KR20200052440A

KR20200052440A - 전자 장치 및 전자 장치의 제어 방법

Info

Publication number: KR20200052440A
Application number: KR1020180130209A
Authority: KR
Inventors: 김지만; 박찬종; 반동하
Original assignee: 삼성전자주식회사
Priority date: 2018-10-29
Filing date: 2018-10-29
Publication date: 2020-05-15
Also published as: WO2020091253A1; US20210397890A1; US12001952B2

Abstract

전자 장치 및 전자 장치의 제어 방법이 개시된다. 구체적으로, 본 개시는 획득된 이미지를 학습된 인공 지능 모델에 입력하고, 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되며, 인공지능 모델에 포함되는 복수의 분류기 각각으로부터 이미지에 대한 정보를 획득하며, 획득된 이미지에 대한 정보를 바탕으로 인공지능 모델을 학습시키고, 학습된 이공지능 모델을 이용하여 이미지 인식을 수행하는 전자 장치 및 전자 장치의 제어 방법에 관한 것이다.

Description

전자 장치 및 전자 장치의 제어 방법{ELECTRONIC DEVICE AND CONTROLLING METHOD FOR ELECTRONIC DEVICE}

본 개시는 전자 장치 및 전자 장치의 제어 방법에 관한 것으로서, 구체적으로는 이미지 인식을 수행할 수 있는 전자 장치 및 그 제어 방법에 관한 것이다.

근래에는 인공지능 기반의 이미지 인식 기술이 획기적으로 발전하면서 다양한 산업 분야에 적용되고 있다. 특히, 인공 지능 기반의 이미지 인식 기술의 경우 이미지 검색 서비스는 물론, 영상 보안관제 시스템 내지는 자율주행 자동차 분야 등 다양한 산업 분야에 적용되고 있다.

그런데, 지속적인 발전에도 불구하고, 현재까지의 이미지 인식 기술은 그 정확도에 있어서 한계가 지적되고 있다. 특히, 근래에는 인공지능 모델의 구조를 개선하기 위한 노력, 그리고 복수의 인공지능 모델의 전체 경로(pipeline)를 joint training함으로써 이미지 인식의 정확도를 향상시키기 위한 노력 등이 이루어지고 있으나, 여전히 더 높은 정확도의 기술 수준이 요구되고 있는 실정이다.

또한, 현재까지의 이미지 인식 기술의 경우, 다양한 기술분야의 현장 데이터 특성을 효율적으로 반영하지 못하여, 다양한 업계의 폭 넓은 니즈(needs)를 충족시키지 못하고 있다.

따라서, 보다 높은 정확도를 가지면서도 다양한 기술분야의 현장 데이터 특성을 효율적으로 반영할 수 있는 이미지 인식 기술의 필요성이 대두되고 있다.

본 개시는 상술한 바와 같은 필요성에 따라 안출된 것으로서, 본 개시의 목적은 보다 높은 정확도를 가지면서도 다양한 기술분야의 현장 데이터 특성을 효율적으로 반영할 수 있는 이미지 인식을 수행할 수 있는 전자 장치 및 전자 장치의 제어 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 적어도 하나의 명령을 포함하는 메모리 및 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함한다.

그리고, 상기 프로세서는 이미지를 획득하고, 상기 획득된 이미지를 학습된 인공 지능 모델에 입력하여 상기 이미지에 대한 정보를 획득하며, 상기 인공지능 모델은 상기 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되는 복수의 분류기(classifier)를 포함하고, 상기 복수의 분류기 각각으로부터 상기 이미지에 대한 정보를 획득한다.

여기서, 상기 복수의 계층은 상기 복수의 계층 별로 상기 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함하고, 상기 이미지에 대한 정보는 상기 복수의 계층 각각에 포함된 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리에 대한 정보를 포함할 수 있다.

한편, 상기 프로세서는 상기 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 상기 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득하고, 상기 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시킬 수 있다.

한편, 상기 프로세서는 상기 이미지를 상기 인공지능 모델에 입력하여 상기 이미지의 특징 값을 획득하고, 상기 획득된 이미지의 특징 값을 상기 복수의 분류기에 입력하여 상기 복수의 분류기 각각으로부터 상기 이미지에 대한 정보를 획득할 수 있다.

한편, 상기 복수의 계층은 제1 계층 및 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하고, 상기 프로세서는 상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

여기서, 상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보는 상기 이미지에 포함된 오브젝트가 상기 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함하며, 상기 프로세서는 상기 확률에 대한 정보를 바탕으로 상기 이미지에 포함된 오브젝트가 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득하여, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

한편, 상기 제1 계층은 상기 이미지에 포함된 제품의 불량 여부를 식별하기 위한 복수의 카테고리를 포함하고, 상기 제2 계층은 상기 제품의 불량 유형에 대한 카테고리 및 상기 제품의 정상 유형에 대한 카테고리를 포함하는 복수의 하위 카테고리를 포함하며, 상기 프로세서는 상기 제품의 외관 이미지를 획득하고, 상기 획득된 외관 이미지를 상기 인공 지능 모델에 입력하여 상기 제2 계층에 대응되는 이미지에 대한 정보를 획득하며, 상기 제2 계층에 대응되는 이미지에 대한 정보를 바탕으로 상기 1 계층에 대응되는 이미지에 대한 정보를 획득하여, 상기 제품의 불량 여부를 식별할 수 있다.

한편, 상기 인공지능 모델은 CNN(Convolutional Neural Network) 및 RNN (Recurrent Neural Network) 중 적어도 하나의 인공 신경망을 포함할 수 있다.

한편, 상기 프로세서는 상기 획득된 이미지를 그레이 스케일 이미지로 변환하고, 상기 변환된 그레이 스케일 이미지를 상기 인공지능 모델에 입력할 수 있다.

한편, 본 개시의 목적을 달성하기 위한 전자 장치의 제어 방법은 이미지를 획득하는 단계, 상기 획득된 이미지를 학습된 인공 지능 모델에 입력하는 단계 및 상기 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되며, 상기 인공지능 모델에 포함되는 복수의 분류기(classifier) 각각으로부터 상기 이미지에 대한 정보를 획득하는 단계를 포함한다.

한편, 전자 장치의 제어 방법은 인공지능 모델을 학습시키는 단계를 더 포함하고, 상기 이미지에 대한 정보를 획득하는 단계는 상기 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 상기 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득하며, 상기 인공지능 모델을 학습시키는 단계는 상기 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시키는 것일 수 있다.

한편, 전자 장치의 제어 방법은 상기 이미지를 상기 인공지능 모델에 입력하여 상기 이미지의 특징 값을 획득하는 단계를 더 포함하고, 상기 이미지에 대한 정보를 획득하는 단계는 상기 획득된 이미지의 특징 값을 상기 복수의 분류기에 입력하여 상기 복수의 분류기 각각으로부터 상기 이미지에 대한 정보를 획득하는 것일 수 있다.

한편, 전자 장치의 제어 방법은 카테고리를 식별하는 단계를 더 포함하고, 상기 복수의 계층은 제1 계층 및 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하며, 상기 카테고리를 식별하는 단계는 상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 것일 수 있다.

여기서, 상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보는 상기 이미지에 포함된 오브젝트가 상기 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함하며, 상기 카테고리를 식별하는 단계는 상기 확률에 대한 정보를 바탕으로 상기 이미지에 포함된 오브젝트가 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득하여, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 것일 수 있다.

한편, 상기 제1 계층은 상기 이미지에 포함된 제품의 불량 여부를 식별하기 위한 복수의 카테고리를 포함하고, 상기 제2 계층은 상기 제품의 불량 유형에 대한 카테고리 및 상기 제품의 정상 유형에 대한 카테고리를 포함하는 복수의 하위 카테고리를 포함하며, 상기 이미지를 획득하는 단계는 상기 제품의 외관 이미지를 획득하고, 상기 이미지에 대한 정보를 획득하는 단계는 상기 획득된 제품의 외관 이미지를 상기 인공 지능 모델에 입력하여 상기 제2 계층에 대응되는 이미지에 대한 정보를 획득하며, 상기 카테고리를 식별하는 단계는 상기 제2 계층에 대응되는 이미지에 대한 정보를 바탕으로 상기 1 계층에 대응되는 이미지에 대한 정보를 획득하여, 상기 제품의 불량 여부를 식별하는 것일 수 있다.

한편, 상기 이미지를 학습된 인공 지능 모델에 입력하는 단계는 상기 획득된 이미지를 그레이 스케일 이미지로 변환하고, 상기 변환된 그레이 스케일 이미지를 상기 인공지능 모델에 입력하는 것일 수 있다.

한편, 본 개시의 목적을 달성하기 위한 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독가능 기록매체에 있어서, 상기 전자 장치의 제어 방법은 이미지를 획득하는 단계, 상기 획득된 이미지를 학습된 인공 지능 모델에 입력하는 단계 및 상기 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되며, 상기 인공지능 모델에 포함되는 복수의 분류기(classifier) 각각으로부터 상기 이미지에 대한 정보를 획득하는 단계를 포함한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치가 인공지능 모델을 이용하여 이미지에 대한 정보를 획득하는 과정을 간략하게 나타내기 위한 도면,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도,
도 3은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 상세하게 나타내는 도면,
도 4는 본 개시의 일 실시 예에 따른 복수의 계층 및 복수의 카테고리를 설명하기 위한 도면,
도 5는 본 개시의 일 실시 예에 따른 인공지능 모델의 학습 과정을 설명하기 위한 도면,
도 6은 일 실시 예에 따른 인공지능 모델을 이용하여 이미지 인식을 수행하는 과정을 설명하기 위한 도면,
도 7 내지 도 9는 각각 본 개시의 제품 불량 여부 식별에 관한 실시 예에 따른 복수의 계층 및 복수의 카테고리, 인공지능 모델의 학습 과정 및 인공지능 모델의 이용 과정에 대하여 설명하기 위한 도면,
도 10은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 도면,
도 11 내지 도 13은 본 개시의 일 실시 에 따른 프로세서의 구성을 나타내는 블록도,
도 14는 본 개시의 일 실시 에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 ‘모듈’ 혹은 ‘부’는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 ‘모듈’ 혹은 복수의 ‘부’는 특정한 하드웨어로 구현될 필요가 있는 ‘모듈’ 혹은 ‘부’를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치가 인공지능 모델을 이용하여 이미지에 대한 정보를 획득하는 과정을 간략하게 나타내기 위한 도면이다.

도 1에 도시된 바와 같이, 본 개시에 따른 전자 장치는 이미지를 획득하고, 획득된 이미지를 학습된 인공지능 모델(10)에 입력하여 이미지에 대한 정보를 획득한다. 그리고, 본 개시의 일 실시 예에 따른 인공지능 모델(10)은 복수의 분류기(classifier)를 포함한다.

인공지능 모델(10)은 기계학습, 신경망, 유전자, 딥러닝 및 분류 알고리즘과 같은 인공지능 알고리즘 중 적어도 하나를 이용하여 학습된 인공지능 모델(10)일 수 있다. 특히, 본 개시에 따른 인공지능 모델(10)은 CNN(Convolutional Neural Network)과 같은 인공 신경망을 포함할 수 있으며, 다만 이에 한정되는 것은 아니다. 본 개시에 따른 인공지능 모델(10)의 구체적인 내용에 대해서는 후술한다.

분류기는 입력된 이미지를 복수의 카테고리 중 어느 하나의 카테고리로 분류하고 그 분류 결과에 대응되는 정보를 출력하는 역할을 하며, CNN과 같은 인공 신경망을 기반으로 구현될 수 있다.

한편, 본 개시에 따른 인공지능 모델(10)은 복수의 분류기를 포함하는바, 복수의 분류기는 복수의 계층 각각에 대응된다. 구체적으로, 도 1에 도시된 바와 같이, 인공지능 모델(10)은 제1 계층에 대응되는 제1 분류기, 제2 계층에 대응되는 제2 분류기, … , 그리고 제n 계층에 대응되는 제n 분류기를 포함할 수 있다.

그리고, 복수의 계층은 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분된다. 또한, 복수의 계층은 복수의 계층 별로 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함한다. 여기서, 복수의 계층 및 복수의 카테고리는 다양한 기술분야의 현장 데이터 특성을 반영하여 구성될 수 있다.

구체적으로, 복수의 계층은 제1 계층, 그리고 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함할 수 있다. 또한, 복수의 계층은 제2 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제3 계층을 더 포함할 수 있다.

한편, 상술한 바와 같은 복수의 계층 및 복수의 카테고리는 공지된 데이터 세트를 바탕으로 기 구성되어 전자 장치에 저장될 수 있으며, 다만 복수의 계층 또는 복수의 카테고리는 사용자의 명령에 의하여 구성될 수도 있다.

인공지능 모델(10)에 입력되는 이미지는 구체적으로 디지털 이미지 데이터를 의미하며, 또한 연산 과정의 속도와 효율성을 위한 전처리 과정을 거친 디지털 이미지 데이터일 수도 있다.

그리고, 인공지능 모델(10)로부터 출력되는 이미지에 대한 정보는 복수의 계층 각각에 포함된 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리에 대한 정보를 포함할 수 있다. 구체적으로, 이미지에 대한 정보는 이미지에 포함된 오브젝트가 복수의 계층 각각에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함할 수 있다.

한편, 전자 장치는 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되는 복수의 분류기 각각으로부터, 이미지에 대한 정보를 획득한다. 따라서, 전자 장치는 복수의 계층 각각에 따른 상이한 구별 기준 하에서 다양한 정보를 획득할 수 있다.

즉, 본 개시에 따른 전자 장치는 하나의 계층 하에서 수평적으로 정의된 복수의 카테고리를 기준으로 이미지에 대한 정보를 획득하는 것이 아니라, 이미지에 포함된 오브젝트의 상하위 개념에 따라 수직적으로 구분되는 복수의 계층 각각에서, 수평적으로 정의된 복수의 카테고리를 기준으로 이미지에 대한 정보를 획득할 수 있다.

한편, 전자 장치는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 인공지능 모델(10)을 학습시킬 수 있다.

예를 들어, 전자 장치는 제1 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보, 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보 및 제3 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 종합적으로 이용하여 인공지능 모델(10)을 학습시킬 수 있다.

구체적으로, 전자 장치는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 복수의 계층 각각에 대응되는 복수의 손실 함수(loss function) 값을 획득할 수 있다. 또한, 전자 장치는 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 총 손실 함수 값이 최소가 되도록 인공지능 모델(10)을 학습시킬 수 있다.

여기서, 손실 함수란 인공지능 모델에서 학습을 통해 최적의 가중치 매개변수를 결정하기 위한 지표의 일종으로서, 다시 말해 인공지능 모델의 학습은 손실 함수의 결과 값(오차)를 작게 만들기 위해서 가중치 매개변수를 조정해 나가는 과정이라고 할 수 있다.

일반적으로, 손실 함수로는 평균 제곱 오차(Mean Squared Error, MSE) 또는 교차 엔트로피 오차(Cross Entropy Error, CEE)가 일반적으로 사용되지만, 본 개시가 일정한 손실 함수의 종류에 국한되는 것은 아닐뿐더러, 본 개시의 목적을 달성할 수 있는 범위 내에서라면, 본 개시는 인공지능 학습에 관한 구체적인 방법에 대해서도 제한되지 않는다.

상술한 바와 같이, 본 개시에 따른 전자 장치는 인공지능 모델(10)의 학습에 있어서, 상하위 개념에 따라 상호 유기적으로 관련되면서도 복수의 계층 각각에 따른 상이한 구별 기준 하에서 획득된 다양한 특징의 정보를 이용할 수 있다. 즉, 본 개시에 따르면, 복수의 계층에 따른 다양한 레벨의 특징을 바탕으로 인공지능 모델(10)을 학습시킬 수 있다. 이에 따라, 하나의 계층 하에서 획득된 정보를 바탕으로 인공지능 모델(10)을 학습시키는 경우에 비하여 학습 효과가 향상될 수 있다.

또한, 다양한 기술분야의 현장 데이터 특성이 반영된 복수의 계층 및 복수의 카테고리에 대응되는 이미지에 대한 정보를 획득함으로써, 다양한 기술분야에서 요구되는 이미지 인식의 특성을 충족시킬 수 있게 된다.

한편, 전자 장치는 상술한 바와 같이 학습된 인공지능 모델(10)을 이용하여 이미지 인식을 수행할 수 있다. 즉, 전자 장치는 이미지를 인공지능 모델(10)에 입력하여 이미지에 대한 정보를 획득하고, 획득된 이미지에 대한 정보를 바탕으로 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다. 본 개시에 따른 이미지 인식은 이미지의 분류로 직결되지만, 이하에서는 편의상 이미지 인식 및 이미지 분류를 통칭하여, 이미지 인식으로 지칭한다.

한편, 전술한 바와 같이, 인공지능 모델(10)의 훈련에 있어서는 훈련 데이터의 양과 다양성이 높을수록 높은 훈련 효과를 기재할 수 있기 때문에, 복수의 계층 각각에 대응되는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 모두 이용하는 것이 효율적일 수 있다.

그러나, 인공지능 모델(10)의 이용에 있어서는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보 중 정확한 이미지 인식에 기여할 수 있는 일부의 정보만을 이용하는 것이, 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보 모두를 이용하는 것보다 효율적일 수 있다.

특히, 인공지능 모델(10)을 이용한 이미지 인식에 있어서는, 복수의 계층 중 가장 세부적인 분류기준에 따른 복수의 카테고리를 포함하는 계층인 최하위 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보만을 이용하여, 그보다 상위 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 것이 효율적일 수 있다.

구체적으로, 본 개시의 일 실시 예에 따르면, 복수의 계층이 제1 계층 및 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하는 경우, 전자 장치는 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 제1 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

상술한 바와 같이, 본 개시에 따른 전자 장치는 학습된 인공지능 모델(10)을 이용함으로써, 전자 장치의 이미지 인식의 정확도를 향상시킬 수 있다.

도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도이며, 도 3은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 상세하게 나타내는 도면이다.

도 2에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다. 그리고, 도 3에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치(100)는 통신부(130), 이미지 센서(140), 출력부(150) 및 사용자 인터페이스부(160)를 더 포함할 수 있다. 그러나, 이와 같은 구성은 예시적인 것으로서, 본 개시를 실시함에 있어 이와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음을 물론이다.

메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 명령이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.

구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다.

특히, 본 개시의 다양한 실시 예에 있어서, 인공 지능 모델은 소프트웨어로 구현되어 메모리(110)에 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 소프트웨어를 실행하여, 본 개시에 따른 이미지 인식 과정 등을 수행할 수 있다.

또한, 메모리(110)에는 본 개시에 따른 복수의 계층 및 복수의 카테고리를 구성하는데 이용되는 데이터 세트가 저장될 수 있다.

통신부(130)는 외부 장치(미도시) 또는 서버(미도시)와의 통신을 수행한다. 그리고, 통신부(130)는 WiFi 칩, Bluetooth 칩, 무선 통신 칩, 및 NFC 칩 중 적어도 하나를 포함할 수 있다.

특히, 본 개시에 관한 다양한 실시 예에 있어서, 통신부(130)는 외부 장치(미도시) 또는 서버(미도시)와 통신 연결을 수행하여, 외부 장치(미도시) 또는 서버(미도시)로부터 이미지 데이터를 수신할 수 있다. 그리고, 프로세서(120)는 통신부(130)를 통하여 이미지를 획득할 수 있다.

또한, 본 개시에 따른 전자 장치(100)가 서버(미도시)와 연동하여 데이터를 학습하고 인식하는 경우, 통신부(130)는 그 전제로서 서버(미도시)와의 통신 연결을 수행할 수도 있다.

이미지 센서(140)는 렌즈를 통해 들어오는 빛을 전기적인 영상 신호로 변환할 수 있다. 그리고, 프로세서(120)는 이미지 센서(140)를 통하여 피사체에 대한 이미지를 획득할 수 있다.

출력부(150)는 전자 장치(100)가 수행할 수 있는 다양한 기능을 출력할 수 있다. 그리고, 출력부(150)는 디스플레이 및 스피커 중 적어도 하나를 포함할 수 있다.

사용자 인터페이스부(160)는 전자 장치(100)의 전반적인 동작을 제어하기 위한 사용자 인터렉션을 수신할 수 있다. 구체적으로, 사용자 인터페이스부(160)는 카메라, 마이크 및 리모컨 신호 수신부 중 적어도 하나를 포함할 수 있다. 한편, 사용자 인터페이스부(160)는 터치 스크린으로서 디스플레이에 포함된 형태로 구현될 수도 있다.

프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 프로세서(120)는 상술한 바와 같은 메모리(110)를 포함하는 전자 장치(100)의 구성과 연결되어 전자 장치(100)의 동작을 전반적으로 제어한다.

프로세서(120)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(120)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서 (Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다.

또한, 프로세서(120)는 ROM, RAM, GPU(Graphic Processing Unit), CPU 및 버스를 포함할 수 있으며, ROM, RAM, GPU(Graphic Processing Unit), CPU 등은 버스를 통해 서로 연결될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 이미지의 획득, 이미지에 대한 정보의 획득, 인공지능 모델의 학습, 인공지능 모델을 이용한 이미지 인식 과정에 이르는 전반적인 동작을 제어한다.

구체적으로, 프로세서(120)는 통신부(130) 또는 이미지 센서(140)를 통하여 이미지를 획득하고, 획득된 이미지를 학습된 인공지능 모델에 입력하여 이미지에 대한 정보를 획득한다.

여기서, 인공지능 모델에 입력되는 이미지는 구체적으로 디지털 이미지 데이터를 의미하며, 연산 과정의 속도와 효율성을 위한 전처리 과정을 거친 디지털 이미지 데이터일 수도 있다.

그리고, 인공지능 모델로부터 출력되는 이미지에 대한 정보는 복수의 계층 각각에 포함된 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리에 대한 정보를 포함할 수 있다. 구체적으로, 이미지에 대한 정보는 이미지에 포함된 오브젝트가 복수의 계층 각각에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함할 수 있다.

한편, 프로세서(120)는 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되는 복수의 분류기 각각으로부터, 이미지에 대한 정보를 획득한다. 따라서, 프로세서(120)는 복수의 계층 각각에 따른 상이한 구별 기준 하에서 다양한 정보를 획득할 수 있다.

한편, 프로세서(120)는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 인공지능 모델을 학습시킬 수 있으며, 학습된 인공지능 모델을 이용하여 이미지 인식을 수행할 수 있다.

구체적으로, 프로세서(120)는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득할 수 있다. 그리고, 프로세서(120)는 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시킬 수 있다.

즉, 인공지능 모델의 학습에 있어서, 프로세서(120)는 상하위 개념에 따라 상호 유기적으로 관련되면서도, 복수의 계층 각각에 따른 상이한 구별 기준 하에서 획득된 다양한 특징의 정보를 이용할 수 있다. 이에 따라, 하나의 계층 하에서 획득된 정보를 바탕으로 인공지능 모델을 학습시키는 경우에 비하여 학습 효과가 향상될 수 있다.

한편, 프로세서(120)는 이미지를 인공지능 모델에 입력하여 이미지에 대한 정보를 획득하고, 획득된 이미지에 대한 정보를 바탕으로 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

구체적으로, 본 개시의 일 실시 예에 따르면, 복수의 계층이 제1 계층 및 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하는 경우, 프로세서(120)는 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 제1 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

즉, 인공지능 모델의 이용에 있어서, 프로세서(120)는 복수의 계층 중 가장 세부적인 분류기준에 따른 복수의 카테고리를 포함하는 계층인 최하위 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보만을 이용하여, 그보다 상위 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별함으로써, 보다 효율적이면서도 정확도 높은 이미지 인식을 수행할 수 있다.

이하에서는 본 개시의 일 실시 예에 따른 인공지능 모델의 구조, 인공지능 모델의 학습 과정 및 인공지능 모델을 이용한 이미지 인식 과정에 대하여 보다 구체적으로 설명한다.

도 4는 본 개시의 일 실시 예에 따른 복수의 계층 및 복수의 카테고리를 설명하기 위한 도면이다.

전술한 바와 같이, 본 개시에 따른 인공지능 모델은 복수의 분류기를 포함하며, 복수의 분류기는 복수의 계층 각각에 대응된다. 여기서, 복수의 계층은 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분된다. 그리고, 복수의 계층은 복수의 계층 별로 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함한다.

구체적으로, 도 4에 도시된 바와 같이, 복수의 계층은 제1 계층 및 제1 계층에 대한 하위 계층인 제2 계층을 포함할 수 있다. 나아가, 복수의 계층은 제n-1 계층에 대한 하위 계층인 제n 계층을 포함할 수 있다.

그리고, 제1 계층의 경우 이미지에 포함된 오브젝트를 분류하기 위한 카테고리인 카테고리 1-1 및 카테고리 1-2를 포함할 수 있으며, 제2 계층의 경우 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리인 카테고리 2-1, 카테고리 2-2 및 카테고리 2-3을 포함할 수 있다. 나아가, 제n 계층은 카테고리 n-1 내지 카테고리 n-m을 포함할 수 있다. 여기서, 계층의 개수에 특별한 제한이 있는 것은 아니며, 복수의 계층 각각에 포함되는 카테고리의 개수에도 특별한 제한이 있는 것은 아니다. 즉, n과 m은 임의의 자연수를 의미한다.

예를 들어, 복수의 계층 중 제1 계층은 ‘악기’이라는 카테고리와 ‘동물’라는 카테고리를 포함할 수 있다. 그리고, 제2 계층은 제1 계층의 ‘악기’이라는 카테고리의 하위 카테고리인 ‘기타’ ‘베이스’ 및 ‘드럼’ 등의 카테고리와, 제1 계층의 ‘동물’라는 카테고리의 하위 카테고리인 ‘포유류’, ‘파충류’ 및 ‘조류’ 등의 카테고리를 포함할 수 있다. 나아가, 제3 계층은 제2 계층의 ‘기타’라는 카테고리의 하위 카테고리인 ‘일렉트릭 기타’ 및 ‘어쿠스틱 기타’ 등의 카테고리와, 제2 계층의 ‘포유류’라는 카테고리의 하위 카테고리인 ‘고양이’, ‘여우’ 및 ‘늑대’라는 카테고리를 포함할 수 있다.

한편, 상술한 바와 같은 복수의 계층 및 복수의 카테고리는 다양한 기술분야의 현장 데이터 특성을 반영하여 구성될 수 있다. 그리고, 복수의 계층 및 복수의 카테고리는 공지된 데이터 세트를 바탕으로 기 구성되어 전자 장치에 저장될 수 있으며, 다만 복수의 계층 또는 복수의 카테고리는 사용자의 명령에 의하여 구성될 수도 있다.

도 5는 본 개시의 일 실시 예에 따른 인공지능 모델의 학습 과정을 설명하기 위한 도면이다.

상술한 바와 같이, 본 개시에 따른 인공지능 모델은 복수의 분류기(classifier)를 포함한다.

인공지능 모델은 기계학습, 신경망, 유전자, 딥러닝 및 분류 알고리즘과 같은 인공지능 알고리즘 중 적어도 하나를 이용하여 학습된 인공지능 모델일 수 있다.

특히, 인공지능 모델은 인공 신경망(artificial neural network)을 기반으로 하는 모델로서, 인간의 신경망의 뉴런(neuron)을 모의하도록, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다.

그리고, 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록, 각각 연결 관계를 형성할 수 있다. 또한, 복수의 네트워크 노드들은 서로 다른 깊이(또는 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다.

본 개시에 따른 인공지능 모델에 포함되는 인공 신경망의 예에는 CNN(Convolutional Neural Network) 및 RNN(Recurrent Neural Network) 등이 있을 수 있으나, 본 개시의 목적을 달성할 수 있는 범위 내에서라면 그 종류에 제한이 있는 것은 아니다.

특히, CNN은 합성곱(convolution) 연산을 사용하는 인공 신경망의 한 종류로서, 이미지 분류를 위한 인공지능 모델에 일반적으로 사용된다. 특히, 본 개시에 따른 인공지능 모델의 경우에도 CNN의 convolutional layer를 통해 이미지의 특징 값을 획득하고, 획득된 이미지 특징의 특징 값을 분류기에 입력할 수 있다.

분류기는 입력된 이미지를 복수의 카테고리 중 어느 하나의 카테고리로 분류하고 그 분류 결과에 대응되는 정보를 출력하는 역할을 하며, 상술한 바와 같은 인공 신경망을 기반으로 구현될 수 있다.

한편, 도 5에 도시된 바와 같이, 본 개시에 따른 전자 장치는 획득된 이미지를 학습된 인공지능 모델에 입력한다.

인공지능 모델에 입력되는 이미지는 구체적으로 디지털화된 이미지 데이터(50)를 의미한다. 그리고, 이미지 데이터(50)는 연산 과정의 속도와 효율성을 위한 전처리 과정을 수행할 수 있다.

구체적으로, 인공지능 모델의 학습 효과를 높이기 위한 일반적인 방법 중 하나로서, 데이터 증폭(data augmentation) 과정을 수행하고, 증폭된 데이터(51)를 인공지능 모델에 입력할 수 있다. 데이터 증폭은 획득된 이미지 데이터(50)의 레이블을 변경하지 않고 픽셀을 변화시킴으로써, 변형된 이미지 데이터를 획득하는 방법이다. 물론, 데이터 증폭의 정도와 유형은 구체적인 실시 예와 학습 데이터의 양에 따라서 달라질 수 있다.

또한, 인공지능 모델의 학습 속도를 높이기 위한 일반적인 방법 중 하나로서, 획득된 컬러 이미지를 그레이 스케일(gray scale) 이미지로 변환하는 과정을 수행할 수 있다. 그레이 스케일 이미지를 획득하는 과정에는 컬러의 휘도를 이용하는 방법이 주요 사용되어 왔으나, 본 개시에 따른 그레이스케일 영상의 획득 과정이 특정한 방법에 국한되는 것은 아니다.

전자 장치는 획득된 이미지 또는 상술한 바와 같은 전처리 과정을 거친 이미지를 인공 지능 모델에 입력하여 이미지에 대한 정보를 획득한다. 구체적으로, 전자 장치는 이미지를 학습된 인공 지능 모델에 입력하여, 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되는 복수의 분류기 각각으로부터 이미지에 대한 정보를 획득한다.

보다 구체적으로, 전자 장치는 이미지를 인공지능 모델에 입력하여 이미지의 특징 값을 획득하고, 획득된 이미지의 특징 값을 복수의 분류기에 입력하여, 복수의 분류기 각각으로부터 이미지에 대한 정보를 획득할 수 있다.

한편, 복수의 분류기는 복수의 계층 각각에 대응된다. 또한, 복수의 계층은 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분된다. 그리고, 복수의 계층은 복수의 계층 별로 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함한다.

도 5를 참조하면, 본 개시에 따른 복수의 분류기 중 제1 분류기는 카테고리 1-1 및 카테고리 1-2를 포함하고, 제2 분류기는 카테고리 2-1, 카테고리 2-2 및 카테고리 2-3을 포함하며, 제n 분류기는 카테고리 n-1 내지 카테고리 n-6을 포함할 수 있다.

한편, 본 개시에 따른 전자 장치는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 인공지능 모델을 학습시킬 수 있다.

즉, 전자 장치는 제1 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보, 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보 및 제n 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 종합적으로 이용하여 인공지능 모델을 학습시킬 수 있다.

다시 말해, 전자 장치는 인공지능 모델의 학습에 있어서, 상하위 개념에 따라 상호 유기적으로 관련되면서도, 복수의 계층 각각에 따른 상이한 구별 기준 하에서 획득된 다양한 특징의 정보를 이용할 수 있다. 이에 따라, 하나의 계층 하에서 획득된 정보를 바탕으로 인공지능 모델을 학습시키는 경우에 비하여 학습 효과가 향상될 수 있다.

구체적으로, 전자 장치는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득할 수 있다. 그리고, 전자 장치는 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시킬 수 있다.

예를 들어, 도 5에 도시된 바와 같이, 전자 장치는 제1 분류기로부터 제1 계층에 대응되는 제1 손실 함수 값을 획득할 수 있으며, 제2 분류기로부터 제2 계층에 대응되는 제2 손실 함수 값을 획득할 수 있다. 나아가. 전자 장치는 제n 분류기로부터 제n 계층에 대응되는 제n 손실 함수 값을 획득할 수 있다.

그리고, 전자 장치는 제1 손실 함수 값 내지 제n 손실 함수 값을 합산한 총 손실 함수 값을 바탕으로 인공지능 모델을 학습시킬 수 있다. 구체적으로, 전자 장치는 총 손실 함수 값을 역전파하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시킬 수 있다.

상술한 바와 같은 본 개시의 일 실시 예에 따르면, 이미지를 입력 값으로 하고, 복수의 분류기 각각의 손실 함수 값을 합산한 총 손실 함수 값을 출력 값으로 하여, end-to-end로 인공지능 모델을 학습시킬 수 있다. 이에 따라, 하나의 인공지능 모델에서 다중의 인공지능 모델을 이용하는 것과 같은 학습 효과를 얻을 수 있게 된다.

도 6은 일 실시 예에 따른 인공지능 모델을 이용하여 이미지 인식을 수행하는 과정을 설명하기 위한 도면이다.

도 6에 도시된 바와 같이, 본 개시에 따른 전자 장치는 이미지를 인공지능 모델에 입력하여 이미지 인식을 수행할 수 있다. 즉, 전자 장치는 이미지를 인공지능 모델에 입력하여 이미지에 대한 정보를 획득하고, 획득된 이미지에 대한 정보를 바탕으로 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

그런데, 인공지능 모델의 훈련에 있어서는 훈련 데이터의 양과 다양성이 높을수록 높은 훈련 효과를 기재할 수 있기 때문에, 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되는 복수의 분류기 각각으로부터, 획득된 이미지에 대한 정보를 모두 이용하는 것이 효율적일 수 있다.

그러나, 인공지능 모델의 이용에 있어서는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보 중 보다 정확한 이미지 인식에 기여할 수 있는 일부의 정보만을 이용하는 것이 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보 모두를 이용하는 것보다 효율적일 수 있다. 여기서, 정확한 이미지 인식에 기여할 수 있는 일부의 정보는 본 개시가 적용될 수 있는 다양한 기술분야의 현장 데이터 특성 등에 따라 달라질 수 있다.

특히, 인공지능 모델을 이용한 이미지 인식에 있어서는, 복수의 계층 중 가장 세부적인 분류기준에 따른 복수의 카테고리를 포함하는 계층인 최하위 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보만을 이용하여, 그보다 상위 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 것이 효율적일 수 있다.

구체적으로, 도 6에 도시된 바와 같이, 복수의 계층이 제1 계층, 제1 계층에 대한 하위 계층인 제2 계층을 포함하고, 나아가 제n-1 계층에 대한 하위 계층인 제n 계층을 포함하는 경우, 제n 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 제n 계층에 대한 상위 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

또한, 복수의 계층이 제1 계층 및 제1 계층에 대한 하위 계층인 제2 계층을 포함하는 경우, 전자 장치는 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 제1 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

구체적으로, 복수의 계층이 제1 계층 및 제1 계층에 대한 하위 계층인 제2 계층을 포함하는 경우, 전자 장치는 제2 계층에 대응되는 분류기로부터 이미지에 대한 정보를 획득할 수 있으며, 여기서 이미지에 대한 정보는 이미지에 포함된 오브젝트가 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함할 수 있다.

그리고, 전자 장치는 제2 계층에 대응되는 분류기로부터 획득된 확률에 대한 정보를 바탕으로 이미지에 포함된 오브젝트가 제1 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득하여, 제1 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

이상에서는 본 개시에 따른 인공지능 모델을 학습시키고, 학습된 인공지능 모델을 이용하여 이미지 인식을 수행하는 전자 장치에 관한 실시 예에 대하여 설명하였다.

이하에서는 보다 구체적인 실시 예로서, 본 개시에 따른 전자 장치를 제품의 불량 여부 식별에 이용하는 경우에 관한 실시 예에 대하여 설명한다. 다만, 도 1 내지 도 6에서 상술한 내용에 대한 중복 설명은 생략한다.

도 7 내지 도 9는 각각 본 개시의 제품 불량 여부 식별에 관한 실시 예에 따른 복수의 계층 및 복수의 카테고리, 인공지능 모델의 학습 과정 및 인공지능 모델의 이용 과정에 대하여 설명하기 위한 도면이다.

도 7에 도시된 바와 같이, 본 개시의 제품 불량 여부 식별에 관한 실시 예에 따른 복수의 계층은 제1 계층 및 제1 계층에 대한 하위 계층인 제2 계층을 포함할 수 있다. 그리고, 제1 계층은 제품의 불량 여부를 식별하기 위한 카테고리로서, ‘정상(OK)’ 및 ‘불량(NG)’ 카테고리를 포함할 수 있다.

또한, 제2 계층은 제품의 불량 유형에 대한 카테고리로서, 제1 계층에 포함되는 ‘정상(OK)’ 카테고리에 대한 하위 카테고리인 ‘비정상 입력(unusual)’, ‘결함 없음(nothing)’, ‘한도성 불량(limit)’ 및 ‘얼룩(bui)’ 카테고리를 포함할 수 있고, 제1 계층에 포함되는 ‘불량(NG)’ 카테고리에 대한 하위 카테고리인 ‘스크래치(ban)’, ‘재검사 필요(rework)’ 및 ‘결합(defect)’ 카테고리를 포함할 수 있다.

한편, 상술한 바와 같은 복수의 계층 및 복수의 카테고리는 다양한 기술분야의 현장 데이터 특성을 반영하여 다양하게 구성될 수 있다.

즉, 대상 제품의 종류 및 불량 검사에 대한 구체적인 기준에 따라, 복수의 계층 및 카테고리는 위와 상이하게 구성될 수 있음은 물론이다. 특히, ‘비정상 입력(unusual)’에 관한 필터를 별도로 구비하여 정상 입력에 대해서만 불량 검사를 수행할 수도 있으나, 그 성능과 효율성을 고려하여 상술한 바와 같이, 정상 유형의 카테고리 중 하나로 구성할 수도 있다.

한편, 본 개시에 따른 전자 장치는 제품의 외관 이미지를 획득할 수 있다. 그리고, 전자 장치는 획득된 제품의 외관 이미지를 인공지능 모델에 입력하여 복수의 계층 각각에 대응되는 복수의 분류기 각각으로부터 제품의 외관 이미지에 대한 정보를 획득할 수 있다.

그리고, 전자 장치는 제1 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보 및 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 종합적으로 이용하여 인공지능 모델을 학습시킬 수 있다. 이 경우 하나의 계층에서 획득된 정보만을 바탕으로 인공지능 모델을 학습시키는 경우에 비하여 학습 효과가 향상될 수 있다는 점은 전술한 바 있다.

구체적으로, 제2 계층에 포함되는 카테고리인 ‘비정상 입력(unusual)’, ‘결함 없음(nothing)’, ‘한도성 불량(limit)’, ‘얼룩(bui)’, ‘스크래치(ban)’, ‘재검사 필요(rework)’ 및 ‘결합(defect)’이라는 카테고리의 분류 기준에 따른 정보만을 이용하는 경우에 비하여, 제1 계층에 포함되는 카테고리인 ‘정상(OK)’ 및 ‘불량(NG)’라는 카테고리의 분류 기준에 따른 정보를 함께 이용하는 경우에 인공지능 모델의 학습 효과가 향상될 수 있다.

구체적으로, 도 8에 도시된 바와 같이, 전자 장치는 제1 분류기로부터 제1 계층에 대응되는 제1 손실 함수 값을 획득할 수 있으며, 또한 제2 분류기로부터 제2 계층에 대응되는 제2 손실 함수 값을 획득할 수 있다.

그리고, 전자 장치는 제1 손실 함수 값 및 제2 손실 함수 값을 합산한 총 손실 함수 값을 바탕으로 인공지능 모델을 학습시킬 수 있다. 구체적으로, 전자 장치는 총 손실 함수 값을 역전파하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시킬 수 있다.

한편, 전자 장치는 학습된 인공지능 모델을 이용하여, 제품의 불량 여부를 식별할 수 있다. 구체적으로, 전자 장치는 획득된 제품의 외관 이미지를 인공지능 모델에 입력하여 제품의 외관 이미지에 대한 정보를 획득하고, 획득된 제품의 외관 이미지에 대한 정보를 바탕으로 제품의 불량 여부, 제품의 불량 유형 및 제품의 정상 유형 등을 식별할 수 있다.

상술한 바와 같이, 인공지능 모델을 이용한 이미지 인식에 있어서는, 복수의 계층 중 가장 세부적인 분류기준에 따른 복수의 카테고리를 포함하는 계층인 최하위 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보만을 이용하여, 그보다 상위 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 것이 효율적일 수 있다.

그리고, 제품의 불량 여부 식별에 관한 실시 예에 있어서도 복수의 계층 중 최하위 계층에 대응되는 분류기로부터 획득된 불량 유형 및 정상 유형에 대한 정보를 바탕으로, 제품의 불량 여부를 식별하는 것이 효율적일 수 있다.

구체적으로, 도 9를 참조하면, 전자 장치는 제2 계층에 대응되는 분류기로부터 이미지에 대한 정보를 획득할 수 있으며, 여기서 이미지에 대한 정보는 제품의 외관 이미지에 포함된 오브젝트가 제2 계층에 포함되는 복수의 카테고리인 ‘비정상 입력(unusual)’, ‘결함 없음(nothing)’, ‘한도성 불량(limit)’, ‘얼룩(bui)’, ‘스크래치(ban)’, ‘재검사 필요(rework)’ 및 ‘결합(defect)’ 각각에 대응될 확률에 대한 정보를 포함할 수 있다.

그리고, 전자 장치는 제2 계층에 대응되는 분류기로부터 획득된 확률에 대한 정보를 바탕으로 제품의 외관 이미지에 포함된 오브젝트가 제1 계층에 포함되는 복수의 카테고리인 ‘정상(OK)’ 및 ‘불량(NG)’ 각각에 대응될 확률에 대한 정보를 획득하여, 제품의 불량 여부를 식별할 수 있다.

구체적으로, 전자 장치는 제2 계층에 대응되는 분류기로부터, 제품의 외관이미지에 포함된 오브젝트가 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률 값을 획득할 수 있다. 그리고, 전자 장치는 획득된 각각의 확률 값을 ‘정상(OK)’ 및 ‘불량(NG)’ 카테고리 별로 합산하여, 제품의 외관 이미지에 포함된 오브젝트가 ‘정상(OK)’ 및 ‘불량(NG)’ 각각에 대응될 확률 값을 획득하여, 제품의 불량 여부를 식별할 수 있다.

상술한 바와 같은 본 개시의 일 실시 예에 따르면, 정확한 이미지 인식을 수행할 수 있는 인공지능 모델을 이용하여 제품의 불량여부를 식별함으로써, 보다 신뢰성 있는 불량 검사 결과를 획득할 수 있다.

이에 따라, 최근에 불량 검사를 위하여 도입된 기술의 경우 기본적인 DNN(Deep Neural Network)의 구조를 사용하기 때문에, 현장 데이터 특성이 충분히 반영되지 않아 성능 개선에 한계가 있다는 문제점을 해소할 수 있게 된다.

도 10은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 도면이다.

도 10에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법에 따르면, 전자 장치는 이미지를 획득한다(S1010). 인공지능 모델에 입력되는 이미지는 구체적으로 디지털 이미지 데이터를 의미한다.

이미지가 획득되면, 전자 장치는 획득된 이미지를 학습된 인공지능 모델에 입력한다(S1020). 인공지능 모델은 복수의 분류기(classifier)를 포함하는바, 복수의 분류기는 복수의 계층 각각에 대응된다. 그리고, 복수의 계층은 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분된다. 또한, 복수의 계층은 복수의 계층 별로 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함한다.

획득된 이미지가 인공지능 모델에 입력되면, 전자 장치는 인공지능 모델에 포함되는 복수의 분류기 각각으로부터 이미지에 대한 정보를 획득한다(S1030). 구체적으로, 인공지능 모델로부터 출력되는 이미지에 대한 정보는 복수의 계층 각각에 포함된 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리에 대한 정보를 포함할 수 있다.

한편, 본 개시에 따른 전자 장치의 제어 방법은 획득된 이미지에 대한 정보를 바탕으로 인공지능 모델을 학습시키는 단계를 더 포함할 수 있다.

구체적으로, 전자 장치는 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득할 수 있다. 그리고, 전자 장치는 획득된 복수의 손실 함수 값을 합산하여 총 손실 함수 값을 획득할 수 있으며, 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시킬 수 있다.

한편, 본 개시에 따른 전자 장치의 제어 방법은 획득된 이미지에 대한 정보를 바탕으로 인공지능 모델을 이용하여, 복수의 계층 중 적어도 하나의 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 단계를 더 포함할 수 있다.

구체적으로, 복수의 계층이 제1 계층 및 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하는 경우, 전자 장치는 이미지에 포함된 오브젝트가 상기 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득할 수 있다.

그리고, 전자 장치는 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 바탕으로 이미지에 포함된 오브젝트가 제1 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득하여, 제1 계층에 포함되는 복수의 카테고리 중 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별할 수 있다.

한편, 상술한 실시 예에 따른 전자 장치의 제어 방법은 프로그램으로 구현되어 전자 장치에 제공될 수 있다. 특히, 전자 장치의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.

구체적으로, 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치의 제어 방법은 이미지를 획득하는 단계, 획득된 이미지를 학습된 인공 지능 모델에 입력하는 단계 및 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되며, 인공지능 모델에 포함되는 복수의 분류기(classifier) 각각으로부터 이미지에 대한 정보를 획득하는 단계를 포함한다.

한편, 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

도 11 내지 도 13은 본 개시의 일 실시 에 따른 프로세서의 구성을 나타내는 블록도이다.

도 11을 참조하면, 일부 실시 예에 따른 프로세서(1100)는 데이터 학습부(1110) 및 데이터 인식부(1120)를 포함할 수 있다.

데이터 학습부(1110)는 본 개시에 따른 이미지 인식을 위한 기준을 학습할 수 있다. 데이터 학습부(1110)는 이미지 인식을 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지 인식을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1110)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 인공지능 모델에 적용함으로써, 이미지 인식 위한 기준을 학습할 수 있다.

데이터 인식부(1120)는 이미지 인식에 관한 결과를 출력할 수 있다. 데이터 인식부(1120)는 학습된 인공지능 모델을 이용하여, 소정의 데이터로부터 이미지 인식에 관한 결과를 출력할 수 있다.

구체적으로, 데이터 인식부(1120)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 인공지능 모델을 이용함으로써, 이미지 인식에 관한 결과를 출력할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은 인공지능 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

이 경우, 데이터 학습부(1110) 및 데이터 인식부(1120)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1110) 및 데이터 인식부(1120) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 서버에 포함될 수 있다.

또한, 데이터 학습부(1110) 및 데이터 인식부(1120)는 유선 또는 무선으로 통하여, 데이터 학습부(1110)가 구축한 모델 정보를 데이터 인식부(1120)로 제공할 수도 있고, 데이터 인식부(1120)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1110)로 제공될 수도 있다.

한편, 데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1110) 및 데이터 인식부(1120) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다.

또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 12는 본 개시의 일부 실시 예에 따른 데이터 학습부의 블록도이다.

도 12를 참조하면, 본 개시의 일부 실시 예에 따른 데이터 학습부(1110)는 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5)를 포함할 수 있다.

데이터 획득부(1110-1)는 이미지 인식을 위한 데이터를 획득할 수 있다. 또한, 데이터 획득부(1110-1)는 이미지 인식을 위한 학습에 필요한 데이터를 획득할 수 있다.

전처리부(1110-2)는 이미지 인식을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1110-2)는 후술할 모델 학습부(1110-4)가 이미지 인식의 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

학습 데이터 선택부(1110-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1110-4)에 제공될 수 있다. 학습 데이터 선택부(1110-3)는 이미지 인식을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1110-3)는 후술할 모델 학습부(1110-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(1110-4)는 학습 데이터에 기초하여 이미지 인식을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1110-4)는 이미지 인식을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(1110-4)는 이미지 인식에 이용되는 인공지능 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 인공지능 모델은 미리 구축된 모델일 수 있다. 예를 들어, 인공지능 모델은 기본 학습 데이터을 입력 받아 미리 구축된 모델일 수 있다.

인공지능 모델은 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 인공지능 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 학습 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시 예에 따르면, 모델 학습부(1110-4)는 미리 구축된 제1 학습 모델, 제2 학습 모델, 및 제3 학습 모델이 각각 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 학습 모델을 선택할 수 있다.

이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 학습 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1110-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있으나, 이에 제한되지 않는다.

또한, 모델 학습부(1110-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(1110-4)는, 예를 들어, 별다른 지도없이 필요한 데이터의 종류를 스스로 학습하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(1110-4)는, 예를 들어, 학습에 따른 출력 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다.

또한, 인공지능 모델이 학습되면, 모델 학습부(1110-4)는 학습된 인공지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(1110-4)는 학습된 인공지능 모델을 데이터 인식부(1120)를 포함하는 전자 장치(110)의 메모리에 저장할 수 있다.

또는, 모델 학습부(1110-4)는 학습된 인공지능 모델을 후술할 데이터 인식부(1120)를 포함하는 전자 장치(100)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1110-4)는 학습된 인공지능 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 인공지능 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(1110-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1110-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

한편, 데이터 학습부(1110) 내의 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다.

예를 들어, 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1110-1), 전처리부(1110-2), 학습 데이터 선택부(1110-3), 모델 학습부(1110-4) 및 모델 평가부(1110-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다.

또한, 이 경우 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 13은 일부 실시 예에 따른 데이터 인식부의 블록도이다.

도 13을 참조하면, 일부 실시 예에 따른 데이터 인식부(1120)는 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5)를 포함할 수 있다.

데이터 획득부(1120-1)는 이미지 인식 위한 데이터를 획득할 수 있으며, 전처리부(1120-2)는 이미지 인식을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1120-2)는 인식 결과 제공부(1120-4)가 이미지 인식을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

인식 데이터 선택부(1120-3)는 전처리된 데이터 중에서 이미지 인식에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1120-4)에게 제공될 수 있다. 인식 데이터 선택부(1120-3)는 이미지 인식을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1120-3)는 후술할 모델 학습부(1110-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1120-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 이미지 인식을 수행할 수 있다. 인식 결과 제공부(1120-4)는 인식 데이터 선택부(1120-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 인공지능 모델에 적용할 수 있다.

모델 갱신부(1120-5)는 인식 결과 제공부(1120-4)에 의해 제공되는 출력 값에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1120-5)는 인식 결과 제공부(1120-4)에 의해 제공되는 출력 결과를 모델 학습부(1110-4)에게 제공함으로써, 모델 학습부(1110-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1120) 내의 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다.

예를 들어, 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1120-1), 전처리부(1120-2), 인식 데이터 선택부(1120-3), 인식 결과 제공부(1120-4) 및 모델 갱신부(1120-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다.

도 14는 본 개시의 일 실시 에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 14를 참조하면, 서버(2000)는 이미지 인식을 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(1400)에 의한 학습 결과에 기초하여 이미지 인식을 수행할 수 있다.

이 경우, 서버(1400)의 모델 학습부(1410)는 도 12에 도시된 데이터 학습부(1110)의 기능을 수행할 수 있다.

서버(1400)의 모델 학습부(1410)는 이미지 인식을 수행하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지 인식을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 모델 학습부(1410)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 인공지능 모델에 적용함으로써, 이미지 인식을 위한 기준을 학습할 수 있다.

이 경우, 모델 학습부(1410)가 이용하는 데이터 중에서, 전자 장치(100)의 사용자의 프라이버시에 관련된 데이터는, 소정 기준에 따라 전자 장치(100)에 의해 추상화된 데이터일 수 있다.

또한, 전자 장치(100)의 인식 결과 제공부(1120-4)는 인식 데이터 선택부(1120-3)에 의해 선택된 데이터를 서버(1400)에 의해 생성된 인공지능 모델에 적용하여 이미지 인식을 수행할 수 있다. 예를 들어, 인식 결과 제공부(1120-4)는 인식 데이터 선택부(1120-3)에 의해 선택된 데이터를 서버(1400)에게 전송하고, 서버(1400)가 인식 데이터 선택부(1120-3)에 의해 선택된 데이터를 인공지능 모델에 적용하여 이미지 인식을 수행할 것을 요청할 수 있다.

이 경우, 인식 결과 제공부(1120-4) 및 인식 데이터 선택부(1120-3)가 이용하는 데이터 중에서, 전자 장치(100)의 사용자의 프라이버시에 관련된 데이터는, 소정 기준에 따라 전자 장치(100)에 의해 추상화된 데이터일 수 있다. 또한, 인식 결과 제공부(1120-4)는 서버(1400)에 의해 수행된 결과 값을 서버(1400)로부터 수신할 수 있다.

또는, 전자 장치(100)의 인식 결과 제공부(1120-4)는 서버(1400)에 의해 생성된 인공지능 모델을 서버(1400)로부터 수신하고, 수신된 인공지능 모델을 이용하여 이미지 인식을 수행할 수 있다. 이 경우, 전자 장치(100)의 인식 결과 제공부(1120-4)는 인식 데이터 선택부(1120-3)에 의해 선택된 데이터를 서버(1400)로부터 수신된 인공지능 모델에 적용하여 이미지 인식을 수행할 수 있다.

이상에서 상술한 바와 같은 본 개시의 다양한 실시 예에 따르면, 인공지능 모델의 학습에 있어서, 상하위 개념에 따라 상호 유기적으로 관련되면서도 복수의 계층 각각에 따른 상이한 구별 기준 하에서 획득된 다양한 특징의 정보를 이용할 수 있다. 즉, 본 개시에 따르면, 복수의 계층에 따른 다양한 레벨의 특징을 바탕으로 인공지능 모델(10)을 학습시킬 수 있다. 이에 따라, 하나의 계층 하에서 획득된 정보를 바탕으로 인공지능 모델을 학습시키는 경우에 비하여 학습 효과가 향상될 수 있다.

그리고, 이미지를 입력 값으로 하고, 복수의 분류기 각각의 손실 함수 값을 합산한 총 손실 함수 값을 출력 값으로 하여, end-to-end로 인공지능 모델을 학습시킬 수 있다. 이에 따라, 하나의 인공지능 모델에서 다중의 인공지능 모델을 이용하는 것과 같은 학습 효과를 얻을 수 있게 된다.

나아가, 전자 장치는 상술한 바와 같은 학습 효과에 따른 인공지능 모델을 이용하여 이미지 인식을 수행함으로써, 결과적으로 전자 장치의 이미지 인식의 정확도를 향상시킬 수 있다.

특히, 본 개시의 일 실시 예에 따르면, 정확한 이미지 인식을 수행할 수 있는 인공지능 모델을 이용하여 제품의 불량여부를 식별함으로써, 보다 신뢰성 있는 불량 검사 결과를 획득할 수 있다.

그리고 이에 따라, 최근에 불량 검사를 위하여 도입된 기술의 경우 기본적인 DNN(Deep Neural Network)의 구조를 사용하기 때문에, 현장 데이터 특성이 충분히 반영되지 않아 성능 개선에 한계가 있다는 문제점을 해소할 수 있게 된다.

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.

상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.

기기로 읽을 수 있는 저장매체는 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

일시예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.

컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.

다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

인공지능 모델: 10 전자 장치: 100
메모리: 110 프로세서: 120
통신부: 130 이미지 센서: 140
출력부: 150 사용자 인터페이스부: 160

Claims

전자 장치에 있어서,
적어도 하나의 명령을 포함하는 메모리; 및
상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서; 를 포함하고,
상기 프로세서는,
이미지를 획득하고,
상기 획득된 이미지를 학습된 인공 지능 모델에 입력하여 상기 이미지에 대한 정보를 획득하며,
상기 인공지능 모델은,
상기 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되는 복수의 분류기(classifier)를 포함하고,
상기 복수의 분류기 각각으로부터 상기 이미지에 대한 정보를 획득하는 전자 장치.
제1 항에 있어서,
상기 복수의 계층은,
상기 복수의 계층 별로 상기 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함하고,
상기 이미지에 대한 정보는,
상기 복수의 계층 각각에 포함된 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리에 대한 정보를 포함하는 전자 장치.
제1 항에 있어서,
상기 프로세서는,
상기 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 상기 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득하고,
상기 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시키는 전자 장치.
제1 항에 있어서,
상기 프로세서는,
상기 이미지를 상기 인공지능 모델에 입력하여 상기 이미지의 특징 값을 획득하고,
상기 획득된 이미지의 특징 값을 상기 복수의 분류기에 입력하여 상기 복수의 분류기 각각으로부터 상기 이미지에 대한 정보를 획득하는 전자 장치.
제1 항에 있어서,
상기 복수의 계층은,
제1 계층 및 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하고,
상기 프로세서는,
상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 전자 장치.
제5 항에 있어서,
상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보는,
상기 이미지에 포함된 오브젝트가 상기 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함하며,
상기 프로세서는,
상기 확률에 대한 정보를 바탕으로 상기 이미지에 포함된 오브젝트가 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득하여, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 전자 장치.
제5 항에 있어서,
상기 제1 계층은,
상기 이미지에 포함된 제품의 불량 여부를 식별하기 위한 복수의 카테고리를 포함하고,
상기 제2 계층은,
상기 제품의 불량 유형에 대한 카테고리 및 상기 제품의 정상 유형에 대한 카테고리를 포함하는 복수의 하위 카테고리를 포함하며,
상기 프로세서는,
상기 제품의 외관 이미지를 획득하고,
상기 획득된 외관 이미지를 상기 인공 지능 모델에 입력하여 상기 제2 계층에 대응되는 이미지에 대한 정보를 획득하며,
상기 제2 계층에 대응되는 이미지에 대한 정보를 바탕으로 상기 1 계층에 대응되는 이미지에 대한 정보를 획득하여, 상기 제품의 불량 여부를 식별하는 전자 장치.
제1 항에 있어서,
상기 인공지능 모델은,
CNN(Convolutional Neural Network) 및 RNN (Recurrent Neural Network) 중 적어도 하나의 인공 신경망을 포함하는 전자 장치.
제1 항에 있어서,
상기 프로세서는,
상기 획득된 이미지를 그레이 스케일 이미지로 변환하고, 상기 변환된 그레이 스케일 이미지를 상기 인공지능 모델에 입력하는 전자 장치.
전자 장치의 제어 방법에 있어서,
이미지를 획득하는 단계;
상기 획득된 이미지를 학습된 인공 지능 모델에 입력하는 단계; 및
상기 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되며, 상기 인공지능 모델에 포함되는 복수의 분류기(classifier) 각각으로부터 상기 이미지에 대한 정보를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
제10 항에 있어서,
상기 복수의 계층은,
상기 복수의 계층 별로 상기 이미지에 포함된 오브젝트를 분류하기 위한 복수의 카테고리를 포함하고,
상기 이미지에 대한 정보는,
상기 복수의 계층 각각에 포함된 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리에 대한 정보를 포함하는 전자 장치의 제어 방법
제10 항에 있어서,
인공지능 모델을 학습시키는 단계; 를 더 포함하고,
상기 이미지에 대한 정보를 획득하는 단계는,
상기 복수의 분류기 각각으로부터 획득된 이미지에 대한 정보를 바탕으로 상기 복수의 계층 각각에 대응되는 복수의 손실 함수 값을 획득하며,
상기 인공지능 모델을 학습시키는 단계는,
상기 복수의 손실 함수 값을 합산하여 획득된 총 손실 함수 값을 역전파(backpropagation)하여, 상기 총 손실 함수 값이 최소가 되도록 상기 인공지능 모델을 학습시키는 전자 장치의 제어 방법.
제10 항에 있어서,
상기 이미지를 상기 인공지능 모델에 입력하여 상기 이미지의 특징 값을 획득하는 단계; 를 더 포함하고,
상기 이미지에 대한 정보를 획득하는 단계는,
상기 획득된 이미지의 특징 값을 상기 복수의 분류기에 입력하여 상기 복수의 분류기 각각으로부터 상기 이미지에 대한 정보를 획득하는 전자 장치.
제10 항에 있어서,
카테고리를 식별하는 단계; 를 더 포함하고,
상기 복수의 계층은,
제1 계층 및 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대한 복수의 하위 카테고리를 포함하는 제2 계층을 포함하며,
상기 카테고리를 식별하는 단계는,
상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보를 바탕으로, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 전자 장치의 제어 방법.
제14 항에 있어서,
상기 제2 계층에 대응되는 분류기로부터 획득된 이미지에 대한 정보는,
상기 이미지에 포함된 오브젝트가 상기 제2 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 포함하며,
상기 카테고리를 식별하는 단계는,
상기 확률에 대한 정보를 바탕으로 상기 이미지에 포함된 오브젝트가 상기 제1 계층에 포함되는 복수의 카테고리 각각에 대응될 확률에 대한 정보를 획득하여, 상기 제1 계층에 포함되는 복수의 카테고리 중 상기 이미지에 포함된 오브젝트에 대응되는 카테고리를 식별하는 전자 장치의 제어 방법.
제14 항에 있어서,
상기 제1 계층은,
상기 이미지에 포함된 제품의 불량 여부를 식별하기 위한 복수의 카테고리를 포함하고,
상기 제2 계층은,
상기 제품의 불량 유형에 대한 카테고리 및 상기 제품의 정상 유형에 대한 카테고리를 포함하는 복수의 하위 카테고리를 포함하며,
상기 이미지를 획득하는 단계는,
상기 제품의 외관 이미지를 획득하고,
상기 이미지에 대한 정보를 획득하는 단계는,
상기 획득된 제품의 외관 이미지를 상기 인공 지능 모델에 입력하여 상기 제2 계층에 대응되는 이미지에 대한 정보를 획득하며,
상기 카테고리를 식별하는 단계는,
상기 제2 계층에 대응되는 이미지에 대한 정보를 바탕으로 상기 1 계층에 대응되는 이미지에 대한 정보를 획득하여, 상기 제품의 불량 여부를 식별하는 전자 장치의 제어 방법.
제10 항에 있어서,
상기 인공지능 모델은,
CNN(Convolutional Neural Network) 및 RNN (Recurrent Neural Network) 중 적어도 하나의 인공 신경망을 포함하는 전자 장치의 제어 방법.
제10 항에 있어서,
상기 이미지를 학습된 인공 지능 모델에 입력하는 단계는,
상기 획득된 이미지를 그레이 스케일 이미지로 변환하고, 상기 변환된 그레이 스케일 이미지를 상기 인공지능 모델에 입력하는 전자 장치의 제어 방법.
전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독가능 기록매체에 있어서,
상기 전자 장치의 제어 방법은,
이미지를 획득하는 단계;
상기 획득된 이미지를 학습된 인공 지능 모델에 입력하는 단계; 및
상기 이미지에 포함된 오브젝트의 상하위 개념에 따라 구분되는 복수의 계층 각각에 대응되며, 상기 인공지능 모델에 포함되는 복수의 분류기(classifier) 각각으로부터 상기 이미지에 대한 정보를 획득하는 단계; 를 포함하는 컴퓨터 판독가능 기록매체.