WO2019112364A1 - 식품 정보 관리 장치 및 식품 정보 관리 방법 - Google Patents

식품 정보 관리 장치 및 식품 정보 관리 방법 Download PDF

Info

Publication number
WO2019112364A1
WO2019112364A1 PCT/KR2018/015507 KR2018015507W WO2019112364A1 WO 2019112364 A1 WO2019112364 A1 WO 2019112364A1 KR 2018015507 W KR2018015507 W KR 2018015507W WO 2019112364 A1 WO2019112364 A1 WO 2019112364A1
Authority
WO
WIPO (PCT)
Prior art keywords
food
information
learning
spectroscopic
nutrient
Prior art date
Application number
PCT/KR2018/015507
Other languages
English (en)
French (fr)
Inventor
박태준
안대한
Original Assignee
한양대학교에리카산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020180154523A external-priority patent/KR102143700B1/ko
Application filed by 한양대학교에리카산학협력단 filed Critical 한양대학교에리카산학협력단
Publication of WO2019112364A1 publication Critical patent/WO2019112364A1/ko
Priority to US16/895,113 priority Critical patent/US11789002B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • 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

Definitions

  • the present invention relates to a food information management apparatus and a food information management method, and relates to a food information management apparatus and a food information management method that learn spectroscopic signals of food by themselves.
  • Conventional methods of food analysis include chemical food analysis and non-destructive food analysis.
  • the chemical food analysis method has the highest accuracy by measuring the chemical reaction of the sample by extracting the sample of the food, but it can be used only at the laboratory level. In the special case such as microbial culture, the time is very long.
  • the non-destructive component analysis method is a method of analyzing the spectrum of the reflected light by emitting light such as a general camera (visible region) and a near-IR (infrared region) to the food, There is meaning in point.
  • the inventors of the present invention have invented a food information management apparatus and a food information management method which improved the weak points of the existing non-destructive component analysis method.
  • Another object of the present invention is to provide food information of a spectral signal for a certain food based on a spectral signal database.
  • the technical problem to be solved by the present invention is not limited to the above.
  • the food information management apparatus obtains a corresponding standard spectral signal for each standard model food and calorie nutrient information for each standard food model, wherein the standard model food contains the concentration of each of carbohydrate,
  • a standard model food spectroscopic information acquisition unit set according to a predetermined standard a reference spectroscopic information acquisition unit for acquiring spectroscopic signals corresponding to reference foods and calorific value nutrient information for each reference food, caloric nutrient information of the standard model food,
  • a learning unit that learns a method of generating a spectroscopic signal from the synthesized calorific value nutrient information so that a difference between a spectroscopic signal generated by synthesizing and a spectroscopic signal of a reference food corresponding to the synthesized calorific value nutrient information is equal to or less than a predetermined standard; Based on the learning results of the learning unit, It may include a database which signals are stored.
  • the food information providing food information corresponding to the spectroscopic signal for the specific food through the database may further include an information providing unit.
  • the food information providing unit may generate a calorimetric nutrient combination that generates a spectroscopic signal for the specific food through the learning unit.
  • the food information providing unit may consider the learning spectroscopic signal matching the spectroscopic signal for the specific food in the database, and the degree of matching may be different depending on the type of food information to be provided have.
  • the degree of matching when the food information is the name information of the specific food may be higher than when the food information is information on the calorie nutrients of the specific food.
  • the method of managing food information according to an embodiment of the present invention is characterized in that a standard spectral signal corresponding to each standard model food and a calorie nutrient information according to the standard food model are obtained and the standard model food contains the concentration of each of carbohydrate,
  • the food information management apparatus includes: a reference food spectral information acquisition unit for acquiring spectral signals corresponding to reference foods and calorie nutrient information for each reference food; A learning unit for learning spectral signal versus caloric nutrient relationship through the learning network based on the obtained spectroscopic signal and the acquired caloric nitrate information; And a database in which spectral signals for newly combined calorie nutrients are stored based on learning results of the learning unit, wherein the learning network includes a common network for receiving and processing spectroscopic signals corresponding to the reference food, Network, and may comprise a calorimetric nutrient network consisting of individual caloric nutrients.
  • a joint layer is located between the common network and the network of the caloric nutrient, and the number of nodes of the joint layer may be smaller than the number of nodes of the layer before the joint layer.
  • the joint layer is connected to a verification network, and the verification network reversely generates the input spectroscopic signal based on a result from the common network, If the degree of matching of the spectroscopic signal generated inversely is less than a predetermined standard, the common network can be re-learned.
  • the learning unit may determine a degree of matching between the inputted spectroscopic signal and the spectroscopic signal generated inversely based on the shape of the spectroscopic signal waveform.
  • the apparatus may further include a food information providing unit for providing food information matching the arbitrary spectroscopic signal based on the database.
  • the food information providing unit applies different degrees of matching according to the kind of food information to be provided, and the degree of matching when the food information is name information of the food, It may be higher than if it is information on nutrients.
  • a food information management method includes: acquiring reference spectrogram information for acquiring spectral signals corresponding to reference foods and calorie nutrient information for each reference food; A learning step of learning a spectral signal versus a caloric value nutrient relationship through the learning network based on the obtained spectroscopic signal and the acquired caloric nitrate information; And a database building step of storing a spectroscopic signal for a newly combined calorie nutrient based on the result of the learning step, wherein the learning network includes a common network for receiving and processing a spectroscopic signal corresponding to the reference food, Followed by the common network, may comprise a calorimetric nutrient network consisting of individual caloric nutrients.
  • a database of spectroscopic signals corresponding to the components of caloric nutrients can be constructed by a food information management apparatus and a food information management method machine learning method.
  • a high-precision database can be provided through self-verification.
  • highly reliable food information can be provided only by arbitrary spectral signal.
  • FIG. 1 shows a block diagram of a food information management apparatus according to a first embodiment of the present invention.
  • Fig. 2 shows a flowchart of a food information management method according to the first embodiment of the present invention.
  • 3 to 6 are views for explaining each step of the food information management method according to the first embodiment of the present invention in detail.
  • FIG. 7 is a block diagram of a food information management apparatus according to a second embodiment of the present invention.
  • FIG. 8 shows a flowchart of a food information management method according to a second embodiment of the present invention.
  • FIG. 9 is a diagram for describing each step of the food information management method according to the second embodiment of the present invention in detail.
  • first, second, third, etc. in the various embodiments of the present disclosure are used to describe various components, these components should not be limited by these terms. These terms have only been used to distinguish one component from another. Thus, what is referred to as a first component in any one embodiment may be referred to as a second component in another embodiment.
  • Each embodiment described and exemplified herein also includes its complementary embodiment. Also, in this specification, 'and / or' are used to include at least one of the front and rear components.
  • connection &quot is used to include both indirectly connecting and directly connecting a plurality of components.
  • FIG. 1 shows a block diagram of a food information management apparatus according to a first embodiment of the present invention.
  • the food information management apparatus 100 may arbitrarily Given a spectroscopic signal for a food, it can provide information about any food, for example, what food it is, how much heat it is, what the content of each calorie nutrient is, and so on.
  • the spectroscopic signal means that an object, that is, a light component contained in food is arranged in order of wavelengths.
  • the spectroscopic signal has a wavelength band of 650 nm or more, for example, in the range of 887 nm to 1722 nm Lt; / RTI >
  • the food information management apparatus 100 includes at least one of a spectral information obtaining unit 100, a learning unit 120, a database 130, and a food information providing unit 140 .
  • a spectral information obtaining unit 100 includes at least one of a spectral information obtaining unit 100, a learning unit 120, a database 130, and a food information providing unit 140 .
  • the spectroscopic information obtaining unit 110 may obtain the spectroscopic signal for the food and the corresponding calorimetric nutrient information.
  • the food may include at least one of a standard model food and a reference food (i.e., actual food), and the spectroscopic information obtaining unit 110 may include at least one of a standard model food spectroscopic information obtaining unit 112, And an acquisition unit 114.
  • the standard model food spectroscopic information acquisition unit 112 can acquire information on spectroscopic signals corresponding to calorific value nutrient information and caloric value nutrient information of the standard model food.
  • the standard model food may mean processed foods for experiments in which the calorific value of each calorie nutrient of carbohydrate, protein, and fat varies by a predetermined unit, for example, 5%.
  • standard model food 2 has carbohydrate: : 5%: 0%, can have spectroscopic signal 2,
  • the standard model food spectroscopic information acquisition unit 112 can acquire information on how the spectroscopic signal changes according to the concentration of each calorie nutrient. Accordingly, it is possible to obtain spectroscopic signal information that can be synthesized by the combination of each caloric nutrient even if it is a food not existing in the natural world. Then, the information obtained by the standard model food spectroscopic information acquisition unit 112 can be utilized for constructing the database 130 with high reliability.
  • the reference food spectral information obtaining unit 114 may obtain information on the spectral signal corresponding to the calorie nutrient information and the calorie nutrient information for the reference food.
  • the reference food may refer to actual foods present in nature such as carrots, Chinese cabbage, sugar, and corn.
  • the information obtained by the reference food spectral information acquisition unit 114 may also be provided to the database 130.
  • the learning unit 120 may learn a new calorimetric nutrient combination and a spectroscopic signal at the time of the combination based on the information acquired by the spectroscopic information acquisition unit 120. [ That is, the learning unit 120 uses the calorimetric nutrient information of the standard model food, the spectroscopic signal information thereof, the calorific nutrient information of the reference food, and the spectroscopic signal information thereof, Can be learned.
  • the learning unit 120 generates a new food consisting of a new calorie nutrient combination through the calorie nutrient information and the spectroscopic signal information of the standard model food. For the verification of learning, the learning unit 120 can newly generate a food such as a calorie nutrient of the obtained food through the reference food spectral information acquisition unit 114, for example. That is, the spectroscopic signal for a new food may already be obtained.
  • the learning unit 120 may predict a spectroscopic signal for the new food.
  • the learning unit 120 can predict a spectroscopic signal for the new food by various machine learning methods.
  • the learning unit 120 may compare the expected spectral signal with the spectral signal acquired through the reference food spectral information acquisition unit 114. [ The learning unit 120 can determine that the learning is correctly performed when the contrast error of the comparison result is smaller than a predetermined reference. Otherwise, the learning unit 120 can modify the learning method when the error is larger than a predetermined reference. In this way, the learning unit 120 can perform the machine learning based on the information obtained through the spectral information acquisition unit 110. [
  • the learning unit 120 may synthesize a non-acquired caloric nutrient combination through the spectral information obtaining unit 110.
  • the learning unit 120 can predict the spectral signal for the combined calorimetric nutrient combination using the learning method. That is, the learning unit 120 can predict the calorimetric nutrient concentration value versus spectral signal relationship.
  • the learning unit 120 may provide information on the synthesized calorie nutrient combination, that is, carbohydrate, protein and fat concentration information and predicted spectroscopic signal information to the database 130 in a pair .
  • the database 130 can store the calorimetric nutrient concentration value and the spectroscopic signal corresponding to the calorimetric nutrient concentration value obtained by the spectroscopic information obtaining unit 110 as a pair, And the corresponding spectroscopic signals can be stored in pairs.
  • the database 130 can also store information that the spectral information obtaining unit 110 has not previously provided, so that it is possible to provide a highly reliable spectral signal analysis result.
  • the learning unit 120 uses calorimetric nutrients and spectroscopic signals of the standard model food in addition to the reference food, and the learning results are stored. Accordingly, the enormous effort and cost required to construct the database 130 can be drastically reduced.
  • the database 130 may store information on the name of the food.
  • the database 130 may acquire information on the food name in addition to the caloric nutrient information and the spectroscopic signal through the reference food spectral information acquisition unit 114.
  • the food information providing unit 140 may acquire a spectroscopic signal for an arbitrary food and provide food information for an arbitrary food.
  • the database 130 can find a spectroscopic signal having a high degree of matching with the obtained spectroscopic signal. That is, the food information providing unit 140 can search the database 130 for calorimetric nutrient information that is paired with a spectroscopic signal having a high degree of matching. Accordingly, the food information providing unit 140 can provide information on the food by using only the spectroscopic signal.
  • the learning unit 120 can instruct the learning have. That is, the learning unit 120 may perform learning using the information obtained through the spectral information acquisition unit 110 according to the above-described method. Accordingly, the spectral signal that has not been previously learned can be updated in the database 130 through additional learning.
  • the food information provider 140 searches the database 130 for a spectroscopic signal having a high degree of matching with a spectroscopic signal of an arbitrary food, and in providing information on a pair of food items, Can be different. For example, if the degree of matching is higher than a predetermined reference A, that is, if the degree of matching is excellent, the food information providing unit 140 may calculate the calorie nutrient information, for example, the calorie information, Information can be provided. Alternatively, when the degree of matching is higher than the predetermined reference B but lower than the reference A, that is, the degree of matching is normal, the food information providing unit 140 provides the calorie nutrient information, . For example, the information on the food name may be provided as 'unknown'. This is information about food identity in case of food name, and if there is an error, it can cause secondary accident such as allergy. Accordingly, it is possible to prevent the secondary accident by providing the information on the food name only when the degree of matching is excellent.
  • FIG. 2 to 6 The food information management apparatus according to an embodiment of the present invention has been described with reference to FIG.
  • a food information management method according to a first embodiment of the present invention will be described with reference to FIGS. 2 to 6.
  • FIG. It is needless to say that the present invention is implemented by the food information management apparatus according to the embodiment described above in the food information management method according to the first embodiment of the present invention.
  • FIG. 2 is a flow chart of the method for managing food information according to the first embodiment of the present invention.
  • FIGS. 3 to 6 are flowcharts for explaining each step of the method for managing food information according to the first embodiment of the present invention.
  • FIG. 1 is a flow chart of the method for managing food information according to the first embodiment of the present invention.
  • the method for managing food information according to the first embodiment of the present invention includes steps S 110 and S 120 of obtaining the calorimetric nutrient and spectral signal information by the spectral information obtaining unit 110, (S140) of constructing the database (130) and providing food information (S150, S160, and S170), wherein the step (S130) includes learning can do.
  • steps S 110 and S 120 of obtaining the calorimetric nutrient and spectral signal information by the spectral information obtaining unit 110, (S140) of constructing the database (130) and providing food information (S150, S160, and S170), wherein the step (S130) includes learning can do.
  • the standard model food spectroscopic information acquiring unit 112 can acquire the calorimetric nutrient (N_S) and the corresponding spectroscopic signal S_S for the standard model food have.
  • the standard model food spectroscopic information acquisition unit 112 can acquire the spectroscopic signals 1, 2, 3, and n for the standard model foods 1, 2, 3, and n.
  • the standard model food spectroscopic information acquisition unit 112 may provide the acquired information to the database 130.
  • the reference food spectral information obtaining unit 114 may obtain the calorimetric nutrient (N_R) and the corresponding spectroscopic signal S_R for the reference food, as exemplarily shown in FIG.
  • the reference food spectral information obtaining unit 114 may obtain the spectral signals 1, 2, 3, and n for the reference foods 1, 2, and 3 n.
  • the reference food spectroscopic information acquisition unit 114 may be provided with the acquired information in the database 130.
  • the learning unit 130 may learn the spectral signal versus caloric nutrient relationship based on the information obtained through the spectral information acquisition unit 110.
  • FIG. Since the spectral signal described above with reference to FIG. 3 has the calorimetric nutrient concentration value at an interval of 5%, the spectral signal learning for the interval of 5% is required, and the spectral signal described with reference to FIG. Learning is necessary in terms of physical limitations.
  • step S130 may include at least one of steps S132 to S138. Hereinafter, each step will be described.
  • the learning unit 120 can estimate the spectral signal by synthesizing the calorie nutrient information of the standard model food. For example, the learning unit 120 may adjust the calorific value of each of the calorie nutrients of the standard model food to a calorie nutrient of the reference food at a predetermined level or more. Accordingly, the learning unit 120 can synthesize caloric nutrients. Then, the learning unit 120 can predict a spectroscopic signal corresponding to the synthesized calorie nutrient through the spectroscopic signal S_S of the standard model food.
  • the learning unit 120 may derive a spectroscopic signal corresponding to the synthesized calorie nutrient from the spectroscopic signal S_R of the reference food.
  • step S136 the learning unit 120 may compare the predicted spectral signal of step S132 and the actual spectral signal of step S134 and calculate an error.
  • step S138 if the error of step S136 is larger than the predetermined threshold value, steps S132 and S134 may be performed again from the beginning. Alternatively, if the error in step S136 is equal to or less than a predetermined threshold value, the learning method of the learning unit 120 can be regarded as being verified. Accordingly, database construction can proceed.
  • the learning unit 120 may proceed with learning in a verified learning manner. Accordingly, the spectral information acquisition unit 110 can arbitrarily generate a combination of unacquired caloric nutrients, and generate a spectroscopic signal using the verified learning method.
  • the learning unit 120 provides the learned caloric nutrient and spectral signal pair to the database 130, and the database 130 can store the same.
  • the food information providing unit 140 may receive only a certain spectral signal. In this case, the food information providing unit 140 may provide information on the food based on an arbitrary spectral signal (step S160). For a more detailed description, FIG. 6 will be referred to. Referring to FIG. 6, the food information providing unit 140 may compare a spectroscopic signal with a spectroscopic signal in the database 130. The food information providing unit 140 may provide information on corresponding food information, for example, calorie nutrition information and food name, when a spectroscopic signal having a high degree of matching is found in the database 130 as a result of the comparison (Step S170). As described above, information on the food name can be selectively provided in consideration of the degree of matching.
  • the food information providing unit 140 can instruct the learning unit 120 to re-learn. Accordingly, the learning unit 120 can achieve a new learning method (step S164).
  • the food information providing unit 140 can provide food information, and the learning unit 120 can develop additional learning by applying a new learning method.
  • the food information management apparatus and the food information management method according to the embodiments of the present invention have been described with reference to FIGS. It is assumed that the learning unit 120 learns using all of the information obtained from the standard model food spectroscopic information acquisition unit 112 and the reference food spectroscopic information acquisition unit 114 in the process of the above description It is needless to say that the information obtained from the reference food spectroscopic information acquisition unit 112 can be learned only by the information obtained from the reference food spectroscopic information acquisition unit 114. [
  • FIG. 7 a food information management apparatus and a food information management method according to a second embodiment of the present invention will be described with reference to FIGS. 7 to 9.
  • FIG. 7 the description of the parts overlapping with those of the first embodiment described with reference to Figs. 1 to 6 will be omitted.
  • FIG. 7 is a block diagram of a food information management apparatus according to a second embodiment of the present invention.
  • the learning unit 120 may include a learning network consisting of a common network 122, a calorimetric nutrient-specific network 124, and a verification network 126. Unless otherwise described, the learning unit 120 refers to the learning unit according to the second embodiment.
  • the learning unit 120 learns the relationship between the calorimetric nutrient and the spectroscopic signal using the calorimetric nutrient information and the spectroscopic signal obtained through the spectroscopic information acquisition unit 110, and can perform the neural network learning have.
  • the learning unit 120 may utilize only the information from the standard model food spectroscopic information acquisition unit 112 or may utilize only information from the reference food spectroscopic information acquisition unit 114. [ Hereinafter, for convenience of explanation, it is assumed that the learning unit 120 provides the spectroscopic signal S_R of the reference food.
  • the learning unit 120 may include the common network 122.
  • the common network 122 may comprise a neural learning network and may include a plurality of layers including a plurality of nodes.
  • the common network may be provided with a spectroscopic signal S_R of the reference food and may extract a common feature shared with the calorie nutrient network 124. According to one example, the common network 122 may remove noise from the spectroscopic signal S_R of the reference food.
  • the common network 122 includes a plurality of layers, and the number of nodes increases in the direction of the calorimetric nutrient network 124 in the layer provided with the spectroscopic signal S_R of the reference food, can do. That is, the number of nodes of the last layer (the right layer of the common network 122 in FIG. 7) constituting the common network 122 may be smaller than the number of nodes of the immediately preceding layer. The common network 122 may thus provide a compressed form of the result. This can reduce the amount of computation of the subsequent network.
  • the last layer of the common network 122 may be connected to the joint layer 123.
  • the joint layer 123 may be connected to the caloric nutrient-specific network 124 and the verification network 126.
  • the verification network 126 may receive the results of the common network 122 from the joint layer 123.
  • the verification network 126 may generate a spectroscopic signal inversely based on the received result. That is, the number of nodes may increase from the front layer to the rear layer of the verification network 126.
  • the joint network 123 provides an encoded result
  • the verification network 126 may decode the encoded result. Accordingly, the verification network 126 can decode the encoded result to generate a spectroscopic signal.
  • the spectroscopic signal generated from the verification network 126 may be provided to the verification unit 127.
  • the verification unit 127 may determine the degree of matching between the spectroscopic signal S_R input to the common network 122 and the spectroscopic signal decoded from the verification network 126 in various manners. For example, the verification unit 127 may determine the degree of matching between the area of the spectroscopic signal S_R input to the common network 122 and the area of the spectroscopic signal decoded from the verification network 126. Alternatively, the verifying unit 127 may determine the degree of matching between the waveform of the spectroscopic signal S_R input to the common network 122 and the waveform of the spectroscopic signal decoded from the verification network 126. In the case of the waveform contrast, it is significant that the case where the weight learning between each layer node of the common network 122 is insufficient can be more accurately distinguished.
  • the verifying unit 127 can authenticate the learning method of the common network 122 when at least one degree of matching is higher than a predetermined level of matching. For example, the verification unit 127 can authenticate the learning method of the common network 122 when both the area and the waveform are higher than a predetermined reference. Alternatively, the verification unit 127 may cause the common network 122 to be re-learned when the degree of matching is less than or equal to a predetermined standard. Whereby the relationship between the nodes constituting the common network 122 can be reset.
  • the caloric nutrient-specific network 124 may be provided with the results of the common network 122 from the joint network 123.
  • the caloric nutrient network 124 may include a carbohydrate network 124a, a protein network 124b, and a fat network 124c.
  • the carbohydrate network 124a may provide a carbohydrate concentration corresponding to the spectroscopic signal S_R input to the common network 122 and the protein network 124b may provide a spectroscopic signal (S_R), and the local network 124c may provide a concentration of fat corresponding to the spectroscopic signal S_R input to the common network 122.
  • the number of nodes of each layer of carbohydrate network 124a, protein network 124b, and local network 124c may be constant.
  • the resultant value of the caloric nutrient network 124 may be provided to the caloric nutrient result value providing unit 125.
  • the result of the carbohydrate network 124a is provided to the carbohydrate value providing unit 125a
  • the result of the protein network 124b is provided to the protein value providing unit 125b
  • the result value may be provided to the local value providing unit 125c.
  • the learning unit 120 may store the result of the calorimetric nutrient result value providing unit 125 in the database 130 in a pair with the spectroscopic signal. However, before storage, it can be confirmed whether or not the verification by the verification unit 127 described above has been passed. If the verification of the verification unit 127 is passed, the learning unit 120 may store the result in the database 130. Alternatively, if there is a result value provided by the calorimetric nutrient result value providing unit 125 without passing the verification by the verification unit 127, since it is necessary to modify the common network 122, Can be discarded.
  • the learning unit 120 of the second embodiment has been described above.
  • the spectral information obtaining unit 110, the database 130, and the food information providing unit 140 are the same as those described in the first embodiment, so a detailed description thereof will be omitted.
  • the learning unit 120 according to the second embodiment is advantageous in that the number of spectral signals input to the learning unit according to the first embodiment is at least capable of learning. Accordingly, in the second embodiment, the input value from the spectral information obtaining unit 110 can be minimized.
  • the standard model food spectroscopic information obtaining unit 112 and the reference food spectroscopic information obtaining unit 114 are only one of the embodiments.
  • FIG. 8 The food information management apparatus according to the second embodiment of the present invention has been described above.
  • a food information management method according to a second embodiment of the present invention will be described with reference to FIGS. 8 and 9.
  • FIG. 8 a food information management method according to a second embodiment of the present invention
  • FIG. 8 is a flowchart of a method for managing food information according to a second embodiment of the present invention
  • FIG. 9 is a diagram for describing each step of the method for managing food information according to the second embodiment of the present invention.
  • the standard model food information acquiring unit 112 is omitted in order to emphasize the effect that learning can be performed even if there is little input data.
  • the food information management method includes a step S210 of obtaining the caloric nutrient and spectral signal information by the reference food spectral information acquisition unit 114, (S230) of constructing the database (130), and providing food information (S240, S250, and S260), wherein the step (S120) includes learning the spectral signal- can do.
  • step S210 of obtaining the caloric nutrient and spectral signal information by the reference food spectral information acquisition unit 114, (S230) of constructing the database (130), and providing food information (S240, S250, and S260), wherein the step (S120) includes learning the spectral signal- can do.
  • step S210 corresponds to step S120, a detailed description will be omitted.
  • the learning unit 120 can learn the spectral signal-to-calorie nutrient relationship. That is, the learning unit 120 according to the second embodiment described with reference to FIG. 7 can learn the spectral signal versus caloric nutrient relationship through the learning network. That is, the calorimetric nutrient information can be learned based on the spectroscopic signal obtained in step S210.
  • the learning unit 120 can provide the compressed learning result through the common network 122.
  • the learning results may be decoded by the verification network 126.
  • the verification unit 127 can determine whether the learning of the common network 122 has been properly performed. 9, the verification unit 127 compares the spectral signal S_R input to the common network 122 and the spectral signal S_R obtained from the verification network 126, (M1) and / or the waveform (M2).
  • the verification unit 127 may determine that the learning of the common network 122 has been properly performed if the contrast result matching degree is greater than a predetermined reference. For convenience of explanation, it is assumed that the common network 122 is properly learned when both the area standard and the waveform standard match more than a predetermined standard.
  • the verification unit 127 may allow the common network 122 to re-learn if the contrast result matching degree is lower than a predetermined standard. So that the relationship weights of the nodes of the common network 122 can be reset. That is, the learning unit 120 can verify whether the learning is properly performed by itself.
  • the caloric nutrient-specific network 124 can receive learning results from the joint network 123 and perform learning.
  • the results of the caloric nutrient network 124 may be provided to a caloric nutrient result value providing unit 125.
  • the learning unit 120 may determine whether the result of the verification of the calorimetric nutrient result value providing unit 125 is a result of passing the verification of the verification unit 127 before storing the resultant value in the database 130.
  • the learning unit 120 may determine whether the resultant value of the calorimetric nutrient result value providing unit 125 matches the calorimetric nutrient concentration value of the spectroscopic signal S_R input to the common network 122. As a result of the determination, if the degree of matching is higher than a predetermined standard, the learning result of the caloric nutrient-specific network 124 can be recognized. Alternatively, if the degree of compliance is less than or equal to a predetermined criterion, the caloric nutrient-specific network 124 may be re-learned.
  • each node of the common network 122 and the caloric nutrient-specific network 124 can have a proven relationship (i.e., weight).
  • the learning unit 120 can generate a calorimetric nutrient concentration value for an arbitrary spectral signal through the verified learning network. Accordingly, the learning unit 120 may combine new caloric nutrients and store the spectral signals corresponding to the new caloric nutrients in the database 130 on the basis of the learning results (step S230).
  • steps S240 to S260 correspond to steps S150 to S170, a detailed description will be omitted.
  • the food information management apparatus and the food information management method according to the second embodiment of the present invention have been described above. Although the first embodiment and the second embodiment have been described for convenience of explanation, the food information management apparatus may be provided to implement both the first and second embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

본 발명의 일 실시 예에 따른 식품 정보 관리 장치는 열량 영양소의 농도 별로 임의로 제조된 표준 모델 식품의 분광신호를 기초로 구축된 열량 영양소 농도 별 분광신호 데이터베이스를 제공할 수 있다.

Description

식품 정보 관리 장치 및 식품 정보 관리 방법
본 식품 정보 관리 장치 및 식품 정보 관리 방법에 관련된 것으로, 식품의 분광신호를 스스로 학습하는 식품 정보 관리 장치 및 식품 정보 관리 방법에 관련된 것이다.
종래 식품을 분석하는 방식은 크게 화학적 식품분석과 비파괴식 식품분석 방식이 있다.
화학적 식품분석 방식은 실제로 식품의 시료를 추출하여 시료의 화학적인 반응을 측정함으로써 가장 높은 정확도를 보이지만 실험실 레벨에서만 사용 가능하며 미생물 배양 등의 특수한 경우 시간이 매우 오래 걸리는 한계가 있다.
이와 달리, 비파괴식 성분분석 방식은 일반 카메라 (가시영역) 및 Near-IR (적외선영역) 등의 빛을 식품에 쏘아 반사되는 빛의 스펙트럼을 분석하는 방식으로 비파괴 분석이 가능하며 빠르게 결과를 제공해 준다는 점에서 의미가 있다.
비파괴식 성분분석 방식은 측정된 입력과 기존에 구축된 데이터베이스 내에 미리 저장된 데이터를 비교하여 결과를 산출한다는 점에서 미리 데이터베이스 구축되지 못한 새로운 입력이 들어오는 경우 식품분석의 신뢰도가 낮아진다는 한계가 있었다.
이에 본 발명자들은 기존의 비파괴성 성분분석 방식의 취약점을 개선한, 식품 정보 관리 장치 및 식품 정보 관리 방법을 발명하게 되었다.
본 발명이 해결하고자 하는 일 기술적 과제는, 기계학습 방식으로 열량 영양소의 성분에 상응하는 분광신호 데이터베이스를 구축하는 식품 정보 관리 장치 및 식품 정보 관리 방법을 제공하는 데 있다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 고 정밀도의 기계학습 결과를 가지는 식품 정보 관리 장치 및 식품 정보 관리 방법을 제공하는 데 있다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 분광신호 데이터베이스에 기반하여, 임의의 식품에 대한 분광신호가 가지는 식품 정보를 제공하는 데 있다.
본 발명이 해결하고자 하는 기술적 과제는 상술된 것에 제한되지 않는다.
본 발명의 일 실시 예에 따른 식품 정보 관리 장치는, 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 정해진 기준에 따라 설정된, 표준 모델 식품 분광 정보 획득부, 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부, 상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품의 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보로부터 분광신호를 생성하는 방식을 학습하는 학습부 및 상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장되는 데이터베이스를 포함할 수 있다.
일 실시 예에 따르면, 상기 데이터베이스에 상기 학습된 결과를 저장한 이후에, 특정 식품에 대한 분광신호를 획득하는 경우, 상기 데이터베이스를 통하여 상기 특정 식품에 대한 분광신호에 상응하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 식품 정보 제공부는, 상기 특정 식품에 대한 분광신호가 상기 데이터베이스에 미 저장된 경우, 상기 학습부를 통하여 상기 특정 식품에 대한 분광 신호를 생성하는 열량 영양소 조합을 생성할 수 있다.
일 실시 예에 따르면, 상기 식품 정보 제공부는, 상기 데이터베이스 내에서, 상기 특정 식품에 대한 분광신호와 매칭하는 학습 분광신호를 고려하되, 상기 매칭하는 정도는 제공할 식품 정보의 종류에 따라 상이할 수 있다.
일 실시 예에 따르면, 상기 식품 정보가 상기 특정 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 상기 특정 식품의 열량 영양소에 대한 정보인 경우보다 높을 수 있다.
본 발명의 일 실시 예에 따른 식품 정보 관리 방법은, 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 설정된, 표준 모델 식품 분광 정보 획득 단계; 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계; 상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보에 상응하는 분광신호를 학습하는 학습 단계; 및 상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 식품 정보 관리 장치는 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부; 상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광신호 대 열량 영양소 관계를 학습하는 학습부; 및 상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장하는 데이터베이스를 포함하되, 상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함할 수 있다.
일 실시 예에 따르면, 상기 공통 네트워크와 상기 열량 영양소 별 네트워크 사이에는 조인트 레이어(joint layer)가 위치하며, 상기 조인트 레이어의 노드 수는 상기 조인트 레이어 이전 레이어의 노드 수보다 적을 수 있다.
일 실시 예에 따르면, 상기 조인트 레이어는 검증 네트워크와 연결되며, 상기 검증 네트워크는 상기 공통 네트워크로부터의 결과에 기반하여 상기 입력된 분광신호를 역으로 생성하고, 상기 학습부는 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크를 재 학습시킬 수 있다.
일 실시 예에 따르면, 상기 학습부는, 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도를, 분광신호 파형 형상을 기준으로 판단할 수 있다.
일 실시 예에 따르면, 임의의 분광신호를 획득한 경우, 상기 데이터베이스에 기반하여 상기 임의의 분광신호에 매칭하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 식품 정보 제공부는, 제공하는 식품 정보의 종류에 따라 상기 매칭 정도를 달리 적용하되, 상기 식품 정보가 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 식품의 열량 영양소에 대한 정보인 경우보다 높을 수 있다.
본 발명의 일 실시 예에 따른 식품 정보 관리 방법은, 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계; 상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광 신호 대 열량 영양소 관계를 학습하는 학습 단계; 및 상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함하되, 상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함할 수 있다.
본 발명의 일 실시 예에 따르면, 식품 정보 관리 장치 및 식품 정보 관리 방법기계학습 방식으로 열량 영양소의 성분에 상응하는 분광신호 데이터베이스를 구축할 수 있다.
본 발명의 일 실시 예에 따르면, 자가 검증을 통하여 고 정밀도의 데이터베이스를 제공할 수 있다.
본 발명의 일 실시 예에 따르면, 임의의 분광신호 만으로 고 신뢰성의 식품 정보를 제공할 수 있다.
본 발명이 해결하고자 하는 기술적 효과는 상술된 것에 제한되지 않는다.
도 1은 본 발명의 제1 실시 예에 따른 식품 정보 관리 장치의 블록도를 도시한다.
도 2는 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시한다.
도 3 내지 도 6은 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 7은 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치의 블록도를 설명하기 위한 도면이다.
도 8은 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시한다.
도 9는 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
이하, 첨부된 도면들을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명할 것이다. 그러나 본 발명의 기술적 사상은 여기서 설명되는 실시 예에 한정되지 않고 다른 형태로 구체화 될 수도 있다. 오히려, 여기서 소개되는 실시 예는 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한, 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
또한, 본 명세서의 다양한 실시 예 들에서 제1, 제2, 제3 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 따라서, 어느 한 실시 예에 제 1 구성요소로 언급된 것이 다른 실시 예에서는 제 2 구성요소로 언급될 수도 있다. 여기에 설명되고 예시되는 각 실시 예는 그것의 상보적인 실시 예도 포함한다. 또한, 본 명세서에서 '및/또는'은 전후에 나열한 구성요소들 중 적어도 하나를 포함하는 의미로 사용되었다.
명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 또한, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 구성요소 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 구성요소 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하는 것으로 이해되어서는 안 된다. 또한, 본 명세서에서 "연결"은 복수의 구성 요소를 간접적으로 연결하는 것, 및 직접적으로 연결하는 것을 모두 포함하는 의미로 사용된다.
또한, 하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 것이다.
도 1은 본 발명의 제1 실시 예에 따른 식품 정보 관리 장치의 블록도를 도시한다.
본 발명의 일 실시 예에 따른 식품 정보 관리 장치(100)는, 열량 영양소인 탄소화물, 단백질, 지방의 각 함량에 따라 분광신호(hyperspectral images)가 서로 다른 특성을 보인다는 점을 고려하여, 임의의 식품에 대한 분광신호가 주어진 경우, 임의의 식품에 대한 정보 예를 들어, 어떤 식품인지, 열량이 얼마인지, 각 열량 영양소의 함량이 얼마인지 등에 대한 정보를 제공할 수 있다. 이 때, 분광신호라 함은 물체 즉 식품이 가지고 있는 빛의 성분을 파장의 순서로 나열한 것으로 의미하는 것으로, 일 예에 따르면 분광신호는 650nm 이상, 예를 들어, 887nm 내지 1722nm 범위의 파장 대역을 가질 수 있다.
도 1을 참조하면, 일 실시 예에 따른 식품 정보 관리 장치(100)는 분광 정보 획득부(100), 학습부(120), 데이터베이스(130) 및 식품 정보 제공부(140) 중 적어도 하나를 포함하여 이루어질 수 있다. 이하 각 구성에 대하여 설명하기로 한다.
상기 분광 정보 획득부(110)는 식품에 대한 분광신호와 그에 상응하는 열량 영양소 정보를 획득할 수 있다. 이 때, 식품은 표준 모델 식품 및 참조 식품(즉 실제 식품) 중 적어도 하나를 포함할 수 있는 바, 상기 분광 정보 획득부(110)는 표준 모델 식품 분광 정보 획득부(112) 및 참조 식품 분광 정보 획득부(114)를 포함할 수 있다.
상기 표준 모델 식품 분광 정보 획득부(112)는 표준 모델 식품의 열량 영양소 정보 및 열량 영양소 정보에 상응하는 분광신호에 대한 정보를 획득할 수 있다. 이 때, 표준 모델 식품이라 함은, 탄수화물, 단백질, 지방의 각 열량 영양소가 소정의 단위 예를 들어, 5% 비율로 달라지는 실험을 위하여 가공된 식품을 의미할 수 있다. 보다 구체적인 예를 들어, 표준 모델 식품 1은, 탄수화물:단백질:지방=5%:0%:0%로 이루어지고 분광신호1을 가질 수 있고, 표준 모델 식품 2는 탄수화물:단백질:지방=5%:5%:0%로 이루어지고 분광신호2를 가질 수 있고, 표준 모델 식품 3은 탄수화물:단백질:지방=5%:5%:5%로 이루어지고 분광신호3을 가질 수 있고, 표준 모델 식품 4는 탄수화물:단백질:지방=10%:0%:0%로 이루어지고 분광신호4를 가질 수 있고, 표준 모델 식품 n은 탄수화물:단백질:지방=m%:m%:m0%로 이루어지고 분광신호n을 가질 수 있다.
이 때, 표준 모델 식품 1과 같이 탄수화물 5% 만으로 이루어지거나 표준 모델 식품 2와 같이 탄수화물, 단백질 5% 만으로 이루어지거나 표준 모델 식품 3과 같이 탄수화물, 단백질, 지방 각 5%로 이루어지거나, 표준 모델 식품 4와 같이 탄수화물 10% 만으로 이루어진 식품은 존재하기 어려우나, 표준 모델 식품을 미리 제조하고 그의 분광신호를 획득한다는 점에서 의의가 있다.
즉, 표준 모델 식품 분광 정보 획득부(112)는 각 열량 영양소의 농도 별로 분광신호가 어떻게 변하는지에 대한 정보를 획득할 수 있다. 이에 따라, 비록 자연계에 존재하지 않는 식품이라 하더라도 각 열량 영양소의 조합에 의하여 합성될 수 있는 분광신호 정보를 획득할 수 있는 것이다. 이후, 표준 모델 식품 분광 정보 획득부(112)가 획득하는 정보는 고 신뢰도의 데이터베이스(130) 구축에 활용될 수 있다.
상기 참조 식품 분광 정보 획득부(114)는 참조 식품에 대한 열량 영양소 정보 및 열량 영양소 정보에 상응하는 분광신호에 대한 정보를 획득할 수 있다. 여기서 참조 식품이라 함은 당근, 배추, 설탕, 옥수수와 같이 자연계에 존재하는 실제 식품을 의미할 수 있다. 상기 참조 식품 분광 정보 획득부(114)가 획득한 정보도 상기 데이터베이스(130)에 제공될 수 있다.
상기 학습부(120)는 상기 분광 정보 획득부(120)가 획득한 정보에 기반하여, 새로운 열량 영양소 조합과 그 조합 시의 분광신호를 학습할 수 있다. 즉, 상기 학습부(120)는 표준 모델 식품의 열량 영양소 정보 및 그에 대한 분광신호 정보, 참조 식품의 열량 영양소 정보 및 그에 대한 분광신호 정보를 활용하여, 새로운 열량 영양소 조합과 그 조합 시의 분광신호를 학습할 수 있는 것이다.
상기 학습부(120)는 상기 표준 모델 식품의 열량 영양소 정보 및 그에 대한 분광신호 정보를 통하여, 새로운 열량 영양소 조합으로 구성된 새로운 식품을 생성할 있다. 학습의 검증을 위하여, 상기 학습부(120)는 예를 들어, 참조 식품 분광 정보 획득부(114)를 통하여 기 획득된 식품의 열량 영양소와 같은 식품을 새로이 생성할 수 있다. 즉, 새로운 식품에 대한 분광신호는 이미 획득된 상태일 수 있다.
상기 학습부(120)는 상기 새로운 식품에 대한 분광신호를 예상할 수 있다. 상기 학습부(120)는 다양한 머신 러닝 방식으로 상기 새로운 식품에 대한 분광신호를 예상할 수 있다. 상기 학습부(120)는 예상된 분광신호와, 상기 참조 식품 분광 정보 획득부(114)를 통하여 기 획득된 분광신호를 대비할 수 있다. 상기 학습부(120)는 대비 결과 오차가 미리 정해진 기준 보다 작은 경우, 학습이 올바르게 이루어짐을 판단할 수 있고, 이와 달리 오차가 미리 정해진 기준 보다 큰 경우, 학습 방식을 수정할 수 있다. 이와 같은 방식으로 상기 학습부(120)는 상기 분광 정보 획득부(110)를 통하여 획득된 정보에 기반하여 머신 러닝(machine learning)을 진행할 수 있다.
상기 학습부(120)는 미리 정해진 기준을 통과하는 학습 방식을 찾은 경우, 상기 분광 정보 획득부(110)를 통하여 미-획득된 열량 영양소 조합을 합성할 수 있다. 이에 따라, 상기 학습부(120)는 합성된 열량 영양소 조합에 대한 분광신호를 상기 학습 방식을 이용하여 예측할 수 있다. 즉 상기 학습부(120)는 열량 영양소 농도 값 대 분광 신호 관계를 예측할 수 있다. 이 후, 상기 학습부(120)는 합성된 열량 영양소 조합에 대한 정보 즉, 탄수화물, 단백질 및 지방의 농도 정보와 예측된 분광신호 정보를 쌍(pair)을 이루어 데이터베이스(130)로 제공할 수 있다.
상기 데이터베이스(130)는 상기 분광 정보 획득부(110)가 획득한 열량 영양소 농도 값 및 그에 대한 분광신호를 쌍을 이루어 저장할 수 있음은 물론이고, 상기 학습부(120)가 학습한 열량 영양소 농도 값과 그에 상응하는 분광신호를 쌍을 이루어 저장할 수 있다.
이로써, 상기 데이터베이스(130)는 기존에 상기 분광 정보 획득부(110)가 제공하지 못한 정보도 저장할 수 있으므로, 고 신뢰도의 분광신호 분석 결과를 제공할 수 있다.
또한, 상기 데이터베이스(130)에는 상기 학습부(120)가 참조 식품 외에, 표준 모델 식품의 열량 영양소 및 분광 신호가 학습에 사용하고, 학습 결과가 저장된다. 이에 따라 상기 데이터베이스(130) 구축에 요구되는 방대한 노력과 비용이 획기적으로 줄어들 수 있다.
나아가 상기 데이터베이스(130)는 식품의 이름에 대한 정보도 저장할 수 있다. 예를 들어, 상기 데이터베이스(130)는 상기 참조 식품 분광 정보 획득부(114)를 통하여 열량 영양소 정보 및 분광신호 외에 식품 이름에 대한 정보도 더 획득할 수 있다.
상기 식품 정보 제공부(140)는 임의의 식품에 대한 분광신호를 획득하고, 임의의 식품에 대한 식품 정보를 제공할 수 있다. 상기 식품 정보 제공부(140)는 열량 영양소 정보를 모르는 상태에서 분광신호만을 획득한 경우, 획득된 분광신호와 매칭 정도가 높은 분광신호를 상기 데이터베이스(130)에서 찾을 수 있다. 즉, 상기 식품 정보 제공부(140)는 매칭도가 높은 분광신호와 쌍을 이루는 열량 영양소 정보를, 상기 데이터베이스(130)에서 검색할 수 있다. 이로써, 상기 식품 정보 제공부(140)는 분광신호 만으로 식품에 대한 정보를 제공할 수 있는 것이다.
만약, 상기 식품 정보 제공부(140)는 임의의 식품에 대한 분광신호와 매칭 정도가 높은 분광신호를 상기 데이터베이스(130)에서 찾을 수 없는 경우, 상기 학습부(120)로 하여금 학습을 지시할 수 있다. 즉, 상기 학습부(120)는 앞서 설명한 방법에 따라 상기 분광 정보 획득부(110)를 통하여 획득된 정보를 활용하여 학습을 수행할 수 있다. 이에 따라 미리 학습되지 못한 분광신호도 추가적인 학습을 통하여, 상기 데이터베이스(130)에 업데이트 될 수 있다.
상기 식품 정보 제공부(140)는 임의의 식품의 분광신호와 매칭 정도가 높은 분광신호를 상기 데이터베이스(130)에서 찾고, 그에 쌍을 이루는 식품에 대한 정보를 제공함에 있어서, 매칭 정도를 고려하여 식품에 대한 정보의 종류를 달리할 수 있다. 예를 들어, 매칭 정도가 미리 정해진 기준 A 보다 높은 경우, 즉 매칭 정도가 우수한 경우, 상기 식품 정보 제공부(140)는 열량 영양소 정보 예를 들어, 각 열량 영양소 농도, 칼로리 정보 및 식품 이름에 대한 정보를 제공할 수 있다. 이와 달리, 매칭 정도가 미리 정해진 기준 B 보다 높으나 기준 A 보다 낮은 경우, 즉 매칭 정도가 보통인 경우, 상기 식품 정보 제공부(140)는 열량 영양소 정보는 제공하되, 식품 이름에 대한 정보는 생략할 수 있다. 예를 들어, 상기 식품 이름에 대한 정보는 '알 수 없음'으로 제공될 수 있다. 이는 식품의 이름의 경우, 식품 정체성에 대한 정보로써, 만약 오류가 있는 경우, 알러지 등 2차 사고를 유발할 수 있다. 이에 따라, 매칭 정도가 우수한 경우에만 식품 이름에 대한 정보가 제공되도록 함으로써, 2차 사고를 예방할 수 있다.
이상 도 1을 참조하여 본 발명의 일 실시 예에 따른 식품 정보 관리 장치에 대하여 설명하였다. 이하 도 2 내지 도 6을 참조하여 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법에 대하여 설명하기로 한다. 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법에 앞서 설명한 일 실시 예에 따른 식품 정보 관리 장치에 의하여 구현됨은 물론이다.
도 2는 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시하고, 도 3 내지 도 6은 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 제1 실시 예에 따른 식품 정보 관리 방법은, 상기 분광 정보 획득부(110)가 열량 영양소 및 분광신호 정보를 획득하는 단계(S110, S120), 상기 학습부(120)가 분광 신호 대 열량 영양소 관계를 학습하는 단계(S130), 상기 데이터베이스(130)를 구축하는 단계(S140) 및 식품 정보를 제공하는 단계(S150, S160 및 S170) 중 적어도 하나의 단계를 포함할 수 있다. 이하 각 단계에 대하여 상술하기로 한다.
단계 S110에서, 도 3에 예시적으로 도시된 바와 같이, 상기 표준 모델 식품 분광 정보 획득부(112)는 표준 모델 식품에 대한 열량 영양소(N_S) 및 그에 상응하는 분광신호(S_S)를 획득할 수 있다. 상기 표준 모델 식품 분광 정보 획득부(112)는 표준 모델 식품 1, 2, 3,쪋n에 대한 분광신호 1, 2, 3,쪋n을 획득할 수 있다. 상기 표준 모델 식품 분광 정보 획득부(112)는 획득된 정보를 상기 데이터베이스(130)에 제공할 수 있다.
단계 S120에서, 도 4에 예시적으로 도시된 바와 같이, 상기 참조 식품 분광 정보 획득부(114)는 참조 식품에 대한 열량 영양소(N_R) 및 그에 상응하는 분광신호(S_R)를 획득할 수 있다. 상기 참조 식품 분광 정보 획득부(114)는 참조 식품 1, 2, 3쪋n에 대한 분광신호 1, 2, 3,쪋n을 획득할 수 있다. 상기 참조 식품 분광 정보 획득부(114)는 획득된 정보를 상기 데이터베이스(130)에 제공될 수 있다.
단계 S130에서, 상기 학습부(130)는 상기 분광 정보 획득부(110)를 통하여 획득된 정보에 기반하여 분광신호 대 열량 영양소 관계를 학습할 수 있다. 이는 앞서 도 3을 참조하여 설명한 분광신호는 열량 영양소 농도 값이 5% 간격으로 되어 있기 때문에, 5% 사이 구간에 대한 분광신호 학습이 필요하고, 도 4를 참조하여 설명한 분광신호는 모든 식품을 대상으로 하기에는 물리적인 한계가 있다는 점에서 학습이 필요하다.
단계 S130의 상세한 설명을 위하여 도 5를 참조하기로 한다. 도 5를 참조하면, 단계 S130은, 단계 S132 내지 단계 S138 중 적어도 하나의 단계를 포함할 수 있다. 이하 각 단계에 대하여 설명하기로 한다.
단계 S132에서, 상기 학습부(120)는 표준 모델 식품의 열량 영양소 정보를 합성하여 분광신호를 예상할 수 있다. 예를 들어, 상기 학습부(120)는 표준 모델 식품의 열량 영양소 개개의 값이, 참조 식품의 열량 영양소에 미리 정해진 기준 이상 부합하도록 조절할 수 있다. 이에 따라 상기 학습부(120)는 열량 영양소를 합성할 수 있다. 이후, 상기 학습부(120)는 합성된 열량 영양소에 상응하는 분광신호를, 상기 표준 모델 식품의 분광신호(S_S)를 통하여 예측할 수 있다.
단계 S134에서, 상기 학습부(120)는 상기 합성된 열량 영양소에 상응하는 분광신호를, 상기 참조 식품의 분광신호(S_R)에서 가져올 수 있다.
단계 S136에서, 상기 학습부(120)는 단계 S132의 예측된 분광신호와 단계 S134의 실제 분광신호를 대비하고 오차를 산출할 수 있다.
단계 S138에서, 만약 단계 S136의 오차가 미리 정해진 임계 값 보다 큰 경우, 단계 S132 및 단계 S134가 처음부터 다시 수행될 수 있다. 이와 달리, 단계 S136의 오차가 미리 정해진 임계 값 이하인 경우, 상기 학습부(120)의 학습 방식은 검증된 것으로 볼 수 있다. 이에 따라 데이터베이스 구축이 진행될 수 있다.
다시 도 2를 참조하면, 단계 S140에서, 상기 학습부(120)는 검증된 학습 방식으로 학습을 진행할 수 있다. 이에 따라 상기 분광 정보 획득부(110)를 통하여 미 획득된 열량 영양소의 조합을 임의로 생성하고, 검증된 학습 방식으로 분광신호를 생성할 수 있다. 상기 학습부(120)는 학습된 열량 영양소 및 분광신호 페어를 상기 데이터베이스(130)에 제공하고, 상기 데이터베이스(130)는 이를 저장할 수 있다.
단계 S150에서 상기 식품 정보 제공부(140)는 임의의 분광신호만을 제공받을 수 있다. 이 경우, 상기 식품 정보 제공부(140)는 임의의 분광신호를 기초로, 식품에 대한 정보를 제공할 수 있다(단계 S160). 보다 구체적인 설명을 위하여 도 6을 참조하기로 한다. 도 6을 참조하면, 상기 식품 정보 제공부(140)는 임의의 분광신호와 구축된 데이터베이스(130) 내 분광신호를 대비할 수 있다. 상기 식품 정보 제공부(140)는 대비 결과, 매칭 정도가 높은 분광신호를 데이터베이스(130) 내에서 찾은 경우, 상응하는 식품 정보 예를 들어, 열량 영양소 정보 및 식품 이름에 대한 정보를 제공할 수 있다(단계 S170). 앞서 설명한 바와 같이, 매칭 정도를 고려하여 식품 이름에 대한 정보는 선택적으로 제공될 수 있다. 만약, 상기 식품 정보 제공부(140)는 대비 결과, 매칭 정도가 높은 분광신호를 데이터베이스(130) 내에서 찾지 못한 경우, 상기 학습부(120)로 하여금 재 학습을 지시할 수 있다. 이에 따라 상기 학습부(120)는 새로운 학습 방식을 도모할 수 있다(단계 S164). 이후 새로운 학습 방식이 도출된 경우, 상기 식품 정보 제공부(140)는 식품 정보를 제공할 수 있으며, 학습부(120)는 새로운 학습 방식을 적용하여 추가적인 학습을 전개할 수 있다.
이상 도 1 내지 도 6을 참조하여 본 발명의 실시 예에 따른 식품 정보 관리 장치 및 식품 정보 관리 방법을 설명하였다. 앞서 설명의 과정에서, 상기 학습부(120)가 상기 표준 모델 식품 분광 정보 획득부(112) 및 상기 참조 식품 분광 정보 획득부(114) 각각으로부터 획득된 정보 모두를 활용하여 학습하는 것을 상정하여 설명하였으나, 이와 달리, 상기 표준 모델 식품 분광 정보 획득부(112)으로부터 획득된 정보는 제외하고, 상기 참조 식품 분광 정보 획득부(114)으로부터 획득된 정보만으로 학습할 수 있음은 물론이다.
이하, 도 7 내지 도 9를 참조하여, 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치 및 식품 정보 관리 방법을 설명하기로 한다. 본 발명의 제2 실시 예를 설명함에 있어서, 도 1 내지 도 6을 참조하여 설명한 제1 실시 예와 중복되는 부분에 대해서는 설명을 생략하기로 한다.
도 7은 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치의 블록도를 설명하기 위한 도면이다.
도 7을 참조하면, 본 발명의 제 2 실시 예에 따른 학습부(120)는 공통 네트워크(122), 열량 영양소 별 네트워크(124) 및 검증 네트워크(126)로 이루어진 학습 네트워크를 포함할 수 있다. 이하 별도의 설명이 없는 한 학습부(120)는 제2 실시 예에 따른 학습부를 의미하는 것으로 한다.
일 예에 따르면, 학습부(120)는 상기 분광 정보 획득부(110)를 통하여 획득된 열량 영양소 정보 및 분광신호를 활용하여, 열량 영양소 대 분광신호를 관계를 학습하되, 신경망 학습을 수행할 수 있다. 이 때, 학습부(120)는 표준 모델 식품 분광 정보 획득부(112)로부터의 정보만을 활용할 수도 있고, 참조 식품 분광 정보 획득부(114)로부터만의 정보만을 활용할 수도 있다. 이하에서는 설명의 편의를 위하여, 상기 학습부(120)로 참조 식품의 분광신호(S_R)가 제공되는 경우를 상정하기로 한다.
상기 학습부(120)는 상기 공통 네트워크(122)를 포함할 수 있다. 상기 공통 네트워크(122)는 신경 학습망으로 이루어지며, 복수의 노드들을 포함하는 복수의 레이어들을 포함할 수 있다. 상기 공통 네트워크는 상기 참조 식품의 분광신호(S_R)을 제공받아, 상기 열량 영양소 별 네트워크(124)와 공유되는 공통적인 특징을 추출할 수 있다. 일 예에 따르면, 상기 공통 네트워크(122)는 상기 참조 식품의 분광신호(S_R) 중 노이즈를 제거할 수 있다.
상기 공통 네트워크(122)는 기능적인 구현을 위하여, 복수의 레이어들을 포함하되, 참조 식품의 분광신호(S_R)를 제공받는 레이어에서 열량 영양소 별 네트워크(124) 방향으로 갈수록 노드의 수는 증가하다가 감소할 수 있다. 즉, 상기 공통 네트워크(122)를 이루는 마지막 레이어(도 7의 공통 네트워크(122)의 우측 레이어)의 노드의 수는 마지막 바로 이전 레이어의 노드의 수보다 적을 수 있다. 이에 따라 상기 공통 네트워크(122)는 압축된 형태의 결과를 제공할 수 있다. 이로써, 후속하는 네트워크의 연산량을 줄일 수 있다.
상기 공통 네트워크(122)의 마지막 레이어는 조인트 레이어(123)와 연결될 수 있다. 상기 조인트 레이어(123)는 상기 열량 영양소 별 네트웤(124) 및 검증 네트워크(126)와 연결될 수 있다.
상기 검증 네트워크(126)는 상기 조인트 레이어(123)로부터 상기 공통 네트워크(122)의 결과를 제공받을 수 있다. 상기 검증 네트워크(126)는 상기 제공받은 결과를 바탕으로 역으로 분광신호를 생성할 수 있다. 즉, 상기 검증 네트워크(126)의 전단 레이어에서 후단 레이어로 갈수록 노드가 증가할 수 있다. 다른 관점에서 상기 조인트 네트워크(123)가 인코딩된 결과를 제공하였다면, 상기 검증 네트워크(126)는 인코딩된 결과를 디코딩할 수 있다. 이에 따라 상기 검증 네트워크(126)는 인코딩된 결과를 디코딩하여 분광신호를 생성할 수 있다.
상기 검증 네트워크(126)로부터 생성된 분광신호는 검증부(127)로 제공될 수 있다. 상기 검증부(127)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)과 상기 검증 네트워크(126)로부터 디코딩된 분광신호의 매칭 정도를 다양한 방식으로 판단할 수 있다. 예를 들어, 상기 검증부(127)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)의 면적과 상기 검증 네트워크(126)로부터 디코딩된 분광신호의 면적의 매칭 정도를 판단할 수 있다. 이와 달리, 상기 검증부(127)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)의 파형과 상기 검증 네트워크(126)로부터 디코딩된 분광신호의 파형의 매칭 정도를 판단할 수 있다. 파형 대비의 경우, 상기 공통 네트워크(122)의 각 레이어 노드 사이의 가중치 학습이 충분하지 못한 경우를 보다 정확하게 구분할 수 있다는 점에서 의의가 있다.
상기 검증부(127)는 적어도 하나의 매칭 정도가 매칭 정도가 미리 정해진 기준 보다 높은 경우, 상기 공통 네트워크(122)의 학습 방식을 인증할 수 있다. 예를 들어, 상기 검증부(127)는 면적 및 파형 모두 미리 정해진 기준 보다 높은 경우, 상기 공통 네트워크(122)의 학습 방식을 인증할 수 있다. 이와 달리, 상기 검증부(127)는 모든 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크(122)이 재 학습 되도록 할 수 있다. 이에 따라 상기 공통 네트워크(122)를 구성하는 노드 간의 관계가 재 설정될 수 있다.
상기 열량 영양소 별 네트워크(124)는 상기 조인트 네트워크(123)로부터 상기 공통 네트워크(122)의 결과를 제공받을 수 있다. 이 때, 상기 열량 영양소 별 네트워크(124)는 탄수화물 네트워크(124a), 단백질 네트워크(124b) 및 지방 네트워크(124c)를 포함할 수 있다. 상기 탄수화물 네트워크(124a)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)에 상응하는 탄수화물 농도를 제공할 수 있고, 상기 단백질 네트워크(124b)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)에 상응하는 단백질 농도를 제공할 수 있고, 상기 지방 네트워크(124c)는 상기 공통 네트워크(122)에 입력된 분광신호(S_R)에 상응하는 지방 농도를 제공할 수 있다. 일 예에 따르면, 탄수화물 네트워크(124a), 단백질 네트워크(124b) 및 지방 네트워크(124c)의 각 레이어의 노드 수는 일정할 수 있다.
상기 열량 영양소 별 네트워크(124)의 결과 값은 열량 영양소 결과 값 제공부(125)로 제공될 수 있다. 구체적으로, 상기 탄수화물 네트워크(124a)의 결과 값은 탄수화물 값 제공부(125a)로 제공되고, 단백질 네트워크(124b)의 결과 값은 단백질 값 제공부(125b)로 제공되고, 지방 네트워크(124c)의 결과 값은 지방 값 제공부(125c)로 제공될 수 있다.
상기 학습부(120)는 상기 열량 영양소 결과 값 제공부(125)의 결과 값을 분광신호와 쌍을 이루어 상기 데이터베이스(130)에 저장할 수 있다. 다만 저장 전에, 상술한 상기 검증부(127)의 검증을 통과하였는지 확인할 수 있다. 상기 검증부(127)의 검증을 통과한 경우, 상기 학습부(120)는 상기 데이터베이스(130)에 결과를 저장할 수 있다. 이와 달리, 상기 검증부(127)의 검증을 통과하지 못한 채 상기 열량 영양소 결과 값 제공부(125)에서 제공되는 결과 값이 있는 경우, 공통 네트워크(122)의 수정이 필요한 상황이므로, 결과 값이 폐기될 수 있다.
이상 제2 실시 예의 학습부(120)를 설명하였다. 학습부(120) 외에, 분광 정보 획득부(110), 데이터베이스(130), 식품 정보 제공부(140)는 앞서 제1 실시 예에서 설명한 바와 동일하므로 구체적인 설명을 생략하기로 한다. 제2 실시 예에 따른 학습부(120)는 제1 실시 예에 따른 학습부 대비 입력되는 분광신호의 수가 적어도 학습이 가능하다는 점에서 이점이 있다. 이에 따라 제2 실시 예에서는 분광 정보 획득부(110)로부터의 입력 값을 최소화할 수 있다. 또한, 제2 실시 예에서는 표준 모델 식품 분광 정보 획득부(112) 및 참조 식품 분광 정보 획득부(114) 중 하나만 있는 구현 예도 가능하다.
이상, 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치를 설명하였다. 이하 도 8 및 도 9를 참조하여 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법에 대하여 설명하기로 한다.
도 8은 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 순서도를 도시하고, 도 9는 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법의 각 단계를 구체적으로 설명하기 위한 도면이다.
도 8을 참조한 제2 실시 예에서는 학습부가 적은 입력 데이터가 있어도 학습 가능하다는 효과를 부각하기 위하여, 표준 모델 식품 정보 획득부(112)는 생략하였다.
도 8을 참조하면, 본 발명의 제2 실시 예에 따른 식품 정보 관리 방법은, 상기 참조 식품 분광 정보 획득부(114)가 열량 영양소 및 분광신호 정보를 획득하는 단계(S210), 상기 학습부(120)가 분광 신호 대 열량 영양소 관계를 학습하는 단계(S220), 상기 데이터베이스(130)를 구축하는 단계(S230) 및 식품 정보를 제공하는 단계(S240, S250 및 S260) 중 적어도 하나의 단계를 포함할 수 있다. 이하 각 단계에 대하여 상술하기로 한다. 다만 제1 실시 예와 중복되는 부분은 설명을 생략하기로 한다.
단계 S210은 단계 S120에 대응하므로 구체적인 설명을 생략하기로 한다.
단계 S220에서, 상기 학습부(120)는 분광 신호 대 열량 영양소 관계를 학습할 수 있다. 즉, 도 7을 참조하여 설명한 제2 실시 예에 따른 학습부(120)는 학습 네트워크를 통하여 분광 신호 대 열량 영양소 관계를 학습할 수 있다. 즉, 단계 S210에서 획득된 분광신호를 기초로 열량 영양소 정보를 학습할 수 있는 것이다.
상술한 바와 같이, 상기 학습부(120)는 공통 네트워크(122)를 통하여 압축된 형태의 학습 결과를 제공할 수 있다. 이 때, 학습 결과는 상기 검증 네트워크(126)에 의하여 디코딩될 수 있다. 이에 따라 상기 검증부(127)는 상기 공통 네트워크(122)의 학습이 제대로 수행되었는지 판단할 수 있다. 상기 검증부(127)는 학습이 제대로 수행되었는지 판단하기 위하여, 도 9에 도시된 바와 같이, 상기 공통 네트워크(122)에 입력된 분광신호(S_R)와 상기 검증 네트워크(126)에서 획득된 분광신호의 면적(M1) 및/또는 파형(M2)를 대비할 수 있다.
상기 검증부(127)는 대비 결과 매칭 정도가 미리 정해진 기준 보다 큰 경우, 상기 공통 네트워크(122)의 학습이 제대로 수행되었다고 판단할 수 있다. 설명의 편의를 위하여 면적 기준 및 파형 기준 모두 미리 정해진 기준 보다 많이 매칭하는 경우, 상기 공통 네트워크(122)의 학습이 제대로 된 것을 상정하기로 한다.
이와 달리, 상기 검증부(127)는 대비 결과 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크(122)가 재 학습하도록 할 수 있다. 이에 따라 상기 공통 네트워크(122)의 노드의 관계 가중치가 재 설정될 수 있다. 즉, 상기 학습부(120) 스스로 학습이 제대로 이루어지고 있는지 자가 검증할 수 있는 것이다.
한편, 상기 열량 영양소 별 네트워크(124)는 상기 조인트 네트워크(123)로부터 학습 결과를 제공받아, 학습을 수행할 수 있다. 상기 열량 영양소 별 네트워크(124)의 결과는 열량 영양소 결과 값 제공부(125)로 제공될 수 있다. 상기 학습부(120)는 상기 열량 영양소 결과 값 제공부(125)의 결과 값을 상기 데이터베이스(130)에 저장하기 전에 상기 검증부(127)의 검증을 통과한 결과 값인지를 판단할 수 있다.
이후, 상기 학습부(120)는 상기 열량 영양소 결과 값 제공부(125)의 결과 값이 상기 공통 네트워크(122)에 입력된 분광신호(S_R)의 열량 영양소 농도 값에 부합하는지 판단할 수 있다. 판단 결과 부합 정도가 미리 정해진 기준 보다 높은 경우, 열량 영양소 별 네트워크(124)의 학습 결과가 인정될 수 있다. 이와 달리, 판단 결과 부합 정도가 미리 정해진 기준 이하인 경우, 열량 영양소 별 네트워크(124)는 재 학습될 수 있다.
이에 따라 공통 네트워크(122) 및 열량 영양소 별 네트워크(124)의 각 노드들은 검증된 관계성(즉 가중치)을 가질 수 있다.
상기 학습부(120)는 검증된 학습 네트워크를 통하여 임의의 분광신호에 대한 열량 영양소 농도 값을 생성할 수 있다. 이에 따라 상기 학습부(120)는 새로운 열량 영양소를 조합하고, 상기 학습 결과를 바탕으로 새로운 열량 영양소에 상응하는 분광신호를 쌍을 이루어 상기 데이터베이스(130)에 저장할 수 있다(단계 S230).
이후 단계 S240 내지 단계 S260은 각각 단계 S150 내지 단계 S170에 상응하므로 구체적인 설명을 생략하기로 한다.
이상 본 발명의 제2 실시 예에 따른 식품 정보 관리 장치 및 식품 정보 관리 방법을 설명하였다. 설명의 편의를 위하여 제1 실시 예와 제2 실시 예를 구분하여 설명하였으나, 식품 정보 관리 장치는 제1 및 제2 실시 예를 모두 구현하도록 제공될 수 있다.
이상, 본 발명을 바람직한 실시 예를 사용하여 상세히 설명하였으나, 본 발명의 범위는 특정 실시 예에 한정되는 것은 아니며, 첨부된 특허청구범위에 의하여 해석되어야 할 것이다. 또한, 이 기술분야에서 통상의 지식을 습득한 자라면, 본 발명의 범위에서 벗어나지 않으면서도 많은 수정과 변형이 가능함을 이해하여야 할 것이다.

Claims (13)

  1. 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 정해진 기준에 따라 설정된, 표준 모델 식품 분광 정보 획득부;
    참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부;
    상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품의 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보로부터 분광신호를 생성하는 방식을 학습하는 학습부; 및
    상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장되는 데이터베이스를 포함하는 식품 정보 관리 장치.
  2. 제1 항에 있어서,
    상기 데이터베이스에 상기 학습된 결과를 저장한 이후에, 특정 식품에 대한 분광신호를 획득하는 경우, 상기 데이터베이스를 통하여 상기 특정 식품에 대한 분광신호에 상응하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함하는, 식품 정보 관리 장치.
  3. 제2 항에 있어서,
    상기 식품 정보 제공부는, 상기 특정 식품에 대한 분광신호가 상기 데이터베이스에 미 저장된 경우, 상기 학습부를 통하여 상기 특정 식품에 대한 분광 신호를 생성하는 열량 영양소 조합을 생성하는, 식품 정보 관리 장치.
  4. 제2 항에 있어서,
    상기 식품 정보 제공부는, 상기 데이터베이스 내에서, 상기 특정 식품에 대한 분광신호와 매칭하는 학습 분광신호를 고려하되, 상기 매칭하는 정도는 제공할 식품 정보의 종류에 따라 상이한, 식품 정보 관리 장치.
  5. 제4 항에 있어서,
    상기 식품 정보가 상기 특정 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 상기 특정 식품의 열량 영양소에 대한 정보인 경우보다 높은, 식품 정보 관리 장치.
  6. 표준 모델 식품 별로 상응하는 표준 분광신호와 상기 표준 식품 모델 별 열량 영양소 정보를 획득하되, 상기 표준 모델 식품은, 탄수화물, 지방 및 단백질 각각의 농도가 미리 설정된, 표준 모델 식품 분광 정보 획득 단계;
    참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계;
    상기 표준 모델 식품의 열량 영양소 정보를 합성하여 생성된 분광신호와, 상기 합성된 열량 영양소 정보에 상응하는 참조 식품 분광신호의 차이가 미리 정해진 기준 이하가 되도록 상기 합성된 열량 영양소 정보에 상응하는 분광신호를 학습하는 학습 단계; 및
    상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함하는, 식품 정보 관리 방법.
  7. 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득부;
    상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광신호 대 열량 영양소 관계를 학습하는 학습부; 및
    상기 학습부의 학습 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호가 저장하는 데이터베이스를 포함하되,
    상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함하는 식품 정보 관리 장치.
  8. 제7 항에 있어서,
    상기 공통 네트워크와 상기 열량 영양소 별 네트워크 사이에는 조인트 레이어(joint layer)가 위치하며,
    상기 조인트 레이어의 노드 수는 상기 조인트 레이어 이전 레이어의 노드 수보다 적은, 식품 정보 관리 장치.
  9. 제7 항에 있어서,
    상기 조인트 레이어는 검증 네트워크와 연결되며,
    상기 검증 네트워크는 상기 공통 네트워크로부터의 결과에 기반하여 상기 입력된 분광신호를 역으로 생성하고,
    상기 학습부는 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도가 미리 정해진 기준 이하인 경우, 상기 공통 네트워크를 재 학습시키는, 식품 정보 관리 장치.
  10. 제8 항에 있어서,
    상기 학습부는, 상기 입력된 분광신호와 상기 역으로 생성된 분광신호의 매칭 정도를, 분광신호 파형 형상을 기준으로 판단하는, 식품 정보 관리 장치.
  11. 제7 항에 있어서,
    임의의 분광신호를 획득한 경우, 상기 데이터베이스에 기반하여 상기 임의의 분광신호에 매칭하는 식품 정보를 제공하는 식품 정보 제공부를 더 포함하는, 식품 정보 관리 장치.
  12. 제11 항에 있어서,
    상기 식품 정보 제공부는, 제공하는 식품 정보의 종류에 따라 상기 매칭 정도를 달리 적용하되,
    상기 식품 정보가 식품의 이름 정보인 경우의 매칭 정도는, 상기 식품 정보가 식품의 열량 영양소에 대한 정보인 경우보다 높은, 식품 정보 관리 장치.
  13. 참조 식품 별로 상응하는 분광신호와 상기 참조 식품 별 열량 영양소 정보를 획득하는 참조 식품 분광 정보 획득 단계;
    상기 획득된 분광신호 및 상기 획득된 열량 영양소 정보에 기반하여 학습 네트워크를 통하여 분광 신호 대 열량 영양소 관계를 학습하는 학습 단계; 및
    상기 학습 단계의 결과를 바탕으로, 새로이 조합된 열량 영양소에 대한 분광신호를 저장하는 데이터베이스 구축 단계를 포함하되,
    상기 학습 네트워크는, 상기 참조 식품에 상응하는 분광신호를 입력받아 처리하는 공통 네트워크와 상기 공통 네트워크에 후속하며, 열량 영양소 개별로 구성된 열량 영양소 별 네트워크를 포함하는 식품 정보 관리 방법.
PCT/KR2018/015507 2017-12-08 2018-12-07 식품 정보 관리 장치 및 식품 정보 관리 방법 WO2019112364A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/895,113 US11789002B2 (en) 2017-12-08 2020-06-08 Managing apparatus for food information and managing method for food information

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2017-0167887 2017-12-08
KR20170167887 2017-12-08
KR10-2018-0154523 2018-12-04
KR1020180154523A KR102143700B1 (ko) 2017-12-08 2018-12-04 식품 정보 관리 장치 및 식품 정보 관리 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/895,113 Continuation US11789002B2 (en) 2017-12-08 2020-06-08 Managing apparatus for food information and managing method for food information

Publications (1)

Publication Number Publication Date
WO2019112364A1 true WO2019112364A1 (ko) 2019-06-13

Family

ID=66751583

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/015507 WO2019112364A1 (ko) 2017-12-08 2018-12-07 식품 정보 관리 장치 및 식품 정보 관리 방법

Country Status (1)

Country Link
WO (1) WO2019112364A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113218880A (zh) * 2020-01-21 2021-08-06 青岛海尔电冰箱有限公司 冰箱的食材检测方法、冰箱及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4422072B2 (ja) * 2005-05-30 2010-02-24 Ｎｅｃシステムテクノロジー株式会社 食品分析装置、食品分析方法、及び、プログラム
KR101226782B1 (ko) * 2004-03-12 2013-01-25 가부시키가이샤 조이 월드 퍼시픽 물체의 칼로리 측정방법 및 물체의 칼로리 측정장치
JP2015215273A (ja) * 2014-05-13 2015-12-03 パナソニックＩｐマネジメント株式会社 食品分析装置
KR20160061586A (ko) * 2014-11-22 2016-06-01 김근식 음식의 열량 정보를 확인할 수 있는 무선 단말기의 카메라 렌즈
WO2017150214A1 (ja) * 2016-02-29 2017-09-08 京セラ株式会社 検査装置及び検査システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101226782B1 (ko) * 2004-03-12 2013-01-25 가부시키가이샤 조이 월드 퍼시픽 물체의 칼로리 측정방법 및 물체의 칼로리 측정장치
JP4422072B2 (ja) * 2005-05-30 2010-02-24 Ｎｅｃシステムテクノロジー株式会社 食品分析装置、食品分析方法、及び、プログラム
JP2015215273A (ja) * 2014-05-13 2015-12-03 パナソニックＩｐマネジメント株式会社 食品分析装置
KR20160061586A (ko) * 2014-11-22 2016-06-01 김근식 음식의 열량 정보를 확인할 수 있는 무선 단말기의 카메라 렌즈
WO2017150214A1 (ja) * 2016-02-29 2017-09-08 京セラ株式会社 検査装置及び検査システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113218880A (zh) * 2020-01-21 2021-08-06 青岛海尔电冰箱有限公司 冰箱的食材检测方法、冰箱及存储介质
CN113218880B (zh) * 2020-01-21 2023-05-16 青岛海尔电冰箱有限公司 冰箱的食材检测方法、冰箱及存储介质

Similar Documents

Publication Publication Date Title
Howard et al. The effect of broad and specific demographic homogeneity on the imposter distributions and false match rates in face recognition algorithm performance
WO2020138720A1 (ko) 피부관련 개인 맞춤형 건강 기능식품 정보제공 분석 시스템 및 방법
US20210096121A1 (en) Method and device for detecting water quality based on color recognition, and storage medium
Zhang et al. Tongue color analysis for medical application
CN103198251B (zh) 一种基于神经网络的硬件木马识别方法
WO2019054638A1 (ko) 영상 분석 방법, 장치 및 컴퓨터 프로그램
WO2020027494A1 (ko) 머신러닝 기반 신선도 측정 장치 및 방법
WO2010011026A2 (ko) 이미지를 이용한 검색 시스템
CN108319986B (zh) 基于prnu的图像来源的鉴定方法及其系统
WO2019050108A1 (ko) 데이터 이미지화를 이용한 딥러닝 기반 시스템 이상행위 분석 기술
CN113472819B (zh) 基于指纹特征的蜜罐探测识别方法及装置
WO2019112364A1 (ko) 식품 정보 관리 장치 및 식품 정보 관리 방법
WO2013065944A1 (ko) Ｎｇｓ를 위한 서열 재조합 방법 및 장치
WO2018143486A1 (ko) 딥러닝 분석을 위한 모듈화시스템을 이용한 컨텐츠 제공 방법
WO2020032506A1 (ko) 시각 감지 시스템 및 이를 이용한 시각 감지 방법
WO2021071181A1 (ko) 면역항암제에 대한 저항성을 예측하는 방법 및 분석장치
US20170228006A1 (en) Inspection device and method for multiple powered devices in a power over ethernet system
WO2021145502A1 (ko) 얼굴 및 스트레스 인식 장치 및 방법
WO2019196107A1 (zh) 物质成分的检测方法及相关装置和计算机可读存储介质
WO2021080043A1 (ko) 시퀀싱 플랫폼 특이적인 오류를 줄인 체성 돌연변이 검출 장치 및 방법
KR20190068446A (ko) 식품 정보 관리 장치 및 식품 정보 관리 방법
WO2019098643A1 (ko) 말디토프 질량 분석에 의한 항생제 내성 판별 장치 및 방법
WO2023177035A1 (ko) N-연결형 및 o-연결형 당펩티드 통합 분석 방법 및 분석장치
WO2020138719A1 (ko) 개인 맞춤형 마스크 팩 정보제공 분석 시스템 및 방법
CN109711263A (zh) 考试系统及其处理方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18886532

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18886532

Country of ref document: EP

Kind code of ref document: A1