KR20210074648A

KR20210074648A - 조리장치 및 조리장치 제어방법

Info

Publication number: KR20210074648A
Application number: KR1020190165571A
Authority: KR
Inventors: 맹지찬
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-12
Filing date: 2019-12-12
Publication date: 2021-06-22
Also published as: US11531891B2; US20210182667A1

Abstract

본 발명의 일 실시 예에 따른 조리장치 및 조리장치 제어방법은, 조리되는 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부 온도 변화 등을 분석하고, 분석 결과에 따라 요리 재료를 적절히 가열하여 요리 재료가 조리될 수 있도록 한다. 특히, 5G 네트워크를 통해 머신 러닝(ML)을 수행한 인공지능 인공지능(AI) 모델을 이용하여 조리장치에 배치되는 요리 재료의 표면 변화, 내부 온도 및 외부 열화상 이미지 변화에 따라 요리 재료가 적절하게 조리될 수 있도록 요리 재료를 향해 방사되는 가열기의 세기나 시간 등을 제어할 수 있다.

Description

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

본 발명은 요리 재료, 조리되는 요리 재료 내부 온도 및 외부 온도 및 요리 재료 표면 상태 등에 따라 적합하게 조리할 수 있도록 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, 조리 조건을 위한 설정 정보 등을 직접 입력한다. 그러나, 다양한 조리법에 따라 조리장치를 설정하는 것이 복잡하고, 동일한 요리 재료라 하더라도 요리 재료의 면적, 두께와 같은 특성이 다르므로 표준화된 조리 조건에 따라 조리장치를 사용하는 것이 적절하지 않을 때가 있다.

특히 요리 재료가 조리된 상태인 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부의 온도 등에 따라 요리 재료를 가열시키는 가열기의 강도를 조절하고, 요리 재료에 대한 음용자의 선호도에 맞춰 자동으로 조리할 수 있는 등의 기술에 대한 관심이 높아지고 있다.

관련 기술로서, 미국등록특허 US9,933,165B2호는 “Oven comprising a camera”에 관한 기술이다. 상술한 문헌에서는 오븐 내에 설치된 카메라를 통해 식품을 촬영하고, 촬영된 식품 이미지를 전자기기로 전송하여 사용자가 식품의 조리 상태를 이미지로 확인할 수 있는 기술을 발명한다.

상술한 문헌에서는 고온에서 조리되는 식품의 이미지를 촬영할 수 있는 카메라의 구조 및 구성에 관한 기술을 발명하고 있으나, 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부의 온도 등에 따라 요리 재료를 가열하는 정도에 대한 기술은 논의되고 있지 않다.

또한, 한국공개특허 제10-2015-0049026호는 “열 감지 카메라 전자레인지”에 관한 발명으로서, 전자레인지 내부에 열 감지 카메라를 설치하고, 전자레인지 내부의 음식물 온도를 확인할 수 있도록 하여 전자레인지 화재를 방지할 수 있는 기술이 기재되어 있다.

상술한 문헌에서는 전자레인지 내부의 온도를 육안으로 확인할 수 있도록 하여 요리 재료의 익힘 정도를 확인함과 동시에 고온에 의한 전자레인지의 화재를 방지할 수 있는 기술을 발명하고 있으나, 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부의 온도 등에 따라 요리 재료를 가열하는 정도에 대한 기술은 논의되고 있지 않다.

상술된 바와 같은 한계를 극복하기 위해, 요리 재료 내부 온도 및 외부 온도 및 요리 재료 표면 상태 등에 따라 적합하게 조리할 수 있도록 조리 장치를 제어할 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, 조리장치에서 조리되는 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부 온도 변화 등에 따라 요리 재료를 적절히 가열하여 조리될 수 있도록 한다.

또한, 본 발명의 일 과제는 조리장치를 사용하는 사용자의 정보와 사용자가 요리 재료를 조리한 조리 조건이 조리장치에 저장될 수 있다. 저장된 정보를 기초로 사용자가 조리 조건을 입력하지 않아도 요리 재료에 따라 요리 재료를 조리할 수 있도록 한다.

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 조리장치는, 조리장치의 외관을 형성하는 본체, 본체 내에 조리되는 요리 재료를 촬영하기 위한 카메라, 요리 재료를 조리하는 가열기 및 카메라 및 가열기와 통신하여 조리장치의 작동을 제어하는 프로세서를 포함한다.

이때, 프로세서는 카메라에 의해 촬영된 이미지에 조리 상태 판단 신경망을 적용하여 요리 재료의 조리 상태를 판단하고, 판단된 요리 재료의 조리 상태에 따라 미리 설정된 조리 조건에 대응되게 요리 재료를 조리하도록 가열기를 제어할 수 있도록 구성될 수 있다.

또한, 본 발명의 실시 예에 따른 조리장치는 조리장치 외관을 형성하는 본체 내에 배치되는 요리 재료를 촬영하고, 촬영된 요리 재료 이미지에 조리 상태 판단 신경망을 적용하여 요리 재료의 조리 상태를 판단하고, 판단된 요리 재료의 조리 상태에 따라 미리 설정된 조리 조건에 대응되게 요리 재료를 조리하도록 요리 재료를 가열하는 정도를 제어하는 과정을 통해 제어될 수 있다.

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

본 발명의 실시 예에 따른 조리장치 및 조리장치 제어방법을 통해 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부 온도 변화 등을 분석할 수 있으므로, 요리 재료의 상태에 따라 조리할 수 있다.

특히, 요리 재료를 분석할 때, 조리장치 내부에 설치된 RGB 카메라와 열화상 카메라를 이용하여 요리 재료를 분석할 수 있다. 구체적으로 RGB 카메라를 통해 요리 재료의 표면의 상태를 판단하고, 열화상 카메라를 통해 요리 재료의 내부 온도 및 외부 온도를 판단하여 요리 재료가 조리될 수 있는 상황인지 여부를 판단하게 된다.

또한, 본 발명의 실시 예에 따르면 조리장치를 사용하는 사용자의 정보와 사용자가 요리 재료를 조리한 조리 조건이 조리장치에 저장될 수 있다. 저장된 정보를 기초로 사용자가 조리 조건을 입력하지 않아도 요리 재료에 따라 요리 재료를 조리할 수 있다.

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 조리장치 제어를 위한 환경의 예시도이다.
도 2는 본 발명의 실시 예에 따른 인공 지능 모델을 이용한 요리 재료 조리의 예시도이다.
도 3은 본 발명의 실시 예에 따른 조리장치의 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시 예에 따른 서버의 구성을 설명하기 위한 서버 블록도이다.
도 5는 본 발명의 실시 예에 따른 전자기기의 구성을 설명하기 위한 전자기기 블록도이다.
도 6은 본 발명의 실시 예에 따른 조리장치를 이용하여 요리 재료를 조리하는 과정을 설명한 흐름도이다.
도 7은 본 발명의 실시 예에 따라 요리 재료의 조리에 따라 조리장치에 도시되는 예를 도시한 도면이다.
도 8은 본 발명의 다른 실시 예에 따라 요리 재료의 조리에 따라 조리장치에 도시되는 예를 도시한 도면이다.
도 9는 본 발명의 실시 예에 따른 조리장치 제어방법의 순서도이다.

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.

이하 도면을 참고하여 본 발명의 실시 예에 따른 조리장치에 대해 구체적으로 설명하기로 한다.

도 1은 는 본 발명의 실시 예에 따른 조리장치 제어를 위한 환경의 예시도이고, 도 2는 본 발명의 실시 예에 따른 인공 지능 모델을 이용한 요리 재료 조리의 예시도이다.

도면을 참고하면, 본 발명의 실시 예에 따른 조리장치(100)는 조리장치(100)에 의해 조리되는 요리 재료를 촬영할 수 있도록 카메라를 포함하도록 구성될 수 있다.

또한, 조리장치(100)는 촬영한 요리 재료 이미지를 통해 요리 재료의 표면 상태, 요리 재료의 내부 온도 및 외부 온도를 추측하여 요리 재료가 적절히 조리될 수 있도록 가열기를 제어하도록 구성될 수 있다.

보다 구체적으로, 본 발명의 실시 예에 따른 조리장치(100)의 제어를 위한 환경은 조리장치(100), 서버(200), 전자기기(300) 및 네트워크(400)가 통신 연결되어 있다.

전자기기(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 전자기기(300)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 전자기기, 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 전자기기 (smartwatch), 글래스형 전자기기 (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, 전자기기(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 조건을 입력하여 요리 재료가 조리되도록 할 수 있지만, 다르게는 임베디드 시스템(embedded system)의 일종으로서 무선 통신 기능을 이용하여 요리 재료를 조리하도록 할 수도 있다. 예를 들어, 조리장치(100)에서 전자기기(300) 및/또는 서버(200)를에서 수신한 조리 명령을 수신하여 조리가 이루어질 수 있도록 하는 것이다.

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

한편, 요리 재료를 조리하는 사용자는 사용자의 취향에 따라 요리 조건을 수정하여 조리할 수 있다. 이 경우, 본 발명의 조리장치(100)는 수정한 사용자의 조리에 따라 요리 재료를 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 요리 재료에 따라 조리장치(100)를 제어하도록 구현될 수도 있다.

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

본 발명의 실시 예에 따른 조리장치(100)는 5G 네트워크를 통해 학습 장치인 서버(200)와 데이터를 전송하고 수신할 수도 있다. 특히 전자기기(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 전자기기들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 전자기기의 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 요리 재료를 촬영하고, 촬영한 요리 재료의 이미지에서 요리 재료 표면의 상태, 예컨대 요리 재료가 조리되어야 하는 상태인지, 조리가 일부 진행된 상태인지 등의 상태를 추측할 수 있는 장치이다. 또한, 촬영한 요리 재료 이미지에서 요리 재료의 내부 온도 및 외부 온도를 추측하여 요리 재료가 조리되기 위해서 요리 재료를 가열하는 온도, 시간 등을 제어할 수 있는 장치이다.

이를 위해, 본 발명의 조리장치(100)는 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)을 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.

위와 같은 방식들을 이용하면 피가열체의 상태에 대한 추정이 더욱 정교해질 수 있다.

본 발명의 실시 예에서 사용되기 위한 심층 신경망 모델을 생성하기 위해서는 다양한 방식이 존재할 수 있으나, 지도 학습의 경우에는 사전 작업으로서 아래와 같은 훈련 과정이 수행될 수 있다.

한편, 본 발명의 실시 예에 따른 조리장치(100)는 촬영한 요리 재료의 이미지를 인식할 수 있는 비전 인식, 기능 수행에 필요한 인공 지능 모델과 관련하여, 각종 인공 지능 모델을 생성하고, 이를 학습시키고, 이를 평가하고, 이를 완성하고, 그리고 사용자의 개인 데이터를 이용하여 이를 업데이트 하는 과정에서 로컬 영역과 서버(200)에 저장된 각종 인공지능 알고리즘과 관련된 프로그램을 이용할 수 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. 여기서 인공지능 모델에 대한 자세한 설명은 후술하기로 한다. 또한, 서버(200)는 요리 재료 인식에 필요한 각종 서비스를 제공하는 역할을 할 수도 있다.

그리고 서버(200)는 각종 인공 지능 모델의 훈련에 필요한 학습 데이터를 수집하고, 수집된 데이터를 이용하여 인공지능 모델을 훈련시키는 역할을 할 수 있다. 서버(200)에 의해 훈련된 각종 인공 지능 모델이 평가를 통해 완성되면, 전자기기(300)가 각종 인공 지능 모델을 이용하거나, 인공 지능 모델 자체가 주체가 되어 인체 인식, 얼굴 인식 및 객체 인식이 수행될 수 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.

도 3은 본 발명의 실시 예에 따른 조리장치의 구성을 설명하기 위한 블록도이고, 도 4는 본 발명의 실시 예에 따른 서버의 구성을 설명하기 위한 서버 블록도이며, 도 5는 본 발명의 실시 예에 따른 전자기기의 구성을 설명하기 위한 전자기기 블록도이다.

도면을 참조하기 전에 본 발명의 실시 예에 따른 조리장치(100)에는 학습모델(a trained model)이 탑재될 수 있다. 이러한, 학습모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습모델을 구성하는 하나 이상의 명령어는 프로세서들 중 어느 하나의 프로세서에 저장될 수 있다.

구체적으로 도면을 참조하면, 본 발명의 실시 예에 따른 조리장치(100)는 본체(101_도 8 참고), 통신부(110), 카메라(120), 입력부(130), 가열기(140), 메모리(150), 러닝 프로세서(160) 등을 포함하여 구성될 수 있다.

본체(101_도 8 참고)는 조리장치(100)의 외관을 형성하고, 내부에 요리 재료가 배치될 수 있는 공간을 포함한다. 이러한 본체(101)는 구현되는 조리장치(100)의 조건에 따라 다양한 형상으로 형성될 수 있으며, 본체(101)의 형상에 의해 본 발명이 제한되는 것은 아니다.

본 발명의 실시 예에 따른 조리장치(100)는 서버(200), 전자기기(300) 및 네트워크(400)와 통신 연결되도록 통신부(110)를 포함한다.

통신부(110)는 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신할 수 있다.

또한, 통신부(110)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 수도 있다.

더욱이, 통신부(110)는, 조리장치(100)에 내장되거나 외장된 무선 인터넷 모듈을 이용하여 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신할 수도 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 있다.

또한, 통신부(110)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 수도 있다.

카메라(120)는 본체(101) 내에서 조리되는 요리 재료를 촬영할 수 있다. 이때, 요리 재료 촬영 시, 요리 재료의 표면과 요리 재료의 내부 온도 및 외부 온도를 촬영할 수 있다. 이를 위해, 카메라(120)는 요리 재료의 표면 상태를 촬영하는 RGB 카메라(121)와 요리 재료의 온도 정보를 추출하기 위한 열화상 카메라(123)를 포함할 수 있다.

이러한 RGB 카메라(121)와 열화상 카메라(123)는 조리장치(100) 내부 또는/및 외부에 설치될 수 있다. 한편 RGB 카메라(121)와 열화상 카메라(123)가 조리장치(100) 내부에 설치되는 경우 조리장치(100) 작동 시 발생하는 고온에 의하여 카메라의 작동 장애를 방지하기 위해 조리장치(100) 내부에는 고온에 견딜 수 있도록 구성될 수 있다.

카메라(120)를 통해 촬영된 요리 재료 이미지에는 조리 상태 판단 신경망을 적용하여 요리 재료의 조리 상태를 판단할 수 있도록 한다. 이렇게 판단된 요리 재료의 조리 상태에 따라 미리 설정된 조리 조건에 대응되게 요리 재료를 조리할 수 있도록 가열기(140)를 제어할 수 있다.

구체적으로 카메라(120)는 RGB 카메라(121)에 의해 촬영된 요리 재료의 표면 이미지에 물체 분류 신경망(Object Classifier)을 적용하여 요리 재료의 종류를 판단하도록 한다.

RGB 카메라(121)는 요리 재료의 외관, 색상 등을 촬영한다. 촬영한 요리 재료의 이미지와 학습을 통해 데이터 베이스(105)에 저장된 요리 재료의 표면 이미지를 매칭하여 매칭된 요리 재료 정보를 추출한다. 추출된 요리 재료 정보에 기초하여 촬영된 요리 재료를 조리하도록 한다.

특히 물체 분류 신경망은 요리 재료 표면의 변화를 분석하여 요리 재료의 종류, 조리 단계 등을 예측할 수 있다. 설명한 바와 같이, RGB 카메라(121)는 요리 재료 표면을 촬영한다. 학습된 정보를 기초로 촬영되는 요리 재료의 종류를 판단할 수 있다. 이와 다르게, 동일한 요리 재료라고 하더라도 조리 조건이 다를 수 있다. 예컨대, 즉석 밥의 표면을 촬영하여도 즉석 밥의 브랜드, 일부 조리된 영역의 유무 등에 따라 요리 재료의 조리 조건을 달리하여 조리가 이루어질 수 있다. 따라서 물체 분류 신경망은 촬영되는 요리 재료 표면의 이미지를 통해 요리 재료의 조리 상태를 예측하도록 훈련될 수 있으며, 훈련된 조건을 기초로 요리 재료 표면 변화의 특징에 따라 요리 재료를 조리하는 조건을 다르게 설정할 수 있도록 한다.

또한, RGB 카메라(121)는 조리가 완료된 요리 이미지를 촬영할 수도 있다. 즉, 조리된 요리 이미지의 표면을 촬영하여 요리 재료가 적절하게 조리되었는지를 판단하도록 한다. 이를 위해, 카메라(120)는 조리된 요리 이미지에 조리 상태 판단 신경망을 적용하여 조리된 요리 재료 표면의 변화를 통해 요리 재료 상태를 판단할 수 있다.

정리하면, 조리 상태 판단 신경망은 요리 재료의 조리 전, 후 이미지 변화를 분석한다. 이때, 기존의 이미지를 요리 재료의 조리 전 이미지라고 할 경우, 요리 재료의 조리 전 이미지 및 조리 후 이미지를 회전이동, 평행이동, 밝기조절, 확대/축소 등을 통해 재가공해서 새로운 이미지를 얻어내고 그 데이터를 트레이닝 프로세서(미 도시)에 추가하여 학습할 수 있도록 한다. 이처럼 요리 재료의 조리 전, 후 이미지를 생성하고, 변화의 특징을 학습하도록 하여 요리 재료의 적절한 조리가 이루어졌는지를 판단할 수 있다.

즉석 밥을 예를 들면, 요리 상태 추출 모델(122)은 조리되기 전의 즉석 밥의 표면과 조리된 후의 즉석 밥 표면을 미리 학습하고, 조리된 즉석 밥 이미지가 학습된 정보와 매칭되는지 판단한다. 이때, 조리된 즉석 밥 이미지가 학습된 정보를 기초로 조리되기 전의 즉석 밥 표면의 이미지가 보여지는 경우, 조리된 즉석 밥이 충분히 조리되지 않았다고 판단할 수 있다. 판단의 결과로 즉석 밥을 추가로 조리하도록 알람을 발생시키거나, 학습된 정보와 매칭되는 즉석 밥 이미지가 촬영되도록 즉석 밥을 추가로 조리할 수 있다.

또한, 카메라(120)는 열화상 카메라(123)에 의해 촬영된 요리 재료 이미지에 이미지 처리 신경망을 적용하여 요리 재료의 내부 온도 및 외부 온도를 파악할 수 있다.

열화상 카메라(123)는 열을 추적, 탐지하여 물체의 온도를 육안으로 확인할 수 있도록 하는 장치이다. 이러한 점을 활용하여 요리 재료의 내부 온도 및 외부 온도를 확인함으로써, 요리 재료가 조리되었는지를 추측할 수 있다.

특히, 이미지 처리 신경망은 요리 재료 이미지 각각의 픽셀 값을 수치화하여 요리 재료 내부 온도 및 외부 온도를 분석한 뒤, 요리 재료의 조리 상태를 판단할 수 있다. 설명한 바와 같이, 열화상 카메라(123)는 요리 재료 내부 온도 및 외부 온도가 보여지는 이미지를 촬영한다. 촬영되는 요리재료가 동일한 요리 재료라고 하더라도 조리 시간, 조리 조건에 따라 다르게 조리된다. 즉, 조건을 달리하여 조리하게 되면 조리 후 요리 재료의 내부 온도 및 외부 온도가 다르게 측정될 수 있다. 이를 기초로 이미지 처리 신경망은 열화상 카메라(123)로 촬영된 요리 재료의 내부 온도 및 외부 이미지를 기초로 요리 재료의 내부 온도 및 외부 온도를 예측하고, 예측한 요리 재료의 내부 온도 및 외부 온도에 의해 요리 재료가 어느 정도 조리되었는지, 추가적으로 조리가 필요한지 등을 판단할 수 있다.

열화상 카메라(123) 또한 조리가 완료된 요리 이미지를 촬영할 수도 있다. 즉, 조리된 요리 이미지의 내부 온도 및 외부 온도 이미지를 촬영하여 요리 재료가 적절하게 조리되었는지를 판단할 수 있도록 한다. 이를 위해, 이미지 처리 신경망은 조리된 요리 이미지에 이미지 처리 신경망을 적용하여 조리된 요리의 내부 온도 및 외부 온도가 요리 재료의 조리 조건에 기초하여 미리 설정된 온도 범위 내에서 분포된 것이지 판단하도록 훈련되어 있을 수도 있다.

마찬가지로 즉석 밥을 예를 들면 요리 상태 추출 모델(122)은 조리되기 전의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지와 조리된 후의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지를 미리 학습한다. 이후, 조리된 즉석 밥의 내부 온도 및 외부 온도에 대한 열화상 이미지와 학습된 정보가 매칭되는지 판단한다. 이때, 조리된 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지가 학습된 정보를 기초로 조리되기 전의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지와 유사하거나 일부 매칭되는 경우, 조리된 즉석 밥이 충분히 조리되지 않았다고 판단하는 것이다. 이때, 조리된 즉석 밥의 내부 온도 및 외부 온도의 분포가 학습된 정보에 대해 일정 범위 이내에서 분포된 것인지 판단하여 즉석 밥의 조리 여부를 판단할 수 있다. 판단의 결과로 즉석 밥을 추가로 조리하도록 알람을 발생시키거나, 학습된 정보와 매칭되는 즉석 밥 이미지가 촬영되도록 즉석 밥을 추가로 조리할 수 있다.

이와 같이 요리 재료의 이미지를 촬영하는 카메라는 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.

한편, 카메라에 의해 얻어지는 요리 재료의 영상 또는 이미지 등은 프레임으로 처리될 수 있으며, 프레임은 디스플레이(104)에 표시되거나 메모리(150)에 저장될 수 있다.

입력부(130)는 사용자로부터 정보를 입력 받기 위한 구성이다. 구체적으로, 사용자가 요리 재료에 대한 조리 조건을 조리장치(100)에 입력할 수 있고, 입력된 조리 조건에 따라 요리 재료가 조리되도록 조리장치(100)의 가열기(140)의 동작을 제어할 수 있다.

이러한 입력부(130)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 조리장치 본체(101) 전면에 설치된 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

가열기(140)는 요리 재료를 조리할 수 있는 가열 수단이다. 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 들기로 한다.

한편, 가열기(140)에는 조리 조건 추출 모델(142)이 탑재될 수 있다. 조리 조건 추출 모델(142)은 앞서 카메라(120)에서 추출한 요리 재료의 상태, 조리된 요리의 상태 등을 기초로 요리 재료를 조리하는 조건을 추출할 수 있다.

메모리(150)는 요리 재료의 정보, 요리 재료에 따른 이미지 정보, 요리 재료의 내부 온도 및 외부 열화상 이미지 정보, 요리 재료에 대한 조리 정보 등을 저장하고, 조리 정보에 대응하는 프로그램을 저장할 수도 있다.

또한, 메모리(150)는 사용자가 입력부(130)를 통해 입력한 요리 재료의 조리 시간, 추가 조리 조건 정보 등을 저장할 수도 있다. 구체적으로, 즉석 밥의 조리 시간이 2분이라 가정하고, 즉석 밥의 이미지, 내부 온도 및 외부 열화상 이미지와 저장된 조리 조건에 기초하여 즉석 밥이 조리될 수 있다. 조건에 따라 조리가 완료된 후, 사용자가 추가적으로 조리 시간을 늘리거나 조리된 후 즉석 밥의 이미지, 내부 온도 및 외부 열화상 이미지가 저장된 조리된 즉석 밥 정보와 매칭되지 않는 경우 추가 조리가 이루어질 수 있다. 이러한 추가 조리 정보를 저장함에 따라 사용자가 별도로 입력하지 않아도 자동으로 관련 제품을 사용자의 기호에 맞게 조리할 수 있도록 한다.

이를 위해, 메모리(150)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 요리 재료를 조리할 수 있게 된다.

또한, 메모리(150)는 조리장치(100)의 다양한 기능을 지원하는 데이터를 저장한다.

구체적으로 메모리(150)는 조리장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 조리장치(100)동작을 위한 데이터들, 명령어들을, 러닝 프로세서(160)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

또한, 메모리(150)는 후술할 러닝 프로세서(160) 등에서 학습된 모델을 저장할 수 있다. 이때, 메모리(150)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

더불어, 메모리(150)는 카메라에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

메모리(150)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐 아니라 가공되지 않은 입력 데이터 그 자체일 수 있다.

이러한 메모리(150)에 대해 보다 구체적으로 살펴보면, 메모리(150)에는 각종 컴퓨터 프로그램 모듈이 탑재될(loaded) 수 있다. 메모리(150)에 탑재되는 컴퓨터 프로그램의 범위에 운영체제(operating system) 및 하드웨어를 관리하는 시스템 프로그램 외의 응용 프로그램으로 구현될 수 있다.

러닝 프로세서(160)는 요리 재료의 이미지를 이용하여 인공 신경망으로 구성된 모델을 학습할 수 있다.

예를 들어, 러닝 프로세서(160)는 카메라(120)를 통해 추출된 요리 재료의 종류를 요리 재료 추출 모델(162)을 이용하여 판단할 수 있다. 구체적으로, 요리 재료 추출 모델(162)은 메모리(150)에서 수집한 요리 재료 대한 정보를 학습할 수 있다.

이러한 러닝 프로세서(160)는 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 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 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(160)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.

러닝 프로세서(160)는 다른 컴포넌트, 디바이스, 전자기기(300) 또는 전자기기(300)와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

또한, 러닝 프로세서(160)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(160)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 조리장치(100)를 구현하는 프로세서들 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, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

설명된 프로세서들은 조리장치(100)의 각 구성요소를 제어하고, 이들을 이용하여 조리장치(100)의 운전을 제어하는 역할을 할 수 있다.

구체적으로 프로세서들은 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 프로세서들은 러닝 프로세서(160)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.

프로세서들은 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, 프로세서들은 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(160)의 데이터에 기초하여, 프로세서들은 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서들은 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서들은 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.

이러한 프로세서들은 문맥 조건 또는 사용자의 의도에 기초하여 요구사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서들은 러닝 프로세서(160)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 조리장치(100)에서 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(150)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 전자기기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

또한, 프로세서들은 조리장치(100)를 사용하는 사용 히스토리 정보를 수집하여, 메모리(150)에 저장할 수 있다. 이렇게 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

즉, 프로세서들은 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(150) 또는 러닝 프로세서(160)에 저장할 수 있는 것이다.

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

프로세서들에서 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, 프로세서들은 러닝 프로세서(160)와 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있는 것이다.

한편 조리장치의 본체(101)는 디스플레이(104)를 더 포함한다. 디스플레이(104)는 이미지, 영상, 실제 요리 상태 중 어느 하나의 방법으로 요리 재료의 조리 과정을 표시할 수 있다.

이러한 구성의 조리장치(100)가 요리 재료를 조리하는 과정을 살펴보면, 우선 RGB 카메라(121) 및 열화상 카메라(123)를 이용하여 요리 재료의 표면 이미지, 요리 재료 내부 온도 및 외부의 열화상 이미지를 촬영한다.

이후, 요리 재료 및 요리 재료의 조리 정도 등에 따라 조리 조건을 실행한다. 요리가 조리되면 조리된 요리의 표면 이미지, 요리 재료 내부 온도 및 외부 열화상 이미지를 촬영한다. 조리에 따라 요리 재료의 표면의 변화가 발생할 수 있으며, 변화의 정도를 기초로 요리 재료가 적절하게 조리되었는지 판단할 수 있다. 또한, 조리에 따라 요리 재료 내부 온도 및 외부 온도 변화가 발생하고, 내부 온도 및 외부 온도가 미리 저장된 조리된 요리의 내부 온도 및 외부 온도와 매칭하여 요리 재료가 적절히 조리되었는지 판단할 수 있게 된다.

이때, 요리 재료가 충분히 조리된 것이라고 판단되지 않으면 요리 재료를 추가적으로 조리할 수 있다.

한편, 도 4를을 참고하면 서버(200)는 통신부(210), 입력부(220), 메모리(230), 러닝 프로세서(260), 프로세서(280) 등을 포함하여 구성될 수 있다.

서버(200)의 통신부(210)는 조리장치(100)의 통신부(110)의 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송, 수신하는 구성이다.

입력부(220)는 조리장치(100)의 입력부(220)와 대응되는 구성이다. 구체적으로, 사용자가 조리장치(100)에 입력한 요리 재료에 대한 조리 조건 데이터를 수신, 획득할 수 있다.

이러한 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.

특히, 입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 서버(200)의 프로세서들은 획득한 데이터를 전 처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전 처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(130)에서 수행하는 입력 데이터에 대한 전 처리는, 입력 데이터로부터 입력 특징 점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 조리장치(100)의 메모리(150)에 대응하는 구성이다.

메모리(230)는 러닝 프로세서(240)를 통해 학습 중인 또는 학습된 모델(또는 인공 신경망)을 저장하고, 학습을 통하여 모델이 업데이트되면 업데이트된 모델을 저장할 수 있다.

데이터 베이스(205)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

또한, 데이터 베이스(205)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(160)와 대응하는 구성이다.

이러한 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 입력부(220)를 통해 한 입력 데이터를 전 처리한 데이터를 바로 획득하여 인공 신경망을 학습하거나 데이터 베이스(205)에 저장된 전 처리된 입력 데이터를 획득하여 인공 신경망을 학습할 수도 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망 의 최적화된 모델 파라미터들을 결정할 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 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 함께 수행할 수 있다. 예를 들어 조리장치(100)는 사용자 개인의 데이터에 의한 학습을 통해 인공지능 모델이 사용자의 개인적 패턴을 학습시킴으로, 서버(200)로부터 다운로드 받은 인공지능 모델을 업데이트할 수 있다.

본 발명의 실시 예에 따른 서버(200)는 학습모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습모델을 구성하는 하나 이상의 명령어는 프로세서들 중 어느 하나의 프로세서에 저장될 수 있다.

한편, 도 5를 참고하면, 전자기기(300)는 통신부(310), 카메라(320), 감지부(330), 디스플레이부(340), 입력부(350), 메모리(360), 러닝 프로세서(370) 및 프로세서(380)를 포함하여 구성될 수 있다.

전자기기(300)의 통신부(310)는 조리장치(100) 또는 서버(200)에서 발생한 조리 명령을 수신할 수 있다. 전자기기(300)는 예를 들어 블루투스와 같은 근거리 통신 모듈, 무선 랜(wireless LAN), 예를 들어 Wi-Fi 모듈을 이용하여 서버(200) 및 조리장치(100)와 통신 연결될 수 있다.

카메라(320)는 조리장치(100)의 열화상 카메라(123), RGB 카메라(121)에서 촬영한 요리 재료의 이미지가 사용자에게 보여질 수 있도록 한다. 또한, 조리가 완료된 요리를 카메라(320)를 통해 보여짐으로써 요리 재료의 조리 완성을 육안으로 확인할 수 있도록 한다.

감지부(330)는 조리장치(100) 내 온도 센서와 통신 연결되어 조리장치(100) 내부 온도를 수신 받을 수 있다. 수신 받은 조리장치(100) 내 온도에 따라 조리장치(100)의 동작을 제어할 수 있다.

디스플레이(104)는 조리장치(100)에서 이루어지는 요리 재료의 조리 과정을 표시할 수 있다.

한편, 사용자는 전자기기(300)에서 요리 재료의 조리 조건을 직접 실행할 수 있다. 이를 위해, 전자기기(300)에 요리 재료의 조리 조건이 저장되고, 요리 재료의 조리 조건을 실행은 입력부(130)에서 이루어질 수 있다.

즉, 요리 재료에 따른 조리 조건을 서치하고, 서치 결과로 요리 재료에 대한 조리 조건을 전자기기(300)에서 선택, 입력하면 입력된 조리 재료에 기초하여 조리장치(100)를 작동시켜 요리 재료가 조리될 수 있도록 할 수 있다.

이러한 요리 재료 조리 조건은 메모리(360)에 저장될 수 있다. 또한, 요리 재료 조리 조건은 러닝 프로세서(370)를 통해 학습하여 요리 재료가 카메라(320)에 보여지면 요리 재료에 대응하는 조리 조건을 입력부(130)를 통해 입력한 뒤, 입력된 조리 조건에 따라 조리장치(100)에서 요리 재료를 조리하도록 구성될 수도 있다.

한편, 본 발명의 전자기기(300) 또한, 학습모델(a trained model)이 탑재될 수 있다. 이러한, 학습모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습모델을 구성하는 하나 이상의 명령어는 프로세서들 중 어느 하나의 프로세서에 저장될 수 있다.

도 6은 본 발명의 실시 예에 따른 조리장치를 이용하여 요리 재료를 조리하는 과정을 설명한 흐름도이고, 도 7은 본 발명의 실시 예에 따라 요리 재료의 조리에 따라 조리장치에 도시되는 예를 도시한 도면이다.

도면을 참조하면, 요리 재료가 간편요리식품, 반 조리식품 등의 요리 재료의 포장지 등에는 요리 재료에 대한 유통기한정보, 조리 정보 등을 표시될 수 있다(도 6의 ①).

요리 재료가 미 가공의 요리 재료를 포함하는 경우 조리장치(100)는 사용자로부터 요리 재료 정보를 입력 받을 수 있다(도 6의 ①).

이를 위해, 조리장치(100)에 탑재된 RGB 카메라(121) 및 열화상 카메라(123)를 통해 요리 재료의 표면 이미지, 요리 재료 내부 온도 및 외부의 열화상 이미지를 촬영하여 요리 재료의 정보를 분석할 수 있다.

구체적으로, RGB 카메라(121)는 요리 재료의 외관, 색상 등을 촬영한다. 촬영한 요리 재료의 이미지와 학습을 통해 데이터 베이스(105)에 저장된 요리 재료의 표면 이미지를 매칭하여 매칭된 요리 재료 정보를 추출한다. 추출된 요리 재료 정보에 기초하여 촬영된 요리 재료를 조리하도록 한다.

특히, RGB 카메라(121)로 촬영한 요리 재료의 표면 변화를 통해 요리 재료의 조리 진행 단계를 예측할 수 있다. 예컨대 촬영되는 요리 재료가 동일한 요리 재료라고 하더라도 조리된 상태, 브랜드에 따른 조리 조건이 다를 수 있다. 이러한 조건의 특징에 따라 요리 재료를 조리하는 조건을 다르게 설정할 수 있도록 한다.

이와 같이 요리 재료의 정보를 분석하면, 조리장치(100)는 요리 재료 또는 요리 재료 정보 등을 기반으로 조리 조건을 검출할 수 있다. 예를 들어 즉석 밥의 경우 즉석 밥의 QR코드, 바코드 등에 저장된 즉석 밥 조리 조건을 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 조리 조건을 검출하여 조리 조건을 선택할 수 있다(도 6의 ②).

조리 조건을 선택하면, 조리 명령을 실행할 수 있다(도 6의 ③). 이때 조리 명령은 선택된 조리 조건에 따라 조리장치(100)를 자동으로 구동시켜 요리 재료를 조리할 수 있지만, 다르게는 사용자가 조리장치(100)의 입력부(130)를 통해 입력하여 조리 명령을 실행할 수도 있다. 그 밖에 조리 조건에 따른 조리 항목이 조리장치(100)의 디스플레이(104)에 노출되도록 하고, 사용자가 디스플레이(104)에 노출된 조리 항목을 선택하여 조리 명령이 실행될 수도 있다.

이때, 조리장치(100)는 요리 재료의 조리 상태를 확인하도록 하거나 조리 상태에 대한 요리 완료를 알릴 수 있도록 한다(도 6의 ④).

구체적으로 조리가 완료된 요리 이미지를 RGB 카메라(121) 및 열화상 카메라(123)로 촬영할 수 있다. 즉, RGB 카메라(121)는 조리된 요리 이미지의 표면을 촬영하여 요리 재료가 적절하게 조리되었는지를 판단하도록 한다. 또한, 열화상 카메라(123)는 조리된 요리 이미지의 내부 온도 및 외부 온도 이미지를 촬영하여 요리 재료가 적절하게 조리되었는지를 판단할 수 있도록 한다.

도 7의 ①, ②에 도시된 바와 같이, 조리되기 전의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지와 조리된 후의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지가 다르다.

즉, 조리되기 전의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지는 즉석 밥 전체에 온도가 충분히 분포되지 않을 수 있다(도 7의 ①). 구체적으로 요리재료 전체가 50 ℃보다 낮은 온도로 분포되어 있는 것으로 확인된다.

이에 반해 조리된 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지는 즉석 밥 전체에 온도가 충분히 높으며 전체적으로 온도가 고르게 분포된 상태인 것으로 나타나 있다(도 7 ②).

구체적으로 조리된 즉석 밥 내부 온도는 최대 80℃에 근접한 것으로 나타나며, 표면의 온도는 65℃보다 높은 것으로 측정된다.

이러한 측정 결과를 기초로, 조리된 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지가 미리 학습된 정보(예: 최대 온도 82℃, 최저 온도 63℃)에 대응하지 않은 경우, 조리된 즉석 밥이 충분히 조리되지 않았다고 판단할 수 있다. 이 경우 미리 학습된 정보에 대응하는 조리 결과와 대응하도록 조리장치(100)를 동작시켜 즉석 밥을 추가로 조리하거나, 조리 필요를 사용자에게 알려 사용자가 추가 조리를 선택할 수 있도록 할 수 있다.

이에 반해, 조리된 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지가 미리 학습된 정보에 대응하는 경우, 조리된 즉석 밥이 충분히 조리되었다고 판단되어 조리 결과를 사용자에게 알릴 수 있다.

이러한 요리 재료의 조리 전, 후 이미지는 본체(101) 디스플레이(104)에 표시될 수 있으며, 표시되는 이미지 정보를 기초로 요리 재료의 조리가 적절하게 이루어졌는지 판단하게 된다.

이 경우, 요리 재료가 충분히 조리된 것이라고 판단되지 않으면 요리 재료를 추가적으로 조리할 수 있다(도 6의 ⑤).

이와 반대로 요리 재료가 충분히 조리된 것으로 판단되면 요리 재료의 조리 완료 정보를 조리장치(100)를 통해 알리거나, 전자기기(300)로 전송하여 사용자가 요리 재료 조리 완료 정보를 확인할 수 있다(도 6의 ⑥).

도 8은 본 발명의 다른 실시 예에 따라 요리 재료의 조리에 따라 조리장치에 도시되는 예를 도시한 도면이다.

도면의 설명에 앞서, 본 발명의 프로세서들 중 어느 하나의 프로세서에는 사용자가 목표하는 요리에 대한 정보를 수신하고, 요리 조리 조건에 대한 검색을 수행할 수 있도록 구성될 수 있다.

이를 위해, 조리장치(100)는 사용자의 조작 명령을 수신하는 사용자 인터페이스(170)를 포함하고, 메모리(150)에는 사용자 별 조리 선호도 정보가 저장될 수 있다.

이때, 사용자 인터페이스(170)는 사용자의 생체 정보를 수집할 수 있고, 조리장치(100) 본체(101)를 동작시키는 사용자의 생체 정보에 생체 인식 신경망을 적용하여 조리장치(100)를 사용하는 사용자를 인식하고, 조리 선호도 정보에 기초하여 사용자가 선호하는 상태로 조리 조건을 설정할 수 있다.

이러한 생체 인식 신경망은 요리 재료 조리 전에 본체(101)를 작동시키는 사용자의 생체 정보에 따라 요리 재료 조리 조건을 예측하도록 훈련될 수 있다.

즉, 사용자 인터페이스(170)는 사용자의 지문, 홍채와 같은 사용자 정보를 수집하고, 수집된 사용자 정보는 메모리(150)에 저장된다. 이후, 저장된 사용자 정보에 대응하는 사용자가 이전에 조리한 요리 재료와 동일한 요리 재료를 조리할 때, 저장된 조리 정보를 기초로 요리 재료가 자동으로 조리되거나, 저장된 조리 정보를 사용자에게 알려 사용자가 보다 쉽게 요리가 이루어질 수 있도록 할 수 있다.

이와 같이, 사용자 정보에 기초하여 요리 재료가 조리될 수 있도록 함으로써, 개인 맞춤형의 조리장치(100)를 구현할 수 있게 된다.

또한, 어린 아이가 있는 가정 내에서는 조리장치(100)에 어린 아이의 정보가 저장되지 않도록 하여 조리장치(100)를 보다 안전하게 사용할 수 있는 성인에 한하여 요리재료를 조리할 수 있다. 이로 인해 어린아이의 조리장치 작동으로 화재 등의 사고가 발생하는 것을 방지할 수 있다.

도 9는 본 발명의 실시 예에 따른 조리장치 제어방법의 순서도이다.

도면을 참고하면, 본 발명의 실시 예에 따른 조리장치 제어방법을 구성하는 각 단계를 수행하는 주체는 조리장치(100) 또는 전자기기(300) 중 어느 하나가 될 수 있으나, 구체적으로는 조리장치(100)에 저장된 프로세서들에 의해 수행할 수 있는 예를 들어 설명하기로 한다.

프로세서들은 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 프로세서들 관점에서 각 단계들을 설명하기로 한다.

조리장치(100)는, 조리장치(100) 내부 또는 외부에 설치된 카메라를 통해 조리장치(100)로 투입되는 요리 재료를 촬영한 뒤, 촬영한 요리 재료 이미지를 인식하여 요리 재료의 정보를 분석한다(S110, S120).

구체적으로, 요리 재료의 표면 이미지에 물체 분류 신경망(Object Classifier)을 적용하여 요리 재료를 분석하도록 한다(S132). 요리 재료의 표면을 촬영하는 RGB 카메라(121)는 요리 재료의 외관, 색상 등을 촬영한다. 촬영한 요리 재료의 이미지와 학습을 통해 데이터 베이스(105)에 저장된 요리 재료의 표면 이미지를 매칭하여 매칭된 요리 재료 정보를 추출한다.

특히, 물체 분류 신경망은 요리 재료 표면의 변화를 분석하여 요리 재료의 조리 진행 단계를 예측한다. 예컨대, 즉석 밥의 표면을 촬영하여도 즉석 밥의 브랜드, 일부 조리된 영역의 유무 등에 따라 요리 재료의 조리 조건을 달리하여 조리가 이루어질 수 있다. 따라서 물체 분류 신경망은 이러한 요리 재료 표면 변화를 예측하도록 훈련될 수 있다. 이러한 훈련 조건에 기초하여 요리 재료의 조리 상태를 판단할 수 있다(S140).

이와 유사하게, 요리 재료의 내부 온도 및 외부 온도를 분석할 수 있도록 이미지 처리 신경망을 적용할 수 있다(S134). 요리 재료의 내부 온도 및 외부 온도를 분석하는 열화상 카메라(123)는 열을 추적, 탐지하여 물체의 온도를 육안으로 확인할 수 있도록 한다. 이러한 점을 활용하여 요리 재료의 내부 온도 및 외부 온도를 확인함으로써, 요리 재료의 조리 상태를 판단할 수 있다(S140).

정리하면, 물체 분류 신경망에 의해 요리 재료의 표면 변화를 분석한다. 예를 들어, 조리되기 전의 즉석 밥의 표면과 조리된 후의 즉석 밥 표면을 미리 학습하고, 조리된 즉석 밥 이미지와 학습된 정보를 매칭할 수 있다. 이때, 조리된 즉석 밥 이미지가 학습된 정보를 기초로 조리되기 전의 즉석 밥 표면의 이미지가 보여지는 경우, 조리된 즉석 밥이 충분히 조리되지 않았다고 판단하는 것이다(S150, S160).

이때, 이미지 처리 신경망에 의해 조리되기 전의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지와 조리된 후의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지를 미리 학습하고, 조리된 즉석 밥의 내부 온도 및 외부 온도에 대한 열화상 이미지와 학습된 정보를 매칭할 수 있다. 이때, 조리된 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지가 학습된 정보를 기초로 조리되기 전의 즉석 밥 내부 온도 및 외부 온도에 대한 열화상 이미지와 유사하거나 일부 매칭되는 경우, 조리된 즉석 밥이 충분히 조리되지 않았다고 판단하여 즉석 밥의 추가 조리 조건을 위한 조리 강도 및 시간을 조절하게 된다(S150, S160).

이와 같이 요리 재료의 조리 조건을 조절하기 위해 요리 재료를 촬영한 이미지에서 요리 재료의 표면과 요리 재료의 내부 온도 및 외부 온도를 분석함에 따라 요리 재료의 적절한 조리가 이루어졌는지를 판단할 수 있다.

한편, 요리 재료가 적절하게 조리된 것으로 판단되면 요리 완성을 사용자에게 알릴 수 있다(S170). 이때, 조리장치(100) 자체의 알람 시스템을 통해 조리 완료를 알리거나 조리 완료 정보를 전자기기(300)에 전송하여 사용자가 전자기기 사용 중에도 조리 완료 정보를 수신할 수 있도록 할 수 있다.

이와 같이 본 발명의 다양한 실시 예 따른 조리장치 및 조리장치 제어방법을 통해 요리 재료의 표면의 변화, 요리 재료 내부 온도 및 외부 온도 변화 등을 분석할 수 있으므로, 요리 재료의 상태에 따라 조리할 수 있게 된다.

특히, 요리 재료를 분석할 때, 조리장치 내부에 설치된 RGB 카메라와 열화상 카메라를 이용하여 요리 재료를 분석할 수 있다. 구체적으로 RGB 카메라를 통해 요리 재료의 표면의 상태를 판단하고, 열화상 카메라를 통해 요리 재료의 내부 온도 및 외부 온도를 판단하여 요리 재료가 조리될 수 있는 상황인지 여부를 판단할 수 있다.

또한, 본 발명의 실시 예에 따르면 조리장치를 사용하는 사용자의 정보와 사용자가 요리 재료를 조리한 조리 조건이 조리장치에 저장될 수 있다. 저장된 정보를 기초로 사용자가 조리 조건을 입력하지 않아도 요리 재료에 따라 요리 재료를 조리할 수 있도록 한다.

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 청구범위에서)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 청구범위에 의해 한정되지 않는 이상 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 청구범위 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 청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims

조리장치로서,
조리장치의 외관을 형성하는 본체;
상기 본체 내에서 조리되는 요리 재료를 촬영하기 위한 카메라;
상기 요리 재료를 조리하는 가열기; 및
상기 카메라 및 가열기와 통신하여 상기 조리장치의 작동을 제어하는 프로세서를 포함하고,
상기 프로세서는,
상기 카메라에 의해 촬영된 이미지에 조리 상태 판단 신경망을 적용하여 상기 요리 재료의 조리 상태를 판단하고, 판단된 상기 요리 재료의 조리 상태에 따라 미리 설정된 조리 조건에 대응되게 상기 요리 재료를 조리하도록 상기 가열기를 제어하도록 구성되는,
조리장치.
제1항에 있어서,
상기 프로세서는,
상기 카메라에 의해 촬영된 영상에 기초하여 상기 요리 재료의 내부 온도, 외부 온도 및 상기 요리 재료의 표면 상태를 판단하고, 상기 요리 재료의 내부 온도, 외부 온도 및 상기 요리 재료의 표면 상태가 미리 설정된 조리 조건에 대응되게 상기 요리 재료를 조리하도록 상기 가열기를 제어하도록 구성되는,
조리장치.
제2항에 있어서,
상기 카메라는,
상기 요리 재료의 표면 상태를 촬영하는 RGB 카메라; 및
상기 요리 재료의 온도 정보를 추출하기 위한 열화상 카메라를 포함하는,
조리장치.
제3항에 있어서,
상기 프로세서는,
상기 RGB 카메라에 의해 촬영된 상기 요리 재료 이미지에 물체 분류 신경망을 적용하여 상기 요리 재료를 인식하고,
상기 물체 분류 신경망은 상기 요리 재료의 종류를 판단하도록 훈련된 신경망인,
조리장치.
제4항에 있어서,
상기 프로세서는,
상기 RGB 카메라에 의해 촬영된 상기 요리 재료 이미지에 조리 상태 판단 신경망을 적용하여 상기 요리 재료의 상태를 분석하고,
상기 조리 상태 판단 신경망은 판단된 상기 요리 재료의 종류에 따라 상기 촬영된 요리 재료 이미지에 기초하여 상기 요리 재료의 조리 진행 단계를 예측하도록 훈련된 신경망인,
조리장치.
제3항에 있어서,
상기 프로세서는,
상기 열화상 카메라에 의해 촬영된 상기 요리 재료 이미지에 이미지 처리 신경망을 적용하여 상기 요리 재료의 내부 온도 및 외부 온도를 파악하고,
상기 이미지 처리 신경망은 상기 요리 재료 이미지 각각의 픽셀 값을 수치화하여 상기 요리 재료의 내부 온도 및 외부 온도를 예측하고 상기 요리 재료의 조리 상태를 판단하도록 훈련된 신경망인,
조리장치.
제6항에 있어서,
상기 이미지 처리 신경망은,
상기 열화상 카메라에 의해 촬영된 조리된 요리 이미지를 통해 수치화된 상기 조리된 요리의 내부 온도 및 외부 온도가 상기 요리 재료의 조리 조건에 기초하여 미리 설정된 내부 온도 및 외부 온도에 대응하는지 판단하도록 훈련된 신경망인,
조리장치.
제1항에 있어서,
상기 프로세서는,
사용자로부터 목표하는 요리에 대한 정보를 수신하고, 상기 요리의 조리 조건에 대한 검색을 수행하도록 구성되는,
조리장치.
제1항에 있어서,
사용자의 조작 명령을 수신하는 사용자 인터페이스; 및
사용자 별 조리 선호도 정보를 저장하는 메모리를 더 포함하고,
상기 사용자 인터페이스는 사용자의 생체 정보를 수집하도록 구성되며,
상기 프로세서는,
상기 조리장치를 조작하는 상기 사용자의 생체 정보에 생체 인식 신경망을 적용하여 상기 사용자를 인식하고, 상기 조리 선호도 정보에 기초하여 상기 사용자가 선호하는 상태로 상기 조리 조건을 설정하는,
조리장치.
제1항에 있어서,
상기 요리 재료 조리 시, 상기 요리 재료의 조리 상태 변화를 안내하는 디스플레이를 더 포함하고,
상기 프로세서는,
상기 카메라를 의해 촬영된 상기 요리 재료의 조리 상태에 대한 조리 상태 이미지가 상기 디스플레이를 통해 보여지도록 상기 디스플레이와 통신하도록 구성되는,
조리장치.
조리장치 제어방법으로서,
조리장치 외관을 형성하는 본체 내에 배치되는 요리 재료를 촬영하는 단계; 및
촬영된 상기 요리 재료 이미지에 조리 상태 판단 신경망을 적용하여 상기 요리 재료의 조리 상태를 판단하고, 판단된 상기 요리 재료의 조리 상태에 따라 미리 설정된 조리 조건에 대응되게 상기 요리 재료를 조리하도록 상기 요리 재료를 가열하는 정도를 제어하는 단계를 포함하는,
조리장치 제어방법.
제11항에 있어서,
상기 요리 재료를 가열하는 정도를 제어하는 단계는,
촬영된 상기 요리 재료 내부 온도 및 외부 온도 및 상기 요리 재료 표면 상태를 판단하는 단계; 및
상기 요리 재료의 내부 온도, 외부 온도 및 상기 요리 재료의 표면 상태가 미리 설정된 조리 조건에 대응되게 상기 요리 재료를 조리하도록 상기 요리 재료를 가열하는 정도를 제어하는 단계를 포함하는,
조리장치 제어방법.
제12항에 있어서,
상기 촬영하는 단계는,
RGB 카메라에 의해 상기 요리 재료의 표면 상태를 촬영하는 단계; 및
열화상 카메라에 의해 상기 요리 재료의 내부 온도 및 외부 온도를 추출하는 단계를 포함하는,
조리장치 제어방법.
제13항에 있어서,
상기 요리 재료를 가열하는 정도를 제어하는 단계는,
상기 RGB 카메라에 의해 촬영된 상기 요리 재료 이미지에 물체 분류 신경망을 적용하여 상기 요리 재료를 인식하는 단계; 및
상기 요리 재료 표면의 변화를 분석하여 상기 요리 재료의 종류를 판단하는 단계를 포함하는,
조리장치 제어방법.
제14항에 있어서,
상기 요리 재료를 가열하는 정도를 제어하는 단계는,
상기 RGB 카메라에 의해 촬영된 상기 요리 재료 이미지에 상기 조리 상태 판단 신경망을 적용하여 상기 요리 재료의 상태를 분석하는 단계; 및
상기 조리 상태 판단 신경망은 판단된 상기 요리 재료의 종류에 따라 상기 촬영된 요리 재료 이미지에 기초하여 상기 요리 재료의 조리 진행 단계를 예측하는 단계를 포함하는,
조리장치 제어방법.
제13항에 있어서,
상기 요리 재료를 가열하는 정도를 제어하는 단계는,
상기 열화상 카메라에 의해 촬영된 상기 요리 재료 이미지에 이미지 처리 신경망을 적용하여 상기 요리 재료의 내부 온도 및 외부 온도를 파악하는 단계; 및
상기 요리 재료 이미지 각각의 픽셀 값을 수치화하여 상기 요리 재료의 내부 온도 및 외부 온도에 대응하는지 판단하는 단계를 포함하는,
조리장치 제어방법.
제16항에 있어서,
사용자로부터 목표하는 요리에 대한 정보를 수신하고, 상기 요리의 조리 조건에 대한 검색을 수행하는 단계를 더 포함하는,
조리장치 제어방법.
제11항에 있어서,
사용자의 조작 명령 및 사용자의 생체 정보를 수집하는 단계; 및
사용자 별 조리 선호도 정보를 저장하는 단계를 더 포함하고,
상기 요리 재료를 가열하는 정도를 제어하는 단계는,
상기 사용자의 생체 정보에 생체 인식 신경망을 적용하여 상기 사용자를 인식하고, 상기 조리 선호도 정보에 기초하여 상기 사용자가 선호하는 상태로 상기 조리 조건을 설정하는 단계를 포함하는,
조리장치 제어방법.
제11항에 있어서,
상기 요리 재료 조리 시, 상기 요리 재료의 조리 상태 변화를 안내하는 단계를 더 포함하는,
조리장치 제어방법.
조리장치로서,
하나 이상의 프로세서; 및
상기 프로세서에 연결되는 메모리를 포함하고,
상기 메모리는,
상기 하나 이상의 프로세서에 의해 실행될 때, 조리장치 외관을 형성하는 본체 내에 배치되는 요리 재료 내부 온도 및 외부 온도 및 상기 요리 재료 표면의 변화를 촬영하고, 촬영된 상기 요리 재료 이미지에 조리 상태 판단 신경망을 적용하여 상기 요리 재료의 조리 상태를 판단하고, 판단된 상기 요리 재료의 조리 상태에 따라 미리 설정된 조리 조건에 대응되게 상기 요리 재료를 조리하도록 상기 요리 재료를 가열하는 정도를 제어하기 위한 명령을 저장하는,
조리장치.