WO2021137345A1 - 인공 지능 냉장고 및 그의 동작 방법 - Google Patents

인공 지능 냉장고 및 그의 동작 방법 Download PDF

Info

Publication number
WO2021137345A1
WO2021137345A1 PCT/KR2020/000215 KR2020000215W WO2021137345A1 WO 2021137345 A1 WO2021137345 A1 WO 2021137345A1 KR 2020000215 W KR2020000215 W KR 2020000215W WO 2021137345 A1 WO2021137345 A1 WO 2021137345A1
Authority
WO
WIPO (PCT)
Prior art keywords
storage
food
refrigerator
artificial intelligence
image
Prior art date
Application number
PCT/KR2020/000215
Other languages
English (en)
French (fr)
Inventor
김진옥
권영탁
김상윤
박현성
이중근
황성목
하정요
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 EP20910296.1A priority Critical patent/EP4086549A4/en
Priority to US17/790,606 priority patent/US20230043011A1/en
Publication of WO2021137345A1 publication Critical patent/WO2021137345A1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D25/00—Charging, supporting, and discharging the articles to be cooled
    • F25D25/02—Charging, supporting, and discharging the articles to be cooled by shelves
    • F25D25/024—Slidable shelves
    • F25D25/025—Drawers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2400/00—General features of, or devices for refrigerators, cold rooms, ice-boxes, or for cooling or freezing apparatus not covered by any other subclass
    • F25D2400/36—Visual displays
    • F25D2400/361—Interactive visual displays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2500/00—Problems to be solved
    • F25D2500/06—Stock management
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/02—Sensors detecting door opening
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/06—Sensors detecting the presence of a product
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network

Definitions

  • the present invention relates to an artificial intelligence refrigerator, and more particularly, to being able to photograph the inside of the refrigerator and recognize food based on the photographed image.
  • a refrigerator is a device that supplies cold air generated by a freezing cycle to a refrigerating chamber and a freezing chamber to maintain the freshness of various foods for a long period of time.
  • a refrigerator is configured to include a main body having a refrigerating chamber and a freezing chamber for storing food, and a door rotatably coupled to one side of the main body to open and close the refrigerating chamber and the freezing chamber.
  • the refrigerating compartment is divided into a plurality of spaces by shelves, etc. so that storage and storage can be efficiently performed according to the type of storage.
  • a storage compartment for storing meat and fish, etc. is provided in the upper area of the refrigerating compartment, and the lower area of the refrigerating compartment.
  • a storage room for storing vegetables and fruits is provided.
  • a display unit is provided on a door of the refrigerator to provide information about the refrigerator and control the refrigerator.
  • Korean Patent Publication discloses that when food with an RFID tag enters the refrigerator, information is read and stored through an RFID reader, and after storage is completed, an image including the user's face is captured by a camera obtained from Also, there is disclosed a content of classifying a user from an acquired image and recommending food or controlling a refrigerator door according to the user's characteristics.
  • An object of the present invention is to provide a food storage state in a storage room of the refrigerator using a camera provided in the refrigerator.
  • An object of the present invention is to provide an artificial intelligence refrigerator capable of accurately identifying a food storage state in a storage compartment of the refrigerator.
  • An object of the present invention is to provide an artificial intelligence refrigerator capable of identifying a food storage state in a storage room of a refrigerator of the present invention, managing food inventory, inducing food purchase, and recommending a recipe for cooking using food.
  • the camera when the opening of the storage compartment is detected, the camera is turned on, and the maximum opening time of the storage compartment or the closing of the storage compartment is determined by processing the image obtained according to the camera shooting.
  • the starting closing time is sensed, a capture command is sent to the camera, and based on the image captured according to the capture command, the food storage state of the storage room is acquired, and based on the obtained food storage state, food Management information can be displayed.
  • the artificial intelligence refrigerator may acquire a time when the moving direction of the storage compartment is switched from an open direction to a closing direction as the closing time.
  • the artificial intelligence refrigerator acquires a plurality of images corresponding to each of a plurality of shooting points of the camera, extracts an image having the largest area of the storage room from among the acquired images, and extracts The recording time of the captured image may be acquired as the maximum opening time of the storage room.
  • the artificial intelligence refrigerator provides the food management information including at least one of inventory change information of the food, information related to purchase of the food, and recipe information of a dish using the food, based on the storage state. can be displayed
  • the user can easily and quickly grasp information on the storage state of the food stored in the storage compartment of the refrigerator.
  • information on the storage state of the storage compartment of the refrigerator is accurately determined, so that the user can be provided with information on the correct storage state.
  • the user's convenience in using the refrigerator can be greatly improved through the food inventory management in the storage room, the purchase link service, and the recipe recommendation function.
  • FIG 1 shows an AI device according to an embodiment of the present disclosure.
  • FIG 2 illustrates an AI server according to an embodiment of the present disclosure.
  • FIG 3 shows an AI system according to an embodiment of the present disclosure.
  • FIG 4 shows an AI device according to another embodiment of the present disclosure.
  • FIG. 5A is a perspective view of a refrigerator according to an embodiment of the present invention.
  • 5B to 5D are views for explaining the inside of a refrigerator according to an embodiment of the present invention.
  • 6A is a view for explaining an arrangement position of a first storage compartment opening/closing sensor for detecting whether the first storage compartment is opened or closed according to an embodiment of the present invention
  • 6B is a view for explaining an arrangement position of a second storage compartment opening/closing sensor that detects whether the second storage compartment is opened or closed.
  • Figure 7a is a view for explaining the arrangement position of the magnet according to an embodiment of the present invention.
  • 7B is a view for explaining a holder coupled with a magnet.
  • FIGS. 8A and 8B are diagrams for explaining the principle of the storage compartment opening/closing sensor detecting whether the storage compartment is opened or closed according to an embodiment of the present invention.
  • FIG. 9 is a flowchart illustrating a method of operating a refrigerator according to an embodiment of the present invention.
  • FIG. 10 is a view for explaining an example of acquiring an image of a storage room through a camera according to an embodiment of the present invention
  • 11 and 12 are diagrams for explaining a process of acquiring a maximum opening time of a storage room based on a plurality of images.
  • FIG. 13 and 14 are diagrams for explaining a process of detecting a closing time of a storage room based on an image captured by a camera according to an embodiment of the present invention.
  • 15 and 16 are diagrams for explaining a learning process of an object detection model according to an embodiment of the present disclosure.
  • FIG 17 illustrates a learning process of an object identification model according to an embodiment of the present disclosure.
  • 19A to 19H are views for explaining a process of displaying food management information on a transparent display and providing recipe information related to the stored food when food is stored in a storage compartment of a refrigerator according to an embodiment of the present invention.
  • 20 and 21 are diagrams illustrating examples of recognizing food stored in a refrigerator and obtaining recipe information of a dish using the recognized food, according to an embodiment of the present invention.
  • 22A to 22F are views for explaining a process of displaying food management information on a transparent display and providing information for ordering the extracted food when food is taken out from the storage room of the refrigerator according to an embodiment of the present invention; to be.
  • Machine learning refers to a field that defines various problems dealt with in the field of artificial intelligence and studies methodologies to solve them. do.
  • Machine learning is also defined as an algorithm that improves the performance of a certain task through constant experience.
  • An artificial neural network is a model used in machine learning, and may refer to an overall model having problem-solving ability, which is composed of artificial neurons (nodes) that form a network by combining synapses.
  • An artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process that updates model parameters, and an activation function that generates 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 the artificial neural network, each neuron may output a function value of an activation function for input signals, weights, and biases input through synapses.
  • Model parameters refer to parameters determined through learning, and include the weight of synaptic connections and the bias of neurons.
  • the hyperparameter refers to a parameter that must be set before learning in a machine learning algorithm, and includes a learning rate, the number of iterations, a mini-batch size, an initialization function, and the like.
  • the purpose of learning the artificial neural network can be seen as determining the model parameters that minimize the loss function.
  • the loss function may be used as an index for determining optimal model parameters in the learning process of the artificial neural network.
  • Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to a learning method.
  • Supervised learning refers to a method of training an artificial neural network in a state where a label for training data is given, and the label is the correct answer (or result value) that the artificial neural network should infer when the training data is input to the artificial neural network.
  • Unsupervised learning may refer to a method of training an artificial neural network in a state where no labels are given for training data.
  • Reinforcement learning can refer to a learning method in which an agent defined in an environment learns to select an action or sequence of actions that maximizes the cumulative reward in each state.
  • machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is also called deep learning (deep learning), and deep learning is a part of machine learning.
  • DNN deep neural network
  • deep learning deep learning
  • machine learning is used in a sense including deep learning.
  • FIG 1 shows an AI device 100 according to an embodiment of the present disclosure.
  • AI device 100 is TV, projector, mobile phone, smartphone, desktop computer, notebook computer, digital broadcasting terminal, PDA (personal digital assistants), PMP (portable multimedia player), navigation, tablet PC, wearable device, set-top box (STB) ), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, a digital signage, a robot, a vehicle, etc., may be implemented as a fixed device or a movable device.
  • the terminal 100 includes a communication unit 110 , an input unit 120 , a learning processor 130 , a sensing unit 140 , an output unit 150 , a memory 170 and a processor 180 , and the like. may include
  • the communication unit 110 may transmit/receive data to and from 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/receive sensor information, a user input, a learning model, a control signal, and the like with external devices.
  • the communication technology used by the communication unit 110 includes GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), LTE (Long Term Evolution), 5G, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity) ), BluetoothTM, RFID (Radio Frequency Identification), Infrared Data Association (IrDA), ZigBee, NFC (Near Field Communication), and the like.
  • 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
  • BluetoothTM BluetoothTM
  • RFID Radio Frequency Identification
  • 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.
  • the camera or microphone may be treated as a sensor, and 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 using the training model.
  • the input unit 120 may acquire raw input data, and in this case, the processor 180 or the learning processor 130 may extract an input feature as a preprocessing for the input data.
  • the learning processor 130 may train a model composed of an artificial neural network by using the training data.
  • the learned artificial neural network may be referred to as a learning model.
  • the learning model may be used to infer a result value with respect to new input data other than the training data, and the inferred value may 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.
  • 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 an 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 obtained from the input unit 120 , learning data, a learning model, a learning history, and the like.
  • 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. In addition, the processor 180 may control the components of the AI device 100 to perform the determined operation.
  • the processor 180 may request, search, receive, or utilize the data of the learning processor 130 or the memory 170, and may perform a predicted operation or an operation determined to be desirable among the at least one executable operation. It is possible to control the components of the AI device 100 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 with respect to 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 voice 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 may be obtained.
  • STT speech to text
  • NLP natural language processing
  • At this time, at least one of the STT engine and the NLP engine may be configured as an artificial neural network, at least a part of which is learned according to a machine learning algorithm. And, at least one or more of the STT engine or the NLP engine is learned by the learning processor 130 , or learned by the learning processor 240 of the AI server 200 , or learned by distributed processing thereof. it could be
  • the processor 180 collects history information including the user's feedback on the operation contents or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or the AI server 200 It can be transmitted to an external device.
  • the collected historical information may be used to update the learning model.
  • the processor 180 may control at least some of the components of the AI device 100 in order to drive an application program stored in the memory 170 . Furthermore, in order to drive the application program, the processor 180 may operate two or more of the components included in the AI device 100 in combination with each other.
  • FIG 2 shows an AI server 200 according to an embodiment of the present disclosure.
  • the AI server 200 may refer to a device that trains an artificial neural network using a machine learning algorithm or uses a learned artificial neural network.
  • the AI server 200 may be configured with a plurality of servers to perform distributed processing, and 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 a 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/receive data to and from 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 learned 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 used while being mounted on an external device such as the AI device 100 .
  • the learning model may be implemented in hardware, software, or a combination of hardware and software.
  • one or more instructions constituting the learning model may be stored in the memory 230 .
  • the processor 260 may infer a result value with respect to new input data using the learning model, and may generate a response or a control command based on the inferred result value.
  • FIG 3 shows an AI system 1 according to an embodiment of the present disclosure.
  • 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 smart phone 100d , or a home appliance 100e . It is connected to the cloud network 10 .
  • the robot 100a to which the AI technology is applied, the autonomous driving vehicle 100b, the XR device 100c, the smart phone 100d, or the home appliance 100e may be referred to as AI devices 100a to 100e.
  • the cloud network 10 may constitute a part of the cloud computing infrastructure or may refer to a network existing 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
  • each of the devices 100a to 100e and 200 constituting the AI system 1 may be connected to each other through the cloud network 10 .
  • each of the devices 100a to 100e and 200 may communicate with each other through the base station, but may also directly communicate with each other without passing through the base station.
  • the AI server 200 may include a server performing AI processing and a server performing an operation on big data.
  • the AI server 200 includes at least one or more of the AI devices constituting the AI system 1, such as a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e. It is connected through the cloud network 10 and may help at least a part of AI processing of the connected AI devices 100a to 100e.
  • the AI server 200 may train the artificial neural network according to a machine learning algorithm on behalf of the AI devices 100a to 100e, and 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 with respect to the input data received using the learning model, and provides 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 with respect to 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-described technology is applied will be described.
  • the AI devices 100a to 100e shown in FIG. 3 can be viewed as specific examples of the AI device 100 shown in FIG. 1 .
  • FIG 4 shows the AI device 100 according to an embodiment of the present disclosure.
  • the input unit 120 includes a camera 121 for inputting an image signal, a microphone 122 for receiving an audio signal, and a user input unit for receiving information from a user. 123) may be included.
  • the voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.
  • the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user.
  • the AI device 100 may include one or more Cameras 121 may be provided.
  • the camera 121 processes an image frame such as a still image or a moving image obtained by an image sensor in a video call mode or a photographing mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170 .
  • the microphone 122 processes an external sound signal as electrical voice data.
  • the processed voice data may be utilized in various ways according to a function (or a running application program) being performed by the AI device 100 . Meanwhile, various noise removal algorithms for removing noise generated in the process of receiving an external sound signal may be applied to the microphone 122 .
  • the user input unit 123 is for receiving information from the user, and when information is input through the user input unit 123 , the processor 180 may control the operation of the AI device 100 to correspond to the input information. .
  • the user input unit 123 includes a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the terminal 100, a dome switch, a jog wheel, a jog switch, etc.) and It may include a touch-type input means.
  • the touch input means consists of a virtual key, a soft key, or a visual key displayed on the touch screen through software processing, or a part other than the touch screen. It may be made of a touch key (touch key) disposed on the.
  • the output unit 150 includes at least one of a display unit (Display Unit, 151), a sound output unit (Sound Output Unit, 152), a haptic module (Haptic Module, 153), and an optical output unit (Optical Output Unit, 154). can do.
  • the display unit 151 displays (outputs) information processed by the AI device 100 .
  • the display unit 151 may display information on an execution screen of an application program driven by the AI device 100 , or user interface (UI) and graphic user interface (GUI) information according to the information on the execution screen.
  • UI user interface
  • GUI graphic user interface
  • the display unit 151 may implement a touch screen by forming a layer structure with the touch sensor or being formed integrally with the touch sensor.
  • a touch screen may function as the user input unit 123 providing an input interface between the AI device 100 and the user, and may provide an output interface between the terminal 100 and the user.
  • the sound output unit 152 may output audio data received from the communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.
  • the sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that the user can feel.
  • a representative example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event by using the light of the light source of the AI device 100 .
  • Examples of the event generated in the AI device 100 may be message reception, call signal reception, missed call, alarm, schedule notification, email reception, information reception through an application, and the like.
  • the refrigerator to be described below may be a home appliance having artificial intelligence. That is, the artificial intelligence device 100 may be a refrigerator.
  • the refrigerator may include all of the components of the artificial intelligence device 100 illustrated in FIG. 4 .
  • the refrigerator can be named as an artificial intelligence refrigerator.
  • FIGS. 5A to 5D are views for explaining the interior of the refrigerator according to an embodiment of the present invention.
  • the refrigerator 10 includes a cabinet 11 having a plurality of storage rooms and doors 12 and 15 provided at the front of the cabinet 11 to selectively open and close any one of the plurality of storage rooms. ) may be included.
  • the plurality of storage compartments may include a refrigerating compartment 18 and a freezing compartment 19 .
  • the doors 12 and 15 may include a refrigerating compartment door 12 rotatably provided in front of the refrigerating compartment 180 and a freezing compartment door 15 rotatably provided in front of the freezing compartment 19 .
  • Cold air generated by the evaporator may be supplied to the refrigerating compartment 18 to cool the inside of the refrigerating compartment 18 .
  • the evaporator may be provided behind the rear wall of the refrigerating compartment.
  • the refrigerator compartment door 12 is provided as a pair and may be rotatably connected to the front left edge and right edge of the cabinet 11 , respectively.
  • the refrigerator compartment door 12 may include an inner door 13 that is in close contact with the front of the cabinet 11 and an outer door 14 that is rotatably connected to the inner door 13 from the front of the inner door 13 . .
  • a first hinge 114 may be provided on the upper side of the cabinet 11 so that the refrigerating compartment door 12 is rotatable with respect to the cabinet 11 .
  • One side of the first hinge 114 may be connected to the upper surface of the cabinet 11 , and the other side may be connected to the inner door 13 .
  • the inner door 13 and the outer door 14 may be rotated together around the first hinge 114 .
  • the inner door 13 may include a second hinge (not shown) that enables the outer door 14 to rotate with respect to the inner door 13 .
  • the outer door 14 independently rotates around the second hinge, and the front portion of the inner door 13 may be opened by the rotation of the outer door 14 .
  • a camera 121 is provided on the ceiling of the cabinet 11 to photograph the lower side. That is, the camera 121 may photograph the inside of the refrigerator 10 .
  • the cabinet 11 may further include a housing (not shown) for accommodating the camera 121 .
  • the camera 121 may be arranged to photograph downwards in a fixed position.
  • Some of the plurality of storage rooms included in the cabinet 11 may include a first storage room 510 and a second storage room 530 for storing food.
  • the first storage chamber 510 and the second storage chamber 530 may be disposed adjacent to each other in a horizontal direction.
  • Each of the first storage chamber 510 and the second storage chamber 530 may be accommodated in the cabinet 11 and have an independent cold air holding space for accommodating food therein.
  • each of the first storage compartment 510 and the second storage compartment 530 may be configured in the form of a drawer (drawer) inside the cabinet 11 .
  • the inside of the storage compartment is opened so that the user can take out or check the stored vegetables, etc., and when the storage compartment is drawn back toward the rear of the refrigerator, food is stored.
  • 5B to 5D show a partially opened state of the first storage chamber 510 and the second storage chamber 530 .
  • the cabinet 11 may include a guide rail 550 for guiding the movement of the first storage compartment 510 .
  • the guide rails 550 may be provided as a pair.
  • the first storage compartment 510 may include a moving bracket 511 slidably coupled to the guide rail 550 in the front direction of the refrigerator 10 .
  • the moving bracket 511 may also be provided as a pair at the lower side of the first storage compartment 510 .
  • the cabinet 11 may include a guide rail 570 guiding the movement of the second storage compartment 530 .
  • the guide rails 570 may be provided as a pair.
  • the second storage compartment 530 may include a moving bracket 531 slidably coupled to the guide rail 570 in the front direction of the refrigerator 10 .
  • the moving bracket 531 may also be provided as a pair at the lower side of the second storage compartment 530 .
  • the guide rail 550 for guiding the movement of the first storage compartment 510 may include a first storage compartment opening/closing sensor 551 capable of detecting whether the first storage compartment 510 is opened or closed. .
  • the first storage compartment opening/closing sensor 551 may include two reed switches.
  • the first storage compartment opening/closing sensor 551 may be disposed at one end of the guide rail 550 at a position closer to the camera 121 .
  • the first storage compartment opening/closing sensor 551 may detect whether the first storage compartment 510 is opened or closed according to the movement of the magnet 513 provided below the first storage compartment 510 .
  • the guide rail for guiding the movement of the second storage compartment 530 may include a second storage compartment opening/closing sensor capable of detecting whether the second storage compartment 530 is opened or closed.
  • the second storage compartment opening/closing sensor may also detect whether the second storage compartment 530 is opened or closed according to the movement of a magnet provided below the second storage compartment 530 .
  • FIG. 6A is a view illustrating an arrangement position of a first storage compartment opening/closing sensor for detecting whether the first storage compartment is opened or closed according to an embodiment of the present invention
  • FIG. 6B is a second storage compartment opening/closing view for detecting whether the second storage compartment is opened or closed It is a figure explaining the arrangement position of a sensor.
  • the first storage compartment opening/closing sensor 551 may be disposed at one end of the guide rail 550 .
  • the first storage compartment opening/closing sensor 551 may detect whether the first storage compartment 510 is opened or closed by detecting movement of a magnet provided in the first storage compartment 510 .
  • the second storage compartment opening/closing sensor 571 may be disposed at one end of the guide rail 570 .
  • the second storage compartment opening/closing sensor 571 may detect whether the second storage compartment 530 is opened or closed by detecting movement of a magnet provided in the second storage compartment 530 .
  • Figure 7a is a view for explaining the arrangement position of the magnet according to an embodiment of the present invention
  • Figure 7b is a view for explaining a holder coupled to the magnet.
  • FIGS. 7A and 7B illustrate the magnet 513 and holder 515 provided in the first storage compartment 510 as an example, but in the embodiment of FIGS. 7A and 7B , the magnet provided in the second storage compartment 530 and It can also be applied to the holder.
  • the magnet 513 may be disposed at the lower front of the first storage chamber 510 .
  • the magnet 513 may be disposed above the moving bracket 511 .
  • a holder 515 for fixing the magnet 513 to the first storage compartment 510 is shown.
  • the holder 515 may fix the magnet 513 so that the magnet 513 does not separate from the first storage chamber 510 .
  • the magnet 513 may be moved together with the movement of the first storage chamber 510 .
  • FIGS. 8A and 8B are diagrams for explaining the principle of the storage compartment opening/closing sensor detecting whether the storage compartment is opened or closed according to an embodiment of the present invention.
  • the first storage compartment opening/closing sensor 551 detects whether the first storage compartment 510 is opened or closed using the magnet 513 provided in the first storage compartment 510 is described.
  • the second storage compartment opening/closing sensor 571 may be applied to a process of detecting whether the second storage compartment 530 is opened or closed by using a magnet provided in the second storage compartment 530 .
  • the first storage compartment opening/closing sensor 551 may include a first reed switch 551a and a second reed switch 551b.
  • FIG. 8A is a view for explaining a process in which the first storage compartment opening/closing sensor 551 detects the opening of the first storage compartment 510 .
  • an end of the first reed switch 551a and an end of the second reed switch 551b are in contact with each other.
  • the magnet 513 provided in the first storage compartment 510 may move in the front direction of the refrigerator 10 .
  • the end of the first reed switch 551a and the end of the second reed switch 551b may be spaced apart from each other by a magnetic field according to the movement of the magnet 513 .
  • the first storage compartment opening/closing sensor 551 may output an off signal.
  • the processor 180 may determine that the first storage compartment 510 is open.
  • FIG. 8B is a view for explaining a process in which the first storage compartment opening/closing sensor 551 detects the closing of the first storage compartment 510 .
  • the end of the first reed switch 551a and the end of the second reed switch 551b are in a state spaced apart from each other.
  • the magnet 513 provided in the first storage compartment 510 may move in the rear direction of the refrigerator 10 .
  • the end of the first reed switch 551a and the end of the second reed switch 551b may be in contact with each other by a magnetic field according to the movement of the magnet 513 .
  • the first storage compartment opening/closing sensor 551 may output an ON signal.
  • the processor 180 may determine that the first storage compartment 510 is closed.
  • FIG. 9 is a flowchart illustrating a method of operating an artificial intelligence refrigerator according to an embodiment of the present invention.
  • the refrigerator 10 may include all of the components of FIG. 4 .
  • FIG. 9 may be a diagram for explaining an operating method of the refrigerator 10 for managing food stored in one or more of the first storage compartment 510 and the second storage compartment 530 of the refrigerator 10 .
  • the processor 180 of the refrigerator 10 detects that the storage compartments 510 and 530 are opened ( S901 ).
  • the processor 180 may detect whether the storage compartments 510 and 530 are opened through the storage compartment opening/closing sensors 551 and 571 .
  • the processor 180 may detect the opening of the first storage compartment 510 through the first storage compartment opening/closing sensor 551 , and may detect the opening of the second storage compartment 530 through the second storage compartment opening/closing sensor 571 .
  • the storage compartment opening/closing sensors 551 and 571 may include a pair of reed switches, and may detect whether the storage compartments 510 and 530 are opened or closed according to whether the ends of the reed switches are in contact.
  • 8A may be applied to the process of detecting whether the storage compartments 510 and 530 are opened through the storage compartment opening/closing sensors 551 and 571 .
  • the processor 180 transmits a photographing on command for turning on the photographing of the camera 121 ( S903 ).
  • the processor 180 may transmit a command for turning on the operation of the camera 121 attached to the ceiling of the cabinet 11 to the camera 121 .
  • the camera 121 may start photographing and acquire an image of the first storage chamber 510 or the second storage chamber 530 in real time.
  • the processor 180 acquires images of the storage rooms 510 and 530 obtained according to the photographing of the camera 121 (S905).
  • the processor 180 is configured to process the acquired image. based on , it is determined whether the maximum opening time of the storage chambers 510 and 530 or the closing time of the storage chambers 510 and 530 is sensed (S907).
  • the processor 180 may detect a time when the storage chambers 510 and 530 are maximally opened, based on the processing of the image captured by the camera 121 .
  • the processor 180 acquires a plurality of images (or image frames) corresponding to each of a plurality of viewpoints, and based on the obtained plurality of images, the maximum opening time of the storage chambers 510 and 530 or the storage chamber ( 510 and 530) may be detected.
  • the processor 180 may acquire an image acquisition time corresponding to an image having the largest area occupied by the storage chambers 510 and 530 as the maximum opening time of the storage chambers 510 and 530 from the captured storage chamber image.
  • FIGS. 11 and 12 are a process of acquiring the maximum opening time of the storage room based on a plurality of images is a diagram for explaining
  • the camera 121 may start photographing.
  • the angle of view of the camera 121 may be set to photograph the food stored in the first region 1010 in which the first storage chamber 510 is opened or the region 1030 in which the second storage chamber 530 is opened.
  • step S907 of FIG. 9 is a flowchart illustrating in detail the process of step S907 of FIG. 9 of extracting the maximum opening time of the storage chambers 510 and 530 based on images captured by the camera 121 .
  • the processor 180 acquires a plurality of images corresponding to each of a plurality of photographing points through the camera 121 ( S1101 ).
  • the processor 180 extracts an image having the largest area of the storage chambers 510 and 530 from among the plurality of images (S1103).
  • the area of the storage chambers 510 and 530 may be the area of the storage space of the storage chambers 510 and 530, and the area of the storage chambers 510 and 530 is in a state in which the storage space of the storage chambers 510 and 530 is maximally exposed to the outside. can be max.
  • the processor 180 acquires a photographing time corresponding to the extracted image as the maximum opening time of the storage chambers 510 and 530 (S1105).
  • the processor 180 may recognize an area occupied by the storage chambers 510 and 530 among a plurality of images captured within a predetermined time, and extract an image having the largest area of the recognized area. This will be described with reference to FIG. 12 .
  • N images 1200 - 1 to 1200 -N corresponding to the first storage chamber 510 acquired through the camera 121 are shown.
  • the size of each image may be the same.
  • the processor 180 may delete an area below the boundary area A based on the boundary area A of the first storage chamber 510 and acquire the remaining areas.
  • the processor 180 may store the image of the boundary area A of the first storage chamber 510 in advance in the memory 170 .
  • the processor 180 may recognize the boundary area A by comparing the image of the boundary area A stored in the memory 170 with the obtained image.
  • the processor 180 may recognize the boundary area A by recognizing a marker attached to the boundary area A.
  • the processor 180 recognizes the boundary area A included in the first image 1200-1, deletes the first lower area 1201-1 of the boundary area A, and the first remaining area 1203 -1) can be obtained.
  • the processor 180 recognizes the boundary area A included in the second image 1200 - 2 , deletes the second lower area 1201 - 2 of the boundary area A, and the second remaining area (1203-2) can be obtained.
  • the processor 180 recognizes the boundary area A included in the third image 1200 - 3 , deletes the third lower area 1201-3 of the boundary area A, and the third remaining area 1203 -3) can be obtained.
  • the processor 180 recognizes the boundary area A included in the N-th image 1200 -N, and the processor 180 recognizes the N-th lower area 1201-N of the boundary area A. may be deleted, and the N-th remaining area 1203-N may be obtained.
  • the processor 180 may extract an image corresponding to a region having the largest area among the first to Nth remaining regions 1203 - 1 to 1203-N.
  • the processor 180 may acquire the capturing time of the extracted image as the maximum opening time of the first storage chamber 510 .
  • the capturing time of the N-th image 1200 -N may be the maximum opening time of the first storage chamber 510 .
  • the maximum opening time of the first storage chamber 510 may be detected by the AI server 200 .
  • the processor 180 may transmit a plurality of captured images to the AI server 200 .
  • the AI server 200 acquires the maximum opening time of the first storage compartment 510 in the same manner as in the embodiment of FIG. 12 for the plurality of images received from the refrigerator 200, and determines the obtained maximum opening time. It can be transmitted to the refrigerator 100 .
  • the food storage state of the storage room can be accurately recognized.
  • FIG. 9 will be described.
  • the processor 180 may detect when the storage chambers 510 and 530 are closed based on a change in the movement direction of the storage chambers 510 and 530 .
  • FIG. 13 and 14 are diagrams for explaining a process of detecting a closing time of a storage room based on an image captured by a camera according to an embodiment of the present invention.
  • the processor 180 may detect a closing time of the storage compartment using an optical flow technique.
  • the optical flow technique is a technique for identifying a movement pattern of an object that occurs due to the movement of an object from successive image frames.
  • step S907 of FIG. 9 is a flowchart illustrating in detail the process of step S907 of FIG. 9 for extracting the closing time of the storage chambers 510 and 530 based on images captured by the camera 121 .
  • the processor 180 acquires an N-th vector of a reference point included in an image of an N-th photographing point ( S1301 ).
  • the reference point may be a point corresponding to a point in the boundary area A of FIG. 12 .
  • One point of the boundary area A may be a point at which a marker attached to the boundary area A is located, but this is only an example, and the reference point may be a point of a specific object.
  • Processor 180 is N+ 1st of the reference point included in the image at the time of shooting Nth A +1 vector is obtained (S1303).
  • the processor 180 may acquire the N+1th vector at the N+1th imaging time following the Nth from the reference point indicating the same point.
  • the processor 180 is Nth vector first direction and Nth +1 of vector the second direction Compare (S1305).
  • the first direction may be a direction in which the storage chambers 510 and 530 are opened.
  • the second direction may be any one of a direction in which the storage chambers 510 and 530 are opened or a direction in which the storage chambers 510 and 530 are closed.
  • the opening direction of the storage compartments 510 and 530 may be the front direction of the refrigerator 10
  • the closing direction of the storage compartments 510 and 530 may be the rear direction of the refrigerator 10 .
  • the processor 180 determines whether the direction of the vector is changed (S1307).
  • the processor 180 may determine that the direction of the vector is not switched.
  • the processor 180 may determine that the direction of the vector is switched.
  • the second direction may be a closing direction of the storage chambers 510 and 530 .
  • the processor 180 determines when the direction of the vector is changed in the storage chamber 510, 530) of It is acquired as a closing time point (S1309).
  • the processor 180 may detect that the moving directions of the storage chambers 510 and 530 are switched from the opening direction to the closing direction.
  • the processor 180 may acquire a time point at which a change in the movement direction of the storage compartments 510 and 530 is sensed as a closing time point of the storage compartments 510 and 530 .
  • reference points 1401 to 1407 obtained from each of four image frames according to time are shown.
  • a direction of the first to third reference points 1401 to 1405 may be an opening direction of the storage compartments 510 and 530 in the first direction.
  • the fourth reference point 1407 may be a closing direction of the storage compartments 510 and 530 in a second direction opposite to the first direction.
  • the processor 180 may acquire a photographing time of the image frame corresponding to the fourth reference point 1407 as a closing time of the storage chambers 510 and 530 .
  • steps S1301 to S1309 may be performed by the AI server 200 .
  • the refrigerator 10 may transmit a plurality of image frames acquired through the camera 121 to the AI server 200 .
  • the AI server 200 performs the storage compartments 510 and 530 according to steps S1301 to S1309. ) may be obtained, and the obtained closing time may be transmitted to the refrigerator 10 .
  • FIG. 9 will be described.
  • the processor 180 may determine a time point immediately after the passage of a predetermined time as the maximum opening time of the storage chambers 510 and 530 .
  • the processor 180 may determine whether there is no change in the image of the storage chambers 510 and 530 for a predetermined time by using the change in the direction of the vector with respect to the reference point of each image frame.
  • the processor 180 sends the capture A command is transmitted (S909).
  • the processor 180 When the maximum opening time of the storage compartments 510 and 530 or the closing time of the storage compartment is sensed, the processor 180 is configured to recognize the foods stored in the storage compartments 510 and 530 through the image of the corresponding time. You can send capture commands to
  • the processor 180 is capture Via the camera 121 according to the command captured on the image based on , obtains the food storage state of the storage room (S911).
  • the processor 180 may recognize a plurality of foods included in the photographed image by using the image recognition model.
  • the processor 180 may acquire a food storage state based on information on a plurality of recognized foods.
  • the food storage state may include information on the type, location, and number of each of the plurality of foods provided in each of the first storage compartment 510 and the second storage compartment 530 .
  • the image recognition model may be an artificial neural network-based model trained through a deep learning algorithm or a machine learning algorithm.
  • the image recognition model may include an object detection model and an object identification model.
  • the object detection model may be a model for detecting one or more objects from image data, and the object identification model may be a model for identifying what the one or more detected objects are.
  • the object detection model may be an artificial neural network-based model trained by a deep learning algorithm or a machine learning algorithm.
  • the object detection model may be a model learned by the learning processor 130 of the artificial intelligence device 100 and stored in the memory 170 .
  • the object detection model may be a model learned by the learning processor 240 of the AI server 200 and transmitted from the AI server 200 to the artificial intelligence device 100 .
  • the object may be food.
  • 15 and 16 are diagrams for explaining a learning process of an object detection model according to an embodiment of the present disclosure.
  • the object detection model 1510 obtains an object boundary box set including a plurality of objects from each training image data using a training image data set 1500 including a plurality of image data.
  • the object bounding box set may be a set of bounding boxes including an object.
  • the object detection model 1510 may detect a plurality of objects from image data by using a Single Shot Multibox Detector (SSD) MobilenetV2, Faster R-CNN Inception, and You Only Look Once (YOLO) algorithms.
  • SSD Single Shot Multibox Detector
  • YOLO You Only Look Once
  • the You Only Look Once (YOLO) algorithm may consist of a plurality of CNNs.
  • the You Only Look Once (YOLO) algorithm may include a grid segmentation process, a prediction process, a reliability calculation process, and an object selection process.
  • the grid division process may be a process of dividing the image data 1900 into a plurality of grids. Each of the plurality of grids may have the same size.
  • the prediction process may be a process of predicting the number of bounding boxes designated in a predefined shape with a grid center as a center for each grid.
  • a bounding box designated as a predefined shape may be generated from data by a K-means algorithm, and may contain prior information about the size and shape of an object.
  • Each bounding box can be designed to detect objects of different sizes and shapes.
  • Each bounding box may indicate a shape or boundary of an object.
  • the reliability calculation process may be a process of calculating the reliability of the bounding box according to whether an object is included in each of the bounding boxes obtained in the prediction process or whether only a background is present.
  • the object determination process may be a process of determining that an object exists in a bounding box having a reliability greater than or equal to a preset value according to a reliability calculation process.
  • a plurality of bounding boxes 1601 to 1607 included in the image data 1600 may be extracted through the object determination process.
  • the processor 180 may obtain identification information of each object from a plurality of bounding boxes extracted through the object detection model 1500 .
  • the processor 180 may identify an object existing in the bounding box from image data corresponding to each bounding box by using the object identification model.
  • the object identification model may be an artificial neural network-based model trained using a deep learning algorithm or a machine learning algorithm.
  • the object identification model may be a model learned through supervised learning.
  • the object identification model may be a model for inferring identification information of an object from image data.
  • the object identification information may be information identifying the object, such as the name of the object and the object identifier.
  • the object identification model may be a model that outputs identification information of an object using, as input data, a training data set including image data for training and labeling data labeled on the image data for training.
  • FIG 17 illustrates a learning process of an object identification model according to an embodiment of the present disclosure.
  • the object identification model 1700 may infer object identification information by using a training data set including image data for training and labeling data labeled therewith.
  • the labeling data is correct answer data and may be object identification information.
  • the object identification model 1700 may be trained to minimize a cost function corresponding to the difference between the labeling data and the object identification information.
  • the cost function of the object identification model 1700 may be expressed as a square average of a difference between a label for object identification information corresponding to each image data and object identification information inferred from each image data.
  • an object identification result is output as a target feature vector, and the object identification model 1700 is a loss corresponding to the difference between the output target feature vector and the labeled object identification information. It can be learned to minimize the function.
  • the object identification model 1700 may be learned by the learning processor 130 of the refrigerator 10 or the learning processor 240 of the AI server 200 and mounted on the refrigerator 10 .
  • the object identification model 1700 may determine the first object identification information from the first image data corresponding to the first bounding box 1601 illustrated in FIG. 16 .
  • the first object identification information may be a branch.
  • the object identification model 1700 may determine second object identification information from the second image data corresponding to the second bounding box 1603 .
  • the second object identification information may be a carrot.
  • the object identification model 1700 from the image data, what kind of food the object may be identified.
  • FIG. 9 will be described.
  • the position of the food may be obtained through the position of the object bounding box sensed through the object detection model 1500 . That is, the coordinates of the object bounding box may be the location of the food.
  • the food management information may include one or more of the name of the food provided in each of the plurality of storage rooms, the number of food, the storage period of the food, information on the stock change of the food, the purchase linkage information according to the stock of the food, and the recipe information. .
  • the plurality of storage compartments may include a first storage compartment 510 , a second storage compartment 530 , an inner door 13 , and an outer door 14 .
  • a storage space for accommodating food may be provided in each of the inner door 13 and the outer door 14 .
  • the stock change information may be information indicating that the stock of food provided in the storage room is changed.
  • the purchase linkage information may indicate site information for purchasing a specific food according to the stock status of the food.
  • the recipe information may be information indicating a recipe for a dish that can be cooked using food provided in the storage room.
  • the processor 180 may output food management information through a transparent display provided in the outer door 14 .
  • FIG. 19 shows a state in which both the inner door 13 and the outer door 14 are closed.
  • a transparent display 14 - 1 may be provided on the front surface of the outer door 14 of the refrigerator 10 . The user can view the foods stored in the refrigerating compartment through the transparent display 14 - 1 .
  • the transparent display 14 - 1 may display information about food stored in the refrigerator 10 .
  • the transparent display 14 - 1 may display a food storage state or food management information.
  • 19A to 19H are views for explaining a process of displaying food management information on a transparent display and providing recipe information related to the stored food when food is stored in a storage compartment of a refrigerator according to an embodiment of the present invention.
  • the user stores one eggplant in the storage space 1010 of the first storage compartment 510 provided in the refrigerator 10 . It is assumed that the first storage compartment 510 is a vegetable compartment capable of accommodating vegetables.
  • the refrigerator 10 may detect that the first storage compartment 510 is opened, and acquire any one of a maximum opening time of the first storage compartment 510 or a closing time of the first storage compartment 510 according to a change of movement direction. have.
  • the refrigerator 10 may transmit a capture command to the camera 121 at the acquired time point, and may acquire an image of the first storage chamber 510 captured by the camera 121 .
  • the refrigerator 10 may acquire a food storage state for foods stored in the storage space 1010 of the first storage room 510 based on the acquired image.
  • the refrigerator 10 may display the food storage state or food management information based on the food storage state on the transparent display 14 - 1 .
  • the eggplant may be recognized through a food recognition process.
  • the refrigerator 10 may display a notification message 1901 indicating that the eggplant has been put into the first storage compartment 510 on the transparent display 14 - 1 .
  • the notification message 1901 may display a message indicating which food was put into which storage room in text form.
  • the refrigerator 10 may display the panoramic view screen 1910 on the transparent display 14-1 as shown in FIG. 19C .
  • the panoramic view screen 1910 may be a screen including images obtained by photographing the storage state of some storage rooms among the plurality of storage rooms through the camera 121 .
  • the panorama view screen 1901 may include a panorama area 1911 and an image display area 1912 .
  • the panoramic area 1911 may include storage identification areas briefly indicated by dividing each of the plurality of storage compartments included in the refrigerating compartment.
  • the image display area 1912 may be an area for displaying images corresponding to areas selected by a user among storage identification areas included in the panorama area 1911 .
  • the image display area 1912 is a photographed image 1913 for the vegetable compartment area 1911a and A photographed image 1915 of the multi-accommodating area 1911b may be included.
  • the refrigerator 10 may display only the photographed image 1913a corresponding to the first storage compartment 510 (vegetable compartment) in which food is newly stored in the image display area 1912 .
  • the refrigerator 10 may display, on the image display area 1912 , an image corresponding to the storage room in which the food is put, based on the image captured by the camera 121 among the plurality of storage rooms.
  • the panoramic view screen 1900 may further include a food management app icon 1917 for executing the food management application.
  • the food management application is installed in the refrigerator 10 , and may be an application for managing food stored in the refrigerator 10 .
  • the refrigerator 10 may display the food management screen 1930 on the transparent display 14-1.
  • the food management screen 1930 may include first food management information 1931 for the vegetable compartment and second food management information 1933 for the inner door 13 .
  • the first food management information 1931 may include the names of foods stored in the vegetable compartment, the number of each food, the storage period of each food, and a shopping cart button 1935 for preparing each food for purchase.
  • the second food management information 1933 may include names of foods stored in the inner door 13 , the number of each food, a storage period of each food, and a shopping cart button 1935 for preparing each food for purchase.
  • the user can easily understand the storage state of the food stored in each storage room through the food management information, and can quickly purchase the desired food.
  • the food management screen 1930 may further include a recipe recommendation button 1937 and a shopping cart view button 1939 .
  • the recipe recommendation button 1937 may be a button for recommending a recipe for cooking using food stored in the storage room.
  • the shopping cart view button 1939 may be a button for providing information on the food selected through the shopping cart button 1935 .
  • the refrigerator 10 may display a food selection screen 1950 as shown in FIG. 19E .
  • the refrigerator 10 may receive an input of selecting a check box 1553 of a specific food item 1951 included in the food selection screen 1950 and then receiving an input of selecting a recipe search button 1955 . .
  • FIG. 19E it is assumed that one food item is selected, but the present invention is not limited thereto, and a plurality of food items may be selected.
  • the refrigerator 10 may display a recipe search screen 1970 as shown in FIG. 19F according to an input for selecting the recipe search button 1955 .
  • the recipe search screen 1970 may include a plurality of recipes that can be cooked using food corresponding to the selected specific food item 1951 .
  • the recipe search screen 1970 may include recipes of dishes combining the plurality of selected food items.
  • the refrigerator 10 receives an input for selecting one recipe 1971 from among a plurality of recipes, as shown in FIG. 19G , the recipe detail information screen including detailed information of the selected recipe 1971 ( 1990) can be shown.
  • the recipe detail information screen 1990 includes a material item area 1991 including a plurality of ingredients required for the selected recipe 1971 and a recipe area 1993 including information on a cooking order. can do.
  • the ingredient item area 1991 may include a shopping cart button 1992 that can put a plurality of ingredients required for the recipe 1971 into a shopping list.
  • the recipe area 1993 may include a voice icon 1994 for outputting information about the cooking order by voice.
  • the refrigerator 10 may output recipe information by voice upon receiving an input for selecting the voice icon 1994 .
  • the user can easily check recipe information using one or more selected foods only by selecting one or more foods stored in the refrigerator 10 .
  • the refrigerator 10 may display a home screen on the transparent display 14 - 1 according to an input for selecting the home button 1999 included in the navigation bar.
  • 20 and 21 are diagrams illustrating examples of recognizing food stored in a refrigerator and obtaining recipe information of a dish using the recognized food, according to an embodiment of the present invention.
  • the refrigerator 10 may extract recipe information corresponding to object identification information based on information stored in the database 2000 .
  • the database 2000 may be provided in the refrigerator 10 or may be provided in an external server.
  • the database 2000 may store a plurality of recipes for food and a plurality of recipes for a combination of foods.
  • the refrigerator 10 may recognize food through the object identification information output from the object identification model 1700 of FIG. 17 , and acquire one or more recipes related to the recognized food from the database 2000 .
  • the AI server 200 may extract recipe information corresponding to the object identification information based on information stored in the database 2000 . In this case, the AI server 200 may transmit the extracted recipe information to the refrigerator 10 .
  • FIG. 21 will be described.
  • 21 shows a recipe recommendation model 2100 based on an artificial neural network learned by a deep learning algorithm or a machine learning algorithm.
  • the recipe recommendation model 2100 may be a model that recommends recipe information using the object identification information output from the object identification model 1700 .
  • the recipe recommendation model 2100 may be learned by the running processor 130 of the refrigerator 10 or the running processor 240 of the AI server 200 and mounted on the refrigerator 10 .
  • the recipe recommendation model 2100 may be a model learned through supervised learning.
  • the recipe recommendation model 2100 may be a model for recommending a recipe related to food from object identification information.
  • the recipe recommendation model 2100 may be a model that outputs recipe information using, as input data, a training data set including labeling data labeled with object identification information for learning and object identification information for learning as input data.
  • the labeling data is correct answer data and may be recipe information.
  • the recipe recommendation model 2100 may be trained to minimize a cost function corresponding to the difference between the labeling data and the recipe information.
  • the cost function of the recipe recommendation model 2100 may be expressed as a square average of a difference between a label for object identification information and inferred recipe information.
  • a recipe recommendation result is output as a target feature vector
  • the recipe recommendation model 2100 is a loss function corresponding to the difference between the output target feature vector and the labeled recipe information. It may be learned to minimize .
  • 22A to 22F are views for explaining a process of displaying food management information on a transparent display and providing information for ordering the extracted food when food is taken out from the storage room of the refrigerator according to an embodiment of the present invention; to be.
  • the user withdraws one branch from the storage space 1010 of the first storage compartment 510 provided in the refrigerator 10 .
  • the refrigerator 10 may detect that the first storage compartment 510 is opened, and acquire any one of a maximum opening time of the first storage compartment 510 or a closing time of the first storage compartment 510 according to a change of movement direction. have.
  • the refrigerator 10 may transmit a capture command to the camera 121 at the acquired time point, and may acquire an image of the first storage chamber 510 captured by the camera 121 .
  • the refrigerator 10 may acquire a food storage state for foods stored in the storage space 1010 of the first storage room 510 based on the acquired image.
  • the refrigerator 10 may display the food storage state or food management information based on the food storage state on the transparent display 14 - 1 .
  • the eggplant may be recognized through a food recognition process.
  • the refrigerator 10 may display a notification message 2201 indicating that the branch has been withdrawn from the first storage compartment 510 on the transparent display 14 - 1 .
  • the notification message 2201 may display a message indicating which food was withdrawn from which storage room in text form.
  • the refrigerator 10 may display the panoramic view screen 1910 on the transparent display 14-1 as shown in FIG. 22C .
  • the panorama view screen 1910 is replaced with the content described in FIG. 19C .
  • the refrigerator 10 may display a photographed image 1913b corresponding to the first storage compartment 510 (vegetable compartment) from which food is newly taken out in the image display area 1912 .
  • the refrigerator 10 may display, on the image display area 1912 , an image corresponding to the storage room from which the food was taken out, based on the image captured by the camera 121 among the plurality of storage rooms.
  • the refrigerator 10 may display the food management screen 1930 on the transparent display 14 - 1 .
  • the refrigerator 10 displays a message indicating that the eggplant is out of stock and a pop-up window 2230 for adding the eggplant to the shopping list. It may be displayed on the food management screen 1930 .
  • the pop-up window 2230 may include a message indicating that the eggplant is out of stock, the price of the eggplant, and an add button 2231 for adding the eggplant to the shopping list.
  • the refrigerator 10 may display a shopping list screen 2250 on the transparent display 14 - 1 as shown in FIG. 22E .
  • the shopping list screen 2250 may include information on foods to be purchased selected by the user.
  • the refrigerator 10 displays an order completion on the food management screen 1930 as shown in FIG. 22F .
  • An order completion pop-up window 2270 indicating that the order has been completed may be displayed.
  • the order completion pop-up window 2270 may include an order number and a time taken for the ordered foods to be delivered.
  • an automatic shopping link function is provided through the transparent display 14-1 of the refrigerator 10, so that the user has to go directly to buy food or directly access the shopping mall application. Loom may disappear.
  • the present disclosure described above can be implemented as computer-readable code on a medium in which a program is recorded.
  • the computer-readable medium includes all types of recording devices in which data readable by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.
  • the computer may include the processor 180 of the artificial intelligence device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

본 개시의 일 실시 예에 따른 인공 지능 냉장고는 인너 도어, 전면에 투명 디스플레이를 구비하는 아웃터 도어, 상기 아웃터 도어에 구비된 하나 이상의 카메라, 상기 아웃터 도어의 개폐 또는 개방 각도를 감지하는 센서 및 상기 아웃터 도어의 닫힘을 감지한 경우, 상기 아웃터 도어의 개방 각도가 기 설정된 각도인지를 판단하고, 상기 아웃터 도어의 개방 각도가 상기 기 설정된 각도인 경우, 상기 하나 이상의 카메라를 통해, 상기 인너 도어를 촬영하고, 촬영된 이미지에 기반하여, 상기 인너 도어에 수납된 식품들의 수납 상태를 획득하고, 획득된 수납 상태에 기반하여, 식품 관리 정보를 상기 투명 디스플레이에 표시하는 하나 이상의 프로세서를 포함할 수 있다.

Description

인공 지능 냉장고 및 그의 동작 방법
본 발명은 인공 지능 냉장고에 관한 것으로, 보다 상세하게는, 냉장고 내부를 촬영하고, 촬영된 이미지에 기반하여, 식품을 인식할 수 있는 것에 관한 것이다.
냉장고는 냉동 사이클에 의해 생성된 냉기를 냉장실 및 냉동실로 공급하여 각종 식품의 신선도를 장기간 유지할 수 있도록 하는 장치이다.
일반적으로 냉장고는 식품의 보관을 위한 냉장실 및 냉동실을 가지는 본체, 본체의 일측에 회전 가능하도록 결합되어 상기 냉장실 및 냉동실을 개폐하는 도어를 포함하여 구성된다.
냉장실은 저장물의 종류에 따라 수납 및 저장을 효율적으로 수행할 수 있도록 선반 등에 의하여 복수의 공간으로 구획되어 있으며, 냉장실의 상부 영역에는 육류 및 생선 등을 저장하기 위한 저장실이 마련되어 있고, 냉장실의 하부 영역에는 야채 및 과일 등을 저장하기 위한 저장실이 마련된다.
한편, 최근에는 생활 환경의 향상으로 고급화된 냉장고에 대한 수요가 점차 증가함에 따라 냉장고에 관한 정보의 제공 및 냉장고 제어를 위해 디스플레이부가 냉장고의 도어 등에 마련된다.
사용자가 현재 냉장고의 저장물을 파악하기 위해서는 직접 냉장고 도어를 열고 내부를 살펴보아야 하는 불편이 있다.
대한민국 공개 특허(공개번호: 10-2014-0059978)는 RFID태그가 부착된 식품이 냉장고에 들어오면 RFID 리더기를 통해 정보를 읽어 들여 저장을 하고, 저장이 완료된 후 사용자의 얼굴을 포함하는 영상을 카메라로부터 획득한다. 또한, 획득한 영상에서 사용자를 분류하여 사용자의 특징에 따라 음식물을 추천하거나 냉장고 도어를 제어하는 내용이 개시되어 있다.
그러나, 이는, 냉장고에 넣는 식품에 RFID 태그가 반드시 부착되어 있어야 하므로, RFID 태그가 없는 식품에 대해서는 인식이 불가능하고, RFID 태그의 부착을 위한 비용이 발생하는 문제가 있다.
본 발명은 냉장고에 구비된 카메라를 이용하여, 냉장고의 저장실의 식품 수납 상태를 제공할 수 있는 것에 그 목적이 있다.
본 발명은 냉장고의 저장실의 식품 수납 상태를 정확하게 식별할 수 있는 인공 지능 냉장고의 제공을 목적으로 한다.
본 발명 냉장고의 저장실의 식품 수납 상태를 파악하여, 식품 재고 관리, 식품 구매를 유도, 식품을 이용한 요리의 레시피를 추천할 수 있는 인공 지능 냉장고의 제공을 그 목적으로 한다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 저장실의 개방이 감지된 경우, 카메라의 촬영을 온 시키고, 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점이 감지된 경우, 상기 카메라에 캡쳐 명령을 전송하고, 상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하고, 획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 표시할 수 있다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 저장실의 이동 방향이 개방 방향에서, 닫힘 방향으로 전환된 시점을 상기 닫힘 시점으로 획득할 수 있다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 상기 카메라의 복수의 촬영 시점들 각각에 상응하는 복수의 영상들을 획득하고, 획득된 복수의 영상들 중 상기 저장실의 면적이 최대인 영상을 추출하고, 추출된 영상의 촬영 시점을 상기 저장실의 최대 개방 시점으로 획득할 수 있다.
본 발명의 실시 예에 따른 인공 지능 냉장고는 수납 상태에 기반하여, 상기 식품의 재고 변경 정보, 상기 식품의 구매 연동 정보 및 상기 식품을 이용한 요리의 레시피 정보 중 하나 이상을 포함하는 상기 식품 관리 정보를 표시할 수 있다.
본 발명의 실시 예에 따르면, 사용자는 냉장고의 저장실에 수납된 식품의 수납 상태에 대한 정보를 손쉽고, 빠르게 파악할 수 있다.
본 발명의 실시 예에 따르면, 냉장고의 저장실의 수납 상태에 대한 정보가 정확히 판단되어, 사용자에게 정확한 수납 상태에 대한 정보가 제공될 수 있다.
본 발명의 실시 예에 따르면, 저장실의 식품 재고 관리, 구매 연동 서비스, 레시피 추천 기능을 통해, 사용자의 냉장고 활용 편의성이 크게 향상될 수 있다.
도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 개시의 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5a는 본 발명의 일 실시 예에 따른 냉장고의 사시도이고,
도 5b 내지도 5d는 발명의 실시 예에 따른 냉장고의 내부를 설명하기 위한 도면들이다.
도 6a는 본 발명의 일 실시 예에 따른 제1 저장실의 개폐 여부를 감지하는 제1 저장실 개폐 센서의 배치 위치를 설명하는 도면이고,
도 6b는 제2 저장실의 개폐 여부를 감지하는 제2 저장실 개폐 센서의 배치 위치를 설명하는 도면이다.
도 7a는 본 발명의 일 실시 예에 따른 자석의 배치 위치를 설명하는 도면이고,
도 7b는 자석과 결합하는 홀더를 설명하는 도면이다.
도 8a 및 도 8b는 본 발명의 일 실시 예에 따라 저장실 개폐 센서가 저장실의 개폐 여부를 감지하는 원리를 설명하는 도면이다.
도 9는 본 발명의 실시 예에 따른 냉장고의 동작 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시 예에 따라 카메라를 통해 저장실의 영상을 획득하는 예를 설명하는 도면이고,
도 11 및 도 12는 복수의 영상들에 기반하여, 저장실의 최대 개방 시점을 획득하는 과정을 설명하는 도면이다.
도 13 및 도 14는 본 발명의 실시 예에 따라 카메라를 통해 촬영된 영상에 기반하여, 저장실의 닫힘 시점을 감지하는 과정을 설명하는 도면이다.
도 15 및 도 16은 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.
도 17은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.
도 18은 냉장고의 아웃 도어가 닫힌 상태에서, 냉장고의 정면도이다.
도 19a 내지 도 19h는 본 발명의 실시 예에 따라 냉장고의 저장실에 식품을 수납한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 수납된 식품과 관련된 레시피 정보를 제공하는 과정을 설명하는 도면이다.
도 20 및 도 21은 본 발명의 일 실시 예에 따라, 냉장고에 수납된 식품을 인식하고, 인식된 식품을 이용한 요리의 레시피 정보를 획득하는 예들을 설명하는 도면이다.
도 22a 내지 도 22f는 본 발명의 실시 예에 따라 냉장고의 저장실로부터 식품을 인출한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 인출된 식품을 주문하기 위한 정보를 제공하는 과정을 설명하는 도면이다.
<인공 지능(AI: Artificial Intelligence)>
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.
도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 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(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
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 개시의 일 실시 예에 따른 AI 서버(200)를 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 개시의 일 실시 예에 따른 AI 시스템(1)을 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.
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
이하에서 설명하는 냉장고는 인공 지능을 갖는 가전 기기일 수 있다. 즉, 인공 지능 장치(100)는 냉장고일 수 있다.
냉장고는 도 4에 도시된 인공 지능 장치(100)의 구성 요소들을 모두 포함할 수 있다.
냉장고는 인공 지능 냉장고로 명명될 수 있다.
도 5a는 본 발명의 실시 예에 따른 냉장고의 사시도이고, 도 5b 내지도 5d는 발명의 실시 예에 따른 냉장고의 내부를 설명하기 위한 도면들이다.
도 5a를 참조하면, 냉장고(10)는 복수의 저장실들을 구비하는 캐비닛(11) 및 캐비닛(11)의 전면에 구비되어, 복수의 저장실들 중 어느 하나를 선택적으로 개폐하는 도어들(12,15)를 포함할 수 있다.
복수의 저장실들은 냉장실(18) 및 냉동실(19)을 포함할 수 있다.
도어들(12, 15)은 냉장실(180)의 전방에 회동 가능하게 구비되는 냉장실 도어(12) 및 냉동실(19)의 전방에 회동 가능하게 구비되는 냉동실 도어(15)를 포함할 수 있다.
냉장실(18)에는 증발기에서 생성된 냉기가 공급되어, 냉장실(18)의 내부가 냉각될 수 있다. 증발기는 냉장실의 후벽 후측에 구비될 수 있다.
냉장실 도어(12)는 한 쌍으로 구비되어, 캐비닛(11)의 전면 좌측 가장자리와 우측 가장자리 각각에 회동 가능하게 연결될 수 있다.
냉장실 도어(12)는 캐비닛(11)의 전면에 밀착되는 인너 도어(13) 및 인너 도어(13)의 전면에서 인너 도어(13)에 회동 가능하게 연결되는 아웃터 도어(14)를 포함할 수 있다.
캐비닛(11)의 상측에는 냉장실 도어(12)가 캐비닛(11)에 대해 회동 가능하도록 제1 힌지(114)가 구비될 수 있다.
제1 힌지(114)의 일측은 캐비닛(11)의 상면에 연결되고, 타측은 인너 도어(13)에 연결될 수 있다. 인너 도어(13) 및 아웃터 도어(14)는 제1 힌지(114)를 중심으로, 함께 회동될 수 있다.
인너 도어(13)는 아웃터 도어(14)가 인너 도어(13)에 대해 회동 가능하도록 하는 제2 힌지(미도시)를 구비할 수 있다. 아웃터 도어(14)는 단독으로, 제2 힌지를 중심으로 회동하며, 아웃터 도어(14)의 회동에 의해, 인너 도어(13)의 전면부가 개방될 수 있다.
도 5b 내지 도 5d를 참조하면, 캐비닛(11)의 천장에는 카메라(121)가 구비되어, 하방을 촬영할 수 있다. 즉, 카메라(121)는 냉장고(10)의 내부를 촬영할 수 있다.
캐비닛(11)은 카메라(121)를 수용하기 위한 하우징(미도시)을 더 포함할 수 있다.
카메라(121)는 고정된 위치에서, 하방을 촬영하도록 배치될 수 있다.
캐비닛(11)에 포함된 복수의 저장실들 중 일부는 식품을 저장할 수 있는 제1 저장실(510) 및 제2 저장실(530)을 포함할 수 있다.
제1 저장실(510) 및 제2 저장실(530)은 수평 방향으로 인접하여 배치될 수 있다.
제1 저장실(510) 및 제2 저장실(530) 각각은 캐비닛(11)에 수용되어, 내부에 식품을 수납하기 위한 독립된 냉기 유지 공간을 가질 수 있다.
또한 제1 저장실(510) 및 제2 저장실(530) 각각은 상기 캐비닛(11)의 내부에 서랍(드로워)형태로 구성될 수 있다. 각 저장실이 냉장고의 전면방향으로 인출되면, 저장실의 내부가 개방되어 사용자는 수납된 야채등을 꺼내거나 확인할 수 있고, 저장실이 다시 냉장고의 후면방향으로 인입되면, 식품이 수납되게 된다.
도 5b 내지 도 5d는 제1 저장실(510) 및 제2 저장실(530)의 일부가 개방된 상태를 보여준다.
도 5b를 참조하면, 캐비닛(11)은 제1 저장실(510)의 이동을 가이드하는 가이드 레일(550)을 구비할 수 있다. 가이드 레일(550)은 한 쌍으로 구비될 수 있다.
제1 저장실(510)은 가이드 레일(550)에 냉장고(10)의 전면 방향으로, 슬라이딩 가능하게 결합된 무빙 브라켓(511)을 구비할 수 있다. 무빙 브라켓(511) 또한, 제1 저장실(510)의 하측에 한 쌍으로 구비될 수도 있다.
도 5c를 참조하면, 캐비닛(11)은 제2 저장실(530)의 이동을 가이드하는 가이드 레일(570)을 구비할 수 있다. 가이드 레일(570)은 한 쌍으로 구비될 수 있다.
제2 저장실(530)은 가이드 레일(570)에 냉장고(10)의 전면 방향으로, 슬라이딩 가능하게 결합된 무빙 브라켓(531)을 구비할 수 있다. 무빙 브라켓(531) 또한, 제2 저장실(530)의 하측에 한 쌍으로 구비될 수도 있다.
도 5d를 참조하면, 제1 저장실(510)의 이동을 가이드 하는 가이드 레일(550)은 제1 저장실(510)의 개폐 여부를 감지할 수 있는 제1 저장실 개폐 센서(551)를 구비할 수 있다.
제1 저장실 개폐 센서(551)는 2개의 리드 스위치들을 구비할 수 있다.
제1 저장실 개폐 센서(551)는 가이드 레일(550)의 일단 및 끝단 중 카메라(121)와 더 인접한 위치에 있는 일단에 배치될 수 있다.
제1 저장실 개폐 센서(551)는 제1 저장실(510)의 하측에 구비된 자석(513)의 이동에 따라, 제1 저장실(510)의 개폐 여부를 감지할 수 있다.
제1 저장실 개폐 센서(551)를 통해, 제1 저장실(510)의 개폐 여부를 감지하는 원리에 대해서는 구체적으로 후술한다.
한편, 제2 저장실(530)의 이동을 가이드 하는 가이드 레일은 제2 저장실(530)의 개폐 여부를 감지할 수 있는 제2 저장실 개폐 센서를 구비할 수 있다. 마찬가지로, 제2 저장실 개폐 센서 또한, 제2 저장실(530)의 하측에 구비된 자석의 이동에 따라, 제2 저장실(530)의 개폐 여부를 감지할 수 있다.
도 6a는 본 발명의 일 실시 예에 따른 제1 저장실의 개폐 여부를 감지하는 제1 저장실 개폐 센서의 배치 위치를 설명하는 도면이고, 도 6b는 제2 저장실의 개폐 여부를 감지하는 제2 저장실 개폐 센서의 배치 위치를 설명하는 도면이다.
도 6a를 참조하면, 제1 저장실 개폐 센서(551)는 가이드 레일(550)의 일단에 배치될 수 있다. 제1 저장실 개폐 센서(551)는 제1 저장실(510)에 구비된 자석의 이동을 감지하여, 제1 저장실(510)의 개폐 여부를 감지할 수 있다.
도 6b를 참조하면, 제2 저장실 개폐 센서(571)는 가이드 레일(570)의 일단에 배치될 수 있다. 제2 저장실 개폐 센서(571)는 제2 저장실(530)에 구비된 자석의 이동을 감지하여, 제2 저장실(530)의 개폐 여부를 감지할 수 있다.
도 7a는 본 발명의 일 실시 예에 따른 자석의 배치 위치를 설명하는 도면이고, 도 7b는 자석과 결합하는 홀더를 설명하는 도면이다.
도 7a 및 도 7b는 제1 저장실(510)에 구비된 자석(513) 및 홀더(515)를 예로 들어 설명하나, 도 7a 및 도 7b의 실시 예에는 제2 저장실(530)에 구비된 자석 및 홀더에도 적용될 수 있다.
도 7a를 참조하면, 자석(513)은 제1 저장실(510)의 전면 하단에 배치될 수 있다.
자석(513)은 무빙 브라켓(511) 보다 상측에 배치될 수 있다.
도 7b를 참조하면, 자석(513)을 제1 저장실(510)에 고정하기 위한 홀더(515)가 도시되어 있다. 홀더(515)는 자석(513)이 제1 저장실(510)로부터 이탈되지 않도록, 자석(513)을 고정시킬 수 있다.
자석(513)은 제1 저장실(510)의 이동에 따라 함께 이동될 수 있다.
도 8a 및 도 8b는 본 발명의 일 실시 예에 따라 저장실 개폐 센서가 저장실의 개폐 여부를 감지하는 원리를 설명하는 도면이다.
도 8a 및 도 8b에서는 제1 저장실 개폐 센서(551)가 제1 저장실(510)에 구비된 자석(513)을 이용하여, 제1 저장실(510)의 개폐 여부를 감지하는 예를 설명하나, 이는, 제2 저장실 개폐 센서(571)가 제2 저장실(530)에 구비된 자석을 이용하여, 제2 저장실(530)의 개폐 여부를 감지하는 과정에서도 적용될 수 있다.
도 8a 및 도 8b에서 제1 저장실 개폐 센서(551)는 제1 리드 스위치(551a) 및 제2 리드 스위치(551b)를 포함할 수 있다.
도 8a는 제1 저장실 개폐 센서(551)가 제1 저장실(510)의 개방을 감지하는 과정을 설명하는 도면이다.
제1 저장실(510)이 개방되기 전, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단 각각은 서로 접촉된 상태에 있다.
제1 저장실(510)이 냉장고(10)의 전면 방향으로 개방된 경우, 제1 저장실(510)에 구비된 자석(513)은 냉장고(10)의 전면 방향으로 이동될 수 있다.
이 경우, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단은 자석(513)의 이동에 따른 자기장에 의해, 서로 이격될 수 있다.
제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단이 이격된 경우, 제1 저장실 개폐 센서(551)는 오프 신호를 출력할 수 있다. 프로세서(180)는 제1 저장실 개폐 센서(551)가 오프 신호를 출력한 경우, 제1 저장실(510)이 개방된 것으로 판단할 수 있다.
도 8b는 제1 저장실 개폐 센서(551)가 제1 저장실(510)의 닫힘을 감지하는 과정을 설명하는 도면이다.
제1 저장실(510)이 개방된 후, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단 각각은 서로 이격된 상태에 있다.
제1 저장실(510)이 냉장고(10)의 후면 방향으로 닫힌 경우, 제1 저장실(510)에 구비된 자석(513)은 냉장고(10)의 후면 방향으로 이동될 수 있다.
이 경우, 제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단은 자석(513)의 이동에 따른 자기장에 의해, 서로 접촉될 수 있다.
제1 리드 스위치(551a)의 끝단 및 제2 리드 스위치(551b)의 끝단이 접촉된 경우, 제1 저장실 개폐 센서(551)는 온 신호를 출력할 수 있다. 프로세서(180)는 제1 저장실 개폐 센서(551)가 온 신호를 출력한 경우, 제1 저장실(510)이 닫힌 것으로 판단할 수 있다.
도 9는 본 발명의 실시 예에 따른 인공 지능 냉장고의 동작 방법을 설명하기 위한 흐름도이다.
도 9에서, 냉장고(10)는 도 4의 구성 요소들을 모두 포함할 수 있다.
도 9는 냉장고(10)의 제1 저장실(510) 및 제2 저장실(530) 중 하나 이상에 수납된 식품의 관리를 위한 냉장고(10)의 동작 방법을 설명하는 도면일 수 있다.
도 9를 참조하면, 냉장고(10)의 프로세서(180)는 저장실(510, 530)이 개방됨을 감지한다(S901).
프로세서(180)는 저장실 개폐 센서(551, 571)를 통해, 저장실(510, 530)의 개방 여부를 감지할 수 있다.
프로세서(180)는 제1 저장실 개폐 센서(551)를 통해 제1 저장실(510)의 개방을 감지할 수 있고, 제2 저장실 개폐 센서(571)를 통해 제2 저장실(530)의 개방을 감지할 수 있다.
저장실 개폐 센서(551, 571)는 한 쌍의 리드 스위치를 구비하고, 리드 스위치 간의 끝단의 접촉 여부에 따라 저장실(510, 530)의 개폐 여부를 감지할 수 있다.
저장실 개폐 센서(551, 571)를 통해, 저장실(510, 530)의 개방 여부를 감지하는 과정에 대해서는 도 8a의 실시 예가 적용될 수 있다.
프로세서(180)는 저장실(510, 530)의 개방이 감지된 경우, 카메라(121)의 촬영을 온 시키는 촬영 온 명령을 전송한다(S903).
프로세서(180)는 저장실(510, 530)의 개방이 감지된 경우, 캐비닛(11)의 천장에 부착된 카메라(121)의 동작을 온 시키는 명령을 카메라(121)에 전송할 수 있다.
이에 따라, 카메라(121)는 촬영을 개시하고, 실시간으로, 제1 저장실(510) 또는 제2 저장실(530)의 영상을 획득할 수 있다.
프로세서(180)는 카메라(121)의 촬영에 따라 얻어진 저장실(510, 530)의 영상을 획득한다(S905).
프로세서(180)는 획득된 영상의 처리에 기반하여 , 저장실(510, 530)의 최대 개방 시점 또는 저장실(510, 530)의 닫힌 시점이 감지되었는지를 판단한다(S907).
일 실시 예에서, 프로세서(180)는 카메라(121)가 촬영한 영상의 처리에 기반하여, 저장실(510, 530)이 최대로 개방된 시점을 감지할 수 있다.
프로세서(180)는 복수의 시점들 각각에 상응하는 복수의 영상들(또는 영상 프레임들)을 획득하고, 획득된 복수의 영상들에 기반하여, 저장실(510, 530)의 최대 개방 시점 또는 저장실(510, 530)의 닫힌 시점을 감지할 수 있다.
일 예로, 프로세서(180)는 촬영된 저장실 영상으로부터, 저장실(510, 530)이 차지하는 면적이 최대인 영상에 상응하는 영상 획득 시점을 저장실(510, 530)의 최대 개방 시점으로 획득할 수 있다.
이에 대해서는, 이하의 도면을 참조하여 설명한다.
도 10은 본 발명의 일 실시 예에 따라 카메라를 통해 저장실의 영상을 획득하는 예를 설명하는 도면이고, 도 11 및 도 12는 복수의 영상들에 기반하여, 저장실의 최대 개방 시점을 획득하는 과정을 설명하는 도면이다.
도 10을 참조하면, 제1 저장실(510) 또는 제2 저장실(530)의 개방이 감지된 경우, 카메라(121)는 촬영을 개시할 수 있다.
특히, 카메라(121)는 제1 저장실(510)이 개방된 제1 영역(1010) 또는 제2 저장실(530)이 개방된 영역(1030)에 수납된 식품을 촬영하도록 화각이 설정될 수 있다.
도 11은 카메라(121)를 통해 촬영된 영상들에 기반하여, 저장실(510, 530)의 최대 개방 시점을 추출하는 도 9의 단계 S907의 과정을 상세하게 설명하는 흐름도이다.
도 11을 참조하면, 프로세서(180)는 저장실(510, 530)의 개방이 감지된 후, 카메라(121)를 통해 복수의 촬영 시점들 각각에 상응하는 복수의 영상들을 획득한다(S1101).
프로세서(180)는 복수의 영상들 중 저장실(510, 530)의 면적이 최대인 영상을 추출한다(S1103).
저장실(510, 530)의 면적은 저장실(510, 530)의 수납 공간의 면적일 수 있고, 저장실(510, 530)의 면적은 저장실(510, 530)의 수납 공간이 최대로 외부로 드러나는 상태에서 최대일 수 있다.
프로세서(180)는 추출된 영상에 상응하는 촬영 시점을 저장실(510, 530)의 최대 개방 시점으로 획득한다(S1105).
프로세서(180)는 일정 시간 내에 촬영된 복수의 영상들 중 저장실(510, 530)이 차지하는 영역을 인식하고, 인식된 영역의 면적이 가장 큰 영상을 추출할 수 있다. 이에 대해서는, 도 12를 참조하여 설명한다.
도 12를 참조하면, 카메라(121)를 통해 획득된 제1 저장실(510)에 상응하는 N개의 영상들(1200-1 내지 1200-N)이 도시되어 있다.
카메라(121)는 고정된 위치에서 촬영을 수행하므로, 각 영상의 크기는 동일할 수 있다.
프로세서(180)는 제1 저장실(510)의 경계 영역(A)에 기초하여, 경계 영역(A)의 하측 영역을 삭제하고, 나머지 영역을 획득할 수 있다.
프로세서(180)는 제1 저장실(510)의 경계 영역(A)의 영상을 메모리(170)에 미리 저장하고 있을 수 있다.
프로세서(180)는 메모리(170)에 저장된 경계 영역(A)의 영상을 획득된 영상과 비교하여, 경계 영역(A)을 인식할 수 있다.
또 다른 예로, 프로세서(180)는 경계 영역(A)에 부착된 마커를 인식하여, 경계 영역(A)을 인식할 수도 있다.
프로세서(180)는 제1 영상(1200-1)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제1 하측 영역(1201-1)을 삭제하고, 제1 나머지 영역(1203-1)을 획득할 수 있다.
또한, 프로세서(180)는 제2 영상(1200-2)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제2 하측 영역(1201-2)을 삭제하고, 제2 나머지 영역(1203-2)을 획득할 수 있다.
프로세서(180)는 제3 영상(1200-3)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제3 하측 영역(1201-3)을 삭제하고, 제3 나머지 영역(1203-3)을 획득할 수 있다.
이와 같은 방식으로, 프로세서(180)는 프로세서(180)는 제N 영상(1200-N)에 포함된 경계 영역(A)을 인식하고, 경계 영역(A)의 제N 하측 영역(1201-N)을 삭제하고, 제N 나머지 영역(1203-N)을 획득할 수 있다.
프로세서(180)는 제1 나머지 영역 내지 제N 나머지 영역(1203-1 내지 1203-N) 중 면적이 가장 큰 영역에 상응하는 영상을 추출할 수 있다.
프로세서(180)는 추출된 영상의 촬영 시점을 제1 저장실(510)의 최대 개방 시점으로 획득할 수 있다.
제N 나머지 영역(1203-N)의 면적이 가장 큰 것으로, 가정하면, 제N 영상(1200-N)의 촬영 시점이 제1 저장실(510)의 최대 개방 시점이 될 수 있다.
한편, 제1 저장실(510)의 최대 개방 시점은 AI 서버(200)에서 감지될 수도 있다.
즉, 프로세서(180)는 촬영된 복수의 영상들을 AI 서버(200)에 전송할 수 있다. AI 서버(200)는 냉장고(200)로부터 수신된 복수의 영상들에 대해, 도 12의 실시 예와 같은 방식으로, 제1 저장실(510)의 최대 개방 시점을 획득하고, 획득된 최대 개방 시점을 냉장고(100)에 전송할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 영상 처리를 통해 저장실의 수납 공간이 최대로 노출되는 시점에 기반하여, 식품 인식을 수행하므로, 저장실의 식품 수납 상태가 정확하게 인식될 수 있다.
다시, 도 9를 설명한다.
프로세서(180)는 저장실(510, 530)의 이동 방향의 전환에 기초하여, 저장실(510, 530)이 닫혀지는 시점을 감지할 수 있다.
이에 대해서는 이하의 도면을 참조하여 설명한다.
도 13 및 도 14는 본 발명의 실시 예에 따라 카메라를 통해 촬영된 영상에 기반하여, 저장실의 닫힘 시점을 감지하는 과정을 설명하는 도면이다.
프로세서(180)는 옵티컬 플로우(optical flow) 기법을 이용하여, 저장실의 닫힘 시점을 감지할 수 있다.
옵티컬 플로우 기법은 연속하는 영상 프레임으로부터, 물체의 이동으로 인해 발생하는 물체의 이동 패턴을 파악하는 기법이다.
도 13은 카메라(121)를 통해 촬영된 영상들에 기반하여, 저장실(510, 530)의 닫힘 시점을 추출하는 도 9의 단계 S907의 과정을 상세하게 설명하는 흐름도이다.
도 13을 참조하면, 프로세서(180)는 N 번째 촬영 시점의 영상에 포함된 기준 포인트의 제N 벡터를 획득한다(S1301).
기준 포인트는 도 12의 경계 영역(A)의 일 지점에 대응하는 포인트일 수 있다. 경계 영역(A)의 일 지점은 경계 영역(A)에 부착된 마커가 위치한 지점일 수 있으나, 이는 예시에 불과하고, 기준 포인트는 특정 객체의 한 지점일 수도 있다.
프로세서(180)는 N+ 1 번째 촬영 시점의 영상에 포함된 기준 포인트의 제N +1 벡터를 획득한다(S1303).
프로세서(180)는 동일한 지점을 나타내는 기준 포인트에서, N 번째를 뒤따르는 N+1 번째 촬영 시점에서, 제N+1 벡터를 획득할 수 있다.
프로세서(180)는 제N 벡터의 제1 방향과 제N +1 벡터의 제2 방향을 비교한다(S1305).
제1 방향은 저장실(510, 530)이 개방되는 방향일 수 있다.
제2 방향은 저장실(510, 530)이 개방되는 방향 또는 저장실(510, 530)이 닫혀지는 방향 중 어느 하나일 수 있다.
저장실(510, 530)이 개방되는 방향은 냉장고(10)의 전면 방향이고, 저장실(510, 530)이 닫혀지는 방향은 냉장고(10)의 후면 방향일 수 있다.
프로세서(180)는 비교 결과, 벡터의 방향이 전환되었는지를 판단한다(S1307).
프로세서(180)는 제1 방향과 제2 방향이 동일한 경우, 벡터의 방향이 전환되지 않은 것으로 판단할 수 있다.
프로세서(180)는 제1 방향과 제2 방향이 서로 반대인 경우, 벡터의 방향이 전환된 것으로 판단할 수 있다.
제1 방향이 저장실(510, 530)의 개방 방향인 경우, 제2 방향은 저장실(510, 530)의 닫힘 방향일 수 있다.
프로세서(180)는 벡터의 방향이 전환된 경우, 벡터의 방향이 전환된 시점을 저장실(510, 530)의 닫힘 시점으로 획득한다(S1309).
프로세서(180)는 벡터의 방향이 서로 달라지는 경우, 저장실(510, 530)의 이동 방향이 개방 방향에서 닫힘 방향으로 전환됨을 감지할 수 있다.
프로세서(180)는 저장실(510, 530)의 이동 방향의 전환을 감지한 시점을 저장실(510, 530)의 닫힘 시점으로 획득할 수 있다.
도 14를 참조하면, 시간의 흐름에 따른 4개의 영상 프레임들 각각에서 획득된 기준 포인트들(1401 내지 1407)을 보여준다.
제1 내지 제3 기준 포인트(1401 내지 1405)들의 방향은 제1 방향으로 저장실(510, 530)의 개방 방향일 수 있다.
제4 기준 포인트(1407)는 제1 방향과 반대인 제2 방향으로, 저장실(510, 530)의 닫힘 방향일 수 있다.
프로세서(180)는 제4 기준 포인트(1407)에 상응하는 영상 프레임의 촬영 시점을 저장실(510, 530)의 닫힘 시점으로 획득할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 저장실의 이동 방향의 전환 시점을 감지하여, 저장실의 수납 공간에 대한 최적의 영상을 자동으로, 획득할 수 있다.
한편, 단계 S1301 내지 S1309는 AI 서버(200)에 의해 수행될 수 있다. 이를 위해, 냉장고(10)는 카메라(121)를 통해 획득된 복수의 영상 프레임들을 AI 서버(200)에 전송할 수 있다, AI 서버(200)는 단계 S1301 내지 S1309의 수행에 따라 저장실(510, 530)의 닫힘 시점을 획득하고, 획득된 닫힘 시점을 냉장고(10)에 전송할 수 있다.
다시, 도 9를 설명한다.
한편, 프로세서(180)는 저장실(510, 530)의 영상 변화가 일정 시간 동안 없는 경우, 일정 시간이 지난 직후의 시점을 저장실(510, 530)의 최대 개방 시점으로 판단할 수도 있다.
프로세서(180)는 각 영상 프레임의 기준 포인트에 대한 벡터의 방향 변화를 이용하여, 저장실(510, 530)의 영상 변화가 일정 시간 동안 없는지를 판단할 수 있다.
프로세서(180)는 저장실(510, 530)의 최대 개방 시점 또는 저장실의 닫힘 시점이 감지된 경우, 카메라(121)에 캡쳐 명령을 전송한다(S909).
프로세서(180)는 저장실(510, 530)의 최대 개방 시점 또는 저장실의 닫힘 시점이 감지된 경우, 해당 시점의 이미지를 통해 저장실(510, 530)에 수납된 식품들을 인식하기 위해, 카메라(121)에 캡쳐 명령을 전송할 수 있다.
프로세서(180)는 캡쳐 명령에 따라 카메라(121)를 통해 캡쳐된 이미지에 기반하여 , 저장실의 식품 수납 상태를 획득한다(S911).
프로세서(180)는 영상 인식 모델을 이용하여, 촬영된 이미지에 포함된 복수의 식품들을 인식할 수 있다.
프로세서(180)는 인식된 복수의 식품들에 대한 정보에 기반하여, 식품 수납 상태를 획득할 수 있다. 식품 수납 상태는 제1 저장실(510) 및 제2 저장실(530) 각각에 구비된 복수의 식품들 각각의 종류, 위치, 개수에 대한 정보를 포함할 수 있다.
영상 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 학습된 인공 신경망 기반의 모델일 수 있다.
영상 인식 모델은 객체 감지 모델 및 객체 식별 모델을 포함할 수 있다.
객체 감지 모델은 이미지 데이터로부터 하나 이상의 객체를 감지하는 모델이고, 객체 식별 모델은 감지된 하나 이상의 객체가 무엇인지를 식별하는 모델일 수 있다.
객체 감지 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 기반의 모델일 수 있다.
객체 감지 모델은 인공 지능 장치(100)의 러닝 프로세서(130)에 의해 학습되어, 메모리(170)에 저장된 모델일 수 있다.
또 다른 예로, 객체 감지 모델은 AI 서버(200)의 러닝 프로세서(240)에 의해 학습되어, AI 서버(200)로부터 인공 지능 장치(100)에 전송된 모델일 수 있다.
객체 감지 모델을 이용하여, 영상으로부터, 복수의 객체들을 감지하는 예를 이하의 도면들을 참조하여, 설명한다.
객체는 식품일 수 있다.
도 15 및 도 16은 본 개시의 실시 예에 따른 객체 감지 모델의 학습 과정을 설명하는 도면이다.
도 15를 참조하면, 객체 감지 모델(1510)은 복수의 영상 데이터들을 포함하는 학습용 영상 데이터 세트(1500)를 이용하여, 각 학습용 영상 데이터로부터, 복수의 객체들을 포함하는 객체 경계 박스 세트를 획득할 수 있다.
객체 경계 박스 세트는 객체를 포함하는 경계 박스들의 집합일 수 있다.
객체 감지 모델(1510)은 SSD(Single Shot multibox Detector) MobilenetV2, Faster R-CNN Inception, YOLO(You Only Look Once) 알고리즘을 이용하여, 영상 데이터로부터, 복수의 객체들을 감지할 수 있다.
YOLO(You Only Look Once) 알고리즘은 복수의 CNN들로 구성될 수 있다.
YOLO(You Only Look Once) 알고리즘은 그리드 분할 과정, 예측 과정, 신뢰도 계산 과정, 객체 선정 과정을 포함할 수 있다.
그리드 분할 과정은 이미지 데이터(1900)를 복수의 그리드들로 나누는 과정일 수 있다. 복수의 그리드들 각각의 크기는 동일할 수 있다.
예측 과정은 각 그리드에 대해 그리드 중앙을 중심으로, 미리 정의된 형태(predefined shape)로 지정된 경계 박스의 개수를 예측하는 과정일 수 있다.
미리 정의된 형태(predefined shape)로 지정된 경계 박스는 K-평균 알고리즘에 의한 데이터로부터 생성될 수 있고, 객체의 크기 및 형태에 대한 사전 정보를 담고 있을 수 있다.
각 경계 박스는 각기 다른 크기 및 형태의 객체를 감지하도록 설계될 수 있다.
각 경계 박스는 객체의 형태 또는 경계를 나타낼 수도 있다.
신뢰도 계산 과정은 예측 과정에서, 얻어진 경계 박스들 각각에 객체가 포함되어 있는지, 배경만 단독으로 있는지 여부에 따라, 경계 박스의 신뢰도를 계산하는 과정일 수 있다.
객체 판단 과정은 신뢰도 계산 과정에 따라 기 설정된 값 이상의 신뢰도를 갖는 경계 박스에 객체가 존재하는 것으로 판단하는 과정일 수 있다.
객체 판단 과정을 통해 이미지 데이터(1600)에 포함된 복수의 경계 박스들(1601 내지 1607)이 추출될 수 있다.
프로세서(180)는 객체 감지 모델(1500)을 통해 추출된 복수의 경계 박스들로부터, 각 객체의 식별 정보를 획득할 수 있다.
프로세서(180)는 객체 식별 모델을 이용하여, 각 경계 박스에 해당하는 이미지 데이터로부터, 경계 박스 내에 존재하는 객체를 식별할 수 있다.
객체 식별 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 학습된 인공 신경망 기반의 모델일 수 있다.
객체 식별 모델은 지도 학습을 통해 학습된 모델일 수 있다.
객체 식별 모델은 이미지 데이터로부터, 객체의 식별 정보를 추론하는 모델일 수 있다. 객체의 식별 정보는 객체의 명칭, 객체의 식별자 등 객체를 식별하는 정보일 수 있다.
객체 식별 모델은 학습용 이미지 데이터 및 학습용 이미지 데이터에 레이블된 레이블링 데이터를 포함하는 트레이닝 데이터 세트를 입력 데이터로 하여, 객체의 식별 정보를 출력하는 모델일 수 있다.
도 17은 본 개시의 일 실시 예에 따른 객체 식별 모델의 학습 과정을 보여준다.
도 17을 참조하면, 객체 식별 모델(1700)은 학습용 이미지 데이터 및 이에 레이블된 레이블링 데이터를 포함하는 트레이닝 데이터 세트를 이용하여, 객체 식별 정보를 추론할 수 있다.
레이블링 데이터는 정답 데이터로, 객체 식별 정보일 수 있다.
객체 식별 모델(1700)은 레이블링 데이터와 객체 식별 정보 간의 차이에 상응하는 비용 함수를 최소화하도록 학습될 수 있다.
객체 식별 모델(1700)의 비용 함수는 각 이미지 데이터에 상응하는 객체 식별 정보에 대한 라벨과, 각 이미지 데이터로부터 추론된 객체 식별 정보 간의 차이의 제곱 평균으로 표현될 수 있다.
학습용 이미지 데이터에서 입력 특징 벡터가 추출되어, 입력되면, 객체의 식별 결과가 대상 특징 벡터로서 출력되고, 객체 식별 모델(1700)은 출력된 대상 특징 벡터와 라벨링된 객체 식별 정보의 차이에 상응하는 손실 함수를 최소화하도록 학습되는 것일 수 있다.
객체 식별 모델(1700)은 냉장고(10)의 러닝 프로세서(130) 또는 AI 서버(200)의 러닝 프로세서(240)에 의해 학습되어, 냉장고(10)에 탑재될 수 있다.
객체 식별 모델(1700)은 도 16에 도시된, 제1 경계 박스(1601)에 해당되는 제1 이미지 데이터로부터, 제1 객체 식별 정보를 결정할 수 있다. 예를 들어, 제1 객체 식별 정보는 가지일 수 있다.
객체 식별 모델(1700)은 제2 경계 박스(1603)에 해당되는 제2 이미지 데이터로부터, 제2 객체 식별 정보를 결정할 수 있다. 예를 들어, 제2 객체 식별 정보는 당근일 수 있다.
이와 같이, 객체 식별 모델(1700)을 통해, 이미지 데이터로부터, 객체가 어떤 식품인지가 식별될 수 있다.
다시, 도 9를 설명한다.
식품의 위치는 객체 감지 모델(1500)을 통해 감지된 객체 경계 박스의 위치를 통해 획득될 수 있다. 즉, 객체 경계 박스의 좌표가 식품의 위치가 될 수 있다.
프로세서(180)는 획득된 식품 수납 상태에 기반하여 , 식품 관리 정보를 디스플레이부(151)를 통해 표시한다(S913).
식품 관리 정보는 복수의 저장실들 각각에 구비된 식품의 명칭, 식품의 개수, 식품의 저장 기간, 식품의 재고 변경 정보, 식품의 재고에 따른 구매 연동 정보, 레시피 정보 중 하나 이상을 포함할 수 있다.
복수의 저장실들은 제1 저장실(510), 제2 저장실(530), 인너 도어(13) 및 아웃터 도어(14)를 포함할 수 있다.
즉, 인너 도어(13) 및 아웃터 도어(14) 각각에는 식품을 수납할 수 있는 수납 공간이 마련될 수 있다.
재고 변경 정보는 저장실에 구비된 식품의 재고가 변경되었음을 나타내는 정보일 수 있다.
구매 연동 정보는 식품의 재고 상태에 따라 특정 식품을 구매할 수 있는 사이트 정보를 나타낼 수 있다.
레시피 정보는 저장실 구비된 식품을 이용하여, 조리될 수 있는 요리의 레시피를 나타내는 정보일 수 있다.
프로세서(180)는 아웃터 도어(14)에 구비된 투명 디스플레이를 통해 식품 관리 정보를 출력할 수 있다.
이하에서는, 사용자가 식품을 제1 저장실(510) 또는 제2 저장실(530)에 수납하거나, 뺄 때 출력되는 식품 관리 정보에 대해 설명한다.
도 18은 냉장고의 아웃 도어가 닫힌 상태에서, 냉장고의 정면도이다.
즉, 도 19은 인너 도어(13) 및 아웃터 도어(14)가 모두 닫힌 상태를 나타낸다.
냉장고(10)의 아웃터 도어(14)의 전면에는 투명 디스플레이(14-1)가 구비될 수 있다. 사용자는 투명 디스플레이(14-1)를 통해 냉장실에 저장된 식품들을 볼 수 있다.
투명 디스플레이(14-1)는 냉장고(10)에 저장된 식품에 대한 정보를 표시할 수 있다.
투명 디스플레이(14-1)는 식품 수납 상태 또는 식품 관리 정보를 표시할 수 있다.
도 19a 내지 도 19h는 본 발명의 실시 예에 따라 냉장고의 저장실에 식품을 수납한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 수납된 식품과 관련된 레시피 정보를 제공하는 과정을 설명하는 도면이다.
도 19a를 참조하면, 사용자는 냉장고(10)에 구비된 제1 저장실(510)의 수납 공간(1010)에 가지를 1개 수납한다. 제1 저장실(510)은 야채를 수납할 수 있는 야채실임을 가정한다.
냉장고(10)는 제1 저장실(510)이 개방됨을 감지하고, 제1 저장실(510)의 최대 개방 시점 또는 이동 방향 전환에 따른 제1 저장실(510)의 닫힘 시점 중 어느 한 시점을 획득할 수 있다.
냉장고(10)는 획득된 시점에 카메라(121)에 캡쳐 명령을 전송하고, 카메라(121)가 캡쳐한 제1 저장실(510)에 대한 이미지를 획득할 수 있다.
냉장고(10)는 획득된 이미지에 기반하여, 제1 저장실(510)의 수납 공간(1010)에 수납된 식품들에 대한 식품 수납 상태를 획득할 수 있다.
냉장고(10)는 식품 수납 상태 또는 식품 수납 상태에 기반한 식품 관리 정보를 투명 디스플레이(14-1) 상에 표시할 수 있다.
도 19b를 참조하면, 가지가 제1 저장실(510)에 수납된 후, 식품 인식 과정을 통해, 가지가 인식될 수 있다.
냉장고(10)는 투명 디스플레이(14-1) 상에 제1 저장실(510)에 가지가 투입되었음을 나타내는 알림 메시지(1901)를 표시할 수 있다.
즉, 알림 메시지(1901)는 어떤 식품이 어느 저장실에 투입되었는지를 나타내는 메시지를 텍스트 형태로 표시할 수 있다.
냉장고(10)는 알림 메시지(1901)를 선택하는 입력이 수신된 경우, 도 19c에 도시된 바와 같이, 파노라마 뷰 화면(1910)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
파노라마 뷰 화면(1910)은 카메라(121)를 통해 복수의 저장실들 중 일부 저장실의 수납 상태를 촬영한 이미지들을 포함하는 화면일 수 있다.
파노라마 뷰 화면(1901)은 파노라마 영역(1911) 및 이미지 표시 영역(1912)을 포함할 수 있다.
파노라마 영역(1911)은 냉장실에 포함된 복수의 저장실들 각각을 구분하여, 간략히 나타낸 저장 식별 영역들을 포함할 수 있다.
이미지 표시 영역(1912)은 파노라마 영역(1911)에 포함된 저장 식별 영역들 중 사용자에 의해 선택된 영역들에 상응하는 이미지를 표시하는 영역일 수 있다.
예를 들어, 파노라마 영역(1911)에 포함된 야채칸 영역(1911a) 및 멀티 수납 영역(1911b)이 선택된 경우, 이미지 표시 영역(1912)은 야채칸 영역(1911a)에 대한 촬영 이미지(1913) 및 멀티 수납 영역(1911b)에 대한 촬영 이미지(1915)를 포함할 수 있다.
또 다른 예로, 냉장고(10)는 이미지 표시 영역(1912)에 식품이 새롭게 수납된 제1 저장실(510, 야채칸)에 상응하는 촬영 이미지(1913a)만을 표시할 수도 있다.
즉, 냉장고(10)는 복수의 저장실들 중 카메라(121)를 통해 촬영된 이미지에 기반하여, 식품이 투입된 저장실에 상응하는 이미지를 이미지 표시 영역(1912)에 표시할 수 있다.
파노라마 뷰 화면(1900)은 식품 관리 어플리케이션의 실행을 위한 식품 관리 앱 아이콘(1917)을 더 포함할 수 있다.
식품 관리 어플리케이션은 냉장고(10)에 설치되며, 냉장고(10) 내 수납된 식품의 관리를 위한 어플리케이션일 수 있다.
냉장고(10)는 식품 관리 앱 아이콘(1917)을 선택하는 입력을 수신한 경우, 도 19d에 도시된 바와 같이, 식품 관리 화면(1930)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
식품 관리 화면(1930)은 야채칸에 대한 제1 식품 관리 정보(1931) 및 인너 도어(13)에 대한 제2 식품 관리 정보(1933)를 포함할 수 있다.
제1 식품 관리 정보(1931)는 야채칸에 수납된 식품들의 명칭, 각 식품의 개수, 각 식품의 저장 기간, 각 식품의 구매 준비를 위한 장바구니 버튼(1935)을 포함할 수 있다.
제2 식품 관리 정보(1933)는 인너 도어(13)에 수납된 식품들의 명칭, 각 식품의 개수, 각 식품의 저장 기간, 각 식품의 구매 준비를 위한 장바구니 버튼(1935)을 포함할 수 있다.
사용자는 식품 관리 정보를 통해 각 저장실에 수납된 식품의 수납 상태를 손쉽게 파악하고, 원하는 식품의 구매를 빠르게 수행할 수 있다.
한편, 식품 관리 화면(1930)은 레시피 추천 버튼(1937) 및 장바구니 보기 버튼(1939)을 더 포함할 수 있다.
레시피 추천 버튼(1937)은 저장실에 수납된 식품을 이용한 요리의 레시피를 추천하기 위한 버튼일 수 있다.
장바구니 보기 버튼(1939)는 장바구니 버튼(1935)을 통해 선택된 식품에 대한 정보를 제공하기 위한 버튼일 수 있다.
냉장고(10)는 레시피 추천 버튼(1937)이 선택된 경우, 도 19e에 도시된 바와 같은, 식품 선택 화면(1950)을 표시할 수 있다.
냉장고(10)는 식품 선택 화면(1950)에 포함된 특정 식품 항목(1951)의 체크 박스(1553)를 선택하는 입력을 수신한 후, 레시피 검색 버튼(1955)을 선택하는 입력을 수신할 수 있다. 도 19e에서는 하나의 식품 항목이 선택된 것을 가정하나, 이에 한정될 필요는 없고, 복수의 식품 항목들이 선택될 수도 있다.
냉장고(10)는 레시피 검색 버튼(1955)을 선택하는 입력에 따라, 도 19f에 도시된 바와 같이, 레시피 검색 화면(1970)을 표시할 수 있다.
레시피 검색 화면(1970)은 선택된 특정 식품 항목(1951)에 상응하는 식품을 이용하여 요리할 수 있는 복수의 레시피들을 포함할 수 있다.
복수의 식품 항목들이 선택된 경우, 레시피 검색 화면(1970)은 선택된 복수의 식품 항목들을 조합한 요리의 레시피들을 포함할 수 있다.
냉장고(10)는 복수의 레시피들 중 어느 하나의 레시피(1971)를 선택하는 입력을 수신한 경우, 도 19g에 도시된 바와 같이, 선택된 레시피(1971)의 상세 정보를 포함하는 레시피 상세 정보 화면(1990)을 표시할 수 있다.
도 19h를 참조하며느, 레시피 상세 정보 화면(1990)은 선택된 레시피(1971)에 필요한 복수의 재료들을 포함하는 재료 항목 영역(1991) 및 조리 순서에 대한 정보를 포함하는 레시피 영역(1993)을 포함할 수 있다.
재료 항목 영역(1991)은 레시피(1971)에 필요한 복수의 재료들을 쇼핑 리스트에 담을 수 있는 장바구니 버튼(1992)을 포함할 수 있다.
레시피 영역(1993)은 조리 순서에 대한 정보를 음성으로 출력하기 위한 음성 아이콘(1994)을 포함할 수 있다.
냉장고(10)는 음성 아이콘(1994)을 선택하는 입력을 수신함에 따라 레시피 정보를 음성으로 출력할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 사용자는 냉장고(10) 내에 저장된 하나 이상의 식품을 선택하는 동작만으로, 선택된 하나 이상의 식품을 이용한 레시피 정보를 손쉽게 확인할 수 있다.
한편, 냉장고(10)는 네비게이션 바에 포함된 홈 버튼(1999)을 선택하는 입력에 따라 홈 화면을 투명 디스플레이(14-1) 상에 표시할 수 있다.
이하에서는, 냉장고(10) 내에 저장된 식품과 관련된 요리의 추천 레시피를 획득하는 과정을 설명한다.
도 20 및 도 21은 본 발명의 일 실시 예에 따라, 냉장고에 수납된 식품을 인식하고, 인식된 식품을 이용한 요리의 레시피 정보를 획득하는 예들을 설명하는 도면이다.
먼저, 도 20을 참조하면, 냉장고(10)는 데이터 베이스(2000)에 저장된 정보에 기반하여, 객체 식별 정보에 상응하는 레시피 정보를 추출할 수 있다.
데이터 베이스(2000)는 냉장고(10)에 구비되거나, 외부 서버에 구비될 수 있다.
데이터 베이스(2000)는 식품에 대한 복수의 레시피들, 식품들의 조합에 대한 복수의 레시피들을 저장하고 있을 수 있다.
냉장고(10)는 도 17의 객체 식별 모델(1700)로부터 출력된 객체 식별 정보를 통해 식품을 인식하고, 데이터 베이스(2000)로부터, 인식된 식품과 관련된 하나 이상의 레시피를 획득할 수 있다.
또 다른 예로, AI 서버(200)는 데이터 베이스(2000)에 저장된 정보에 기반하여, 객체 식별 정보에 상응하는 레시피 정보를 추출할 수 있다. 이 경우, AI 서버(200)는 추출된 레시피 정보를 냉장고(10)에 전송할 수 있다.
다음으로, 도 21을 설명한다.
도 21은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 기반의 레시피 추천 모델(2100)이 도시되어 있다.
레시피 추천 모델(2100)은 객체 식별 모델(1700)로부터 출력된 객체 식별 정보를 이용하여, 레시피 정보를 추천하는 모델일 수 있다.
레시피 추천 모델(2100)은 냉장고(10)의 러닝 프로세서(130) 또는, AI 서버(200)의 러닝 프로세서(240)에 의해 학습되어, 냉장고(10)에 탑재될 수 있다.
레시피 추천 모델(2100)은 지도 학습을 통해 학습된 모델일 수 있다.
레시피 추천 모델(2100)은 객체 식별 정보로부터 식품과 관련된 레시피를 추천하는 모델일 수 있다.
레시피 추천 모델(2100)은 학습용 객체 식별 정보 및 학습용 객체 식별 정보에 레이블된 레이블링 데이터를 포함하는 트레이닝 데이터 세트를 입력 데이터로 하여, 레시피 정보를 출력하는 모델일 수 있다.
레이블링 데이터는 정답 데이터로, 레시피 정보일 수 있다.
레시피 추천 모델(2100)은 레이블링 데이터와 레시피 정보 간의 차이에 상응하는 비용 함수를 최소화하도록 학습될 수 있다.
레시피 추천 모델(2100)의 비용 함수는 객체 식별 정보에 대한 라벨과, 추론된 레시피 정보 간의 차이의 제곱 평균으로 표현될 수 있다.
학습용 객체 식별 정보에서 입력 특징 벡터가 추출되어, 입력되면, 레시피 추천 결과가 대상 특징 벡터로서 출력되고, 레시피 추천 모델(2100)은 출력된 대상 특징 벡터와 라벨링된 레시피 정보의 차이에 상응하는 손실 함수를 최소화하도록 학습되는 것일 수 있다.
도 22a 내지 도 22f는 본 발명의 실시 예에 따라 냉장고의 저장실로부터 식품을 인출한 경우, 투명 디스플레이 상에 식품 관리 정보를 표시하고, 인출된 식품을 주문하기 위한 정보를 제공하는 과정을 설명하는 도면이다.
도 22a를 참조하면, 사용자는 냉장고(10)에 구비된 제1 저장실(510)의 수납 공간(1010)으로부터, 가지를 1개 인출한다.
냉장고(10)는 제1 저장실(510)이 개방됨을 감지하고, 제1 저장실(510)의 최대 개방 시점 또는 이동 방향 전환에 따른 제1 저장실(510)의 닫힘 시점 중 어느 한 시점을 획득할 수 있다.
냉장고(10)는 획득된 시점에 카메라(121)에 캡쳐 명령을 전송하고, 카메라(121)가 캡쳐한 제1 저장실(510)에 대한 이미지를 획득할 수 있다.
냉장고(10)는 획득된 이미지에 기반하여, 제1 저장실(510)의 수납 공간(1010)에 수납된 식품들에 대한 식품 수납 상태를 획득할 수 있다.
냉장고(10)는 식품 수납 상태 또는 식품 수납 상태에 기반한 식품 관리 정보를 투명 디스플레이(14-1) 상에 표시할 수 있다.
도 22b를 참조하면, 가지가 제1 저장실(510)로부터 인출된 후, 식품 인식 과정을 통해, 가지가 인식될 수 있다.
냉장고(10)는 투명 디스플레이(14-1) 상에 제1 저장실(510)로부터 가지가 인출되었음을 나타내는 알림 메시지(2201)를 표시할 수 있다.
즉, 알림 메시지(2201)는 어떤 식품이 어느 저장실로부터 인출되었는지를 나타내는 메시지를 텍스트 형태로 표시할 수 있다.
냉장고(10)는 알림 메시지(2201)를 선택하는 입력이 수신된 경우, 도 22c에 도시된 바와 같이, 파노라마 뷰 화면(1910)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
파노라마 뷰 화면(1910)은 도 19c에서 설명된 내용으로 대체한다.
냉장고(10)는 이미지 표시 영역(1912)에 식품이 새롭게 인출된 제1 저장실(510, 야채칸)에 상응하는 촬영 이미지(1913b)를 표시할 수 있다.
즉, 냉장고(10)는 복수의 저장실들 중 카메라(121)를 통해 촬영된 이미지에 기반하여, 식품이 인출된 저장실에 상응하는 이미지를 이미지 표시 영역(1912)에 표시할 수 있다.
냉장고(10)는 식품 관리 앱 아이콘(1917)을 선택하는 입력을 수신한 경우, 도 22d에 도시된 바와 같이, 식품 관리 화면(1930)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
냉장고(10)는 제1 저장실(510)로부터 인출된 가지가, 냉장고(10)에 저장되지 않은 경우, 가지의 재고가 없음을 나타내는 메시지 및 가지를 쇼핑 리스트에 추가하기 위한 팝업 창(2230)을 식품 관리 화면(1930) 상에 표시할 수 있다.
팝업 창(2230)은 가지의 재고가 없음을 나타내는 메시지, 가지의 가격, 가지를 쇼핑 리스트에 추가하기 위한 추가 버튼(2231)을 포함할 수 있다.
냉장고(10)는 추가 버튼(2231)을 선택하는 입력을 수신한 경우, 도 22e에 도시된 바와 같이, 쇼핑 리스트 화면(2250)을 투명 디스플레이(14-1) 상에 표시할 수 있다.
쇼핑 리스트 화면(2250)은 사용자에 의해 선택된 구매 예정인 식품들에 대한 정보를 포함할 수 있다.
쇼핑 리스트 화면(2250)에 의해, 복수의 식품들이 선택된 후, 주문 버튼(2251)이 선택된 경우, 냉장고(10)는 도 22f에 도시된 바와 같이, 식품 관리 화면(1930) 상에, 주문이 완료되었음을 나타내는 주문 완료 팝업 창(2270)을 표시할 수 있다.
주문 완료 팝업창(2270)은 주문 번호, 주문한 식품들이 배송되기까지 소요되는 시간을 포함할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 냉장고(10)의 투명 디스플레이(14-1)를 통해, 자동 쇼핑 연계 기능을 제공하여, 사용자가 식품을 직접 사러가거나, 쇼핑몰 어플리케이션에 직접 접속해야 하는 번거로움이 사라질 수 있다.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims (15)

  1. 인공 지능 냉장고에 있어서,
    디스플레이;
    식품의 인출 또는 투입이 가능한 저장실을 구비하는 캐비닛;
    상기 캐비닛의 내부에 구비되며, 상기 저장실을 촬영하는 카메라;
    상기 저장실의 개폐 여부를 감지하는 저장실 개폐 센서; 및
    상기 저장실 개폐 센서를 통해 상기 저장실의 개방이 감지된 경우, 상기 카메라의 촬영을 온 시키고, 상기 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점이 감지된 경우, 상기 카메라에 캡쳐 명령을 전송하고, 상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하고, 획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 상기 디스플레이에 표시하는 프로세서를 포함하는
    인공 지능 냉장고.
  2. 제1항에 있어서,
    상기 프로세서는
    상기 저장실의 이동 방향이 개방 방향에서, 닫힘 방향으로 전환된 시점을 상기 닫힘 시점으로 획득하는
    인공 지능 냉장고.
  3. 제2항에 있어서,
    상기 프로세서는
    제1 촬영 시점의 제1 영상에 포함된 포인트의 벡터 방향과 제2 촬영 시점의 제2 영상에 포함된 포인트의 벡터 방향이 서로 다른 경우, 상기 저장실의 이동 방향이 전환된 것으로 판단하고,
    상기 벡터 방향이 전환된 시점을 상기 닫힘 시점으로 획득하는
    인공 지능 냉장고.
  4. 제1항에 있어서,
    상기 프로세서는
    상기 카메라의 복수의 촬영 시점들 각각에 상응하는 복수의 영상들을 획득하고,
    획득된 복수의 영상들 중 상기 저장실의 면적이 최대인 영상을 추출하고, 추출된 영상의 촬영 시점을 상기 저장실의 최대 개방 시점으로 획득하는
    인공 지능 냉장고.
  5. 제4항에 있어서,
    상기 프로세서는
    상기 복수의 영상들 각각에서 상기 저장실의 경계 영역을 인식하고,
    인식된 경계 영역의 하측 영역을 삭제하고, 나머지 영역을 획득하며,
    획득된 복수의 나머지 영역들 각각의 면적을 비교하여, 가장 큰 면적을 갖는 나머지 영역에 상응하는 영상을 상기 저장실의 면적이 최대인 영상으로 추출하는
    인공 지능 냉장고.
  6. 제1항에 있어서,
    상기 저장실 개폐 센서는
    제1 리드 스위치 및 제2 리드 스위치를 포함하고,
    상기 프로세서는
    상기 저장실의 일측에 부착된 자석의 이동에 따른 상기 제1 리드 스위치의 끝단 및 상기 제2 리드 스위치의 끝단 간의 접촉여부를 감지하고, 감지 결과에 따라 상기 저장실의 개방을 감지하는
    인공 지능 냉장고.
  7. 제1항에 있어서,
    메모리를 더 포함하고,
    상기 프로세서는
    상기 메모리에 저장된 객체 감지 모델을 이용하여, 상기 이미지로부터, 식품을 포함하는 객체 경계 박스를 획득하고,
    상기 메모리에 저장된 객체 식별 모델을 이용하여, 상기 객체 경계 박스로부터, 상기 식품을 식별하고,
    상기 객체 감지 모델 및 상기 객체 식별 모델 각각은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 학습된 인공 신경망 기반의 모델인
    인공 지능 냉장고.
  8. 제7항에 있어서,
    상기 프로세서는
    상기 식별된 식품에 기반하여, 상기 식품의 투입 또는 인출을 나타내는 상기 수납 상태를 획득하고,
    상기 수납 상태를 알리는 알림을 상기 디스플레이 상에 표시하는
    인공 지능 냉장고.
  9. 제8항에 있어서,
    상기 프로세서는
    상기 수납 상태에 기반하여, 상기 식품의 재고 변경 정보, 상기 식품의 구매 연동 정보 및 상기 식품을 이용한 요리의 레시피 정보 중 하나 이상을 포함하는 상기 식품 관리 정보를 상기 디스플레이 상에 표시하는
    인공 지능 냉장고.
  10. 제1항에 있어서,
    AI 서버와 통신하는 통신 인터페이스를 더 포함하고,
    상기 프로세서는
    상기 촬영된 이미지를 상기 통신 인터페이스를 통해 상기 AI 서버에 전송하고,
    상기 AI 서버로부터, 상기 수납 상태 및 상기 식품 관리 정보를 수신하는
    인공 지능 냉장고.
  11. 제1항에 있어서,
    상기 캐비닛에 회전 가능하도록 장착된 아웃터 도어를 더 포함하고,
    상기 프로세서는
    상기 아웃터 도어가 닫힌 후, 상기 식품 관리 정보를 상기 디스플레이 상에 표시하는
    인공 지능 냉장고.
  12. 제11항에 있어서,
    상기 디스플레이는 상기 냉장고의 내부를 비추는 투명 디스플레이인
    인공 지능 냉장고.
  13. 제1항에 있어서,
    상기 카메라는
    하방을 촬영하도록, 상기 캐비닛의 천장에 배치된
    인공 지능 냉장고.
  14. 인공 지능 냉장고의 동작 방법에 있어서,
    저장실 개폐 센서를 통해 상기 인공 지능 냉장고에 구비된 저장실의 개방을 감지을 감지하는 단계;
    상기 저장실의 개방을 감지함에 따라 카메라의 촬영을 온 시키는 단계;
    상기 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지하는 단계;
    상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지함에 따라, 상기 카메라에 캡쳐 명령을 전송하는 단계;
    상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하는 단계; 및
    획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 디스플레이에 표시하는 단계를 포함하는
    인공 지능 냉장고의 동작 방법.
  15. 인공 지능 냉장고의 동작 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
    상기 동작 방법은
    저장실 개폐 센서를 통해 상기 인공 지능 냉장고에 구비된 저장실의 개방을 감지을 감지하는 단계,
    상기 저장실의 개방을 감지함에 따라 카메라의 촬영을 온 시키는 단계,
    상기 카메라의 촬영에 따라 획득된 영상의 처리를 통해 상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지하는 단계,
    상기 저장실의 최대 개방 시점 또는 상기 저장실의 닫힘이 개시되는 닫힘 시점을 감지함에 따라, 상기 카메라에 캡쳐 명령을 전송하는 단계,
    상기 캡쳐 명령에 따라 캡쳐된 이미지에 기반하여, 상기 저장실의 식품 수납 상태를 획득하는 단계 및
    획득된 식품 수납 상태에 기반하여, 식품 관리 정보를 디스플레이에 표시하는 단계를 포함하는
    기록 매체.
PCT/KR2020/000215 2020-01-03 2020-01-06 인공 지능 냉장고 및 그의 동작 방법 WO2021137345A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP20910296.1A EP4086549A4 (en) 2020-01-03 2020-01-06 ARTIFICIAL INTELLIGENCE REFRIGERATOR AND ITS OPERATING METHOD
US17/790,606 US20230043011A1 (en) 2020-01-03 2020-01-06 Artificial intelligence refrigerator and operating method therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200000913A KR102273192B1 (ko) 2020-01-03 2020-01-03 인공 지능 냉장고 및 그의 동작 방법
KR10-2020-0000913 2020-01-03

Publications (1)

Publication Number Publication Date
WO2021137345A1 true WO2021137345A1 (ko) 2021-07-08

Family

ID=76686624

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/000215 WO2021137345A1 (ko) 2020-01-03 2020-01-06 인공 지능 냉장고 및 그의 동작 방법

Country Status (4)

Country Link
US (1) US20230043011A1 (ko)
EP (1) EP4086549A4 (ko)
KR (1) KR102273192B1 (ko)
WO (1) WO2021137345A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023193752A1 (zh) * 2022-04-07 2023-10-12 青岛海尔电冰箱有限公司 冰箱内物品信息识别方法和冰箱
WO2024080607A1 (ko) * 2022-10-12 2024-04-18 삼성전자주식회사 냉장고 및 냉장고의 제어방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019204534A1 (de) * 2019-04-01 2020-10-01 BSH Hausgeräte GmbH Haushaltsgerät mit in einer Tür angeordneter Kamera
CN115704622A (zh) * 2021-08-05 2023-02-17 海信集团控股股份有限公司 一种智能冰箱和食材存取动作识别方法
US20230097905A1 (en) * 2021-09-24 2023-03-30 Haier Us Appliance Solutions, Inc. Inventory management system in a refrigerator appliance

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140059978A (ko) 2012-11-09 2014-05-19 재단법인대구경북과학기술원 지능형 냉장고 및 지능형 냉장고를 제어하는 방법
KR20140125105A (ko) * 2013-04-18 2014-10-28 엘지전자 주식회사 냉장고 및 그 동작 방법
KR20180100636A (ko) * 2016-07-21 2018-09-11 미쓰비시덴키 가부시키가이샤 냉장고 시스템
KR20190096880A (ko) * 2019-01-21 2019-08-20 엘지전자 주식회사 인공 지능 냉장고
JP2019168134A (ja) * 2018-03-22 2019-10-03 三菱電機株式会社 冷蔵庫システム
KR20190137271A (ko) * 2018-06-01 2019-12-11 엘지전자 주식회사 냉장고 및 제어 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105352261B (zh) * 2013-04-23 2018-03-02 Lg电子株式会社 冰箱及其控制方法
KR20180013448A (ko) * 2016-07-29 2018-02-07 엘지전자 주식회사 냉장고
KR102234691B1 (ko) * 2019-08-09 2021-04-02 엘지전자 주식회사 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140059978A (ko) 2012-11-09 2014-05-19 재단법인대구경북과학기술원 지능형 냉장고 및 지능형 냉장고를 제어하는 방법
KR20140125105A (ko) * 2013-04-18 2014-10-28 엘지전자 주식회사 냉장고 및 그 동작 방법
KR20180100636A (ko) * 2016-07-21 2018-09-11 미쓰비시덴키 가부시키가이샤 냉장고 시스템
JP2019168134A (ja) * 2018-03-22 2019-10-03 三菱電機株式会社 冷蔵庫システム
KR20190137271A (ko) * 2018-06-01 2019-12-11 엘지전자 주식회사 냉장고 및 제어 방법
KR20190096880A (ko) * 2019-01-21 2019-08-20 엘지전자 주식회사 인공 지능 냉장고

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4086549A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023193752A1 (zh) * 2022-04-07 2023-10-12 青岛海尔电冰箱有限公司 冰箱内物品信息识别方法和冰箱
WO2024080607A1 (ko) * 2022-10-12 2024-04-18 삼성전자주식회사 냉장고 및 냉장고의 제어방법

Also Published As

Publication number Publication date
EP4086549A4 (en) 2024-01-10
KR102273192B1 (ko) 2021-07-05
US20230043011A1 (en) 2023-02-09
EP4086549A1 (en) 2022-11-09

Similar Documents

Publication Publication Date Title
WO2021137345A1 (ko) 인공 지능 냉장고 및 그의 동작 방법
WO2021125453A1 (ko) 인공 지능 냉장고
WO2020213750A1 (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
WO2020246844A1 (en) Device control method, conflict processing method, corresponding apparatus and electronic device
WO2018088794A2 (ko) 디바이스가 이미지를 보정하는 방법 및 그 디바이스
WO2020091210A1 (en) System and method of integrating databases based on knowledge graph
WO2016108660A1 (en) Method and device for controlling home device
WO2018084576A1 (en) Electronic device and controlling method thereof
WO2019135621A1 (ko) 영상 재생 장치 및 그의 제어 방법
WO2019168383A1 (en) Electronic device
WO2016017945A1 (en) Mobile device and method of pairing the same with electronic device
WO2017069324A1 (ko) 이동단말기 및 그 제어방법
WO2019168380A1 (en) Electronic device
WO2018117685A1 (en) System and method of providing to-do list of user
WO2021006366A1 (ko) 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법
WO2020096235A2 (ko) 식품 관리 시스템, 서버 장치 및 냉장고
WO2016111556A1 (en) Method of wirelessly connecting devices, and device thereof
WO2019225961A1 (en) Electronic device for outputting response to speech input by using application and operation method thereof
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
WO2020085641A1 (en) Display apparatus and operating method of the same
EP3552163A1 (en) System and method of providing to-do list of user
WO2018128317A1 (ko) 냉장고 및 이의 정보 표시 방법
WO2021006404A1 (ko) 인공지능 서버
WO2017018602A1 (ko) 이동단말기 및 그 제어방법
WO2021006405A1 (ko) 인공지능 서버

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: 20910296

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020910296

Country of ref document: EP

Effective date: 20220803