물의 상태를 판단하고,
상기 LSTM 순환 신경망은 조리 대상물에 의해 발생하는 진동의 시계열적 변화에 따라 상기 조리 대상물의 상태를 추정하도록 미리 훈련된 신경망인,
조리장치.
제1항에 있어서,
상기 프로세서는,
상기 촬영된 조리 대상물의 이미지에 합성곱 신경망을 적용하여 상기 조리 대상물의 상기 본체 내 위치를 판단하고,
상기 합성곱 신경망은 상기 본체 내에서 촬영된 조리 대상물의 이미지에 기초하여 상기 조리 대상물의 상기 본체 내의 위치를 결정하도록 미리 훈련된 신경망인,
조리장치.
제2항에 있어서,
상기 조향부는,
상기 가열기에서 발생한 전기 에너지, 신호를 상기 조리 대상물로 전송시키도록 구성된 복수의 슬롯을 포함하는 전송로; 및
상기 복수의 슬롯을 통과하며 상기 슬롯의 위상을 가변하는 유전체를 포함하는,
조리장치.
제8항에 있어서,
상기 복수의 슬롯 각각은 슬롯 안테나로 동작하고, 상기 전송로와 상기 복수의 슬롯은 배열 안테나로 동작하며,
상기 유전체는 상기 슬롯 안테나들 사이에서 위치를 변경하여 상기 배열 안테나의 방사 패턴을 변화시키는,
조리장치.
영상분석 인공지능 기술을 활용하는 조리장치 제어방법으로서,
조리장치 외관을 형성하는 본체 내에 배치되는 조리 대상물을 촬영하는 단계;
촬영된 조리 대상물의 상기 본체 내의 위치를 파악하는 단계; 및
상기 조리 대상물의 위치에 따라 상기 조리 대상물을 가열하기 위해 상기 본체 내에 배치된 가열기를 제어하는 단계를 포함하는,
조리장치 제어방법.
제10항에 있어서,
상기 가열기를 제어하는 단계는,
상기 가열기를 통해 조리 대상물을 가열하기 위한 에너지를 발생시키는 단계;
상기 가열기를 제어하여 상기 에너지가 지향하는 방향을 조절하는 단계를 포함하고,
상기 에너지가 지향하는 방향은 상기 조리 대상물의 상기 본체 내 위치를 향하는,
조리장치 제어방법.
제10항에 있어서,
상기 본체 내 진동을 감지하는 단계;
감지된 상기 본체 내 진동에 기초하여 상기 조리 대상물의 상태를 판단하는 단계; 및
판단된 상기 조리 대상물의 상태에 따라 상기 가열기를 제어하는 단계를 포함하는,
조리장치 제어방법.
제10항에 있어서,
상기 본체 내 진동을 감지하는 단계는,
상기 조리 대상물 조리 시, 상기 본체 내의 상기 조리 대상물이 수용된 용기와 상기 본체 바닥 면 사이의 마찰음을 감지하는 단계를 포함하는,
조리장치 제어방법.
제13항에 있어서,
상기 마찰음을 감지하는 단계는,
상기 조리 대상물 조리 시, 상기 용기 내 조리 대상물의 상태 변화에 따른 상기 용기의 움직임에 의해 발생하는 단계; 및
상기 마찰음의 크기가 미리 정해진 임계값을 초과하는 것에 기초하여 상기 조리 대상물의 끓음을 판단하는 단계를 포함하는,
조리장치 제어방법.
제13항에 있어서,
상기 가열기를 제어하는 단계는,
상기 감지된 진동에 LSTM 순환 신경망을 적용하여 상기 조리 대상물의 상태를 판단하는 단계를 포함하고,
상기 LSTM 순환 신경망은 조리 대상물에 의해 발생하는 진동의 시계열적 변화에 따라 상기 조리 대상물의 상태를 추정하도록 미리 훈련된 신경망인,
조리장치 제어방법.
제10항에 있어서,
상기 가열기를 제어하는 단계는,
상기 촬영된 조리 대상물의 이미지에 합성곱 신경망을 적용하여 상기 조리 대상물의 상기 본체 내 위치를 판단하는 단계를 포함하고,
상기 합성곱 신경망은 상기 본체 내에서 촬영된 조리 대상물의 이미지에 기초하여 상기 조리 대상물의 상기 본체 내의 위치를 결정하도록 미리 훈련된 신경망인,
조리장치 제어방법.
조리장치로서,
하나 이상의 프로세서; 및
상기 프로세서에 연결되는 메모리를 포함하고,
상기 메모리는,
상기 하나 이상의 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 조리장치의 외관을 형성하는 본체 내에 배치되는 조리 대상물을 촬영하고, 촬영된 조리 대상물의 상기 본체 내의 위치를 파악한 뒤, 상기 조리 대상물의 위치에 따라 상기 조리 대상물을 가열하는 가열기를 제어하도록 하는 명령을 저장하는,
조리장치.