WO2020130180A1 - 세탁물 처리 기기 및 그의 동작 방법 - Google Patents

세탁물 처리 기기 및 그의 동작 방법 Download PDF

Info

Publication number
WO2020130180A1
WO2020130180A1 PCT/KR2018/016218 KR2018016218W WO2020130180A1 WO 2020130180 A1 WO2020130180 A1 WO 2020130180A1 KR 2018016218 W KR2018016218 W KR 2018016218W WO 2020130180 A1 WO2020130180 A1 WO 2020130180A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
microorganism
sensing
laundry
laundry treatment
Prior art date
Application number
PCT/KR2018/016218
Other languages
English (en)
French (fr)
Inventor
정한길
김재홍
김효은
이태호
한종우
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to PCT/KR2018/016218 priority Critical patent/WO2020130180A1/ko
Priority to EP19215866.5A priority patent/EP3670729A1/en
Priority to US16/719,510 priority patent/US20200199642A1/en
Priority to CN201911317781.6A priority patent/CN111334982B/zh
Publication of WO2020130180A1 publication Critical patent/WO2020130180A1/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/43—Control of cleaning or disinfection of washing machine parts, e.g. of tubs
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F35/00—Washing machines, apparatus, or methods not otherwise provided for
    • D06F35/005—Methods for washing, rinsing or spin-drying
    • D06F35/008—Methods for washing, rinsing or spin-drying for disinfecting the tub or the drum
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2/00—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor
    • A61L2/24—Apparatus using programmed or automatic operation
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2202/00—Aspects relating to methods or apparatus for disinfecting or sterilising materials or objects
    • A61L2202/20—Targets to be treated
    • A61L2202/26—Textiles, e.g. towels, beds, cloths
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/28—Air properties
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/38—Time, e.g. duration
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/69—Control of cleaning or disinfection of washer-dryer parts, e.g. of tubs
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/45—Cleaning or disinfection of machine parts, e.g. of heat exchangers or filters

Definitions

  • the present invention relates to a laundry processing device, and based on the sensing data, it relates to a laundry processing device capable of determining the contamination state of the laundry processing device using artificial intelligence.
  • the conventional laundry treatment apparatus detects mold or bacteria, and can be automatically washed, but does not take measures according to the type of mold or bacteria.
  • Laundry treatment apparatus based on the sensing value of one or more sensors attached to the laundry treatment apparatus, predicts the type of microorganisms and the growth rate of microorganisms, based on the predicted information, the washing guide information Can provide.
  • a washing operation suitable for the type of microorganisms detected in the laundry treatment apparatus and the growth rate of the microorganisms is performed, so that a more accurate washing operation can be performed.
  • the degree of contamination of laundry can be reduced, and the life of the laundry treatment device can be increased.
  • 1 is a block diagram illustrating a learning apparatus of an artificial neural network.
  • FIG. 2 is a block diagram illustrating a terminal according to an embodiment of the present invention.
  • FIG. 3 is a block diagram illustrating the configuration of a laundry treatment apparatus according to an embodiment of the present invention.
  • FIG. 4 is a flowchart illustrating an operation method of a laundry treatment apparatus according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining an example of the sensing information collected by the sensing unit according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a method of acquiring a type of microorganism using a linear regression algorithm according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating a method of acquiring different types of microorganisms using a linear regression algorithm according to an embodiment of the present invention.
  • FIGS. 8 to 10 are diagrams illustrating an example in which a terminal capable of communicating with a laundry treatment apparatus displays microbial information and laundry guide information according to an embodiment of the present invention.
  • FIG. 11 is a ladder diagram illustrating a method of operating a laundry system according to an embodiment of the present invention.
  • AI Artificial intelligence
  • Machine learning is a field of artificial intelligence that is a research field that gives computers the ability to learn without explicit programming.
  • machine learning can be said to be a technology that studies and builds systems and algorithms for learning, based on empirical data, performing predictions and improving one's own performance. Rather than performing strictly defined static program instructions, machine learning algorithms take the form of building a specific model to derive predictions or decisions based on input data.
  • machine learning' can be used interchangeably with the term'machine learning'.
  • Decision trees are an analysis method that performs classification and prediction by charting decision rules in a tree structure.
  • Bayesian network is a model that expresses the probabilistic relationship (conditional independence) between multiple variables in a graph structure. Bayesian networks are suitable for data mining through unsupervised learning.
  • the support vector machine is a model of supervised learning for pattern recognition and data analysis, and is mainly used for classification and regression analysis.
  • An artificial neural network is a model of a biological neuron's operating principle and a connection relationship between neurons.
  • a number of neurons, called nodes or processing elements, are connected in the form of a layer structure. It is an information processing system.
  • ANN Artificial Neural Network
  • an artificial neural network may mean an overall model having a problem-solving ability by changing the intensity of synaptic binding through artificial neurons (nodes) that have formed a network through synaptic coupling.
  • ANN Artificial Neural Network
  • An artificial neural network may include a plurality of layers, and each of the layers may include a plurality of neurons. Also, an artificial neural network (ANN) may include a neuron and a synapse connecting a neuron.
  • ANNs Artificial Neural Networks
  • the pattern of connections between neurons in different layers (2) the process of updating the weight of connections (3) the previous layer ( layer) can be defined by an activation function that takes a weighted sum of the input and generates an output value.
  • ANNs Artificial Neural Networks
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • BPDNN Bidirectional Recurrent Deep Neural Network
  • MLP Multilayer Perceptron
  • CNN Convolutional Neural Network
  • ANNs Artificial neural networks are divided into single layer neural networks and multi layer neural networks according to the number of layers.
  • General single layer neural networks are composed of an input layer and an output layer.
  • general multi-layer neural networks are composed of an input layer, a hidden layer, and an output layer.
  • the input layer is a layer that accepts external data
  • the number of neurons in the input layer is the same as the number of input variables
  • the hidden layer is located between the input layer and the output layer and receives signals from the input layer. Take and extract the characteristics and transfer them to the output layer.
  • the output layer receives a signal from the hidden layer and outputs it to the outside.
  • the input signal between neurons is multiplied after being multiplied by each connection strength having a value between 0 and 1, and when this sum is greater than the threshold value of the neuron, the neuron is activated and implemented as an output value through an activation function.
  • a deep neural network including a plurality of hidden layers between an input layer and an output layer is deep learning, which is a type of machine learning technology. It may be a representative artificial neural network that implements (deep learning).
  • the term'deep learning' may be used interchangeably with the term'deep learning'.
  • ANNs Artificial neural networks
  • training refers to parameters of an artificial neural network (ANN) using training data in order to achieve the purpose of classifying, regressing, or clustering input data. It can mean the process of determining (parameter).
  • parameters of an artificial neural network include weights applied to synapses and biases applied to neurons.
  • the artificial neural network learned by the training data may classify or cluster input data according to a pattern of the input data.
  • an artificial neural network trained using training data may be referred to as a trained model in this specification.
  • ANN Artificial Neural Network
  • the artificial neural network (ANN) learning method is largely classified into supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. have.
  • Supervised learning is a method of machine learning to infer a function from training data.
  • outputting a continuous value is called regression, and predicting and outputting a class of an input vector can be called classification.
  • ANN artificial neural network
  • the label means a correct answer (or a result value) that an artificial neural network (ANN) should infer when training data is input to an artificial neural network (ANN). You can.
  • a correct answer (or a result value) that an artificial neural network (ANN) should infer is called a label or labeling data.
  • labeling training data for training of an artificial neural network ANN
  • labeling data for training data labeling
  • training data and a label corresponding to the training data constitute one training set, and in the form of a training set for an artificial neural network (ANN). Can be entered.
  • ANN artificial neural network
  • the training data indicates a plurality of features
  • the labeling of the training data means that the features indicated by the training data are labeled. can do.
  • the training data may represent the characteristics of the input object in vector form.
  • An artificial neural network can infer a function for an association relationship between training data and labeling data using training data and labeling data.
  • an artificial neural network (ANN) can determine (optimize) parameters of an artificial neural network (ANN) by evaluating an inferred function.
  • Unsupervised learning is a kind of machine learning, and is not given a label for training data.
  • unsupervised learning may be a learning method of training an artificial neural network to find and classify patterns in training data itself, rather than an association relationship between training data and labels corresponding to training data.
  • unsupervised learning examples include clustering or independent component analysis.
  • Examples of artificial neural networks using unsupervised learning include a Generative Adversarial, Network (GAN) and an Autoencoder (AE).
  • GAN Generative Adversarial, Network
  • AE Autoencoder
  • GAN Genetic hostile neural network
  • GAN Genetic hostile neural network
  • the generator is a model that creates new data, and can generate new data based on the original data.
  • the discriminator is a model that recognizes a pattern of data, and may serve to discriminate whether or not the new data generated by the generator is based on the original data.
  • the generator can learn by receiving the data that did not deceive the discriminator (discriminator), and the discriminator (discriminator) can receive and learn the deceived data from the generator (generator). Accordingly, the generator may evolve to deceive the discriminator as best as possible, and may evolve to discriminate between the discriminator original data and the data generated by the generator.
  • Autoencoder is a neural network that aims to reproduce the input itself as an output.
  • An autoencoder includes an input layer, a hidden layer, and an output layer, and input data passes through the input layer and enters the hidden layer.
  • data output from the hidden layer enters the output layer.
  • the number of nodes in the output layer is greater than the number of nodes in the hidden layer, the dimension of data increases, and thus decompression or decoding is performed.
  • the autoencoder adjusts the connection strength of neurons through learning, so that input data is represented as hidden layer data.
  • hidden layer information is expressed in fewer neurons than the input layer.
  • the input data can be reproduced as output, which may mean that the hidden layer has found and expressed a hidden pattern from the input data.
  • Semi-supervised learning is a type of machine learning, and may mean a learning method using a mode of training data with a label and training data without a label.
  • Reinforcement learning is the theory that if given an environment where an agent can judge what to do every moment, it can find the best way through experience without data.
  • Reinforcement learning may be performed mainly by a Markov Decision Process (MDP).
  • MDP Markov Decision Process
  • the environment is provided with the information necessary for the agent to perform the next action, secondly, it defines how the agent will behave in the environment, and thirdly, what the agent is If you do well, you define whether to give a reward and what to do if you fail to do so. Fourth, you will derive the optimal policy through repeated experiences until the future reward reaches the peak.
  • MDP Markov Decision Process
  • 1 is a block diagram illustrating a learning apparatus of an artificial neural network.
  • the artificial neural network learning apparatus 1000 may include a data input unit 1010, a processor 1020, and an artificial neural network 1030.
  • the data input unit 1010 may receive input data.
  • the data input unit 1010 may receive training data or may receive raw data.
  • the processor 1020 may preprocess the received data to generate training data that can be input to the artificial neural network 1030.
  • the artificial neural network 1030 may be implemented by hardware, software, or a combination of hardware and software, and when some or all of the artificial neural network 1030 is implemented by software, one or more commands constituting the artificial neural network 1030 are artificial neural networks It may be stored in a memory (not shown) included in the learning device 1000 of.
  • the processor 1020 may train the artificial neural network 1030 by inputting training data or a training set into the artificial neural network 1030.
  • the processor 1020 may determine (optimize) parameters of an artificial neural network (ANN) by repeatedly learning an artificial neural network (ANN) using various learning techniques described above.
  • ANN artificial neural network
  • the artificial neural network whose parameters are determined by learning using the training data as described above may be referred to as a trained model in this specification.
  • a trained model may be used to infer a result value for new input data rather than training data.
  • a trained model may be inferred for a result value when it is mounted on the learning apparatus 1000 of an artificial neural network, or may be transmitted to another apparatus and mounted.
  • the learning device 1000 of the artificial neural network may include a communication unit (not shown) for communicating with other devices.
  • FIG. 2 is a block diagram illustrating a terminal according to an embodiment of the present invention.
  • the terminals described herein include mobile phones, smart phones, laptop computers, digital broadcasting terminals, personal digital assistants (PDAs), portable multimedia players (PMPs), navigation, and slate PCs. It may include a tablet PC (tablet PC), ultrabook (ultrabook), wearable device (wearable device, for example, a watch-type terminal (smartwatch), glass-type terminal (smart glass), HMD (head mounted display), etc. .
  • PDAs personal digital assistants
  • PMPs portable multimedia players
  • slate PCs slate PC
  • It may include a tablet PC (tablet PC), ultrabook (ultrabook), wearable device (wearable device, for example, a watch-type terminal (smartwatch), glass-type terminal (smart glass), HMD (head mounted display), etc.
  • the terminal 100 may also be applied to a fixed terminal such as a smart TV, a desktop computer, and a digital signage.
  • the terminal 100 may be applied to a fixed or movable robot.
  • the terminal 100 may perform the function of a voice agent.
  • the voice agent may be a program that recognizes a user's voice and outputs a response suitable for the recognized user's voice as a voice.
  • the terminal 100 includes a wireless communication unit 110, an input unit 120, a running processor 130, a sensing unit 140, an output unit 150, an interface unit 160, a memory 170, a processor 180, and It may include a power supply 190.
  • a trained model may be mounted in the terminal 100.
  • a trained model may be implemented by hardware, software, or a combination of hardware and software.
  • a trained model is configured.
  • One or more instructions may be stored in the memory 170.
  • the wireless communication unit 110 may include at least one of a broadcast reception module 111, a mobile communication module 112, a wireless Internet module 113, a short-range communication module 114, and a location information module 115.
  • the broadcast receiving module 111 receives a broadcast signal and/or broadcast-related information from an external broadcast management server through a broadcast channel.
  • the mobile communication module 112 includes technical standards or communication methods for mobile communication (eg, Global System for Mobile Communication (GSM), Code Division Multi Access (CDMA), Code Division Multi Access 2000 (CDMA2000), EV -Enhanced Voice-Data Optimized or Enhanced Voice-Data Only (DO), Wideband CDMA (WCDMA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), LTE-A (Long Term Evolution-Advanced) transmits and receives wireless signals to and from at least one of a base station, an external terminal and a server on a mobile communication network constructed according to (Long Term Evolution-Advanced).
  • GSM Global System for Mobile Communication
  • CDMA Code Division Multi Access
  • CDMA2000 Code Division Multi Access 2000
  • WCDMA Wideband CDMA
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • the wireless Internet module 113 refers to a module for wireless Internet access, and may be built in or external to the terminal 100.
  • the wireless Internet module 113 is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
  • Wireless Internet technologies include, for example, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, DLNA (Digital Living Network Alliance), WiBro (Wireless Broadband), WiMAX (World) Interoperability for Microwave Access (HSDPA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), and Long Term Evolution-Advanced (LTE-A).
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Wi-Fi Wireless Fidelity
  • Direct Wireless Internet technologies
  • DLNA Digital Living Network Alliance
  • WiBro Wireless Broadband
  • WiMAX Worldwide Interoperability for Microwave Access
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution-Advanced
  • the short-range communication module 114 is for short-range communication, BluetoothTM, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, NFC (Near Field Communication), by using at least one of Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, Wireless USB (Wireless Universal Serial Bus) technology, it can support short-range communication.
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • UWB Ultra Wideband
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the location information module 115 is a module for obtaining a location (or current location) of a terminal, and typical examples thereof include a Global Positioning System (GPS) module or a Wireless Fidelity (WiFi) module.
  • GPS Global Positioning System
  • WiFi Wireless Fidelity
  • the terminal can acquire the location of the terminal using a signal from a GPS satellite.
  • the input unit 120 may include a camera 121 for inputting a video signal, a microphone 122 for receiving an audio signal, and a user input unit 123 for receiving information from a user.
  • the voice data or image data collected by the input unit 120 may be analyzed and processed by a user's control command.
  • the input unit 120 is for input of image information (or signals), audio information (or signals), data, or information input from a user.
  • the terminal 100 includes one or more cameras It may be provided with (121).
  • the camera 121 processes image frames such as still images or moving pictures obtained by an image sensor in a video call mode or a shooting mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170.
  • the microphone 122 processes external sound signals as electrical voice data.
  • the processed voice data may be used in various ways depending on the function (or running application program) being performed by the terminal 100. Meanwhile, various noise reduction algorithms for removing noise generated in the process of receiving an external sound signal may be implemented in the microphone 122.
  • the user input unit 123 is for receiving information from a user. When information is input through the user input unit 123,
  • the processor 180 may control the operation of the terminal 100 to correspond to the inputted information.
  • the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front or rear side of the terminal 100, a dome switch, a jog wheel, a jog switch, etc.) And it may include a touch-type input means.
  • the touch-type input means is made of a virtual key, a soft key or a visual key displayed on the touch screen through software processing, or a part other than the touch screen It may be made of a touch key (touch key) disposed on.
  • the learning processor 130 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms and techniques.
  • the learning processor 130 may be received, detected, detected, generated, predefined, or otherwise output by the terminal or communicated with other components, devices, terminals, or terminals in a received, detected, detected, generated, predefined, or otherwise manner It may include one or more memory units configured to store data output by the device.
  • the learning processor 130 may include a memory integrated or implemented in a terminal. In some embodiments, the learning processor 130 may be implemented using the memory 170.
  • the learning processor 130 may be implemented using memory associated with the terminal, such as external memory coupled directly to the terminal or memory maintained in a server communicating with the terminal.
  • the learning processor 130 may be implemented using memory maintained in a cloud computing environment, or other remote memory location accessible by a terminal through a communication method such as a network.
  • the learning processor 130 typically includes one or more databases for identifying, indexing, categorizing, manipulating, storing, retrieving, and outputting data for use in supervised or unsupervised learning, data mining, predictive analytics, or other machines. It can be configured to store on.
  • the information stored in the learning processor 130 may be utilized by one or more other controllers of the processor 180 or terminal using any of a variety of different types of data analysis algorithms and machine learning algorithms.
  • fuzzy logic e.g probability theory
  • neural networks Boltzmann machines, vector quantization, pulse neural networks, support vector machines, maximum margin classifier, hill climbing, inductive logic system Bayesian network , Peritnet (e.g. finite state machine, milli machine, Moore finite state machine), classifier tree (e.g. perceptron tree, support vector tree, Markov tree, decision tree forest, random forest), stake models and systems, artificial Convergence, sensor fusion, image fusion, reinforcement learning, augmented reality, pattern recognition, automated planning, and more.
  • fuzzy logic eg probability theory
  • neural networks Boltzmann machines, vector quantization, pulse neural networks, support vector machines, maximum margin classifier, hill climbing, inductive logic system Bayesian network , Peritnet (e.g. finite state machine, milli machine, Moore finite state machine), classifier tree (e.g. perceptron tree, support vector tree, Markov tree, decision tree forest, random forest), stake models and systems, artificial Convergence, sensor fusion, image fusion
  • the processor 180 may determine or predict at least one executable action of the terminal based on the generated information, or determined using data analysis and machine learning algorithms. To this end, the processor 180 may request, search, receive, or utilize data of the learning processor 130, and may use the terminal to perform a predicted operation or an operation determined to be desirable among the at least one executable operation. Can be controlled.
  • the processor 180 may perform various functions for implementing intelligent emulation (ie, a knowledge-based system, a reasoning system, and a knowledge acquisition system). It can be applied to various types of systems (eg, fuzzy logic systems), including adaptive systems, machine learning systems, artificial neural networks, and the like.
  • intelligent emulation ie, a knowledge-based system, a reasoning system, and a knowledge acquisition system. It can be applied to various types of systems (eg, fuzzy logic systems), including adaptive systems, machine learning systems, artificial neural networks, and the like.
  • the processor 180 also involves speech and natural language speech processing, such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a workflow processing module, and a service processing module. It may include sub-modules that enable computation.
  • speech and natural language speech processing such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a workflow processing module, and a service processing module. It may include sub-modules that enable computation.
  • Each of these sub-modules can have access to one or more systems or data and models at the terminal, or a subset or superset thereof.
  • each of these sub-modules can provide a variety of functions, including vocabulary index, user data, work flow model, service model and automatic speech recognition (ASR) system.
  • ASR automatic speech recognition
  • processor 180 or terminal may be implemented with the submodules, systems, or data and models.
  • the processor 180 may be configured to detect and detect requirements based on the user's intention or contextual conditions expressed in user input or natural language input.
  • the processor 180 may actively derive and acquire information necessary to completely determine a requirement based on a context condition or a user's intention. For example, the processor 180 may actively derive information necessary to determine a requirement by analyzing historical data including historical input and output, pattern matching, unambiguous words, and input intention.
  • the processor 180 may determine a task flow for executing a function that responds to a requirement based on a context condition or a user's intention.
  • the processor 180 collects, detects, extracts, and detects signals or data used in data analysis and machine learning operations through one or more sensing components in the terminal in order to collect information for processing and storage in the learning processor 130 And/or receive.
  • Collecting information may include sensing information through a sensor, extracting information stored in the memory 170, or receiving information from another terminal, entity, or external storage device through communication means.
  • the processor 180 may collect and store usage history information in the terminal.
  • the processor 180 may use the stored usage history information and predictive modeling to determine the best match for executing a specific function.
  • the processor 180 may receive or sense surrounding environment information or other information through the sensing unit 140.
  • the processor 180 may receive a broadcast signal and/or broadcast-related information, a radio signal, and radio data through the radio communication unit 110.
  • the processor 180 may receive image information (or a corresponding signal), audio information (or a corresponding signal), data, or user input information from the input unit 120.
  • the processor 180 collects information in real time, processes or classifies information (for example, a knowledge graph, a command policy, a personalization database, a conversation engine, etc.), and processes the processed information in a memory 170 or a learning processor 130 ).
  • information for example, a knowledge graph, a command policy, a personalization database, a conversation engine, etc.
  • the processor 180 can control the components of the terminal to perform the determined operation. In addition, the processor 180 may perform the determined operation by controlling the terminal according to the control command.
  • the processor 180 analyzes historical information indicating execution of a specific operation through data analysis and machine learning algorithms and techniques, and performs updating of previously learned information based on the analyzed information. Can.
  • the processor 180 may improve the accuracy of future performance of data analysis and machine learning algorithms and techniques based on the updated information along with the learning processor 130.
  • the sensing unit 140 may include one or more sensors for sensing at least one of information in the terminal, surrounding environment information surrounding the terminal, and user information.
  • the sensing unit 140 includes a proximity sensor, an illumination sensor, a touch sensor, an acceleration sensor, a magnetic sensor, and a gravity sensor G- sensor), gyroscope sensor, motion sensor, RGB sensor, infrared sensor (IR sensor), fingerprint scan sensor, ultrasonic sensor, optical sensor ( optical sensors, for example cameras (see 121), microphones (see 122), battery gauges, environmental sensors (e.g. barometers, hygrometers, thermometers, radioactivity sensors, thermal sensors, Gas detection sensor, etc.) and a chemical sensor (eg, an electronic nose, a health care sensor, a biometric sensor, etc.).
  • the terminal disclosed in the present specification may combine and use information sensed by at least two or more of these sensors.
  • the output unit 150 is for generating output related to vision, hearing, or tactile sense, and includes at least one of a display unit 151, an audio output unit 152, a hap tip module 153, and an optical output unit 154 can do.
  • the display unit 151 displays (outputs) information processed by the terminal 100.
  • the display unit 151 may display execution screen information of an application program driven by the terminal 100, or user interface (UI) or graphical user interface (GUI) information according to the execution screen information.
  • UI user interface
  • GUI graphical user interface
  • the display unit 151 may form a mutual layer structure with the touch sensor or may be integrally formed, thereby realizing a touch screen.
  • the touch screen may function as a user input unit 123 that provides an input interface between the terminal 100 and the user, and at the same time, provide an output interface between the terminal 100 and the user.
  • the audio output unit 152 may output audio data received from the wireless communication unit 110 or stored in the memory 170 in a call signal reception, call mode or recording mode, voice recognition mode, broadcast reception mode, or the like.
  • the audio output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that the user can feel.
  • a typical example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event using the light of the light source of the terminal 100.
  • Examples of events occurring in the terminal 100 may include receiving messages, receiving call signals, missed calls, alarms, schedule notifications, receiving emails, and receiving information through applications.
  • the interface unit 160 serves as a passage with various types of external devices connected to the terminal 100.
  • the interface unit 160 connects a device equipped with a wired/wireless headset port, an external charger port, a wired/wireless data port, a memory card port, and an identification module. It may include at least one of a port, an audio input/output (I/O) port, a video input/output (I/O) port, and an earphone port.
  • I/O audio input/output
  • I/O video input/output
  • earphone port an earphone port
  • the identification module is a chip that stores various information for authenticating the usage rights of the terminal 100, a user identification module (UIM), a subscriber identity module (SIM), and a universal user authentication module (universal subscriber identity module; USIM).
  • the device equipped with the identification module (hereinafter referred to as'identification device') may be manufactured in a smart card format. Accordingly, the identification device may be connected to the terminal 100 through the interface unit 160.
  • the memory 170 stores data supporting various functions of the terminal 100.
  • the memory 170 is a plurality of application programs (application programs or applications) running in the terminal 100, data for the operation of the terminal 100, instructions, data for the operation of the running processor 130 Fields (eg, at least one algorithm information for machine learning, etc.).
  • the processor 180 controls the overall operation of the terminal 100 in addition to the operations related to the application program.
  • the processor 180 may provide or process appropriate information or functions to the user by processing signals, data, information, etc. input or output through the above-described components or by driving an application program stored in the memory 170.
  • the processor 180 may control at least some of the components discussed with reference to FIG. 1 in order to drive an application program stored in the memory 170. Furthermore, the processor 180 may operate by combining at least two or more of the components included in the terminal 100 for driving the application program.
  • the power supply unit 190 receives external power and internal power to supply power to each component included in the terminal 100.
  • the power supply unit 190 includes a battery, and the battery may be a built-in battery or a replaceable battery.
  • the processor 180 controls the operation related to the application program and generally the overall operation of the terminal 100. For example, when the state of the terminal satisfies a set condition, the processor 180 may execute or release a lock state that restricts input of a user's control command to applications.
  • FIG. 3 is a block diagram illustrating the configuration of a laundry treatment apparatus according to an embodiment of the present invention.
  • the laundry treatment apparatus 300 may include the terminal 100 and the laundry unit 310 shown in FIG. 2.
  • the terminal 100 may be configured to be modularized as an internal component of the laundry treatment apparatus 300.
  • the laundry treatment apparatus 300 may include internal components of the terminal 100 illustrated in FIG. 2 and the laundry unit 310 as parallel components.
  • the laundry unit 310 includes at least one of a laundry module 311 performing a function related to washing, a drying module 312 performing a function related to drying, and a clothing management module 313 performing a function related to other clothes management. It may include.
  • the washing module 311 may perform functions related to washing, such as immersion, washing, rinsing, and dehydration.
  • the drying module 312 may perform a function of drying laundry using various methods, and typically, the laundry may be dried using wind (hot air or cold air).
  • the clothing management module 313 may perform functions related to various clothing management such as clothing mounting, dry cleaning, dust removal, sterilization, wrinkle removal, and ironing.
  • the control processor 314 provided in the processor 180 or the washing unit 310 controls various components included in the washing module 311, the drying module 312, or the clothing management module 313 of the washing unit 310 to control various components. It provides laundry function.
  • the input unit 120 and the sensor unit 140 may collect data related to user interaction related to the use and control of the laundry unit 310.
  • the input unit 120 and the sensor unit 140 may collect course selection information and control information through voice or interaction.
  • the output unit 150 may output information related to the use and control of the laundry unit 310.
  • the output unit 150 may output course information, usage records, and control information corresponding to laundry, drying, and clothing management.
  • the memory 170 may store information related to use and control of the laundry unit 310.
  • the memory 170 may store course information, usage records, and control information corresponding to laundry, drying, and clothing management.
  • the washing module 311 supplies the tub 311a in which washing water is stored, the drum 311b installed to be rotatable in the tub, and the driving unit 311c for rotating the drum, and the washing water. It may include a water supply unit 311d, a pump 311e for circulating or discharging the washing water, and a drainage unit 311f for discharging the discharged washing water.
  • a drum 311b in which laundry is accommodated may be rotatably provided in the tub 311a.
  • the drum 311b accommodates laundry, and the entrance to which the laundry is introduced is disposed to be located on the front or upper surface, and is rotated about a horizontal or vertical center of rotation.
  • a plurality of through holes may be formed in the drum 311b so that water in the tub 311a may be introduced into the drum 311b.
  • horizontal or vertical herein is not a term used in a mathematically strict sense. That is, it can be said that the center of rotation is substantially horizontal or vertical because it is close to horizontal even when the center of rotation is inclined at a predetermined angle with respect to horizontal or vertical as in the embodiment.
  • the water supply unit 311d may include a water supply valve, a water supply pipe, and a water supply hose.
  • the washing water passing through the water supply valve and the water supply pipe may be mixed with the detergent in the detergent dispenser, and then supplied to the tub 311a through the water supply hose.
  • a direct water supply pipe is connected to the water supply valve, and washing water may be directly supplied into the tub 311a without mixing with the detergent through the direct water supply pipe.
  • the pump 311e functions as a drain pump 311e for discharging wash water to the outside and a circulation pump 311e for circulating the wash water, but unlike this, the drain pump 311e and the circulation pump 311e are separate. Can be installed.
  • the pump 311e is connected to a drain pipe provided in the drain portion 311f, and discharges washing water to the outside through the drain pipe.
  • the pump 311e is connected to the circulation water supply pipe, and the washing water stored in the tub 311a may be sprayed into the drum 311b through the circulation water supply pipe to circulate the washing water.
  • the inner surface of the drum 311b may include one or more protrusions protruding toward the inside of the drum 311b.
  • the protrusion may be a lifter disposed on the inner surface of the drum 311b or an integrally formed embossing.
  • a lifter is provided on the inner surface of the drum 311b or embossing is formed, it is possible to repeat that the laundry is lifted and dropped by the lifter when the drum 311b is rotated.
  • the driving unit 311c rotates the drum 311b, and a driving shaft rotated by the driving unit 311c may be coupled to the drum 311b through the rear portion of the tub 311a.
  • the driving unit 311c may include a motor capable of speed control.
  • the motor may be an inverter direct drive motor (Inverter Direct Drive Motor).
  • the control processor 314 receives the output value (for example, output current) of the motor of the driving unit 311c as an input, and based on this, the rotational speed (or rotational speed) of the motor of the driving unit 311c is a predetermined target rotation It can be controlled to follow the number (or target rotational speed). Also, the control processor 314 may control driving of the motor of the driving unit 311c according to the driving pattern.
  • the output value for example, output current
  • the rotational speed (or rotational speed) of the motor of the driving unit 311c is a predetermined target rotation It can be controlled to follow the number (or target rotational speed). Also, the control processor 314 may control driving of the motor of the driving unit 311c according to the driving pattern.
  • the drying module 312 includes a drum 312a into which laundry is introduced, a driving unit 312b for rotating the drum, a heating unit 312c for heating air, a blower fan 312d for circulating internal air, and internal air It may include an exhaust portion (312e) for discharging.
  • the drum 312a is a space in which a dried object is dried, and is rotatably installed inside the main body.
  • one or more lifters for raising and falling the dried material may be provided inside the drum 312a.
  • the drum 312a is connected to an intake port (not shown), and air may be introduced into the inside by a blower fan 312d.
  • the driving unit 312b rotates the drum 312a, and a driving shaft rotated by the driving unit 312b may be combined with the drum 312a.
  • the driving unit 312b may include a motor capable of speed control.
  • the motor may be an inverter direct drive motor (Inverter Direct Drive Motor).
  • the control processor 314 receives the output value (for example, the output current) of the motor of the driving unit 312b as an input, and based on this, the rotational speed (or rotational speed) of the motor of the driving unit 312b is a predetermined target rotation It can be controlled to follow the number (or target rotational speed). Also, the control processor 314 may control driving of the motor of the driving unit 312b according to the driving pattern.
  • the output value for example, the output current
  • the rotational speed (or rotational speed) of the motor of the driving unit 312b is a predetermined target rotation It can be controlled to follow the number (or target rotational speed). Also, the control processor 314 may control driving of the motor of the driving unit 312b according to the driving pattern.
  • the heating unit 312c may include a heating unit that heats air inside the drum 312a or air introduced from the outside.
  • the heating unit heats air using various energy sources such as a gas type or an electric type, and a coil heater may be used for the electric type.
  • the heating unit 312c may include a plurality of heating units, and each heating unit may not be the same as each other and may use various energy sources, and each performance may be different.
  • the blowing fan 312d circulates air heated in the heating unit 312c or air inside the drum 312a.
  • the exhaust portion 312e serves to guide the air inside the drum 312a to be discharged to the outside, and may include an exhaust duct and an air filter.
  • the clothing management module 313 includes a clothing container 313a which is a space for mounting clothing, a driving unit 313b for moving a cradle provided in the clothing container 313a, and a blower fan 313c for circulating internal air, An air filter 313d, a sterilization unit 313e, and a wrinkle management unit 313f may be included.
  • the clothing container 313a is a space containing clothes (or laundry) to be managed or processed, and may include a holder capable of fixing clothes.
  • the clothing container may include a hanger and a hook through which the hanger can be mounted, or a three-dimensional shape such as a torso and a mannequin.
  • the clothing container 313a is connected to an intake port (not shown), and air may be introduced by the blowing fan 313c.
  • the driving unit 313b may drive the cradle to induce a predetermined movement with respect to the clothes mounted on the cradle.
  • the driving unit 313b may operate to vibrate the cradle and the clothes mounted on the cradle according to a certain vibration pattern. As the mounted clothing is vibrated, dust or foreign substances attached to or adhered to the clothing can be removed.
  • the driving unit 313b may include a motor capable of speed control.
  • the motor may be an inverter direct drive motor (Inverter Direct Drive Motor).
  • the control processor 314 receives the output value (for example, output current) of the motor of the driving unit 313b as an input, and based on this, the rotational speed (or rotational speed) of the motor of the driving unit 313b is a predetermined target rotation It can be controlled to follow the number (or target rotational speed). Also, the control processor 314 may control driving of the motor of the driving unit 313b according to the driving pattern.
  • the output value for example, output current
  • the rotational speed (or rotational speed) of the motor of the driving unit 313b is a predetermined target rotation It can be controlled to follow the number (or target rotational speed). Also, the control processor 314 may control driving of the motor of the driving unit 313b according to the driving pattern.
  • the blowing fan 313c circulates air by supplying air introduced from the outside of the clothing container 313a or air inside the clothing container 313a into the clothing container.
  • the blowing fan 313c may be installed such that air supplied to the clothes mounted on the clothing container 313a collides, or the air supply direction may be controlled.
  • the blower fan 313c may spray air on the mounted clothing to induce dust attached or adhered to the clothing to fall off the clothing, or to remove moisture in the clothing.
  • the air filter 313d filters dust or the like when the inside air of the clothing container 313a is circulated or when the inside air is discharged to the outside.
  • the sterilization unit 313e may include various sterilization devices for sterilizing the mounted clothes.
  • the sterilizing device may include a sterilizing device using ozone and a sterilizing device using ultraviolet light.
  • the wrinkle management unit 313f reduces or removes wrinkles of the mounted garments, and may include a steam supply, an iron and an ironing board.
  • the steam feeder heats the supplied water to make it steam, and naturally supplies the steam to the clothes container 313a or directly sprays it on the mounted clothes.
  • the iron and ironing board are provided inside the clothing container 313a.
  • the operation may be controlled according to the ironing operation information determined in consideration of the shape, location, and material of the clothes to be ironed.
  • the ironing operation information may include an iron/ironing board location/motion line, ironing temperature/time, and the like.
  • the control processor 314 may control the movement of the iron and the ironing board by controlling the driving unit separately provided in the driving unit 313b or the wrinkle management unit 313f, and may control the iron and the ironing board according to the ironing operation information. .
  • FIG. 4 is a flowchart illustrating an operation method of a laundry treatment apparatus according to an embodiment of the present invention.
  • the sensing unit 140 of the laundry treatment apparatus 300 is Collect sensing information (S401).
  • the sensing unit 140 may include at least one of a fungal sensor (not shown), an air quality sensor (not shown), and a gas sensor.
  • one or more mold sensors or one or more air quality sensors or one or more gas sensors may be provided inside the laundry treatment apparatus 300.
  • Sensing information may be collected to determine the type of microorganism, such as mold or bacteria, or the growth rate of the microorganism.
  • the sensing information may include sensing values measured through a mold sensor, sensing values measured through an air quality sensor, and timing information at which each sensing value is measured.
  • FIG. 5 is a view for explaining an example of the sensing information collected by the sensing unit according to an embodiment of the present invention.
  • sensing information 500 collected by the sensing unit 140 is illustrated.
  • the sensing information 500 includes a first sensing value (0.0120011) measured through a mold sensor, a second sensing value (0.0013200) measured through an air quality sensor, a first sensing value, and a second sensing value measured. It may include a time point (1811111020, indicating 10:20 on November 11, 2018).
  • the sensing unit 140 may periodically collect sensing information.
  • the cycle may be 1 minute, but this is only an example.
  • the processor 180 of the laundry treatment device 300 is collected Sensing By applying a learning model to the information, microbial information including at least one of a type of microorganism or a propagation rate of the microorganism is obtained (S403).
  • the learning model may be a model in which relationships between sensing information and types of microorganisms are learned.
  • the learning model may be a model in which the relationship between sensing information and types of microorganisms and the growth rate of each microorganism is learned.
  • the learning model can be obtained through a supervised learning method that learns data given a correct answer. More specifically, the learning model can be obtained through a linear regression algorithm, which is one of supervised learning methods.
  • the linear regression algorithm is an algorithm that randomly draws a straight line of a linear function and predicts result data based on the straight line.
  • the processor 180 may acquire one or more of the types of microorganisms matching the sensing information or the growth rate of the microorganisms using the collected sensing information as input data and a learning model.
  • the learning model may be a model generated by the learning processor 130.
  • the learning model may be received from an external server, for example, the learning device 1000 of FIG. 1.
  • the processor 180 may determine that a new microorganism is detected.
  • the processor 180 compares the sensing value ranges corresponding to each of the types of microorganisms and the collected sensing values, and is the type of microorganisms corresponding to the sensing value range closest to the collected sensing value. Microorganisms corresponding to the corresponding sensing value can be classified.
  • FIG. 6 is a diagram illustrating a method of acquiring a type of microorganism using a linear regression algorithm according to an embodiment of the present invention.
  • a linear function 600 in which a relationship between a measurement point corresponding to mold A and a sensing value is learned is illustrated.
  • the learned linear function for the B fungus may have a different slope and y-intercept value of the linear function 600 illustrated in FIG. 6.
  • the x-axis of the linear function 600 represents the measurement starting point of the sensing value, and the y-axis represents the sensing value.
  • a point having a first sensing value at a first time point x1 is referred to as a first point 601, and at a second time point x2, a point having a second sensing value is referred to as a second point 603. It is called.
  • the processor 180 may indicate the collected first sensing information as the first point 601 and the collected second sensing information as the second point 603.
  • the difference between the y value y1 of the first point 601 and the h1 y value of the linear function 600 is less than a reference value, and at the x2 time point, the processor 180 is the y value of the second point 603 If the difference between y2 and h2, which is the y value of the linear function 600, is less than the reference value, it can be determined that A mold is detected.
  • FIG. 7 is a diagram illustrating a method of acquiring different types of microorganisms using a linear regression algorithm according to an embodiment of the present invention.
  • a linear function 700 in which a relationship between a measurement time point and a sensing value corresponding to B fungus is learned is illustrated.
  • the learned linear function for the B fungus may have a different slope and y-intercept value from the linear function 700 shown in FIG. 7.
  • the x-axis of the linear function 700 represents the measurement starting point of the sensing value, and the y-axis represents the sensing value.
  • a point having a third sensing value at a third time point x3 is called a third point 701
  • a point having a fourth sensing value is a fourth point 703. It is called.
  • the processor 180 may indicate the collected third sensing information as the third point 701 and the collected fourth sensing information as the fourth point 703.
  • the processor 180 has a difference between the y value of the third point 701, y3, and the h value, which is the y value of the linear function 700, less than a reference value, and at the x4 time point, the y value of the fourth point 703
  • the difference between y4 and h4 which is the y value of the linear function 600, is less than the reference value, it can be determined that B mold is detected.
  • the processor 180 of the laundry processing apparatus 300 obtains laundry guide information based on the obtained microbial information (S405).
  • the processor 180 is laundry guide information that guides to perform a specific washing operation to prevent the removal or growth of microorganisms, based on the microorganism information including one or more of the type of microorganism and the growth rate of microorganisms Can be obtained.
  • the processor 180 may store in advance a table in which the laundry guide information corresponding to the type of microorganism and the growth rate of the microorganism is stored in the memory 170 in advance.
  • the processor 180 may obtain washing guide information corresponding to the determined type of the microorganism and the growth rate of the microorganism using the table stored in the memory 170.
  • the washing guide information may include location information of a sensor in which microorganisms are found.
  • the mold sensor or air quality sensor of the sensing unit 140 may transmit its own identification information to the processor 180 together with the sensing information.
  • the identification information may be included in the sensing information.
  • the identification information may include an identifier for identifying the sensor and position information of the sensor indicating where the sensor is disposed in the laundry treatment apparatus 300.
  • the processor 180 may include identification information of a sensor providing sensing information on which the microbial information is based, in the microbial information.
  • the processor 180 may determine the location of the sensor through the identification information of the sensor included in the microbial information, and may generate washing guide information using the determined location of the sensor.
  • the washing guide information may further include location information of the microorganism indicating that the microorganism is detected in the washing tank.
  • the processor 180 of the laundry processing apparatus 300 transmits the obtained microbial information and laundry guide information to the terminal 100 through the wireless communication unit 110 (S407).
  • the terminal 100 may display microbial information and washing guide information through the display unit 151.
  • the processor 180 may display microbial information and laundry guide information on the display.
  • the processor 180 may output microbial information and laundry guide information through a speaker through voice.
  • the processor 180 may control the operation of the washing unit 310 to perform the washing operation according to the washing guide information.
  • the processor 180 may control the operation of the washing module 311 to automatically perform the washing of the tub.
  • FIGS. 8 to 10 are diagrams illustrating an example in which a terminal capable of communicating with a laundry treatment apparatus displays microbial information and laundry guide information according to an embodiment of the present invention.
  • a growth rate graph 800 showing the growth rate for mold A is shown.
  • the user can see the predicted growth rate of mold A and obtain motivation to perform dehumidification or washing of the laundry treatment device 300.
  • the terminal 100 displays guide information 900 including microbial information ⁇ A mold was detected> and laundry guide information ⁇ Please perform a washing> on the display unit 151. Can be displayed.
  • the terminal 100 displays guide information 1000 on the display unit 151 including microbial information ⁇ B fungus detected> and laundry guide information ⁇ Please perform a dehumidification mode>. Can be displayed.
  • the user can check the bacterial state of the laundry treatment apparatus 300 through the guide information 900 and 990, and immediately perform the corresponding action.
  • FIG. 11 is a ladder diagram illustrating a method of operating a laundry system according to an embodiment of the present invention.
  • FIG. 11 is a diagram illustrating an embodiment in which the learning apparatus 1000 acquires microbial information and laundry guide information.
  • the processor 180 of the laundry processing apparatus 300 collects sensing information through the sensing unit 140 (S1101).
  • the sensing unit 140 may include at least one of a fungal sensor (not shown), an air quality sensor (not shown), and a gas sensor.
  • one or more mold sensors or one or more air quality sensors or one or more gas sensors may be provided inside the laundry treatment apparatus 300.
  • Sensing information may be collected to determine the type of microorganism, such as mold or bacteria, or the growth rate of the microorganism.
  • the sensing information may include sensing values measured through a mold sensor, sensing values measured through an air quality sensor, and timing information at which each sensing value is measured.
  • the processor 180 of the laundry processing apparatus 300 transmits the sensing information collected through the wireless communication unit 110 to the learning apparatus 1000 (S1103).
  • the processor 180 may periodically transmit sensing information to the learning device 1000.
  • Learning device 1000 is received Sensing By applying a learning model to the information, microbial information including the type of microorganism and the growth rate of the microorganism is obtained (S1105).
  • the learning apparatus 1000 may generate a learning model based on the collected sensing information.
  • the learning model may be a model in which relationships between sensing information and types of microorganisms are trained using a linear regression algorithm.
  • the learning model may be a model in which relationships between sensing information and types of microorganisms and growth rates of microorganisms are learned using a linear regression algorithm.
  • the learning apparatus 1000 obtains laundry guide information based on the obtained microbial information (S1107).
  • the learning apparatus 1000 may store in advance a table in which the laundry guide information corresponding to the type of microorganism and the growth rate of the microorganism corresponds to the database.
  • the learning device 1000 may obtain laundry guide information corresponding to the determined type of microorganism and the growth rate of microorganisms using a table stored in the database.
  • the learning apparatus 1000 transmits the obtained microbial information and washing guide information to the terminal 100 (S1109).
  • the learning device 1000 may transmit the obtained microbial information and laundry guide information to the laundry processing device 300, and the laundry processing device 300 may transmit the microbial information and laundry guide information to the terminal 100. It might be.
  • the terminal 100 receives microbial information and laundry guide information received from the learning device 1000.
  • the user can check, through microbial information, which microorganisms are present in the laundry treatment apparatus 300, and at what proliferation rate, the number of microorganisms is increased.
  • the user may be guided through the laundry guide information on what action to be taken on the current laundry handling apparatus 300.
  • the user may operate the laundry treatment device 300 according to the washing guide information, thereby preventing damage to the laundry treatment device 300 and preventing contamination of the laundry with microorganisms at a later time during washing. .
  • the above-described present invention can be embodied as computer readable codes on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices in which data that can be read by a computer system are stored. Examples of computer-readable media include a hard disk drive (HDD), solid state disk (SSD), silicon disk drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. There is this.
  • the computer may include a processor 180 of the terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Textile Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Public Health (AREA)
  • Toxicology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Biotechnology (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시 예에 따른 세탁물 처리 장치는 무선 통신부와 적어도 하나 이상의 센서 및 상기 적어도 하나 이상의 센서로부터 수집된 센싱 값 및 상기 센싱 값의 측정 시점을 포함하는 센싱 정보에 지도 학습 알고리즘을 통해 학습된 학습 모델을 적용하여, 미생물의 종류 및 상기 미생물의 증식 속도를 포함하는 미생물 정보를 획득하고, 획득된 미생물 정보에 기초하여, 세탁 가이드 정보를 획득하고, 획득된 세탁 가이드 정보를 상기 무선 통신부를 통해 단말기에 전송할 수 있다.

Description

세탁물 처리 기기 및 그의 동작 방법
본 발명은 세탁물 처리 기기에 관한 것으로, 센싱 데이터를 기반으로, 인공 지능을 이용하여, 세탁물 처리 기기의 오염 상태를 판단할 수 있는 세탁물 처리 기기에 관한 것이다.
현대에서 세탁물 처리 장치는 모든 가정에서 필수적인 가전 제품이다.
최근 살균에 대한 소비자의 인식이 높아지고 있는 추세에 비추어 살균기능이 부가된 세탁물 처리 장치들이 개발되고 있다.
이러한, 살균기능이 부가된 세탁물 처리 장치들은 그 살균수단으로서 통세척을 실시하거나, 제습 모드를 동작시키거나, 자외선을 사용하는 방법들이 사용되고 있다.
그러나, 종래의 세탁물 처리 기기는 곰팡이 또는 세균을 검출하고, 자동적으로, 조세정이 수행될 수 있었으나, 곰팡이 또는 세균의 종류에 따른 조치를 취하지 않았다.
또한, 세탁물 처리 기기가 일괄적인 조세정만을 수행하여, 검출된 미생물의 종류 또는 증식 상황에 알맞은 조세정이 수행되지 않아, 제대로된 청소가 이루어 지지 않은 문제가 있었다.
본 발명은 세탁물 처리 장치에서 검출된 미생물의 종류 및 미생물의 증식 속도에 맞추어, 세척 동작을 달리함으로써, 세탁물 처리 기기의 오염 상황에 적합한 조치를 취할 수 있는 것에 그 목적이 있다.
본 발명의 실시 예에 따른 세탁물 처리 장치는 세탁물 처리 장치에 부착된 하나 이상의 센서의 센싱 값에 기반하여, 미생물의 종류 및 미생물의 증식 속도를 예측하고, 예측된 정보에 기반하여, 세척 가이드 정보를 제공할 수 있다.
본 발명의 실시 예에 따르면, 세탁물 처리 장치에서 검출된 미생물의 종류 및 미생물의 증식 속도에 맞는 세척 동작이 수행되어, 보다, 정확한 세척 동작이 수행될 수 있다.
이에 따라, 세탁물의 오염도가 줄어들 수 있고, 세탁물 처리 장치의 수명이 늘어날 수 있다.
도 1은 인공 신경망의 학습 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 단말기를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시 예에 따라 센싱부에서 수집되는 센싱 정보의 예를 설명하는 도면이다.
도 6은 본 발명의 일 실시 예에 따라 선형 회귀 알고리즘을 이용하여 미생물의 종류를 획득하는 방법을 설명하는 도면이다.
도 7은 본 발명의 일 실시 예에 따라 선형 회귀 알고리즘을 이용하여 다른 종류의 미생물을 획득하는 방법을 설명하는 도면이다.
도 8 내지 도 10은 본 발명의 실시 예에 따라, 세탁물 처리 장치와 통신 가능한 단말기가 미생물 정보 및 세탁 가이드 정보를 표시하는 예를 설명하는 도면이다.
도 11은 본 발명의 일 실시 예에 따른 세탁 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공신경망(Artificial neural network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성：conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망(Artificial Neural Network, ANN)은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(Layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망(Artificial Neural Network, ANN)은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망(Artificial Neural Network, ANN)은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망(Artificial Neural Network, ANN)은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망(Artificial Neural Network, ANN)은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망(Artificial Neural Network, ANN)은 뉴런(neuron)과 뉴런(neuron)을 연결하는 시냅스(synapse)를 포함할 수 있다.
인공 신경망(Artificial Neural Network, ANN)은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어(layer)의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망(Artificial Neural Network, ANN)은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망(Artificial Neural Network, ANN)은 계층(layer) 수에 따라 단층 신경망(Single Layer Neural Networks)과 다층 신경망(Multi Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망(Single Layer Neural Networks)은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층신경망(Multi Layer Neural Networks)은 입력층과 은닉층, 출력층으로 구성된다.
입력층(input layer)은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층(hidden layer)은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층(output layer)은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.
한편 입력층(input layer)과 출력 층(output layer) 사이에 복수의 은닉층(hidden layer)을 포함하는 심층 신경망(Deep Neural Network, DNN)은, 기계 학습(machine learning) 기술의 한 종류인 딥 러닝(deep learning)을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습(training)이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망(Artificial Neural Network, ANN)의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망(Artificial Neural Network, ANN)의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류(classification)하거나 군집화 (clustering)할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.
다음은 인공 신경망(Artificial Neural Network, ANN)의 학습 방식에 대하여 설명한다.
인공 신경망(Artificial Neural Network, ANN)의 학습 방식은 크게, 지도 학습(Supervised Learning), 비 지도 학습(Unsupervised Learning), 준 지도 학습(semi-supervised learning), 강화 학습(Reinforcement learning)으로 분류될 수 있다.
지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터(training data)에 대한 레이블(label)이 주어진 상태에서 인공 신경망(Artificial Neural Network, ANN)을 학습시킨다.
여기서 레이블(label)이란, 훈련 데이터(training data)가 인공 신경망(Artificial Neural Network, ANN)에 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터(training data)가 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과값)을 레이블(label) 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망(Artificial Neural Network, ANN)의 학습을 위하여 훈련 데이터(training data)에 레이블(label)을 다는 것을, 훈련 데이터(training data)에 레이블링 데이터(labeling data)를 레이블링 한다(labeling)라고 명칭 한다.
이 경우 훈련 데이터(training data)와 훈련 데이터에 대응하는 레이블(label)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망(Artificial Neural Network, ANN)에는 트레이닝 셋(training set)의 형태로 입력될 수 있다.
한편 훈련 데이터(training data)는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블(label)이 레이블링(labeling)된다는 것은 훈련 데이터(training data)가 나타내는 특징에 레이블(label)이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터(training data)는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터와 레이블링 데이터(labeling data)를 이용하여, 훈련 데이터와 레이블링 데이터(labeling data)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망(Artificial Neural Network, ANN)은 유추된 함수에 대한 평가를 통해 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화) 할 수 있다.
비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블(label)이 주어지지 않는다.
구체적으로, 비 지도 학습(Unsupervised Learning)은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블(label)의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습(Unsupervised Learning)의 예로는, 군집화(Clustering) 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(Generative　Adversarial　Network, GAN), 오토 인코더(Autoencoder, AE)를 들 수 있다.
생성적 적대 신경망(Generative　Adversarial　Network, GAN)이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.
이 경우 생성기(generator)는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기(discriminator)는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 생성기(generator)에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기(generator)는 판별기(discriminator)를 속이지 못한 데이터를 입력 받아 학습하며, 판별기(discriminator)는 생성기(generator)로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기(generator)는 판별기(discriminator)를 최대한 잘 속이도록 진화할 수 있고, 판별기(discriminator) 원본 데이터와 생성기(generator)에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더(Autoencoder, AE)는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더(Autoencoder, AE)는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더(Autoencoder, AE)는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습(Semi-Supervised Learning)은 기계 학습의 일종으로, 레이블(label)이 주어진 훈련 데이터와 레이블(label)이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.
준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.
마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
도 1은 인공 신경망의 학습 장치를 설명하기 위한 블록도이다.
인공 신경망의 학습 장치(1000)는, 데이터 입력부(1010), 프로세서(1020) 및 인공 신경망(1030)을 포함할 수 있다.
데이터 입력부(1010)는 입력 데이터를 수신할 수 있다. 이 경우 데이터 입력부(1010)는 훈련 데이터를 수신할 수 있으며, 가공되지 않은 데이터를 수신할 수도 있다.
데이터 입력부(1010)가 가공되지 않은 데이터를 수신한 경우, 프로세서(1020)는 수신된 데이터를 전처리 하여 인공 신경망(1030)에 입력이 가능한 훈련데이터를 생성할 수 있다.
인공 신경망(1030)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 인공 신경망(1030)의 일부 또는 전부가 소프트웨어로 구현되는 경우 인공 신경망(1030)을 구성하는 하나 이상의 명령어는 인공 신경망의 학습 장치(1000)에 포함되는 메모리(미도시)에 저장될 수 있다.
프로세서(1020)는 훈련 데이터 또는 트레이닝 셋(training set)을 인공 신경망(1030)에 입력하여 인공 신경망(1030)을 훈련(training)시킬 수 있다.
구체적으로 프로세서(1020)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(Artificial Neural Network, ANN)을 반복적으로 학습시킴으로써, 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화)할 수 있다
이와 같이 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.
한편 학습 모델(a trained model)은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.
한편 학습 모델(a trained model)은 인공 신경망의 학습 장치(1000)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 다른 장치로 전송되어 탑재될 수도 있다.
학습 모델(a trained model)을 다른 장치로 전송하는 경우, 인공 신경망의 학습 장치(1000)는 다른 장치와 통신하기 위한 통신부(미도시)를 포함할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 단말기를 설명하기 위한 블록도이다.
본 명세서에서 설명되는 단말기에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 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)) 등이 포함될 수 있다.
그러나, 본 명세서에 기재된 실시 예에 따른 단말기(100)는 스마트 TV, 데스크탑 컴퓨터, 디지털사이니지 등과 같은 고정 단말기에도 적용될 수도 있다.
또한, 본 발명의 실시 예에 따른 단말기(100)는 고정 또는 이동 가능한 로봇에도 적용될 수 있다.
또한, 본 발명의 실시 예에 따른 단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.
단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.
학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.
한편 학습 모델(a trained model)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델(a trained model)의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델(a trained model)을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.
무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.
근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
위치정보 모듈(115)은 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 단말기의 위치를 획득할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)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(151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면,
프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 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.
러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성 될 수 있다.
러닝 프로세서(130)는 단말기에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함 할 수 있다.
러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함 할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현 될 수 있다.
선택적으로 또는 부가 적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현 될 수 있다.
다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현 될 수 있다.
러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.
러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.
이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.
프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.
프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.
프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.
이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.
다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.
일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.
프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.
정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.
프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 저장할 수 있다.
프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.
프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.
프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.
프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.
프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.
단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.
프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.
따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.
센싱부(140)는 단말기 내 정보, 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서( illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(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, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.
메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.
메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.
프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구성을 설명하기 위한 블록도이다.
도 3을 참조하면, 세탁물 처리 장치(300)는 도 2에 도시된 단말기(100) 및 세탁부(310) 등을 포함할 수 있다.
단말기(100)는 세탁물 처리 장치(300)의 내부 구성 요소로서 모듈화되어 구성될 수도 있다.
세탁물 처리 장치(300)는 도 2에 도시된 단말기(100)의 내부 구성 요소들과 세탁부(310)를 병렬적인 구성 요소로서 포함할 수 있다.
세탁부(310)는 세탁과 관련된 기능을 수행하는 세탁 모듈(311), 건조와 관련된 기능을 수행하는 건조 모듈(312) 및 기타 의류 관리와 관련된 기능을 수행하는 의류 관리 모듈(313) 중에서 적어도 하나 이상을 포함할 수 있다.
세탁 모듈(311)은 담금, 세탁, 헹굼 및 탈수 등의 세탁과 관련된 기능을 수행할 수 있다.
건조 모듈(312)은 다양한 방법을 이용하여 세탁물을 건조하는 기능을 수행할 수 있으며, 대표적으로 바람(열풍이나 냉풍)을 이용하여 세탁물을 건조할 수 있다.
의류 관리 모듈(313)은 의류 거치, 드라이클리닝, 먼지 제거, 살균, 주름 제거 및 다림질 등의 다양한 의류 관리와 관련된 기능을 수행할 수 있다.
프로세서(180) 또는 세탁부(310)에 구비된 제어 프로세서(314)는 세탁부(310)의 세탁 모듈(311), 건조 모듈(312) 또는 의류 관리 모듈(313)에 포함된 구성 요소들을 제어하여 다양한 세탁 기능을 제공한다.
입력부(120)와 센서부(140)는 세탁부(310)의 사용 및 제어와 관련된 사용자의 상호작용에 관련된 데이터를 수집할 수 있다. 예컨대, 입력부(120)와 센서부(140)는 음성이나 상호작용을 통한 코스 선택 정보 및 제어 정보 등을 수집할 수 있다.
출력부(150)는 세탁부(310)의 사용 및 제어와 관련된 정보를 출력할 수 있다. 예컨대, 출력부(150)는 세탁, 건조 및 의류 관리에 상응하는 코스 정보, 사용 기록, 제어 정보 등을 출력할 수 있다.
메모리(170)는 세탁부(310)의 사용 및 제어와 관련된 정보를 저장할 수 있다. 예컨대, 메모리(170)는 세탁, 건조 및 의류 관리에 상응하는 코스 정보, 사용 기록, 제어 정보 등을 저장할 수 있다.
구체적으로, 세탁 모듈(311)은 세탁수가 저장되는 터브(311a), 상기 터브 내에 회전 가능하도록 설치되어 세탁물이 투입되는 드럼(311b), 상기 드럼을 회전시키는 구동부(311c), 상기 세탁수를 공급하는 급수부(311d), 상기 세탁수를 순환 또는 배출시키는 펌프(311e) 및 상기 배출되는 세탁수를 배출하는 배수부(311f) 등을 포함할 수 있다.
터브(311a) 내에는 세탁물이 수용되는 드럼(311b)이 회전 가능하게 구비될 수 있다. 드럼(311b)은 세탁물을 수용하며, 세탁물이 투입되는 입구가 전면 또는 상면에 위치하도록 배치되며, 대략 수평한 또는 수직한 회전 중심선을 중심으로 회전된다. 터브(311a) 내의 물이 드럼(311b) 내로 유입될 수 있도록, 드럼(311b)에는 다수의 통공이 형성될 수 있다.
다만, 여기서의 "수평" 또는 "수직"은 수학적으로 엄밀한 의미로써 사용된 용어는 아니다. 즉, 실시예에서와 같이 회전 중심선이 수평 또는 수직에 대해 소정의 각도로 기울어진 경우에도 수평에 근접하기 때문에, 실질적으로 수평 또는 수직하다고 할 수 있다.
급수부(311d)는 급수밸브, 급수관 및 급수호스 등을 포함할 수 있다.
급수시 급수밸브, 급수관을 통과한 세탁수는 세제 디스펜서에서 세제와 혼합된 다음, 급수호스를 통하여 터브(311a)로 공급될 수 있다.
한편, 급수밸브에 직수 공급관이 연결되어 직수 공급관을 통하여 세탁수가 세제와 혼합되지 않고 터브(311a) 내로 직접 공급될 수 있다.
펌프(311e)는 세탁수를 외부로 배출시키는 배수 펌프(311e)와 세탁수를 순환시키는 순환 펌프(311e)로서의 기능을 수행하나, 이와 달리 배수 펌프(311e) 및 순환 펌프(311e)가 별개로 설치될 수 있다.
펌프(311e)는 배수부(311f)에 구비된 배수관과 연결되어, 배수관을 통하여 세탁수를 외부로 배출할 수 있다. 또한, 펌프(311e)는 순환수 공급관과 연결되어, 순환수 공급관을 통해 터브(311a) 내에 저장된 세탁수를 드럼(311b) 내부로 분사하여 세탁수를 순환시킬 수 있다.
드럼(311b)의 내측면에 드럼(311b)의 내부를 향하여 돌출된 하나 이상의 돌출부를 포함할 수 있다.
돌출부는 드럼(311b)의 내측면에 배치되는 리프터 또는 일체로 형성된 엠보싱일 수 있다. 드럼(311b)의 내측면에 리프터가 구비되거나 엠보싱이 형성되는 경우, 드럼(311b)의 회전시 세탁물이 리프터에 의해 들어올려졌다가 낙하되는 것을 반복할 수 있다.
구동부(311c)는 드럼(311b)을 회전시키며, 구동부(311c)에 의해 회전되는 구동축이 터브(311a)의 후면부를 통과하여 드럼(311b)과 결합될 수 있다.
구동부(311c)는 속도 제어가 가능한 모터를 포함할 수 있다.
이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다.
제어 프로세서(314)는 구동부(311c)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(311c)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(311c)의 모터의 구동을 제어할 수 있다.
그리고, 건조 모듈(312)은 세탁물이 투입되는 드럼(312a), 상기 드럼을 회전시키는 구동부(312b), 공기를 가열시키는 가열부(312c), 내부 공기를 순환시키는 송풍팬(312d) 및 내부 공기를 배출하는 배기부(312e) 등을 포함할 수 있다.
드럼(312a)은 건조물이 건조되는 공간으로, 본체의 내부에 회전 가능하게 설치된다. 그리고, 드럼(312a)의 내부에는 건조물을 상승시켜 낙하시키기 위한 하나 이상의 리프터가 구비될 수 있다.
드럼(312a)은 흡기구(미도시)와 연결되고, 송풍팬(312d)에 의해 내부로 공기가 유입될 수 있다.
구동부(312b)는 드럼(312a)을 회전시키며, 구동부(312b)에 의해 회전되는 구동축이 드럼(312a)와 결합될 수 있다.
구동부(312b)는 속도 제어가 가능한 모터를 포함할 수 있다.
이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다.
제어 프로세서(314)는 구동부(312b)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(312b)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(312b)의 모터의 구동을 제어할 수 있다.
가열부(312c)는 드럼(312a) 내부의 공기 또는 외부에서 유입되는 공기를 가열하는 가열부를 포함할 수 있다.
가열부는 가스식 혹은 전기식 등의 다양한 에너지원을 이용하여 공기를 가열시키며, 전기식의 경우 코일 히터를 이용할 수 있다.
가열부(312c)는 복수의 가열부를 포함할 수 있고, 각 가열부는 서로 동일하지 않고 다양한 에너지원을 이용할 수도 있고, 각각의 성능이 상이할 수도 있다.
송풍팬(312d)은 가열부(312c)에서 가열된 공기 또는 드럼(312a) 내부의 공기를 순환시킨다.
배기부(312e)는 드럼(312a) 내부의 공기가 외부로 배출될 수 있도록 안내하는 역할을 하며, 배기 덕트 및 에어필터 등을 포함할 수 있다.
그리고, 의류 관리 모듈(313)은 의류를 거치할 수 있는 공간인 의류 컨테이너(313a), 의류 컨테이너(313a)에 구비된 거치대를 움직이는 구동부(313b), 내부 공기를 순환시키는 송풍팬(313c), 에어 필터(313d), 살균부(313e) 및 주름 관리부(313f) 등을 포함할 수 있다.
의류 컨테이너(313a)는 관리 또는 처리의 대상이 되는 의류(또는 세탁물)을 담는 공간으로, 의류를 고정할 수 있는 거치대를 포함할 수 있다. 예컨대, 의류 컨테이너는 옷걸이와 옷걸이를 거치할 수 있는 후크, 또는 토르소와 마네킹 같은 입체 형상 등을 포함할 수 있다.
의류 컨테이너(313a)는 흡기구(미도시)와 연결되어, 송풍팬(313c)에 의해 공기가 유입될 수 있다.
구동부(313b)는 거치대를 구동하여 거치대에 거치된 의류에 대하여 기 설정된 움직임을 유도할 수 있다.
예컨대, 구동부(313b)는 일정한 진동 패턴에 따라 거치대와 거치대에 거치된 의류가 진동하도록 동작할 수 있다. 거치된 의류를 진동시킴에 따라 의류에 부착 또는 점착된 먼지나 이물질 등을 제거할 수 있다.
구동부(313b)는 속도 제어가 가능한 모터를 포함할 수 있다.
이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다.
제어 프로세서(314)는 구동부(313b)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(313b)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(313b)의 모터의 구동을 제어할 수 있다.
송풍팬(313c)은 의류 컨테이너(313a)의 외부에서 유입된 공기 또는 의류 컨테이너 내부(313a)의 공기를 의류 컨테이너 내부로 공급하여 공기를 순환시킨다.
송풍팬(313c)은 의류 컨테이너(313a)에 거치된 의류에 공급하는 공기가 부딪히도록 설치되거나, 공기 공급 방향이 제어될 수 있다.
예컨대, 송풍팬(313c)은 거치된 의류에 공기를 분사하여 의류에 부착 또는 점착된 먼지를 의류에서 떨어지도록 유도하거나, 의류의 습기를 제거할 수 있다.
에어 필터(313d)는 의류 컨테이너(313a)의 내부 공기가 순환될 때 혹은 내부 공기가 외부로 배출될 때 먼지 등을 필터링한다.
살균부(313e)는 거치된 의류를 살균하는 다양한 살균 장치를 포함할 수 있다.
예컨대, 살균 장치에는 오존을 이용하는 살균 장치 및 자외선을 이용하는 살균 장치 등이 포함될 수 있다.
주름 관리부(313f)는 거치된 의류의 주름을 줄이거나 제거하며, 스팀 공급기, 다리미 및 다림질판 등을 포함할 수 있다.
스팀 공급기는 공급된 물을 가열하여 스팀으로 만들고, 스팀을 의류 컨테이너(313a)에 자연 공급하거나 거치된 의류에 직접 분사할 수 있다.
다리미 및 다림질판은 의류 컨테이너(313a)의 내부에 구비된다. 그리고, 다림질 대상 의류의 모양, 위치 및 소재 등을 고려하여 결정된 다림질 작동 정보에 따라 그 작동이 제어될 수 있다.
이때, 다림질 작동 정보에는 다리미와 다림질판의 위치/동선, 다림질 온도/시간 등이 포함될 수 있다.
제어 프로세서(314)는 구동부(313b) 또는 주름 관리부(313f)에 별도로 구비된 구동부를 제어하여 다리미와 다림질판을 움직임을 제어할 수 있으며, 다림질 작동 정보에 따라 다리미 및 다림질판을 제어할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 세탁물 처리 장치(300)의 센싱부(140)는 센싱 정보를 수집한다(S401).
일 실시 예에서, 센싱부(140)는 곰팡이 센서(미도시) 또는 공기질 센서(미도시), 가스 센서 중 하나 이상을 포함할 수 있다.
또한, 하나 이상의 곰팡이 센서 또는 하나 이상의 공기질 센서 또는 하나 이상의 가스 센서가 세탁물 처리 장치(300)의 내부에 구비될 수 있다.
센싱 정보는 곰팡이 또는 세균과 같은 미생물의 종류 또는 미생물의 증식 속도를 판단하기 위해, 수집될 수 있다.
센싱 정보는 곰팡이 센서를 통해 측정된 센싱 값, 공기질 센서를 통해 측정된 센싱 값, 각 센싱 값이 측정된 시점 정보를 포함할 수 있다.
이에 대해서는, 도 5를 참조하여 설명한다.
도 5는 본 발명의 실시 예에 따라 센싱부에서 수집되는 센싱 정보의 예를 설명하는 도면이다.
도 5를 참조하면, 센싱부(140)에서 수집되는 센싱 정보(500)가 도시되어 있다.
예를 들어, 센싱 정보(500)는 곰팡이 센서를 통해 측정된 제1 센싱 값(0.0120011), 공기질 센서를 통해 측정된 제2 센싱 값(0.0013200), 제1 센싱 값 및 제2 센싱 값이 측정된 시점(1811111020, 2018년 11월11일 10시 20분을 나타냄) 포함할 수 있다.
센싱부(140)는 주기적으로, 센싱 정보를 수집할 수 있다. 여기서, 주기는 1분일 수 있으나, 이는 예시에 불과한 수치이다.
다시 도 4를 설명한다.
세탁물 처리 장치(300)의 프로세서(180)는 수집된 센싱 정보에 학습 모델을 적용하여, 미생물의 종류 또는 미생물의 증식 속도 중 하나 이상을 포함하는 미생물 정보를 획득한다(S403).
일 실시 예에서, 학습 모델은 센싱 정보와 미생물의 종류들 간의 관계들이 학습된 모델일 수 있다.
또 다른 실시 예에서, 학습 모델은 센싱 정보와 미생물의 종류들 및 각 미생물의 증식 속도 간의 관계들이 학습된 모델일 수 있다.
학습 모델은 정답이 주어진 데이터를 학습하는 지도 학습 방식을 통해 얻어질 수 있다. 보다 구체적으로, 학습 모델은 지도 학습 방식의 하나인 선형 회귀 알고리즘을 통해 얻어질 수 있다.
선형 회귀 알고리즘은 일차함수의 직선을 임의로 그려놓고, 그 직선을 바탕으로, 결과 데이터를 예측하는 알고리즘이다.
프로세서(180)는 수집된 센싱 정보를 입력 데이터로, 학습 모델을 이용하여, 센싱 정보에 매칭되는 미생물의 종류 또는 미생물의 증식 속도 중 하나 이상을 획득할 수 있다.
일 실시 예에서, 학습 모델은 러닝 프로세서(130)에 의해 생성된 모델일 수 있다.
또 다른 실시 예에서, 학습 모델은 외부 서버, 예를 들어, 도 1의 학습 장치(1000)로부터 수신될 수 있다.
한편, 프로세서(180)는 센싱 정보가 학습 모델에 포함된 센싱 정보의 범위에 속하지 않은 경우, 새로운 미생물을 검출한 것으로 판단할 수 있다.
이 경우, 프로세서(180)는 미생물의 종류들 각각에 대응하는 센싱 값의 범위들과, 수집된 센싱 값을 비교하여, 수집된 센싱 값에 가장 근접한 센싱 값의 범위에 대응하는 미생물의 종류로, 해당 센싱 값에 대응하는 미생물을 분류할 수 있다.
수집된 센싱 정보에 대해 학습 모델을 적용하여, 미생물 정보를 획득하는 과정에 대해 자세히 설명한다.
도 6은 본 발명의 일 실시 예에 따라 선형 회귀 알고리즘을 이용하여 미생물의 종류를 획득하는 방법을 설명하는 도면이다.
도 6을 참조하면, A 곰팡이에 대응되는 측정 시점과 센싱 값 간의 관계가 학습된 일차 함수(600)가 도시되어 있다.
B 곰팡이에 대한 학습된 일차 함수는 도 6에 도시된 일차 함수(600)의 기울기와 y절편 값이 다를 수 있다.
일차 함수(600)의 x축은 센싱 값의 측정 시점을 나타내고, y축은 센싱 값을 나타낸다.
예를 들어, 제1 시점(x1)에서 제1 센싱 값을 갖는 지점을 제1 지점(601)이라하고, 제2 시점(x2)에서, 제2 센싱 값을 갖는 지점을 제2 지점(603)이라고 명명한다.
프로세서(180)는 수집된 제1 센싱 정보를 제1 지점(601)으로, 수집된 제2 센싱 정보를 제2 지점(603)으로, 나타낼 수 있다.
프로세서(180)는 x1 시점에서, 제1 지점(601)의 y값인 y1과 일차함수(600)의 y값인 h1 간의 차이가 기준 값 미만이고, x2 시점에서, 제2 지점(603)의 y값인 y2과 일차함수(600)의 y값인 h2 간의 차이가 기준 값 미만인 경우, A 곰팡이가 검출된 것으로 판단할 수 있다.
도 7은 본 발명의 일 실시 예에 따라 선형 회귀 알고리즘을 이용하여 다른 종류의 미생물을 획득하는 방법을 설명하는 도면이다.
도 7을 참조하면, B 곰팡이에 대응되는 측정 시점과 센싱 값 간의 관계가 학습된 일차 함수(700)가 도시되어 있다.
B 곰팡이에 대한 학습된 일차 함수는 도 7에 도시된 일차 함수(700)의 기울기와 y절편 값이 다를 수 있다.
일차 함수(700)의 x축은 센싱 값의 측정 시점을 나타내고, y축은 센싱 값을 나타낸다.
예를 들어, 제3 시점(x3)에서 제3 센싱 값을 갖는 지점을 제3 지점(701)이라하고, 제4 시점(x4)에서, 제4 센싱 값을 갖는 지점을 제4 지점(703)이라고 명명한다.
프로세서(180)는 수집된 제3 센싱 정보를 제3 지점(701)으로, 수집된 제4 센싱 정보를 제4 지점(703)으로, 나타낼 수 있다.
프로세서(180)는 x3 시점에서, 제3 지점(701)의 y값인 y3과 일차함수(700)의 y값인 h3 간의 차이가 기준 값 미만이고, x4 시점에서, 제4 지점(703)의 y값인 y4와 일차함수(600)의 y값인 h4 간의 차이가 기준 값 미만인 경우, B 곰팡이가 검출된 것으로 판단할 수 있다.
다시 도 4를 설명한다.
세탁물 처리 장치(300)의 프로세서(180)는 획득된 미생물 정보에 기초하여, 세탁 가이드 정보를 획득한다(S405).
일 실시 예에서, 프로세서(180)는 미생물의 종류 및 미생물의 증식 속도 중 하나 이상을 포함하는 미생물 정보에 기초하여, 미생물의 제거 또는 증식을 방지하기 위해 특정 세탁 동작을 수행하도록 가이드 하는 세탁 가이드 정보를 획득할 수 있다.
프로세서(180)는 미생물의 종류 및 미생물의 증식 속도에 대응하는 세탁 가이드 정보를 대응시킨 테이블을 미리 메모리(170)에 저장하고 있을 수 있다.
프로세서(180)는 미생물의 종류 및 미생물의 증식 속도가 결정된 경우, 메모리(170)에 저장된 테이블을 이용하여, 결정된 미생물의 종류 및 미생물의 증식 속도에 대응하는 세탁 가이드 정보를 획득할 수 있다.
또 다른 예로, 세탁 가이드 정보는 미생물이 발견된 센서의 위치 정보를 포함할 수 있다. 이를 위해, 센싱부(140)의 곰팡이 센서 또는 공기질 센서는 센싱 정보와 함께, 자신의 식별 정보를 프로세서(180)에 전달할 수 있다.
식별 정보는 센싱 정보에 포함될 수도 있다.
식별 정보에는 센서를 식별하는 식별자 및 센서가 세탁물 처리 장치(300)의 어느 위치에 배치되었는지를 나타내는 센서의 위치 정보를 포함할 수 있다.
프로세서(180)는 미생물 정보를 획득할 시, 해당 미생물 정보의 기초가 된 센싱 정보를 제공한 센서의 식별 정보를 미생물 정보에 포함시킬 수 있다.
그 후, 프로세서(180)는 미생물 정보에 포함된 센서의 식별 정보를 통해, 센서의 위치를 결정할 수 있고, 결정된 센서의 위치를 이용하여, 세탁 가이드 정보를 생성할 수 있다.
예를 들어, 센서의 위치 정보를 통해, 센서가 세탁조에 배치된 경우, 세탁 가이드 정보는 세탁조에서, 미생물이 검출되었음을 나타내는 미생물의 위치 정보를 더 포함할 수 있다.
세탁물 처리 장치(300)의 프로세서(180)는 획득된 미생물 정보 및 세탁 가이드 정보를 무선 통신부(110)를 통해 단말기(100)에 전송한다(S407).
단말기(100)는 디스플레이부(151)를 통해, 미생물 정보 및 세탁 가이드 정보를 표시할 수 있다.
또 다른 예로, 세탁물 처리 장치(300)에 디스플레이가 구비된 경우, 프로세서(180)는 미생물 정보 및 세탁 가이드 정보를 디스플레이 상에 표시할 수 있다.
또 다른 예로, 세탁물 처리 장치(300)에 스피커가 구비된 경우, 프로세서(180)는 미생물 정보 및 세탁 가이드 정보를 스피커를 통해 음성으로 출력할 수 있다.
또 다른 예로, 프로세서(180)는 세탁 가이드 정보에 따라 세척 동작을 수행하도록, 세탁부(310)의 동작을 제어할 수 있다.
예를 들어, 프로세서(180)는 세탁 가이드 정보에 통 세척의 수행을 포함하는 경우, 세탁 모듈(311)의 동작을 제어하여, 통 세척을 자동으로, 수행할 수 있다.
도 8 내지 도 10은 본 발명의 실시 예에 따라, 세탁물 처리 장치와 통신 가능한 단말기가 미생물 정보 및 세탁 가이드 정보를 표시하는 예를 설명하는 도면이다.
도 8을 참조하면, A 곰팡이에 대한 증식 속도를 나타내는 증식 속도 그래프(800)가 도시되어 있다.
사용자는 A 곰팡이의 예측된 증식 속도를 보고, 세탁물 처리 장치(300)에 대한 제습 또는 세척을 수행할 수 있는 동기를 얻을 수 있다.
도 9를 참조하면, 단말기(100)는 <A 곰팡이가 검출되었습니다>라는 미생물 정보 및 <통세척을 실시 해 주세요>라는 세탁 가이드 정보를 포함하는 가이드 정보(900)를 디스플레이부(151) 상에 표시할 수 있다.
도 10을 참조하면, 단말기(100)는 <B 곰팡이가 검출되었습니다>라는 미생물 정보 및 <제습 모드를 실시 해 주세요>라는 세탁 가이드 정보를 포함하는 가이드 정보(1000)를 디스플레이부(151) 상에 표시할 수 있다.
사용자는 가이드 정보(900, 990)를 통해, 세탁물 처리 장치(300)의 세균 상태를 확인할 수 있고, 이에 따른 조치를 즉각 수행할 수 있다.
도 11은 본 발명의 일 실시 예에 따른 세탁 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.
특히, 도 11은 미생 정보 및 세탁 가이드 정보를 학습 장치(1000)가 획득하는 실시 예를 설명하는 도면이다.
도 11을 참조하면, 세탁물 처리 장치(300)의 프로세서(180)는 센싱부(140)를 통해 센싱 정보를 수집한다(S1101).
일 실시 예에서, 센싱부(140)는 곰팡이 센서(미도시) 또는 공기질 센서(미도시), 가스 센서 중 하나 이상을 포함할 수 있다.
또한, 하나 이상의 곰팡이 센서 또는 하나 이상의 공기질 센서 또는 하나 이상의 가스 센서가 세탁물 처리 장치(300)의 내부에 구비될 수 있다.
센싱 정보는 곰팡이 또는 세균과 같은 미생물의 종류 또는 미생물의 증식 속도를 판단하기 위해, 수집될 수 있다.
센싱 정보는 곰팡이 센서를 통해 측정된 센싱 값, 공기질 센서를 통해 측정된 센싱 값, 각 센싱 값이 측정된 시점 정보를 포함할 수 있다.
세탁물 처리 장치(300)의 프로세서(180)는 무선 통신부(110)를 통해 수집된 센싱 정보를 학습 장치(1000)에 전송한다(S1103).
일 실시 예에서, 프로세서(180)는 주기적으로, 센싱 정보를 학습 장치(1000)에 전송할 수 있다.
학습 장치(1000)는 수신된 센싱 정보에 학습 모델을 적용하여, 미생물의 종류 및 미생물의 증식 속도를 포함하는 미생물 정보를 획득한다(S1105).
학습 장치(1000)는 기 수집된 센싱 정보에 기초하여, 학습 모델을 생성할 수 있다.
학습 모델은 선형 회귀 알고리즘을 이용하여, 센싱 정보와 미생물의 종류들 간의 관계들이 학습된 모델일 수 있다.
또 다른 예로, 학습 모델은 선형 회귀 알고리즘을 이용하여, 센싱 정보와 미생물의 종류들 및 미생물의 증식 속도들 간의 관계들이 학습된 모델일 수 있다.
학습 장치(1000)는 획득된 미생물 정보에 기초하여, 세탁 가이드 정보를 획득한다(S1107).
학습 장치(1000)는 미생물의 종류 및 미생물의 증식 속도에 대응하는 세탁 가이드 정보를 대응시킨 테이블을 미리 데이터 베이스에 저장하고 있을 수 있다.
학습 장치(1000)는 미생물의 종류 및 미생물의 증식 속도가 결정된 경우, 데이터 베이스에 저장된 테이블을 이용하여, 결정된 미생물의 종류 및 미생물의 증식 속도에 대응하는 세탁 가이드 정보를 획득할 수 있다.
학습 장치(1000)는 획득된 미생물 정보 및 세탁 가이드 정보를 단말기(100)에 전송한다(S1109).
또 다른 예로, 학습 장치(1000)는 획득된 미생물 정보 및 세탁 가이드 정보를 세탁물 처리 장치(300)에 전송할 수 있고, 세탁물 처리 장치(300)는 미생물 정보 및 세탁 가이드 정보를 단말기(100)에 전달할 수도 있다.
단말기(100)는 학습 장치(1000)로부터 수신된 미생물 정보 및 세탁 가이드 정보를 디스플레이부(151)를 통해 출력한다(S1111).
사용자는, 미생물 정보를 통해, 어떠한 미생물이 세탁물 처리 장치(300)에 존재하며, 어떠한 증식 속도로, 미생물의 수가 증가할지를 확인할 수 있다.
또한, 사용자는 세탁 가이드 정보를 통해, 현재 세탁물 처리 장치(300)에 어떠한 조치를 취해야 하는지를 가이드 받을 수 있다. 사용자는 세탁 가이드 정보에 따라, 세탁물 처리 장치(300)를 조작할 수 있고, 이에 따라 세탁물 처리 장치(300)의 손상을 방지하고, 추후, 세탁 시, 세탁물이 미생물에 오염되는 것이 방지될 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims (15)

  1. 세탁물 처리 장치에 있어서,
    무선 통신부;
    적어도 하나 이상의 센서; 및
    상기 적어도 하나 이상의 센서로부터 수집된 센싱 값 및 상기 센싱 값의 측정 시점을 포함하는 센싱 정보에 지도 학습 알고리즘을 통해 학습된 학습 모델을 적용하여, 미생물의 종류 및 상기 미생물의 증식 속도를 포함하는 미생물 정보를 획득하고, 획득된 미생물 정보에 기초하여, 세탁 가이드 정보를 획득하고, 획득된 세탁 가이드 정보를 상기 무선 통신부를 통해 단말기에 전송하는
    세탁물 처리 기기.
  2. 제1항에 있어서,
    상기 학습 모델은
    센싱 정보, 미생물의 종류들 및 각 미생물의 증식 속도 간의 관계들을 포함하는
    세탁물 처리 장치.
  3. 제2항에 있어서,
    상기 프로세서는
    상기 하나 이상의 센서를 통해 수집된 센싱 정보를 입력 데이터로, 상기 학습 모델을 적용하여, 상기 입력 데이터에 맞는 미생물의 종류 및 미생물의 증식 속도를 획득하는
    세탁물 처리 장치.
  4. 제3항에 있어서,
    미생물의 종류, 미생물의 증식 속도에 대응하는 세탁 가이드 간의 관계를 대응시킨 테이블을 저장하는 메모리를 더 포함하는
    세탁물 처리 장치.
  5. 제4항에 있어서,
    상기 프로세서는
    상기 테이블을 이용하여, 상기 획득된 미생물의 종류 및 상기 미생물의 증식 속도에 대응하는 세탁 가이드를 획득하는
    세탁물 처리 장치.
  6. 제1항에 있어서,
    상기 세탁 가이드 정보는
    상기 미생물의 제거 또는 증식을 방지하기 위해 특정 세탁 동작을 가이드 하는 정보를 포함하는
    세탁물 처리 장치.
  7. 제6항에 있어서,
    상기 세탁 가이드 정보는
    상기 미생물이 검출된 위치 정보를 더 포함하는
    세탁물 처리 장치.
  8. 세탁물 처리 장치의 동작 방법에 있어서,
    상기 적어도 하나 이상의 센서로부터 수집된 센싱 값 및 상기 센싱 값의 측정 시점을 포함하는 센싱 정보를 수집하는 단계;
    상기 센싱 정보에 지도 학습 알고리즘을 통해 학습된 학습 모델을 적용하여, 미생물의 종류 및 상기 미생물의 증식 속도를 포함하는 미생물 정보를 획득하는 단계; 및
    획득된 미생물 정보에 기초하여, 세탁 가이드 정보를 획득하고, 획득된 세탁 가이드 정보를 단말기에 전송하는 단계를 포함하는
    세탁물 처리 기기의 동작 방법.
  9. 제8항에 있어서,
    상기 학습 모델은
    센싱 정보, 미생물의 종류들 및 각 미생물의 증식 속도 간의 관계들을 포함하는
    세탁물 처리 장치의 동작 방법.
  10. 제9항에 있어서,
    상기 프로세서는
    상기 하나 이상의 센서를 통해 수집된 센싱 정보를 입력 데이터로, 상기 학습 모델을 적용하여, 상기 입력 데이터에 맞는 미생물의 종류 및 미생물의 증식 속도를 획득하는
    세탁물 처리 장치의 동작 방법.
  11. 제10항에 있어서,
    미생물의 종류, 미생물의 증식 속도에 대응하는 세탁 가이드 간의 관계를 대응시킨 테이블을 저장하는 메모리를 더 포함하는
    세탁물 처리 장치의 동작 방법.
  12. 제11항에 있어서,
    상기 테이블을 이용하여, 상기 획득된 미생물의 종류 및 상기 미생물의 증식 속도에 대응하는 세탁 가이드를 획득하는 단계를 더 포함하는
    세탁물 처리 장치의 동작 방법.
  13. 제8항에 있어서,
    상기 세탁 가이드 정보는
    상기 미생물의 제거 또는 증식을 방지하기 위해 특정 세탁 동작을 가이드 하는 정보를 포함하는
    세탁물 처리 장치의 동작 방법.
  14. 제13항에 있어서,
    상기 세탁 가이드 정보는
    상기 미생물이 검출된 위치 정보를 더 포함하는
    세탁물 처리 장치의 동작 방법.
  15. 세탁물 처리 장치의 동작 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    상기 세탁물 처리 장치의 동작 방법은
    상기 적어도 하나 이상의 센서로부터 수집된 센싱 값 및 상기 센싱 값의 측정 시점을 포함하는 센싱 정보를 수집하는 단계;
    상기 센싱 정보에 지도 학습 알고리즘을 통해 학습된 학습 모델을 적용하여, 미생물의 종류 및 상기 미생물의 증식 속도를 포함하는 미생물 정보를 획득하는 단계; 및
    획득된 미생물 정보에 기초하여, 세탁 가이드 정보를 획득하고, 획득된 세탁 가이드 정보를 단말기에 전송하는 단계를 포함하는
    기록 매체.
PCT/KR2018/016218 2018-12-19 2018-12-19 세탁물 처리 기기 및 그의 동작 방법 WO2020130180A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/KR2018/016218 WO2020130180A1 (ko) 2018-12-19 2018-12-19 세탁물 처리 기기 및 그의 동작 방법
EP19215866.5A EP3670729A1 (en) 2018-12-19 2019-12-13 Laundry treatment device and method of operating the same
US16/719,510 US20200199642A1 (en) 2018-12-19 2019-12-18 Laundry treatment device and method of operating the same
CN201911317781.6A CN111334982B (zh) 2018-12-19 2019-12-19 洗涤物处理装置及其操作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/016218 WO2020130180A1 (ko) 2018-12-19 2018-12-19 세탁물 처리 기기 및 그의 동작 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/719,510 Continuation US20200199642A1 (en) 2018-12-19 2019-12-18 Laundry treatment device and method of operating the same

Publications (1)

Publication Number Publication Date
WO2020130180A1 true WO2020130180A1 (ko) 2020-06-25

Family

ID=68916296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/016218 WO2020130180A1 (ko) 2018-12-19 2018-12-19 세탁물 처리 기기 및 그의 동작 방법

Country Status (4)

Country Link
US (1) US20200199642A1 (ko)
EP (1) EP3670729A1 (ko)
CN (1) CN111334982B (ko)
WO (1) WO2020130180A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130118B (zh) * 2020-08-19 2023-11-17 复旦大学无锡研究院 基于snn的超宽带雷达信号处理系统及处理方法
DE102020213390A1 (de) 2020-10-23 2022-04-28 BSH Hausgeräte GmbH Verfahren zum bestimmen von schaum beim behandeln von wäschestücken sowie wäschepflegemaschine zu dessen durchführung
CN112760908A (zh) * 2020-12-28 2021-05-07 珠海格力电器股份有限公司 一种洗衣系统及控制方法
TWI806217B (zh) * 2021-07-19 2023-06-21 美商惠普發展公司有限責任合夥企業 觸碰相關汙染狀態判定技術

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001353204A (ja) * 2000-06-15 2001-12-25 Matsushita Electric Ind Co Ltd 殺菌装置
KR20070021486A (ko) * 2005-08-18 2007-02-23 엘지전자 주식회사 아바타 냉장고
JP2011045299A (ja) * 2009-08-27 2011-03-10 Sharp Corp 微生物検出制御装置
JP2015522249A (ja) * 2012-04-04 2015-08-06 ベーイーオー・メリュー 分光分析および構造化分類による微生物の同定
KR20170142664A (ko) * 2016-06-20 2017-12-28 삼육대학교산학협력단 세탁기 오염 관리 시스템

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004058038A1 (en) * 2002-12-25 2004-07-15 Arçelik A. S. A dishwasher and corresponding control method
JP4466048B2 (ja) * 2003-11-17 2010-05-26 パナソニック株式会社 洗濯機
DE112005001253T5 (de) * 2004-08-30 2007-04-05 Lg Electronics Inc. Vorrichtung und Verfahren für Waschmaschine
CN101298733B (zh) * 2008-06-18 2010-10-06 南京乐金熊猫电器有限公司 洗衣装置及其控制方法
JP2010223871A (ja) * 2009-03-25 2010-10-07 Sharp Corp 汚染検知装置、汚染浄化システム、および、洗濯機
JP2010269157A (ja) * 2010-07-16 2010-12-02 Panasonic Corp 殺菌装置
DE102011007170A1 (de) * 2011-04-12 2012-10-18 BSH Bosch und Siemens Hausgeräte GmbH Verfahren zum Erkennen und Anzeigen eines Hygienegrades von Wäsche und/oder des Wäschebehandlungsgeräts in einem Wäschebehandlungsgerät sowie hierfür geeignetes Wäschebehandlungsgerät
DE102015205382A1 (de) * 2015-03-25 2016-09-29 BSH Hausgeräte GmbH Betreiben eines Haushaltsgeräts
CN106237356B (zh) * 2015-10-30 2019-03-15 小米科技有限责任公司 对牙刷头进行杀菌的方法及装置
CN106120243B (zh) * 2016-06-30 2019-08-23 无锡小天鹅电器有限公司 洗衣机洗涤桶的清洁方法、装置及洗衣机
DE102016212978A1 (de) * 2016-07-15 2018-01-18 Henkel Ag & Co. Kgaa Verfahren und Vorrichtung zur Ermittlung von Verunreinigungen
CN206991049U (zh) * 2017-05-02 2018-02-09 博西华电器（江苏）有限公司 家用电器
CN108803733B (zh) * 2017-05-02 2022-01-04 博西华电器（江苏）有限公司 家用电器及其控制方法
CN108053390A (zh) * 2017-10-31 2018-05-18 珠海格力电器股份有限公司 洗衣机内筒清理处理方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001353204A (ja) * 2000-06-15 2001-12-25 Matsushita Electric Ind Co Ltd 殺菌装置
KR20070021486A (ko) * 2005-08-18 2007-02-23 엘지전자 주식회사 아바타 냉장고
JP2011045299A (ja) * 2009-08-27 2011-03-10 Sharp Corp 微生物検出制御装置
JP2015522249A (ja) * 2012-04-04 2015-08-06 ベーイーオー・メリュー 分光分析および構造化分類による微生物の同定
KR20170142664A (ko) * 2016-06-20 2017-12-28 삼육대학교산학협력단 세탁기 오염 관리 시스템

Also Published As

Publication number Publication date
EP3670729A1 (en) 2020-06-24
CN111334982A (zh) 2020-06-26
CN111334982B (zh) 2022-10-21
US20200199642A1 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
WO2020138523A1 (ko) 세탁물 처리 장치 및 그의 세탁 코스 결정 방법
WO2020130177A1 (ko) 세탁 스케줄링 장치 및 그 방법
WO2020130180A1 (ko) 세탁물 처리 기기 및 그의 동작 방법
WO2020213751A1 (ko) 인공 지능 세탁물 처리 기기 및 그의 동작 방법
WO2019182265A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2020218632A1 (ko) 인공지능 장치
WO2020122294A1 (ko) 세탁기
WO2020213750A1 (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
WO2020050595A1 (ko) 음성 인식 서비스를 제공하는 서버
WO2020204221A1 (ko) 공기 조화기
WO2020184735A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2019031707A1 (en) MOBILE TERMINAL AND METHOD FOR CONTROLLING A MOBILE TERMINAL USING MACHINE APPRENTICESHIP
WO2020138624A1 (en) Apparatus for noise canceling and method for the same
WO2021006404A1 (ko) 인공지능 서버
WO2020138564A1 (ko) 전자 장치
WO2021006405A1 (ko) 인공지능 서버
WO2020122293A1 (ko) 세탁 스케쥴링 장치
WO2020213758A1 (ko) 음성으로 상호작용하는 인공 지능 장치 및 그 방법
WO2018084576A1 (en) Electronic device and controlling method thereof
WO2020184753A1 (ko) 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2020184748A1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2018199374A1 (ko) 오디오 장치 및 그 제어 방법
WO2020184746A1 (ko) 주행 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020130260A1 (en) Mobile terminal and method of operating the same

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: 18943621

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: 18943621

Country of ref document: EP

Kind code of ref document: A1