KR20210085950A - 지능형 식품 냉각 장치 - Google Patents
지능형 식품 냉각 장치 Download PDFInfo
- Publication number
- KR20210085950A KR20210085950A KR1020190179554A KR20190179554A KR20210085950A KR 20210085950 A KR20210085950 A KR 20210085950A KR 1020190179554 A KR1020190179554 A KR 1020190179554A KR 20190179554 A KR20190179554 A KR 20190179554A KR 20210085950 A KR20210085950 A KR 20210085950A
- Authority
- KR
- South Korea
- Prior art keywords
- food
- temperature
- intelligent
- unit
- cooling device
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 450
- 238000001816 cooling Methods 0.000 claims abstract description 244
- 238000000034 method Methods 0.000 claims abstract description 107
- 238000004891 communication Methods 0.000 claims description 71
- 230000008859 change Effects 0.000 claims description 22
- 238000010168 coupling process Methods 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 20
- 238000005859 coupling reaction Methods 0.000 claims description 20
- 230000004308 accommodation Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 105
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 241000220225 Malus Species 0.000 description 50
- 238000007710 freezing Methods 0.000 description 44
- 230000008014 freezing Effects 0.000 description 44
- 230000005540 biological transmission Effects 0.000 description 36
- 210000004027 cell Anatomy 0.000 description 35
- 230000008569 process Effects 0.000 description 35
- 230000006870 function Effects 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 18
- 235000021016 apples Nutrition 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000003062 neural network model Methods 0.000 description 15
- 230000004044 response Effects 0.000 description 15
- 230000003993 interaction Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 235000013405 beer Nutrition 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 235000021056 liquid food Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 235000021055 solid food Nutrition 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/005—Mounting of control devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D11/00—Self-contained movable devices, e.g. domestic refrigerators
- F25D11/02—Self-contained movable devices, e.g. domestic refrigerators with cooling compartments at different temperatures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D17/00—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces
- F25D17/04—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection
- F25D17/06—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection by forced circulation
- F25D17/062—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection by forced circulation in household refrigerators
- F25D17/065—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating air, e.g. by convection by forced circulation in household refrigerators with compartments at different temperatures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2500/00—Problems to be solved
- F25D2500/04—Calculation of parameters
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2500/00—Problems to be solved
- F25D2500/06—Stock management
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2600/00—Control issues
- F25D2600/02—Timing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2600/00—Control issues
- F25D2600/06—Controlling according to a predetermined profile
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/06—Sensors detecting the presence of a product
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/12—Sensors measuring the inside temperature
- F25D2700/121—Sensors measuring the inside temperature of particular compartments
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/12—Sensors measuring the inside temperature
- F25D2700/123—Sensors measuring the inside temperature more than one sensor measuring the inside temperature in a compartment
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2700/00—Means for sensing or measuring; Sensors therefor
- F25D2700/16—Sensors measuring the temperature of products
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
지능형 식품 냉각 장치 및 이를 사용하여 식품을 냉각시키는 방법이 개시된다. 본 발명에 따른 지능형 식품 냉각 장치는 투입되는 식품의 크기, 부피, 종류 및 개수를 판단하고 판단 결과에 따라 식품의 냉각 목표 온도 및 냉각 시간을 결정한다. 본 발명에 따른 지능형 식품 냉각 장치 및 냉각 방법은 인공 지능(Artificial Intelligence) 모듈, 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 발명은 식품의 종류 별로 냉각 목표 온도를 다르게 설정하여 식품을 냉각할 수 있는 지능형 식품 냉각 장치에 관한 것이다.
일반적으로 냉장고는 식품, 음료 등과 같은 저장물을 신선하게 장기간 보관하는 용도로 사용되는 기기로서, 보관하고자 하는 저장물의 종류에 따라 냉동 또는 냉장하여 보관하였다.
냉장고는 내부에 구비된 압축기의 구동에 의해 동작한다. 냉장고의 내부에 공급되는 냉기는 냉매의 열교환 작용에 의해서 생성되며, 압축-응축-팽창-증발의 사이클(Cycle)을 반복적으로 수행하면서 지속적으로 냉장고의 내부로 공급된다. 한편, 공급된 냉기는 대류에 의해서 냉장고 내부에 고르게 전달되어 냉장고 내부의 온도가 일정한 온도를 유지하도록 한다. 음식물은 일정한 온도로 유지되는 냉장고 내부에서 부패되는 것이 지연된다. 이러한 사이클은 냉장고가 포함하는 냉동사이클 장치의 구성에 따라 달라진다.
최근, 기후 변화에 따라 여름에 매우 무더운 날이 많아지면서, 소비자들에 의해 여름철 음료 소비량이 급증하고 있다. 이 경우, 소비자들은 매장에서 저온 보관된 식품들을 구매하여, 집으로 가져가야 한다. 그러나, 이동 도중 더운 날씨에 의해 운송 중인 식품의 온도가 빠르게 상승하게 되고, 집에 도착하면 식품을 먹을 수 없게 되거나 미지근하게 되는 경우가 많았다.
이렇게 운송 도중 온도가 높아진 식품을 빠르게 냉각시키기 위해 냉동실에 식품을 넣는 경우가 많았으나, 냉동실은 식품이 냉각되었음을 알려주는 알람을 별도로 표시하지 않았고, 소비자들은 식품이 냉각 완료되었는지 모르는 상황에서 식품을 방치하는 경우가 많았다. 결국, 냉동실에 방치된 식품은 냉동되어 필요한 경우 즉각 요리해서 먹지 못하게 되는 문제가 발생하였다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
본 발명은 식품의 종류, 크기, 부피 및 개수를 직접 파악하여, 해당 식품에 대한 적절한 냉각 목표 온도를 설정하고, 냉각 목표 온도로 해당 식품을 냉각시킬 수 있는, 지능형 식품 냉각 장치를 제공하는데 그 목적이 있다.
본 발명의 일 실시예에 따른 지능형 식품 냉각 장치는 지능형 냉장고와 결합할 수 있는 본체, 상기 본체 내부에 형성되며 식품이 투입되는 수용부, 상기 수용부를 개폐하는 도어, 상기 수용부 내부 및 상기 식품을 촬영하는 촬영부, 상기 수용부 내부와 외부의 상태 정보를 측정하는 제2 센싱부, 상기 수용부 내부의 온도를 조절할 수 있는 제2 온도 조절부, 상기 지능형 냉장고 및 사용자 단말 중 적어도 하나 이상과 데이터 통신을 수행할 수 있는 제3 통신부 및 상기 제2 온도 조절부를 제어하여 상기 수용부 내부의 온도를 조절하는 제어부를 포함하며, 상기 제어부는 상기 이미지를 통해 상기 수용부에 투입되는 상기 식품의 크기, 부피 및 종류와 개수를 인식하고, 인식 결과에 따라 상기 수용부 내부의 온도를 조절한다.
상기 제어부는 상기 인식 결과에 따라, 상기 식품이 상기 수용부에 투입되기 전의 온도를 나타내는 제1 식품 온도, 상기 식품이 도달해야 하는 냉각 목표 온도인 제2 식품 온도, 상기 제2 식품 온도를 만들기 위한 상기 수용부 내부의 온도를 나타내는 제1 수용부 온도 및 상기 제2 식품 온도를 만드는데 걸리는 제1 시간을 결정할 수 있다.
상기 제어부는 상기 인식 결과를 통해 상기 식품이 액체류라고 판단한 경우, 상기 제2 식품 온도는 제1 범위 내에서 결정하고, 상기 인식 결과가 상기 식품이 고체류라고 판단한 경우, 상기 제2 식품 온도는 제2 범위 내에서 결정할 수 있다.
상기 제1 범위 및 상기 제2 범위는, 상기 인식 결과를 기계 학습하여 산출된 학습 결과를 바탕으로 결정될 수 있다.
상기 제어부는, 상기 인식 결과를 통해 상기 식품이 액체류라고 판단한 경우, 상기 제1 시간은 제3 범위 내에서 결정하고, 상기 인식 결과가 상기 식품이 고체류라고 판단한 경우, 상기 제1 시간은 제4 범위 내에서 결정할 수 있다.
상기 제3 범위 및 상기 제4 범위는, 상기 인식 결과를 기계 학습하여 산출된 학습 결과를 바탕으로 결정될 수 있다.
상기 촬영부는 FLIR 카메라를 더 포함하며, 상기 FLIR 카메라는, 상기 식품이 상기 수용부에 투입되기 전 또는 투입되는 순간에 상기 식품을 촬영하여 제1 이미지를 생성하고, 상기 제어부는, 상기 제1 이미지를 분석하여 상기 식품의 제1 온도를 결정할 수 있다.
상기 FLIR 카메라는, 상기 수용부에 보관 중인 식품을 주기적으로 촬영하여 제2 이미지를 생성하고, 상기 제어부는, 상기 제2 이미지를 분석하여 상기 수용부에 보관 중인 식품의 온도 변화를 판단할 수 있다.
상기 제1 식품 온도, 상기 제2 식품 온도 및 상기 제1 시간을 상기 지능형 냉장고 및 상기 사용자 단말 중 적어도 하나 이상을 통하여 출력할 수 있다.
상기 본체는, 적어도 어느 하나 이상의 측면에 메쉬 구조를 포함하며, 상기 메쉬 구조는 상기 지능형 냉장고의 찬 공기 토출구로부터 상기 수용부로 상기 찬 공기가 이동할 수 있도록 구성될 수 있다.
상기 본체는, 상기 찬 공기 토출구 주변에 부착될 수 있는 결합부를 포함하며, 상기 결합부에 의해 상기 메쉬 구조는 상기 찬 공기 토출구와 접촉 또는 인접하게 배치될 수 있다.
제2 온도 조절부는, 상기 수용부 내부로 공기를 유입시키는 팬(fan)을 포함하며, 상기 제어부는, 상기 인식 결과에 따라 상기 팬의 동작 모드를 제어할 수 있다.
제2 온도 조절부는, 상기 수용부의 일 측면을 개폐할 수 있는 댐퍼(Damper)를 더 포함하며, 상기 제어부는, 상기 인식 결과, 상기 수용부 내부의 온도, 상기 팬의 동작 모드 및 상기 지능형 냉장고의 냉장실 온도 중 적어도 하나 이상을 고려하여 댐퍼의 작동 상태를 제어할 수 있다.
상기 댐퍼는 복수의 블레이드들을 포함하며, 상기 복수의 블레이드들은 상기 본체의 일면에 병렬로 배치되어 일정한 각도 범위 내에서 회전할 수 있도록 구성될 수 있다.
상기 제어부는, 상기 수용부 외부의 온도를 상기 제1 식품 온도로 결정할 수 있다.
상기 제2 센싱부는, 상기 수용부 외부의 온도를 측정할 수 있는 제3 온도 센서, 상기 수용부 내부 및 상기 수용부에 위치한 식품의 온도를 측정할 수 있는 제4 온도 센서를 더 포함하며, 상기 제어부는, 상기 제4 온도 센서를 통해 상기 수용부 내부에 위치한 식품의 온도 변화를 모니터링 할 수 있다.
또한, 본 발명의 일 실시예에 따른 지능형 식품 냉각 장치를 사용하여 식품을 냉각시키는 방법에 있어서, 상기 식품이 상기 냉각 장치의 수용부에 투입되었는지 여부를 확인하는 단계, 상기 수용부에 상기 식품이 투입되었다고 판단하면, 상기 식품의 크기, 부피 및 종류와 개수를 확인하는 단계, 상기 식품이 도달해야 하는 냉각 목표 온도인 제2 식품 온도 및 상기 제2 식품 온도를 만드는데 걸리는 제1 시간을 산출하는 단계, 상기 식품을 냉각하기 위해 제어부가 제2 온도 조절부를 제어하여 상기 수용부 내부의 온도를 조절하는 단계 및 상기 제2 식품 온도 및 상기 제1 시간을 사용자에게 디스플레이 하는 단계를 포함한다.
상기 식품의 크기, 부피 및 종류와 개수를 확인하는 단계는, 상기 식품이 상기 수용부에 투입되기 전의 온도를 나타내는 제1 식품 온도를 결정하는 단계를 더 포함하며, 상기 제1 식품 온도를 결정하는 단계는, FLIR 카메라로 상기 식품이 상기 수용부에 투입되기 전에 상기 식품을 촬영한 제1 이미지를 제어부가 분석하여 상기 제1 식품 온도를 결정하거나 상기 수용부 외부의 온도를 상기 제1 식품 온도로 결정할 수 있다.
상기 수용부 내부의 온도를 조절하는 단계는, 팬의 작동 모드를 제어하는 단계 및 댐퍼의 작동 모드를 제어하는 단계를 더 포함하며, 상기 팬의 작동 모드는 상기 팬의 회전 RPM을 기반으로 분류된 적어도 하나 이상의 팬 작동 모드를 포함하며, 상기 댐퍼의 작동 모드는 상기 댐퍼가 포함하는 블레이드의 회전 각도를 기반으로 분류된 적어도 하나 이상의 댐퍼 작동 모드를 포함할 수 있다.
상기 제2 식품 온도 및 상기 제1 시간을 사용자에게 디스플레이 하는 단계는 상기 냉각 장치와 데이터 통신이 가능한 지능형 냉장고 및 사용자 단말 중 적어도 하나 이상에 상기 제2 식품 온도 및 상기 제1 시간에 대한 정보를 전송하는 단계 및 상기 지능형 냉장고 및 사용자 단말 중 적어도 하나 이상에서 상기 제2 식품 온도 및 상기 제1 시간을 출력하는 단계를 더 포함할 수 있다.
본 발명에 따른 지능형 식품 냉각 장치 및 방법은 사용자가 먹고 싶은 식품을 냉동실에 보관하여 냉각시키는 것보다 빠르게 냉각시켜줄 수 있다.
본 발명에 따른 지능형 식품 냉각 장치 및 방법은 사용자 단말을 통해 사용자가 식품의 냉각 목표 온도를 직접 설정할 수 있도록 해주며, 식품이 냉각 목표 온도에 도달하면 사용자 단말에서 알림을 제공하여, 냉각이 완료되었음을 사용자가 알 수 있게 해준다.
본 발명에 따른 지능형 식품 냉각 장치 및 방법은 사용자 단말을 통해 식품이 냉각 목표 온도에 도달하는 시간을 표시하므로, 사용자는 장치에 보관 중인 식품을 언제 먹을 수 있을지 쉽게 알 수 있다.
본 발명에 따른 지능형 식품 냉각 장치 및 방법은 보관 중인 식품이 냉각 목표 온도에 도달하면, 식품이 보관되어 있는 수용부 내부의 온도를 지능형 냉장고의 냉장실 온도와 동일한 온도로 유지되도록 조절하여, 과도한 냉각으로 보관 중인 식품이 얼어붙게 되는 것을 방지한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명에 따른 지능형 냉장고의 일 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시 예에 따른 지능형 냉장고의 구성요소를 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 학습부를 나타낸 블록도이다.
도 7은 도 7은 본 발명의 일 실시 예에 따른 AI 시스템을 나타내는 개념도이다.
도 8은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치의 구성을 나타내는 블록도이다.
도 9는 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치에 대한 사시도이다.
도 10은 본 발명의 일 실시 예에 따른 카메라가 식품을 촬영하여 생성한 제1 이미지를 나타내는 도면이다.
도 11은 본 발명의 일 실시 예에 따른 사용자 단말을 나타내는 도면이다.
도 12는 본 발명의 일 실시 예에 따른 촬영부가 수용부에 보관 중인 식품을 주기적으로 촬영한 제2 이미지를 나타내는 도면이다.
도 13은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치로 식품을 냉각하는 방법을 나타낸 순서도이다.
도 14는 본 실시 예에 따른 지능형 식품 냉각 장치가 수용부에 투입될 식품의 제1 식품 온도를 결정하는 방법을 나타내는 순서도이다.
도 15는 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치가 식품이 냉각 목표 온도에 도달하는 제1 시간을 산출하는 방법을 나타낸 순서도이다.
도 16은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치가 수용부내부의 온도를 조절하는 방법을 나타내는 순서도이다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명에 따른 지능형 냉장고의 일 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시 예에 따른 지능형 냉장고의 구성요소를 나타낸 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 학습부를 나타낸 블록도이다.
도 7은 도 7은 본 발명의 일 실시 예에 따른 AI 시스템을 나타내는 개념도이다.
도 8은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치의 구성을 나타내는 블록도이다.
도 9는 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치에 대한 사시도이다.
도 10은 본 발명의 일 실시 예에 따른 카메라가 식품을 촬영하여 생성한 제1 이미지를 나타내는 도면이다.
도 11은 본 발명의 일 실시 예에 따른 사용자 단말을 나타내는 도면이다.
도 12는 본 발명의 일 실시 예에 따른 촬영부가 수용부에 보관 중인 식품을 주기적으로 촬영한 제2 이미지를 나타내는 도면이다.
도 13은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치로 식품을 냉각하는 방법을 나타낸 순서도이다.
도 14는 본 실시 예에 따른 지능형 식품 냉각 장치가 수용부에 투입될 식품의 제1 식품 온도를 결정하는 방법을 나타내는 순서도이다.
도 15는 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치가 식품이 냉각 목표 온도에 도달하는 제1 시간을 산출하는 방법을 나타낸 순서도이다.
도 16은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치가 수용부내부의 온도를 조절하는 방법을 나타내는 순서도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 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 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치로 정의(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI(Artificial Intelligence) 장치 등일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 도 1을 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제1 통신 장치에서 제2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리 (Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고를 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제1 주파수 자원에서 제2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 AI 프로세싱을 수행한다(S2). 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
H. AI 냉장고
도 4는 본 발명에 따른 지능형 냉장고의 일 예를 나타낸 도면이다. 도 4에 도시된 본 발명의 일 실시 예에 따른 지능형 냉장고(100)는 AI 프로세서 또는 AI 모듈을 포함하도록 구성될 수 있으며 이 경우, 하나의 AI 장치로 지칭될 수도 있다.
또한, 본 발명의 일 실시 예에 따른 지능형 냉장고(100)는 AI 프로세서 또는 AI 모듈을 포함하지 않고, AI 장치와 데이터 통신하도록 구성될 수도 있다. 이 경우, 지능형 냉장고(100)는 AI 프로세서 또는 AI 모듈을 내장하고 있지는 않지만, AI 장치와 데이터 통신을 통해 인공지능 학습 능력을 가질 수 있으므로, 이러한 경우에도 지능형 냉장고(100)는 AI 장치에 포함될 수 있다. 따라서, 본 발명에 있어서, 지능형 냉장고(100)는 AI 장치로도 지칭될 수 있다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 지능형 냉장고(100)는 냉장실(11)과 냉동실(12)을 구비하는 냉장고 본체(10)와 냉장고 본체(10)의 냉장실(11)과 냉동실(12)을 개폐하는 냉장실 도어(13) 및 냉동실 도어(14)를 포함할 수 있다. 지능형 냉장고(100)는 냉장실(11) 내의 온도를 감지하는 냉장실 온도 센서(141)와, 냉동실(12) 내의 온도를 감지하는 냉동실 온도 센서(142)를 구비할 수 있다.
복수의 냉장실 온도 센서(141)들이 냉장실(11) 내에 배치될 수 있다. 각각의 냉장실 온도 센서(141)는 서로 이격되어 배치될 수 있다. 냉장실 온도 센서(141)는 제1 온도 센서(141)라 칭할 수 있다.
복수의 냉동실 온도 센서(142)들이 냉동실(12) 내에 배치될 수 있다. 각각의 냉동실 온도 센서(142)는 서로 이격되어 배치될 수 있다. 냉동실 온도 센서(142)는 제2 온도 센서(142)라 칭할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 지능형 냉장고의 구성요소를 나타낸 블록도이다. 도 5를 참조하면, 본 발명의 일 실시 예에 따른 지능형 냉장고(100)는 제1 통신부(110), 입력부(120), 학습부(130), 제1 센싱부(140), 출력부(150), 제1 온도 조절부(160), 제1 메모리(170) 및 제1 프로세서(180)를 포함할 수 있다.
우선, 상술한 냉장실 온도 센서(141) 및 냉동실 온도 센서(142)는 제1 센싱부(140)에 포함될 수 있다.
또한, 제1 프로세서(180)는 냉장실 온도 센서(141) 및 냉동실 온도 센서(142)와 전기적으로 연결되어, 냉장실(11)과 냉동실(12) 내부의 온도 변화를 인식할 수 있다. 한편, 제1 프로세서(180)가 냉장실(11)과 냉동실(12) 내부의 온도 변화를 인식하면, 제1 온도 조절부(160)에 제어 명령을 보내고, 제1 온도 조절부(160)는 사용자에 의해 설정된 온도로 냉장실(11)과 냉동실(12) 내부의 온도가 유지되도록 조절한다.
따라서, 제1 온도 조절부(160)는 냉매와 공기를 압축할 수 있는 압축 장치를 더 포함할 수 있다. 또한, 냉장실(11)과 냉동실(12) 내부에 공기 순환이 가능하도록 하기 위하여 팬(fan)을 포함할 수도 있다.
통신부(110)는 유무선 통신 기술을 이용하여 사용자 단말, 서버 및 다른 AI 장치와 같은 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
한편, 통신부(110)는 지능형 냉장고(100) 내부의 다양한 구성들인 입력부(120), 제1 온도 조절부(130), 제1 센싱부(140), 출력부(150), 제1 메모리(170) 및 제1 프로세서(180)와도 데이터 송수신을 할 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. 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 기계 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득하고 학습할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 제1 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 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, 입력부(120)는 하나 또는 복수의 카메라(121)들을 구비할 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(Display Unit, 151)에 표시되거나 제1 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 로봇(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 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 로봇(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 로봇(100)의 전/후면 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 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.
도 6을 참조하여, 본 실시 예에 따른 학습부(130)를 구체적으로 설명한다. 도 6은 본 발명의 일 실시 예에 따른 학습부를 나타낸 블록도이다. 도 6을 참조하면, 본 실시 예에 따른 학습부(130)는 AI 모듈 또는 AI 프로세서를 포함할 수 있다. 하지만 이에 한정되지 않으며, 본 실시 예에 따른 학습부(130)는 AI 모듈 또는 AI 프로세서 그 자체로 구성될 수 있다. 다만, 이하에서는 본 실시 예에 따른 학습부(130)가 AI 프로세서(131)를 포함하는 것을 예시로 하여 설명하도록 한다.
또한, 학습부(130)는 학습 데이터를 이용하여 인공 신경망을 구성할 수 있다. 이렇게 인공 신경망으로 구성된 학습 데이터는 모델이라고 부를 수 있다. 그리고, 학습부(130)는 모델을 학습할 수 있다. 학습된 모델은 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터가 입력되면, 그에 대한 결과 값을 추론해 내는데 사용되며, 추론된 값은 지능형 냉장고(100)가 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
따라서, 학습부(130)는 인공 신경망을 학습하기 위해 연산을 수행할 수 있는 AI 프로세서(131)와 학습된 모델을 저장할 수 있는 별도의 제2 메모리(135)를 포함할 수 있다. 또한, 학습부(130)는 제2 통신부(137)를 더 포함할 수 있다. AI 프로세서(131)는 제2 통신부(110)를 통해 지능형 냉장고(100)에 포함되는 다른 구성 및/또는 외부 장치와 직접 데이터 통신할 수 있고, 학습 데이터 및 학습 모델을 제2 메모리(135)에 저장할 수 있다.
한편, 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 제2 메모리(135)에 저장될 수 있다.
한편, AI 프로세서(131)는 제2 메모리(135)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(131)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터란 지능형 냉장고(100)와 관련된 데이터를 포함한다. 또한, 디바이스 관련 데이터는 지능형 냉장고(100)이외에도 지능형 냉장고(100)와 데이터 통신을 수행할 수 있는 외부 장치와 관련된 데이터도 포함한다.
디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
제2 메모리(135)는 학습부(130)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 제2 메모리(135)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 제2 메모리(135)는 AI 프로세서(131)에 의해 액세스되며, AI 프로세서(131)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 제2 메모리(135)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(136))을 저장할 수 있다.
한편, AI 프로세서(131)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(132)를 포함할 수 있다. 데이터 학습부(132)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(132)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(132)는 적어도 하나의 하드웨어 칩 형태로 제작되어 학습부 (130)에 탑재될 수 있다. 예를 들어, 데이터 학습부(132)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 학습부(130)에 탑재될 수도 있다. 또한, 데이터 학습부(132)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(132)는 학습 데이터 획득부(133) 및 모델 학습부(134)를 포함할 수 있다.
학습 데이터 획득부(133)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(133)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(134)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(134)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(134)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(134)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(134)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(134)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(134)는 학습된 신경망 모델을 학습부(130)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(132)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(134)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(133)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(134)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(132)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(132)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 다시 도 5를 참조하면, 제1 센싱부(140)는 다양한 센서들을 이용하여 지능형 냉장고(100) 내부, 주변 환경 및 사용자에 대한 정보 중 적어도 하나를 획득할 수 있다.
이때, 제1 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.
도 5를 참조하면, 출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 지능형 냉장고(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 지능형 냉장고(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, 지능형 냉장고(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 지능형 냉장고(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 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 진동이 될 수 있다.
광출력부(154)는 지능형 냉장고(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 지능형 냉장고(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.
이하에서는 도 7을 참조하여, 본 발명의 일 실시 예에 따른 지능형 냉장고(100)를 포함하는 AI 시스템을 설명한다.
도 7은 본 발명의 일 실시 예에 따른 AI 시스템을 나타내는 개념도이다.
본 발명의 일 실시 예에 따른 AI 시스템(1)은 적어도 하나 이상의 지능형 냉장고(100)를 제어하기 위해 AI 서버(200)를 사용할 수 있다. 또한, 각각의 지능형 냉장고(100)는 AI 서버(200)와 데이터 통신을 수행할 수 있다. 이들 간의 데이터 통신은 상술한 바와 같이 5G 네트워크 규격에 의해 수행될 수 있다.
또한, 도 7을 참조하여 설명되는 AI 시스템(1)은 본 발명의 수많은 실시 예 중 하나의 예시에 불과하므로, 본 설명에 의해 본 발명이 한정되는 것은 아니다.
한편, 도 7을 참조하면, 본 실시 예에 따른 AI 시스템(1)은 AI 서버(200), 적어도 하나 이상의 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 및/또는 가전(100e)을 포함한다. 본 발명의 일 실시 예에 따른 지능형 냉장고(100)는 가전(100e)에 한 종류로 포함될 수 있다.
또한, 본 실시 예에 따른 AI 시스템(1)은 클라우드 네트워크(10)를 중심으로 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 및/또는 가전(100e)과 서로 연결되며, 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.
또한, AI 서버(200)이외에도 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 및/또는 가전(100e)에 모두 AI 기술이 적용될 수 있으며, 이들을 모두 AI 장치(100a 내지 100e)라고 칭할 수도 있다. 다만, 각 장치가 가지는 기능을 직관적으로 파악할 수 있도록 하기 위해, 도 7에 도시된 바와 같이 각각의 장치들이 가진 고유의 이름으로 지칭하도록 한다.
AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결되므로, 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 각각의 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 각 AI 장치(100a 내지 100e)에 전송할 수 있다.
또한, AI 서버(200)는 각각의 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.
또한, 각 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, AI 시스템(1)의 몇 가지 예시적인 실시 예들을 설명한다.
<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 구역이나 일정 거리 이상의 구역에 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.
이하에서는, 도 8 내지 도 12를 참조하여, 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치에 대하여 구체적으로 설명한다. 한편, 상술한 설명 중 UE(User Equipment)에 대한 설명은 지능형 식품 냉각 장치를 제어하는 사용자 단말(User Equipment, UE)에 적용될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치의 구성을 나타내는 블록도이다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치는 본체(301), 촬영부(310), 수용부(320), 도어(330), 제2 센싱부(340), 제2 온도 조절부(350), 제어부(360), 제3 통신부(370) 및 결합부(380)를 포함한다.
본체(301)는 본 실시 예에 따른 지능형 식품 냉각 장치(300)의 외형을 이룬다.
수용부(320)는 본체(301) 내부에 형성되어 식품을 수용할 수 있도록 구성된다.
도어(330)는 수용부(320)를 개폐할 수 있도록 구성된다.
촬영부(310)는 수용부(320) 내부 및 외부에 있는 식품을 촬영할 수 있도록 구성된다. 또한, 촬영부(310)는 수용부(320) 내부에 배치된 식품을 지속적으로 촬영할 수 있도록 구성된다.
특히, 촬영부(310)는 수용부(320) 외부에 있는 식품을 촬영할 경우, 도어(330)를 통과하는 식품을 촬영할 수 있도록 구성된다. 이외에도, 촬영부(310)는 지능형 식품 냉각 장치(300) 외부에 배치된 식품 중, 장치(300)와 인접하게 배치된 식품을 촬영할 수 있도록 구성된다. 촬영부(310)가 수용부(320) 외부에 있는 식품 또는 도어(330)를 통과하는 식품을 촬영할 경우, 식품에 대한 제1 이미지를 생성한다.
한편, 촬영부(310)는 식품을 촬영할 수 있는 카메라(311)를 더 포함하며, 카메라(311)는 FLIR 카메라를 더 포함할 수 있다. 이하에서, 본 실시 예에 따른 촬영부(310)는 FLIR 카메라로 구성되는 것을 예시로하여 설명한다. 또한, FLIR 카메라는 카메라와 동일한 도면 참조번호를 사용하여 설명한다.
FLIR 카메라(311)는 수용부(320)에 투입되기 전 또는 투입되는 순간의 식품을 촬영하고 제1 이미지를 생성한다. 그리고 제1 이미지를 제어부(360)로 전송하여, 제어부(360)가 제1 이미지를 분석할 수 있도록 한다.
또한, FLIR 카메라(311)는 수용부(320) 내부에 배치된 식품을 지속적으로 촬영하여 제2 이미지를 생성한다. 그리고 제2 이미지를 제어부(360)로 전송하여, 제어부(360)가 제2 이미지를 분석할 수 있도록 한다.
제2 센싱부(340)는 수용부(320) 내부 및 지능형 식품 냉각 장치(300)의 외부 상태 정보를 측정할 수 있도록 구성된다. 여기서 상태 정보란, 온도, 습도와 같은 환경 정보를 포함한다.
이를 위해, 제2 센싱부(340)는 제3 온도 센서(341) 및 제4 온도 센서(342)를 더 포함할 수 있다. 이 경우, 제4 온도 센서(342)는 수용부(320) 내부의 온도 및 습도를 측정하도록 구성되고, 제3 온도 센서(341)는 지능형 식품 냉각 장치(300)의 외부 온도 및 습도를 측정하도록 구성될 수 있다.
더 나아가서 제3 온도 센서(341)는 지능형 냉장고(100)가 배치된 장소의 온도 및 습도를 측정하도록 구성될 수도 있다.
제2 온도 조절부(350)는 수용부(320) 내부의 온도 및 습도 중 적어도 하나 이상을 조절할 수 있도록 구성된다.
이를 위해, 제2 온도 조절부(350)는 팬(fan)(351) 및 댐퍼(damper)(352) 중 적어도 하나 이상을 포함할 수 있다.
제어부(360)는 도 11에 도시된 사용자 단말(200), 지능형 냉장고(100) 및 AI 기능을 가진 장치 중 적어도 어느 하나에 의해 수용부(320) 내부의 온도를 조절할 수 있도록 구성된다.
도 11은 본 발명의 일 실시 예에 따른 사용자 단말을 나타내는 도면이다.
사용자 단말(200)과 연동하기 위해, 제어부(360)는 지능형 냉장고(100)에 포함된 프로세서와는 별도의 처리장치인, 제2 프로세서(361)를 더 포함할 수 있다. 그리고, 제어부(360)는 지능형 식품 냉각 장치(300)의 각 구성 요소에 전원을 공급할 수 있는 전원부(362)를 더 포함할 수 있다.
특히, 제어부(360)는 촬영부(310) 및 제2 센싱부(340)를 통하여 수용부(320) 내부, 수용부(320) 내부에 배치된 식품 및 수용부(320)에 투입되기 전 식품의 상태 정보를 수집하고, 이를 분석한다. 따라서, 제어부(360)는 촬영부(310)에서 생성된 제1 이미지를 분석하여 수용부(320)에 투입되기 전 또는 투입되는 순간에 식품이 가지고 있는 온도를 결정할 수 있다. 또한, 제어부(360)는 촬영부(310)에서 생성된 제2 이미지를 분석하여 수용부(320)에 보관된 식품의 온도 변화를 파악할 수 있다.
또한, 제어부(360)는 촬영부(310) 및 제2 센싱부(340)를 통하여 지능형 식품 냉각 장치(300)의 외부 상태 정보를 수집하며, 이를 분석한다. 따라서, 제어부(360)는 촬영부(310) 및 제2 센싱부(340)를 통해 지능형 식품 냉각 장치(300) 주변 및 지능형 냉장고(100) 주변의 온도 및 습도를 결정할 수 있다.
이와 같이, 제어부(360)는 지능형 식품 냉각 장치(300)의 내외부에 대하여 수집된 상태 정보들을 바탕으로 제2 온도 조절부(350)를 제어하여, 수용부(320) 내부의 온도를 조절한다.
또한, 제어부(360)는 제3 통신부(370)를 통해 지능형 냉장고(100), 사용자 단말(200), AI 기능을 가지는 장치 및 다른 지능형 식품 냉각 장치와 데이터 통신을 수행할 수 있도록 구성된다.
제3 통신부(370)는 상술한 바와 같이, 지능형 식품 냉각 장치(300) 또는 제어부(360)가 지능형 냉장고(100), 사용자 단말(200), AI 기능을 가지는 장치 및 다른 지능형 식품 냉각 장치와 데이터 통신을 수행할 수 있도록 구성된다.
결합부(380)는 본체(301)를 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)에 결합시키는 역할을 수행한다.
도 9를 참조하여, 본 실시 예에 따른 지능형 식품 냉각 장치(300)의 일 예시를 구체적으로 설명한다.
도 9는 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치에 대한 사시도이다.
본체(301)는 구형 또는 육면체의 형상을 가질 수 있다. 하지만, 본 발명에 따른 본체(301)는 구형 또는 육면체의 형상에 한정되지 않고 8면체, 16면체 등과 같이 다양한 형상을 가질 수 있다. 다만, 본 실시 예에 따른 본체(301)는 육면체 형상을 가지는 것을 예시로 하여 설명한다.
또한, 본체(301)가 육면체로 형성됨에 따라, 본체(301)의 정면은 도어(330)로 형성되는 것을 예시로 하여 설명한다.
도어(330)는 도 9에 예시적으로 도시된 바와 같이, 도어(330)의 일부분이 본체(301)로부터 회전 가능하게 부착될 수 있다. 이를 위해, 도어(330)가 본체(301)에 부착되는 부분에는 경첩이 형성될 수 있다. 하지만, 도어(330)가 개폐되는 방식은 이러한 방식에 한정되는 것은 아니며, 기존에 공지된 다양한 방식들로 변경이 가능하다.
한편, 도어(330)는 수용부(302)를 개폐하는 기능 이외에도 수용부(302)를 밀폐할 수 있는 기능을 더 포함한다. 따라서, 도어(330)는 사용자가 수용부(302)에 식품(1001)을 투입하고자 하거나 수용부(302)로부터 식품(1001)을 꺼내고자 할 때, 열림과 동시에 수용부(320)의 외부로터 밀폐는 해제된다. 하지만, 식품(1001)의 냉각을 진행하는 경우에는 도어(330)는 닫혀 있으며, 이 경우, 도어(330)는 수용부(302)를 외부로부터 밀폐하여, 수용부(320) 외부로 찬 공기가 유출되지 않도록 한다.
또한, 도어(330)는 본체(301)의 일부로 구성될 수 있지만, 본체(301)와 별도로 구성될 수도 있다.
한편, 지능형 식품 냉각 장치(300)는 수용부(320)에 보관 중인 식품(1001)의 냉각을 위해, 찬 공기를 수용부(320) 내부로 유입시킬 필요가 있으므로, 찬 공기가 수용부(320) 내부로 유입될 유로는 별도로 설정되어 있다. 예를 들어, 본 실시 예에서는 도어(330)가 닫혀있더라도, 본체(301)의 좌측면(3011)에 형성된 메쉬 구조를 통해 지능형 냉장고(100)로부터 생성된 찬 공기가 수용부(302) 내부로 진입할 수 있다.
한편, 본체(301)는 결합부(380)에 의해 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12) 내부에 부착될 수 있으므로, 결합부(380)는 본체(301)와 일체로 형성될 수 있다. 하지만, 필요에 따라 결합부(380)는 본체(301)와 일체로 형성되지 않을 수도 있다.
결합부(380)는 본체(301)가 냉장실(11) 또는 냉동실(12) 내부에 형성된 찬 공기 토출구와 인접하여 배치될 수 있도록 한다. 따라서, 결합부(380)는 냉장실(11) 또는 냉동실(12) 내부에 형성된 찬 공기 토출구 자체 또는 그 주변에 결합할 수 있도록 구성될 수 있다.
또한, 결합부(380)는 본체(301)가 냉장실(11) 또는 냉동실(12)로부터 분리될 수 있도록 한다. 따라서, 사용자는 필요에 따라 본체(301)를 냉장실(11) 또는 냉동실(12)로부터 분리할 수 있고, 본체(301)를 냉장실(11)과 냉동실(12)에 번갈아 가면서 장착시킬 수 있다.
한편, 본체(301)가 냉장실(11) 또는 냉동실(12)에 탈부착하기 쉽도록 하기 위해, 결합부(380)는 본체(301)의 일 측면에 형성되는 것이 바람직하다. 그리고, 결합부(380)는 본체(301)의 외측을 향하도록 구성되는 것이 바람직하다.
한편, 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12) 내부에는 결합부(380)와 체결할 수 있는 체결부(미도시)가 형성되거나 별도로 배치될 수 있으며, 이러한 체결부는 찬 공기 토출구와 인접하게 형성될 수 있다.
이러한 결합부(380)의 구조는 이미 공지된 다양한 결합 구조 및 결합 방식을 채용할 수 있다. 예를 들어, 결합부(380)는 후크 구조를 가지도록 구성될 수 있다.
한편, 도 9에 도시된 바와 같이, 본 실시 예에 따른 본체(301)는 적어도 어느 하나 이상의 측면(3011, 3012)이 메쉬(mesh) 구조로 형성될 수 있다. 공기는 메쉬 구조를 통과하여 출입이 가능하므로, 지능형 냉장고(100)의 찬 공기 토출구로부터 배출되는 찬 공기는 본체의 일 측면(3011, 3012)에 형성된 메쉬 구조를 통과하여 수용부(302)로 유입된다. 그리고, 수용부(302)에 배치된 식품(1001)은 유입된 찬 공기에 의해 냉각된다.
즉, 본 실시 예에 따른 지능형 식품 냉각 장치(300)는 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구에서 배출된 찬 공기를 이용하여 수용부(302) 내부에 배치된 식품(1001)을 냉각시키고 저온 보관할 수 있다.
또한, 본체(301)를 구성하는 면들 중 적어도 어느 하나 이상의 면(3011, 3012)이 메쉬 구조로 형성되면 충분하다. 예를 들어, 본체(301)가 육면체 형상을 가질 경우, 본체(301)의 상면과 바닥면이 메쉬 구조로 형성될 수 있다. 또한, 상면과 바닥면 이외에 좌우 측면(3011, 3012)도 각각 메쉬 구조로 형성될 수 있다. 여기에 더하여, 전면과 후면도 모두 메쉬 구조로 형성될 수 있다.
다만, 본체(301)에서 도어(330)로 구성되는 부분은 메쉬 구조로 형성되지 않는 것이 바람직하다. 도어(330)가 열리고 닫힘에 따라 수용부(320) 내부가 개폐되어야 하므로, 도어(330)로 구성되는 부분은 메쉬 구조로 형성되지 않는 것이 바람직하다.
또한, 도어(330)가 닫힐 경우, 도어(330)에 의해 수용부(320)의 내부가 외부로부터 차폐될 필요가 있으므로, 본체(301)에서 도어(330)로 구성되는 부분은 메쉬 구조로 형성되지 않는 것이 바람직하다.
한편, 본체(301)가 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구를 마주하는 면은 메쉬 구조로 형성되어야 한다. 예를 들어, 도 9에 도시된 바와 같이, 도어(330)가 형성된 부분이 본체(301)의 정면이라고 한다면, 본체(301)의 좌측면(3011) 또는 우측면(3012)은 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구와 마주해야 하므로, 본체(301)의 좌측면(3011) 및 우측면(3012) 중 적어도 하나 이상은 메쉬 구조로 형성되어야 한다.
또한, 본체(301)가 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구를 마주하는 면에는 팬(351)이 추가적으로 배치될 수 있다. 예를 들어, 도 9에 도시된 바와 같이, 본체(301)의 좌측면(3011)이 찬 공기 토출구를 마주할 경우, 좌측면(3011)에는 팬(351)이 설치될 수 있다.
팬(351)은 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 나온 찬 공기를 수용부(320) 내부로 보내는 역할을 한다.
팬(351)은 제어부(360)에 의해 제어되며, 제어부(360)는 팬(351)의 RPM을 직접적으로 조절할 수 있다. 이러한 제어부(360)의 제어를 통해, 팬(351)이 수용부(320) 내부로 유입시키는 찬 공기의 양과 속도를 조절할 수 있다.
한편, 찬 공기의 유입량 및 유입 속도 조절은 수용부(320) 내부의 냉각 속도에 영향을 미친다.
또한, 제어부(360)는 수용부(320) 내부의 온도가 설정 온도 이하로 내려가게 되면, 팬(351)이 멈추도록 제어할 수 있다. 팬(351)이 멈춘 뒤 일정 시간이 지나고 수용부(320) 내부의 온도가 설정 온도를 초과하게 되면, 제어부(360)는 팬(351)을 다시 회전시켜, 찬 공기가 수용부(320) 내부로 유입되도록 한다. 즉, 제어부(360)는 팬(351)을 이용하여, 수용부(320) 내부를 냉각하고, 냉각 후 온도를 유지한다.
즉, 팬(351)은 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)에 배치된 찬 공기 토출구로부터 배출되는 찬 공기를 수용부(320) 내부로 좀 더 효율적으로 보낼 수 있다. 또한, 팬(351)은 수용부(320) 내부에 머무르는 공기를 순환시킬 수도 있다. 또한, 팬(351)은 수용부(320) 내부에 머무르는 공기가 일정 온도 이상 높아질 경우, 냉장실(11) 또는 냉동실(12)에 배치된 찬 공기 토출구로부터 배출되는 찬 공기를 수용부(320) 내부로 유입시켜 수용부(320) 내부의 온도를 일정하게 유지시킬 수 있다.
한편, 본체(301)가 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구를 마주하는 면과 반대되는 면에는 댐퍼(352)가 설치되는 것이 바람직하다. 예를 들어, 도 9에 도시된 바와 같이, 본체(301)의 좌측면(3011)이 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구를 마주하는 면일 경우, 우측면(3011)에는 댐퍼(352)가 설치되는 것이 바람직하다.
이 경우, 팬(351)이 설치된 본체(301)의 좌측면(3011)과 댐퍼(352)가 설치된 본체(301)의 우측면(3012)은, 수용부(320) 내부의 공기를 순환시키기 위해, 모두 메쉬 구조로 형성되는 것이 바람직하다.
그리고, 도 9에 도시된 댐퍼(352)는 본체(301)의 우측면(3012)을 개폐할 수 있도록 구성된다.
그리고, 댐퍼(352)는 본체(301)의 우측면(3012)을 개폐하기 위해, 복수의 블레이드들(3521, 3522, 3523)을 포함하도록 구성될 수 있다. 즉, 복수의 블레이드들(3521, 3522, 3523)은 본체(301)의 일면(도 9에서는 우측면, 3012)에 병렬로 배치되고, 각각의 블레이드(3521, 3522, 3523)는 일정한 각도 범위 내에서 회전할 수 있도록 구성된다.
따라서, 블레이드(3521, 3522, 3523)의 회전 각도에 따라 본체(301)의 일면이 개방되는지 여부가 결정된다. 예를 들어, 도 9에 도시된 블레이드들(3521, 3522, 3523)의 회전 각도가 모두 0도 일 경우, 본체(301)의 우측면(3012)은 폐쇄되도록 설정될 수 있다. 또한, 블레이드들(3521, 3522, 3523)의 회전 각도가 모두 90도 일 경우, 본체(301)의 우측면(3012)은 완전히 개방되도록 설정될 수 있다.
또한, 블레이드(3521, 3522, 3523)의 회전 각도에 따라 본체(301)의 일면이 개방되는 정도가 결정될 수 있다. 예를 들어, 도 9에 도시된 블레이드들(3521, 3522, 3523)의 회전 각도가 모두 10도일 경우, 제어부(360)는 본체(301)의 우측면(3012)이 10% 개방되었다고 판단할 수 있다.
다만, 이와 같이 댐퍼(352)가 복수의 블레이들(3521, 3522, 3523)을 포함하도록 구성되는 것은 예시적인 실시 예에 불과하며, 댐퍼(352)는 이와 다르게 구성될 수도 있다. 즉, 댐퍼(352)가 본체(301)의 일면을 개폐할 수 있도록 구성된다면, 반드시 복수의 블레이드들을 포함하지 않을 수도 있다.
한편, 제어부(360)는 상술한 바와 같이 댐퍼(352)의 개폐 여부 및 개폐 정도를 제어할 수 있다. 이 경우, 제어부(360)는 제3 온도 센서(341)를 통해 측정된 수용부(320) 내부의 온도를 바탕으로 댐퍼(352)의 개폐 여부 및 개폐 정도를 제어한다.
예를 들어, 제어부(360)는 제3 온도 센서(341)를 통해 수용부(320) 내부의 온도가 1도 이상 상승하였다고 판단하면, 댐퍼(352)가 열리도록 제어하고, 본체(301)의 우측면(3012)을 통해 수용부(320) 내부에 머무르던 공기를 수용부(320) 외부로 내보낼 수 있다.
이 때, 제어부(360)는 팬(351)의 RPM을 높여 수용부(320) 내부에 머무르던 공기를 좀 더 신속하게 수용부(320) 외부로 배출시킬 수도 있다.
또한, 제어부(360)는 팬(351)을 작동시켜, 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 배출되는 찬 공기를 수용부(320) 내부로 흡수한다.
한편, 도 9에 도시된 지능형 냉각 장치(300)는 제3 통신부(370)를 통해 지능형 냉장고(100)와 연동할 수 있다.
예를 들어, 제3 통신부(370)가 Wi-Fi 기능을 가지고 있다면, 지능형 냉각 장치(300)는 Wi-Fi를 통해 지능형 냉장고(100)와 데이터 통신 가능하게 연결될 수 있다.
지능형 냉각 장치(300)가 제3 통신부(370)를 통해, 지능형 냉장고(100)와 연동되는 예를 들어보면 다음과 같다.
우선, 지능형 냉각 장치(300)는 지능형 냉장고(100)의 냉장실(11) 내부에 배치되고, 온(on)되어 작동한다. 지능형 냉각 장치(300)는 제3 통신부(370)를 통해 지능형 냉장고(100)의 냉장실(11)의 온도에 대한 정보를 수신한다.
지능형 냉각 장치(300)는 냉장실(11)에 제공되는 찬 공기를 이용하여 식품을 냉각하므로, 냉장실(11)의 온도 유지에 영향을 미칠 수 있다. 따라서, 지능형 냉각 장치(300)는 냉장실(11) 온도의 허용 상승 범위를 설정하거나 냉장실(11)의 설정 온도를 변경할 수 있다.
예를 들어, 지능형 냉장고(100)의 냉장실(11) 온도가 5도 일 경우, 지능형 냉각 장치(300)는 냉장실(11) 온도의 허용 상승 범위를 +3도 범위로 설정할 수 있다. 즉, 지능형 냉각 장치(300)는 지능형 냉각 장치(300)의 동작에 따라 지능형 냉장고(100)의 냉장실(11) 온도가 5도에서 8도까지 상승하는 경우에는, 냉장실(11)의 온도 변화가 정상적인 것으로 판단하지만, 냉장실(11) 온도가 5도에서 9도까지 상승하거나 5도에서 10도까지 상승하면, 냉장실(11)의 온도를 낮추어야 한다고 판단할 수 있다.
지능형 냉각 장치(300)가 냉장실(11) 내부에서 온(on)되면 냉장실(11)에 제공되는 찬 공기는 지능형 냉각 장치(300)의 수용부(320)로 이동하고, 냉장실(11)을 냉각시킬 수 없으므로, 냉장실(11) 전체의 온도는 상승하게 된다. 이 경우, 지능형 냉장고(100)는 냉장실(11)의 온도를 낮추기 위해, 급속 냉각 모드로 변할 수 있다. 하지만, 상술한 바와 같이, 지능형 냉각 장치(300)가 지능형 냉장고(100)의 냉장실(11) 설정 온도를 일정 범위 내에서 변경하면, 지능형 냉장고(100)는 모드를 변경하지 않게 된다.
따라서, 상술한 예에서, 지능형 냉각 장치(300)가 작동과 동시에, 지능형 냉장고(100)의 냉장실(11) 온도를 5도에서 +3도 범위로 설정하면, 지능형 냉장고(100)는 냉장실 온도가 8도를 초과하지 않는 한, 냉장실(11)을 일반 모드로 운용할 수 있다.
만약 상술한 예에서, 냉장실(11)의 온도가 8도를 초과하여 9도가 되는 경우, 즉 5도에서 +4도가 된 경우, 지능형 냉각 장치(300)는 댐퍼(352)를 개방하여 수용부(320) 내부에 머무르던 공기를 냉장실(11)로 내보낸다. 이 경우, 지능형 냉각 장치(300)는 수용부(320) 내부의 온도가 제2 식품 온도를 만들기 위해 설정된 제1 수용부 온도보다 높아졌는지 여부를 판단하지 않고, 댐퍼(352)를 개방하여 냉장실(11)에 찬 공기가 유입될 수 있도록 한다. 지능형 냉각 장치(300)에 보관 중인 식품(1001)의 냉각을 진행하면서, 냉장실(11)의 온도가 너무 많이 상승하여 냉장실(11)에 보관중인 다른 식품이 부패하는 것을 방지하기 위함이다.
따라서, 지능형 냉각 장치(300)는 지능형 냉장고(100)로부터 냉장실(11)의 온도가 허용 상승 범위를 초과하여 상승한다는 정보를 수집할 수 있으며, 이렇게 수집된 정보를 바탕으로 지능형 냉장고(100)의 냉장실(11)에 배치된 식품의 부패를 방지함과 동시에 지능형 냉각 장치(300)에 보관 중인 식품(1001)의 냉각을 함께 진행할 수 있도록 지능형 냉각 장치(300)의 작동 모드를 변경할 수 있다.
특히, 지능형 냉장고(100)의 냉장실(11)에 찬 공기를 공급하면서, 지능형 냉각 장치(300)에 보관 중인 식품(1001)의 냉각을 함께 진행할 경우, 지능형 냉각 장치(300)는 다음과 같이 동작할 수 있다. 지능형 냉각 장치(300)는 댐퍼(352)를 개방하고, 팬(351)의 RPM을 높여 지능형 냉장고(100)의 냉장실(11)의 찬 공기 토출구에서 배출된 찬 공기가 수용부(320)를 거쳐서 냉장실(11)로 유입되도록 할 수 있다.
이 후, 냉장실(11)의 온도가 허용 상승 범위 내에 해당하는 온도이거나, 냉장실(11)의 온도가 5도 이하로 낮아질 경우, 지능형 냉각 장치(300)는 댐퍼(352)를 닫고 지능형 냉각 장치(300)에 보관된 식품(1001)의 냉각에 집중할 수 있다.
특히, 지능형 냉각 장치(300)는 댐퍼(352)가 복수의 블레이드들(3521, 3522, 3523)을 포함하는 경우, 지능형 냉장고(100)의 냉장실(11) 온도 변화에 따라 각 블레이드들(3521, 3522, 3523)의 회전 각도를 조절하여, 냉장실(11)로 유입되는 찬 공기의 양과 속도를 조절할 수 있다. 즉, 각 블레이드들(3521, 3522, 3523)의 회전 각도를 조절함으로서, 지능형 냉각 장치(300)는 수용부(320)에 배치된 식품의 냉각과 지능형 냉장고(100)의 냉장실(11)의 온도 유지를 동시에 진행할 수 있다. 그리고, 지능형 냉각 장치(300)는 필요에 따라 수용부(320)에 배치된 식품의 냉각에 더 많은 찬 공기가 사용되도록 하거나 냉장실(11)의 온도 유지에 찬 공기다 더 많이 사용되도록 조절할 수 있다.
한편, 지능형 냉각 장치(300)는 AI 학습을 통하여, 수용부(320)에 제공할 찬 공기의 흐름과 지능형 냉장고(100)의 냉장실(11)의 온도 유지에 제공될 찬 공기의 흐름에 대한 비율 및 해당 비율을 형성하기 위한 블레이드들(3521, 3522, 3523)의 회전 각도를 스스로 찾아낼 수 있다.
상술한 예와 같이, 지능형 냉각 장치(300)는 제3 통신부(370)를 통해, 지능형 냉장고(100)로부터 냉장실(11) 또는 냉동실(12)의 온도 및 동작 모드를 포함하는 상태 정보를 수신하여, 제2 온도 조절부(350)의 작동을 제어함으로써, 지능형 냉장고(100)와 연동할 수 있다.
또한, 지능형 냉각 장치(300)는 제3 통신부(370)를 통해 사용자 단말(200)과도 연동할 수 있다. 즉, 지능형 냉각 장치(300)는 보관하고 있는 식품(1001)의 냉각 완료에 걸리는 시간 즉, 제1 식품 온도에서 제2 식품 온도로 만드는데 걸리는 시간인 제1 시간을 산출하여 사용자 단말(200)로 전송하고, 사용자 단말(200)은 이러한 제1 시간을 도 11에 도시된 바와 같이, 타이머(timer) 형태로 표시할 수 있다.
또한, 사용자 단말(200)을 통해 지능형 냉각 장치(300)의 작동 모드를 변경함으로써, 사용자 단말(200)과 지능형 냉각 장치(300)는 서로 연동할 수 있다.
한편, 제어부(360)와 촬영부(310)는 본체(301)의 일 부분에 장착될 수 있다. 예를 들어 도 9를 참조하면, 제어부(360)가 구현된 PCB와 촬영부(310)의 일 예인 FLIR 카메라(311)는 본체(301)의 우측면(3012) 상단에 장착될 수 있다.
특히, FLIR 카메라(311)는 수용부(320)에 투입되기 전 또는 수용부(320)에 투입되는 순간의 식품(1001)을 촬영하여 제1 이미지를 생성한다. FLIR 카메라(311)는 제1 이미지를 제어부(360)로 전송하고, 제어부(360)는 제1 이미지를 분석하여, 수용부(320)에 투입될 식품의 종류, 크기, 부피 및 개수를 파악할 수 있다.
도 10을 참조하여 카메라(311)가 식품을 촬영하고 제1 이미지를 생성하며, 제어부(360)가 제1 이미지를 분석하는 과정에 대하여 구체적으로 설명한다.
도 10은 본 발명의 일 실시 예에 따른 카메라가 식품을 촬영하여 생성한 제1 이미지를 나타내는 도면이다.
본 발명의 일 실시 예에 따른 FLIR 카메라(311)는 수용부(320)에 투입될 식품을 촬영하여 제1 이미지(i1)를 생성한다. 이 때, 제1 이미지(i1)는 식품을 적외선 촬영하여 얻은 적외선 이미지이다. FLIR 카메라(311)가 생성한 식품의 적외선 이미지는 제어부(360)로 전송되고, 제어부(360)는 적외선 이미지에 표현된 피사체의 형태, 모양 및 색깔 등을 분석하여, 식품의 종류, 크기, 부피 및 온도를 판단한다.
예를 들어, 도 10에 도시된 바와 같이, FLIR 카메라(311)가 수용부(320)에 투입되기 전 식품(1001)을 촬영하여 제1 이미지(i1)를 생성하면, 제어부(360)는 생성된 제1 이미지(i1)를 분석한다.
이 때, 제어부(360)는 영상 인식 모델을 통해 제1 이미지(i1)에 포함된 피사체가 무엇인지 판단할 수 있다. 영상 인식 모델은 피사체에 특징점들을 설정하고 특징점들 간의 관계를 분석하여, 피사체가 식품에 해당하는지 여부를 판단할 수 있다. 그리고, 제어부(360)는 피사체가 식품에 해당한다고 판단하면, 다시 영상 인식 모델을 이용하여 식품의 종류, 크기, 부피 및 온도를 결정할 수 있다.
도 10을 참조하면, 제어부(360)는 영상 인식 모델을 사용하여 제1 이미지(i1)를 분석한 결과로, 수용부(320)에 투입될 식품의 종류가 과일이며, 과일 중에서 사과에 해당한다는 결과를 도출할 수 있다. 또한, 제어부(360)는 제1 이미지 분석 결과에 따라, 제1 이미지(i1)에 사과 5개가 표현되어 있다는 결론을 도출할 수 있다. 따라서, 제어부(360)는 수용부(320)에 투입될 식품이 사과 5개임을 인식할 수 있다. 제어부(360)는 사과들을 각각 제1 내지 제5 사과(1001a, 1001b, 1001c, 1001d, 1001e)라고 인식할 수 있다.
한편, 제어부(360)는 제1 이미지(i1)에서 제1 내지 제5 사과(1001a, 1001b, 1001c, 1001d, 1001e)가 각각 가지고 있는 색깔들을 분석하여, 제1 내지 제5 사과(1001a, 1001b, 1001c, 1001d, 1001e)들이 수용부(320)에 투입되기 전의 온도를 파악할 수 있다.
도 10을 참조하면, 제1 사과(1001a)는 제2 내지 제5 사과(1001b, 1001c, 1001d, 1001e)에 비하여 청색 계열에 가까운 색상을 가지고 있다. 제어부(360)는 제1 사과(1001a)가 나타내는 색상을 스펙트럼 분석하여 제1 사과(1001a)의 온도를 결정할 수 있다.
그리고, 제어부(360)는 제1 사과(1001a)가 제2 내지 제5 사과(1001b, 1001c, 1001d, 1001e)에 비하여 낮은 온도를 가지고 있다고 판단할 수 있다.
한편, 도 10을 참조하면, 제4 내지 제5 사과(1001d, 1001e)는 제2 내지 제3 사과(1001b, 1001c)보다 좀 더 적색 계열에 가까운 노란 색상을 가지고 있다.
제어부(360)는 제4 내지 제5 사과(1001d, 1001e)가 나타내는 색상을 스펙트럼 분석하여 제4 내지 제5 사과(1001d, 1001e)의 온도를 결정할 수 있으며, 제4 내지 제5 사과(1001d, 1001e)가 제2 내지 제5 사과(1001b, 1001c, 1001d, 1001e)에 비하여 높은 온도를 가지고 있다고 판단할 수 있다.
또한, 제어부(360)는 제1 내지 제5 사과(1001a, 1001b, 1001c, 1001d, 1001e)별로 온도를 분석한 결과 데이터를 AI 학습할 수 있으며, 자체적으로 사과의 최적 보관 온도를 결정할 수 있다.
그리고, 제어부(360)는 AI 학습을 통해, 사과의 냉각 목표 온도를 결정할 수 있다. 여기서 사과의 냉각 목표 온도란 사람이 사과를 섭취할 때, 가장 맛있는 사과라고 느끼게끔 하는 사과의 온도를 의미한다.
본 실시 예에서는, 식품(1001)이 수용부(320)에 투입되기 전에 식품이 가지고 있는 온도를 제1 식품 온도라고 지칭할 수 있고, 상술한 냉각 목표 온도를 제2 식품 온도라고 지칭할 수 있다. 또한, 상술한 최적 보관 온도를 제1 수용부 온도라고 지칭할 수 있다.
또한, 제어부(360)는 영상 인식 모델을 사용하여 제1 이미지(i1)를 분석한 결과, 수용부(320)에 투입될 식품의 종류가 액체류에 해당한다고 판단할 수 있다. 이 경우, 수용부(320)에 투입될 식품의 냉각 목표 온도 즉, 제2 식품 온도는 제1 범위 내에서 결정할 수 있다.
여기서 제1 범위는 사용자 또는 관리자에 의해 설정되거나, 제어부(360)가 AI 학습을 통하여, 해당 액체류 식품에 적합한 제2 식품 온도를 결정할 수 있다. 예를 들어, 제어부(360)는 수용부(320)에 투입될 식품이 맥주라고 판단한 경우, 제2 식품 온도를 영상 2도에서 영상 5도 범위로 설정할 수 있다. 이 때, 제1 범위는 영상 2도에서 영상 5도가 된다.
또한, 제어부(360)는 영상 인식 모델을 사용하여 제1 이미지(i1)를 분석한 결과, 수용부(320)에 투입될 식품의 종류가 고체류에 해당한다고 판단할 수 있다. 이 경우, 수용부(320)에 투입될 식품의 냉각 목표 온도 즉, 제2 식품 온도는 제2 범위 내에서 결정할 수 있다.
여기서 제2 범위는 사용자 또는 관리자에 의해 설정되거나, 제어부(360)가 AI 학습을 통하여, 해당 고체류 식품에 적합한 제2 식품 온도를 결정할 수 있다.
예를 들어, 제어부(360)는 수용부(320)에 투입될 식품이 수박이라고 판단한 경우, 제2 식품 온도를 영상 1도에서 영상 5도 범위로 설정할 수 있다. 이 때, 제2 범위는 영상 1도에서 영상 5도가 된다.
한편, 제어부(360)는 사용자 단말(200) 및 다른 AI 장치와 제1 내지 제5 사과(1001a, 1001b, 1001c, 1001d, 1001e)에 대한 제1 식품 온도, 제2 식품 온도, 제1 수용부 온도 및 이를 AI 학습한 결과를 공유할 수 있다. 또한, 제어부(360)는 사용자 단말(200) 및 다른 AI 장치로부터 제2 식품 온도, 제1 수용부 온도에 대한 정보를 획득할 수 있다.
이와 같이, 본 실시 예에 따른 지능형 식품 냉각 장치(300)의 제어부(360)는 식품(1001)이 수용부(320)에 투입되기 전에 촬영된 모습을 나타내는 제1 이미지(i1)를 분석하여, 식품(1001)이 수용부(320)에 투입되기 전에 식품의 온도인 제1 식품 온도를 결정하고, 식품(1001)이 보관될 최적 보관 온도로 제1 수용부 온도를 결정할 수 있다. 또한, 본 실시 예에 따른 제어부(360)는 수용부(320)에 보관되는 식품(1001)이 가장 맛있는 맛을 내기 위해 도달해야 하는 목표 온도인 제2 식품 온도를 결정할 수 있다.
그리고, 제어부(360)는 수용부(320) 내부의 온도가 제1 수용부 온도에 도달하도록 제2 온도 조절부(350)를 제어한다.
한편, 제어부(360)는 수용부(320) 내부의 온도가 제1 수용부 온도에 도달하는 데 걸리는 시간 및 제1 식품 온도에서 제2 식품 온도에 도달하는데 걸리는 시간을 산출할 수 있다. 특히, 식품이 수용부(320)에 보관되기 전 온도인 제1 식품 온도부터 식품의 냉각 목표 온도인 제2 식품 온도에 도달하는데 걸리는 시간을 제1 시간으로 지칭할 수 있다.
제어부(360)는 식품의 종류, 크기, 부피 및 제1 수용부 온도를 고려하여 제1 시간을 산출하고, 산출된 제1 시간을 사용자 단말(200)로 전송한다.
사용자 단말(200)은 산출된 제1 시간을 타이머의 형태로 디스플레이 할 수 있다. 도 11을 참조하면, 제어부(360)가 산출한 제1 시간을 타이머 형태로 표시하고 있는 사용자 단말(200)의 일 실시 예를 볼 수 있다.
도 11은 본 발명의 일 실시 예에 따라 지능형 냉각 장치와 연동되는 사용자 단말을 나타내는 도면이다.
도 11을 참조하면, 사용자 단말(200)은 디스플레이부를 통해 제1 디스플레이 영역(210) 및 제2 디스플레이 영역(220)을 구분하여 나타낼 수 있다.
도 11에 도시된 바와 같이, 제1 디스플레이 영역(210)에는 제어부(360)가 산출한 제1 시간을 타이머 형태(m1)로 표시할 수 있다. 또한, 제1 디스플레이 영역(210)에 식품(1001)의 종류, 크기 및 부피와 지능형 냉각 장치(300)의 작동 모드를 결정할 수 있는 복수의 아이콘들(o1, o2)을 함께 표시할 수 있다.
사용자는 아이콘 o1을 터치함으로서, 지능형 냉각 장치(300)의 온/오프를 제어할 수 있으며, 아이콘 o2를 터치하여 지능형 냉각 장치(300)가 식품(1001)의 투입을 자동으로 인식하고 식품 냉각을 자동으로 수행하도록 선택할 수 있다.
한편, 본 실시 예에 따른 지능형 냉각 장치(300)는 카메라(311)를 이용하여 수용부(320)에 보관 중인 식품(1001)을 주기적으로 촬영하고, 제2 이미지(i2)를 생성할 수 있다.
만약, 본 실시 예에 따른 카메라(311)가 FLIR 카메라(311)로 구성될 경우, FLIR 카메라(311)가 수용부(320)에 보관 중인 식품(1001)을 촬영하여 생성되는 제2 이미지(i2)는 식품(1001)에 대한 적외선 이미지이다.
도 12를 참조하면, FLIR 카메라(311)가 수용부(320)에 보관 중인 식품(1001)을 주기적으로 촬영하여 생성한 적외선 이미지의 일 예시를 확인할 수 있다.
도 12는 본 발명의 일 실시 예에 따른 촬영부가 수용부에 보관 중인 식품을 주기적으로 촬영한 제2 이미지를 나타내는 도면이다.
식품(1001)이 수용부(320)에 투입된 시각(t)을 제1 시점(tp1)이라고 하면, 도 12의 (a)는 FLIR 카메라(311)가 제1 시점(tp1)에 식품(1001)을 촬영하여 생성한 제2 이미지(i2-tp1)를 나타낸다. 그리고, 제1 시점(tp1)으로부터 일정 시간이 지난 뒤의 시각을 제2 시점(tp2) 이라고 하면, 도 12의 (b)는 FLIR 카메라(311)가 제2 시점(tp2)에 식품(1001)을 촬영하여 생성한 제2 이미지(i2- tp2)를 나타낸다. 여기서 일정 시간은 사용자나 관리자의 설정에 의해 변경될 수 있다. 다만, 이하에서는 설명의 편의를 위해 제1 시점(tp1)과 제2 시점(tp2) 사이의 시간 간격, 즉 일정 시간은 1분인 것을 예시로 하여 설명한다.
그리고, 제어부(360)는 제1 시점(tp1)에 대한 제2 이미지(i2-tp1)와 제2 시점(tp2)에 대한 제2 이미지(i2-tp2)를 비교 분석하여 수용부(320)에 보관 중인 식품의 온도 변화를 판단한다.
즉, 도 12의 (a)에 도시된 바와 같이, 제어부(360)는 제1 시점(tp1)에 대한 제2 이미지(i2-tp1)에 표시된 제1 사과(1001a)의 색상을 분석하여, 제1 시점(tp1)에서 제1 사과(1001a)의 온도를 판단한다.
그리고, 도 12의 (b)에 도시된 바와 같이, 제어부(360)는 제1 시점(tp1)으로부터 1분이 경과한 제2 시점(tp2)에 제1 사과(1001a)를 촬영한 제2 이미지(i2-tp2)를 분석한다. 이 때, 제어부(360)는 제2 시점(t1)에 대한 제2 이미지(i2-tp2)에 표시된 제1 사과(1001a)의 색상을 분석하여, 제2 시점(tp2)에서 제1 사과(1001a)의 온도를 판단한다.
그리고, 제어부(360)는 제1 시점(tp1)에서 제1 사과(1001a)의 온도(t0)와 제2 시점(tp2)에서 제1 사과(1001a)의 온도(t1)를 비교하여, 1분 사이에 제1 사과(1001a)의 온도 변화량을 산출한다.
또한, 제어부(360)는 아래의 수식 1을 통해, 제1 사과(1001a)가 냉각 목표 온도인 제2 식품 온도에 도달할 때까지 걸리는 제1 시간을 산출한다.
여기서, T는 온도, dT는 온도의 변화량, t는 시간, dt는 시간의 변화량을 나타낸다. 또한, k는 비례 상수이며, Tr은 수용부(320) 내부의 온도를 나타낸다. 여기서, Tr은 제1 수용부 온도이다.
즉, 식품(1001)이 수용부(320)에 투입되기 전에 가지고 있는 제1 식품 온도를 제2 식품 온도를 만들기 위해, 수용부(320) 내부에 형성되어야 하는 온도를 나타내는 것이 Tr이다.
상술한 수식 1에서 상수 k는 수용부(320) 내부에 배치된 식품(1001)이 1분 동안 냉각되는 속도에 따라 결정된다. 따라서, FLIR 카메라(311)를 통해 획득한 제1 시점(tp1)에서의 제2 이미지(i2-tp1)를 통해 제1 사과(1001a)의 온도(t0)를 산출하고, 제1 시점(tp1)으로부터 1분 경과된 뒤인 제2 시점(tp2)에서의 제2 이미지(i2-tp2)를 통해 제1 사과(1001a)의 온도(t1)를 산출하여, 상수 k를 결정한다.
상수 k가 결정되면, 제어부(360)는 냉각 목표 온도인 제2 식품 온도에 이르는 시간 t를 산출할 수 있다. 여기서 시간 t는 상술한 제1 시간을 나타낸다.
제어부(360)가 제1 시점(tp1)에서 산출한 식품의 온도(t0)와 제2 시점(tp2)에서 산출한 식품의 온도(t1)를 수식 1에 대입하여 제1 시간을 산출하는 구체적인 예를 들어 보면 다음과 같다.
예를 들어, 식품(1001)이 맥주라고 가정하면, 본 실시 예에 따른 제어부(360)는 AI 학습을 통해 맥주에 대한 냉각 목표 온도인 제2 식품 온도를 41F(화씨)라고 산출할 수 있다. 또한, 제어부(360)는 AI 학습을 통해 맥주가 제2 식품 온도를 갖도록 하기 위해서는 수용부(320) 내부의 온도 즉, 제1 수용부 온도가 5F(화씨)로 설정되어야 한다고 산출할 수 있다.
또한, 제어부(360)는 맥주가 수용부(320)에 투입된 제1 시점(tp1)에 FLIR 카메라(311)에 의해 생성된 제2 이미지(i2-tp1)를 분석하여, 제1 시점(tp1)에 맥주의 온도(t0)를 68F(화씨)로 산출할 수 있다.
그리고, 제어부(360)는 제1 시점(tp1)으로부터 1분이 지난 뒤인 제2 시점(tp2)에 FLIR 카메라(311)에 의해 생성된 맥주에 대한 제2 이미지(i2- tp2)를 분석하여, 제2 시점(tp2)에 맥주의 온도(t1)를 64.4F(화씨)로 산출할 수 있다.
이 경우, 제어부(360)는 상술한 수식 1을 통해 다음과 같이 제1 시간(t)을 산출할 수 있다.
t0 = 68F, t1 = 64.4F, Tr = 5F, 제2 식품 온도 = 41F
상술한 정리에 의해, 68F(화씨) 온도를 가지고 있는 맥주를 41F(화씨) 온도로 만들기 위해서는, 9.5분이 걸리는 것을 알 수 있다.
상술된 제1 시간을 산출하는 과정은 어디까지나 예시이며, 본 발명에 따른 지능형 냉각 장치(300)는 이와 다른 방법으로도 제1 시간을 산출할 수 있다.
예를 들어, 제어부(360)는 수용부(320)에 투입될 식품의 종류에 따라 제1 시간을 다르게 적용할 수도 있다. 즉, 제어부(360)는 수용부(320)에 투입될 식품이 액체류라고 판단한 경우, 제1 시간은 10분에서 15분 범위로 설정할 수 있다. 이 때, 10분에서 15분 범위는 제3 범위라고 지칭할 수 있다.
또한, 제어부(360)는 수용부(320)에 투입될 식품이 고체류라고 판단한 경우, 제1 시간은 5분에서 10분 범위로 설정할 수 있다. 이 경우, 5분에서 10분 범위는 제4 범위라고 지칭할 수 있다.
제어부(360)는 액체류 냉각에 걸리는 시간인 제3 범위와 고체류 냉각에 걸리는 시간인 제4 범위을 설정함에 있어, 이전에 식품을 냉각한 이력을 참조할 수 있다. 즉, 지능형 냉각 장치(300)가 이전에 물을 냉각한 이력이 있다면, 물을 제2 식품 온도로 냉각하는데 걸린 제1 시간에 대한 기록을 바탕으로 제3 범위를 설정할 수 있다. 또한, 지능형 냉각 장치(300)가 이전에 사과를 냉각한 이력이 있다면, 사과를 제2 식품 온도로 냉각하는데 걸린 제1 시간에 대한 기록을 바탕으로 제4 범위를 설정할 수 있다.
이러한 이력이 없는 경우, 제어부(360)는 AI 학습 결과를 바탕으로 제3 범위 및 제4 범위를 설정할 수도 있다.
한편, 본 발명에 따른 지능형 냉각 장치(300)의 제2 센싱부(340)는 제3 온도 센서(341) 및 제4 온도 센서(342)를 포함하므로, 지능형 냉각 장치(300)는 제3 온도 센서(341)를 통해 수용부(320) 외부의 온도 및 지능형 냉장고(100) 주변의 온도를 측정할 수 있다.
그리고, 지능형 냉각 장치(300)는 제4 온도 센서(342)를 이용하여, 수용부(320) 내부 및 수용부(320)에 위치한 식품의 온도를 측정한다.
예를 들어, 제4 온도 센서(342)는 지능형 냉각 장치(300)의 바닥면에 장착될 수 있으며, 수용부(320)에 배치되는 식품(1001)과 직접 접촉하여, 식품(1001)의 온도를 측정하도록 구성될 수 있다.
그리고, 제어부(360)는 제4 온도 센서(342)를 통해 수용부(320)에 배치된 식품(1001)의 온도 변화를 피드백(Feedback) 받고, 제2 온도 조절부(350)의 작동 모드를 자동으로 변경할 수 있도록 구성된다.
제2 온도 조절부(350)의 작동 모드는 예를 들어, 급속 냉각 모드 및 온도 유지 모드를 포함할 수 있다.
또한, 본 실시 예에 따른 제어부(360)는 카메라(311)를 이용하여 식품이 수용부(320) 내부에 투입되기 전에 식품을 촬영하지 못할 수도 있다. 이 경우, 제어부(360)는 제1 식품 온도를 결정하기 위해, 제3 온도 센서(341)를 통해 측정한 수용부(320) 외부의 온도 또는 지능형 냉장고(100) 주변 온도를 제1 식품 온도로 결정할 수 있다.
이와 같이, 본 발명에 따른 지능형 냉각 장치(300)는 수용부(320) 내부에 투입되는 식품(1001)의 종류, 크기, 부피 및 개수를 파악하여 식품 별로 냉각 목표 온도를 다르게 설정할 수 있다. 또한, 지능형 냉각 장치(300)는 지능형 냉장고(100)의 냉각 능력을 이용해 지능형 냉각 장치(300) 내부에 보관 중인 식품을 냉각시킴과 동시에 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12) 온도 유지를 수행할 수 있다.
그리고, 본 발명에 따른 지능형 냉각 장치(300)는 지능형 냉장고(100)와 연동하여, 지능형 냉각 장치(300) 내부에 보관 중인 식품의 냉각 효율 및 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12) 온도 유지 효율을 동시에 조절할 수 있다.
더욱이, 본 발명에 따른 지능형 냉각 장치(300)는 내부에 보관 중인 식품이 냉각 목표 온도에 도달하는 시간을 산출하고 이를 사용자 단말을 통해 디스플레이 하여, 사용자가 섭취하려고 하는 식품을 편리하게 냉각시킬 수 있도록 한다.
이하에서는, 도 13 내지 도 15를 참조하여, 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치로 식품을 냉각하는 방법에 대하여 구체적으로 설명한다. 지능형 식품 냉각 장치로 식품을 냉각하는 방법을 설명함에 있어, 상술한 지능형 식품 냉각 장치에 대한 설명과 동일한 부분은 구체적인 설명을 생략할 수 있다. 또한, 동일한 구성에 대하여는 동일한 도면 참조번호를 사용하여 설명할 수 있다.
도 13은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치로 식품을 냉각하는 방법을 나타낸 순서도이다.
도 13을 참조하면, 우선 사용자는 지능형 식품 냉각 장치(300)의 전원을 조작하여 지능형 식품 냉각 장치(300)를 온(on) 한다(S101). 지능형 식품 냉각 장치(300)가 사용자 단말(200)과 연동된 경우에, 사용자는 지능형 식품 냉각 장치(300)의 전원을 직접 조작하지 않고도 사용자 단말(200)에서 지능형 식품 냉각 장치(300)의 전원을 온(on)하도록 하는 명령을 입력함으로써, 지능형 식품 냉각 장치(300)를 온(on) 할 수 있다(S101).
또한, 지능형 식품 냉각 장치(300)는 사용자가 도어(330)를 열면, 스스로 전원을 온(on)할 수도 있다(S101).
이후, 지능형 식품 냉각 장치(300)는 사용자가 식품(1001)을 수용부(320)에 투입하는지 여부를 판단한다(S110). 지능형 식품 냉각 장치(300)는 촬영부(310)를 사용하여 도어(330)를 통과하는 식품을 촬영하고 이를 제어부(360)로 전송하여 식품이 투입되는지 여부를 판단하도록 할 수 있다(S110).
또한, 지능형 식품 냉각 장치(300)는 제2 센싱부(340)가 포함하는 다양한 센서들을 통해 도어(330)를 통과하는 식품을 인식할 수도 있다. 예를 들어, 제2 센싱부(340)가 적외선 센서나 레이저 센서를 포함할 경우, 지능형 식품 냉각 장치(300)는 도어(330)를 통과하는 식품을 제2 센싱부(340)를 통해 감지할 수 있다.
지능형 식품 냉각 장치(300)는 식품이 도어(330)를 통과하여 수용부(320)에 배치되는지 여부를 판단할 수 있고(S110), 만약 식품이 수용부에 투입되지 않는 경우, 대기 모드로 돌입할 수 있다.
대기 모드는 지능형 식품 냉각 장치(300)가 저전력으로 대기할 수 있는 상태를 의미하며, 지능형 식품 냉각 장치(300)는 대기 모드에서도 여전히 식품이 도어(330)를 통과하여 수용부(320)에 배치되는지 여부를 감지하고 판단할 수 있다.
한편, 지능형 식품 냉각 장치(300)가 식품이 도어(330)를 통과하여 수용부(320)에 배치되었다고 판단하면, 촬영부(310)를 통해 수용부(320)에 투입된 식품의 종류, 크기, 부피 및 개수를 확인한다(S120).
특히, S120 단계에서, 지능형 식품 냉각 장치(300)는 촬영부(310)에 포함된 FLIR 카메라(311)를 이용해 수용부(320)에 식품이 투입되기 직전, 해당 식품의 모습을 촬영하여 식품이 수용부(320)에 투입되기 전의 온도를 판단할 수 있다. 지능형 식품 냉각 장치(300)는 식품이 수용부(320)에 투입되기 전의 온도를 분석하고 분석한 결과를 제1 식품 온도로 분류할 수 있다.
도 14를 참조하여, 지능형 식품 냉각 장치(300)가 수용부(320)에 투입될 식품의 제1 식품 온도를 결정하는 방법을 구체적으로 설명한다.
도 14는 본 실시 예에 따른 지능형 식품 냉각 장치(300)가 수용부(320)에 투입될 식품의 제1 식품 온도를 결정하는 방법을 나타내는 순서도이다.
도 14를 참조하면, S120 단계에서 지능형 식품 냉각 장치(300)는 수용부(320)에 투입될 식품을 FLIR 카메라(311)로 촬영하고(S1210), 수용부(320)에 투입되기 전 식품의 적외선 이미지를 생성한다(S1220). 식품이 수용부(320)에 투입되기 전 식품의 적외선 이미지는 제1 이미지라고 지칭할 수 있다.
이렇게 제1 이미지가 생성되면(S1220), 지능형 식품 냉각 장치(300)는 제1 이미지를 분석한다(S1230). S1230 단계에서, 지능형 식품 냉각 장치(300)는 생성된 제1 이미지에 표현된 식품의 색상을 가지고 식품이 수용부(320)에 투입되기 전의 온도를 분석한다.
S1230 단계에서 도출된 분석 결과로 지능형 식품 냉각 장치(300)는 식품이 수용부(320)에 투입되기 전의 온도인 제1 식품 온도를 결정한다(S1240). 그리고, 지능형 식품 냉각 장치(300)는 식품의 종류, 크기, 부피 및 개수에 따라 식품의 냉각 목표 온도인 제2 식품 온도를 결정한다(S1260). 즉, 지능형 식품 냉각 장치(300)는 투입된 식품의 종류, 크기, 부피 및 개수를 고려하여 해당 식품이 가져야 할 냉각 목표 온도 즉, 제2 식품 온도를 결정할 수 있다. 여기서 해당 식품이 가져야 할 냉각 목표 온도란, 사람이 해당 식품을 섭취할 때 가장 맛있다고 느낄 수 있는 온도를 의미한다.
한편, 지능형 식품 냉각 장치(300)는 제1 이미지를 분석한 결과, 제1 및 제2 식품 온도를 머신 러닝하여, 추후에 동종의 식품이 지능형 식품 냉각 장치(300)에 투입되어 보관될 경우에 머신 러닝한 결과를 활용할 수 있다.
이후, 지능형 식품 냉각 장치(300)는 수용부(320)에 투입된 식품이 제1 식품 온도에서 제2 식품 온도에 도달하기 위해 걸리는 제1 시간을 산출한다(S130).
특히, S130 단계에서 지능형 식품 냉각 장치(300)는 수용부(320)에 투입된 식품을 일정 시간 간격을 두고 지속적으로 촬영하고, 시간 별로 촬영된 이미지들을 분석하여, 수용부(320)에 투입된 식품이 제1 식품 온도에서 제2 식품 온도에 도달하는 데 걸리는 시간인 제1 시간을 산출한다(S130).
도 15를 참조하여, 지능형 식품 냉각 장치(300)가 식품이 냉각 목표 온도에 도달하는 제1 시간을 산출하는 방법을 구체적으로 설명한다.
도 15는 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치(300)가 식품이 냉각 목표 온도에 도달하는 제1 시간을 산출하는 방법을 나타낸 순서도이다.
도 15를 참조하면, 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치(300)는 제1 시점에 식품을 촬영한 제2 이미지를 분석한다(S1310). 여기서, 제1 시점(tp1)은 도 12 (a)에 도시된 바와 같이, 식품(1001)이 수용부(320)에 투입된 시각을 의미하며, 제2 이미지는 FLIR 카메라(311)가 제1 시점(tp1)에 식품(1001)을 촬영하여 생성한 적외선 이미지(i2-tp1)를 의미한다.
이후, 지능형 식품 냉각 장치(300)는 제1 시점(tp1)에 생성된 제2 이미지를 분석한 결과를 이용하여, 제1 시점에서 촬영된 식품의 온도를 결정한다(S1320).
그리고, 다시 지능형 식품 냉각 장치(300)는 제2 시점에 식품을 촬영한 제2 이미지를 분석한다(S1330). 여기서, 제2 시점(tp2)은 도 12 (b)에 도시된 바와 같이, 제1 시점(tp1)으로부터 일정 시간이 지난 뒤의 시각을 의미하며, 제2 이미지는 FLIR 카메라(311)가 제2 시점(tp2)에 식품(1001)을 촬영하여 생성한 적외선 이미지(i2-tp2)를 나타낸다.
그리고, 지능형 식품 냉각 장치(300)는 제2 시점(tp2)에 생성된 제2 이미지를 분석한 결과를 이용하여, 제2 시점(tp2)에서 촬영된 식품의 온도를 결정한다(S1340).
제1 시점(tp1) 및 제2 시점(tp2) 사이의 시간 간격은 사용자나 관리자의 설정에 의해 변경될 수 있다.
그리고, 지능형 식품 냉각 장치(300)는 제1 시점(tp1)에 대한 제2 이미지(i2-tp1)와 제2 시점(tp2)에 대한 제2 이미지(i2-tp2)를 비교 분석하여 수용부(320)에 보관 중인 식품의 온도 변화량을 산출한다(S1350).
즉, 도 12의 (a)에 도시된 바와 같이, 제어부(360)는 제1 시점(tp1)에 대한 제2 이미지(i2-tp1)에 표시된 제1 사과(1001a)의 색상을 분석하여, 제1 시점(tp1)에서 제1 사과(1001a)의 온도를 판단한다.
여기서, 제1 시점(tp1)과 제2 시점(tp2) 사이의 시간 간격을 1분이라고 하면, 도 12의 (b)에 도시된 바와 같이, 제어부(360)는 제1 시점(tp1)으로부터 1분이 경과한 제2 시점(tp2)에 제1 사과(1001a)를 촬영한 제2 이미지(i2-tp2)를 분석한다. 이 때, 제어부(360)는 제2 시점(t1)에 대한 제2 이미지(i2-tp2)에 표시된 제1 사과(1001a)의 색상을 분석하여, 제2 시점(tp2)에서 제1 사과(1001a)의 온도를 판단한다.
그리고, 지능형 식품 냉각 장치(300)의 제어부(360)는 제1 시점(tp1)에서 제1 사과(1001a)의 온도(t0)와 제2 시점(tp2)에서 제1 사과(1001a)의 온도(t1)를 비교하여, 1분 사이에 제1 사과(1001a)의 온도 변화량을 산출한다.
또한, 제어부(360)는 아래의 수식 1을 통해, 제1 사과(1001a)가 냉각 목표 온도인 제2 식품 온도에 도달할 때까지 걸리는 제1 시간을 산출한다.
여기서, T는 온도, dT는 온도의 변화량, t는 시간, dt는 시간의 변화량을 나타낸다. 또한, k는 비례 상수이며, Tr은 수용부(320) 내부의 온도를 나타낸다. 여기서, Tr은 제1 수용부 온도이다.
즉, 식품(1001)이 수용부(320)에 투입되기 전에 가지고 있는 제1 식품 온도를 제2 식품 온도를 만들기 위해, 수용부(320) 내부에 형성되어야 하는 온도를 나타내는 것이 Tr이다.
상술한 수식 1에서 상수 k는 수용부(320) 내부에 배치된 식품(1001)이 1분 동안 냉각되는 속도에 따라 결정된다. 따라서, FLIR 카메라(311)를 통해 획득한 제1 시점(tp1)에서의 제2 이미지(i2-tp1)를 통해 제1 사과(1001a)의 온도(t0)를 산출하고, 제1 시점(tp1)으로부터 1분 경과된 뒤인 제2 시점(tp2)에서의 제2 이미지(i2-tp2)를 통해 제1 사과(1001a)의 온도(t1)를 산출하여, 상수 k를 결정한다.
상수 k가 결정되면, 제어부(360)는 냉각 목표 온도인 제2 식품 온도에 이르는 시간 t를 산출할 수 있다. 여기서 시간 t는 상술한 제1 시간을 나타낸다.
이후, 지능형 식품 냉각 장치(300)는 보관 중인 식품이 제2 식품 온도를 갖도록 하기 위해서, 수용부(320) 내부의 온도를 조절한다(S140).
또한, 지능형 식품 냉각 장치(300)는 제2 식품 온도 및 제1 시간을 디스플레이 할 수 있다(S141). 지능형 식품 냉각 장치(300)는 자체적으로 구비하는 디스플레이부를 통해 제2 식품 온도 및 제1 시간을 직접 디스플레이할 수 있다. 하지만, 지능형 식품 냉각 장치(300)는 자신과 연동되는 사용자 단말(200)을 통해 제2 식품 온도 및 제1 시간을 디스플레이 할 수 있다.
즉, 지능형 식품 냉각 장치(300)는 제2 식품 온도 및 제1 시간을 산출하여 사용자 단말(200)로 전송하고, 사용자 단말(200)은 도 11에 도시된 바와 같이, 제1 시간을 제1 디스플레이 영역(210)에 타이머 형태(m1)로 표시할 수 있다. 또한, 도 11에 도시된 사용자 단말(200)의 제2 영역(220)은 수용부(320)에 배치된 식품의 온도 변화를 시간에 따라 그래프 형태(g1)로 나타낼 수 있다.
한편, 도 16을 참조하여, 지능형 식품 냉각 장치(300)가 수용부(320) 내부의 온도를 조절하는 과정을 설명한다.
도 16은 본 발명의 일 실시 예에 따른 지능형 식품 냉각 장치(300)가 수용부(320) 내부의 온도를 조절하는 방법을 나타내는 순서도이다.
우선, 지능형 식품 냉각 장치(300)의 제어부(360)는 제3 온도 센서(341)를 통해 수용부(320) 내부의 온도를 측정한다(S1410). 그리고, 수용부(320) 내부의 온도가 낮아질 필요가 있다고 판단하면, 제어부(360)는 팬(351)의 RPM을 조절하여(S1420), 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 배출되는 찬 공기를 수용부(320) 내부로 보낸다.
이후, 제어부(360)는 댐퍼(352)의 개방 여부를 결정한다(S1430). 즉, 제어부(360)는 수용부(320) 내부의 온도가 다소 높은 편이고, 수용부(320)에 배치된 식품의 온도가 냉각 목표 온도와 차이가 크다고 판단한 경우, 댐퍼(352)를 폐쇄하여 수용부(320) 내부의 온도를 낮추는데 집중한다(S1420).
하지만, 수용부(320) 내부의 온도가 충분히 낮아지고, 수용부(320)에 배치된 식품이 냉각 목표 온도에 근접하거나 도달했다고 판단하면, 제어부(360)는 댐퍼(352)를 개방시킬 것을 결정한다(S1430).
특히, 제어부(360)가 댐퍼(352)를 개방시킬 것을 결정할 경우, 제어부(360)는 댐퍼(352)에 포함된 복수의 블레이드들(3521, 3522, 3523)의 회전 각도를 설정하여, 댐퍼(352)의 개방 정도를 퍼센트로 조절할 수 있다(S1440).
블레이드들(3521, 3522, 3523)의 회전 각도는 0도에서 90도 사이로 조절이 가능하다고 가정할 때, 예를 들어, 제어부(360)가 블레이드들(3521, 3522, 3523)이 20도로 회전하도록 제어하면, 댐퍼(352)는 20퍼센트에서 30퍼센트 정도 개방되었다고 볼 수 있다.
이렇게 댐퍼(352)가 개방되면, 지능형 식품 냉각 장치(300)에서 댐퍼(352)가 설치된 측면을 통해, 수용부(320) 내부에 머무르던 공기가 수용부(320) 외부로 나가게 된다. 그리고, 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 나오는 찬 공기는, 수용부(320)를 그대로 통과하여, 냉장실(11) 또는 냉동실(12)로 유입된다. 따라서, 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12) 온도는 설정된 온도로 유지될 수 있다.
한편, 댐퍼(352)의 개방 여부와는 별도로 팬(351)은 제어부(360)의 제어에 의해 작동한다. 댐퍼(352)가 폐쇄되어 있을 경우, 팬(351)은 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 나오는 찬 공기를 수용부(320) 내부로 유입시키는 역할을 한다.
따라서, 도 9에 도시된 바와 같이, 댐퍼(352)가 닫힌 경우, 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 나와 본체(301)의 좌측면(3011)을 통해 수용부(320)로 유입된 찬 공기는 메쉬 구조로 형성된 본체(301)의 우측면(3012)을 통과하지 못하고 수용부(320) 내부에 머무르게 된다.
수용부(320) 내부로 유입된 찬 공기는 수용부(320) 내부에 배치된 식품과 열교환을 하며, 일정 시간이 지남에 따라 온도가 올라간다.
제어부(360)는 수용부(320) 내부의 공기 온도를 측정하여, 일정 온도 이상 온도가 올라간 공기를 수용부(320) 외부로 토출시킨다. 이를 위해, 제어부(360)는 댐퍼(352)를 개방할 수 있다.
댐퍼(352)가 개방되면, 팬(351)은 수용부(320) 내부에 머물러 있던 공기들도 냉장실(11) 또는 냉동실(12)로 보낸다. 또한, 팬(351)은 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구로부터 나오는 찬 공기를 수용부(320)를 통과시켜, 냉장실(11) 또는 냉동실(12)로 유입되도록 한다.
즉, 댐퍼(352)는 지능형 식품 냉각 장치(300)의 본체(301)가 지능형 냉장고(100)의 냉장실(11) 또는 냉동실(12)의 찬 공기 토출구를 마주하는 면과 반대되는 면을 개폐할 수 있도록 구성된다. 예를 들어, 도 9에 도시된 바에 따르면, 본체(301)의 우측면(3012)에는 댐퍼(352)가 설치되며, 이러한 댐퍼(352)는 본체(301)의 우측면(3012)을 개폐할 수 있도록 구성된다.
그리고, 지능형 식품 냉각 장치(300)는 댐퍼(352)에 포함된 각각의 블레이드(3521, 3522, 3523)의 회전 각도에 따라 댐퍼(352)가 개방되는 정도 및 수용부(320) 내부에 머무르는 공기가 수용부(320) 외부로 얼마나 빠져나가는지 여부를 머신 러닝 한다(S1450). 또한, 지능형 식품 냉각 장치(300)는 팬(351)의 RPM에 따라 얼마나 많은 양의 공기를 수용부(320) 내부로 유입시킬 수 있는지에 대해서도 머신 러닝한다.
따라서, 본 발명에 따른 지능형 식품 냉각 장치(300)는 수용부(320) 내부에 지능형 냉장고(100)로부터 토출된 찬 공기를 유입시킨다. 그리고, 본 발명에 따른 지능형 식품 냉각 장치(300)는 수용부(320) 내부에 일정 시간 머물면서 식품과 열교환을 한 찬 공기의 온도를 측정하고, 해당 공기의 온도가 상승하였다고 판단하면, 댐퍼(352)가 열리도록 하여, 수용부(320) 내부에 머무르고 있는 공기를 수용부(320) 외부로 토출시킨다. 이 과정에서 지능형 식품 냉각 장치(300)는 팬(351)을 추가적으로 사용하여, 수용부(320) 내부의 공기를 빠르게 순환시킬 수 있다.
즉, 본 실시 예에 따른 지능형 식품 냉각 장치(300)는 수용부(320) 내부의 온도를 조절하기 위해, 팬(351)과 댐퍼(352)를 사용하여 적극적으로 수용부(320) 내부의 온도를 조절할 수 있다.
한편, 본 실시 예에 따른 지능형 식품 냉각 장치(300)는 S140 단계 이후, 수용부(320) 내부에 배치된 식품이 냉각 목표 온도인 제2 식품 온도에 도달했는지 여부를 판단한다(S150).
만약, 수용부(320) 내부에 배치된 식품이 냉각 목표 온도인 제2 식품 온도에 도달하지 못한 경우, 지능형 식품 냉각 장치(300)는 팬(351)과 댐퍼(352)의 작동을 제어하여, 수용부(320) 내부의 온도를 다시 조절한다(S140).
하지만, S140 단계 이후, 수용부(320) 내부에 배치된 식품이 냉각 목표 온도인 제2 식품 온도에 도달했다고 판단하면, 지능형 식품 냉각 장치(300)는 댐퍼(352)를 개방하도록 제어한다(S160). 그리고, 댐퍼(352) 개방을 통해, 지능형 냉장고(100)의 찬 공기 토출부에서 나오는 찬 공기로 냉장실(11) 또는 냉동실(12) 온도 제어가 가능하도록 한다.
한편, 지능형 식품 냉각 장치(300)는 수용부(320)에 보관 중인 식품의 냉각 완료를 알리는 알람을 표시할 수 있다(S170). 이러한 알람 표시는 지능형 식품 냉각 장치(300)에 구비된 디스플레이부를 통해 직접 표시할 수도 있지만, 지능형 식품 냉각 장치(300)와 데이터 통신 가능하며 연동할 수 있는 사용자 단말(200)을 통해 알람을 표시할 수도 있다.
즉, 사용자 단말(200)에서 냉각 완료 알람을 표시하기 위해서, 지능형 식품 냉각 장치(300)는 냉각 완료 알람을 사용자 단말(200)로 직접 전송하고, 사용자 단말(200)은 지능형 식품 냉각 장치(300)와 연동하기 위한 어플리케이션을 통해 냉각 완료 알람을 표시할 수 있다.
본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 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.
310: 촬영부
320: 수용부
330: 도어
340: 제2 센싱부
350: 제2 온도 조절부
360: 제어부
370: 제3 통신부
380: 결합부
320: 수용부
330: 도어
340: 제2 센싱부
350: 제2 온도 조절부
360: 제어부
370: 제3 통신부
380: 결합부
Claims (20)
- 지능형 냉장고와 결합할 수 있는 본체;
상기 본체 내부에 형성되며 식품이 투입되는 수용부;
상기 수용부를 개폐하는 도어;
상기 수용부 내부 및 상기 식품을 촬영하는 촬영부;
상기 수용부 내부와 외부의 상태 정보를 측정하는 제2 센싱부;
상기 수용부 내부의 온도를 조절할 수 있는 제2 온도 조절부;
상기 지능형 냉장고 및 사용자 단말 중 적어도 하나 이상과 데이터 통신을 수행할 수 있는 제3 통신부; 및
상기 제2 온도 조절부를 제어하여 상기 수용부 내부의 온도를 조절하는 제어부를 포함하며,
상기 제어부는,
상기 이미지를 통해 상기 수용부에 투입되는 상기 식품의 크기, 부피 및 종류와 개수를 인식하고, 인식 결과에 따라 상기 수용부 내부의 온도를 조절하는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
상기 제어부는,
상기 인식 결과에 따라,
상기 식품이 상기 수용부에 투입되기 전의 온도를 나타내는 제1 식품 온도, 상기 식품이 도달해야 하는 냉각 목표 온도인 제2 식품 온도, 상기 제2 식품 온도를 만들기 위한 상기 수용부 내부의 온도를 나타내는 제1 수용부 온도 및 상기 제2 식품 온도를 만드는데 걸리는 제1 시간을 결정하는, 지능형 식품 냉각 장치.
- 제2항에 있어서,
상기 제어부는,
상기 인식 결과를 통해 상기 식품이 액체류라고 판단한 경우, 상기 제2 식품 온도는 제1 범위 내에서 결정하고,
상기 인식 결과가 상기 식품이 고체류라고 판단한 경우, 상기 제2 식품 온도는 제2 범위 내에서 결정하는, 지능형 식품 냉각 장치.
- 제3항에 있어서,
상기 제1 범위 및 상기 제2 범위는,
상기 인식 결과를 기계 학습하여 산출된 학습 결과를 바탕으로 결정되는, 지능형 식품 냉각 장치.
- 제2항에 있어서,
상기 제어부는,
상기 인식 결과를 통해 상기 식품이 액체류라고 판단한 경우, 상기 제1 시간은 제3 범위 내에서 결정하고,
상기 인식 결과가 상기 식품이 고체류라고 판단한 경우, 상기 제1 시간은 제4 범위 내에서 결정하는, 지능형 식품 냉각 장치.
- 제5항에 있어서,
상기 제3 범위 및 상기 제4 범위는,
상기 인식 결과를 기계 학습하여 산출된 학습 결과를 바탕으로 결정되는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
상기 촬영부는 FLIR 카메라를 더 포함하며,
상기 FLIR 카메라는,
상기 식품이 상기 수용부에 투입되기 전 또는 투입되는 순간에 상기 식품을 촬영하여 제1 이미지를 생성하고,
상기 제어부는,
상기 제1 이미지를 분석하여 상기 식품의 제1 온도를 결정하는, 지능형 식품 냉각 장치.
- 제7항에 있어서,
상기 FLIR 카메라는,
상기 수용부에 보관 중인 식품을 주기적으로 촬영하여 제2 이미지를 생성하고,
상기 제어부는,
상기 제2 이미지를 분석하여 상기 수용부에 보관 중인 식품의 온도 변화를 판단하는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
상기 제1 식품 온도, 상기 제2 식품 온도 및 상기 제1 시간을 상기 지능형 냉장고 및 상기 사용자 단말 중 적어도 하나 이상을 통하여 출력하는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
상기 본체는,
적어도 어느 하나 이상의 측면에 메쉬 구조를 포함하며,
상기 메쉬 구조는 상기 지능형 냉장고의 찬 공기 토출구로부터 상기 수용부로 상기 찬 공기가 이동할 수 있도록 구성된, 지능형 식품 냉각 장치.
- 제10항에 있어서,
상기 본체는,
상기 찬 공기 토출구 주변에 부착될 수 있는 결합부를 포함하며,
상기 결합부에 의해 상기 메쉬 구조는 상기 찬 공기 토출구와 접촉 또는 인접하게 배치되는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
제2 온도 조절부는,
상기 수용부 내부로 공기를 유입시키는 팬(fan)을 포함하며,
상기 제어부는,
상기 인식 결과에 따라 상기 팬의 동작 모드를 제어하는, 지능형 식품 냉각 장치.
- 제12항에 있어서,
제2 온도 조절부는,
상기 수용부의 일 측면을 개폐할 수 있는 댐퍼(Damper)를 더 포함하며,
상기 제어부는,
상기 인식 결과, 상기 수용부 내부의 온도, 상기 팬의 동작 모드 및 상기 지능형 냉장고의 냉장실 온도 중 적어도 하나 이상을 고려하여 댐퍼의 작동 상태를 제어하는, 지능형 식품 냉각 장치.
- 제13항에 있어서,
상기 댐퍼는 복수의 블레이드들을 포함하며,
상기 복수의 블레이드들은 상기 본체의 일면에 병렬로 배치되어 일정한 각도 범위 내에서 회전할 수 있도록 구성되는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
상기 제어부는,
상기 수용부 외부의 온도를 상기 제1 식품 온도로 결정하는, 지능형 식품 냉각 장치.
- 제1항에 있어서,
상기 제2 센싱부는,
상기 수용부 외부의 온도를 측정할 수 있는 제3 온도 센서;
상기 수용부 내부 및 상기 수용부에 위치한 식품의 온도를 측정할 수 있는 제4 온도 센서를 더 포함하며,
상기 제어부는,
상기 제4 온도 센서를 통해 상기 수용부 내부에 위치한 식품의 온도 변화를 모니터링 하는, 지능형 식품 냉각 장치.
- 지능형 식품 냉각 장치를 사용하여 식품을 냉각시키는 방법에 있어서,
상기 식품이 상기 냉각 장치의 수용부에 투입되었는지 여부를 확인하는 단계;
상기 수용부에 상기 식품이 투입되었다고 판단하면, 상기 식품의 크기, 부피 및 종류와 개수를 확인하는 단계;
상기 식품이 도달해야 하는 냉각 목표 온도인 제2 식품 온도 및 상기 제2 식품 온도를 만드는데 걸리는 제1 시간을 산출하는 단계;
상기 식품을 냉각하기 위해 제어부가 제2 온도 조절부를 제어하여 상기 수용부 내부의 온도를 조절하는 단계; 및
상기 제2 식품 온도 및 상기 제1 시간을 사용자에게 디스플레이 하는 단계를 포함하는, 식품 냉각 방법.
- 제17항에 있어서,
상기 식품의 크기, 부피 및 종류와 개수를 확인하는 단계는,
상기 식품이 상기 수용부에 투입되기 전의 온도를 나타내는 제1 식품 온도를 결정하는 단계를 더 포함하며,
상기 제1 식품 온도를 결정하는 단계는,
FLIR 카메라로 상기 식품이 상기 수용부에 투입되기 전에 상기 식품을 촬영한 제1 이미지를 제어부가 분석하여 상기 제1 식품 온도를 결정하거나 상기 수용부 외부의 온도를 상기 제1 식품 온도로 결정하는, 식품 냉각 방법.
- 제17항에 있어서,
상기 수용부 내부의 온도를 조절하는 단계는,
팬의 작동 모드를 제어하는 단계 및
댐퍼의 작동 모드를 제어하는 단계를 더 포함하며,
상기 팬의 작동 모드는 상기 팬의 회전 RPM을 기반으로 분류된 적어도 하나 이상의 팬 작동 모드를 포함하며,
상기 댐퍼의 작동 모드는 상기 댐퍼가 포함하는 블레이드의 회전 각도를 기반으로 분류된 적어도 하나 이상의 댐퍼 작동 모드를 포함하는, 식품 냉각 방법.
- 제17항에 있어서,
상기 제2 식품 온도 및 상기 제1 시간을 사용자에게 디스플레이 하는 단계는
상기 냉각 장치와 데이터 통신이 가능한 지능형 냉장고 및 사용자 단말 중 적어도 하나 이상에 상기 제2 식품 온도 및 상기 제1 시간에 대한 정보를 전송하는 단계; 및
상기 지능형 냉장고 및 사용자 단말 중 적어도 하나 이상에서 상기 제2 식품 온도 및 상기 제1 시간을 출력하는 단계를 더 포함하는, 식품 냉각 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190179554A KR20210085950A (ko) | 2019-12-31 | 2019-12-31 | 지능형 식품 냉각 장치 |
| US17/086,992 US20210199371A1 (en) | 2019-12-31 | 2020-11-02 | An artificial intelligence enabled food refrigerating device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190179554A KR20210085950A (ko) | 2019-12-31 | 2019-12-31 | 지능형 식품 냉각 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210085950A true KR20210085950A (ko) | 2021-07-08 |
Family
ID=76547142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190179554A KR20210085950A (ko) | 2019-12-31 | 2019-12-31 | 지능형 식품 냉각 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210199371A1 (ko) |
| KR (1) | KR20210085950A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230036237A (ko) * | 2021-09-07 | 2023-03-14 | 충남대학교산학협력단 | 인공지능을 이용한 콜드체인 물류 온도 예측 방법 및 이를 포함하는 냉동 탑차 시스템 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4071427A1 (en) * | 2021-04-08 | 2022-10-12 | Carrier Corporation | Refrigeration systems weight analysis |
| CN114485034A (zh) * | 2022-02-07 | 2022-05-13 | 海信（山东）冰箱有限公司 | 冰箱及冰箱的控制方法 |
| CN116105423B (zh) * | 2023-03-02 | 2023-11-03 | 湖南绿零智能科技股份有限公司 | 一种冷柜使用智能检测装置及控制系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101716033B1 (ko) * | 2015-06-16 | 2017-03-13 | 엘지전자 주식회사 | 냉장고 |
| CN104990364B (zh) * | 2015-07-31 | 2017-08-15 | 小米科技有限责任公司 | 温度调节方法及装置 |
| US10563899B2 (en) * | 2016-09-19 | 2020-02-18 | Midea Group Co., Ltd. | Refrigerator with targeted cooling zone |
| US10670324B2 (en) * | 2017-02-08 | 2020-06-02 | Haier Us Appliance Solutions, Inc. | Refrigerator appliance with a rotary damper assembly |
| KR20210053097A (ko) * | 2019-11-01 | 2021-05-11 | 삼성전자주식회사 | 냉장고 및 이의 제어 방법 |
-
2019
- 2019-12-31 KR KR1020190179554A patent/KR20210085950A/ko active Search and Examination
-
2020
- 2020-11-02 US US17/086,992 patent/US20210199371A1/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230036237A (ko) * | 2021-09-07 | 2023-03-14 | 충남대학교산학협력단 | 인공지능을 이용한 콜드체인 물류 온도 예측 방법 및 이를 포함하는 냉동 탑차 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210199371A1 (en) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11687776B2 (en) | Method for controlling cook based on artificial intelligent and intelligent device | |
| KR20210085950A (ko) | 지능형 식품 냉각 장치 | |
| US11734546B2 (en) | Method and apparatus for recommending food and drink based on artificial intelligence-based user status | |
| KR102201858B1 (ko) | 인공지능 기반 영상 편집 방법 및 지능형 디바이스 | |
| KR102622240B1 (ko) | 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 | |
| US11479894B2 (en) | Method and apparatus for compensating vibration of deep-learning based washing machine | |
| US11511599B2 (en) | Method for controlling temperature of refrigerator provided in vehicle | |
| US10819844B2 (en) | Intelligent electronic device and mode setting method | |
| KR102246659B1 (ko) | 지능형 디바이스 및 지능형 디바이스의 영상 보정 방법 | |
| US20200085275A1 (en) | Intelligent dishwasher and method for controlling the same | |
| US11467604B2 (en) | Control device and method for a plurality of robots | |
| US11741424B2 (en) | Artificial intelligent refrigerator and method of storing food thereof | |
| US11574445B2 (en) | Intelligent inspection devices | |
| US20210166266A1 (en) | Artificially intelligent computing device and refrigerator control method using the same | |
| US11952701B2 (en) | Door open monitoring for intelligent device | |
| US20200002868A1 (en) | Method and apparatus for controlling detergent quantity | |
| US20200120199A1 (en) | Method of providing notification according to surrounding situation of intelligent terminal and device for the same | |
| KR20220008399A (ko) | 지능형 로봇 디바이스 | |
| KR20220002756A (ko) | 사용자 맞춤형 식품 정보 제공 방법 및 장치 | |
| KR102225439B1 (ko) | 지능형 냉장 장치 및 이를 제어하기 위한 방법 | |
| US20210151043A1 (en) | Voice recognition method of artificial intelligence robot device | |
| US11486630B2 (en) | Refrigerator based on artificial intelligence and method of controlling the same | |
| US11671276B2 (en) | Artificial refrigerator and method for controlling temperature of the same | |
| US10936062B2 (en) | Intelligent device and method of information displaying with projection type using the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |