WO2020138523A1

WO2020138523A1 - 세탁물 처리 장치 및 그의 세탁 코스 결정 방법

Info

Publication number: WO2020138523A1
Application number: PCT/KR2018/016642
Authority: WO
Inventors: 김효은; 김재홍; 이태호; 정한길; 한종우
Original assignee: 엘지전자 주식회사
Priority date: 2018-12-26
Filing date: 2018-12-26
Publication date: 2020-07-02
Also published as: US20200208320A1; US11578444B2; CN111379119B; CN111379119A; EP3674466B1; EP3674466A1; KR20210096072A

Abstract

본 발명의 일 실시 예에 따른 세탁물 처리 장치는 세탁과 관련된 동작을 수행하는 세탁 모듈과 세탁물에 부착된 태그 영상을 촬영하는 카메라 및 촬영된 태그 영상을 이용하여, 복수의 세탁물들에 대한 세탁물 정보를 획득하고, 획득된 세탁물 정보를 인코딩 데이터로 변환하고, 딥 러닝 알고리즘을 통해 복수의 레퍼런스 데이터들을 이용하여 학습된 세탁 코스 학습 모델에 기반하여, 상기 변환된 인코딩 데이터에 맞는 세탁 제어 변수들의 값들을 획득하는 프로세서를 포함한다.

Description

세탁물 처리 장치 및 그의 세탁 코스 결정 방법

본 발명은 세탁물 처리 장치 및 그의 세탁 코스 결정 방법에 관한 것으로, 세탁물에 따라 최적의 세탁 코스를 제공할 수 있는 세탁물 처리 기기 및 그의 세탁 코스 결정 방법에 관한 것이다.

현대에서 세탁물 처리 장치 또는 세탁 보조 장치는 모든 가정에서 필수적인 가전 제품이다.

세탁을 필요로 하는 의류, 침구 또는 인형 등은 다양한 소재로 구성되어 있으며, 각 소재 별로 세탁시 요구되는 사항이 상이하다. 따라서, 현재의 세탁 장치 또는 세탁 보조 장치들은 다양한 소재에 대하여 적합한 세탁 기능을 제공하기 위하여 여러 세탁 코스를 제공하고 있다.

한편, 기존의 세탁물 처리 장치 또는 세탁 보조 장치들은 미리 정해진 세탁 코스를 사용자가 선택하면 해당 세탁 코스를 제공하거나, 사용자가 매 세탁시마다 각 세탁 단계에 대한 파라미터를 설정하면 해당 파라미터를 반영한 세탁 코스를 제공하는 기능만을 제공하고 있다.

그러나, 종래의 세탁물 처리 장치는 한 종류의 세탁물, 또는 여러 종류의 세탁물들이 투입된 경우에도, 사용자가 각 세탁 단계에 대한 설정된 파라미터만을 반영한 세탁 코스를 제공하는데 그치고 있다.

이 경우, 특정 세탁물에 손상이 가해지거나, 특정 세탁물의 세척이 제대로 이루어지지 않는 문제가 있다.

본 발명은 투입된 세탁물들이 특성이 상이한 복합적인 섬유소재들로 구성되어 있을 때, 전체 세탁물들의 손상도를 최소화하는 동시에 알맞은 세척력을 충족시키는 최적의 세탁 코스를 제공하는 것에 그 목적이 있다.

또한, 본 발명은 세탁물 처리 기기에 투입된 세탁물들을 자동으로 인식하여, 각각에 대한 소재 혼용율을 분석하고, 세탁 코스 학습 모델을 통해, 맞춤형 세탁 코스를 제공하는 것에 그 목적이 있다.

본 발명의 실시 예에 따른 세탁 코스 결정 방법은 복수의 세탁물들에 대한 세탁물 정보를 획득하는 단계와 획득된 세탁물 정보를 인코딩 데이터로 변환하는 단계 및 딥 러닝 알고리즘을 통해 복수의 레퍼런스 데이터들을 이용하여 학습된 세탁 코스 학습 모델에 기반하여, 상기 변환된 인코딩 데이터에 맞는 세탁 제어 변수들의 값들을 획득하는 단계를 포함한다.

본 발명의 실시 예에 따르면, 복수의 세탁물들이 투입된 경우, 최적화된 세탁 코스가 제공됨에 따라, 사용자가 세탁물들의 손상도가 최소화되고, 세척력이 향상될 수 있다.

또한, 세탁을 하기 전 사용자가 울, 면, 캐시미어, 합성섬유 등 옷감의 특성을 따로 파악해 세탁-헹굼-탈수 설정을 해줘야 하는 기존의 수고로움이 감소될 수 있다.

또한, 세탁 전/후 의류 케어에 관심이 높아지고 있는 소비자들의 성향과, 과거와 달리 패션업계에서 신소재 개발은 물론 각종 섬유를 용도와 취향에 따라 개질함에 따라 두 가지 이상의 섬유소재들로 이루어진 의류가 개발되고 있는 추세에 대한 탄력적인 대응효과를 기대할 수 있다.

도 1은 인공 신경망의 학습 장치를 설명하기 위한 블록도이다.

도 2는 본 발명의 일 실시 예에 따른 단말기의 구성을 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 세탁 코스 결정 방법을 설명하기 위한 흐름도이다.

도 5는 본 발명의 일 실시 예에 따라, 카메라를 통해 촬영된 태그 영상을 이용하여, 세탁물 정보를 획득하는 과정을 설명하는 도면이다.

도 6 및 도 7은 본 발명의 일 실시 예에 따른 베이스 라인 정보를 설명하기 위한 도면이다.

도 8은 본 발명의 일 실시 예에 따라, 태그를 통해 인식된 세탁물 정보와 베이스 라인 정보를 이용하여, 학습 모델에 입력 가능한 형태인 세탁 인코딩 데이터를 생성하는 과정을 설명하는 흐름도이다.

도 9는 본 발명의 실시 예에 따라 태그 인식을 통해, 세탁 인코딩 데이터를 생성하는 구체적인 예를 설명하는 도면이다.

도 10은 본 발명의 일 실시 예에 따라 세탁 코스 학습 모델을 생성하는 과정을 설명하는 흐름도이다.

도 11은 본 발명의 일 실시 예에 따라, 복수의 소재들로 구성된 세탁물에 대해, 메인 소재를 결정하는 과정을 설명하는 도면이다.

도 12는 본 발명의 일 실시 예에 따라 메인 소재들이 3개의 세탁 그룹들로 분류된 결과를 보여주는 도면이다.

도 13은 본 발명의 실시 예에 따라, 세탁 그룹의 특성 값들을 추출한 결과를 보여주는 도면이다.

도 14는 실제 손상도 y와 추정 손상도 (Wx+b)를 행렬식으로 표현한 도면이다.

도 15는 본 발명의 실시 예에 따라 세탁물 인코딩 데이터에 세탁 코스 학습 모델을 적용하여, 최적 세탁 코스를 위한 세탁 제어 변수들의 값들을 획득하는 과정을 설명하는 도면이다.

도 16은 본 발명의 일 실시 예에 따라, 세탁물들을 세탁물 처리 장치에 투입 시, 자동으로, 최적의 세탁 코스를 추천해 주는 시나리오를 설명하는 도면이다.

도 17은 본 발명의 일 실시 예에 따른 최적 세탁 코스 제공을 위한 사용자 시나리오를 설명하는 도면이다.

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

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

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

인공 지능(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)의 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 장치(1000)를 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 2에서는 다른 장치로 사용될 수 있는 단말기(100)를 설명한다.

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 이동 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 이동 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 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

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 이동 단말기 내 정보, 이동 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(141, proximity sensor), 조도 센서(142, 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 이동 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 이동 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

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.

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.

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 4를 참조하면, 세탁물 처리 장치(300)의 프로세서(180)는 세탁물 정보를 획득한다(S401).

일 실시 예에서, 프로세서(180)는 카메라(121)를 통해 촬영된 영상에 기초하여, 세탁물의 세탁물 정보를 획득할 수 있다.

세탁물 정보는 세탁물의 소재 혼용율, 세탁 취급 주의 사항, 세탁물의 색상 중 하나 이상을 포함할 수 있다.

카메라(121)를 통해 촬영된 영상은 세탁물에 부착된 태그 영상을 포함할 수 있다.

프로세서(180)는 태그 영상에 포함된 텍스트 또는 세탁물 취급 이미지를 인식하여, 세탁물 정보를 획득할 수 있다.

본 발명의 또 다른 실시 예에 따르면, 세탁물에 NFC 태그 또는 RFID 태그가 부착된 경우, 프로세서(180)는 자체적으로 구비된, NFC 리더기, RFID 리더기를 통해 해당 태그를 인식하여, 세탁물 정보를 획득할 수도 있다.

또 다른 예로, 프로세서(180)는 세탁물에 QR 코드가 부착된 경우, QR 코드를 인식하여, 세탁물 정보를 획득할 수 있다.

또한, 프로세서(180)는 세탁물의 소재를 인식할 수 있는 센서를 통해, 세탁물 정보를 획득할 수도 있다.

도 5를 참조하면, 세탁물(500)에는 태그(510)가 부착되어 있다.

태그(510)는 세탁물(500)의 소재 혼용율(또는 섬유의 조성, 511) 및 취급 주의 사항을 나타내는 세탁물 취급 이미지들(513)을 포함한다.

세탁물 처리 기기(300)의 카메라(121)는 태그(510)를 포함하는 태그 영상을 촬영할 수 있다.

프로세서(180)는 촬영된 태그 영상을 인식하여, 소재 혼용율 및 세탁물 취급 이미지들을 포함하는 세탁물 정보를 획득할 수 있다.

프로세서(180)는 광학적 문자 인식(Optical Character Recognition, OCR) 기법을 이용하여, 태그 영상에 포함된 텍스트의 인식할 수 있다.

프로세서(180)는 공지의 이미지 인식 알고리즘을 이용하여, 태그 영상에 포함된 세탁물 취급 이미지를 인식할 수 있다.

프로세서(180)는 태그 영상에 포함된 세탁물의 고유 모델 번호를 인식하여, 세탁물의 색상 정보를 추가로 획득할 수 있다.

다시, 도 4를 설명한다.

세탁물 처리 장치(300)의 프로세서(180)는 획득된 세탁물 정보를 기 저장된 베이스 라인 정보와 매칭하여 , 세탁물 인코딩 데이터를 생성한다(S403).

베이스 라인 정보는 소재 별 권고 세탁 코스, 소재 별 권고 세탁 코스 수행 시, 품질 손상도, 소재 세탁 취급 정보 중 하나 이상을 포함할 수 있다.

메모리(170)는 베이스 라인 정보를 저장할 수 있다. 베이스 라인 정보는 학습 장치(1000) 또는 클라우드 서버로부터 주기적으로, 수신될 수 있다.

베이스 라인 정보에 대해서는, 도 6을 참조하여, 설명한다.

베이스 라인 정보는 소재별 세탁 취급 정보(600) 및 소재별 권고 세탁 코스와 품질 손상도를 포함하는 테이블(700)을 포함할 수 있다.

도 6을 참조하면, 소재 별 세탁 취급 이미지 정보를 나타내는 소재 세탁 취급 정보(600)가 도시되어 있다.

소재 세탁 취급 정보(600)는 복수의 소재들 각각에 대한 세탁 취급 이미지들 및 세탁 취급 이미지들 각각에 대응하는 텍스트를 포함할 수 있다.

각 소재에 대한 세탁 취급 이미지들은 태그(510)에 포함된 세탁 취급 이미지들(513)을 인식하는데 사용될 수 있다.

한편, 베이스 라인 정보는 도 6에 도시된, 복수의 소재들 이외의 소재에 대한 세탁 취급 정보도 더 포함할 수 있다.

도 7을 참조하면, 복수의 소재들 각각에 대응하는 권고 세탁 코스 및 손상도를 포함하는 테이블(700)이 도시되어 있다.

예를 들어, 면의 권고 세탁 코스의 경우, 세탁 시간은 15분, 헹굼 횟수는 3회, 탈수 강도는 강, 물살 강도는 강이다. 이 경우, 면의 손상도는 1로 설정될 수 있다.

본 발명의 또 다른 실시 예에 따르면, 탈수 강도 대신, 탈수 횟수가 사용될 수 있고, 물살 강도 대신, 물살 강도를 표현할 수 있는 수치가 사용될 수 있다.

손상도는, 0에서 10까지의 값을 가지고, 권고 세탁 코스를 수행 시, 소재의 품질 손상 정도를 나타낼 수 있다.

손상도는 소재가 손상되기 쉬한 소재로 구성될 경우, 그 값이 높게 설정될 수 있다.

프로세서(180)는 획득된 세탁물 정보와, 도 6 및 도 7에 도시된 베이스 라인 정보를 비교하여, 세탁 인코딩 데이터를 생성할 수 있다.

획득된 세탁물 정보 및 베이스 라인 정보를 이용하여, 세탁 인코딩 데이터를 생성하는 과정에 대해 설명한다.

도 8을 참조하면, 프로세서(180)는 베이스 라인 정보에 기초하여, 소재들의 종류만큼의 엘리먼트들을 갖는 벡터를 설정한다(S801).

예를 들어, 베이스 라인 정보에 저장된 소재들의 종류가 12개인 경우, 벡터는 12개의 엘리먼트들을 가질 수 있다.

또한, 12개의 엘리먼트들은 미리 순서가 지정될 수 있다. 여기서, 12개는 예시에 불과한 수치이다.

프로세서(180)는 태그를 통해 인식된 세탁물의 소재 혼용율을 이용하여, 벡터의 각 엘리먼트에 값을 할당한다(S803).

프로세서(180)는 소재 혼용율에 따라 각 소재에 대응하는 엘리먼트에 소재의 비율 값을 할당할 수 있다.

프로세서(180)는 태그를 통해 인식된 세탁 취급 이미지들과, 베이스 라인 정보를 비교하여, 세탁 방법들을 데이터 세트로 변환한다(S805).

일 실시 예에서, 프로세서(180)는 세탁 취급 이미지들과, 베이스 라인 정보에 포함된 소재 세탁 취급 정보(600)를 비교하여, 세탁 방법들을 바이너리 데이터 또는 리얼 데이터로, 변환할 수 있다.

예를 들어, 프로세서(180)는 비교 결과, 물 세탁이 가능한 경우에는 해당 세탁물 취급 이미지를 1로, 물 세탁이 불가능한 경우에는, 해당 세탁물 취급 이미지를 0으로, 변환할 수 있다.

또 다른 예로, 프로세서(180)는 적정 세탁 수온을 포함하는 세탁 취급 이미지를 통해, 적정 세탁 수온이 40도인 경우, 해당 세탁 취급 이미지를 40으로 변환할 수 있다.

프로세서(180)는 엘리먼트들에 값이 할당된 벡터와 데이터 세트를 조합하여, 세탁 인코딩 데이터를 생성한다(S807).

단계 S801 내지 S807에 대해 도 9를 참조하여, 자세히 설명한다.

도 9를 참조하면, 태그(910)는 세탁물의 소재 혼용율(911) 및 세탁 취급 이미지들(913)을 포함할 수 있다.

프로세서(180)는 태그(910)를 인식하여, 소재 혼용율(911)을 획득할 수 있다.

만약, 베이스 라인 정보에 저장된 소재의 종류가 12개인 경우, 프로세서(180)는 12개의 엘리먼트들 각각에, 소재 혼용율(911)을 적용한 벡터(930)를 생성할 수 있다.

구체적으로, 하나의 세탁물에 대해 면의 비율이 96%이고, 스판덱스의 비율이 4%인 경우, 벡터(930)의 면 엘리먼트(931)에 0.96을 할당하고, 스판덱스 엘리먼트(933)에 0.4를 할당하고, 나머지 엘리먼트들에 0을 할당할 수 있다.

일 실시 예에서, 하나의 세탁물에 대해 3개 이상의 소재들이 혼합된 경우, 프로세서(180)는 3개 이상의 소재들 중 비율이 큰 상위 2개의 소재들에 대해서만, 엘리먼트에 값을 할당시킬 수 있다.

또한, 프로세서(180)는 태그(910)에 포함된 세탁 취급 이미지들(913) 각각을 바이너리 데이터 또는 리얼 데이터로 변환할 수 있다.

예를 들어, 물세탁 가능 이미지가 포함되어 있는 경우, 프로세서(180)는 물세탁 가능 이미지를 1로 변환할 수 있다.

예를 들어, 40도의 적정 세탁 수온 이미지가 포함되어 있는 경우, 프로세서(180)는 해당 이미지를 40으로 변환할 수 있다. 프로세서(180)는, 해당 수치가 미리 지정된 제1 특정 값 이상인 경우, 해당 수치를 온수 세탁만이 가능함을 나타내는 2로 변환할 수 있다.

프로세서(180)는, 해당 수치가 미리 지정된 제1 특정 값 미만 제2 특정 값 이상인 경우, 해당 수치를 냉/온수 세탁이 가능함을 나타내는 1로 변환할 수 있다.

프로세서(180)는, 해당 수치가 미리 지정된 제2 특정 값 미만인 경우, 해당 수치를 냉수 세탁만이 가능함을 나타내는 0으로 변환할 수 있다.

프로세서(180)는 벡터(930)와 데이터 세트(950)가 조합된 세탁 인코딩 데이터(970)를 생성할 수 있다.

세탁 인코딩 데이터(970)는 세탁 코스 학습 모델의 입력 데이터로 사용될 수 있다.

다시, 도 4를 설명한다.

세탁물 처리 장치(300)의 프로세서(180)는 생성된 세탁물 인코딩 데이터에 세탁 코스 학습 모델을 적용하여, 최적의 세탁 코스를 결정한다(S405).

일 실시 예에서, 세탁 코스 학습 모델은 복합 소재로 이루어진 세탁물에 대해, 최적의 세탁 코스를 제공하기 위한 모델일 수 있다.

세탁 코스 학습 모델은 베이스 라인 정보에 기반하여, 미리 학습된 모델일 수 있다.

세탁 코스 학습 모델은 복수의 세탁 그룹들 각각에 대해, 베이스 라인 정보를 이용하여, 세탁 제어 변수들의 최적 가중치 값들을 학습하고, 학습된 최적 가중치 값들을 이용하여, 세탁 제어 변수들의 값들을 학습하는 학습 모델일 수 있다.

세탁 코스 학습 모델은 도 1에서 설명된 학습 장치(1000)와 같은 외부 서버로부터 수신될 수 있다.

이하에서는, 세탁 코스 학습 모델을 생성하는 과정에 대해, 설명한다.

도 10을 참조하면, 프로세서(180)는 베이스 라인 정보에 저장된 각 세탁물의 소재 혼용율을 기반으로, 세탁 코스를 결정지을 메인 소재를 결정한다(S1001).

일 실시 예에서, 프로세서(180)는 복수의 소재들로 구성된 하나의 세탁물에 대해, 소재의 비율과 손상도의 곱이 가장 큰 소재를 메인 소재로 결정할 수 있다.

베이스 라인 정보는 세탁 코스 학습 모델을 생성하기 위한 레퍼런스 정보일 수 있다.

이에 대해서는 도 11을 참조하여 설명한다.

베이스 라인 정보는 복수의 세탁물들 각각에 대응하는 소재 혼용율에 대한 정보를 포함하는 벡터들을 포함할 수 있다.

도 11을 참조하면, 제1 세탁물(1101)에 대해 소재 혼용율에 대한 정보를 포함하는 제1 벡터(930)가 도시되어 있다.

제1 세탁물(1101)의 경우, 기모, 울, 폴리에스테르, 헤어로 구성되어 있고, 각 비율은 0.1/0.5/0.3/0.3이다.

프로세서(180)는 베이스 라인 정보에 저장된 테이블(700)을 이용하여, 각 소재에 대한 손상도를 추출할 수 있다.

프로세서(180)는 각 소재의 혼용율과 해당 소재의 손상도의 곱을 계산할 수 있다. 도 10을 참조하면, 제1 세탁물(1101)에 대해 각 소재의 혼용율과 해당 소재의 손상도의 곱이 계산된 제1 테이블(1105)이 도시되어 있다.

예를 들어, 기모의 경우, 혼용율과 손상도의 곱은 0.5(0.1X5)이다.

울의 경우, 혼용율과 손상도의 곱은 2.5(0.5X5)이다. 폴리에스테르의 경우, 혼용율과 손상도의 곱은 0.1(0.1X1)이다. hair의 경우, 혼용율과 손상도의 곱은 2.7(0.3X9)이다.

프로세서(180)는 혼용율과 손상도의 곱이 가장 큰 소재에 대응하는 hair를 제1 세탁물(1101)의 메인 소재로 결정할 수 있다.

프로세서(180)는 제2 세탁물(1111)의 소재 혼용율에 대한 정보를 포함하는 제2 벡터(1113) 및 각 소재에 대한 손상도를 이용하여, 제2 테이블(1113)을 생성할 수 있다.

프로세서(180)는 혼용율과 손상도의 곱이 가장 큰 소재에 대응하는 가죽을 제2 세탁물(1111)의 메인 소재로 결정할 수 있다.

프로세서(180)는 제3 세탁물(1121)의 소재 혼용율에 대한 정보를 포함하는 제3 벡터(1123) 및 각 소재에 대한 손상도를 이용하여, 제3 테이블(1133)을 생성할 수 있다.

프로세서(180)는 혼용율과 손상도의 곱이 가장 큰 소재에 대응하는 울을 제3 세탁물(1111)의 메인 소재로 결정할 수 있다.

이와 같이, 프로세서(180)는 각 세탁물에 대한 메인 소재를 결정하고, 결정된 메인 소재를 레이블링 할 수 있다.

다시, 도 10을 설명한다.

프로세서(180)는 결정된 메인 소재들을 복수의 세탁 그룹들로 분류한다(S1003).

프로세서(180)는 결정된 메인 소재들을 물 세탁 가능 여부, 세탁물 처리 장치(300)의 사용 가능 여부, 삶음 가능 여부에 따라 3개의 세탁 그룹들로 분류할 수 있다.

결정된 메인 소재들을 복수의 세탁 그룹들로 분류하는 이유는, 물 세탁 가능 여부, 세탁물 처리 장치(300)의 사용 가능 여부, 삶음 가능 여부가 세탁물의 손상도에 가장 영향이 큰 요인이 될 수 있기 때문이다.

도 12를 참조하면, 제1 세탁 그룹(1210)은 물 세탁이 가능하며, 세탁물 처리 장치(300)의 사용이 가능하며, 삶음이 가능한 소재들을 포함하는 그룹일 수 있다.

제2 세탁 그룹(1230)은 물 세탁이 가능하며, 세탁물 처리 장치(300)의 사용이 가능하나, 삶음이 불가능한 소재들을 포함하는 그룹일 수 있다.

제3 세탁 그룹(1250)은 물 세탁이 불 가능한 소재들을 포함하는 그룹일 수 있다.

다시, 도 10을 설명한다.

프로세서(180)는 분류된 복수의 세탁 그룹들 각각의 세탁 특성 값들을 결정한다(S1005).

프로세서(180)는 베이스 라인 정보에 포함된 테이블(700)에 기반하여, 각 세탁 그룹의 세탁 특성 값들을 추출할 수 있다.

구체적으로, 프로세서(180)는 테이블(700)로부터 세탁 그룹에 포함된 소재들 각각의 세탁 시간, 헹굼 횟수, 탈수 강도, 적정 수온, 물살 강도를 추출할 수 있다.

프로세서(180)는 추출된 세탁 시간들 중 최고 값 및 최소 값, 헹굼 횟수들 중 최고 값 및 최소 값, 탈수 강도의 최고 정도 및 최소 정도, 적정 수온의 최고 값 및 최소 값, 물상 강도의 최고 정도 및 최소 정도를 추출할 수 있다.

프로세서(180)는 추출 결과를, 해당 세탁 그룹의 특성 값들로, 결정할 수 있다.

도 13을 참조하면, 제1 세탁 그룹(1210)의 특성 값들을 포함하는 제1 특성 값 테이블(1310) 및 제2 세탁 그룹(1230)의 특성 값들을 포함하는 제2 특성 값 테이블(1330)이 도시되어 있다.

제1 특성 값 테이블(1310)은 최장 세탁 시간이 12분, 최소 세탁 시간이 9분, 최대 헹굼 횟수가 2회, 최소 헹굼 횟수가 2회, 최대 탈수 강도 및 최소 탈수 강도가 약함, 최고 적정 수온이 온/냉, 최저 적정 수온이 냉, 최고 물상 강도가 중간, 최소 물살 강도가 약함을 나타내고 있다.

제2 특성 값 테이블(1330)은 최장 세탁 시간이 17분, 최소 세탁 시간이 15분, 최대 헹굼 횟수가 3회, 최소 헹굼 횟수가 3회, 최대 탈수 강도 및 최소 탈수 강도가 강함, 최고 적정 수온이 온 최저 적정 수온이 온, 최고 물상 강도가 강함, 최소 물살 강도가 강함을 나타내고 있다.

다시, 도 10을 설명한다.

프로세서(180)는 딥러닝 알고리즘을 이용하여, 각 세탁 그룹에 대해 손상도에 대한 세탁 제어 변수들의 최적 가중치 값들을 결정한다(S1007).

프로세서(180)는 각 세탁 그룹에 대해, 로스 함수(Loss function)를 이용하여, 로스 함수의 값이 최소가 되는 최적 가중치 값들을 결정할 수 있다.

로스 함수의 값이 최소가 된다는 것은 세탁물의 실제 손상도와 추정된 손상도 간의 차이를 최소화시킴을 의미할 수 있다.

로스 함수는 다음의 수학식 1과 같이 표현될 수 있다.

[수학식 1]

y는 실제 손상도를 나타내는 실제 손상도 벡터이고, x는 세탁 코스를 결정하는 세탁 제어 변수들을 포함하는 세탁 제어 변수 벡터이고, W는 각 세탁 제어 변수가 손상도에 영향을 미치는 정도를 나타내는 가중치 벡터이고, b는 세탁 제어 변수 이외의 요인으로 인한 외부 요인 손상도 벡터를 나타낼 수 있다.

외부 요인 손상도 세트는 베이스 라인 정보에 미리 저장된 세트일 수 있다.

특히, W는 N개의 세탁물 그룹들 각각에 대한 5개의 세탁 제어 변수들의 가중치들을 포함하는 벡터일 수 있다.

(Wx+b)는 실제 손상도 y를 가장 잘 묘사할 수 있는 추정 손상도를 나타내며, 로스 함수 L(x;W,b)는 실제 손상도와 추정 손상도 간의 차이를 최소화하는 가중치 세트를 얻고자 하는 것에 목적이 있다.

실제 손상도 y와 추정 손상도 (Wx+b)는 도 14와 같이, 행렬로 표현될 수 있다.

특히, W는 복수의 세탁 그룹들 각각에 대응하는 복수의 가중치 세트들을 포함할 수 있다.

예를 들어, 제1 가중치 세트(1410)는 제1 세탁 그룹(1210)의 세탁 제어 변수들에 대응하는 가중치 값들을 포함하는 세트이다.

제2 가중치 세트(1420)는 제2 세탁 그룹(1220)의 세탁 제어 변수들에 대응하는 가중치 값들을 포함하는 세트이다.

다시, 단계 S1007을 설명한다.

세탁 제어 변수 세트는 세탁 시간을 나타내는 세탁 시간 변수(x1), 헹굼 횟수를 나타내는 헹굼 횟수 변수(x2), 탈수 횟수 또는 탈수 강도를 나타내는 탈수 횟수 변수(또는 탈수 강도)(x3), 세탁 수온을 나타내는 세탁 수온 변수(x4), 물살 강도를 나타내는 물살 강도 변수(x5)를 포함할 수 있다.

프로세서(180)는 베이스 라인 정보에 포함된 각 소재에 대한 세탁 시간, 헹굼 횟수, 탈수 횟수, 물살 강도, 적정 수온, 실제 손상도, 외부 요인 손상도를 입력 데이터로, 딥 러닝 알고리즘 또는 경사 하강법(Gradient descent method)을 이용하여, 로스 함수의 값이 최소가 되도록 하는, 가중치 세트를 결정(또는 학습)할 수 있다.

여기서, 딥 러닝 알고리즘은 지도 학습, 메타 학습 중 어느 하나의 학습 방식이 사용될 수 있으나, 예시에 불과하다.

또한, 최적의 가중치 값들을 결정하기 위해 MLP(Multi-layer perceptron) 와 같은 경사 하강법이 사용될 수 있으나, 이는 예시에 불과하다.

또한, 가중치 값들은 사용자가 세탁물 처리 기기(300)를 사용할 시, 입력된 새로운 세탁물 정보가 축적되어, 학습됨에 따라, 진화될 수 있다.

프로세서(180)는 로스 함수를 최소화시키도록 하는 각 세탁 그룹에 대응되는 가중치 값들을 포함하는 최적 가중치 세트를 획득할 수 있다.

예를 들어, 프로세서(180)는 제1 세탁 그룹(1210)에 대응하는 제1 최적 가중치 세트 및 제2 세탁 그룹(1230)에 대응하는 제2 최적 가중치 세트를 획득할 수 있다.

프로세서(180)는 각 세탁 그룹에 대응하는 최적 가중치 값들에 대해, 제어 최적화 기법을 이용하여, 세탁 제어 변수들의 값들을 결정한다(S1009).

프로세서(180)는 Hamiltonian 기반 제어 최적화 기법을 이용하여, 목적 함수에 대해, 세탁물의 손상도를 최소화하고, 세척력을 최대화하는 세탁 제어 변수들의 값들을 결정할 수 있다.

Hamiltonian 기반 제어 최적화 기법은 x,y에 대한 함수 f의 궤도(trajectory)가 합리적인 값으로, 존재할 때, 매개변수가 추정된 모델 a=f(x,y;c)에 대해 a 값을 최소화하는 x와 y 값을 찾는 기법이다.

본 발명의 실시 예에서는 Hamiltonian 기반 제어 최적화 기법이 다음의 [수학식 2]로 표현되는 목적 함수의 값을 최소화시키는 xi 값을 찾는데 사용될 수 있다.

목적 함수는 다음의 [수학식 2]로 표현될 수 있다.

[수학식 2]

W는 세탁 그룹에 대응되고, 단계 S1007에서 결정된 가중치 세트들을 나타낼 수 있다.

xi는 세탁 제어 변수를 나타낼 수 있다.

x1은 세탁 시간을 나타내는 변수이고, x2는 헹굼 횟수를 나타내는 변수이고, x3은 탈수 횟수 또는 탈수 강도를 나타내는 변수이고, x4는 세탁 수온을 나타내는 변수이고, x5는 물살 강도를 나타내는 변수일 수 있다.

λ는 라그랑지언(Lagrangian coefficient) 상수이다.

는 하나의 세탁 그룹 내 또는 복수의 세탁 그룹들 내에서, 세탁 제어 변수의 최대 값을 나타낼 수 있다.

는 도 13에 도시된, 각 세탁 그룹 별 특성 값들로부터, 얻어질 수 있다.

복수의 세탁물들이 세탁물 처리 기기(300)에 인식되어, 복수의 세탁물 그룹들로, 분류되는 경우,

는 복수의 세탁물 그룹들 내에서, 세탁 제어 변수의 최대 값을 나타낼 수 있다.

는 손상도를 보장하는 권고 세탁 코스 범주 내에서, 최적의 세탁 코스가 얻어지도록 하는 제약을 부여할 수 있다.

는 하나의 세탁 그룹 내에서 최장 세탁 시간 또는 복수의 세탁 그룹들 내에서, 최장 세탁 시간을 나타낼 수 있다.

는 하나의 세탁 그룹 내에서 최대 헹굼 횟수 또는 복수의 세탁 그룹들 내에서, 최대 헹굼 횟수를 나타낼 수 있다.

는 하나의 세탁 그룹 내에서 최대 탈수 횟수(또는 강도) 또는 복수의 세탁 그룹들 내에서, 최대 탈수 횟수(또는 강도)를 나타낼 수 있다.

는 하나의 세탁 그룹 내에서 최대 세탁 수온 또는 복수의 세탁 그룹들 내에서, 최대 수탁 수온을 나타낼 수 있다.

는 하나의 세탁 그룹 내에서 최대 물살 강도 또는 복수의 세탁 그룹들 내에서, 최대 물살 강도를 나타낼 수 있다.

는 하나의 세탁 그룹 내 또는 복수의 세탁 그룹들 내에서, 세탁 제어 변수의 최소 값을 나타낼 수 있다.

는 복수의 세탁물 그룹들 내에서, 세탁 제어 변수의 최소 값을 나타낼 수 있다.

는 세척력을 보장하는 권고 세탁 코스 범주 내에서, 최적의 세탁 코스가 얻어지도록 하는 제약을 부여할 수 있다.

는 하나의 세탁 그룹 내에서 최소 세탁 시간 또는 복수의 세탁 그룹들 내에서, 최소 세탁 시간을 나타낼 수 있다.

는 하나의 세탁 그룹 내에서의 최소 헹굼 횟수 또는 복수의 세탁 그룹들 내에서, 최소 헹굼 횟수를 나타낼 수 있다.

는 하나의 세탁 그룹에서의 최소 탈수 횟수(또는 강도) 또는 복수의 세탁 그룹들 내에서, 최소 탈수 횟수(또는 강도)를 나타낼 수 있다.

는 하나의 세탁 그룹에서의 최소 세탁 수온 또는 복수의 세탁 그룹들 내에서, 최소 수탁 수온을 나타낼 수 있다.

는 하나의 세탁 그룹에서의 최소 물살 강도 또는 복수의 세탁 그룹들 내에서, 최소 물살 강도를 나타낼 수 있다.

는 세탁 제어 변수들의 최대 값 내에서, 최적 값을 찾도록 제약 조건을 부여하는 최대 제약 함수이다.

는 세탁 제어 변수들의 최소 값 내에서, 최적 값을 찾도록 제약 조건을 부여하는 최소 제약 함수이다.

위에서 설명된 로스 함수만을 이용할 경우, 세탁 제어 변수들의 최적 값을 찾아가는 과정에서, 최적 값이, 적용 불가능한 결과 값으로, 얻어질 수 있기 때문에, 목적 함수가 이용됨에 따라 세탁 코스 제어 변수들의 값에 대한 범위가 제한될 수 있다.

결정된 세탁 제어 변수들의 값은 세탁물 처리 기기(300)에 투입된 세탁물의 최적 세탁 코스를 수행하는데 사용될 수 있다.

한편,

가

보다 큰 상황이 발생 시, 다음의 [수학식 3]으로 목적 함수가 대체될 수 있다.

[수학식 3]

[수학식 3]은

가

보다 큰 상황이 발생 시, 이들의 평균 값에 근사하도록, 그 값을 제한하는 제약 조건을 부여하기 위한 또 다른 목적함수로, 상기 최대 제약 함수 및 상기 최소 제약 함수를 포함하는 [수학식 2] 대신 사용될 수 있다.

도 15를 참조하면, 프로세서(180)는 단계 S403에서 생성된 세탁물 인코딩 데이터에 기초하여, 하나 이상의 세탁물 그룹들을 결정한다(S1501).

프로세서(180)는 도 9에 도시된 세탁물 인코딩 데이터(900)에 포함된 소재 혼용율을 이용하여, 세탁물이 속한 세탁물 그룹을 결정할 수 있다.

또 다른 실시 예에서, 복수의 세탁물들이, 세탁물 처리 장치(300)에 투입되는 경우, 프로세서(180)는 복수의 세탁물들 각각의 세탁물 인코딩 데이터를 획득할 수 있다.

프로세서(180)는 복수의 세탁물들 각각에 대응하는 세탁물 인코딩 데이터에 기초하여, 복수의 세탁물들 각각이 속한 세탁물 그룹을 결정할 수 있다.

프로세서(180)는 결정된 하나 이상의 세탁물 그룹에 대응하는 세탁 제어 변수들의 값을 획득한다(S1403).

프로세서(180)는 단계 S1007을 통해 각 세탁물 그룹에 대응하는 최적 가중치 세트를 결정할 수 있다.

프로세서(180)는 결정된 세탁물 그룹의 특성 값들 및 결정된 최적 가중치 값들을, [수학식 2]로 표현된 목적 함수에 적용하여, 목적 함수의 값이, 최소가 되는 세탁 제어 변수들의 값들을 획득할 수 있다.

일 실시 예에서, 복수의 세탁물들이 복수의 세탁 그룹들로 분류된 경우, 프로세서(180)는 복수의 세탁물 그룹들에 대응하는 특성 값 세트들 및 가중치 세트들을 목적 함수에 적용하여, 목적 함수의 값이 최소가 되는 세탁 제어 변수들의 값들을 획득할 수 있다.

프로세서(180)는 획득된 세탁 제어 변수들의 값들을 포함하는 세탁 제어 명령을 세탁 모듈(311)에 전송한다(S1405).

세탁 모듈(311)은 프로세서(180)로부터 수신된 세탁 제어 명령에 따라 세탁 제어 변수들의 값들이 적용된 세탁을 수행할 수 있다.

다시, 도 4를 설명한다.

세탁물 처리 장치(300)의 프로세서(180)는 결정된 세탁 제어 변수들의 값들에 따른 세탁 코스로, 세탁을 수행한다(S407).

이에 대해서는, 도 16을 참조하여 설명한다.

도 16은 본 발명의 일 실시 예에 따라, 세탁물들을 세탁물 처리 장치(300)에 투입 시, 자동으로, 최적의 세탁 코스를 추천해 주는 시나리오를 설명하는 도면이다.

도 16을 참조하면, 복수의 세탁물들(1600)이 세탁물 처리 장치(300)에 투입될 수 있다.

세탁물 처리 장치(300)는 세탁물 처리 장치(300)에 구비된 카메라(미도시)를 통해 세탁물의 태그를 인식하여, 세탁물 정보를 획득할 수 있다.

세탁물 처리 장치(300)는 세탁물 정보를 세탁물 인코딩 데이터로 변환하고, 변환된 세탁물 인코딩 데이터에 세탁 코스 학습 모델을 적용하여, 최적의 세탁 코스를 제공할 수 있다.

세탁물 처리 장치(300)는 세탁물 인코딩 데이터를 입력 데이터로, 미리 학습된 가중치 세트를 이용하여, 최적의 세탁 코스에 대응하는 세탁 제어 변수들의 값들을 획득할 수 있다.

세탁물 처리 장치(300)는 획득된 세탁 제어 변수들의 값들에 맞는 세탁 코스로, 복수의 세탁물들(1600)을 세탁하도록 세탁 모듈(311)을 제어할 수 있다.

예를 들어, 복수의 세탁물들(1600)이 모두 그룹 A(도 12의 제1 세탁 그룹, 1210)에 속하는 경우, 세탁물 처리 장치(300)는 세탁 시간을 13분으로, 헹굼 횟수를 3회로, 탈수 횟수를 4회로, 세탁 수온을 냉수로, 물살 강도를 중으로 설정하는 세탁 코스를 획득할 수 있다.

또 다른 예로, 복수의 세탁물들(1600)이 모두 그룹 B(도 12의 제2 세탁 그룹, 1230)에 속하는 경우, 세탁물 처리 장치(300)는 세탁 시간을 9분으로, 헹굼 횟수를 2회로, 탈수 횟수를 3회로, 세탁 수온을 온수로, 물살 강도를 강으로 하는 세탁 코스를 설계할 수 있다.

복수의 세탁물들(1600)이 그룹 A 또는 그룹 B에 속하는 경우, 세탁물 처리 장치(300)는 세탁 시간을 11분으로, 헹굼 횟수를 3회로, 탈수 횟수를 3회로, 세탁 수온을 냉수로, 물살 강도를 중으로 하는 세탁 코스를 설계할 수 있다.

이에 따라, 사용자는 소재가 다른 복수의 세탁물들에 대해, 태그를 인식시키는 행위 만으로, 복수의 세탁물들의 손상도가 최소화되고, 세척력이 최대화되는 세탁 결과를 얻을 수 있다.

도 17을 참조하면, 세탁물 처리 장치(300)는 인공 세탁 버튼(399)을 구비할 수 있다.

인공 세탁 버튼(399)은 복수의 세탁물들을 세탁물 처리 장치(300)에 투입 시, 자동으로, 최적의 세탁 코스를 추천해주는 버튼일 수 있다.

복수의 세탁물들이 세탁물 처리 장치(300)에 투입되고, 인공 세탁 버튼(399)이 선택된 경우, 세탁물 처리 장치(300)는 세탁물들의 소재를 분석하는 소재 분석 화면(1710)을 표시할 수 있다.

세탁물 처리 장치(300)는 세탁물 정보를 인코딩 데이터로 변환하고, 변환된 인코딩 데이터를 이용하여, 세탁물의 소재를 결정할 수 있다.

세탁물 처리 장치(300)는 소재 분석 화면(1710)에 대한 정보를 이동 단말기(100)에 전송할 수 있다. 이 경우, 소재 분석 화면(1710)은 사용자의 이동 단말기(100) 상에 표시될 수도 있다.

만약, 서로 다른 세탁 그룹의 소재들이 검출된 경우, 세탁물 처리 장치(300)는 서로 다른 세탁 그룹의 소재들이 검출되었고, 따로 또는 함께 세탁을 수행할 것인지를 알리는 알림 메시지(1720)를 표시할 수 있다.

알림 메시지(1720)는 음향 출력부(152)를 통해서도 출력될 수 있다.

알림 메시지(1720)는 이동 단말기(100)에 전송되어, 이동 단말기(100) 상에서 표시될 수 있다.

세탁물 처리 장치(300)는 서로 다른 세탁 그룹의 세탁물들을 함께 세탁을 수행하도록 하는 입력을 수신한 경우, 세탁물 인코딩 데이터에 기반하여, 세탁 제어 변수들의 값들을 결정할 수 있다.

세탁물 처리 장치(300)는 결정된 세탁 제어 변수들의 값들에 맞는 세탁 코스를 진행함을 알리는 진행 메시지(1730)를 표시할 수 있다.

진행 메시지(1730)는 음향 출력부(152)를 통해 출력되거나, 이동 단말기(100)로 전송되어, 이동 단말기(100) 상에 표시될 수도 있다.

한편, 세탁물 처리 장치(300)는 세탁물의 소재 분석 결과, 물 세탁이 불가능하거나, 드라이 크리닝을 반드시 해야 하는 소재의 세탁물이 검출된 경우, 세탁물이 불가능함을 알리는 경고 메시지(1750)를 출력할 수 있다.

경고 메시지(1750)는 음향 출력부(152)를 통해 출력되거나, 이동 단말기(100)로 전송되어, 이동 단말기(100) 상에 표시될 수 있다.

사용자는 경고 메시지(1750)를 통해 세탁물에 대한 올바른 세탁 방법을 가이드 받을 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

세탁물 처리 장치에 있어서,

세탁과 관련된 동작을 수행하는 세탁 모듈; 및

복수의 세탁물들에 대한 세탁물 정보를 획득하고, 획득된 세탁물 정보를 인코딩 데이터로 변환하고, 딥 러닝 알고리즘을 통해 복수의 레퍼런스 데이터들을 이용하여 학습된 세탁 코스 학습 모델에 기반하여, 상기 변환된 인코딩 데이터에 맞는 세탁 제어 변수들의 값들을 획득하는 프로세서를 포함하는

세탁물 처리 장치.
제1항에 있어서,

상기 프로세서는

상기 세탁 제어 변수들의 값들에 대응하는 세탁 코스로, 세탁을 수행하도록 상기 세탁 모듈을 제어하는

세탁물 처리 장치.
제1항에 있어서,

상기 세탁 제어 변수들은

세탁 시간 변수, 헹굼 횟수 변수, 탈수 횟수 변수, 세탁 수온 변수 및 물살 강도 변수를 포함하는

세탁물 처리 장치.
제1항에 있어서,

상기 세탁 코스 학습 모델은

상기 베이스 라인 정보를 이용하여, 상기 세탁 제어 변수들의 최적 가중치 값들을 결정하고, 결정된 최적 가중치 값들을 이용하여, 상기 세탁 제어 변수들의 값들을 결정하는 학습 모델인

세탁물 처리 장치.
제4항에 있어서,

상기 프로세서는

상기 베이스 라인 정보에 포함된 복수의 세탁물들 각각의 소재 혼용율을 기반으로, 각 세탁물에 대한 메인 소재를 결정하고,

결정된 메인 소재들을 물 세탁 가능 여부, 상기 세탁물 처리 기기의 사용 가능 여부 및 삶음 가능 여부에 따라 복수의 세탁 그룹들로 분류하고,

분류된 각 세탁 그룹의 세탁 특성 값들을 결정하고,

각 세탁 그룹에 대해 손상도에 대한 상기 세탁 제어 변수들의 최적 가중치 값들을 결정하고,

상기 각 세탁 그룹의 세탁 특성 값들 및 결정된 최적 가중치 값들에 대해 제어 최적화 기법을 이용하여, 상기 세탁 제어 변수들의 값을 결정하는 과정에 따라 상기 세탁 코스 학습 모델을 생성하는

세탁물 처리 장치.
제5항에 있어서,

상기 프로세서는

상기 인코딩 데이터에 기반하여, 상기 복수의 세탁물들을 복수의 세탁 그룹들로 분류하고, 상기 세탁 코스 학습 모델을 통해 분류된 복수의 세탁 그룹들에 대응하는 상기 세탁 제어 변수들의 값들을 획득하는

세탁물 처리 장치.
제1항에 있어서,

세탁물에 부착된 태그 영상을 촬영하는 카메라를 더 포함하고,

상기 프로세서는

촬영된 태그 영상을 이용하여, 상기 세탁물 정보를 획득하고,

상기 세탁물 정보는

세탁물의 소재 혼용율, 상기 세탁물의 세탁 취급 이미지들을 포함하는

세탁물 처리 장치.
제1항에 있어서,

출력부를 더 포함하고,

상기 프로세서는

상기 복수의 세탁물들이, 상기 세탁 모듈에 투입된 경우, 상기 세탁 제어 변수들의 값들을 포함하는 세탁 코스를 상기 출력부를 통해 출력하는

세탁물 처리 장치.
제8항에 있어서,

상기 프로세서는

상기 복수의 세탁물들 중 상기 세탁 모듈을 통해 세탁이 불가능한 세탁물이 투입된 경우, 세탁이 불가능함을 알리는 정보를 상기 출력부를 통해 출력하는

세탁물 처리 장치.
제8항에 있어서,

상기 출력부는

디스플레이부 또는 음향 출력부를 포함하는

세탁물 처리 장치.
세탁 코스 결정 방법에 있어서,

복수의 세탁물들에 대한 세탁물 정보를 획득하는 단계;

획득된 세탁물 정보를 인코딩 데이터로 변환하는 단계; 및

딥 러닝 알고리즘을 통해 복수의 레퍼런스 데이터들을 이용하여 학습된 세탁 코스 학습 모델에 기반하여, 상기 변환된 인코딩 데이터에 맞는 세탁 제어 변수들의 값들을 획득하는 단계를 포함하는

세탁 코스 결정 방법.
제11항에 있어서,

상기 세탁 제어 변수들은

세탁 시간 변수, 헹굼 횟수 변수, 탈수 횟수 변수, 세탁 수온 변수 및 물살 강도 변수를 포함하는

세탁 코스 결정 방법.
제11항에 있어서,

상기 세탁 코스 학습 모델은

상기 베이스 라인 정보를 이용하여, 상기 세탁 제어 변수들의 최적 가중치 값들을 결정하고, 결정된 최적 가중치 값들을 이용하여, 상기 세탁 제어 변수들의 값들을 결정하는 학습 모델인

세탁 코스 결정 방법
제13항에 있어서,

상기 세탁 코스 학습 모델을 생성하는 단계는

상기 베이스 라인 정보에 포함된 복수의 세탁물들 각각의 소재 혼용율을 기반으로, 각 세탁물에 대한 메인 소재를 결정하는 단계와

결정된 메인 소재들을 물 세탁 가능 여부, 상기 세탁물 처리 기기의 사용 가능 여부 및 삶음 가능 여부에 따라 복수의 세탁 그룹들로 분류하는 단계와

분류된 각 세탁 그룹의 세탁 특성 값들을 결정하는 단계와

각 세탁 그룹에 대해 손상도에 대한 상기 세탁 제어 변수들의 최적 가중치 값들을 결정하는 단계와

상기 각 세탁 그룹의 세탁 특성 값들 및 결정된 최적 가중치 값들에 대해 제어 최적화 기법을 이용하여, 상기 세탁 제어 변수들의 값을 결정하는 단계를 포함하는

세탁 코스 결정 방법.
제14항에 있어서,

상기 프로세서는

상기 인코딩 데이터에 기반하여, 상기 복수의 세탁물들을 복수의 세탁 그룹들로 분류하고, 상기 세탁 코스 학습 모델을 통해 분류된 복수의 세탁 그룹들에 대응하는 상기 세탁 제어 변수들의 값들을 획득하는

세탁 코스 결정 방법.
세탁 코스 결정 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,

상기 세탁 코스 결정 방법은

복수의 세탁물들에 대한 세탁물 정보를 획득하는 단계;

획득된 세탁물 정보를 인코딩 데이터로 변환하는 단계; 및

딥 러닝 알고리즘을 통해 복수의 레퍼런스 데이터들을 이용하여 학습된 세탁 코스 학습 모델에 기반하여, 상기 변환된 인코딩 데이터에 맞는 세탁 제어 변수들의 값들을 획득하는 단계를 포함하는

기록 매체.