KR20210067604A - 인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템 - Google Patents

인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템 Download PDF

Info

Publication number
KR20210067604A
KR20210067604A KR1020190157411A KR20190157411A KR20210067604A KR 20210067604 A KR20210067604 A KR 20210067604A KR 1020190157411 A KR1020190157411 A KR 1020190157411A KR 20190157411 A KR20190157411 A KR 20190157411A KR 20210067604 A KR20210067604 A KR 20210067604A
Authority
KR
South Korea
Prior art keywords
server
artificial intelligence
kitchen environment
cooking
integrated management
Prior art date
Application number
KR1020190157411A
Other languages
English (en)
Inventor
윤유술
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190157411A priority Critical patent/KR20210067604A/ko
Priority to US17/075,464 priority patent/US11353218B2/en
Publication of KR20210067604A publication Critical patent/KR20210067604A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L15/00—Washing or rinsing machines for crockery or tableware
    • A47L15/0018—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control
    • A47L15/0063—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control using remote monitoring or controlling of the dishwasher operation, e.g. networking systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
    • F24C15/00—Details
    • F24C15/20—Removing cooking fumes
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
    • F24C15/00—Details
    • F24C15/20—Removing cooking fumes
    • F24C15/2021—Arrangement or mounting of control or safety systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06K9/62—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
    • H04L12/2825—Reporting to a device located outside the home and the home network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
    • H04L12/2827—Reporting to a device within the home network; wherein the reception of the information reported automatically triggers the execution of a home appliance functionality
    • H04L12/2829—Reporting to a device within the home network; wherein the reception of the information reported automatically triggers the execution of a home appliance functionality involving user profiles according to which the execution of a home appliance functionality is automatically triggered
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L15/00—Washing or rinsing machines for crockery or tableware
    • A47L15/0018—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control
    • A47L15/0021—Regulation of operational steps within the washing processes, e.g. optimisation or improvement of operational steps depending from the detergent nature or from the condition of the crockery
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/04—Crockery or tableware details, e.g. material, quantity, condition
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2501/00—Output in controlling method of washing or rinsing machines for crockery or tableware, i.e. quantities or components controlled, or actions performed by the controlling device executing the controlling method
    • A47L2501/07—Consumable products, e.g. detergent, rinse aids or salt
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2501/00—Output in controlling method of washing or rinsing machines for crockery or tableware, i.e. quantities or components controlled, or actions performed by the controlling device executing the controlling method
    • A47L2501/26—Indication or alarm to the controlling device or to the user
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2501/00—Output in controlling method of washing or rinsing machines for crockery or tableware, i.e. quantities or components controlled, or actions performed by the controlling device executing the controlling method
    • A47L2501/30—Regulation of machine operational steps within the washing process, e.g. performing an additional rinsing phase, shortening or stopping of the drying phase, washing at decreased noise operation conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/284—Home automation networks characterised by the type of medium used
    • H04L2012/2841—Wireless
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/2847—Home automation networks characterised by the type of home appliance used
    • H04L2012/285—Generic home appliances, e.g. refrigerators

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Fuzzy Systems (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)

Abstract

인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템이 제공된다. 주방 환경의 통합 관리 시스템은 발열체를 포함하는 조리 기기 상에 배치되는 후드로, 상기 후드는 상기 조리 기기의 동작에 의해 변화하는 대기 환경 정보를 측정하는 센서를 포함하는 후드, 상기 센서의 측정 결과에 기초하여 주방 환경 관리 모드의 실행 여부를 결정하는 서버, 및 사용자 계정에 등록되어 네트워크를 통해 연동되는 복수의 환경 가전들로, 상기 복수의 환경 가전은 각각 상기 주방 환경 관리 모드에 대응하는 제어 명령을 상기 서버로부터 수신하고, 상기 제어 명령에 따라 동작하는 환경 가전을 포함한다.

Description

인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템{A METHOD FOR INTEGRATED MANAGEMENT OF KITCHEN ENVIRONMENT AND SYSTEM FOR THE SAME USING ARTIFICIAL INTELLIGENCE}
본 발명은 인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템에 관한 것으로, 더욱 자세하게는 인공 지능을 이용하여 조리 기기의 동작에 의해 변화하는 주방 내 대기 환경에 기초하여 환경 가전을 통합적으로 제어하는 방법 및 그 시스템에 관한 발명이다.
기술의 발전에 따라, 인공 지능(AI: Artificial Intelligence)을 갖춘 기기들이 널리 소개되고 있다. 특히 네트워크에 연결될 수 있도록 IoT(Internet of Things) 기술이 적용된 가전 기기(Home appliance)도 인공 지능을 갖도록 구현된다.
IoT 환경에서는 연결된 기기에서 생성된 데이터를 수집, 분석하여 인간의 삶에 새로운 가치를 창출하는 지능형 IT(Internet Technology) 서비스가 제공될 수 있다. IoT는 기존의 IT 기술과 다양한 산업 간의 융합 및 복합을 통하여 스마트홈, 스마트 빌딩, 스마트 시티, 스마트 카, 스마트 가전 등의 분야에 응용될 수 있다.
한편, 가정의 주방에도 사용자의 편의를 위해 인공 지능이 탑재된 환경 가전들이 설치될 수 있다. 예를 들어 요리 시 발생하는 오염 물질의 효과적인 처리를 취해 네트워크로 연결된 후드, 조리 기기, 환경 가전들이 연동되어 동작할 수 있다.
본 발명이 해결하고자 하는 기술적 과제는, 인공 지능을 이용한 주방 환경의 통합 관리 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 인공 지능을 이용한 주방 환경의 통합 관리 시스템을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템은 발열체를 포함하는 조리 기기 상에 배치되는 후드로, 상기 후드는 상기 조리 기기의 동작에 의해 변화하는 대기 환경 정보를 측정하는 센서를 포함하는 후드, 상기 센서의 측정 결과에 기초하여 주방 환경 관리 모드의 실행 여부를 결정하는 서버, 및 사용자 계정에 등록되어 네트워크를 통해 연동되는 복수의 환경 가전들로, 상기 복수의 환경 가전은 각각 상기 주방 환경 관리 모드에 대응하는 제어 명령을 상기 서버로부터 수신하고, 상기 제어 명령에 따라 동작하는 환경 가전을 포함한다.
본 발명의 몇몇 실시예에서, 상기 센서는 상기 조리 기기의 동작에 의해 배출되는 가스, 유증기, 연기 중 적어도 어느 하나를 검출하는 센서를 포함할 수 있다.
본 발명의 몇몇 실시예에서, 상기 후드는 상기 센서에 의해 검출된 가스, 유증기, 연기 중 적어도 어느 하나가 미리 정해진 임계값 이상인 경우 상기 서버로 주의 신호를 전송하고, 상기 서버는 상기 주의 신호가 제공되면 상기 조리 기기의 출력이 감소하도록 상기 조리 기기를 제어할 수 있다.
본 발명의 몇몇 실시예에서, 상기 복수의 환경 가전에 제공되는 제어 명령의 세부 사항을 표시하는 사용자 단말을 더 포함하고, 상기 서버는 상기 경고 모드에서 상기 사용자 단말에 경고 메시지를 제공하고, 상기 사용자 단말은 상기 경고 메시지를 출력할 수 있다.
본 발명의 몇몇 실시예에서, 상기 후드는 상기 조리 기기를 촬영하는 카메라를 더 포함하고, 상기 카메라에 의해 촬영된 조리 기기 상의 이미지를 상기 서버에 전송할 수 있다.
본 발명의 몇몇 실시예에서, 상기 서버는 상기 조리 기기 상의 이미지와 상기 대기 환경 정보를 미리 저장된 학습 모델을 이용하여 대기 환경 정보의 변화를 검출할 수 있다.
본 발명의 몇몇 실시예에서, 상기 카메라는 상기 조리 기기 상에 배치되어 조리가 수행되는 조리 도구의 이미지를 획득하고, 상기 서버는 상기 조리 도구의 화상과 상기 대기 환경의 변화량을 미리 저장된 조리 도구의 오염도 모델을 이용하여 상기 조리 도구의 오염도를 추측할 수 있다.
본 발명의 몇몇 실시예에서, 상기 복수의 환경 가전은 식기 세척기를 포함하고, 상기 서버는 상기 추측된 오염도에 기초하여 상기 식기 세척기의 세척 행정, 세척 시간 및 세제량을 결정할 수 있다.
본 발명의 몇몇 실시예에서, 상기 복수의 환경 가전은 공기 청정기 또는 에어컨을 포함하고, 상기 서버는 상기 주방 환경 관리 모드를 실행하는 경우 상기 공기 청정기 또는 에어컨의 출력을 증가시키는 제어 명령을 생성하여 상기 환경 가전에 제공할 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템은 발열체를 포함하는 조리 기기 상에 배치되는 후드가 센서를 이용하여 상기 조리 기기의 동작에 의해 변화하는 대기 환경 정보를 측정하는 단계, 서버가 상기 측정 결과에 기초하여 주방 환경 관리 모드의 실행 여부를 결정하는 단계, 상기 주방 환경 관리 모드에 대응하는 제어 명령을 이용하여 복수의 환경 가전들을 구동하는 단계를 포함하되, 상기 복수의 환경 가전들은 사용자 계정에 등록되어 네트워크를 통해 연동된다.
본 발명의 몇몇 실시예에서, 상기 센서에 의해 검출된 가스, 유증기, 연기 중 적어도 어느 하나가 미리 정해진 임계값 이상인 경우 경고 모드를 실행하는 단계, 및 상기 조리 기기의 출력이 감소하도록 상기 조리 기기를 제어하는 단계를 더 포함할 수 있다.
본 발명의 몇몇 실시예에서, 상기 서버가 상기 경고에서 사용자 단말에 경고 메시지를 제공하는 단계, 및 상기 사용자 단말이 상기 경고 메시지를 출력하는 단계를 더 포함할 수 있다.
본 발명의 몇몇 실시예에서, 상기 후드에 설치된 카메라를 통해 상기 조리 기기를 촬영하는 단계, 및 상기 카메라에 의해 촬영된 조리 기기 상의 이미지를 상기 서버에 전송하는 단계를 더 포함할 수 있다.
본 발명의 몇몇 실시예에서, 상기 서버가 주방 환경 관리 모드의 실행 여부를 결정하는 단계는, 상기 조리 기기 상의 이미지와 상기 대기 환경 정보를 미리 저장된 학습 모델을 이용하여 대기 환경 정보의 변화를 검출하는 것을 포함할 수 있다.
본 발명의 몇몇 실시예에서, 상기 조리 기기 상에 배치된 상기 카메라가 조리가 수행되는 조리 도구의 이미지를 획득하는 단계, 및 상기 서버는 상기 조리 도구의 화상과 상기 대기 환경의 변화량을 미리 저장된 조리 도구의 오염도 모델을 이용하여 상기 조리 도구의 오염도를 추측하는 단계를 더 포함할 수 있다.
본 발명의 몇몇 실시예에서, 상기 복수의 환경 가전은 공기 청정기 또는 에어컨을 포함하고, 상기 주방 환경 관리 모드에 대응하는 제어 명령을 이용하여 복수의 환경 가전들을 구동하는 단계는, 상기 공기 청정기 또는 에어컨의 출력을 증가시키는 제어 명령을 생성하여 상기 환경 가전에 제공하는 것을 포함할 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예들에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템은, 주방 환경의 변화에 따라 네트워크로 연동된 환경 가전을 자동 제어함으로써 주방의 대기 환경을 쾌적하게 유지할 수 있다.
또한, 후드에 부착된 카메라를 통해 주방의 대기 환경 변화를 검출하는 한편 조리 도구의 오염도를 파악하고 식기 세척기의 제어 명령을 제공함으로써 환경 가전 및 식기 세척에 있어 사용자 경험을 향상시킬 수 있다.
사용자의 선호 특성에 맞는 통합 제어 모드를 결정하여 복수의 가전 기기를 제어함으로써 가전 기기(300)에 대한 사용자 경험을 향상시킬 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 몇몇 실시예에 따른 주방 환경의 통합 관리 시스템에 포함된 후드 및 조리 기기를 설명하기 위한 도면이다.
도 3은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 포함된 서버를 설명하기 위한 도면이다.
도 4는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 포함된 환경 가전을 설명하기 위한 도면이다.
도 5는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 포함된 사용자 단말을 설명하기 위한 도면이다.
도 6는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 저장되는 사용자 계정을 설명하기 위한 도면이다.
도 8은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 방법을 설명하기 위한 데이터 흐름도이다.
도 9는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 의해 제어되는 식기 세척기의 동작을 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.
도 1은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템을 설명하기 위한 도면이다.
주방 환경의 통합 관리 시스템(1)은 환경 가전(300)을 제어하기 위한 사용자 단말(user equipment, 100), 주방 환경 관리 모드의 실행을 결정하고 환경 가전(300)을 제어하기 위한 서버(200), 음식물을 조리하는 조리 기기(600) 및 조리 기기(600)의 동작 시 대기 환경 변화를 검출하는 후드(400)가 네트워크(500)를 통해 연결되어 있는 구성을 포함한다.
본 명세서에서 설명하는 주방 환경관리 모드는 사용자 계정에 등록되어 네트워크(500)를 통해 연동되는 복수의 환경 가전을 제어하여 주방 내 대기 환경을 개선하거나, 조리에 사용된 조리 도구를 세척하는 식기 세척기의 동작을 제어하는 모드를 의미한다.
사용자 단말(100)은 예를 들어, 휴대폰, 스마트폰(smart phone), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 인공 지능 기기 (smartwatch), 글래스형 인공 지능 기기 (smart glass), HMD(head mounted display)) 등이 포함될 수 있다.
사용자 단말(100)에 관한 더욱 자세한 설명은 도 5를 이용하여 후술한다.
서버(200)는 본 발명의 일 실시 예에서 설명되는 인공지능 모델과 관련하여 사용자 단말(100)에 인공지능 모델과 관련된 각종 서비스를 제공하는 역할을 할 수 있다.
본 발명의 몇몇 실시예에 따른 주방 환경의 통합 관리 시스템에 포함된 서버(200)는 통합 관리 모드의 실행과 관련하여 인공 지능(Artificial Intelligence, AI)을 이용할 수 있다.
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.
또한, 본 발명의 몇몇 실시예에 따른 주방 환경의 통합 관리 시스템에 포함되는 사용자 단말(100) 또한 위에서 설명한 인공 지능을 활용할 수 있다.
본 명세서에서 서버(200)는 네트워크(500)를 통해 연결되고 가정 외 다른 장소에 설치된 컴퓨터의 집합을 의미하는 것으로 기술한다. 다만 본 발명의 서버(200)가 이러한 기술적 개념에 제한되는 것은 아니며, 서버(200)는 가정 내 설치된 홈 서버, 홈 허브 또는 홈 게이트웨이 등의 장치를 포함할 수 있다.
서버(200)가 가정 내 설치된 홈 서버인 경우, 네트워크(500)는 가정 내 설치된 무선 네트워크, 예를 들어 Wifi일 수 있다.
환경 가전(300)은 임베디드 시스템(embedded system)의 일종으로서 무선 통신 기능을 통해 서버(200)로부터 제어 명령을 수신하고, 이에 따라 각각의 기능을 수행할 수 있다.
본 발명의 몇몇 실시예에서 환경 가전(300)은 예를 들어 에어컨, 공기 청정기 및 식기 세척기 등을 포함할 수 있으나 이에 제한되는 것은 아니다.
네트워크(500)는 유선 및 무선 네트워크, 예를 들어 LAN(local areanetwork), 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(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)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(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
사용자 단말(100)은 5G 네트워크를 통해 학습 장치인 서버(200)와 데이터를 전송하고 수신할 수 있다. 사용자 단말(100)은 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 서버(200)와 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.
도 2는 본 발명의 몇몇 실시예에 따른 주방 환경의 통합 관리 시스템에 포함된 후드 및 조리 기기를 설명하기 위한 도면이다.
도 2를 참조하면, 후드(400)는 컨트롤러(410), 통신부(420), 팬(430), 센서(440) 및 카메라(450)를 포함하고, 조리 기기(600)는 발열체(610)를 포함할 수 있다.
후드(400)는 조리 기기(600) 상에 배치되어 조리 과정에서 발생하는 가스, 유증기 또는 연기 등으로 오염된 공기를 팬(430)을 구동하여 외부로 배출할 수 있다.
컨트롤러(410)는 후드(400)에 포함된 통신부(420), 팬(430), 센서(440) 및 카메라(450)를 제어할 수 있다.
통신부(420)는 센서(440)로부터 검출된 대기 환경의 변화량 또는 카메라(450)로 촬영된 조리 기기의 화상을 서버(200)로 전송할 수 있다. 통신부(420)는 예를 들어 널리 알려진 유선 및 무선 네트워크 기술을 통해서 서버(200) 및 사용자 단말(210) 등과 연결될 수 있다.
팬(430)은 컨트롤러(410)의 제어를 받아 구동함으로써 오염된 공기를 외부로 배출할 수 있다. 후드(400)는 덕트로 오염된 공기를 흡입하는 흡입팬과, 덕트 외부로 공기를 배출하는 배출팬 등을 포함할 수 있다.
센서(440)는 조리 기기(600)의 사용 시 주방 내 대기 환경의 변화를 검출할 수 있다. 센서(440)는 예를 들어 가스, 유증기, 연기 센서를 포함할 수 있으나 본 발명이 이에 제한되는 것은 아니다.
카메라(450)는 조리 기기(600)와 마주보는 후드(400)의 대향면, 즉 하면에 부착되어 조리 기기(600)의 동작 중 조리 기기(600) 및 조리 기기(600) 상에 배치된 조리 도구의 이미지를 촬영할 수 있다. 카메라(450)는 일정한 주기로 조리 기기(600)의 이미지를 획득함으로써 복수의 이미지를 얻을 수 있으나 이에 제한되는 것은 아니다. 즉 조리 기기(600)를 동영상의 형태로 촬영할 수도 있다.
후드(400)는 센서(440) 및 카메라(450)를 이용하여 조리 기기(600)의 동작에 의해 변화하는 대기 환경을 검출할 수 있다. 구체적으로 센서(440)가 가스, 유증기, 연기 중 적어도 어느 하나의 수치 변화를 검출할 수 있다. 또는, 후드(400)는 카메라(450)를 통해 조리 기기(600)의 이미지를 촬영하여 서버(200)로 전송하고, 서버(200) 상에서의 이미지 분석을 통한 대기 환경의 변화가 검출될 수도 있다.
조리 기기(600)는 발열체(610) 위에 놓인 조리 도구에 열을 가하여 조리 기능을 수행할 수 있다. 조리 기기(600)는 예를 들어 가스레인지, 인덕션 쿡탑(induction cooktop) 등을 포함할 수 있다. 조리 기기(600)의 발열체(610)는 가스를 이용하여 열을 발생시키거나, 조리 기기(600)의 표면에 위치한 열선에 전원을 인가하여 열을 발생시키거나, 전자기 유도 현상에 의해 발생한 유도 전류를 이용하여 조리 도구를 가열시킬 수 있다.
조리 기기(600)로부터 열이 가해지면 조리되는 음식물로부터 가스, 유증기 등이 발생하여 주방 환경에 영향을 줄 수 있다. 또는, 조리 대상물이 수프와 같이 액체를 포함하는 경우 넘침(spillover)이 발생할 수도 있다. 본 발명의 실시예에 따른 후드(400)는 센서(440)를 이용하여 생성된 가스, 유증기를 검출하거나, 카메라(450)를 이용하여 조리 기기(600) 상에서 발생하는 넘침 또는 조리 도구의 오염을 검출할 수 있다.
도 3은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 포함된 서버를 설명하기 위한 도면이다.
도 3을 참조하면, 서버(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 스토리지(Storage, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.
통신부(210)는 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.
입력부(220)는 도 2의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.
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.
입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다. 메모리(230)는 프로세서(260)가 처리하는 데이터를 일시적으로 저장할 수 있다.
모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다. 후술하겠지만 학습된 모델(231a)은 후드(400)로부터 획득된 대기 환경 변화량과 조리 기기(600)의 화상을 분석하는 것에 사용될 수 있다.
이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
도 3에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다.
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 저장할 수 있다.
데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
본 발명의 몇몇 실시예의 주방 환경의 통합 관리 시스템에 포함된 서버(200)는 사용자 계정 정보를 저장할 수 있다. 서버(200)에 저장된 사용자 계정 정보에 관하여 이후 도 7을 이용하여 더욱 자세하게 설명한다.
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 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘을 수행하고 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.
러닝 프로세서(240)는 서버(200)에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 서버(200) 또는 서버(200)와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.
러닝 프로세서(240)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.
러닝 프로세서(240)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(260)에 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, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.
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.
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 인공 신경망의 서버(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 사용자 단말(100)과 같은 다른 장치에 전송되어 탑재될 수도 있다.
또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 사용자 단말(100)과 같은 다른 장치에 전송되어 탑재될 수 있다.
스토리지(250)는 서버(200)의 동작에 필요한 프로그램 및 데이터를 저장할 수 있다. 스토리지(250)는 예를 들어, 환경 가전의 통합 관리 모드에 대응하는 제어 명령과 관련된 프로그램 데이터를 저장하고, 프로세서(260)에 의해 해당 프로그램이 실행될 때 이를 메모리(230)에 제공할 수 있다.
또한, 스토리지(250)는 사용자 계정과 각 사용자별로 등록된 환경 가전의 정보에 관한 데이터를 저장할 수 있다. 뒤에 설명하는 것과 같이, 서버(200)는 사용자 계정에 등록된 환경 가전의 정보를 로딩할 수 있다. 이 때, 프로세서(260)는 사용자 계정에 등록된 환경 가전의 정보를 스토리지(250)로부터 로딩하여 메모리(230)에 제공할 수 있다.
그 밖에 서버(200)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 하고 업데이트된 인공지능 모델을 사용자 단말(100)에 제공할 수 있다. 여기서, 사용자 단말(100)은 서버(200)가 수행하는 일련의 단계들을 로컬 영역에서 단독으로 또는 서버(200)와의 통신을 통해 함께 수행할 수 있다.
예를 들어 사용자 단말(100)은, 사용자 개인의 데이터에 의한 학습을 통해 인공지능 모델이 사용자의 개인적 패턴을 학습시킴으로써, 서버(200)로부터 다운로드 받은 인공지능 모델을 업데이트할 수 있다.
도 4는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 포함된 환경 가전을 설명하기 위한 도면이다.
환경 가전(300)은 예를 들어 에어컨, 공기 청정기 및 식기 세척기를 포함할 수 있다. 환경 가전(300)은 서버(200)로부터 제어 명령을 제공받아 구동될 수 있다.
환경 가전(300)은 프로세서(310), 디스플레이(320), 입출력부(330), 통신 인터페이스(340), 메모리(350), 센서(360) 및 구동부(370)를 포함할 수 있다.
프로세서(310)는 환경 가전(300)의 동작을 제어할 수 있다. 구체적으로, 사용자 단말(100) 또는 서버(200)와 연결된 통신 인터페이스(340)를 통해 환경 가전(300)의 제어 명령이 제공되면, 프로세서(310)는 해당 제어 명령을 기반으로 환경 가전(300)의 동작을 제어할 수 있다.
디스플레이(320)는 환경 가전(300)의 내부 상태 또는 데이터를 표시할 수 있다. 몇몇 실시예에서 사용자는 디스플레이(320)에 표시된 사용자 인터페이스를 통하여 환경 가전(300)을 제어할 수도 있다.
입출력부(330)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰 등의 입력부 및/또는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 출력부인 음향 출력부, 햅틱 모듈, 광 출력부 중 적어도 하나를 포함할 수 있다.
통신 인터페이스(340)는 송신부(transceiver) 및 수신부(receiver)를 포함할 수 있다. 환경 가전(300)은 통신 인터페이스(340)를 통하여 네트워크(500)에 접속함으로써 사용자 단말(100) 또는 서버(200)와 연결될 수 있다.
사용자 단말(100) 또는 서버(200)와 연결된 환경 가전(300)은 환경 가전(300)의 구동에 필요한 제어 명령을 통신 인터페이스(340)를 통해 수신할 수 있다.
통신 인터페이스(340)는 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등의 무선 인터넷 규격을 이용할 수 있으나 본 발명이 위에서 기재된 무선 인터넷 기술 규격들의 예에 의해 제한되는 것은 아니다.
메모리(350)는 휘발성 메모리(volatile memory) 또는 불휘발성 메모리(nonvolatile memory)를 포함할 수 있다. 불휘발성 메모리는 ROM (Read Only Memory), PROM (Programmable ROM), EPROM (Electrically Programmable ROM), EEPROM (Electrically Erasable and Programmable ROM), 플래시 메모리, PRAM (Phasechange RAM), MRAM (Magnetic RAM), RRAM (Resistive RAM), FRAM (Ferroelectric RAM) 등을 포함한다. 휘발성 메모리는 DRAM (Dynamic RAM), SRAM (Static RAM), SDRAM (Synchronous DRAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), RRAM (Resistive RAM), FeRAM (Ferroelectric RAM) 등과 같은 다양한 메모리들 중 적어도 하나를 포함할 수 있다.
센서(360)는 예를 들어 근접센서(proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor) 등을 포함할 수 있으나 이에 제한되는 것은 아니다.
예를 들어, 환경 가전(300)이 에어컨인 경우, 센서(360)는 에어컨 주변의 공기 온도를 측정하기 위한 온도 센서일 수 있다. 또는, 환경 가전(300)이 공기 청정기인 경우, 센서(360)는 공기 청정기 주변의 공기 오염도를 측정하기 위한 미세먼지 센서 또는 냄새 센서일 수 있다.
환경 가전(300)이 식기 세척기인 경우, 센서(360)는 세척수의 온도를 측정하는 온도 센서일 수 있다.
구동부(370)는 이하에서 설명되는 다양한 환경 가전들(에어컨, 공기 청정기, 식기 세척기 등)의 구동에 필요한 기계적 움직임 또는 전기적 동작을 제공하는 부분을 총칭하는 것으로 기술한다.
예를 들어 환경 가전(300)이 에어컨인 경우, 구동부(370)는 냉기를 생성하기 위한 콤프레서를 포함할 수 있다. 또는 환경 가전(300)이 공기 청정기인 경우, 구동부(370)는 팬을 포함할 수 있다. 환경 가전(300)이 식기 세척기인 경우, 구동부(370)는 세척수를 분출시키는 펌프 등을 포함할 수 있다.
도 5는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 포함된 사용자 단말을 설명하기 위한 도면이다.
본 발명의 실시예에 따른 주방 환경의 통합 관리 시스템에 포함된 사용자 단말(100)은 환경 가전(300)을 제어 단말의 제어하기 위한 제어 단말의 기능을 수행할 수 있다. 환경 가전(300)은 사용자 단말(100)을 통해 주방 환경 관리 모드에 대응하는 제어 명령을 제공받고, 제어 명령에 따른 동작을 수행할 수 있다.
무선 통신부(110)는, 방송 수신부(111), 이동통신부(112), 무선 인터넷부(113), 근거리 통신부(114), 위치정보부(115) 중 적어도 하나를 포함할 수 있다.
방송 수신부(111)는 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신할 수 있다.
이동통신부(112)는, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신할 수 있으나 본 발명이 위에서 기재된 통신방식의 예에 의해 제한되는 것은 아니다.
무선 인터넷부(113)는 무선 인터넷 접속을 위한 모듈로, 사용자 단말(100)에 내장되거나 외장될 수 있다. 무선 인터넷부(113)는 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 구성될 수 있다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있으나 본 발명이 위에서 기재된 무선 인터넷 기술 규격들의 예에 의해 제한되는 것은 아니다.
근거리 통신부(114)는 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra-wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있으나 본 발명이 위에서 기재된 근거리 통신 방식들의 예에 의해 제한되는 것은 아니다.
위치정보부(115)는 사용자 단말(100)의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 사용자 단말(100)은 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 사용자 단말(100)의 위치를 획득할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 프로세서(180)에 의해 분석되어 사용자의 제어명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 사용자 단말(100)은 하나 또는 복수의 카메라(121)들을 포함할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 사용자 단말(100)은 마이크로폰(122)을 통해 사용자의 음성 명령을 제공받을 수 있다.
처리된 음성 데이터는 사용자 단말(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 사용자 단말(100)의 동작을 제어할 수 있다. 이러한, 사용자 입력부(123)는 기계식(mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 이동 단말기(100)의 전후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다.
일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 디스플레이부(151)에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 디스플레이부(151) 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
러닝 프로세서(130)는 도 3의 러닝 프로세서(240)에 대응되는 구성을 포함할 수 있다. 러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘을 수행하고 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.
프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 사용자 단말에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성될 수 있다.
정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 인공 지능 기기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함할 수 있다.
프로세서(180)는 본 발명의 사용자 단말에서 사용 히스토리 정보를 수집하여, 저장할 수 있다. 프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.
프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지할 수 있다.
프로세서(180)는 무선 통신부(110)를 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.
프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신할 수 있다.
프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.
사용자 단말(100)의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 사용자 단말(100)의 구성 요소를 제어할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행할 수 있다.
프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습한 정보의 업데이트를 수행할 수 있다.
따라서, 프로세서(180)는 러닝 프로세서(130)와 함께, 업데이트된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.
센싱부(140)는 이동 사용자 단말(100) 내 정보, 이동 사용자 단말(100)을 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 사용자 단말(100)은, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 사용자 단말(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 사용자 단말(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 사용자 단말(100)과 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 사용자 단말(100)과 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다. 음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동을 들 수 있다.
광 출력부(154)는 사용자 단말(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 사용자 단말(100)에서 발생되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
인터페이스부(160)는 사용자 단말(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 사용자 단말(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
한편, 식별 모듈은 사용자 단말(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 사용자 단말(100)과 연결될 수 있다.
메모리(170)는 사용자 단말(100)의 다양한 기능을 지원하는 데이터를 저장한다.
메모리(170)는 사용자 단말(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 사용자 단말(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.
메모리(170)는 메모리(350)와 같이 다양한 종류의 휘발성 메모리와 불휘발성 메모리를 포함할 수 있다.
프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 사용자 단말(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용프로그램의 구동을 위하여, 사용자 단말(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 사용자 단말(100)에 포함된 각 구성요소들에 전원을 공급할 수 있다.
전원공급부(190)는 예를 들어 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다. 이와는 달리, 전원공급부(190)는 교류 전원을 입력받아 직류 전원으로 변환하여 사용자 단말(100)에 공급하는 어댑터일 수도 있다.
한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 사용자 단말(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 사용자 단말(100)의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
도 6는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 방법은 후드의 센서로부터 조리 기구의 동작에 의해 변화하는 주방 대기 환경 정보를 측정하는 단계를 포함한다(S110).
앞서 설명한 것과 같이, 후드(400)에는 조리 기기(600)의 동작에 의해 발생되는 가스, 유증기, 연기 등을 감지하기 위한 센서(440)가 포함될 수 있다. 센서(440)는 주방 대기 환경 정보와 이의 변화를 측정하고, 측정된 주방 대기 환경 정보에 포함된 대기 중의 오염 물질의 양을 컨트롤러(410)에 제공할 수 있다.
후드(400)는 네트워크(500)를 통해 서버(200)와 연결되어, 측정된 주방 대기 환경 정보를 서버(200)로 전송할 수 있다.
본 발명의 다른 몇몇 실시예에서, 후드(400)는 센서(440)를 통해 검출된 주방 대기 환경 정보 또는 대기 중의 오염 물질의 양을 서버(200)로 지속적으로 전송하지 않고, 센서(440)를 통해 측정된 오염 물질의 양이 미리 정해진 임계값을 초과하는 경우에 서버(200)에 해당 사건의 발생 여부를 전송할 수도 있다.
도한, 본 발명의 다른 몇몇 실시예에서, 후드(400)는 주방 환경 정보의 변화 여부를 검출하기 위해 카메라(450)를 이용하여 조리 기기(600) 상의 이미지를 촬영할 수도 있다. 촬영된 이미지들은 서버(200)로 전송될 수 있다. 촬영된 이미지는 연속된 동영상이거나 일정한 주기로 촬영된 복수의 이미지들의 집합일 수도 있다.
이어서, 주방 대기 환경 정보의 변화가 검출되었는지 여부를 판단한다(S120).
서버(200)는 후드(400)로부터 주방 대기 환경 정보를 전송받고, 이를 이용하여 주방 대기 환경 정보의 변화를 검출한다. 이는 대기 중의 오염 물질의 양이 미리 정해진 값을 초과하여 측정되었는지의 여부를 판단하는 것을 포함할 수 있다.
몇몇 실시예에서, 서버(200)는 후드(400)의 카메라(450)로부터 촬영된 이미지에 기초하여 주방 대기 환경 정보의 변화를 검출할 수도 있다. 이를 위해서 서버(200)는 가스, 유증기 또는 연기 등이 발생한 경우의 조리 기기(600) 상의 이미지 세트와 대기 환경 정보의 관계를 이용하여 생성된 학습 모델을 모델 저장부(231)에 미리 저장할 수 있다.
서버(200)는 저장된 학습 모델 및 인공 신경망(231a)을 이용하여 후드(400)로부터 제공된 이미지들을 입력 데이터로 제공하고, 주방의 대기 환경 정보를 출력값으로 생성할 수 있다. 서버(200)는 인공 신경망(231a)을 이용하여 출력된 주방 대기 환경 정보를 이용하여 주방 대기 환경 정보의 변화를 검출할 수 있다.
서버(200)는 주방 대기 환경 정보의 변화가 검출되면 주방 환경 관리 모드를 실행하고(S130), 주방 대기 환경 정보의 변화가 검출되지 않으면 후드(400)로부터 제공되는 주방 대기 환경 정보의 변화 여부를 계속해서 판단할 수 있다.
서버(200)가 주방 환경 관리 모드의 실행을 결정하면, 서버(200)는 주방 환경 관리 모드에 대응하는 제어 명령을 생성한다. 상기 제어 명령은 환경 가전(300)을 제어하기 위한 제어 명령에 해당한다. 서버(200)는 제어 명령을 생성하기 위해 미리 저장된 사용자 계정 정보를 참조할 수 있다.
도 7은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 저장되는 사용자 계정을 설명하기 위한 도면이다.
사용자 데이터베이스(1000)는 서버(200)의 스토리지(250)에 저장될 수 있다. 다만 본 발명이 이에 제한되는 것은 아니며, 사용자 데이터베이스(1000)는 서버(200)와 네트워크(500)를 통해 연결된 또 다른 서버에 저장될 수 있다.
사용자 데이터베이스(1000)는 사용자 계정과 관련된 데이터를 포함할 수 있다. 각각의 사용자는 사용자 계정을 서버(200) 상에 소유하고, 각자의 계정에 로그인함으로써 사용자 계정에 저장된 데이터에 접근할 수 있다. 도 7의 사용자 데이터베이스(1000)는 예시적으로 사용자 1부터 사용자 N의 계정(1010_1~510_N)을 저장하는 것이 도시된다.
사용자 계정에는 각각의 사용자가 사용자 계정에 등록한 환경 가전의 목록이 저장될 수 있다. 도 7에서 예시적으로 사용자 1의 계정(1010_1)에는 에어컨, 공기 청정기의 정보가 등록되어 있고, 사용자 2의 계정(1010_2)에는 에어컨, 공기 청정기 및 식기세척기의 정보가 등록되어 있는 것이 도시된다.
사용자 계정에 등록된 환경 가전은 사용자가 사용할 수 있는 환경 가전을 의미한다. 즉, 그것들은 서버(200)로부터 실행된 주방 환경 관리 모드에 의해 제어 명령을 제공받아 동작할 수 있는 환경 가전들이다.
예를 들어 사용자 1의 계정에 등록된 환경 가전에 대해 주방 환경 관리 모드가 실행되는 경우 서버(200)는 주방 내 공기 순환을 위해서 에어컨의 풍량을 증가시키거나 공기 청정기의 출력을 증가시키는 제어 명령을 생성할 수 있다.
다른 예에서, 사용자 N의 계정에 등록된 환경 가전에 대해 주방 환경 관리 모드가 실행되는 경우 서버(200)는 IoT 기능을 포함하는 창문이 개방되도록 제어 명령을 생성할 수도 있다.
서버(200)는 생성된 제어 명령을 환경 가전(300)에 제공할 수 있다. 환경 가전(300)은 통신 인터페이스(340)를 통해 서버(200)로부터 생성된 제어 명령을 제공받을 수 있다.
본 발명의 다른 몇몇 실시예에서, 생성된 제어 명령은 사용자 단말(100)에 제공될 수도 있다. 사용자 단말(100)은 제공된 제어 명령으로 환경 가전(300)을 구동하고자 하는 사용자의 입력을 제공받고 이를 환경 가전(300)에 전달할 수도 있다.
이어서 환경 가전(300)은 제공받은 제어 명령에 따라 구동된다(S150). 후드(400)의 센서는 환경 가전(300)이 서버(200)로부터 제공받은 제어 명령에 따라 동작하는 도중에 주방 환경 정보를 지속적으로 측정하고, 그 결과를 서버(200)로 제공할 수 있다. 서버(200)는 후드(400)로부터 측정된 주방 환경 정보가 정상으로 복귀된 경우에 주방 환경 관리 모드를 종료할 수 있다. 주방 환경 관리 모드가 종료되면 환경 가전(300)은 모드 시작 전 동작을 이어서 계속할 수 있다.
본 발명의 실시예들에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템은, 주방 환경의 변화에 따라 네트워크로 연동된 환경 가전을 자동 제어함으로써 주방의 대기 환경을 쾌적하게 유지할 수 있다.
도 8은 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 방법을 설명하기 위한 데이터 흐름도이다.
도 8을 참조하면, 후드(400)에서 측정한 주방 환경이 미리 정해진 임계값을 넘은 경우에 위험 상황인 것을 인식하고 경고 모드의 실행과 함께 사용자에게 이를 알리는 동작이 설명된다.
구체적으로, 후드(400)로부터 전달된 측정 데이터를 이용하여 서버(200)는 측정값이 미리 정해진 임계값을 넘었는지 판단한다(S210). 후드(400)로부터 측정된 대기 환경 변화가 미리 정해진 임계값을 넘었다고 판단되는 경우, 서버(200)는 경고 모드를 실행한다(S220).
경고 모드는 주방 환경이 사용자에게 위험을 미칠 수 있을 정도에 이르렀음을 사용자에게 알리고 이를 개선하기 위한 동작을 환경 가전(300)에 지시하기 위한 모드이다.
이를 위해 서버(200)는 경고 메시지를 생성하고, 조리 기기(600)에 제공할 제어 명령을 생성한다(S230). 조리 기기(600)에 제공되는 제어 명령은 조리 기기(600)의 출력을 조절하거나 필요에 따라 조리 기기(600)의 전원을 오프 상태로 하기 위한 제어 명령을 포함할 수 있다.
서버(200)는 생성한 경고 메시지를 사용자 단말(100)에 제공하는 한편 제어 명령을 조리 기기(600)에 제공한다(S235, S236). 경고 메시지를 제공받은 사용자 단말(100)은 디스플레이부(151)에 경고 메시지를 출력하거나 또는 음향 출력부(152)를 통해 음성 또는 음향으로 출력할 수 있다(S240).
조리 기기(600)는 서버(200)로부터 제공된 제어 명령에 따라 발열체(610)의 출력을 조절하거나 전원을 오프시킬 수 있다(S250).
본 발명의 몇몇 다른 실시예에서, 서버(200)로부터 제공받은 경고 메시지를 표시한 사용자 단말(100)은 사용자가 조리 기기(600)를 제어할 수 있도록 사용자 입력을 제공받을 수 있다. 예를 들어 사용자 입력은 마이크로폰(122)으로 입력된 음성 명령이거나, 디스플레이부(151)를 통해 제공된 터치 입력의 형태를 가질 수 있다.
도 9는 본 발명의 몇몇 실시예에 따른 인공 지능을 이용한 주방 환경의 통합 관리 시스템에 의해 제어되는 식기 세척기의 동작을 설명하기 위한 도면이다.
서버(200)에 의해 제어되는 환경 가전(300)은 식기 세척기를 포함할 수 있다. 서버(200)는 후드(400)로부터 제공받은 정보를 이용하여 식기 세척기의 세척 동작과 관련된 제어 명령을 생성하고 이를 통해 식기 세척기를 제어할 수 있다.
구체적으로, 후드(400)의 센서(440)는 예를 들어 가스, 유증기 및 연기의 양을 측정한 데이터를 서버(200)에 제공할 수 있다. 또한, 후드(400)의 카메라(450)는 조리 동작 도중의 조리 기기(600)와 조리 도구의 이미지를 촬영하여 서버(200)에 제공할 수 있다.
서버(200)는 센서(440)가 측정한 데이터(710)와 카메라(450)가 촬영한 이미지(720)를 이용하여 조리 도구의 오염도를 추측할 수 있다. 구체적으로 서버(200)는 기계 학습을 이용하여 센서(440)가 측정한 데이터(710)와 카메라(450)가 촬영한 이미지(720)로부터 조리 도구의 오염도를 추측할 수 있다. 이는 서버(200)의 모델 저장부(231)에 저장된 학습 모델을 이용한 것일 수 있다.
구체적으로, 조리 동작 중 조리 도구의 이미지, 및/또는 센서로 측정된 오염 물질의 양과 조리 도구의 오염도 사이의 관계를 이용하여 생성된 학습 모델이 서버(200)의 모델 저장부(231)에 미리 저장될 수 있다. 서버(200)는 저장된 학습 모델 및 인공 신경망(231a)을 이용하여, 후드(400)로부터 제공된 데이터를 입력 데이터로 제공하고, 조리 동작에 사용된 조리 도구의 오염도를 출력 데이터(730)로 제공받을 수 있다.
서버(200)는 조리 도구의 오염도에 기초하여 식기 세척기에 사용할 추천 식기 세척 코스를 생성할 수 있다. 이러한 추천 식기 세척 코스(740)는 세척 행정의 종류, 세척 시간 및 세제량을 포함할 수 있다. 서버(200)는 추천 식기 세척 코스(740)를 기초로 생성된 제어 명령을 식기 세척기로 제공하고, 식기 세척기는 해당 제어 명령에 따라 식기 세척 동작을 수행할 수 있다.
이와 같이 본 발명의 실시예에 따른 주방 환경의 통합 관리 시스템은 후드에 부착된 카메라를 통해 주방의 대기 환경 변화를 검출하는 한편 조리 도구의 오염도를 파악하고 식기 세척기의 제어 명령을 제공함으로써 환경 가전 및 식기 세척에 있어 사용자 경험을 향상시킬 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 프로세서(180)를 포함할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100: 사용자 단말 200: 서버
300: 환경 가전 400: 후드
500: 네트워크 600: 조리 기기

Claims (19)

  1. 발열체를 포함하는 조리 기기 상에 배치되는 후드로, 상기 후드는 상기 조리 기기의 동작에 의해 변화하는 대기 환경 정보를 측정하는 센서를 포함하는 후드;
    상기 센서의 측정 결과에 기초하여 주방 환경 관리 모드의 실행 여부를 결정하는 서버; 및
    사용자 계정에 등록되어 네트워크를 통해 연동되는 복수의 환경 가전들로, 상기 복수의 환경 가전은 각각 상기 주방 환경 관리 모드에 대응하는 제어 명령을 상기 서버로부터 수신하고, 상기 제어 명령에 따라 동작하는 환경 가전을 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  2. 제 1항에 있어서,
    상기 센서는 상기 조리 기기의 동작에 의해 배출되는 가스, 유증기, 연기 중 적어도 어느 하나를 검출하는 센서를 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  3. 제 2항에 있어서,
    상기 후드는 상기 센서에 의해 검출된 가스, 유증기, 연기 중 적어도 어느 하나가 미리 정해진 임계값 이상인 경우 상기 서버로 주의 신호를 전송하고,
    상기 서버는 상기 주의 신호가 제공되면 상기 조리 기기의 출력이 감소하도록 상기 조리 기기를 제어하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  4. 제 2항에 있어서,
    상기 복수의 환경 가전에 제공되는 제어 명령의 세부 사항을 표시하는 사용자 단말을 더 포함하고,
    상기 서버는 상기 경고 모드에서 상기 사용자 단말에 경고 메시지를 제공하고,
    상기 사용자 단말은 상기 경고 메시지를 출력하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  5. 제 1항에 있어서,
    상기 후드는 상기 조리 기기를 촬영하는 카메라를 더 포함하고,
    상기 카메라에 의해 촬영된 조리 기기 상의 이미지를 상기 서버에 전송하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  6. 제 5항에 있어서,
    상기 서버는 상기 조리 기기 상의 이미지와 상기 대기 환경 정보를 미리 저장된 학습 모델을 이용하여 대기 환경 정보의 변화를 검출하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  7. 제 5항에 있어서,
    상기 카메라는 상기 조리 기기 상에 배치되어 조리가 수행되는 조리 도구의 이미지를 획득하고,
    상기 서버는 상기 조리 도구의 화상과 상기 대기 환경의 변화량을 미리 저장된 조리 도구의 오염도 모델을 이용하여 상기 조리 도구의 오염도를 추측하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  8. 제 7항에 있어서,
    상기 복수의 환경 가전은 식기 세척기를 포함하고,
    상기 서버는 상기 추측된 오염도에 기초하여 상기 식기 세척기의 세척 행정, 세척 시간 및 세제량을 결정하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  9. 제 1항에 있어서,
    상기 복수의 환경 가전은 공기 청정기 또는 에어컨을 포함하고,
    상기 서버는 상기 주방 환경 관리 모드를 실행하는 경우 상기 공기 청정기 또는 에어컨의 출력을 증가시키는 제어 명령을 생성하여 상기 환경 가전에 제공하는,
    인공 지능을 이용한 주방 환경의 통합 관리 시스템.
  10. 발열체를 포함하는 조리 기기 상에 배치되는 후드가 센서를 이용하여 상기 조리 기기의 동작에 의해 변화하는 대기 환경 정보를 측정하는 단계;
    서버가 상기 측정 결과에 기초하여 주방 환경 관리 모드의 실행 여부를 결정하는 단계;
    상기 주방 환경 관리 모드에 대응하는 제어 명령을 이용하여 복수의 환경 가전들을 구동하는 단계를 포함하되, 상기 복수의 환경 가전들은 사용자 계정에 등록되어 네트워크를 통해 연동되는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  11. 제 10항에 있어서,
    상기 센서는 상기 조리 기기의 동작에 의해 배출되는 가스, 유증기, 연기 중 적어도 어느 하나를 검출하는 센서를 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  12. 제 11항에 있어서,
    상기 센서에 의해 검출된 가스, 유증기, 연기 중 적어도 어느 하나가 미리 정해진 임계값 이상인 경우 경고 모드를 실행하는 단계, 및
    상기 조리 기기의 출력이 감소하도록 상기 조리 기기를 제어하는 단계를 더 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  13. 제 12항에 있어서,
    상기 서버가 상기 경고에서 사용자 단말에 경고 메시지를 제공하는 단계, 및
    상기 사용자 단말이 상기 경고 메시지를 출력하는 단계를 더 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  14. 제 10항에 있어서,
    상기 후드에 설치된 카메라를 통해 상기 조리 기기를 촬영하는 단계, 및
    상기 카메라에 의해 촬영된 조리 기기 상의 이미지를 상기 서버에 전송하는 단계를 더 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  15. 제 14항에 있어서,
    상기 서버가 주방 환경 관리 모드의 실행 여부를 결정하는 단계는,
    상기 조리 기기 상의 이미지와 상기 대기 환경 정보를 미리 저장된 학습 모델을 이용하여 대기 환경 정보의 변화를 검출하는 것을 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  16. 제 14항에 있어서,
    상기 조리 기기 상에 배치된 상기 카메라가 조리가 수행되는 조리 도구의 이미지를 획득하는 단계, 및
    상기 서버는 상기 조리 도구의 화상과 상기 대기 환경의 변화량을 미리 저장된 조리 도구의 오염도 모델을 이용하여 상기 조리 도구의 오염도를 추측하는 단계를 더 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  17. 제 16항에 있어서,
    상기 복수의 환경 가전은 식기 세척기를 포함하고,
    상기 서버는 상기 추측된 오염도에 기초하여 상기 식기 세척기의 세척 행정, 세척 시간 및 세제량을 결정하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  18. 제 10항에 있어서,
    상기 복수의 환경 가전은 공기 청정기 또는 에어컨을 포함하고,
    상기 주방 환경 관리 모드에 대응하는 제어 명령을 이용하여 복수의 환경 가전들을 구동하는 단계는,
    상기 공기 청정기 또는 에어컨의 출력을 증가시키는 제어 명령을 생성하여 상기 환경 가전에 제공하는 것을 포함하는,
    인공 지능을 이용한 주방 환경의 통합 관리 방법.
  19. 컴퓨터를 이용하여 제 10 항 내지 제 18 항의 방법 중 어느 한 항의 방법을 실행시키기 위하여 상기 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020190157411A 2019-11-29 2019-11-29 인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템 KR20210067604A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190157411A KR20210067604A (ko) 2019-11-29 2019-11-29 인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템
US17/075,464 US11353218B2 (en) 2019-11-29 2020-10-20 Integrated management method and system for kitchen environment using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190157411A KR20210067604A (ko) 2019-11-29 2019-11-29 인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR20210067604A true KR20210067604A (ko) 2021-06-08

Family

ID=76091967

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190157411A KR20210067604A (ko) 2019-11-29 2019-11-29 인공 지능을 이용한 주방 환경의 통합 관리 방법 및 그 시스템

Country Status (2)

Country Link
US (1) US11353218B2 (ko)
KR (1) KR20210067604A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102488594B1 (ko) * 2022-07-28 2023-01-12 이석훈 조리장 내 조리흄 유해방지 안전 시스템
WO2023146160A1 (en) * 2022-01-26 2023-08-03 Samsung Electronics Co., Ltd. Systems and methods for real-time adaptive air quality and pollution control in food processing and other thermal processing environments
KR102583614B1 (ko) * 2023-02-27 2023-09-26 이영호 온도 센서 및 연기 센서의 감지를 통한 배기량 자동 조절을 제공하는 지능형 스마트 배기 장치 및 이의 제어 방법

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113685863B (zh) * 2021-07-01 2022-10-21 宁波方太厨具有限公司 一种吸油烟机的控制方法
CN114005212A (zh) * 2021-11-01 2022-02-01 合肥甲豆科技有限公司 一种智能厨房管理系统
CN114151837A (zh) * 2021-11-11 2022-03-08 武汉沁云科技有限公司 一种多功能风机控制系统
CN114615166A (zh) * 2022-03-14 2022-06-10 广州正虹环境科技有限公司 餐饮单位远程油烟检测方法、装置、系统及可读存储介质
CN115206322A (zh) * 2022-09-15 2022-10-18 广东海新智能厨房股份有限公司 基于自动感应的智能橱柜及橱柜智能控制方法
CN115378982B (zh) * 2022-10-25 2023-02-07 深圳市虎一科技有限公司 一种适用于厨房电器的智能控制系统
CN115823636B (zh) * 2023-02-24 2023-05-23 杭州老板电器股份有限公司 一种自学习吸烟机控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10502442B2 (en) * 2015-04-03 2019-12-10 Lucis Technologies Holdings Limited Device control system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023146160A1 (en) * 2022-01-26 2023-08-03 Samsung Electronics Co., Ltd. Systems and methods for real-time adaptive air quality and pollution control in food processing and other thermal processing environments
KR102488594B1 (ko) * 2022-07-28 2023-01-12 이석훈 조리장 내 조리흄 유해방지 안전 시스템
KR102583614B1 (ko) * 2023-02-27 2023-09-26 이영호 온도 센서 및 연기 센서의 감지를 통한 배기량 자동 조절을 제공하는 지능형 스마트 배기 장치 및 이의 제어 방법

Also Published As

Publication number Publication date
US20210164663A1 (en) 2021-06-03
US11353218B2 (en) 2022-06-07

Similar Documents

Publication Publication Date Title
US11353218B2 (en) Integrated management method and system for kitchen environment using artificial intelligence
KR102553299B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US11050577B2 (en) Automatically learning and controlling connected devices
US11405231B2 (en) Data learning server, and method for generating and using learning model thereof
US9437097B2 (en) Systems and methods for using robots to monitor environmental conditions in an environment
US11553075B2 (en) Apparatus and control method for recommending applications based on context-awareness
CN105487388B (zh) 使用用户干预信息动态改变组控制模式的方法和装置
US20140297001A1 (en) System and method for adaptive automated resource management and conservation
US11483172B2 (en) Integrated control method and system for home appliance using artificial intelligence
US20160201933A1 (en) Predictively controlling an environmental control system
US20210165377A1 (en) Method for controlling commercial washing machine by using artificial intelligence and system for the same
KR20190096851A (ko) 비전 인식 기반의 조리기 제어 방법 및 제어 장치
EP4029417A1 (en) Method for controlling cooker by using artificial intelligence and system therefor
CN111033445A (zh) 用于手势辨识的系统和方法
US20210004705A1 (en) User behavior predicting method and device for executing predicted user behavior
KR20190116188A (ko) 상황 인식에 기반한 방해 금지 모드 추천을 위한 장치 및 제어 방법
CN110989430A (zh) 一种智能家居联动方法、系统和可读存储介质
KR20210078203A (ko) 거점 기반의 프로파일링 방법 및 이를 이용하는 단말기
JP5026324B2 (ja) 事象認識システムおよび事象認識方法
JP6659890B1 (ja) 警備システム
Alakbarova Development of a model for the analysis of human behavior in a smart home environment
KR20240016704A (ko) 관측학습을 이용한 로봇 시스템의 남은 잔여모션 소요 시간 추정 방법
WO2023215008A1 (en) Battery management and optimization using voice integration systems
JP2020166502A (ja) 警備システム
CN117742189A (zh) 设备参数的调整方法、装置、存储介质和处理器