WO2020241919A1 - 인공지능 기반의 세탁물 데이터 분석 장치 - Google Patents

인공지능 기반의 세탁물 데이터 분석 장치 Download PDF

Info

Publication number
WO2020241919A1
WO2020241919A1 PCT/KR2019/006438 KR2019006438W WO2020241919A1 WO 2020241919 A1 WO2020241919 A1 WO 2020241919A1 KR 2019006438 W KR2019006438 W KR 2019006438W WO 2020241919 A1 WO2020241919 A1 WO 2020241919A1
Authority
WO
WIPO (PCT)
Prior art keywords
laundry
information
data
processor
data analysis
Prior art date
Application number
PCT/KR2019/006438
Other languages
English (en)
French (fr)
Inventor
김동인
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/KR2019/006438 priority Critical patent/WO2020241919A1/ko
Priority to US16/492,796 priority patent/US11562558B2/en
Priority to KR1020190093567A priority patent/KR20190096879A/ko
Publication of WO2020241919A1 publication Critical patent/WO2020241919A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/09—Recognition of logos
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Definitions

  • the present invention relates to an artificial intelligence-based laundry data analysis device.
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
  • attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • device manufacturers or service providers can acquire vast amounts of data related to the user's device use or service use.
  • the device manufacturer or service provider may use the acquired data to improve products or services.
  • the manufacturer or service provider of the device may consider how to use the obtained vast amount of data for business.
  • the problem to be solved by the present invention is to provide a laundry data analysis device capable of effectively acquiring and managing laundry-related information.
  • Another problem to be solved by the present invention is to provide a laundry data analysis apparatus capable of inferring characteristic information of members included in a group through the obtained laundry information and utilizing the inferred characteristic information in various ways.
  • An artificial intelligence-based laundry data analysis apparatus receives an image including laundry data related to a property of laundry from an image acquisition device corresponding to a group including at least one member. Recognizing the laundry data from the communication unit and the received image, obtaining additional data related to the property of the laundry based on the recognized laundry data, and storing laundry information including the laundry data and additional data in a database, And a processor that obtains member characteristic information for each of the at least one member from the plurality of laundry information corresponding to the group stored in the database.
  • the laundry data analysis apparatus may further include a memory that is learned using machine learning or deep learning algorithms and stores a laundry data recognition model for recognizing the laundry data from the image.
  • the processor inputs the image received from the image acquisition device as input data of the laundry data recognition model, acquires the laundry data recognized from the laundry data recognition model, and obtains the image and the recognized
  • the laundry data recognition model may be updated based on the laundry data.
  • the image includes a tag attached to the laundry
  • the processor recognizes, from the received image, the laundry data included in at least one of a text and a figure included in the tag. I can.
  • the laundry data may include at least one of item number information, color information, size information, material information, manufacturer name information, and manufacturing date information of the laundry.
  • the processor may control the communication unit to transmit the article number information included in the laundry data to a server, and receive the additional data on the laundry corresponding to the article number information from the server through the communication unit.
  • the additional data may include at least one of type information, brand information, selling price information, main age group information, sex information, and manufacturing date information of the laundry.
  • the processor classifies each of a plurality of laundry information corresponding to the group based on at least one of size information, main age group information, and gender information, and selects at least one member included in the group based on the classification result. Can be distinguished.
  • the processor may obtain the member characteristic information including at least one of sex, age group, and size of each of the at least one member based on laundry information corresponding to each of the at least one member. have.
  • the member characteristic information may include information on at least one of a preferred brand, an average price, and an average washing cycle of each of the at least one member included in the group.
  • the processor may infer a preferred brand of each of the at least one member based on the brand information among a plurality of corresponding laundry information.
  • the processor may infer an average price of the laundry owned by each of the at least one member based on the selling price information among a plurality of corresponding laundry information.
  • the processor may infer the average washing cycle information based on a time point at which each corresponding plurality of laundry information is obtained.
  • the processor generates laundry course information based on manufacturing date information of laundry information corresponding to the first member included in the group, and average washing cycle information of member characteristic information of the first member.
  • the generated laundry course information may be transmitted to the laundry treatment device corresponding to the first member.
  • the processor may transmit the member characteristic information to an external server in order to provide customized information based on the member characteristic information to members included in the group.
  • the laundry data analysis apparatus may more accurately recognize and acquire laundry information from a tag attached to the laundry, using learned data based on artificial intelligence such as machine learning.
  • the laundry data analysis device may repeatedly perform learning using the recognition result of the tag, recognition accuracy may be further improved.
  • the laundry data analysis apparatus can distinguish not only members of a group from a plurality of laundry information for a specific group, but also infer characteristics of each of the members. Accordingly, it is possible to effectively manage users of the services provided by the laundry data analysis device.
  • the laundry data analysis apparatus may provide a laundry guide suitable for a member based on member characteristic information, or may provide information related to the setting of a laundry course to a laundry treatment device. Accordingly, it is possible to effectively manage the laundry owned by each member.
  • the laundry data analysis device may improve the satisfaction of users who use the services provided by the laundry data analysis device by providing various customized information to members based on the member characteristic information.
  • FIG 1 shows an AI device according to an embodiment of the present invention.
  • FIG 2 shows an AI server according to an embodiment of the present invention.
  • FIG 3 shows an AI system according to an embodiment of the present invention.
  • FIG. 4 illustrates a laundry data analysis apparatus and a system including the same according to an embodiment of the present invention.
  • FIG. 5 is a flowchart schematically illustrating a control operation of the laundry data analysis apparatus according to an embodiment of the present invention.
  • FIG. 6 is a flowchart for explaining in more detail an operation of acquiring laundry information by the laundry data analysis apparatus according to an embodiment of the present invention.
  • FIG. 7 is an exemplary diagram illustrating the operation of the system related to the embodiment of FIG. 6.
  • FIG. 8 is an exemplary diagram illustrating an operation of acquiring laundry data by recognizing an image received from the image acquisition device by the laundry data analysis apparatus.
  • FIG. 9 shows an example of laundry data accumulated by a laundry data analysis device for a specific group.
  • FIG. 10 shows an example of additional data obtained by the laundry data analysis apparatus based on laundry data.
  • FIG. 11 shows an example of member characteristic information inferred by the laundry data analysis apparatus based on laundry information including acquired laundry data and additional data.
  • Machine learning refers to the field of researching methodologies to define and solve various problems dealt with in the field of artificial intelligence. do.
  • Machine learning is also defined as an algorithm that improves the performance of a task through continuous experience.
  • An artificial neural network is a model used in machine learning, and may refer to an overall model with problem-solving capabilities, composed of artificial neurons (nodes) that form a network by combining synapses.
  • the artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process for updating model parameters, and an activation function for generating an output value.
  • the artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In an artificial neural network, each neuron can output a function of an activation function for input signals, weights, and biases input through synapses.
  • Model parameters refer to parameters determined through learning, and include weights of synaptic connections and biases of neurons.
  • hyperparameters refer to parameters that must be set before learning in a machine learning algorithm, and include a learning rate, iteration count, mini-batch size, and initialization function.
  • the purpose of learning artificial neural networks can be seen as determining model parameters that minimize the loss function.
  • the loss function can be used as an index to determine an optimal model parameter in the learning process of the artificial neural network.
  • Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to the learning method.
  • Supervised learning refers to a method of training an artificial neural network when a label for training data is given, and a label indicates the correct answer (or result value) that the artificial neural network should infer when training data is input to the artificial neural network. It can mean.
  • Unsupervised learning may refer to a method of training an artificial neural network in a state where a label for training data is not given.
  • Reinforcement learning may mean a learning method in which an agent defined in a certain environment learns to select an action or action sequence that maximizes the cumulative reward in each state.
  • machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is sometimes referred to as deep learning (deep learning), and deep learning is a part of machine learning.
  • DNN deep neural network
  • machine learning is used in the sense including deep learning.
  • a robot may refer to a machine that automatically processes or operates a task given by its own capabilities.
  • a robot having a function of recognizing the environment and performing an operation by self-determining may be referred to as an intelligent robot.
  • Robots can be classified into industrial, medical, household, military, etc. depending on the purpose or field of use.
  • the robot may be provided with a driving unit including an actuator or a motor to perform various physical operations such as moving a robot joint.
  • a driving unit including an actuator or a motor to perform various physical operations such as moving a robot joint.
  • the movable robot includes a wheel, a brake, a propeller, and the like in the driving unit, and can travel on the ground or fly in the air through the driving unit.
  • Autonomous driving refers to self-driving technology
  • autonomous driving vehicle refers to a vehicle that is driven without a user's manipulation or with a user's minimal manipulation.
  • a technology that maintains a driving lane a technology that automatically adjusts the speed such as adaptive cruise control, a technology that automatically drives along a specified route, and a technology that automatically sets a route when a destination is set, etc. All of these can be included.
  • the vehicle includes all vehicles including only an internal combustion engine, a hybrid vehicle including an internal combustion engine and an electric motor, and an electric vehicle including only an electric motor, and may include not only automobiles, but also trains and motorcycles.
  • the autonomous vehicle can be viewed as a robot having an autonomous driving function.
  • Augmented reality collectively refers to virtual reality (VR), augmented reality (AR), and mixed reality (MR).
  • VR technology provides only CG images of real world objects or backgrounds
  • AR technology provides virtually created CG images on top of real object images
  • MR technology is a computer that mixes and combines virtual objects in the real world. It is a graphic technology.
  • MR technology is similar to AR technology in that it shows real and virtual objects together.
  • virtual objects are used in a form that complements real objects
  • MR technology virtual objects and real objects are used with equal characteristics.
  • XR technology can be applied to HMD (Head-Mount Display), HUD (Head-Up Display), mobile phones, tablet PCs, laptops, desktops, TVs, digital signage, etc., and devices applied with XR technology are XR devices. It can be called as.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • mobile phones tablet PCs, laptops, desktops, TVs, digital signage, etc.
  • devices applied with XR technology are XR devices. It can be called as.
  • FIG 1 shows an AI device according to an embodiment of the present invention.
  • the AI device 100 includes a TV, a projector, a mobile phone, a smartphone, a desktop computer, a laptop computer, a digital broadcasting terminal, a personal digital assistant (PDA), a portable multimedia player (PMP), a navigation system, a tablet PC, a wearable device, a set-top box (STB). ), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, a digital signage, a robot, a vehicle, and the like.
  • PDA personal digital assistant
  • PMP portable multimedia player
  • STB set-top box
  • the terminal 100 includes a communication unit 110, an input unit 120, a running processor 130, a sensing unit 140, an output unit 150, a memory 170, and a processor 180.
  • the communication unit 110 may transmit and receive data with external devices such as other AI devices 100a to 100e or the AI server 200 using wired/wireless communication technology.
  • the communication unit 110 may transmit and receive sensor information, a user input, a learning model, and a control signal with external devices.
  • the communication technologies used by the communication unit 110 include Global System for Mobile communication (GSM), Code Division Multi Access (CDMA), Long Term Evolution (LTE), 5G, Wireless LAN (WLAN), and Wireless-Fidelity (Wi-Fi). ), Bluetooth, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), ZigBee, and Near Field Communication (NFC).
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • 5G Fifth Generation
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Bluetooth Bluetooth
  • IrDA Infrared Data Association
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the input unit 120 may acquire various types of data.
  • the input unit 120 may include a camera for inputting an image signal, a microphone for receiving an audio signal, a user input unit for receiving information from a user, and the like.
  • a camera or microphone for treating a camera or microphone as a sensor, a signal obtained from the camera or microphone may be referred to as sensing data or sensor information.
  • the input unit 120 may acquire training data for model training and input data to be used when acquiring an output by using the training model.
  • the input unit 120 may obtain unprocessed input data, and in this case, the processor 180 or the running processor 130 may extract an input feature as a preprocess for the input data.
  • the learning processor 130 may train a model composed of an artificial neural network using the training data.
  • the learned artificial neural network may be referred to as a learning model.
  • the learning model can be used to infer a result value for new input data other than the training data, and the inferred value can be used as a basis for a decision to perform a certain operation.
  • the learning processor 130 may perform AI processing together with the learning processor 240 of the AI server 200.
  • the learning processor 130 may include a memory integrated or implemented in the AI device 100.
  • the learning processor 130 may be implemented using the memory 170, an external memory directly coupled to the AI device 100, or a memory maintained in an external device.
  • the sensing unit 140 may acquire at least one of internal information of the AI device 100, information on the surrounding environment of the AI device 100, and user information by using various sensors.
  • the sensors included in the sensing unit 140 include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and a lidar. , Radar, etc.
  • the output unit 150 may generate output related to visual, auditory or tactile sense.
  • the output unit 150 may include a display unit that outputs visual information, a speaker that outputs auditory information, and a haptic module that outputs tactile information.
  • the memory 170 may store data supporting various functions of the AI device 100.
  • the memory 170 may store input data, training data, a learning model, and a learning history acquired from the input unit 120.
  • the processor 180 may determine at least one executable operation of the AI device 100 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. Further, the processor 180 may perform the determined operation by controlling the components of the AI device 100.
  • the processor 180 may request, search, receive, or utilize data from the learning processor 130 or the memory 170, and perform a predicted or desirable operation among the at least one executable operation.
  • the components of the AI device 100 can be controlled to execute.
  • the processor 180 may generate a control signal for controlling the corresponding external device and transmit the generated control signal to the corresponding external device.
  • the processor 180 may obtain intention information for a user input, and determine a user's requirement based on the obtained intention information.
  • the processor 180 uses at least one of a Speech To Text (STT) engine for converting a speech input into a character string or a Natural Language Processing (NLP) engine for obtaining intention information of a natural language. Intention information corresponding to the input can be obtained.
  • STT Speech To Text
  • NLP Natural Language Processing
  • At this time, at least one or more of the STT engine and the NLP engine may be composed of an artificial neural network, at least partially learned according to a machine learning algorithm.
  • at least one of the STT engine or the NLP engine is learned by the learning processor 130, learned by the learning processor 240 of the AI server 200, or learned by distributed processing thereof. Can be.
  • the processor 180 collects history information including user feedback on the operation content or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or the AI server 200 Can be transferred to an external device.
  • the collected history information can be used to update the learning model.
  • the processor 180 may control at least some of the components of the AI device 100 to drive an application program stored in the memory 170. Furthermore, the processor 180 may operate by combining two or more of the components included in the AI device 100 to drive the application program.
  • FIG 2 shows an AI server according to an embodiment of the present invention.
  • the AI server 200 may refer to a device that trains an artificial neural network using a machine learning algorithm or uses the learned artificial neural network.
  • the AI server 200 may be composed of a plurality of servers to perform distributed processing, or may be defined as a 5G network.
  • the AI server 200 may be included as a part of the AI device 100 to perform at least part of AI processing together.
  • the AI server 200 may include a communication unit 210, a memory 230, a learning processor 240, and a processor 260.
  • the communication unit 210 may transmit and receive data with an external device such as the AI device 100.
  • the memory 230 may include a model storage unit 231.
  • the model storage unit 231 may store a model (or artificial neural network, 231a) being trained or trained through the learning processor 240.
  • the learning processor 240 may train the artificial neural network 231a using the training data.
  • the learning model may be used while being mounted on the AI server 200 of the artificial neural network, or may be mounted on an external device such as the AI device 100 and used.
  • the learning model can be implemented in hardware, software, or a combination of hardware and software. When part or all of the learning model is implemented in software, one or more instructions constituting the learning model may be stored in the memory 230.
  • the processor 260 may infer a result value for new input data using the learning model, and generate a response or a control command based on the inferred result value.
  • FIG 3 shows an AI system according to an embodiment of the present invention.
  • the AI system 1 includes at least one of an AI server 200, a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e. It is connected with this cloud network 10.
  • the robot 100a to which the AI technology is applied, the autonomous vehicle 100b, the XR device 100c, the smartphone 100d, or the home appliance 100e may be referred to as the AI devices 100a to 100e.
  • the cloud network 10 may constitute a part of the cloud computing infrastructure or may mean a network that exists in the cloud computing infrastructure.
  • the cloud network 10 may be configured using a 3G network, a 4G or Long Term Evolution (LTE) network, or a 5G network.
  • LTE Long Term Evolution
  • the devices 100a to 100e and 200 constituting the AI system 1 may be connected to each other through the cloud network 10.
  • the devices 100a to 100e and 200 may communicate with each other through a base station, but may communicate with each other directly without through a base station.
  • the AI server 200 may include a server that performs AI processing and a server that performs an operation on big data.
  • the AI server 200 includes at least one of a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e, which are AI devices constituting the AI system 1 It is connected through the cloud network 10 and may help at least part of the AI processing of the connected AI devices 100a to 100e.
  • the AI server 200 may train an artificial neural network according to a machine learning algorithm in place of the AI devices 100a to 100e, and may directly store the learning model or transmit it to the AI devices 100a to 100e.
  • the AI server 200 receives input data from the AI devices 100a to 100e, infers a result value for the received input data using a learning model, and generates a response or control command based on the inferred result value. It can be generated and transmitted to the AI devices 100a to 100e.
  • the AI devices 100a to 100e may infer a result value of input data using a direct learning model, and generate a response or a control command based on the inferred result value.
  • the AI devices 100a to 100e to which the above technology is applied will be described.
  • the AI devices 100a to 100e illustrated in FIG. 3 may be viewed as a specific example of the AI device 100 illustrated in FIG. 1.
  • the robot 100a is applied with AI technology and may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, and the like.
  • the robot 100a may include a robot control module for controlling an operation, and the robot control module may refer to a software module or a chip implementing the same as hardware.
  • the robot 100a acquires status information of the robot 100a by using sensor information acquired from various types of sensors, detects (recognizes) the surrounding environment and objects, generates map data, or moves paths and travels. It can decide a plan, decide a response to user interaction, or decide an action.
  • the robot 100a may use sensor information obtained from at least one sensor from among a lidar, a radar, and a camera in order to determine a moving route and a driving plan.
  • the robot 100a may perform the above operations using a learning model composed of at least one artificial neural network.
  • the robot 100a may recognize a surrounding environment and an object using a learning model, and may determine an operation using the recognized surrounding environment information or object information.
  • the learning model may be directly learned by the robot 100a or learned by an external device such as the AI server 200.
  • the robot 100a may perform an operation by generating a result using a direct learning model, but it transmits sensor information to an external device such as the AI server 200 and performs the operation by receiving the result generated accordingly. You may.
  • the robot 100a determines a movement path and a driving plan using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the determined movement path and travel plan. Accordingly, the robot 100a can be driven.
  • the map data may include object identification information on various objects arranged in a space in which the robot 100a moves.
  • the map data may include object identification information on fixed objects such as walls and doors and movable objects such as flower pots and desks.
  • the object identification information may include a name, type, distance, and location.
  • the robot 100a may perform an operation or run by controlling a driving unit based on a user's control/interaction.
  • the robot 100a may acquire interaction intention information according to a user's motion or voice speech, and determine a response based on the obtained intention information to perform an operation.
  • the autonomous vehicle 100b may be implemented as a mobile robot, vehicle, or unmanned aerial vehicle by applying AI technology.
  • the autonomous driving vehicle 100b may include an autonomous driving control module for controlling an autonomous driving function, and the autonomous driving control module may refer to a software module or a chip implementing the same as hardware.
  • the autonomous driving control module may be included inside as a configuration of the autonomous driving vehicle 100b, but may be configured as separate hardware and connected to the exterior of the autonomous driving vehicle 100b.
  • the autonomous driving vehicle 100b acquires status information of the autonomous driving vehicle 100b using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, or generates map data, It is possible to determine a travel route and a driving plan, or to determine an action.
  • the autonomous vehicle 100b may use sensor information obtained from at least one sensor from among a lidar, a radar, and a camera, similar to the robot 100a, in order to determine a moving route and a driving plan.
  • the autonomous vehicle 100b may recognize an environment or object in an area where the view is obscured or an area greater than a certain distance by receiving sensor information from external devices, or directly recognized information from external devices. .
  • the autonomous vehicle 100b may perform the above operations using a learning model composed of at least one artificial neural network.
  • the autonomous vehicle 100b may recognize a surrounding environment and an object using a learning model, and may determine a driving movement using the recognized surrounding environment information or object information.
  • the learning model may be directly learned by the autonomous vehicle 100b or learned by an external device such as the AI server 200.
  • the autonomous vehicle 100b may perform an operation by generating a result using a direct learning model, but it transmits sensor information to an external device such as the AI server 200 and operates by receiving the result generated accordingly. You can also do
  • the autonomous vehicle 100b determines a movement path and a driving plan using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the determined movement path and driving.
  • the autonomous vehicle 100b can be driven according to a plan.
  • the map data may include object identification information on various objects arranged in a space (eg, a road) in which the autonomous vehicle 100b travels.
  • the map data may include object identification information on fixed objects such as street lights, rocks, and buildings, and movable objects such as vehicles and pedestrians.
  • the object identification information may include a name, type, distance, and location.
  • the autonomous vehicle 100b may perform an operation or drive by controlling a driving unit based on a user's control/interaction.
  • the autonomous vehicle 100b may acquire interaction intention information according to a user's motion or voice speech, and determine a response based on the obtained intention information to perform the operation.
  • the XR device 100c is applied with AI technology, such as HMD (Head-Mount Display), HUD (Head-Up Display) provided in the vehicle, TV, mobile phone, smart phone, computer, wearable device, home appliance, digital signage. , A vehicle, a fixed robot, or a mobile robot.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • the XR device 100c analyzes 3D point cloud data or image data acquired through various sensors or from an external device to generate location data and attribute data for 3D points, thereby providing information on surrounding spaces or real objects.
  • the XR object to be acquired and output can be rendered and output.
  • the XR apparatus 100c may output an XR object including additional information on the recognized object in correspondence with the recognized object.
  • the XR apparatus 100c may perform the above operations using a learning model composed of at least one artificial neural network.
  • the XR device 100c may recognize a real object from 3D point cloud data or image data using a learning model, and may provide information corresponding to the recognized real object.
  • the learning model may be directly learned by the XR device 100c or learned by an external device such as the AI server 200.
  • the XR device 100c may directly generate a result using a learning model to perform an operation, but transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation. You can also do it.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. by applying AI technology and autonomous driving technology.
  • the robot 100a to which AI technology and autonomous driving technology are applied may refer to a robot having an autonomous driving function or a robot 100a interacting with the autonomous driving vehicle 100b.
  • the robot 100a having an autonomous driving function may collectively refer to devices that move by themselves according to a given movement line without the user's control or by determining the movement line by themselves.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may use a common sensing method to determine one or more of a moving route or a driving plan.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may determine one or more of a movement route or a driving plan using information sensed through a lidar, a radar, and a camera.
  • the robot 100a interacting with the autonomous driving vehicle 100b exists separately from the autonomous driving vehicle 100b, and is linked to an autonomous driving function inside the autonomous driving vehicle 100b, or to the autonomous driving vehicle 100b. It is possible to perform an operation associated with the user on board.
  • the robot 100a interacting with the autonomous driving vehicle 100b acquires sensor information on behalf of the autonomous driving vehicle 100b and provides it to the autonomous driving vehicle 100b, or acquires sensor information and information about the surrounding environment or By generating object information and providing it to the autonomous vehicle 100b, it is possible to control or assist the autonomous driving function of the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous vehicle 100b may monitor a user in the autonomous vehicle 100b or control the function of the autonomous vehicle 100b through interaction with the user. .
  • the robot 100a may activate an autonomous driving function of the autonomous driving vehicle 100b or assist the control of a driving unit of the autonomous driving vehicle 100b.
  • the functions of the autonomous vehicle 100b controlled by the robot 100a may include not only an autonomous driving function, but also functions provided by a navigation system or an audio system provided inside the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous driving vehicle 100b may provide information or assist a function to the autonomous driving vehicle 100b from outside of the autonomous driving vehicle 100b.
  • the robot 100a may provide traffic information including signal information to the autonomous vehicle 100b, such as a smart traffic light, or interact with the autonomous driving vehicle 100b, such as an automatic electric charger for an electric vehicle. You can also automatically connect an electric charger to the charging port.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, a drone, etc., by applying AI technology and XR technology.
  • the robot 100a to which the XR technology is applied may refer to a robot that is an object of control/interaction in an XR image.
  • the robot 100a is distinguished from the XR device 100c and may be interlocked with each other.
  • the robot 100a which is the object of control/interaction in the XR image, acquires sensor information from sensors including a camera
  • the robot 100a or the XR device 100c generates an XR image based on the sensor information.
  • the XR device 100c may output the generated XR image.
  • the robot 100a may operate based on a control signal input through the XR device 100c or a user's interaction.
  • the user can check the XR image corresponding to the viewpoint of the robot 100a linked remotely through an external device such as the XR device 100c, and adjust the autonomous driving path of the robot 100a through the interaction.
  • You can control motion or driving, or check information on surrounding objects.
  • the autonomous vehicle 100b may be implemented as a mobile robot, a vehicle, or an unmanned aerial vehicle by applying AI technology and XR technology.
  • the autonomous driving vehicle 100b to which the XR technology is applied may refer to an autonomous driving vehicle including a means for providing an XR image, or an autonomous driving vehicle that is an object of control/interaction within the XR image.
  • the autonomous vehicle 100b, which is an object of control/interaction in the XR image is distinguished from the XR device 100c and may be interlocked with each other.
  • the autonomous vehicle 100b provided with a means for providing an XR image may acquire sensor information from sensors including a camera, and may output an XR image generated based on the acquired sensor information.
  • the autonomous vehicle 100b may provide an XR object corresponding to a real object or an object in a screen to the occupant by outputting an XR image with a HUD.
  • the XR object when the XR object is output to the HUD, at least a part of the XR object may be output to overlap the actual object facing the occupant's gaze.
  • the XR object when the XR object is output on a display provided inside the autonomous vehicle 100b, at least a part of the XR object may be output to overlap an object in the screen.
  • the autonomous vehicle 100b may output XR objects corresponding to objects such as lanes, other vehicles, traffic lights, traffic signs, motorcycles, pedestrians, and buildings.
  • the autonomous driving vehicle 100b which is an object of control/interaction in the XR image, acquires sensor information from sensors including a camera
  • the autonomous driving vehicle 100b or the XR device 100c is based on the sensor information.
  • An XR image is generated, and the XR device 100c may output the generated XR image.
  • the autonomous vehicle 100b may operate based on a control signal input through an external device such as the XR device 100c or a user's interaction.
  • FIG. 4 illustrates a laundry data analysis apparatus and a laundry data analysis system including the same according to an embodiment of the present invention.
  • the laundry data analysis system may include a laundry data analysis device 200a, an image acquisition device 400, a laundry processing device 500, and an external server 600.
  • the laundry data analysis apparatus 200a may correspond to an example of the AI server 200 described above in FIG. 2. That is, the components 210, 230, 240, 260 included in the AI server 200 of FIG. 2 may be included in the laundry data analysis apparatus 200a as well.
  • the laundry data analysis device 200a uses a machine learning-based image recognition model (e.g., artificial neural network 231a) learned by the learning processor 240 from the image acquired from the image acquisition device 400.
  • the laundry data related to the can be recognized.
  • the artificial neural network 231a may include an artificial neural network (ANN) implemented by hardware, software, or a combination thereof.
  • the artificial neural network 231a may include a convolutional neural network (CNN) trained by deep learning, but is not limited thereto and may include various types of artificial neural networks.
  • CNN convolutional neural network
  • the image may include a tag image attached to laundry such as clothing.
  • the tag may include a plurality of laundry data related to characteristics of laundry, such as an article number, color, size, material, manufacturer, and management method (handling precautions, etc.) of the laundry.
  • the image acquisition device 400 may acquire the tag image by a user's manipulation, or the like, and transmit the acquired tag image to the laundry data analysis device 200a.
  • the image acquisition device 400 may include various devices including a camera.
  • the image acquisition device 400 may include a mobile terminal such as a smartphone or a tablet PC.
  • the image acquisition device 400 may also include a laundry treatment device.
  • the laundry data analysis apparatus 200a may obtain a plurality of laundry data for the laundry by recognizing text and figures included in the tag image through the image recognition model.
  • the laundry data analysis apparatus 200a may further obtain additional data related to the laundry from the external server 600 or the like, based on the obtained plurality of laundry data.
  • the additional data is data related to characteristics not included in the tag image, and may include data indicating characteristics such as type, brand, selling price, main age group, gender, and date of manufacture.
  • the external server 600 may be a manufacturer server of the laundry, or may include a server for providing various Internet e-commerce services, a server for providing a search service, and the like.
  • the laundry data analysis apparatus 200a may store laundry information including acquired laundry data and additional data in a database. Meanwhile, the laundry data analysis apparatus 200a may store and manage the laundry information for each group including at least one member.
  • the laundry data analysis apparatus 200a may infer member characteristic information for each of at least one member belonging to the group from a plurality of laundry information stored for a specific group.
  • the laundry data analysis apparatus 200a may infer member characteristic information for each of the at least one member by extracting or classifying and analyzing a plurality of laundry information according to a specific condition.
  • the member characteristic information may include data representing characteristics such as gender, age group, size, preferred brand, and preferred color of each member.
  • the member characteristic information may include data related to laundry corresponding to a member, such as an average selling price of laundry corresponding to each member, and an average washing cycle.
  • the laundry data analysis device 200a can generate additional revenue by selling the inferred member characteristic information to various companies (advertising, marketing, clothing companies, etc.).
  • the laundry data analysis apparatus 200a may provide a laundry guide suitable for a member based on member characteristic information, or may provide information related to the setting of a laundry course to the laundry processing device 500. Accordingly, it is possible to effectively manage the laundry owned by each member.
  • FIG. 5 is a flowchart schematically illustrating a control operation of the laundry data analysis apparatus according to an embodiment of the present invention.
  • 6 is a flowchart for explaining in more detail an operation of acquiring laundry information by the laundry data analysis apparatus according to an embodiment of the present invention.
  • 7 is an exemplary diagram illustrating an operation of the system related to the embodiment of FIG. 6.
  • 8 is an exemplary diagram illustrating an operation of acquiring laundry data by recognizing an image received from the image acquisition device by the laundry data analysis apparatus.
  • 9 shows an example of laundry data accumulated by a laundry data analysis device for a specific group.
  • 10 shows an example of additional data acquired by the laundry data analysis apparatus based on laundry data.
  • 11 shows an example of member characteristic information inferred by the laundry data analysis apparatus based on laundry information including acquired laundry data and additional data.
  • the laundry data analysis apparatus 200a may accumulate and acquire laundry information of a group (S100).
  • Step S100 will be described in more detail with reference to FIGS. 6 to 10.
  • the laundry data analysis device 200a may receive an image including laundry data from the image acquisition device 400 (or the laundry treatment device 500) (S110). .
  • the image acquisition device 400 may acquire an image IMAGE including laundry data based on a user's manipulation, and transmit the acquired image IMAGE to the laundry data analysis device 200a.
  • the user may manipulate the image acquisition device 400 to acquire an image including the tag 700 attached to the laundry for laundry to be put into the laundry treatment device 500 for washing.
  • the laundry treatment device 500 equipped with a camera may acquire an image including a tag 700 attached to laundry that is injected for washing.
  • laundry data related to the property of the laundry may be printed in the form of text or figures.
  • the laundry data included in the tag 700 includes a unique article number, color, size (name), material (fiber mixing ratio, etc.), manufacturer name, manufacturing date, country of manufacture, seller name, and washing method. It may contain information on cautions for handling or handling.
  • the laundry data analysis apparatus 200a may recognize the laundry data LAUNDRY_DATA from the received image using the laundry data recognition model (image recognition model) (S120).
  • a laundry data recognition model 231b (eg, an image recognition model) learned by the running processor 240 or the processor 260 may be stored.
  • the learning processor 240 or the processor 260 may train the laundry data recognition model 231b through supervised learning using a training image and laundry data for training.
  • the processor 260 may input the received image IMAGE as input data of the laundry data recognition model 231b.
  • the laundry data recognition model 231b may recognize laundry data LAUNDRY_DATA included in the image IMAGE based on feature points (text, figures, etc.) included in the received image IMAGE.
  • laundry data LAUNDRY_DATA may include data of each of a plurality of items related to characteristics of laundry.
  • laundry data (LAUNDRY_DATA) may include data corresponding to each of the item number 910, color 920, size 930, manufacturer name 940, and material (material) 950 unique to the laundry. have.
  • the processor 260 may further acquire data on the date 960 when each laundry data was acquired.
  • the data may be used to obtain information on a washing cycle of laundry.
  • the learning processor 240 or the processor 260 may update (learn) the laundry data recognition model 231b based on the received image IMAGE and a recognition result. As the learning process is repeated, the recognition accuracy of the laundry data recognition model 231b may be improved.
  • the laundry data analysis apparatus 200a may acquire additional data related to laundry based on the recognized laundry data LAUNDRY_DATA (S130).
  • the processor 260 may acquire additional data ADD_DATA related to the laundry by using data corresponding to the article number 910 among data included in the laundry data LAUNDRY_DATA.
  • the processor 260 may transmit data corresponding to the article number 910 to the external server 600, and receive additional data (ADD_DATA) for laundry corresponding to the data from the external server 600.
  • the external server 600 may be a server of a clothing vendor, an Internet e-commerce service server, or a search site server, but this is not necessarily the case.
  • the processor 260 when additional data (ADD_DATA) corresponding to the data corresponding to the article number 910 exists in the memory 230 or the database, the processor 260 adds the additional data from the memory 230 or the database. Data ADD_DATA may be acquired.
  • the additional data is an article number (1010), a type of laundry (1020), a manufacturer name (1030), a brand name (1040), a selling price (1050), and a user (wearer). Data on the age range 1060, gender 1070, and date of manufacture 1080 may be included. Some items of the additional data ADD_DATAA may overlap with laundry data LAUNDRY_DATA.
  • the laundry data analysis apparatus 200a may store laundry information including the recognized laundry data and acquired additional data in a database (S140).
  • the processor 260 may store laundry information L_INFO including recognized laundry data LAUNDRY_DATA and acquired additional data ADD_DATA in a database.
  • the database may be included in the memory 230 or in a separate device connected to the laundry data analysis device 200a.
  • the laundry information L_INFO includes a plurality of data corresponding to the items 910 to 960 included in the laundry data LAUNDRY_DATA and the items 1010 to 1080 included in the additional data ADD_DATA. can do.
  • the processor 260 may store and manage the laundry data LAUNDRY_DATA for each group.
  • the group may include at least one member, and information on the image acquisition device 400 corresponding to the group may be stored in the memory 230.
  • the processor 260 may classify the group according to the image acquisition device 400 that has transmitted the image IMAGE.
  • the laundry data analysis apparatus 200a may infer member characteristic information for at least one member included in the group based on the obtained laundry information (S200).
  • the processor 260 may infer member characteristic information indicating characteristics of at least one member included in the group from the laundry information L_INFO for the group accumulated and stored in the database and obtain it.
  • the processor 260 extracts or classifies the laundry information L_INFO using at least one of a plurality of items included in the laundry information L_INFO, and provides statistical information on the extracted or classified laundry information L_INFO.
  • the member characteristic information can be inferred through characteristics or the like.
  • member characteristic information includes information related to characteristics of each member included in a group.
  • member characteristic information includes each member's gender 1110, age range 1120, average size 1130, preferred brand 1140, average selling price of laundry (clothing) 1150, and washing cycle ( 1160) and related information may be included.
  • the processor 260 When describing each item, the processor 260 is based on at least one of the size 930, the age range 1060, and the gender 1070 of a plurality of laundry information (L_INFO) accumulated and stored for the group. Members included in can be identified. As shown in FIG. 11, the processor 260 may classify members included in the group into men in their 20s to 40s, women in their 20s to 40s, and infants based on the at least one item.
  • L_INFO laundry information
  • a plurality of laundry information corresponding to the male, a plurality of laundry information corresponding to the female, and a plurality of laundry information corresponding to the infant and child may exist in the database.
  • the processor 260 may infer an average size 1130 for the man based on size data of each of a plurality of laundry information corresponding to the man.
  • the processor 260 may infer the male's preferred brand 1140 based on brand data of each of a plurality of laundry information corresponding to the male.
  • the processor 260 may infer the average selling price 1150 of the laundry (clothing) owned by the man based on the selling price data of each of the plurality of laundry information corresponding to the man.
  • the processor 260 may infer the average washing cycle 1160 of the man based on a date at which each of the plurality of laundry information corresponding to the man was acquired.
  • the processor 260 may infer the average size 1130, the preferred brand 1140, the average selling price 1150, and the washing cycle 1160 for each of the women and infants.
  • Items 1110 to 1160 included in the member inference information MEMBER_INFO shown in FIG. 11 are examples for convenience of description, and the types and numbers of the items may be variously changed.
  • the laundry data analysis apparatus 200a can distinguish not only members of a group from a plurality of laundry information about a specific group, but also infer characteristics of each member. Accordingly, it is possible to effectively manage users of the services provided by the laundry data analysis apparatus 200a.
  • the laundry data analysis apparatus 200a may provide customized information based on the inferred member characteristic information (S300).
  • the laundry data analysis apparatus 200a may sell the inferred member characteristic information to a third party.
  • the third party may refer to various companies such as advertisements, marketing, and clothing sellers.
  • the third party may provide customized information to members included in the group based on the purchased member characteristic information. That is, in this case, the laundry data analysis apparatus 200a may provide customized information based on the inferred member characteristic information to each member of the group through the third party.
  • the laundry data analysis apparatus 200a may directly provide customized information to each member of the group based on the inferred member characteristic information.
  • the laundry data analysis apparatus 200a may provide customized information to the laundry processing device 500 corresponding to the group based on the inferred member characteristic information.
  • the processor 260 of the laundry data analysis apparatus 200a uses the laundry information L_INFO of the member 1200 included in the group, and member characteristic information for the member 1200 (MEMBER_INFO). ) Can be obtained.
  • the laundry data analysis apparatus 200a may provide information on a preferred brand and an average selling price among the acquired member characteristic information MEMBER_INFO to the clothing seller 1250.
  • the operator of the laundry data analysis apparatus 200a may obtain a compensation (sales amount) corresponding to the provision of the information from the clothing seller 1250.
  • the clothing vendor 1250 may provide advertisement content suitable for the member 1200 or provide a discount or event notification based on preferred brand information and average selling price information of the member 1200.
  • the member 1200 may only receive advertisements for items of a favorite or interesting brand or price range from the clothing seller 1250, inconvenience caused by indiscriminate advertisement reception may be resolved.
  • the laundry data analysis apparatus 200a provides the obtained laundry information and the member characteristic information inferred based on the obtained laundry information to a third party such as a clothing seller, thereby allowing the third party to provide customized information to the user.
  • the processor 260 of the laundry data analysis apparatus 200a may acquire member characteristic information (MEMBER_INFO) for the member 1300 by using the laundry information L_INFO of the member 1300. .
  • the processor 260 may obtain data on a manufacturing date and a washing cycle of each of the laundry information L_INFO and member characteristic information MEMBER_INFO.
  • the processor 260 may determine whether the washing cycle of the member 1300 is appropriate by comparing the obtained washing cycle with an appropriate washing cycle of each of the laundry.
  • the processor 260 may provide the determination result to the member 1300 or may notify the member 1300 of information on an appropriate washing cycle for each laundry (for each clothing). That is, the laundry data analysis apparatus 200a may induce effective washing and management of laundry by providing the member 1300 with information on an appropriate washing cycle based on the laundry information and member characteristic information.
  • the processor 260 uses data on the manufacturing date and washing cycle of each of the laundry, and when the laundry processing device 500 corresponding to the member (or the group) performs a washing operation on the laundry. Information on the appropriate washing mode (washing course) can also be provided.
  • the processor 260 operates in a washing course stronger than the standard course (e.g., a dirty course) when washing the laundry.
  • Laundry course information may be provided to the laundry treatment device 500.
  • the processor 260 uses a standard course or a washing course weaker than the standard course (for example, a wool course) when washing the laundry.
  • laundry course information may be provided to the laundry treatment device 500.
  • the laundry data analysis apparatus 200a enables effective laundry and management of laundry by providing appropriate laundry course information to the laundry treatment device 500 based on laundry information and member characteristic information for the member 1300.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Toxicology (AREA)
  • Electromagnetism (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 실시 예에 따른 인공지능 기반의 세탁물 데이터 분석 장치는, 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 세탁물의 특성과 관련된 세탁물 데이터를 포함하는 이미지를 수신하는 통신부, 및 수신된 이미지로부터 상기 세탁물 데이터를 인식하고, 인식된 세탁물 데이터에 기초하여 상기 세탁물의 특성과 관련된 추가 데이터를 획득하고, 상기 세탁물 데이터 및 추가 데이터를 포함하는 세탁물 정보를 데이터베이스에 저장하고, 상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 세탁물 정보로부터, 상기 적어도 하나의 구성원 각각에 대한 구성원 특성 정보를 획득하는 프로세서를 포함한다.

Description

인공지능 기반의 세탁물 데이터 분석 장치
본 발명은 인공지능 기반의 세탁물 데이터 분석 장치에 관한 것이다.
인공 지능(artificial intelligence)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.
한편, 인공지능을 이용하여 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다. 인공지능 기술에 따른 인식 모델은, 새로운 환경이나 인공지능 디바이스의 사용자의 특성을 인지 및 학습 하여 인식 모델을 업데이트 해가면서 성장한다.
한편, 인공지능 기반의 다양한 장치나 서비스의 보급이 확대되면서, 장치의 제조사나 서비스 제공자는 사용자의 장치 사용 또는 서비스 이용과 관련된 방대한 데이터를 획득할 수 있다. 상기 장치의 제조사 또는 서비스 제공자는 획득된 데이터를 제품 또는 서비스의 개선을 위해 활용할 수 있다.
한편, 상기 장치의 제조사 또는 서비스 제공자는 상기 획득된 방대한 데이터의 비즈니스적 활용 방안에 대해서도 고민할 수 있다.
본 발명이 해결하고자 하는 과제는, 세탁물과 관련된 정보를 효과적으로 획득 및 관리할 수 있는 세탁물 데이터 분석 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 획득된 세탁물 정보를 통해 그룹에 포함된 구성원들의 특성 정보를 추론하고, 추론된 특성 정보를 다양한 방식으로 활용할 수 있는 세탁물 데이터 분석 장치를 제공하는 것이다.
본 발명의 실시 예에 따른 인공지능 기반의 세탁물 데이터 분석 장치는, 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 세탁물의 특성과 관련된 세탁물 데이터를 포함하는 이미지를 수신하는 통신부, 및 수신된 이미지로부터 상기 세탁물 데이터를 인식하고, 인식된 세탁물 데이터에 기초하여 상기 세탁물의 특성과 관련된 추가 데이터를 획득하고, 상기 세탁물 데이터 및 추가 데이터를 포함하는 세탁물 정보를 데이터베이스에 저장하고, 상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 세탁물 정보로부터, 상기 적어도 하나의 구성원 각각에 대한 구성원 특성 정보를 획득하는 프로세서를 포함한다.
상기 세탁물 데이터 분석 장치는, 머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 세탁물 데이터를 인식하기 위한 세탁물 데이터 인식 모델을 저장하는 메모리를 더 포함할 수 있다.
실시 예에 따라, 상기 프로세서는 상기 이미지 획득 장치로부터 수신된 이미지를 상기 세탁물 데이터 인식 모델의 입력 데이터로서 입력하고, 상기 세탁물 데이터 인식 모델로부터 인식되는 상기 세탁물 데이터를 획득하고, 상기 이미지 및 상기 인식된 세탁물 데이터에 기초하여 상기 세탁물 데이터 인식 모델을 업데이트할 수 있다.
실시 예에 따라, 상기 이미지는 상기 세탁물에 부착된 태그를 포함하고, 상기 프로세서는, 상기 수신된 이미지로부터, 상기 태그에 포함된 텍스트 및 도형 중 적어도 하나의 형태로 포함된 상기 세탁물 데이터를 인식할 수 있다.
실시 예에 따라, 상기 세탁물 데이터는, 상기 세탁물의 품번 정보, 색상 정보, 사이즈 정보, 소재 정보, 제조자명 정보, 및 제조일자 정보 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 상기 세탁물 데이터에 포함된 상기 품번 정보를 서버로 전송하도록 상기 통신부를 제어하고, 상기 통신부를 통해 상기 서버로부터 상기 품번 정보에 대응하는 세탁물에 대한 상기 추가 데이터를 수신할 수 있다.
상기 추가 데이터는, 상기 세탁물의 종류 정보, 브랜드 정보, 판매가격 정보, 주 연령대 정보, 성별 정보, 및 제조일자 정보 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 상기 그룹에 대응하는 복수의 세탁물 정보 각각을, 사이즈 정보, 주 연령대 정보, 및 성별 정보 중 적어도 하나에 기초하여 분류하고, 분류 결과에 기초하여 상기 그룹에 포함된 적어도 하나의 구성원을 구분할 수 있다.
상기 프로세서는, 상기 구분된 적어도 하나의 구성원 각각에 대응하는 세탁물 정보에 기초하여, 상기 적어도 하나의 구성원 각각의 성별, 연령대, 및 사이즈 중 적어도 하나의 정보를 포함하는 상기 구성원 특성 정보를 획득할 수 있다.
상기 구성원 특성 정보는, 상기 그룹에 포함된 적어도 하나의 구성원 각각의 선호 브랜드, 평균 가격, 및 평균 세탁 주기 중 적어도 하나의 정보를 포함할 수 있다.
상기 프로세서는, 상기 적어도 하나의 구성원 각각에 대해, 대응하는 복수의 세탁물 정보 중 상기 브랜드 정보에 기초하여, 상기 적어도 하나의 구성원 각각의 선호 브랜드를 추론할 수 있다.
상기 프로세서는, 상기 적어도 하나의 구성원 각각에 대해, 대응하는 복수의 세탁물 정보 중 상기 판매가격 정보에 기초하여, 상기 적어도 하나의 구성원 각각이 소유한 세탁물의 평균 가격을 추론할 수 있다.
상기 프로세서는, 상기 적어도 하나의 구성원 각각에 대해, 대응하는 복수의 세탁물 정보 각각이 획득되는 시점에 기초하여 상기 평균 세탁 주기 정보를 추론할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 그룹에 포함된 제1 구성원에 대응하는 세탁물 정보의 제조일자 정보, 및 상기 제1 구성원의 구성원 특성 정보의 평균 세탁 주기 정보에 기초하여 세탁코스 정보를 생성하고, 생성된 세탁코스 정보를 상기 제1 구성원에 대응하는 세탁물 처리 기기로 전송할 수 있다.
실시 예에 따라, 상기 프로세서는 상기 그룹에 포함된 구성원에게 상기 구성원 특성 정보에 기초한 맞춤형 정보를 제공하기 위해, 상기 구성원 특성 정보를 외부 서버로 전송할 수 있다.
본 발명의 실시 예에 따르면, 세탁물 데이터 분석 장치는 머신 러닝 등의 인공지능 기반의 학습된 데이터를 이용하여, 세탁물에 부착된 태그 등으로부터 세탁물 정보를 보다 정확히 인식 및 획득할 수 있다. 또한, 세탁물 데이터 분석 장치는 상기 태그의 인식 결과를 이용한 학습을 반복 수행할 수 있으므로, 인식 정확도를 보다 향상시킬 수 있다.
또한, 세탁물 데이터 분석 장치는, 특정 그룹에 대한 복수의 세탁물 정보로부터 그룹의 구성원들을 구분할 수 있을 뿐만 아니라, 구성원들 각각에 대한 특성까지도 추론할 수 있다. 따라서, 세탁물 데이터 분석 장치가 제공하는 서비스의 이용자들에 대한 효과적인 관리가 가능하다.
뿐만 아니라, 세탁물 데이터 분석 장치는 구성원 특성 정보에 기초하여 구성원에게 적합한 세탁 가이드를 제공하거나, 세탁물 처리 기기로 세탁 코스의 설정과 관련된 정보를 제공할 수도 있다. 이에 따라, 구성원들 각각이 소유한 세탁물에 대한 효과적인 관리를 가능하게 한다.
또한, 세탁물 데이터 분석 장치는 상기 구성원 특성 정보에 기초하여 구성원에게 다양한 맞춤형 정보를 제공함으로써, 세탁물 데이터 분석 장치가 제공하는 서비스를 이용하는 이용자들의 만족도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 세탁물 데이터 분석 장치와 그를 포함하는 시스템을 나타낸다.
도 5는 본 발명의 실시 예에 따른 세탁물 데이터 분석 장치의 제어 동작을 개략적으로 설명하는 플로우차트이다.
도 6은 본 발명의 실시 예에 따른 세탁물 데이터 분석 장치가 세탁물 정보를 획득하는 동작을 보다 상세히 설명하기 위한 플로우차트이다.
도 7은 도 6의 실시 예와 관련된 시스템의 동작을 나타내는 예시도이다.
도 8은 세탁물 데이터 분석 장치가 이미지 획득 장치로부터 수신한 이미지를 인식하여 세탁물 데이터를 획득하는 동작을 나타내는 예시도이다.
도 9는 세탁물 데이터 분석 장치가 특정 그룹에 대해 누적 획득한 세탁물 데이터의 예를 나타낸다.
도 10은 세탁물 데이터 분석 장치가, 세탁물 데이터에 기초하여 획득하는 추가 데이터의 예를 나타낸다.
도 11은 세탁물 데이터 분석 장치가, 획득된 세탁물 데이터 및 추가 데이터를 포함하는 세탁물 정보에 기초하여 추론한 구성원 특성 정보의 예를 나타낸다.
도 12 내지 도 13은 세탁물 데이터 분석 장치에 의해 획득되는 세탁물 정보 및 구성원 특성 정보의 활용 예들을 나타낸다.
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 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth쪠), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 세탁물 데이터 분석 장치와 그를 포함하는 세탁물 데이터 분석 시스템을 나타낸다.
도 4를 참조하면, 세탁물 데이터 분석 시스템은 세탁물 데이터 분석 장치(200a), 이미지 획득 장치(400), 세탁물 처리 기기(500), 및 외부 서버(600)를 포함할 수 있다.
세탁물 데이터 분석 장치(200a)는, 도 2에서 상술한 AI 서버(200)의 일 예에 해당할 수 있다. 즉, 도 2의 AI 서버(200)에 포함된 구성들(210, 230, 240, 260)은 세탁물 데이터 분석 장치(200a)에도 마찬가지로 포함도리 수 있다.
세탁물 데이터 분석 장치(200a)는 이미지 획득 장치(400)로부터 획득되는 이미지로부터, 러닝 프로세서(240)에 의해 학습된 머신 러닝 기반의 이미지 인식 모델(예컨대, 인공신경망(231a))을 통해 세탁물의 특성과 관련된 세탁물 데이터를 인식할 수 있다.
예컨대, 상기 인공신경망(231a)은 하드웨어, 소프트웨어, 또는 이들의 조합으로 구현되는 인공 신경망(ANN)을 포함할 수 있다. 예를 들어, 상기 인공 신경망(231a)은 딥러닝(deep learning)으로 학습된 CNN(convolutional neural network)을 포함할 수 있으나, 이에 한정되는 것은 아니고 다양한 형태의 인공 신경망을 포함할 수 있다.
한편, 상기 이미지는 의류 등의 세탁물에 부착된 태그 이미지를 포함할 수 있다. 상기 태그는 세탁물의 품번, 색상, 사이즈, 소재, 제조자, 관리방법(취급 주의 사항 등) 등과 같이, 세탁물의 특성과 관련된 복수의 세탁물 데이터를 포함할 수 있다. 이미지 획득 장치(400)는 사용자의 조작 등에 의해 상기 태그 이미지를 획득하고, 획득된 태그 이미지를 세탁물 데이터 분석 장치(200a)로 전송할 수 있다.
상기 이미지 획득 장치(400)는 카메라를 포함하는 다양한 장치를 포함할 수 있다. 예컨대, 이미지 획득 장치(400)는 스마트폰, 태블릿 PC 등의 이동 단말기를 포함할 수 있다. 실시 예에 따라, 세탁물 처리 기기(500)에 카메라가 구비된 경우, 이미지 획득 장치(400)는 세탁물 처리 기기까지도 포함할 수 있다.
세탁물 데이터 분석 장치(200a)는 상기 이미지 인식 모델을 통해 상기 태그 이미지에 포함된 텍스트 및 도형 등을 인식함으로써, 상기 세탁물에 대한 복수의 세탁물 데이터를 획득할 수 있다.
또한, 세탁물 데이터 분석 장치(200a)는 획득된 복수의 세탁물 데이터에 기초하여, 외부 서버(600) 등으로부터 상기 세탁물과 관련된 추가 데이터를 더 획득할 수 있다.
상기 추가 데이터는 상기 태그 이미지에 포함되지 않은 특성과 관련된 데이터로서, 예컨대 종류, 브랜드, 판매가격, 주연령대, 성별, 제조일자 등의 특성을 나타내는 데이터를 포함할 수 있다. 상기 외부 서버(600)는 상기 세탁물의 제조사 서버이거나, 각종 인터넷 전자상거래 서비스 제공 서버, 검색 서비스 제공 서버 등을 포함할 수 있다.
세탁물 데이터 분석 장치(200a)는 획득된 세탁물 데이터 및 추가 데이터를 포함하는 세탁물 정보를 데이터베이스에 저장할 수 있다. 한편, 세탁물 데이터 분석 장치(200a)는 상기 세탁물 정보를 적어도 하나의 구성원을 포함하는 그룹별로 저장 및 관리할 수 있다.
특히, 상기 세탁물 데이터 분석 장치(200a)는, 특정 그룹에 대해 저장된 복수의 세탁물 정보로부터, 상기 그룹에 속한 적어도 하나의 구성원 각각에 대한 구성원 특성 정보를 추론할 수 있다. 예컨대, 세탁물 데이터 분석 장치(200a)는 복수의 세탁물 정보를 특정 조건에 따라 추출 또는 분류하여 분석함으로써, 상기 적어도 하나의 구성원 각각에 대한 구성원 특성 정보를 추론할 수 있다.
예컨대, 상기 구성원 특성 정보는 구성원 각각의 성별, 연령대, 사이즈, 선호 브랜드, 선호 색상 등의 특성을 나타내는 데이터를 포함할 수 있다. 또한, 구성원 특성 정보는 구성원 각각에 대응하는 세탁물의 평균 판매가격, 평균 세탁주기 등 구성원에 대응하는 세탁물과 관련된 데이터를 포함할 수 있다.
세탁물 데이터 분석 장치(200a)는 상기 추론된 구성원 특성 정보를 다양한 업체(광고, 마케팅, 의류업체 등)로 판매함으로써 추가적인 수익 창출이 가능하다.
실시 예에 따라, 세탁물 데이터 분석 장치(200a)는 구성원 특성 정보에 기초하여 구성원에게 적합한 세탁 가이드를 제공하거나, 세탁물 처리 기기(500)로 세탁 코스의 설정과 관련된 정보를 제공할 수도 있다. 이에 따라, 구성원들 각각이 소유한 세탁물에 대한 효과적인 관리를 가능하게 한다.
이하, 도 5 내지 도 13을 참조하여 세탁물 데이터 분석 장치(200a)와 관련된 다양한 실시 예들을 설명한다.
도 5는 본 발명의 실시 예에 따른 세탁물 데이터 분석 장치의 제어 동작을 개략적으로 설명하는 플로우차트이다. 도 6은 본 발명의 실시 예에 따른 세탁물 데이터 분석 장치가 세탁물 정보를 획득하는 동작을 보다 상세히 설명하기 위한 플로우차트이다. 도 7은 도 6의 실시 예와 관련된 시스템의 동작을 나타내는 예시도이다. 도 8은 세탁물 데이터 분석 장치가 이미지 획득 장치로부터 수신한 이미지를 인식하여 세탁물 데이터를 획득하는 동작을 나타내는 예시도이다. 도 9는 세탁물 데이터 분석 장치가 특정 그룹에 대해 누적 획득한 세탁물 데이터의 예를 나타낸다. 도 10은 세탁물 데이터 분석 장치가, 세탁물 데이터에 기초하여 획득하는 추가 데이터의 예를 나타낸다. 도 11은 세탁물 데이터 분석 장치가, 획득된 세탁물 데이터 및 추가 데이터를 포함하는 세탁물 정보에 기초하여 추론한 구성원 특성 정보의 예를 나타낸다.
도 5를 참조하면, 세탁물 데이터 분석 장치(200a)는 그룹의 세탁물 정보를 누적 획득할 수 있다(S100).
S100 단계에 대해서는 도 6 내지 도 10을 통해 보다 상세히 설명한다.
도 6과 도 7을 참조하면, 세탁물 데이터 분석 장치(200a)는 이미지 획득 장치(400)(또는 세탁물 처리 기기(500))로부터 세탁물 데이터를 포함하는 이미지(IMAGE)를 수신할 수 있다(S110).
이미지 획득 장치(400)는 사용자의 조작 등에 기초하여 세탁물 데이터를 포함하는 이미지(IMAGE)를 획득하고, 획득한 이미지(IMAGE)를 세탁물 데이터 분석 장치(200a)로 전송할 수 있다.
예컨대, 사용자는 세탁을 위해 세탁물 처리 기기(500)로 투입될 세탁물에 대해, 상기 세탁물에 부착된 태그(700)를 포함하는 이미지를 획득하도록 이미지 획득 장치(400)를 조작할 수 있다. 또는, 카메라가 구비된 세탁물 처리 기기(500)는, 세탁을 위해 투입되는 세탁물에 부착된 태그(700)를 포함하는 이미지를 획득할 수 있다.
상기 태그(700)에는, 세탁물의 특성과 관련된 세탁물 데이터가 텍스트 또는 도형 등의 형태로 인쇄되어 있을 수 있다. 예컨대, 상기 태그(700)에 포함된 상기 세탁물 데이터는, 세탁물의 고유한 품번, 색상, 사이즈(호칭), 소재(섬유혼용율 등), 제조자명, 제조일자, 제조국명, 판매자명, 및 세탁방법이나 취급시 주의사항 등에 대한 정보를 포함할 수 있다.
세탁물 데이터 분석 장치(200a)는, 세탁물 데이터 인식 모델(이미지 인식 모델)을 이용하여, 수신된 이미지로부터 세탁물 데이터(LAUNDRY_DATA)를 인식할 수 있다(S120).
세탁물 데이터 분석 장치(200a)의 메모리(230)에는, 러닝 프로세서(240) 또는 프로세서(260)에 의해 학습된 세탁물 데이터 인식 모델(231b; 예컨대 이미지 인식 모델)이 저장될 수 있다.
예컨대, 러닝 프로세서(240) 또는 프로세서(260)는, 학습용 이미지 및 학습용 세탁물 데이터를 이용한 지도 학습을 통해, 상기 세탁물 데이터 인식 모델(231b)을 학습시킬 수 있다.
프로세서(260)는, 상기 수신된 이미지(IMAGE)를 세탁물 데이터 인식 모델(231b)의 입력 데이터로서 입력할 수 있다. 상기 세탁물 데이터 인식 모델(231b)은 상기 수신된 이미지(IMAGE)에 포함된 특징점들(텍스트, 도형 등)에 기초하여, 상기 이미지(IMAGE)에 포함된 세탁물 데이터(LAUNDRY_DATA)를 인식할 수 있다.
도 9의 예를 참조하면, 세탁물 데이터(LAUNDRY_DATA)는 세탁물의 특성과 관련된 복수의 항목 각각의 데이터를 포함할 수 있다. 예컨대, 세탁물 데이터(LAUNDRY_DATA)는 세탁물의 고유한 품번(910), 색상(920), 사이즈(930), 제조자명(940), 및 소재(재질)(950) 각각에 해당하는 데이터를 포함할 수 있다.
실시 예에 따라, 프로세서(260)는 각각의 세탁물 데이터가 획득된 날짜(960)에 대한 데이터를 더 획득할 수 있다. 상기 데이터는 세탁물의 세탁 주기에 대한 정보를 획득하는 데 활용될 수 있다.
또한, 도시되지는 않았으나, 러닝 프로세서(240) 또는 프로세서(260)는, 상기 수신된 이미지(IMAGE) 및 인식 결과에 기초하여 상기 세탁물 데이터 인식 모델(231b)을 업데이트(학습)할 수 있다. 상기 학습 과정이 반복될수록, 세탁물 데이터 인식 모델(231b)의 인식 정확도가 향상될 수 있다.
세탁물 데이터 분석 장치(200a)는, 인식된 세탁물 데이터(LAUNDRY_DATA)에 기초하여, 세탁물과 관련된 추가 데이터를 획득할 수 있다(S130).
예컨대, 프로세서(260)는 세탁물 데이터(LAUNDRY_DATA)에 포함된 데이터 중 품번(910)에 해당하는 데이터를 이용하여, 상기 세탁물과 관련된 추가 데이터(ADD_DATA)를 획득할 수 있다.
일례로, 프로세서(260)는 상기 품번(910)에 해당하는 데이터를 외부 서버(600)로 전송하고, 외부 서버(600)로부터 상기 데이터에 대응하는 세탁물에 대한 추가 데이터(ADD_DATA)를 수신할 수 있다. 상술한 바와 같이 상기 외부 서버(600)는 의류 판매업체의 서버, 인터넷 전자상거래 서비스 서버, 또는 검색 사이트 서버일 수 있으나, 반드시 그러한 것은 아니다.
실시 예에 따라, 프로세서(260)는 메모리(230) 또는 데이터베이스에 상기 품번(910)에 해당하는 데이터와 대응하는 추가 데이터(ADD_DATA)가 존재하는 경우, 상기 메모리(230) 또는 상기 데이터베이스로부터 상기 추가 데이터(ADD_DATA)를 획득할 수도 있다.
도 10의 예를 참조하면, 추가 데이터(ADD_DATA)는 품번(1010), 세탁물의 종류(1020), 제조자명(1030), 브랜드명(1040), 판매가격(1050), 이용자(착용자)의 주 연령대(1060), 성별(1070), 및 제조일자(1080)에 대한 데이터를 포함할 수 있다. 상기 추가 데이터(ADD_DATAA) 중 일부 항목은 세탁물 데이터(LAUNDRY_DATA)와 중복될 수 있다.
세탁물 데이터 분석 장치(200a)는 상기 인식된 세탁물 데이터 및 획득된 추가 데이터를 포함하는 세탁물 정보를 데이터베이스에 저장할 수 있다(S140).
프로세서(260)는 인식된 세탁물 데이터(LAUNDRY_DATA)와 획득된 추가 데이터(ADD_DATA)를 포함하는 세탁물 정보(L_INFO)를 데이터베이스에 저장할 수 있다. 상기 데이터베이스는 메모리(230)에 포함되거나, 세탁물 데이터 분석 장치(200a)와 연결되는 별도의 장치에 포함될 수 있다.
도시되지는 않았으나, 세탁물 정보(L_INFO)는 세탁물 데이터(LAUNDRY_DATA)에 포함된 항목들(910~960) 및 추가 데이터(ADD_DATA)에 포함된 항목들(1010~1080)에 대응하는 복수의 데이터를 포함할 수 있다.
또한, 프로세서(260)는 상기 세탁물 데이터(LAUNDRY_DATA)를 그룹별로 저장 및 관리할 수 있다. 상기 그룹은 적어도 하나의 구성원(member)을 포함할 수 있고, 그룹에 대응하는 이미지 획득 장치(400)의 정보가 메모리(230)에 저장될 수 있다. 프로세서(260)는 이미지(IMAGE)를 전송한 이미지 획득 장치(400)에 따라 상기 그룹을 구분할 수 있다.
다시 도 5를 설명한다.
세탁물 데이터 분석 장치(200a)는 획득된 세탁물 정보에 기초하여, 상기 그룹에 포함된 적어도 하나의 구성원에 대한 구성원 특성 정보를 추론할 수 있다(S200).
프로세서(260)는, 데이터베이스에 누적 저장된 상기 그룹에 대한 세탁물 정보(L_INFO)로부터, 상기 그룹에 포함된 적어도 하나의 구성원에 대한 특성을 나타내는 구성원 특성 정보를 추론하여 획득할 수 있다.
구체적으로, 프로세서(260)는 상기 세탁물 정보(L_INFO)에 포함된 복수의 항목들 중 적어도 하나를 이용하여 상기 세탁물 정보(L_INFO)를 추출 또는 분류하고, 추출 또는 분류된 세탁물 정보(L_INFO)의 통계적 특성 등을 통해 상기 구성원 특성 정보를 추론할 수 있다.
이와 관련하여 도 11을 참조하면, 구성원 특성 정보(MEMBER_INFO)는 그룹에 포함된 구성원 각각의 특성과 관련된 정보를 포함한다. 예컨대, 구성원 특성 정보(MEMBER_INFO)는 구성원 각각의 성별(1110), 연령대(1120), 평균 사이즈(1130), 선호 브랜드(1140), 세탁물(의류)의 평균 판매가격(1150), 및 세탁주기(1160)와 관련된 정보를 포함할 수 있다.
각 항목에 대해 설명하면, 프로세서(260)는 그룹에 대해 누적 저장된 복수의 세탁물 정보(L_INFO)의 사이즈(930), 연령대(1060), 및 성별(1070) 중 적어도 하나의 항목에 기초하여, 그룹에 포함된 구성원들을 구분할 수 있다. 도 11에 도시된 바와 같이, 프로세서(260)는 상기 적어도 하나의 항목에 기초하여, 상기 그룹에 포함된 구성원을 20대 내지 40대의 남성, 20대 내지 40대의 여성, 및 영유아로 구분할 수 있다.
이 경우, 데이터베이스에는 상기 남성에 대응하는 복수의 세탁물 정보, 상기 여성에 대응하는 복수의 세탁물 정보, 및 상기 영유아에 대응하는 복수의 세탁물 정보가 존재할 수 있다.
프로세서(260)는, 상기 남성에 대응하는 복수의 세탁물 정보 각각의 사이즈 데이터에 기초하여, 상기 남성에 대한 평균 사이즈(1130)를 추론할 수 있다. 프로세서(260)는 상기 남성에 대응하는 복수의 세탁물 정보 각각의 브랜드 데이터에 기초하여, 상기 남성의 선호 브랜드(1140)를 추론할 수 있다. 프로세서(260)는 상기 남성에 대응하는 복수의 세탁물 정보 각각의 판매가격 데이터에 기초하여, 상기 남성이 소유한 세탁물(의류)의 평균 판매가격(1150)을 추론할 수 있다. 또한, 프로세서(260)는 상기 남성에 대응하는 복수의 세탁물 정보 각각이 획득된 일자(date)에 기초하여, 상기 남성의 평균 세탁 주기(1160)를 추론할 수 있다.
상술한 바와 유사하게, 프로세서(260)는 상기 여성 및 영유아 각각에 대한 평균 사이즈(1130), 선호 브랜드(1140), 평균 판매가격(1150), 및 세탁주기(1160)를 추론할 수 있다.
도 11에 도시된 구성원 추론 정보(MEMBER_INFO)에 포함된 항목들(1110~1160)은 설명의 편의를 위한 일례로서, 상기 항목의 종류 및 수는 다양하게 변경될 수 있다.
즉, 세탁물 데이터 분석 장치(200a)는, 특정 그룹에 대한 복수의 세탁물 정보로부터 그룹의 구성원들을 구분할 수 있을 뿐만 아니라, 구성원들 각각에 대한 특성까지도 추론할 수 있다. 따라서, 세탁물 데이터 분석 장치(200a)가 제공하는 서비스의 이용자들에 대한 효과적인 관리가 가능하다.
다시 도 5를 설명한다.
세탁물 데이터 분석 장치(200a)는 추론된 구성원 특성 정보에 기초한 맞춤형 정보를 제공할 수 있다(S300).
예컨대, 세탁물 데이터 분석 장치(200a)는 상기 추론된 구성원 특성 정보를 제3자에게 판매할 수 있다. 상기 제3자는 광고, 마케팅, 의류판매업자 등의 다양한 업체를 의미할 수 있다.
상기 제3자는 구매한 구성원 특성 정보에 기초하여, 상기 그룹에 포함된 구성원에게 맞춤형 정보를 제공할 수 있다. 즉, 이 경우 세탁물 데이터 분석 장치(200a)는 추론된 구성원 특성 정보에 기초한 맞춤형 정보를, 상기 제3자를 통해 상기 그룹의 구성원 각각에게 제공할 수 있다.
또는, 세탁물 데이터 분석 장치(200a)는 상기 추론된 구성원 특성 정보에 기초하여 상기 그룹의 구성원 각각에게 직접 맞춤형 정보를 제공할 수 있다. 또는, 세탁물 데이터 분석 장치(200a)는 상기 추론된 구성원 특성 정보에 기초하여, 상기 그룹에 대응하는 세탁물 처리 기기(500)로 맞춤형 정보를 제공할 수 있다.
이와 관련된 실시 예들을 이하 도 12 내지 도 13을 참조하여 설명한다.
도 12 내지 도 13은 세탁물 데이터 분석 장치에 의해 획득되는 세탁물 정보 및 구성원 특성 정보의 활용 예들을 나타낸다.
도 12를 참조하면, 세탁물 데이터 분석 장치(200a)의 프로세서(260)는, 그룹에 포함된 구성원(1200)의 세탁물 정보(L_INFO)를 이용하여, 상기 구성원(1200)에 대한 구성원 특성 정보(MEMBER_INFO)를 획득할 수 있다.
세탁물 데이터 분석 장치(200a)는, 획득된 구성원 특성 정보(MEMBER_INFO) 중 선호 브랜드 및 평균 판매가격에 대한 정보를 의류 판매업체(1250)에게 제공할 수 있다. 이 때, 세탁물 데이터 분석 장치(200a)의 운영사는 상기 의류 판매업체(1250)로부터 상기 정보의 제공에 대응하는 보상(판매금액)을 획득할 수 있다.
상기 의류 판매업체(1250)는 구성원(1200)에 대한 선호 브랜드 정보 및 평균 판매가격 정보에 기초하여, 구성원(1200)에게 적합한 광고 콘텐츠를 제공하거나, 할인 또는 이벤트 알림을 제공할 수 있다.
구성원(1200)은 의류 판매업체(1250)로부터 선호 또는 흥미있는 브랜드나 가격대의 물품에 대한 광고만을 수신할 수 있는 바, 무분별한 광고 수신에 따른 불편함이 해소될 수 있다.
즉, 세탁물 데이터 분석 장치(200a)는 획득된 세탁물 정보 및 이에 기초하여 추론된 구성원 특성 정보를 의류 판매업체 등의 제3자로 제공함으로써, 상기 제3자로 하여금 사용자에게 맞춤형 정보를 제공토록 한다.
도 13을 참조하면, 세탁물 데이터 분석 장치(200a)의 프로세서(260)는 구성원(1300)의 세탁물 정보(L_INFO)를 이용하여, 구성원(1300)에 대한 구성원 특성 정보(MEMBER_INFO)를 획득할 수 있다.
프로세서(260)는, 세탁물 정보(L_INFO) 및 구성원 특성 정보(MEMBER_INFO) 중, 세탁물들 각각의 제조일자 및 세탁주기에 대한 데이터를 획득할 수 있다.
프로세서(260)는 상기 획득된 세탁주기와 상기 세탁물들 각각의 적정 세탁주기를 비교함으로써, 구성원(1300)의 세탁주기가 적절한지 여부를 판단할 수 있다. 프로세서(260)는 판단 결과를 구성원(1300)에게 제공하거나, 세탁물별(의류별) 적정 세탁주기에 대한 정보를 구성원(1300)에게 알릴 수 있다. 즉, 세탁물 데이터 분석 장치(200a)는 세탁물 정보 및 구성원 특성 정보에 기초하여 구성원에게 적정 세탁주기에 대한 정보를 제공함으로써, 구성원(1300)으로 하여금 세탁물의 효과적인 세탁 및 관리를 유도할 수 있다.
또한, 프로세서(260)는 세탁물들 각각의 제조일자 및 세탁주기에 대한 데이터를 이용하여, 상기 구성원(또는 상기 그룹)에 대응하는 세탁물 처리 기기(500)가 세탁물들에 대한 세탁 동작을 수행할 때 적절한 세탁모드(세탁코스)에 대한 정보를 제공할 수도 있다.
예를 들어, 특정 세탁물의 제조일자가 기준일자 이전이거나, 세탁주기가 적정 세탁주기보다 긴 경우, 프로세서(260)는 해당 세탁물의 세탁 시 표준코스보다 강한 세탁코스(예컨대 찌든 때 코스)로 동작하도록 세탁물 처리 기기(500)로 세탁코스 정보를 제공할 수 있다.
반면, 특정 세탁물의 제조일자가 기준일자 이후이거나, 세탁주기가 적정 세탁주기와 같거나 짧은 경우, 프로세서(260)는 해당 세탁물의 세탁 시 표준코스 또는 표준코스보다 약한 세탁코스(예컨대 울 코스)로 동작하도록 세탁물 처리 기기(500)로 세탁코스 정보를 제공할 수 있다.
즉, 세탁물 데이터 분석 장치(200a)는 구성원(1300)에 대한 세탁물 정보 및 구성원 특성 정보에 기초하여 세탁물 처리 기기(500)로 적절한 세탁코스 정보를 제공함으로써 세탁물의 효과적인 세탁 및 관리를 가능하게 한다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 세탁물의 특성과 관련된 세탁물 데이터를 포함하는 이미지를 수신하는 통신부; 및
    수신된 이미지로부터 상기 세탁물 데이터를 인식하고,
    인식된 세탁물 데이터에 기초하여 상기 세탁물의 특성과 관련된 추가 데이터를 획득하고,
    상기 세탁물 데이터 및 추가 데이터를 포함하는 세탁물 정보를 데이터베이스에 저장하고,
    상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 세탁물 정보로부터, 상기 적어도 하나의 구성원 각각에 대한 구성원 특성 정보를 획득하는 프로세서를 포함하는 세탁물 데이터 분석 장치.
  2. 제1항에 있어서,
    머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 세탁물 데이터를 인식하기 위한 세탁물 데이터 인식 모델을 저장하는 메모리를 더 포함하는 세탁물 데이터 분석 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    상기 이미지 획득 장치로부터 수신된 이미지를 상기 세탁물 데이터 인식 모델의 입력 데이터로서 입력하고,
    상기 세탁물 데이터 인식 모델로부터 인식되는 상기 세탁물 데이터를 획득하고,
    상기 이미지 및 상기 인식된 세탁물 데이터에 기초하여 상기 세탁물 데이터 인식 모델을 업데이트하는 세탁물 데이터 분석 장치.
  4. 제1항에 있어서,
    상기 이미지는 상기 세탁물에 부착된 태그를 포함하고,
    상기 프로세서는,
    상기 수신된 이미지로부터, 상기 태그에 포함된 텍스트 및 도형 중 적어도 하나의 형태로 포함된 상기 세탁물 데이터를 인식하는 세탁물 데이터 분석 장치.
  5. 제1항에 있어서,
    상기 세탁물 데이터는,
    상기 세탁물의 품번 정보, 색상 정보, 사이즈 정보, 소재 정보, 제조자명 정보, 및 제조일자 정보 중 적어도 하나를 포함하는 세탁물 데이터 분석 장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 세탁물 데이터에 포함된 상기 품번 정보를 서버로 전송하도록 상기 통신부를 제어하고,
    상기 통신부를 통해 상기 서버로부터 상기 품번 정보에 대응하는 세탁물에 대한 상기 추가 데이터를 수신하는 세탁물 데이터 분석 장치.
  7. 제5항에 있어서,
    상기 추가 데이터는,
    상기 세탁물의 종류 정보, 브랜드 정보, 판매가격 정보, 주 연령대 정보, 성별 정보, 및 제조일자 정보 중 적어도 하나를 포함하는 세탁물 데이터 분석 장치.
  8. 제7항에 있어서,
    상기 프로세서는,
    상기 그룹에 대응하는 복수의 세탁물 정보 각각을, 사이즈 정보, 주 연령대 정보, 및 성별 정보 중 적어도 하나에 기초하여 분류하고,
    분류 결과에 기초하여 상기 그룹에 포함된 적어도 하나의 구성원을 구분하는 세탁물 데이터 분석 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 구분된 적어도 하나의 구성원 각각에 대응하는 세탁물 정보에 기초하여, 상기 적어도 하나의 구성원 각각의 성별, 연령대, 및 사이즈 중 적어도 하나의 정보를 포함하는 상기 구성원 특성 정보를 획득하는 세탁물 데이터 분석 장치.
  10. 제7항에 있어서,
    상기 구성원 특성 정보는,
    상기 그룹에 포함된 적어도 하나의 구성원 각각의 선호 브랜드, 평균 가격, 및 평균 세탁 주기 중 적어도 하나의 정보를 포함하는 세탁물 데이터 분석 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 구성원 각각에 대해, 대응하는 복수의 세탁물 정보 중 상기 브랜드 정보에 기초하여, 상기 적어도 하나의 구성원 각각의 선호 브랜드를 추론하는 세탁물 데이터 분석 장치.
  12. 제10항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 구성원 각각에 대해, 대응하는 복수의 세탁물 정보 중 상기 판매가격 정보에 기초하여, 상기 적어도 하나의 구성원 각각이 소유한 세탁물의 평균 가격을 추론하는 세탁물 데이터 분석 장치.
  13. 제10항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 구성원 각각에 대해, 대응하는 복수의 세탁물 정보 각각이 획득되는 시점에 기초하여 상기 평균 세탁 주기 정보를 추론하는 세탁물 데이터 분석 장치.
  14. 제10항에 있어서,
    상기 프로세서는,
    상기 그룹에 포함된 제1 구성원에 대응하는 세탁물 정보의 제조일자 정보, 및 상기 제1 구성원의 구성원 특성 정보의 평균 세탁 주기 정보에 기초하여 세탁코스 정보를 생성하고,
    생성된 세탁코스 정보를 상기 제1 구성원에 대응하는 세탁물 처리 기기로 전송하는 세탁물 데이터 분석 장치.
  15. 제1항에 있어서,
    상기 프로세서는,
    상기 그룹에 포함된 구성원에게 상기 구성원 특성 정보에 기초한 맞춤형 정보를 제공하기 위해, 상기 구성원 특성 정보를 외부 서버로 전송하는 세탁물 데이터 분석 장치.
PCT/KR2019/006438 2019-05-29 2019-05-29 인공지능 기반의 세탁물 데이터 분석 장치 WO2020241919A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/006438 WO2020241919A1 (ko) 2019-05-29 2019-05-29 인공지능 기반의 세탁물 데이터 분석 장치
US16/492,796 US11562558B2 (en) 2019-05-29 2019-05-29 Apparatus for providing laundry treating information based on artificial intelligence
KR1020190093567A KR20190096879A (ko) 2019-05-29 2019-07-31 인공지능 기반의 세탁물 데이터 분석 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/006438 WO2020241919A1 (ko) 2019-05-29 2019-05-29 인공지능 기반의 세탁물 데이터 분석 장치

Publications (1)

Publication Number Publication Date
WO2020241919A1 true WO2020241919A1 (ko) 2020-12-03

Family

ID=67807497

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/006438 WO2020241919A1 (ko) 2019-05-29 2019-05-29 인공지능 기반의 세탁물 데이터 분석 장치

Country Status (3)

Country Link
US (1) US11562558B2 (ko)
KR (1) KR20190096879A (ko)
WO (1) WO2020241919A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210048896A (ko) * 2019-10-24 2021-05-04 엘지전자 주식회사 전자 장치의 용도에 부적합한 물품의 검출
KR102201382B1 (ko) * 2020-05-20 2021-01-11 주식회사 두손씨앤아이 Rfid를 이용한 세탁물 관리 방법 및 서버
KR102543220B1 (ko) * 2022-01-07 2023-06-14 상명대학교 천안산학협력단 세탁 및 의류 정보 관리 서버, 및 이를 이용한 세탁 및 의류 정보 관리 방법
WO2024071816A1 (ko) * 2022-09-29 2024-04-04 삼성전자 주식회사 라벨 이미지를 처리하는 방법, 전자 장치 및 기록매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008287525A (ja) * 2007-05-17 2008-11-27 Kyoto Sangyo:Kk 洗濯装置の制御装置、及び衣類のクリーニングシステム
KR20120036414A (ko) * 2010-10-08 2012-04-18 주식회사 엘지유플러스 사용자 맞춤형 의류 관리 방법 및 시스템과 그 기능을 갖춘 서버
KR20160028690A (ko) * 2014-09-04 2016-03-14 조재경 세탁물 관리 시스템
KR20170125855A (ko) * 2015-03-10 2017-11-15 칭다오 하이어 워싱 머신 캄파니 리미티드 지능형 의류 관리 장치
US20180066389A1 (en) * 2016-09-08 2018-03-08 Beijing Xiaomi Mobile Software Co., Ltd. Intelligent laundry device and method therefor

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003088107A2 (en) * 2002-04-10 2003-10-23 Accenture Global Services Gmbh Determination of attributes based on product descriptions
US20150145671A1 (en) * 2013-11-22 2015-05-28 Roy Cohen Smart clothing system
US10706371B2 (en) * 2015-03-12 2020-07-07 Accenture Global Solutions Limited Data processing techniques
US10140561B2 (en) * 2016-09-09 2018-11-27 International Business Machines Corporation Cognitive localization for enhancing appliance conditioning features
US10169884B2 (en) * 2017-01-03 2019-01-01 International Business Machines Corporation Image-based device configuration
US11144923B1 (en) * 2017-01-16 2021-10-12 Amazon Technologies, Inc. Progressive authorization of information based on confidences of user identities
US10572760B1 (en) * 2017-11-13 2020-02-25 Amazon Technologies, Inc. Image text localization
US10563338B2 (en) * 2017-12-04 2020-02-18 Midea Group Co., Ltd. Personalized laundry appliance
US11727014B2 (en) * 2019-12-12 2023-08-15 The Yes Platform, Inc. Dynamic filter recommendations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008287525A (ja) * 2007-05-17 2008-11-27 Kyoto Sangyo:Kk 洗濯装置の制御装置、及び衣類のクリーニングシステム
KR20120036414A (ko) * 2010-10-08 2012-04-18 주식회사 엘지유플러스 사용자 맞춤형 의류 관리 방법 및 시스템과 그 기능을 갖춘 서버
KR20160028690A (ko) * 2014-09-04 2016-03-14 조재경 세탁물 관리 시스템
KR20170125855A (ko) * 2015-03-10 2017-11-15 칭다오 하이어 워싱 머신 캄파니 리미티드 지능형 의류 관리 장치
US20180066389A1 (en) * 2016-09-08 2018-03-08 Beijing Xiaomi Mobile Software Co., Ltd. Intelligent laundry device and method therefor

Also Published As

Publication number Publication date
US11562558B2 (en) 2023-01-24
KR20190096879A (ko) 2019-08-20
US20210192206A1 (en) 2021-06-24

Similar Documents

Publication Publication Date Title
WO2020241919A1 (ko) 인공지능 기반의 세탁물 데이터 분석 장치
WO2021006368A1 (ko) 인공지능 기반의 에너지 사용량 예측 장치 및 예측 방법
WO2020246643A1 (ko) 서빙 로봇 및 그를 이용한 고객 접대 방법
WO2021010502A1 (ko) 로봇 및 그를 이용한 물품 관리 방법
WO2020262746A1 (ko) 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법
WO2019059505A1 (ko) 객체를 인식하는 방법 및 장치
WO2020251086A1 (ko) 인공지능 세탁물 처리 기기
WO2020241920A1 (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
WO2020262721A1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
WO2020256180A1 (ko) 사용자 인식 기반의 유모차 로봇 및 그 제어 방법
WO2021040105A1 (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
WO2021215547A1 (ko) 스마트 홈 장치 및 방법
WO2021040104A1 (ko) 로봇
WO2020241923A1 (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
WO2021006363A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WO2021002493A1 (ko) 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템
WO2020256169A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WO2020251096A1 (ko) 인공 지능 로봇 및 그의 동작 방법
WO2019190171A1 (ko) 전자 장치 및 그 제어 방법
WO2022080517A1 (ko) 학습 데이터를 생성하는 인공 지능 장치 및 방법
WO2020262733A1 (ko) 인공지능 기반의 공기조화기
WO2020251074A1 (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
WO2022075592A1 (ko) 로봇
WO2020256194A1 (ko) 환전 서비스 로봇 및 그를 이용한 환전 서비스 방법

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: 19931140

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: 19931140

Country of ref document: EP

Kind code of ref document: A1