KR20210011086A

KR20210011086A - 급수 레벨 검출 장치 및 방법

Info

Publication number: KR20210011086A
Application number: KR1020190088008A
Authority: KR
Inventors: 하정요
Original assignee: 엘지전자 주식회사
Priority date: 2019-07-22
Filing date: 2019-07-22
Publication date: 2021-02-01
Also published as: US11359327B2; US20210025104A1

Abstract

사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여 비전센서에 기반한 급수 검출 장치, 시스템, 및 방법이 개시된다. 본 발명의 일 실시 예에 따른 급수 검출 장치는 세탁기에서 이용가능하며, 터브 또는 터브 근처에 장착되고 터브 내의 적어도 하나의 급수 관심 영역에 지향되며 상기 급수 관심 영역의 영상을 획득하기 위한 비전센서, 및 상기 비전 센서에 의해 획득된 영상 정보를 기초로 비전 알고리즘을 통해 급수 레벨을 검출하는 급수레벨 판단유닛을 포함한다. 판단유닛은 상기 급수량의 레벨을 단계별로 급수 무, 급수 주의, 및 급수 정상의 3개 분류로 검출하고, 판단유닛은 급수 레벨 검출의 결과가 급수 무, 또는 급수 주의이면 급수 에러로 결정할 수 있다. 급수 레벨별로 급수되고 있는 유체의 양 및 상기 유체의 양으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 학습 데이터 세트를 생성하고, 기계 학습을 통해 학습된 모델을 기초로 상기 단계별로 급수 완료 시점까지의 급수 시간을 예측할 수 있다.

Description

급수 레벨 검출 장치 및 방법{FLUID LEVEL DETECTION DEVICE AND METHOD}

본 발명은 급수되는 용기에 급수되고 있는 유체의 급수 레벨을 검출하는 장치, 시스템 또는 방법에 관한 것이다. 보다 구체적으로, 급수 탱크, 및 세탁기 등에 포함된 급수 용기에 유체를 공급하기 위해 연결된 급수경로의 막힘을 감지할 수 있도록 급수의 레벨을 검출하는 장치, 시스템 및 방법에 관한 것이다. 본 발명은 세탁기의 터브 내로 세탁수를 공급하는 급수 경로의 막힘을 감지할 수 있도록 급수의 레벨을 검출하는 장치, 시스템 및 방법에 관해 주로 기술하지만, 이에 한정되지 않고, 급수 경로가 막힘을 모니터링하여야 하는 급수 설비들에서도 사용될 수 있다.

일반적으로 세탁기는 세탁물을 세탁, 헹굼 및 탈수를 가능하게 하는 세탁/탈수조, 세탁/탈수조로 온수 또는 냉수를 공급하기 위한 급수구, 상기 세탁/탈수조로 투입되는 세탁수의 수위를 감지하는 수위센서, 상기 급수구를 통해 세탁/탈수조로 급수되는 물의 양을 조절하는 온수 및 냉수밸브와, 급수구와 온수 및 냉수밸브 사이에서 연결된 급수 호스를 포함한다. 세탁기를 작동시켜서 세탁조에 세탁수를 급수할 때, 세탁기와 연결된 급수 밸브가 잠겨 있거나, 급수 밸브와 통하는 급수관의 꼬임, 꺾임, 또는 눌림 현상에 의하여 세탁수가 제대로 공급되지 못하는 불량 사항, 호스 연결 부위의 누수에 의해 급수 불량 등, 급수관의 막힘 및 이상 문제로 급수 에러가 발생될 수 있다. 종래에 세탁기는 세탁조에 급수가 제대로 되고 있는지 체크하기 위해 수위 센서를 이용하거나, 마이크 등을 사용하였다.

KR 10-2019-0005414호는 세탁물 처리 장치의 제어 방법에 관한 것이다. 세탁물 처리 장치에 전원이 인가되고, 설치 검사 명령이 입력되는 단계, 외조 내 초기 수위가 감지되고, 감지된 초기 수위 값이 저장되는 단계, 및 냉수 밸브가 개방되고, 제 1 설정 시간(t1) 내에 외조 내 수위가 목표 급수 수위에 도달하는지 여부가 판단되는 단계를 포함하고, 외조 내 수위가 상기 제 1 설정 시간(t1) 내에 목표 급수 수위에 도달하지 못하는 경우, 급수 에러를 알리는 제1 에러 메세지가 표시부에 표시되는 것을 특징으로 하였다. 그러나, 수위 센서를 이용하여 수위를 체크하기 위해서는 급수에러 감지시간이 약 10분을 초과하기 때문에, 급수에러가 발생하였더라도, 세탁조에 세탁을 위해 요구되어지는 급수 수위를 확인하기까지 시간이 오래 걸리기 때문에, 세탁시간도 증가하였다.

KR 10-1995-0042228호는 세탁기 탑-커버(TOP-COVER)에 설치한 마이크를 이용하여 세탁조내의 수위를 측정하기 위한 수위 측정장치에 관한 것으로, 특히 세탁기 탑-커버에 마이크를 설치하여 급수시 물의 낙하시 발생하는 소리의 고저를 감지하여 세탁조 내에 들어있는 물을 감지할 수 있도록 한 세탁기의 수위 측정장치에 관한 것이다. KR 10-1995-0042228호는 세탁조로 급수시 물이 낙하할 때 발생하는 소리를 마이크를 이용하여 수위를 측정하도록 함으로써 센서를 필요로 하지 않아 센서로 인한 기구적 수명변화, 세트별 오차 등이 거의 없도록 하여 센싱의 신뢰도를 높이고, 마이크를 다른 부분의 응용이 가능하도록 하였다. 그러나, 마이크를 이용하여 급수시 물의 낙하시 발생하는 소리의 고저를 감지하는 방법은 세탁기를 사용하는 집마다 물이 공급되는 수압이 달라, 낙하하는 소리의 고저가 다를 수 있기 때문에, 소리의 고저만으로 정밀하게 급수 수위를 판단하기 어려웠다.

본 발명의 실시예는 종래 세탁기 또는 급수 시설에서 수위 센서 등에 의해 급수감지 시간을 체크할 경우 오래 걸리는 문제점이 해결하기 위한 것이다.

본 발명의 실시예는 사용자의 가정에서 세탁기와 연결된 급수 밸브가 잠겨있거나 급수 밸브와 통하는 급수관의 막힘 및 이상 문제로 급수 에러가 발생하는 것을 기존의 방식보다 빠르게 감지하기 위한 것이다.

본 발명의 실시예는 세탁기 또는 급수 시설에서 급수시 급수량에 따라 급수 레벨을 분류하는 방법을 찾기 위한 것이다.

본 발명의 실시예는 세탁기 또는 급수 시설에서 급수시 급수 레벨의 물의 양을 기초로 급수 완료 시점까지의 급수 시간(급수 예상 시간) 및 급수량을 예측하기 위한 것이다.

본 발명의 실시예는 세탁기에서 급수 에러 감지시간을 단축하여 전체 세탁시간을 감소시키기 위한 것이다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 또는 다른 목적을 달성하기 위해, 본 발명의 일 실시 예에 따른 세탁기 또는 급수 검출 장치는 급수 용기 또는 세탁기 터브 내의 영상을 획득하기 위한 비전 센서, 및 기 설정된 비전 알고리즘을 통해 급수 용기 내로 급수되고 있는 유체의 양에 따라 급수 레벨을 검출하는 급수 레벨 판단유닛을 포함한다.

구체적으로, 급수되는 유체를 내부에 포함할 수 있는 급수 용기, 급수 용기 또는 급수 용기 근처에 장착되고 급수 용기 내의 영상을 획득하기 위한 비전 센서, 및 비전 센서에 의해 획득된 영상 정보를 기초로 비전 알고리즘을 통해 급수 용기 내로 급수되고 있는 유체의 양에 따라 급수 레벨을 검출하는 급수 레벨 판단유닛을 포함할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 판단유닛은 영상 정보에 적어도 하나의 급수 관심 영역을 선정하고, 비전 알고리즘을 통해 급수 관심 영역의 피처(feature)를 검출하고, 검출된 급수 관심 영역의 피처를 기초로 급수 레벨을 결정할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 판단유닛은 영상 정보에서 급수 용기의 상단의 일부분을 적어도 하나의 급수 관심 영역으로 설정할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 판단유닛은 급수되고 있는 유체의 양에 따라 급수 레벨을 급수 무, 급수 주의, 및 급수 정상의 3개 분류 또는 급수 무, 급수 주의, 급수 준정상 및 급수 정상의 4 분류로 결정할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 판단유닛은 급수 레벨 별로 급수되는 유체의 양을 기초로 급수 완료 시점의 급수 시간을 예측할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 판단유닛은 급수 레벨 별로 급수되고 있는 유체의 양 및 유체의 양으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 학습 데이터 세트를 생성하고, 기계 학습을 통해 학습된 모델을 기초로 급수 레벨 별로 급수 완료 시점까지의 급수 시간을 예측할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 판단유닛은 급수 레벨 검출의 결과가 급수 무이면 급수 에러로 결정할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 비전 알고리즘은 옵티컬 플로우 알고리즘일 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 피처는 옵티컬 벡터이고, 옵티컬 플로우 알고리즘은 급수 관심 영역에 대한 옵티컬 벡터의 분포 및 옵티컬 벡터의 크기로 급수 레벨을 결정할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치에서, 옵티컬 플로우 알고리즘은 급수 레벨을 결정하기 위해 프레임 이동평균을 적용하여 벡터 값들의 평균값을 사용할 수 있다.

본 발명의 다른 실시 예에 따른 세탁기 또는 급수 검출 장치는 비전 센서가 지향하는 급수 용기의 내부를 조명하기 위한 조명 장치를 더 포함할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법은 세탁기 터브 근처에 장작된 비전 센서에 의해 급수 영상을 획득하는 단계, 영상 정보에 급수 관심 영역을 선정하는 단계, 기 설정된 비전 알고리즘을 통해 급수 관심 영역의 피처를 검출하는 단계, 및 검출된 급수 관심 영역의 피처를 기초로 급수 레벨을 결정하는 단계를 포함할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법의 관심 영역의 피처를 검출하는 단계에서, 비전 알고리즘은 옵티컬 플로우 알고리즘일 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법에서, 피처는 옵티컬 벡터이고, 옵티컬 플로우 알고리즘은 급수 관심 영역에 대한 옵티컬 벡터의 분포 및 옵티컬 벡터의 크기로 급수 레벨을 결정할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법에서 옵티컬 플로우 알고리즘은 급수 레벨을 결정하기 위해 프레임 이동평균을 적용하여 산출된 벡터 값들의 평균값을 사용할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법에서 급수 레벨을 결정하는 단계는 급수되고 있는 유체의 양에 따라 급수 레벨을 급수 무, 급수 주의, 및 급수 정상의 3개 또는 급수 무, 급수 주의, 급수 준정상 및 급수 정상의 4 분류로 결정할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법은 급수 레벨이 급수 무이면 급수 에러로 결정하는 단계, 및 사용자 단말기 또는 TV를 통해 사용자에게 급수 에러를 알리는 단계를 더 포함할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법은 급수 레벨 별로 급수되는 유체의 양을 기초로 급수 완료 시점까지의 급수 시간을 예측하는 단계를 더 포함할 수 있다.

본 발명의 다른 실시 예에 따른 급수 용기 내의 급수 레벨 검출 방법에서, 급수 완료 시점까지의 급수 시간을 예측하는 단계는 급수 레벨 별로 급수되고 있는 급수량 및 급수량으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 학습 데이터 세트를 생성하고, 기계 학습을 통해 학습된 모델을 기초로 급수 레벨 별로 급수 완료 시점까지의 급수 시간을 예측할 수 있다.

본 발명의 실시예에 의하면, 종래 세탁기의 10분이 넘는 급수에러 감지시간을 3초(90프레임) 내지 5초(150프레임) 안으로 감지하여 시간을 줄일 수 있다. 또한, 세탁기 또는 급수 레벨 감지 장치에서 급수 레벨별로 나누어 급수에러감지 및 급수량을 측정할 수 있다.

또한, 세탁기에서 초기 급수에러감지 및 감지시간을 줄이는 효과로 인하여 전체세탁행정시간을 줄이고, 더욱 정확한 세탁완료 시간을 예측할 수 있다.

또한, 세탁기에서 더욱 정확한 세탁완료 시간을 예측할 수 있게 됨으로써, 세탁행정시간을 줄여 에너지의 절감 및 편의성 증대를 사용자에게 제공할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 세탁기, 사용자 단말기, 출력장치 및 이들을 서로 연결한 네트워크를 포함하는 세탁기의 구동 환경의 예시도이다.
도 2a는 본 발명의 일 실시 예에 따른 세탁기의 예시도이다.
도 2b는 본 발명의 일 실시 예에 따른 세탁기의 커버부분을 도시한 예시도이다.
도 2c는 본 발명의 일 실시 예에 따른 세탁기의 비전 조립체의 예시도이다.
도 2d는 본 발명의 일 실시 예에 따른 세탁기의 터브에 세탁수가 공급되는 예시도이다.
도 3a는 본 발명의 일 실시 예에 따른 세탁기에 세탁수를 공급하는 급수 밸브의 각도에 따른 세탁수의 급수량의 정도를 나타낸 예시도이다.
도 3b는 본 발명의 일 실시 예의 급수량에 따른 급수 레벨의 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 급수 레벨 검출 방법을 도시한 흐름도이다.
도 5는 비전 알고리즘인 루카스 카나데, 파라미드 루카스 카나데, 군나르 파네백, 백그라운드 알고리즘에 대해 급수 레벨 검출 성능을 테스트한 예시도이다.
도 6a는 비전 센서로 획득한 영상 데이터에 급수 관심 영역(ROI)을 설정한 예시도이다.
도 6b는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수감지 시작 구간의 옵티컬 벡터를 표시한 예시도이다.
도 6c는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수 감지가 가장 많이 되는 구간의 옵티컬 벡터를 표시한 예시도이다.
도 6d는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수 정상으로 급수되기 시작한 구간의 옵티컬 벡터를 표시한 예시도이다.
도 6e는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수 정상으로 안정적으로 급수되는 옵티컬 벡터를 표시한 예시도이다.
도 7a는 급수 레벨에 따른 프레임 평균, 표준편차, 분산, 합 및 최대값을 표시한 예시도이다.
도 7b는 0, 2, 3, 4, 5 및 10개 프레임까지의 옵티컬 벡터의 이동평균을 도시한 그래프의 예시도이다.
도 7c는 5개 프레임까지의 옵티컬 벡터의 이동평균 누적값을 기재한 예시도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 발명을 설명함에 있어서, 정의되는 각 구성요소들의 명칭은 본 발명에서의 기능을 고려하여 정의 내려진 것이다. 따라서 본 발명의 기술적 구성요소를 한정하는 의미로 이해되어서는 아니 될 것이다. 또한, 각 구성요소에 정의된 각각의 명칭들은 당업계에서 다른 명칭으로 호칭될 수 있다.

이하, 첨부한 도면을 참조하여 본 발명의 일 실시 예에 따른 세탁기(100)를 상세히 설명한다.

도 1은 본 발명의 일 실시 예에 따른 세탁기(100), 세탁기(100)에 명령을 전달할 수 있는 출력 장치, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 구동 환경(1)의 예시도이다. 세탁기 터브 또는 급수 용기로의 급수에러를 감지하는 장치는 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 급수에러 검출 시간을 감소시킬 수 있다.

도 1을 참조하면, 세탁기의 구동 환경(1)은 세탁기(100), 서버(200), 사용자 단말기(300), 출력장치(400), 및 네트워크(500)를 포함할 수 있다. 출력장치(400)는 인공지능 스피커, 인공지능 TV, 기타 커뮤니케이션 장치를 포함할 수 있다. 세탁기(100)는 통신부를 포함할 수 있고, 유선 또는 무선 네트워크(500)를 통해 서버(200)로 비전 센서가 촬영한 세탁기의 터브 내부에 급수되는 영상 데이터를 전송할 수 있고, 서버(200)는 세탁기 터브 내부에 급수되는 영상 데이터에 관한 정보 및 각종 세탁정보를 세탁기(100), 사용자 단말기(300) 및 인공지능 스피커와 같은 출력기기(400)에 송신할 수 있다.

세탁기(100)는 통신부, 입력부, 비전 센서(140)를 포함하는 센싱부, 디스플레이를 포함하는 출력부, 메모리를 포함하는 저장부, 전원 공급부, 세탁조 등 세탁에 필요한 물리적인 장치들을 포함하는 세탁부, 및 세탁기 MCU를 포함하는 제어부를 포함할 수 있다. 세탁기 MCU 또는 세탁기 MCU를 포함하는 제어부는 비전 센서(140)에서 획득한 영상 데이터를 기초로 급수 레벨/에러를 검출하는 판단유닛을 포함할 수 있다.

세탁기 제어부는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 세탁기(100) 및 서버(200)는 출력장치(400)의 검색과, 출력장치(400)에서 출력되는 오디오 신호의 음량 조정과, 출력장치(400)의 선택에 대하여 딥러닝(Deep Learning) 등 기계학습(machine learning)을 수행할 수 있고, 저장부는, 기계학습에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

한편, 세탁기(100) 및 서버(200)에는 인공신경망(artificial neural network)이 탑재될 수 있고, 세탁기(100)와 동일한 공간에 배치되어 오디오 신호 및 비디오 신호 중 적어도 하나를 출력하고 있는 하나 이상의 출력장치(400)를 검색하고, 동작 모드에 대응하여 검색된 하나 이상의 출력장치(400)의 출력 신호를 조정할 수 있도록 기계학습 기반의 출력장치(400) 검색 및 출력 신호 조정을 수행할 수 있다. 또한 세탁기(100)는 동작 모드에 대응하여 검색된 하나 이상의 출력장치(400) 중 적어도 하나를 선택하고, 선택한 출력장치(400)로 오디오 신호 및 비디오 신호 중 적어도 하나를 전송할 수 있도록 기계학습 기반의 출력장치(400) 선택 및 출력 신호 전송을 수행할 수 있다.

세탁기 통신부는 네트워크(500)와 연동하여 출력장치(400), 사용자 단말기(300) 및/또는 서버(400) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

본 실시 예에서 사용자 단말기(300)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(300)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(300)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다. 선택적 실시 예로 사용자 단말기(300)는 상술한 출력장치(400) 중 어느 하나로 동작할 수 있다.

서버(200)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 세탁기(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(200)는 사용자 단말기(300)에 설치된 세탁기 구동 애플리케이션 또는 세탁기 구동 웹 브라우저를 이용하여 세탁기(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

기계학습(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 기계학습은, 경험적 데이터를 기반으로, 학습 데이터(트레이닝 데이터) 세트 및/또는 테스트 데이터 세트를 생성하여 학습을 하여 학습된 모델을 결정하고, 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 기계학습의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

서버(200)는 세탁기(100)로부터 동작중인 하나 이상의 출력장치(400)를 검색결과 및 세탁기(100)의 동작 모드를 수신하고, 동작 모드에 대응하여 검색된 하나 이상의 출력장치(400)의 출력 신호 조정 제어 신호를 세탁기(100)로 전송할 수 있다. 또한 서버(200)는 세탁기(100)로부터 세탁기(100)의 동작 모드를 수신하고, 하나 이상의 출력장치(400) 중 적어도 하나를 선택한 결과를 세탁기(100)로 전송하고, 세탁기(100)가 선택한 출력장치(400)로 오디오 신호 및 비디오 신호 중 적어도 하나를 전송하도록 제어할 수 있다.

네트워크(500)는 세탁기(100)와, 출력장치(400)와, 사용자 단말기(300)와, 서버(200)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(500)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(500)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(500)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 2a는 본 발명의 일 실시 예에 따른 세탁기의 예시도이다. 본 발명의 일 실시 예에 따른 세탁기는 세탁물을 세탁, 헹굼 및 탈수를 가능하게 하는 터브(세탁/탈수조)(130), 터브(130)로 온수 또는 냉수를 공급하기 위한 급수구(102), 상기 급수구(102)를 통해 터브(130)로 급수되는 물의 양을 조절하는 온수 및 냉수밸브(170)와, 급수구(102)와 온수 및 냉수밸브(170) 사이에 연결된 급수 호스(104), 및 터브(130) 내로 급수되는 세탁수의 영상을 촬영하기 위한 비전 조립체(120)를 포함할 수 있다. 본 발명의 급수 레벨/에러 검출 장치는 드럼 세탁기/탈수기, 및 탑로더 세탁기/탈수기 등을 포함하여 세탁/탈수를 위해 세탁수가 공급되는 모든 세탁기/탈수기에 적용될 수 있다. 또한, 본 발명의 급수 레벨/에러 검출 장치는 급수 탱크, 급수조와 같이, 급수가 제대로 이루어지고 있는지 모니터링이 필요한 급수 설비에도 적용될 수 있다.

도 2b는 본 발명의 일 실시 예에 따른 급수 레벨 검출 장치를 포함하는 탑로더 세탁기의 커버를 도시한 예시도이다. 본 발명의 일 실시 예에 따른 탑로더 세탁기는 터브(130) 상단의 세탁기 커버(110) 부분에 비전 조립체(120)가 장착될 수 있다. 비전 조립체(120)는 세탁기 또는 급수 장치에서 터브 내의 급수되는 세탁수의 영상을 촬영하기에 적합한 위치에 장착될 수 있다. 드럼 세탁기의 경우 터브 내로 급수되는 부분을 촬영할 수 있는 프론트 도어 부분에 장착될 수 있다.

도 2c는 본 발명의 일 실시 예에 따른 세탁기의 비전 조립체의 예시도이다. 비전 조립체(120)는 급수 용기 근처 또는 급수 용기에 장착되며, 세탁기의 경우 회전하는 터브 내부를 촬영할 수 있도록 세탁기 터브 근처에 장착될 수 있다. 비전 센서(140) 및 비전 센서(140)가 지향하는 부분을 조명하기 위한 조명장치(150)를 포함할 수 있다. 비전 센서(140)는 단독으로 급수 용기 근처 또는 급수 용기에 장착될 수 있고, 세탁기 터브 근처에 장착될 수 있다. 비전 센서(140)는 2D 카메라일 수 있으며, 영상을 촬영할 수 있는 임의의 촬영장치일 수 있다. 조명장치(150)는 LED일 수 있으며, 세탁기 내부를 조명할 수 있는 임의의 조명기구일 수 있다.

도 2d는 본 발명의 일 실시 예에 따른 세탁기의 터브에 세탁수가 공급되는 예시도이다. 탑로더 세탁기의 경우 터브(130)의 상단에 급수부(160)를 갖는다. 다른 실시 예에서 탑로더 세탁기는 터브(130)의 상단의 여러 방향에서 급수부(160)들을 가질 수 있다. 드럼 세탁기의 경우, 터브의 원통이 정면을 향해 눕혀졌을 때의 상단, 또는 측면에 급수부를 가질 수 있다.

도 3a는 본 발명의 일 실시 예에 따른 세탁기에 세탁수를 공급하는 급수 밸브의 각도에 따른 세탁수의 급수량의 정도를 나타낸 예시도이다. 온수 및 냉수의 급수 밸브(170)는 개방되었을 때 급수 호스(104)를 통해 세탁기 급수구(102)에 세탁수를 공급한다. 급수 밸브(170)에서 급수되는 물의 양은 급수 밸브(170)의 개방 각도에 의존한다. 본 발명의 일 실시 예에 따른 급수 밸브(170)는 270도까지 회전하여 개방되는 급수 밸브이다.

도 3a는 급수 밸브(170)가 45도, 90도, 135도, 180도, 225도 및 270도로 개방될 때, 세탁기 터브에 공급되는 세탁수의 양을 도시한다. 일 실시 예에서, 급수 밸브(170)는 급수 밸브의 회전 각도에 따라, 급수 하프(half)1(45도), 급수 하프2(90도), 급수 하프3(135도), 급수 풀(full)(180도, 225도 및 270도)로 분류될 수 있다. 급수 하프1(45도)은 급수가 조금씩 되는 크기 정도, 즉 세탁수가 졸졸 흐르는 정도이며, 급수 하프3(135도) 및 급수 풀(180도, 225도 및 270도)은 급수가 원활하게 이루어지는 크기 정도, 즉 세탁수가 콸콸 나오는 정도이다. 급수 하프2(90도)는 급수 하프1(45도)와 급수 하프3(135도) 사이의 중간 정도 물줄기의 크기 정도이다.

도 3b는 본 발명의 일 실시 예의 급수량에 따른 급수 레벨의 예시도이다. 도 3b는 급수량에 따른 급수 레벨 0 내지 3을 도시한 표이다. 레벨0은 급수가 아예 안되는 상태로서 급수에러, 레벨1은 약하게 급수되는 상태로서 급수 주의, 레벨2는 급수 강과 약 사이의 중간정도 세기로 급수되는 상태로서 급수 정상으로 분류될 수 있다. 급수 밸브의 조정에 따라 급수량을 분류하는 급수 레벨은 급수 밸브의 종류와 급수량과의 관계를 고려하여 정해질 수 있다. 본 발명의 일 실시 예인 도 3a에 대해 급수 레벨을 정의하면, 급수 레벨은 0도일 때 급수 에러(급수 무), 급수 하프(half)1(45도)일 때 급수 주의(급수 부족), 급수 하프2(90도), 급수 하프3(135도), 및 급수 풀(full)(180도, 225도 및 270도)을 급수 정상(급수 full)으로 분류될 수 있다.

도 4는 급수 레벨 검출 방법을 도시한 흐름도이다. 세탁기 터브 내의 급수되는 세탁수의 영상은 비전 센서(140)에 의해 촬영/획득되어 판단유닛으로 전달된다. 판단유닛은 영상 정보를 급수감지 검출 데이터(영상 데이터)로 프로세싱하여, 비전 센서(140)에 의해 획득된 영상 정보를 기초로 비전 알고리즘을 통해 급수 레벨을 검출할 수 있다. 판단유닛은 세탁기 MCU일 수 있으며, 세탁기 MCU를 포함하는 제어부일 수 있다. 급수 레벨을 검출하기 위해 판단 유닛은 비전 센서(140)로부터 획득한 영상 데이터에 급수관심 영역(ROI)을 설정할 수 있다.

세탁기의 급수 레벨 검출 방법이 시작(S1000)되면, 사용자가 설정한 세탁코스를 실행한다(S1100).

S1200 단계에서 세탁기 터브(130)를 회전시켜서 터브(130) 내의 포량을 감지한다(S1200). 포량 감지를 위한 터브 회전 시간은 코스 설정 후 수 초 내에 자동으로 시작될 수 있다. 판단유닛 또는 세탁기 MCU는 예를 들어, 1분 51초 내지 2분 50초와 같이 미리 정해진 시간 동안 터브 회전으로 세탁물의 양을 감지할 수 있다.

포량이 감지되면, S1300 단계에서 급수 레벨/에러 검출 단계를 실행하고, 다음 세탁행정을 진행(S1400)한다.

급수 레벨/에러 검출 단계(S1300)는 다음과 같은 순서로 진행된다.

S1310 단계에서 비전 센서(140)인 2D 카메라로 영상을 입력 받고, 비전 센서(140)에 의해 획득된 영상은 판단유닛으로 전달된다. 비전 센서 또는 판단유닛은 아날로그 신호를 디지털 신호로 프로세싱할 수 있다.

S1320에서 판단 유닛은 획득된 영상을 전처리하여서 급수 레벨/에러 감지에 적합한 데이터로 프로세싱할 수 있다.

S13300에서 판단유닛은 전처리된 영상 데이터에 대해 급수 관심영역(ROI)을 설정할 수 있다. 급수 관심 영역은 급수되는 급수량을 모니터링할 수 있는 부분으로 설정하며, 바람직하게 세탁기 터브(130)에 급수되는 부분으로 설정되며, 탑로더 세탁기의 경우 세탁기 터브(130)의 상단 중 급수되는 부분을 급수 관심영역으로 설정할 수 있다. 급수관심영역은 세탁기의 터브 내로 급수되는 부분 또는 세탁수가 채워지는 부분 등에 대해 적어도 하나의 영역으로 지정될 수 있다.

S1340에서 판단유닛은 기 설정된 비전 알고리즘을 통해 급수 관심 영역의 피처를 검출한다. 기 설정된 비전 알고리즘은 예를 들어, 백그라운드 제거 알고리즘(Background Subtraction)이 사용될 수 있다. 기 설정된 비전 알고리즘은 바람직하게 옵티컬 플로우(Optical Flow) 알고리즘을 사용할 수 있다. 옵티컬 플로우 알고리즘은 예를 들어, 루카스 카나데(Lucas-Kanade) 알고리즘, 파라미드 루카스 카나데(Lucas-Kanade method with pyramids) 알고리즘, 군나르 파네백(Gunnar Farneback) 알고리즘일 수 있다. 비전 알고리즘은 바람직하게, 루카스 카나데 알고리즘을 이용할 수 있다. 각 옵티컬 플로우 및 배경 제거 알고리즘을 적용하여 급수 레벨/에러를 검출하는 방법에 대한 성능 테스트는 도 5에서 설명한다.

S1350 단계에서, 판단유닛은 관심영역의 피처를 기초로 프레임별 급수 레벨을 분류(Classification)할 수 있다. 옵티컬 플로우 알고리즘은 옵티컬 벡터의 프레임별 크기, 평균, 표준편차, 최대값, 최빈값 및 프레임누적 평균값 등을 이용하여 급수 레벨을, 도 3b에서와 같이, 레벨0, 레벨1, 레벨2, 레벨3의 4분류로 분류할 수 있다. 다른 실시 예에서 옵티컬 플로우 알고리즘에 의해 급수 레벨이 레벨0, 레벨1, 레벨2의 3 분류로 분류될 수 있다. 구체적인 분류 방법은 도 7a 내지 도 7c에서 설명한다.

S1360에서 분류된 급수 레벨이 에러 레벨이라고 판단되면, S1370 단계로 이행하여 급수 에러를 사용자에게 알린다. 급수 레벨은 급수 무인 레벨0일 때, 급수 에러 레벨로 판단할 수 있다. 다른 실시 예에서, 급수 주의 레벨인 레벨1까지 에러 레벨로 판단할 수 있다. 판단유닛은 사용자 단말기(300), TV, 또는 인공지능 스피커 등의 출력장치(400)를 통해 사용자에게 급수에러를 알릴 수 있다. 판단유닛은 세탁기 통신부를 통해 근거리 통신으로 블루투스(bluetooth), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 이용하여 사용자에게 급수에러를 알릴 수 있다.

S1360에서 분류된 급수 레벨이 에러 레벨이 아니라고 판단되면, S1380 단계에서 급수 레벨에 따라 급수를 감지하고, 감지된 급수 레벨을 기초로 앞으로 세탁기 터브에 급수되는 급수 시간을 예측할 수 있다. 예를 들어, 급수 레벨이 레벨2라고 판단되면, 레벨2의 급수량으로 계속 급수될 경우 급수량을 초단위로 계산하고, 세탁기 터브 전체 용량과의 비례식을 통해, 세탁행정을 실행하기 위한 터브 용량까지 급수되는데 얼마나 걸릴지 계산하여 남은 급수 시간을 예측할 수 있다. 만약 레벨2의 급수량으로 냉수 10리터를 급수완료하는데 걸리는 시간이 20초라면, 1초당 급수량(수압)은 0.5리터가 된다. 만약 급수하여야 세탁기 터브의 용량이 140리터라면, 비례식을 통해, 140리터를 급수하는데 필요한 시간은 140리터*2s=280s이 되므로, 280초 후에 급수가 완료됨을 예측할 수 있다.

본 발명의 다른 실시 예에서, 판단유닛 또는 판단유닛을 포함하는 세탁기로부터 급수 영상 데이터를 전달 받은 서버(200)는 기계 학습을 통해 남은 급수시간을 예측할 수 있다. 판단 유닛은 급수 레벨 별로 급수되고 있는 유체의 양 및 상기 유체의 양으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 학습 데이터 세트를 생성하고, 기계 학습을 통해 학습된 모델을 기초로 상기 급수 레벨 별로 급수 완료 시점까지의 급수 시간을 예측할 수 있다.

세탁기 제어부 및/또는 서버(200)는 급수 레벨 별로 급수되고 있는 유체의 양 및 상기 유체의 양으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 기계학습 알고리즘을 적용하기 위한 학습 데이터 세트(training data set) 및/또는 테스트 데이터 세트(test data set)를 생성할 수 있다. 전형적으로, 테스트 데이터 세트는 학습 데이터 세트 중 일부를 나누어 정한다. 학습 데이터 세트 및 테스트 데이터 세트의 비율은 데이터 양에 따라 다를 수 있으며, 일반적으로 7:3의 비율로 정할 수 있다. 본 발명 전체에서 '학습된 모델'은 학습 데이터 세트를 학습시키고 생성된 특별한 언급이 없어도 테스트 데이터 세트를 통해 테스트한 후 학습된 모델을 결정한 것을 의미한다. 세탁기 제어부 및/또는 서버는 학습 데이터 세트 및/또는 테스트 데이터 세트를 저장부에 저장하고, 급수 레벨에 따른 남은 급수완료까지의 급수시간을 예측하기 위해 저장된 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시킨다. 학습시킨 모델을 테스트 데이터 세트를 통해 테스트하여 학습된 모델을 결정하고, 학습된 모델을 결정한 후에 급수 완료까지의 급수 시간을 예측할 수 있다.

제어부는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함될 수 있고, 심층신경망을 학습할 수 있다. 이러한 인공신경망의 기계학습 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 제어부는 설정에 따라 학습 후 급수 레벨에 따른 남은 급수 시간 인공신경망 구조를 업데이트시키도록 제어할 수 있다.

본 발명의 다른 실시 예에서, 기계학습 알고리즘은 세탁기의 판단 유닛 또는 서버는 급수 레벨에 따른 급수 시간을 예측하기 위해 급수 레벨 별로 급수되는 세탁수의 급수량의 피처 및 급수 레벨에 따른 급수 완료 시점까지의 급수 시간을 학습 데이터 세트 및/또는 테스트 데이터 세트로 하여 회귀분석(Regression Analysis) 알고리즘이 적용될 수 있다.

급수 레벨 별로 급수되는 세탁수의 급수량의 피처 및 급수 레벨에 따른 급수 완료 시점까지의 급수 시간의 트레이닝 데이터 세트를 가지고 회귀 모델(Regression Model)을 통해 학습(트레이닝)시키게 되면 이에 해당하는 학습된 기계학습 모델을 얻을 수 있다. 회귀 모델은 데이터의 분포가 하나의 선 안에 표현될 수 있을 때와 같은 최적의 모델을 찾는다. 그리고 학습한 이 데이터의 모델이 맞을 것이라고 일단 가정하고 이 회귀선을 찾아서 나타내는 것이 학습을 하는 것이라고 볼 수 있다. 도 4에 도시된 바와 같이 S1380단계에서, 만약 레벨2의 급수량으로 냉수 10리터를 급수완료하는데 걸리는 시간이 20초라면, 1초당 급수량(수압)은 0.5리터가 된다. 만약 급수하여야 세탁기 터브의 용량이 140리터라면, 140리터를 급수하는데 필요한 시간은 140리터*2s=280s이 됨을 급수 레벨의 급수량과 걸리는 시간 사이에 비례식을 통해 계산하였다. 이와 같이 급수 레벨이 판단되고, 급수 완료시점까지의 급수 시간을 수집할 수 있다면, 급수 레벨에 따른 영상 데이터값과 급수완료 시점까지의 급수 시간 사이에 회귀 분석 모델을 만들 수 있다. 수식으로 표현하면, H(x) = Wx + b이고, H(x)는 가정한 가설(Hypothesis) 함수를 의미하며 W(Weight)의 값 그리고 b(bias) 의 수치에 따라 1차 함수 그래프의 형태가 달라지게 된다.

따라서, 세탁기의 판단 유닛 또는 서버는 급수 레벨에 따른 급수 시간을 예측하기 위해 급수 레벨 별로 급수되고 있는 유체의 양 및 상기 유체의 양으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하는 학습 데이터 세트 및/또는 테스트 데이터 세트에 대해 회귀분석(Regression Analysis) 알고리즘을 적용하고, 학습된 모델을 세탁기의 판단유닛에 전송할 수 있다. 판단유닛은 학습된 회귀모델을 통해 급수완료까지의 급수 시간을 예측할 수 있다.

도 5는 비전 알고리즘인 루카스 카나데, 파라미드 루카스 카나데, 군나르 파네백, 백그라운드 제거 알고리즘에 대해 급수 레벨 검출 성능을 테스트한 예시도이다. 도 5는 급수 레벨/에러 검출에 비전 알고리즘을 사용하기 위해 루카스 카나데(Lucas-Kanade) 알고리즘, 파라미드 루카스 카나데(Lucas-Kanade method with pyramids) 알고리즘, 군나르 파네백(Gunnar Farneback) 알고리즘, 백그라운드 제거 알고리즘(Background Subtraction)을 테스트한 결과이다.

루카스-카나데 알고리즘은 한 프레임의 각 픽셀 윈도우를 설정하고 다음 프레임에서 이 윈도우와 가장 잘 매칭되는 곳을 찾는다. 희소 옵티컬 플로우(sparse optical flow)에 속하여 코너와 같이 두드러지는 특징점을 사용하여 옵티컬 플로우를 추적하기 때문에 연산량이 적다. 좁은 지역의 윈도우를 사용하기 때문에 이 윈도우보다 큰 움직임이 발생하였을 경우 움직임을 계산하지 못한다. 특징점으르 사용하여 옵티컬 플로우를 얻기 때문에 밀집 옵티컬 플로우(dense optical flow)에 비해서 정확도가 낮다. 피라미드 루카스-카나데 알고리즘은 루카스-카나데 방법에서 큰 움직임을 계산하지 못하는 단점을 개선하기 위해 고안된 방법으로 원본 영상으로부터 영상 스케일에 따라 영상 피라미드를 구성한다. 군나르 파네백 알고리즘은 이 알고리즘은 인접한 두 프레임 간의 움직임을 확장 다항식 기반으로 계산하는 밀집 옵티컬 플로우의 한 종류이다.

백그라운드 제거 알고리즘은 이전 픽셀과 현재 픽셀의 움직이는 차를 계산한다. 배경 제거 알고리즘의 핵심은 배경 모델링이 움직이는 객체를 충분히 인식해야 한다는 점이다. 배경 모델링을 하는데 가장 많이 이용하는 방법은 Mean filter와 Median filter가 있다. 배경 추출 방법은 현재 이미지와 움직이는 객체를 탐지하기 위한 배경 이미지의 차이를 이용하는 방법을 사용하게 된다. 그러나 주위 외부 환경 변화에 대해 굉장히 민감한 특징이있다. 하지만 이는 배경에 대한 정보를 알고 있는 경우, 객체의 대한 정보를 완벽하게 얻을 수 있다.

4개의 비전 알고리즘을 사용하여 급수 레벨 검출 성능을 비교한 결과 루카스-카나데가 가장 성능이 좋았다. 본 발명에서는 루카스-카나데 알고리즘이 급수 레벨을 검출하는 방법으로 사용될 수 있으나, 다른 옵티컬 플로우 방법도 사용될 수 있다.

도 6a는 비전 센서로 획득한 영상 데이터에 급수 관심 영역(ROI)을 설정한 예시도이다. 도 6a에서 탑로더 세탁기의 경우 바람직하게 터브의 상단에 급수관심영역(180)을 설정할 수 있다. 터브 내부는 은색이고 물은 투명하기 때문에 비전 센서로 획득한 영상 데이터에서 세탁수가 제대로 터브내로 급수되고 있는지 판단하기 어려울 때가 있다. 따라서, 터브(130) 내부보다 터브 상단에 급수관심영역(180)을 설정으로 설정할 수 있다. 또한, 급수 관심 영역은 적어도 하나 이상 설정될 수 있다. 터브 내로 급수되는 부분이 복수 개 있다면, 상기 급수되는 복수 개의 부분을 급수관심영역으로 설정할 수 있다. 또한 터브 상단 중 여러 부분에서 급수되고 있다면 급수관심영역을 복수 개로 설정할 수 있다.

드럼 세탁기의 경우 프론트 도어에 비전 센서를 장착하고, 정면을 향해 회전축을 갖는 터브의 원통의 내부 표면 중 급수되는 상부 표면을 급수 관심 영역으로 설정할 수 있다. 드럼 세탁기의 경우에도 세탁수가 급수되는 복수의 영역을 급수관심영역으로 설정할 수 있다.

도 6b 내지 도 6e는 급수감지 영상 데이터는 3초~5초 영상의 데이터를 기준으로(1초에 30 frame) 터브 안의 급수부를 급수관심영역으로 지정하고, 비전 알고리즘인 옵티컬 플로우를 이용한 예시도이다. 도 6b 내지 도 6e는 옵티컬 플로우를 검출하여 옵티컬 벡터의 크기가 최소 임계값을 208으로 하고 208 이상부터 검출하였다. 옵티컬 벡터는 터브의 상단 영역의 급수되는 부분에서 점 집합으로 표시되며, 짙을수록 그리고 넓을수록 세탁수가 많이 급수됨을 의미한다. 또한, 옵티컬 벡터는 급수가 안정적으로 이루어지면 분포가 넓어지고, 벡터값이 관심영역에 나열된다.

도 6b는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수감지 시작 구간의 옵티컬 벡터를 표시한 예시도이다. 도 6b는 급수감지 시작 구간에서 세탁수가 약하게 졸졸 흐르는 것을 도시한다. 급수감지 옵티컬 벡터의 크기가 268이며 이는 옵티컬 벡터(점 집합으로 표시)가 짙게 나타나지만 세탁수가 약하게 흐르기 때문에 관심영역 중 일부, 즉 도면 상 절반 정도를 차지하는 옵티컬 벡터를 나타낸다.

도 6c는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수 감지가 가장 많이 되는 구간의 옵티컬 벡터를 표시한 예시도이다. 도 6c는 급수감지 벡터값의 크기가 328이며 이는 옵티컬 벡터(점 집합)가 짙고 설정된 관심영역에 걸쳐 골고루 나타난다. 이는 약하게(졸졸) 흐르는 구간에서 강하게(줄줄) 흐르는 구간으로 바뀔 때 옵티컬 벡터가 가장 크게 표시되는 것을 확인할 수 있다.

도 6d는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 풀(full)로 급수되기 시작한 구간의 옵티컬 벡터를 표시한 예시도이다. 도 6d는 급수감지 옵티컬 벡터의 크기가 214로 세탁수가 약하게 흐르는 도 6b의 경우보다 옵티컬 벡터의 크기가 작지만, 관심영역에 걸쳐 옵티컬 벡터가 넓게 퍼져 있음을 확인할 수 있다. 관심 영역에 풀(full)로 급수되고 있음에도 옵티컬 벡터의 크기가 작은 것은 안정적으로 급수되고 있어서 분포가 고르고 옅게 나타나는 것이다.

도 6e는 도 6a에 따라 급수 관심 영역을 설정하고, 옵티컬 플로우를 이용하여 급수 정상으로 안정적으로 급수되는 옵티컬 벡터를 표시한 예시도이다. 도 6e는 급수감지 옵티컬 벡터의 크기가 262로 세탁수가 약하게 흐르는 도 6b의 경우보다 옵티컬 벡터의 크기가 작지만, 관심영역에 걸쳐 옵티컬 벡터가 넓게 퍼져 있음을 확인할 수 있다. 관심 영역에 풀(full)로 급수되고 있음에도 옵티컬 벡터의 크기가 작은 것은 안정적으로 급수되고 있어서 분포가 고르고 옅게 나타나는 것이고, 도 6d의 경우보다 더 짙음을 알 수 있다. 안정적으로 급수되는 구간에 접어든 도 6d 및 도 6e의 풀 급수 구간의 옵티컬 벡터의 평균값은 227.17이다. 따라서, 본 발명의 일 실시 예에서 옵티컬 플로우 알고리즘은 급수 관심 영역에 대한 옵티컬 벡터의 분포 및 옵티컬 벡터의 크기로 급수 레벨을 결정할 수 있다.

도 7a는 급수 레벨에 따른 프레임 평균, 표준편차, 분산, 합 및 최대값을 표시한 예시도이다. 급수 레벨은 레벨0, 레벨1-1, 레벨1-2, 및 레벨2이다. 이들은 각각 도 3b의 레벨0, 레벨1, 레벨2, 레벨3에 대응되는 것이다.

옵티컬 벡터의 평균 곡선(190)은 레벨0에서 20.17, 레벨1-1에서 130.29로 선형적으로 증가하다가, 급수 안정구간(레벨1-2 및 레벨2)에서 각각 242.19 및 243.87로 옵티컬 벡터의 크기가 거의 일정하게 나타남을 알 수 있다.

도 7b는 0, 2, 3, 4, 5 및 10 프레임까지의 옵티컬 벡터의 이동평균을 도시한 그래프의 예시도이다. 1초동안 30프레임으로 구성되므로, 3~5초동안 급수 레벨을 감지한다면 90~150프레임의 데이터가 수집될 수 있다.

도 7b는 프레임의 수가 각각 1, 2, 3, 4, 5, 및 10인 옵티컬 벡터의 이동 평균을 도시한다. 이동 평균을 구하는 이유는 도 6b 내지 도 6 e에서와 같이, 급수되는 세탁수가 약하게(졸졸) 급수되더라도 옵티컬 벡터의 크기가 268로 풀로 강하게(콸콸) 급수되는 구간의 평균 227.17보다 더 높을 수 있기 때문에, 프레임 수에 따른 누적 평균을 구하면, 옵티컬 벡터의 크기가 급수 레벨 별로 완만해지기 때문에, 급수 레벨 판단에 의미있는 실험치를 얻을 수 있다.

도 7b에 도시된 바와 같이, 1개 프레임 값의 옵티컬 벡터 그래프는 크기의 변화가 크지만, 평균하는 프레임의 수가 많아질수록 옵티컬 벡터의 크기의 변화가 완만해짐을 확인할 수 있다. 한편, 프레임 수별로 이동 평균을 5개의 프레임을 평균했을 때와 10프레임을 평균했을 때의 이동 평균 그래프는 크게 변화가 없기 때문에, 5개까지의 프레임의 이동평균으로 레벨0(Empty), 레벨1(Half1), 레벨2(Half2) 및 레벨3(Full)로 구별되는 레벨분류를 얻을 수 있다. 도 7b의 옵티컬 벡터 그래프에 따르면, 5개의 프레임을 이동평균하는 것으로 급수 레벨을 판단할 수 있다. 다른 실시 예에서는 5보다 더 크거나 작은 프레임 개수로 이동평균을 구하여 급수 레벨을 결정할 수 있다.

만약 5개의 프레임 수로 평균한 누적 평균을 구한다면 l번째 프레임, 2~6번째 프레임,… 86~90번째 프레임까지 총 86개의 5개 프레임 이동평균을 얻을 수 있다. 1~90번째 프레임에 대해 5개 프레임 평균을 구한다면, 총 86개의 5개 프레임 이동평균을 구할 수 있다. 총 86개의 5개 프레임 이동평균들을 모두 고려하여 급수 레벨을 판단할 수 있고, 종 86개의 5개 프레임 이동평균들 중 가장 많이 나타나는 최빈값의 5개 프레임 이동평균을 급수 레벨 판단의 이동평균값으로 할 수 있다. 5개 프레임의 이동평균에 대한 구체적인 데이터는 도 7c에서 설명한다.

도 7c는 5개 프레임까지의 옵티컬 벡터의 이동평균 누적값을 기재한 예시도이다. 도 7c는 레벨0(미급수), 레벨1(조금급수, 급수주의), 레벨2(많이 급수, 급수 준정상), 및 레벨3(콸콸 급수, 급수 정상) 별로 5개 프레임 평균 옵티컬 벡터의 크기의 최소값, 최대값, 평균값, 중간값 및 범위를 도시한다. 도 7c의 급수 레벨은 도 3b의 테이블의 레벨0, 레벨1, 레벨2, 및 레벨3에 대응할 수 있다.

도 7c에서 레벨0(미급수)의 옵티컬 벡터 범위는 최소값 124에서 최대값 524까지이고, 레벨1(급수주의)의 옵티컬 벡터 범위는 최소값 601에서 최대값 1212까지이고, 레벨2(급수 준정상)의 옵티컬 벡터 범위는 최소값 1725에서 최대값 2853까지이고, 레벨3(급수 정상)의 옵티컬 벡터 범위는 최소값 1777에서 최대값 3046까지로 정할 수 있다.

따라서, 본 발명의 일 실시 예에서, 3초(90프레임) 동안 수집한 옵티컬 벡터의 프레임 데이터 중 5개 프레임 이동평균이 200이라면, 레벨0으로 급수 레벨을 판단하고, 급수 에러로 간주하여 사용자에게 알릴 수 있다. 옵티컬 플로우 알고리즘은 급수 레벨을 결정하기 위해 프레임 이동평균을 적용하여 벡터 값들의 평균값으로 급수 레벨을 결정할 수 있다. 또한, 3초(90프레임) 동안 수집한 옵티컬 벡터의 프레임 데이터 중 5개 프레임 이동평균이 2200이라면, 레벨2로 급수 레벨을 판단하고, 급수 예상시간을 예측할 수 있다.

본 발명의 일 실시 예에서, 급수 레벨 별로 급수 완료 시점까지의 누적된 프레임 이동평균을 수집하여 기계학습시킴으로써, 급수 예상시간을 예측할 수 있다. 즉, 판단유닛은 급수 레벨을 결정하기 위해 급수시점과 급수완료시점까지의 프레임 이동평균을 누적시키고, 누적된 프레임 이동평균과 급수시간을 학습데이터 세트로 하여 기계학습시키고, 학습된 모델을 생성하여, 급수 예상시간을 예측할 수 있다.

다른 실시 예에서, 판단유닛은 세탁기의 통신부를 통하여 서버로 프레임 이동평균 및 급수 시간의 데이터를 전송하고, 서버에서 기계학습시켜서 학습된 모델을 생성하여 세탁기로 전송하고, 판단유닛은 전송받은 학습된 모델을 통해 급수 완료시점까지의 급수시간을 예측할 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

1: 세탁시스템 구동환경 100: 세탁기
102: 급수구 104: 급수호스
110: 세탁기 커버 120: 비전 조립체
130: 터브 140: 비전 센서
150: 조명장치 160: 급수부
170: 급수 밸브 180, 182: 급수관심영역
190: 옵티컬 벡터 평균 곡선
200: 서버 300: 사용자 단말기
400: 출력장치 500: 네트워크

Claims

내부에 급수되는 유체를 수용하는 급수 용기;
상기 급수 용기 근처 또는 상기 급수 용기에 장착되고, 상기 급수 용기 내의 급수되는 부분을 포함하는 영상을 획득하는 비전 센서; 및
상기 비전 센서에 의해 획득된 영상 정보를 기초로 기 설정된 비전 알고리즘을 통해 상기 급수 용기 내 급수되고 있는 유체의 양에 따라 급수 레벨을 결정하는 급수 레벨 판단유닛;을 포함하는
급수 레벨 검출 장치.
제 1 항에 있어서,
상기 판단유닛은 상기 영상 정보에 대해 적어도 하나의 급수 관심 영역(ROI)을 설정하고, 상기 비전 알고리즘을 통해 상기 적어도 하나의 급수 관심 영역의 피처(feature)를 검출하고, 상기 검출된 급수 관심 영역의 피처를 기초로 급수 레벨을 결정하는,
급수 레벨 검출 장치.
제 2 항에 있어서,
상기 판단유닛은 상기 영상 정보에서 상기 급수 용기의 상단의 일부분을 상기 적어도 하나의 급수 관심 영역으로 설정하는,
급수 레벨 검출 장치.
제 2 항에 있어서,
상기 판단유닛은 급수되고 있는 유체의 양에 따라 상기 급수 레벨을 급수 무, 급수 주의, 및 급수 정상의 3개 분류 또는 급수 무, 급수 주의, 급수 준정상 및 급수 정상의 4개 분류로 결정하는
급수 레벨 검출 장치.
제 4 항에 있어서,
상기 판단유닛은 상기 급수 레벨 별로 급수되고 있는 유체의 양을 기초로 급수 완료 시점의 급수 시간을 예측하는,
급수 레벨 검출 장치.
제 5 항에 있어서,
상기 판단유닛은 상기 급수 레벨 별로 급수되고 있는 유체의 양 및 상기 유체의 양으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 학습 데이터 세트를 생성하고, 기계 학습을 통해 학습된 모델을 기초로 상기 급수 레벨 별로 급수 완료 시점까지의 급수 시간을 예측하는,
급수 레벨 검출 장치.
제 4 항에 있어서,
상기 판단유닛은 급수 레벨 결정의 결과가 급수 무이면 급수 에러로 판정하는,
급수 레벨 검출 장치.
제 2 항에 있어서,
상기 비전 알고리즘은 옵티컬 플로우 알고리즘이고, 상기 피처는 옵티컬 벡터인,
급수 레벨 검출 장치.
제 8 항에 있어서,
상기 옵티컬 플로우 알고리즘은 상기 급수 관심 영역에 대한 옵티컬 벡터의 분포 및 옵티컬 벡터의 크기로 상기 급수 레벨을 결정하는 알고리즘인,
급수 레벨 검출 장치.
제 8 항에 있어서,
상기 옵티컬 플로우 알고리즘은 상기 급수 레벨을 결정하기 위해 프레임 이동평균을 적용하여 산출된 벡터 값들의 평균값을 사용하는,
급수 레벨 검출 장치.
제 1 항에 있어서,
상기급수 용기의 내부를 조명하는 조명 장치를 더 포함하는,
급수 레벨 검출 장치.
제 1 항 내지 제11항 중 어느 한 항에 따른 급수 레벨 검출 장치를 포함하는 세탁기로서, 상기 급수 용기는 세탁기 터브이고, 급수 유체는 세탁수인,
세탁기.
세탁기 터브 내의 급수 레벨 검출 방법으로서,
상기 세탁기 터브 근처에 장착된 비전 센서에 의해 급수 영상을 획득하는 단계;
상기 영상 정보에 적어도 하나의 급수 관심 영역을 설정하는 단계;
기 설정된 비전 알고리즘을 통해 급수 관심 영역의 피처를 검출하는 단계; 및
상기 검출된 급수 관심 영역의 피처를 기초로 세탁기 터브 내로 급수되고 있는 급수량에 따라 급수 레벨을 결정하는 단계;를 포함하는
급수 레벨 검출 방법.
제 13 항에 있어서,
상기 관심 영역의 피처를 검출하는 단계에서,
상기 비전 알고리즘은 옵티컬 플로우 알고리즘이고, 상기 피처는 옵티컬 벡터인,
급수 레벨 검출 방법.
제 14 항에 있어서,
상기 옵티컬 플로우 알고리즘은 상기 급수 관심 영역에 대한 옵티컬 벡터의 분포 및 옵티컬 벡터의 크기로 급수 레벨을 결정하는 알고리즘인,
급수 레벨 검출 방법.
제 14 항에 있어서,
상기 옵티컬 플로우 알고리즘은 상기 급수 레벨을 결정하기 위해 프레임 이동평균을 적용하여 산출된 옵티컬 벡터 값들의 평균값을 사용하는,
급수 레벨 검출 방법.
제 13 항에 있어서,
상기 급수 레벨을 결정하는 단계는 급수되고 있는 급수량에 따라 상기 급수 레벨을 급수 무, 급수 주의, 및 급수 정상의 3개 또는 급수 무, 급수 주의, 급수 준정상 및 급수 정상의 4개 분류로 결정하는
급수 레벨 검출 방법.
제 17 항에 있어서,
상기 급수 레벨이 급수 무이면 급수 에러로 결정하는 단계; 및
사용자 단말기 또는 TV를 통해 사용자에게 급수 에러를 알리는 단계;를 더 포함하는,
급수 레벨 검출 방법.
제 17 항에 있어서,
상기 급수 레벨 별로 급수되고 있는 급수량을 기초로 급수 완료 시점까지의 급수 시간을 예측하는 단계를 더 포함하는,
급수 레벨 검출 방법.
제 19 항에 있어서,
상기 급수 완료 시점까지의 급수 시간을 예측하는 단계는 상기 급수 레벨 별로 급수되고 있는 급수량 및 상기 급수량으로 급수가 완료되는 시점까지의 급수 시간을 레이블 값으로 하여 학습 데이터 세트를 생성하고, 기계 학습을 통해 학습된 모델을 기초로 상기 급수 레벨 별로 급수 완료 시점까지의 급수 시간을 예측하는,
급수 레벨 검출 방법.