KR20210069811A

KR20210069811A - 인공지능 정수기

Info

Publication number: KR20210069811A
Application number: KR1020190159507A
Authority: KR
Inventors: 이존휘
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-04
Filing date: 2019-12-04
Publication date: 2021-06-14
Also published as: US11279629B2; US20210171363A1

Abstract

인공지능 정수기가 개시된다. 본 발명의 실시 예에 따른 인공지능 정수기는, 인공지능 정수기의 외면을 형성하는 하우징, 상기 하우징의 내측에 구비되는 필터 어셈블리, 물을 배출하는 취출구, 급수원과 상기 필터 어셈블리를 연결하는 급수관, 상기 필터 어셈블리와 상기 취출구 연결하는 출수관, 상기 급수관을 통과하는 물을 촬영하는 제1 카메라, 및, 상기 급수관을 통과하는 물이 촬영된 영상을 이용하여 상기 급수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 획득하고, 상기 투명도 및 색상 중 적어도 하나를 이용하여 상기 급수관을 통과하는 물의 오염도를 결정하는 프로세서를 포함한다.

Description

인공지능 정수기 {ARTIFICIAL INTELLIGENCE WATER PURIFIER}

본 발명은, 급수관을 통과하는 물을 촬영하고, 물이 촬영된 영상을 이용하여 물의 오염도를 파악할 수 있는 정수기에 관한 것이다.

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

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

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

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

한편 정수기는 물리적 및/또는 화학적 방법으로 물속에 함유된 이물질이나 중금속과 같은 유해 요소를 여과하는 장치이다.

현재 시판중인 정수기는 수질의 확인 없이 동작하고 있다. 따라서 녹물 등으로 인한 갑작스러운 급수 오염이 발생하는 경우, 필터의 수명이 크게 단축될 수 있으며, 정화되지 않은 물이 배출 될 수도 있다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 급수관을 통과하는 물을 촬영하고 물이 촬영된 영상을 이용하여 물의 오염도를 파악할 수 있는 인공지능 정수기를 제공하기 위함이다.

인공지능 정수기는, 인공지능 정수기의 외면을 형성하는 하우징, 상기 하우징의 내측에 구비되는 필터 어셈블리, 물을 배출하는 취출구, 급수원과 상기 필터 어셈블리를 연결하는 급수관, 상기 필터 어셈블리와 상기 취출구 연결하는 출수관, 상기 급수관을 통과하는 물을 촬영하는 제1 카메라, 및, 상기 급수관을 통과하는 물이 촬영된 영상을 이용하여 상기 급수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 획득하고, 상기 투명도 및 색상 중 적어도 하나를 이용하여 상기 급수관을 통과하는 물의 오염도를 결정하는 프로세서를 포함한다.

본 발명에 따르면, 정수기에서 직접 수질을 측정할 수 있는 장점이 있다. 또한 카메라를 이용하여 수질을 측정하기 때문에, 제조 비용을 절감할 수 있는 장점이 있다.

또한 본 발명에 따르면, 급수관에서 오염도를 측정하고 오염 발생 시 필터 어레이로 물이 공급되는 것을 차단하기 때문에, 필터로 공급되는 오염물을 사전에 차단할 수 있다. 이에 따라 본 발명에 따르면 오염물에 의해 필터의 수명이 크게 단축되거나 오염물을 걸러내지 못하게 되는 것을 방지할 수 있는 장점이 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 실시예에 따른 정수기의 전면 사시도이다.
도 5는 본 발명의 실시예에 따른 정수기에 연결되는 물 유로를 보여주는 시스템도이다.
도 6은 인공지능 정수기의 동작 방법을 설명하기 위한 도면이다.
도 7은 급수관 및 급수 수질 관리 모듈을 설명하기 위한 도면이다.
도 8은 급수관의 내면에 형성된 촬영 면 및 촬영 영역의 평면도이다.
도 9 내지 도 11은 물이 촬영된 영상을 이용하여 오염도를 결정하는 방법을 설명하기 위한 도면이다.
도 12는, 급수관을 통과하는 물의 오염도에 따라 경고나 동작 중단을 수행하는 방법을 설명하기 위한 도면이다.
도 13은 오염원을 결정하는 방법을 설명하기 위한 도면이다.
도 14는 출수관에서 물의 출수를 중단하거나 출수 점검 알림을 출력하는 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<인공 지능(AI: Artificial Intelligence)>

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

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

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

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

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

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

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

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

<로봇(Robot)>

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

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

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

<자율 주행(Self-Driving)>

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

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

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

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

<확장 현실(XR: eXtended Reality)>

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

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

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

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

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

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

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

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

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

<AI+로봇>

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

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

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

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

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

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

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

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

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

<AI+자율주행>

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

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

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

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

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

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

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

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

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

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

<AI+XR>

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

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

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

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

<AI+로봇+자율주행>

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

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

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

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

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

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

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

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

<AI+로봇+XR>

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

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

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

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

<AI+자율주행+XR>

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

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

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

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

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

정수기는 물리적 및/또는 화학적 방법으로 물속에 함유된 이물질이나 중금속과 같은 유해 요소를 여과하는 장치이다.

도 1은 본 발명의 실시예에 따른 정수기의 전면 사시도이다.

도 1을 참조하면, 정수기(10)는, 외부 급수원으로부터 직접 공급되는 물을 냉각 또는 가열시켜 취출되도록 하는 직수형 냉온 정수기일 수 있다.

상세히, 상기 정수기(10)는, 바닥부를 이루는 베이스(11)와, 상기 베이스(11)의 상면 가장자리에 놓이는 하우징(12)과, 상기 하우징(12)의 개구된 상면을 덮는 커버(13)와, 상기 커버(13)의 상면에 형성되는 컨트롤 패널(14) 및 상기 하우징(12)의 외주면으로부터 돌출되는 워터 슈트(water chute)를 포함할 수 있다.

더욱 상세히, 상기 워터 슈트(15)가 형성되는 부분이 상기 정수기(10)의 전면으로 정의되고, 그 반대 면이 배면으로 정의될 수 있다. 그리고, 상기 하우징(12)의 배면 하단에는 토출 그릴이 형성되어, 상기 하우징 내부에 장착된 응축기(후술함)와 열교환한 공기가 상기 하우징 외부로 배출될 수 있다.

하우징(12)은 정수기의 외면을 형성할 수 있다.

컨트롤 패널(14)은 패널 본체(141)와, 상기 패널 본체(141)의 상면을 덮는 패널 커버(142)를 포함할 수 있다. 그리고, 상기 패널 본체(141)에는 다수의 버튼부들이 장착되기 위한 홀 또는 홈들이 형성될 수 있고, 상기 홀 또는 홈들에 버튼들이 각각 장착될 수 있다. 그리고, 상기 패널 커버(142)에는 상기 버튼부들에 대응하는 버튼 메뉴들이 인쇄될 수 있다.

또한, 상기 워터 슈트(15)는 상기 하우징(12)의 전면으로부터 전방으로 소정 길이 연장될 수 있고, 상기 정수기(10)의 전단부 중심에서 좌우측으로 각각 90도 회전 가능하게 장착될 수 있다. 즉, 상기 워터 슈트(15)는 180도 회전 가능하다.

또한, 상기 워터 슈트(15)의 저면에는 물 취출을 위한 취출구(151)가 형성된다. 상기 취출구(151)는 하나 또는 복수 개가 형성될 수 있으며, 취출구(151)가 한 개일 경우에는 단일의 취출구를 통하여 냉수, 정수, 온수가 토출되도록 유로를 형성할 수 있다.

또한, 상기 워터 슈트(15)의 저면에는 센서(152)가 장착되어, 사용자가 컵과 같은 저장 용기를 상기 워터 슈트(15) 하측에 위치시키면 물이 취출되도록 할 수 있다.

정수기(10)의 외형을 이루는 상기 하우징(12)의 내부에는 물을 냉각하기 위한 냉동 사이클과 냉수 생성을 위한 냉수 생성 유닛을 포함하는 다수의 구성 요소들이 수용된다.

상세히, 상기 정수기(10)는, 냉매를 고온 고압의 기상 냉매로 압축하는 압축기와, 베이스(11)의 후측에 놓여서 상기 압축기로부터 토출되는 냉매를 고온 고압의 액상 냉매로 응축시키는 응축기와, 상기 정수기(10)가 놓이는 실내의 공기를 흡입하여 상기 응축기와 열교환하도록 하는 응축팬을 포함할 수 있다.

또한, 상기 정수기(10)는, 급수원으로부터 공급되는 물에 포함된 이물질을 걸러주는 필터 어셈블리를 더 포함할 수 있다. 상기 필터 어셈블리(17)는 상기 베이스의 전단부 쪽에 위치할 수 있다. 그리고, 상기 필터 어셈블리는 프리 카본 필터(pre carbon filter)와 중공사막 필터(Ultra Filtration filter) 중 어느 하나 또는 모두를 포함할 수 있다.

또한 필터 어셈블리는 하우징의 내측에 구비될 수 있다.

또한, 상기 정수기(10)는, 상기 응축기로부터 토출되는 냉매를 저온 저압의 2상 냉매로 팽창시키는 팽창변과, 상기 팽창변을 통과한 저온 저압의 2상 냉매가 흐르는 증발기를 더 포함할 수 있다.

상세히, 상기 정수기(10)는, 냉수가 흐르는 냉수 배관(후술함) 및 상기 증발기가 내부에 수용되는 냉수 생성 유닛을 더 포함할 수 있다.

또한, 상기 정수기(10)는 급수되는 물을 설정 온도로 가열하기 위한 온수 히터를 더 포함할 수 있다.

도 5는 본 발명의 실시예에 따른 정수기에 연결되는 물 유로를 보여주는 시스템도이다.

도 5를 참조하면, 급수원(S)으로부터 상기 정수기(10)의 워터 슈트(15)에 이르기까지 급수 라인(L)이 형성되며, 상기 급수 라인(L)에는 각종 밸브와 정수 부품이 연결될 수 있다.

상세히, 상기 급수 라인(L)은 상기 급수원(S), 예컨대 가정의 수도꼭지에 연결되고, 상기 급수 라인(L)의 어느 지점에는 상기 필터 어셈블리(17)가 배치되어, 상기 급수원(S)으로부터 공급되는 음용수에 포함된 이물질이 필터링된다.

또한, 상기 필터 어셈블리(17)의 출구단에 연결되는 급수 라인(L)에는 유량 센서(70)가 배치될 수 있다. 따라서, 상기 유량 센서(70)에 의하여 감지되는 공급량이 설정 유량에 도달하면 급수 밸브(61)가 폐쇄되도록 제어될 수 있다.

또한, 상기 유량 센서(70)의 출구단에서 연장되는 급수 라인(L)의 어느 지점에서 온수 공급용 급수 라인(L1)과, 냉각수 공급용 급수 라인(L2), 및 냉수 공급용 급수 라인(L3)이 분지될 수 있다.

또한, 상기 유량 센서(70)의 출구단에서 연장되는 급수 라인(L)의 단부에는 정수 취출 밸브(66)가 장착되고, 상기 온수 공급용 급수 라인(L1)의 단부에는 온수 취출 밸브(64)가 장착될 수 있다.

그리고, 상기 냉수 공급용 급수 라인(L3)의 단부에는 냉수 취출 밸브(65)가 장착될 수 있고, 상기 냉각수 공급용 급수 라인(L2)의 어느 지점에는 냉각수 밸브(63)가 장착될 수 있다.

구체적으로, 상기 냉각수 밸브(63)는, 상기 냉각수 공급용 급수 라인(L2)의 어느 지점에 장착되어, 상기 냉각수 탱크(33)로 공급되는 냉각수의 양이 조절되도록 할 수 있다.

또한, 상기 온수 취출 밸브(64)와, 상기 냉수 취출 밸브(65) 및 상기 정수 취출 밸브(66)의 출구단에서 연장되는 급수 라인은 모두 상기 워터 슈트(15)에 연결된다. 그리고, 도시된 바와 같이, 상기 정수, 냉수 및 온수가 단일의 취출구에 연결되도록 구성될 수도 있고, 독립된 취출구들에 각각 연결되도록 구성될 수도 있다.

또한, 상기 배수 밸브(32)는 도면에서 상기 냉수 생성 유닛(30)의 외측으로 연장되는 급수 라인에 장착되는 것으로 도시되어 있으나, 실제 상기 배수 밸브(32)는 도 5에서 설명한 바와 같이, 상기 단열 케이스(31)에 관통 삽입될 수 있다.

한편, 상기 온수 공급용 급수 라인(L1)의 어느 지점에는 유량 조절 밸브(62)가 장착될 수 있고, 상기 유량 조절 밸브(62)의 출구단에서 연장되는 온수 공급용 급수 라인(L1)에는 상기 온수 히터(22)가 연결될 수 있다. 그리고, 온수 히터(22)의 출구단에서 연장되는 급수 라인(L1)의 어느 지점에 상기 온수 취출 밸브(64)가 장착될 수 있다.

급수되는 물이 상기 온수 공급용 급수 라인(L1)을 따라 흘러서 상기 온수 히터(22)를 통과하면 설정 온도로 가열되고, 상기 온수 선택 버튼(145)을 눌러 상기 취출 밸브(64)가 개방되면 상기 워터 슈트(15)를 통하여 온수가 취출된다.

한편 온수 공급용 급수 라인(L1)과, 냉각수 공급용 급수 라인(L2), 및 냉수 공급용 급수 라인(L3)은 하나의 라인으로 다시 합쳐질 수 있다. 그리고 상기 하나의 라인에는 취출 밸브(67)가 장착될 수 있다.

한편 프로세서의 제어에 의해 취출 밸브(67)가 개방되는 경우, 물(원수가 필터링 되어 생성된 정수)는 취출구를 통하여 외부로 출수될 수 있다.

한편 프로세서의 제어에 의해 급수 밸브(61)가 개방되는 경우, 물(원수)는 급수원으로부터 필터 어셈블리로 공급될 수 있다.

이하에서 설명되는 프로세서는, 본 발명의 실시예에 따른 정수기(10)의 동작을 제어하는 부분을 의미한다. 상기 프로세서서는, 온도 센서와 같은 각종 센서들로부터 전송되는 감지 신호를 수신하고, 냉수 취출 명령과 같은 명령 신호를 수신하며, 수신된 정보들을 기반으로 새로운 명령을 생성하여 송신한다.

한편 급수 라인(L)은 급수원(S)과 필터 어셈블리(17)를 연결하는 급수관을 포함할 수 있다. 한편 급수 밸브(61)는 급수관에 설치될 수 있다. 또한 프로세서의 제어에 의해 급수 밸브(61)가 개방되는 경우, 물(원수)는 급수원으로부터 필터 어셈블리로 공급될 수 있다.

한편 급수 라인(L)은 필터 어셈블리(17)와 취출구(151)를 연결하는 출수관을 포함할 수 있다. 예를 들어 출수관은, 온수 공급용 급수 라인(L1)과, 냉각수 공급용 급수 라인(L2), 및 냉수 공급용 급수 라인(L3)을 포함할 수 있다.

한편 취출 밸브(67)는 출수관에 설치될 수 있다. 또한 프로세서의 제어에 의해 취출 밸브(67)가 개방되는 경우, 물(원수가 필터링 되어 생성된 정수)는 취출구를 통하여 외부로 출수될 수 있다.

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

한편 용어 “정수기”는 용어 “인공지능 정수기”와 혼용되어 사용될 수 있다.

또한 프로세서는, 정수기의 전반적인 동작을 제어할 수 있다.

도 6은 인공지능 정수기의 동작 방법을 설명하기 위한 도면이다.

인공지능 정수기의 동작 방법은, 급수관을 통과하는 물을 촬영하는 단계(S610), 급수관을 통과하는 물의 오염도를 획득하는 단계(S630), 오염도에 기초하여 급수관을 통한 물의 공급을 중단하는 단계(S650) 및 급수 점검의 알림을 출력하는 단계(S670)를 포함할 수 있다.

도 7은 급수관 및 급수 수질 관리 모듈을 설명하기 위한 도면이다.

도 8은 급수관의 내면에 형성된 촬영 면 및 촬영 영역의 평면도이다.

급수 수질 관리 모듈은 제1 카메라(760)를 포함할 수 있다. 여기서 제1 카메라(760)는 급수관을 통과하는 물을 촬영할 수 있다.

먼저 급수관(700)의 형태에 대하여 설명한다.

급수관(700)은 원통형의 형상을 가질 수 있으며, 급수 관(700)의 일부 면은 투명할 수 있다. 급수 관(700) 중 투명하게 형성되는 영역을 투명 영역(710)이라 지칭할 수 있다. 따라서 투명 영역(710)을 통하여, 투명 영역(710)과 대향하는 내부 면이 보일 수 있다.

한편 제1 카메라(760)는 급수관의 외부에 설치될 수 있다. 또한 제1 카메라(760)은 급수관을 통과하는 물을 촬영하기 위하여, 투명 영역(710)을 통하여 급수 관의 내부를 들여다보도록 설치될 수 있다.

급수관(700)의 내면(741)에는 촬영 면(720)이 형성될 수 있다. 여기서 촬영 면(720)은 투명 영역(710)에 대향하는 위치에 형성될 수 있다.

또한 제1 카메라(760)가 투명 영역(710)을 통하여 급수 관의 내부를 들여다보도록 설치되는 경우, 촬영 면(720)은 제1 카메라(760)의 촬영 방향에 형성될 수 있다. 따라서 촬영 면(720)은 제1 카메라(760)와도 대향하는 위치에 형성될 수 있다.

이에 따라 제1 카메라(760)는 급수관의 외부에 배치되어, 촬영 영역(721), 촬영 영역(721)을 지나는 물 및 투명 영역(710)을 중첩하여 촬영할 수 있다.

한편 급수관(700)의 내면(741) 은 촬영 영역(721)을 포함할 수 있다. 여기서 촬영 영역(721)은 급수관(700)의 내면에 형성되고 제1 카메라(760)에 의해 촬영되는 영역을 의미할 수 있다.

한편 촬영 영역(721)은 촬영 면(720)에 형성될 수 있다. 이에 따라 촬영 영역(721) 역시 투명 영역(710) 및 제1 카메라(760)와 대향하는 위치에 형성될 수 있다.

한편 급수관(700)의 내면에 촬영 면(720)이 형성되고, 촬영 영역(721)은 촬영 면(720)에 형성되는 것으로 설명하였으나 이에 한정되지 않는다. 예를 들어 별도의 촬영 면(720) 없이, 촬영 영역(721)은 급수관(700)의 내면 일부에 형성될 수 있다. 다만 이 경우에도 촬영 영역(721)은 투명 영역(710)과 대향하여 배치되고, 또한 촬영 영역(721)은 제1 카메라(760)와 대향하여 배치될 수 있다.

또한 촬영 영역(721)은 불투명 하게 형성될 수 있다. 구체적으로 촬영 면(720)은 불투명한 재질로 형성되고, 이에 따라 촬영 영역(721) 역시 불투명하게 형성될 수 있다.

또?? 촬영 면(720)이 존재하지 않는 경우, 촬영 영역(721)이 형성되는 급수관(700)의 내면은 불투명한 재질로 형성될 수 있다.

한편 급수관(700)은 센서 홀(750)을 포함할 수 있다. 그리고 센서 홀(750)에는 수질 센서(770)가 삽입되고, 삽입된 수질 센서(770)는 물과 직접 접촉하여, 수질을 결정하기 위한 데이터를 획득할 수 있다.

한편 도 8을 참고하면, 촬영 영역(721)은 마크(810)를 포함할 수 있다.

구체적으로 마크(810)는 촬영 면(720) 상에 형성될 수 있으며, 촬영 면(720)이 존재하지 않는 경우에는 급수관(700)의 내면에 직접 형성될 수도 있다.

한편 마크(810)는, 일정한 것을 나타내기 위한 형상으로써, 숫자, 문자, 표지, 부호, 이미지, 기호 등을 포함할 수 있다.

한편 촬영 영역(721)은 배경 영역(820)을 포함할 수 있다. 여기서 배경 영역은 촬영 영역(721) 중 마크(810)가 형성되지 않은 영역을 의미할 수 있다. 또한 배경 영역(820)은 단색을 가질 수 있다.

또한 배경 영역(820)은 촬영 면(720) 상에 형성될 수 있으나 이에 한정되지 아니하고, 촬영 면(720)이 존재하지 않는 경우에는 급수관(700)의 내면에 직접 형성될 수도 있다.

한편 프로세서는, 제1 카메라를 제어하여 급수관을 통과하는 물을 촬영하고, 급수관을 통과하는 물이 촬영된 영상을 이용하여 급수관을 통과하는 물의 오염도를 결정할 수 있다.

이와 관련해서는 도 9 내지 도 11을 참고하여 설명한다.

도 9 내지 도 11은 물이 촬영된 영상을 이용하여 오염도를 결정하는 방법을 설명하기 위한 도면이다.

프로세서는 급수관을 통과하는 물이 촬영된 영상을 이용하여 급수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 획득하고, 투명도 및 색상 중 적어도 하나를 이용하여 급수관을 통과하는 물의 오염도를 결정할 수 있다.

먼저 물의 투명도를 획득하는 방법에 대하여 도 9 내지 도 10을 참고하여 설명한다.

물의 투명도는 물의 선명도 및 물 내 이물질 중 적어도 하나에 기초하여 결정될 수 있다.

먼저 물의 선명도(sharpness)에 대하여 설명한다. 여기서 용어 선명도는 용어 선예도와 혼용되어 사용될 수 있다.

여기서 선명도는 화면에 나타난 피사체나 이미지의 뚜렷한 정도를 의미할 수 있다. 또한 선명도는 화상의 명암 경계 부분의 명확도를 나타낼 수 있다. 또한 선명도는 산뜩하고 밝은 정도를 의미할 수 있다.

그리고 급수관을 통과하는 물의 수질이 좋으면, 투명 영역을 통하여 내부를 들여다보는 경우 반대쪽 벽이 선명하게 보여야 한다. 예를 들어 도 9a에서 도시하는 바와 같이, 급수관을 통과하는 물의 수질이 좋은 상태에서 촬영된 영상(910)에서는 촬영 영역에 형성된 마크(921)가 선명하게 관찰될 수 있다.

반대로 이물질이 많은 물이 급수관을 통과하는 경우, 반대쪽 벽이 선명하게 보이지 않고 뿌옇게 보이는 형상이 관찰될 수 있다. 예를 들어 도 9b에서 도시하는 바와 같이, 급수관을 통과하는 물의 수질이 좋지 않은 상태에서 촬영된 영상(920)에서는 촬영 영역에 형성된 마크(922)가 선명하지 않게 관찰될 수 있다.

따라서 프로세서는 급수관을 통과하는 물이 촬영된 영상의 선명도를 이용하여 급수관을 통과하는 물의 투명도를 결정할 수 있다.

구체적으로, 제1 카메라를 이용하여 촬영이 수행되는 경우, 촬영 영역을 지나는 물 및 촬영 영역에 포함되는 마크(922)가 중첩되어 촬영될 수 있다.

그리고 프로세서는, 촬영 영역을 지나는 물 및 마크(922)가 중첩되어 촬영된 영상을 이용하여 마크(922)의 선명도를 획득할 수 있다.

구체적으로 프로세서는, 마크(922)의 색상, 마크(922) 경계의 명확도, 마크(922) 경계에서의 그라데이션 등을 이용하여 마크(922)의 선명도를 획득할 수 있다.

그리고 프로세서는 마크(922)의 선명도를 이용하여 급수관을 통과하는 물의 투명도를 결정할 수 있다. 예를 들어 선명도가 높은 경우 물의 투명도 역시 높게 결정될 수 있으며, 선명도가 낮은 경우에는 물의 투명도 역시 낮게 결정될 수 있다.

한편 물의 오염에 의하여 촬영 영역이 뿌옇게 보이는 현상은, 카메라의 포커싱 아웃에서 발생하는 현상과 유사하다. 따라서 프로세서는 카메라의 포커싱 아웃 검출 알고리즘을 사용하여 선명도를 결정할 수 있다.

다음은 물 내 이물질에 기초하여 투명도를 결정하는 방법을 설명한다.

그리고 급수관을 통과하는 물의 수질이 좋으면, 물 내 이물질의 양이 적다. 예를 들어 도 10a에서 도시하는 바와 같이, 급수관을 통과하는 물의 수질이 좋은 상태에서 촬영된 영상(1010)에서는 이물질이 검출되지 않거나 적은 양의 이물질이 검출될 수 있다.

반대로 오염도가 높은 물이 급수관을 통과하는 경우, 이물질이 많다. 예를 들어 도 10b에서 도시하는 바와 같이, 급수관을 통과하는 물의 수질이 좋지 않은 상태에서 촬영된 영상(1020)에서는 이물질이 검출되거나, 많은 양의 이물질(1021)이 검출될 수 있다.

따라서 프로세서는 촬영 영역을 지나는 물이 촬영된 영상을 이용하여 이물질을 검출하고, 이물질에 기초하여 급수관을 통과하는 물의 투명도를 결정할 수 있다.

구체적으로 프로세서는, 촬영된 영상으로부터 이물질을 검출하고 검출된 이물질의 양을 결정할 수 있다.

그리고 프로세서는 이물질의 양에 기초하여 급수관을 통과하는 물의 투명도를 결정할 수 있다. 예를 들어 이물질이 적은 경우 물의 투명도는 높게 결정될 수 있으며, 이물질이 많은 경우에는 물의 투명도가 낮게 결정될 수 있다.

한편 프로세서는, 단색의 배경 영역에서 이물질을 검출하고, 이물질에 기초하여 급수관을 통과하는 물의 투명도를 결정할 수 있다. 이 경우 배경 영역은 흰색일 수 있다.

즉 배경 영역이 단색인 경우(특히 배경 영역이 흰색인 경우)에는 이물질이 더욱 잘 검출될 수 있기 때문에, 프로세서는 단색의 배경 영역에서 이물질을 검출할 수 있다.

한편 촬영된 영상을 통하여 카메라 렌즈가 손이나 기타 오브젝트에 의해 가려지는 것을 검출하는 카메라 가림 검출 알고리즘이 존재한다. 그리고 물에 이물질이 포함되어 발생하는 현상은, 카메라 렌즈가 가려지는 현상과 유사하다. 따라서 프로세서는, 카메라 가림 검출 알고리즘을 이용하여 물 내 이물질의 양을 결정할 수 있다.

한편 프로세서는 물의 투명도를 이용하여 물의 오염도를 결정할 수 있다. 예를 들어 물의 투명도가 높은 경우 물의 오염도는 낮은 것으로 결정될 수 있으며, 물의 투명도가 낮은 경우 물의 오염도는 높은 것으로 결정될 수 있다.

한편 프로세서는, 물의 투명도 및 색상 중 적어도 하나를 이용하여 급수관을 통과하는 물의 오염도를 결정할 수 있다. 물의 투명도에 대해서는 도 9 내지 도 10에서 설명한 바, 도 11에서는 물의 색상을 이용하여 오염도를 결정하는 방법을 설명한다.

다음은 도 11을 참고하여 물의 색상을 이용하여 오염도를 결정하는 방법을 설명한다.

그리고 급수관을 통과하는 물의 수질이 좋으면, 물은 일정한 색상을 띌 수 있다. 예를 들어 도 11a에서 도시하는 바와 같이, 급수관을 통과하는 물의 수질이 좋은 상태에서 촬영된 영상(1110)에서는 배경 영역이 촬영 면(720)의 색상을 나타낼 수 있다. 촬영 영역이 급수관의 내면에 바로 형성되는 경우에는, 배경 영역이 급수관의 내면의 색상을 나타낼 수 있다.

반대로 오염도가 높은 물이 급수관을 통과하는 경우 물의 색상이 변경될 수 있다. 예를 들어 도 11b에서 도시하는 바와 같이, 녹물 등 오염도가 높은 물이 통과하는 상태에서 촬영된 영상(1210)에서는 배경 영역이 촬영 면(720)과 다른 색상을 나타낼 수 있다. 촬영 영역이 촬영 영역이 급수관의 내면에 바로 형성되는 경우에는, 촬영된 영상(1210)에서 배경 영역이 급수관의 내면과 다른 색상을 나타낼 수 있다.

따라서 프로세서는 촬영 영역을 지나는 물이 촬영된 영상을 이용하여 영상의 색상을 검출할 수 있다.

그리고 프로세서는 영상의 색상 변화량을 이용하여 물의 오염도를 결정할 수 있다.

예를 들어 정상 상태(물의 오염도가 기준 값 이하일 때) 대비 영상의 색상 변화 량이 높은 경우 물의 오염도는 높게 결정될 수 있으며, 상기 영상의 색상 변화량이 낮은 경우 물의 오염도는 낮게 결정될 수 있다.

한편 프로세서는, 단색의 배경 영역에서 색상을 검출하고, 검출된 색상에 기초하여 물의 오염도를 결정할 수 있다. 이 경우 배경 영역은 흰색일 수 있다.

즉 배경 영역이 단색인 경우(특히 배경 영역이 흰색인 경우)에는 색상 변화가 더욱 잘 검출될 수 있기 때문에, 프로세서는 단색(특히 흰색)의 배경 영역에서 색상을 검출할 수 있다.

도 12는, 급수관을 통과하는 물의 오염도에 따라 경고나 동작 중단을 수행하는 방법을 설명하기 위한 도면이다;

프로세서는 급수관을 통과하는 물의 오염도에 기초하여 물의 공급을 중단하거나 급수 점검 알림을 출력할 수 있다.

구체적으로 프로세서는, 급수관을 통과하는 물의 오염도의 상승률이 기 설정된 값 이상이면, 물의 공급을 중단하거나 급수 점검 알림을 출력할 수 있다.

여기서 물의 오염도의 상승률은, 오염도의 단위 시간당(a) 상승량, 즉 오염도의 상승 기울기를 의미할 수 있다. 또한 기 설정된 값은 기준 기울기(b)를 의미할 수 있다.

그리고 오염도의 단위 시간당(a) 상승량이 기 설정된 값 이상이면, 프로세서는 물의 공급을 중단하거나 급수 점검 알림을 출력할 수 있다.

한편 프로세서는, 급수 밸브(61)가 폐쇄되도록 제어함으로써 급수원으로부터 급수관을 통과하여 필터 어셈블리로 이어지는 물의 공급을 중단할 수 있다. 다른 방식으로, 프로세서는 물을 순환시키는 펌프의 동작을 중단함으로써, 급수원으로부터 급수관을 통과하여 필터 어셈블리로 이어지는 물의 공급을 중단할 수 있다.

또한 프로세서는 급수 점검 알림을 출력하도록 출력부를 제어하거나 사용자의 단말기에 급수 점검 알림을 전송하는 방식으로, 급수 점검 알림을 출력할 수 있다.

이와 같이 본 발명에 따르면, 정수기에서 직접 수질을 측정할 수 있는 장점이 있다. 또한 카메라를 이용하여 수질을 측정하기 때문에, 제조 비용을 절감할 수 있는 장점이 있다.

또한 정수기는 오염물을 걸러내는 장치이며, 따라서 당연하게도 급수원으로부터 공급되는 물은 오염물을 포함한다. 그리고 오염도가 약간 증가하는 정도는 정수기에서 충분히 정화가 가능하다. 다만 본 발명에 따르면 오염도의 상승률이 기 설정된 값 이상인 경우(즉 많은 오염물이 급격히 인입되는 경우)에 오염물의 공급을 차단하기 때문에, 꼭 필요한 경우(필터의 수명이 단축되는 것을 방지하거나 오염물을 걸러내지 못하는 것을 방지해야 하는 경우)에만 정수기의 동작을 중단시킬 수 있다.

또한 본 발명에 따르면, 마커와 배경 영역을 이용하여 오염도를 검출하기 때문에, 검출의 정확도가 향상될 수 있는 장점이 있다.

또한 본 발명에 따르면, 급수관의 일부를 투명하게 구성하고 카메라는 급수관의 외부에 배치되기 때문에, 방수가 되지 않는 카메라를 사용하는 것이 가능하여 제조 단가를 낮출 수 있는 장점이 있다.

또한 본 발명에 따르면, 기 존재하는 알고리즘(포커싱 아웃 검출 알고리즘, 카메라 가림 검출 알고리즘)을 이용하여 오염도를 검출할 수 있기 때문에, 제조 단가를 낮출 수 있는 장점이 있다.

한편 오염도 검출은 카메라와 함께 수질 센서에 의해서도 수행될 수 있다.

구체적으로 정수기는 수질을 결정하기 위한 데이터를 획득하는 수질 센서를 포함할 수 있다.

그리고 프로세서는, 상기 데이터에 기초하여 획득된 물 내 성분 수치를 이용하여 급수관을 통과하는 물의 제2 오염도를 결정할 수 있다. 수질 센서를 이용하여 획득되는 성분 수치를 이용하여 오염도를 결정하는 방식은 종래 기술로써 자세한 언급은 생략한다.

또한 프로세서는, 제1 카메라를 이용하여 획득한 오염도의 상승률이 기 설정된 값 이상이거나, 수질 센서를 이용하여 획득한 제2 오염도의 상승률이 제2 기 설정된 값 이상인 경우, 급수관을 통한 물의 공급을 중단하고 급수 점검 알림을 출력할 수 있다.

즉 본 발명에 따르면, 영상 분석 결과와 수질 센서의 센싱 값 중 어느 하나에 이상이 발생하면 오염이 발생한 것으로 결정함으로써, 오염 검출의 정확성을 향상시킬 수 있는 장점이 있다. 특히 영상 분석 결과와 수질 센서를 모두 이용하기 때문에, 상대적으로 낮은 성능의 수질 센서를 사용함으로써 제조 단가를 낮출 수 있는 장점이 있다.

도 13은 오염원을 결정하는 방법을 설명하기 위한 도면이다.

프로세서는 급수관을 통과하는 물이 촬영된 영상 및 수질 센서에 기초하여 획득된 물 내 성분 수치를 이용하여 오염원을 결정하고, 오염원을 나타내는 정보를 출력할 수 있다.

이 경우 프로세서는 오염원 검출 모델을 사용하여 오염원을 결정할 수 있다.

여기서 오염원 검출 모델(1310)은, 급수관을 통과하는 물이 촬영된 영상 및 성분 수치를 포함하는 훈련용 데이터 및 상기 훈련용 데이터에 레이블된 훈련용 오염원을 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

구체적으로 학습 장치(200)는 급수관을 통과하는 물이 촬영된 영상 및 성분 수치를 포함하는 훈련용 데이터에 훈련용 오염원을 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.

더욱 구체적으로 학습 장치(200)는 훈련용 영상(트레이닝을 위하여 급수관을 통과하는 물을 촬영한 영상)과 훈련용 성분 수치(훈련용 영상이 촬영되는 상황에서 수질 센서에 의해 감지된 성분 수치)를 입력값으로, 훈련용 오염원(훈련용 영상이 촬영되는 상황에서 물에 포함된 오염물, 예를 들어 녹물)을 출력 값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

여기서 훈련용 오염원은, 뉴럴 네트워크가 훈련용 영상 및 훈련용 성분 수치를 이용하여 추론해야 하는 정답일 수 있다.

이 경우 뉴럴 네트워크는 훈련용 데이터 및 레이블링 데이터를 이용하여 훈련용 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.

한편 위와 같은 방식으로 트레이닝된 뉴럴 네트워크를 오염원 검출 모델(1310)이라 명칭할 수 있다.

한편 오염원 검출 모델(1310)은 정수기에 탑재될 수 있다.

구체적으로 오염원 검출 모델(1310)은, 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 그리고 오염원 검출 모델(1310)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공지능 모델을 구성하는 하나 이상의 명령어는 정수기의 메모리에 저장될 수 있다.

한편 프로세서(180)는, 급수관을 통과하는 물이 촬영된 영상 및 수질 센서에 의하여 획득된 성분 수치를 오염원 검출 모델(1310)에 제공하여, 오염원 검출 모델이 출력하는 오염원을 획득할 수 있다.

구체적으로 오염원 검출 모델(1310)은, 설정된 파라미터에 기반하여, 급수관을 통과하는 물이 촬영된 영상 및 수질 센서에 의하여 획득된 성분 수치로부터 특징 벡터를 추출하고, 특징 벡터에 기반하여 입력 데이터에 대응하는 오염원을 출력할 수 있다.

한편 오염원이 획득되면, 프로세서(180)는 오염원을 나타내는 정보를 출력할 수 있다. 예를 들어 프로세서는 “녹물이 감지되었습니다”라는 음성 메시지를 출력하도록 스피커를 제어할 수 있다.

한편 앞서 설명한 구조 및 알고리즘은 출수관에도 적용될 수 있다. 이하에서는 급수관에서의 구조 및 동작과 다른점을 위주로 설명한다.

출수 수질 관리 모듈은 제2 카메라를 포함할 수 있다. 여기서 제2 카메라는 출수관을 통과하는 물을 촬영할 수 있다.

또한 프로세서는, 출수관을 통과하는 물이 촬영된 영상을 이용하여 출수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 획득하고, 투명도 및 색상 중 적어도 하나를 이용하여 출수관을 통과하는 물의 오염도를 결정할 수 있다.

도 14는 출수관에서 물의 출수를 중단하거나 출수 점검 알림을 출력하는 방법을 설명하기 위한 도면이다.

한편 프로세서는, 프로세서는 출수관을 통과하는 물의 오염도에 기초하여 물의 출수를 중단하거나 출수 점검 알림을 출력할 수 있다.

구체적으로 프로세서는, 출수관을 통과하는 물의 오염도가 기 설정된 값 이상이면, 물의 출수를 중단하거나 출수 점검 알림을 출력할 수 있다.

앞서 급수 관에서는 물의 오염도의 상승률에 기초하여 물의 급수를 중단하거나 급수 점검 알림을 출력하였다. 이것은 많은 오염물이 급격히 인입되어 필터의 수명이 단축되거나 오염물을 걸러내지 못하게 되는 것을 방지하기 위함이었다.

다만 출수관에서 달성해야 하는 목표는, 오염된 물이 사용자에게 제공되지 않는 것이다. 따라서 프로세서는, 출수관을 통과하는 물의 오염도가 기 설정된 값 이상이면, 물의 출수를 중단하거나 출수 점검 알림을 출력할 수 있다.

한편 프로세서는, 취출 밸브(67)가 폐쇄되도록 제어함으로써 물이 취출구를 통하여 출수되는 것을 중단할 수 있다. 다른 방식으로 프로세서는 물을 순환시키는 펌프의 동작을 중단함으로써, 물이 취출구를 통하여 출수되는 것을 방지할 수 있다.

또한 프로세서는 출수 점검 알림을 출력하도록 출력부를 제어하거나 사용자의 단말기에 출수 점검 알림을 전송하는 방식으로, 출수 점검 알림을 출력할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

10: 정수기

Claims

인공지능 정수기의 외면을 형성하는 하우징;
상기 하우징의 내측에 구비되는 필터 어셈블리;
물을 배출하는 취출구;
급수원과 상기 필터 어셈블리를 연결하는 급수관;
상기 필터 어셈블리와 상기 취출구 연결하는 출수관;
상기 급수관을 통과하는 물을 촬영하는 제1 카메라; 및
상기 급수관을 통과하는 물이 촬영된 영상을 이용하여 상기 급수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 획득하고, 상기 투명도 및 색상 중 적어도 하나를 이용하여 상기 급수관을 통과하는 물의 오염도를 결정하는 프로세서를 포함하는
인공지능 정수기.
제 1항에 있어서,
상기 프로세서는,
상기 오염도의 상승률이 기 설정된 값 이상이면, 상기 급수관을 통한 물의 공급을 중단하는
인공지능 정수기.
제 1항에 있어서,
상기 급수관은,
내면에 상기 제1 카메라에 의해 촬영되는 촬영 영역을 포함하는
인공지능 정수기.
제 3항에 있어서,
상기 촬영 영역은, 마크를 포함하고,
상기 프로세서는,
상기 촬영 영역을 지나는 물 및 상기 마크가 중첩되어 촬영된 영상을 이용하여 상기 마크의 선명도를 획득하고, 상기 마크의 선명도를 이용하여 상기 투명도를 결정하는
인공지능 정수기.
제 3항에 있어서,
상기 프로세서는,
상기 촬영 영역을 지나는 물이 촬영된 영상을 이용하여 이물질을 검출하고, 상기 이물질에 기초하여 상기 투명도를 결정하는
인공지능 정수기.
제 3항에 있어서,
상기 촬영 영역은, 단색의 배경 영역을 포함하고,
상기 프로세서는,
상기 단색의 배경 영역에서 상기 색상을 검출하는
인공지능 정수기.
제 3항에 있어서,
상기 급수관은,
상기 촬영 영역과 대향하고 투명하게 형성되는 투명 영역을 포함하고,
상기 제1 카메라는,
상기 급수관의 외부에 배치되어, 상기 촬영 영역, 상기 촬영 영역을 지나는 물 및 상기 투명 영역을 중첩하여 촬영하는
인공지능 정수기.
제 2항에 있어서,
수질을 결정하기 위한 데이터를 획득하는 수질 센서를 더 포함하고,
상기 프로세서는,
상기 데이터에 기초하여 획득된 상기 물 내 성분 수치를 이용하여 상기 급수관을 통과하는 물의 제2 오염도를 결정하고, 상기 오염도의 상승률이 기 설정된 값 이상이거나 상기 제2 오염도의 상승률이 제2 기 설정된 값 이상인 경우 상기 급수관을 통한 물의 공급을 중단하는
인공지능 정수기.
제 8항에 있어서,
상기 프로세서는,
상기 급수관을 통과하는 물이 촬영된 영상 및 상기 성분 수치를 이용하여 오염원을 결정하고, 상기 오염원을 나타내는 정보를 출력하는
인공지능 정수기.
제 9항에 있어서,
상기 프로세서는,
상기 급수관을 통과하는 물이 촬영된 영상 및 상기 성분 수치를 오염원 검출 모델에 제공하여, 상기 오염원 검출 모델이 출력하는 상기 오염원을 획득하고,
상기 인공지능 모델은,
급수관을 통과하는 물이 촬영된 훈련용 영상 및 훈련용 성분 수치를 포함하는 훈련 데이터와, 상기 훈련 데이터에 레이블된 훈련용 오염원을 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 정수기.
제 1항에 있어서,
상기 출수관을 통과하는 물을 촬영하는 제2 카메라를 더 포함하고,
상기 프로세서는,
상기 출수관을 통과하는 물이 촬영된 영상을 이용하여 상기 출수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 획득하고, 상기 출수관을 통과하는 물의 투명도 및 색상 중 적어도 하나를 이용하여 상기 출수관을 통과하는 물의 오염도를 결정하는
인공지능 정수기.
제 11항에 있어서,
상기 프로세서는,
상기 출수관을 통과하는 물의 오염도가 기 설정된 값 이상이면, 상기 출수관을 통한 물의 출수를 중단하는
인공지능 정수기.