KR20220007900A - 인공 지능형 냉장고 및 이의 식품 보관 방법 - Google Patents

Abstract

본 발명의 일 실시예에서는, 냉장고의 저장실에 설치된 카메라를 통해 상기 저장실의 이미지를 획득하는 단계, 획득한 상기 이미지를 서버로 전송하는 단계, 상기 서버에서 AI 이미지 프로세싱을 통해 상기 저장실에 새롭게 보관된 식품을 인식한 결과를 상기 서버로부터 수신하는 단계, 수신된 상기 결과에 기초해 상기 식품과 관련한 알림 정보를 상기 냉장고의 디스플레이부에 표시하는 단계를 포함하는 인공 지능형 냉장고의 식품 보관 방법을 개시한다.

Description

인공 지능형 냉장고 및 이의 식품 보관 방법

본 발명은 인공 지능에 기반해 동작하는 냉장고 및 이의 식품 보관 방법에 관한 것이다.

냉장고는 식품을 오랜 기간동안 신선하게 보관할 목적으로 사용되는 전자 제품이다. 그런데 지금까지의 냉장고는 단순히 식품을 보관하는 전자 제품이었으나, 사회가 변화하면서 냉장고는 사회적 요구를 반영해 다양한 형태로 변화하고 있다.

본 발명은 이 같은 기술적 배경에서 창안된 것으로, 냉장고에 보관되는 식품을 식별하고, 식별된 식품에 따른 맞춤 정보를 제공하는 냉장고 및 이의 제어 방법을 제공하고자 한다.

본 발명의 일 실시예에서는, 냉장고의 저장실에 설치된 카메라를 통해 상기 저장실의 이미지를 획득하는 단계, 획득한 상기 이미지를 서버로 전송하는 단계, 상기 서버에서 AI 이미지 프로세싱을 통해 상기 저장실에 새롭게 보관된 식품을 인식한 결과를 상기 서버로부터 수신하는 단계, 수신된 상기 결과에 기초해 상기 식품과 관련한 알림 정보를 상기 냉장고의 디스플레이부에 표시하는 단계를 포함하는 인공 지능형 냉장고의 식품 보관 방법을 개시한다.

상기 저장실의 이미지는, 상기 냉장고의 문이 열리는 시점에서 획득한 제1 이미지와 상기 제1 이미지를 획득한 후 상기 냉장고의 문이 닫히는 시점에서 획득한 제2 이미지를 포함할 수 있다.

상기 알림 정보를 디스플레이부에 표시하는 단계는, 상기 서버로 전송된 이미지에서 상기 식품의 식품명, 제조 일자, 제조 회사를 포함하는 검색 데이터를 추출해 이를 기초로 사고 이력을 검색한 결과를 상기 서버로부터 수신하는 단계, 상기 사고 이력이 존재하면, 상기 검색된 사고 이력에 기초해 상기 식품과 관련된 사고 내용, 이미지를 포함하는 상기 알림 정보를 생성하는 단계를 포함할 수 있다.

상기 방법은, 상기 알림 정보를 표시한 후, 상기 식품이 보관된 상기 저장실의 새로운 이미지를 획득하는 단계, 상기 새로운 이미지를 상기 서버로 전송하는 단계, 상기 새로운 이미지를 이전에 획득한 상기 이미지와 비교해 상기 식품이 현재 상기 저장실에 보관 중인지 판단한 결과를 상기 서버로부터 수신하는 단계, 상기 식품이 상기 저장실에 보관 중이면, 상기 알림 정보를 상기 디스플레이부에 다시 표시하는 단계를 더 포함할 수 있다.

상기 알림 정보는, 상기 식품의 보관 방법을 안내하는 메시지일 수 있고, 상기 메시지는 상기 식품의 보관 방법이 설명된 제1 영역과, 상기 보관 방법을 설명하는 이미지가 포함된 제2 영역을 포함할 수 있다.

상기 냉장고는 상기 저장실을 복수의 보관칸으로 구획하는 복수의 선반을 더 포함할 수 있고, 상기 카메라는 상기 복수의 보관칸 각각에 대해 개별적으로 설치될 수 있고, 상기 저장실 이미지는 상기 카메라가 상기 복수의 보관칸을 각각 촬영해서 획득한 이미지일 수 있다.

상기 알림 정보는, 상기 식품을 재료로 하는 레시피를 알려주는 메시지일 수 있고, 상기 메시지는 상기 레시피를 설명하는 이미지를 포함할 수 있다.

본 발명의 다른 실시예는 식품을 보관하는 인공 지능형 냉장고에 관한 것으로, 데이터를 저장하는 메모리, 상기 냉장고의 동작을 제어하는 프로세서를 포함하며, 상기 프로세서는, 상기 냉장고의 저장실에 설치된 카메라를 통해 상기 저장실의 이미지를 획득하고, 획득한 상기 이미지를 서버로 전송하고, 상기 서버에서 AI 이미지 프로세싱을 통해 상기 저장실에 새롭게 보관된 식품을 인식한 결과를 상기 서버로부터 수신하고, 수신된 상기 결과에 기초해 상기 식품과 관련한 알림 정보를 상기 냉장고의 디스플레이부에 표시할 수 있다.

본 발명의 일 실시예에 따르면, 사용자가 식품을 냉장고에 보관하게 되면 보관 식품의 사고 이력이나, 보관 방법을 직관적으로 제공받아 보다 편리하게 냉장고를 사용할 수가 있다.

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 3GPP 신호 전송/수신 방법의 일례를 나타낸 도면이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 4는 5G 네트워크를 기반으로 동작하는 냉장고의 시스템 구성도이다.
도 5는 본 발명의 일 실시예에 따른 냉장고 제어 방법을 보여주는 흐름도이다.
도 6은 본 발명의 일 예에 따른 냉장고의 전체 모습을 보여주는 도면이다.
도 7 내지 도 9는 저장실의 내부 이미지를 보여주는 도면들이다.
도 10은 식품을 저장실에 보관한 경우에 보여지는 디스플레이부의 모습을 보여주는 도면이다.
도 11 내지 13은 새롭게 보관된 식품과 관련한 사고 정보를 표시하는 과정을 설명하는 도면들이다.
도 14는 보관 방법이 표시된 화면을 보여주는 도면이다.
도 15는 레시피 정보가 표시된 화면을 보여주는 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 발명 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 본 발명 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 ' ~ 만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.

구성 요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.

위치 관계에 대한 설명일 경우, 예를 들어, ' ~ 상에', ' ~ 상부에', ' ~ 하부에', ' ~ 옆에' 등으로 두 부분의 위치 관계가 설명되는 경우, '바로' 또는 '직접'이 사용되지 않는 이상 두 부분 사이에 하나 이상의 다른 부분이 위치할 수도 있다.

제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용될 수 있으나, 이 구성요소들은 이들 용어에 의해 제한되지 않는다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 이하의 설명에서, 본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI(Artificial Intelligence) 장치 등일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 냉장고, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의(best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술하는 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

도 4는 상술한 5G 통신 기술들에 기반해 구성 요소간 5G 통신이 가능하도록 구현된 시스템의 개략적인 구성을 보여준다.

도 4를 참조하면, 본 발명은 상술한 5G 통신 기술에 기반해 구현될 수 있으며, 5G 통신에 기반해 냉장고(10), 서버(20), 사용자 단말(30) 사이는 지연 시간이 실질적으로 1~3ms인 데이터 통신이 가능하도록 구현될 수 있다.

본 발명은 상술한 5G 통신 기술에 따라 구현된 네트워크(40)에 냉장고(10), 서버(20) 사용자 단말(30)이 데이터 통신이 가능하도록 연결된 시스템 하에서 실시될 수 있다.

서버(20)는 사용자 단말(30) 또는 상기 냉장고(10)로부터 전송된 요청에 따라 데이터를 처리하고, 그 결과를 데이터 처리를 요청한 사용자 단말(30)이나 냉장고(10)로 전송하도록 구성된 백그라운드 서버일 수 있다. 이 서버(20)는 상술한 바와 같이 5G 통신 기술이 적용된 네트워크(40)를 통해서 사용자 단말(30) 및 냉장고(10)와 연결되어 있다.

또한, 서버(20)는 상기 네트워크(40)를 통해 사용자 단말(30) 또는 냉장고(10)로부터 수신된 요청에 기초해 인공 지능(AI)에 기반한 연산 처리를 실시하고 그 결과를 요청한 사용자 단말(30) 또는 냉장고(10)로 전송할 수 있다. 또는 선택적으록 이 AI 모듈은 냉장고(10)에 내장되어 있을 수 있다.

AI 모듈은 AI 프로세싱을 수행할 수 있는 다수의 모듈들을 포함해 구성될 수 있다.

AI 프로세싱은, 이하에서 설명되는 데이터 연산 처리를 위한 모든 동작들을 포함할 수 있다. 예를 들어, AI 모듈은 센싱 데이터 또는 획득된 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 수신된 데이터를 AI 프로세싱하여 지능형 전자 기기의 제어를 수행할 수 있다.

AI 모듈은 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, 상기 AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다.

이 같은 AI 모듈은 신경망을 학습할 수 있는 컴퓨팅으로 메모리에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 모듈은 이미지 분석 및 음성 인식 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함할 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 AI 모듈은 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

한편, AI 모듈은 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 데이터 학습부는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 모듈에 탑재될 수 있다. 예를 들어, 데이터 학습부는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 모듈에 탑재될 수도 있다. 또한, 데이터 학습부는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부는 학습 데이터 획득부 및 모델 학습부를 포함할 수 있다.

학습 데이터 획득부는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.

모델 학습부는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부는 학습된 신경망 모델을 AI 모듈과 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부 및 학습 데이터 선택부를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 지능형 전자 기기의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

또한, 이와 같은 AI 모듈에 기반해 획득된 결과 값은 네트워크(40)를 통해 냉장고(10)로 전달되어 디스플레이부(21) 또는 사용자 단말(30)에서 표시될 수 있다.

사용자 단말(30)은 네트워크(40)를 통해 서버(20)나 냉장고(10)에 데이터 처리를 요청하거나 수신해 해당하는 기능을 제공하도록 구성된 전자 장치로, 이 같은 기능이 내장된 스마트 폰, 랩탑 컴퓨터, 노트북 컴퓨터, 스마트 TV, 웨어러블 디바이스(wearable device)일 수 있다. 사용자 단말(30)은 네트워크(40)에 연결되어 어떤 특정 명령이나 메시지 등을 전송하거나 수신하기 위해 사전에 상기 네트워크에 연결되기 위한 소정의 절차를 통해 상기 네트워크에 등록되어야 할 수도 있다.

한편, 사용자 단말(30)은 반드시 네트워크를 통해 냉장고(10)에 연결되어야만 하는 것은 아니며, 근거리 통신이 가능한 와이파이 통신, 또는 홈네트워크를 통해서 상기 냉장고(10)와 데이터 통신이 가능하도록 연결되는 것도 가능하다.

냉장고(10)는 그 내부에 설치되는 다양한 센서들을 포함해 구성될 수 있다. 이 센서들은 냉장고 내부에 보관된 식품과 관련해 필요한 정보들을 획득하도록 도와준다. 이 센서들은 일 예로, 온도 센서, 냄새 센서, 압력 센서, 하중 센서, 위치 센서, 광 센서 등 중 적어도 하나를 포함하며, 또한 필요에 따라 이 센서들을 조합해 원하는 정보를 획득할 수 있도록 구성될 수도 있다.

또한, 냉장고(10)는 그 내부에 설치된 하나 이상의 카메라를 포함할 수 있으며, 카메라는 특정 조건이 만족할 때마다 냉장고 내부를 촬영해 촬영 시점의 냉장고 내부 이미지를 획득하고, 획득된 이미지를 통해서 냉장고 내부에 보관 중인 식품의 상태, 종류, 개수 등 연산 처리에 필요한 정보들을 획득할 수 있도록 동작할 수 있다. 바람직한 예에서, 카메라는 센서들과 조합해 필요한 데이터를 획득하도록 동작할 수 있다.

이하에서 설명되는 본 발명의 일 실시예에 따른 제어 방법은 냉장고(10), 서버(20), 사용자 단말(30)이 각각 또는 이들이 연계된 동작에 의해 실행될 수 있으며, 아래에서 설명되는 바는 일 실시예에 따른 것일 뿐 이 방법에 의해 본 발명을 제한하고자 함은 아니다. 또한 이하의 설명은 단순히 설명의 편의를 위해 AI 모듈이 서버(20)에 구현되어 있는 경우를 예로 설명한다.

도 5는 본 발명의 일 실시예에 따른 냉장고 제어 방법을 보여주는 흐름도이다.

도 5에서, 본 발명의 일 실시예에 따른 인공지능형 냉장고의 제어 방법은, 저장실의 이미지를 획득하는 단계(S1000), 상기 저장실에 새롭게 보관된 식품(이하, 새 식품)을 구별하는 단계(S2000), 새 식품과 관련된 알림 정보를 사용자에게 제공하는 단계 (S3000)를 포함할 수 있다. 여기서, 알림 정보는 새 식품과 관련해 식품을 어떻게 보관해야 하는지, 이전에 사고가 있었던 식품인지, 맞는 저장실에 보관이 됐는지 등과 관련되어 사용자의 주의를 환기시키기 위해서 사용자의 사용자 단말 또는 냉장고의 디스플레이부를 통해 사용자에게 제공될 수 있다.

저장실의 이미지를 획득하는 단계(S1000)는 냉장고(10)의 저장실에 새롭게 보관되는 식품을 확인하는 과정으로, 저장실의 이미지는 새롭게 보관되는 식품을 인식할 수 있게 특정 시점을 기준으로 획득된 적어도 2장 이상의 이미지가 이용될 수 있다. 바람직한 한 형태에서, 상기 저장실의 이미지는 냉장고의 문이 열리는 시점에서 획득한 제1 이미지와 상기 제1 이미지를 획득한 후 상기 냉장고의 문이 닫히는 시점에서 획득한 제2 이미지를 포함할 수 있다.

새 식품을 구별하는 단계(S2000)는 보관 시점에서 획득된 이미지를 기반으로 어떤 식품이 새롭게 보관되었는지 확인하는 단계이다. 이 단계에서는 이미지로부터 새롭게 추가된 식품이 무엇인지 효과적으로 알 수 있게, AI 이미지 분석이 이용될 수 있다. 여기서, AI 이미지 분석은 인공지능을 통한 이미지 분석을 말하며, 이 AI 이미지 분석은 서버에 탑재된 AI 모듈을 통해 구현될 수 있다.

새 식품과 관련된 알림 정보를 제공하는 단계(S3000)에서는 저장실에 새롭게 보관된 식품은 AI 이미지 분석에 의해 추출되고, 이를 기반으로 새 식품의 맞춤형 알림 정보들이 사용자에게 제공될 수 있다. 사용자는 단순히 새로운 식품을 냉장고에 보관하는 것만으로, 식품을 어떻게 보관해야 하는지 알 수 있고, 또한 과거에 사고가 있었던 식품인지를 알 수가 있다.

이하, 본 발명의 일 실시예에 따른 냉장고(10)에 대해 도 6 내지 도 7을 참조로 설명한다.

도 6 내지 도 7을 참조하면, 냉장고(10)는 구획된 저장실(12, 13)을 가지며, 각각의 저장실의 입구에 설치되어 저장실을 개폐하는 도어(20, 30)를 포함할 수 있다. 예로, 저장실은 냉장실, 냉동실 등과 같이 온도를 달리하는 다양한 형태의 저장 공간을 포함할 수 있고, 도면에서는 상측에 냉장실(12)이 위치하고, 하측에 냉동실(13)이 위치하는 형태로 저장 공간이 배치되는 것을 예시한다.

본체(10)의 일측으로는 냉장고(10)의 전반적인 동작을 제어하기 위한 콘트롤 보드(14)가 위치할 수 있다. 콘트롤 보드(14)는 식품을 보관하는데 필요한 일련의 연산 처리뿐만 아니라, 상술한 제어 방법의 실시와 관련된 일련의 연산 처리를 담당해 서버(20) 또는 사용자 단말(30)과 필요한 데이터 통신 동작을 수행하거나, 냉장고(10)의 동작을 제어할 수 있다. 이 콘트롤 보드(14)는 또한 프로세서로 불릴 수 있다.

저장 공간은 냉장실(12)과 냉동실(13)을 포함하는 저장실일 수 있다. 냉장실(12)과 냉동실(13)의 위치는 도시된 것에 한정되지 않고 다양한 변형이 가능하다. 냉장실(12) 및/또는 냉동실(13)은 공간을 나눠 식품을 보관할 수 있도록 선반(42)에 의해 복수 개로 나눠져 있을 수 있다. 도면에서는 선반(42)에 의해 저장실(41)이 4개의 보관칸(41a~41d)으로 구획되는 것을 예시한다.

바람직한 한 형태에서, 저장실의 내부 이미지를 촬영하는 카메라는 각 보관칸(41a~41d)에 대응하도록 각각 설치될 수가 있고, 이 같은 구성을 통해서 저장실의 내부 이미지를 보다 정확하게 획득할 수가 있다. 도시된 바와 같이, 제1 카메라(C1)는 제1 보관칸(41a)을 촬영할 수 있도록 그 상부에 설치되고, 제2 카메라(C2)는 제2 보관칸(41b)을 촬영할 수 있도록 제1 보관칸(41a)과 제2 보관칸(41b)을 나누는 제1 선반 하부에 설치될 수가 있다. 또한 제3 및 제4 카메라 역시 이와 동일하게 각 보관칸의 상부에 설치될 수가 있다.

프로세서(14)는 저장실의 도어가 열리는 시점과 닫히는 시점에서 각각 제1 내지 제4 카메라(41a~41d)의 동작을 제어해 각 보관칸(41a~41d)의 제1 이미지(도어가 열리는 시점의 이미지로 도 8이 이를 예시함)와 제2 이미지(도어가 닫히는 시점의 이미지로 도 9가 이를 예시함)를 획득하고, 획득된 제1 이미지와 제2 이미지를 네트워크를 통해 서버로 전달할 수가 있다. 그럼, 서버에 탑재된 AI 모듈은 AI 이미지 분석을 통해 사용자가 냉장고에 새롭게 추가한 식품(43)을 확인할 수가 있다. AI 모듈의 연산 처리 결과는 네트워크를 통해서 냉장고에 전달이 되고, 추가된 식품(43)과 관련한 알림 정보를 사용자에게 제공하기 위해서 참조될 수 있다.

한편, 냉장실 도어(20) 또는 냉동실 도어(30)의 바깥 일측에는 디스플레이부(21)가 구비될 수 있다. 도면에는 냉장실 도어(20)의 일측에 디스플레이부(21)가 구비된 것으로 도시되어 있으나, 본 발명의 기술적 사상은 이에 한정되지 않는다. 디스플레이부(21)는 사용자로 하여금 냉장고(10) 편으로 필요한 명령 또는 정보를 입력할 수 있도록 하는 사용자 입력부(일 예로, 터치 입력부, 음성 인식 입력부, 제스쳐 입력부 등)를 제공할 수 있다. 또한 이 디스플레이부(21)는 사용자 단말(30), 서버(20)에서 네트워크(40)를 통해 수신된 일련의 메시지나 정보 처리 결과들을 표시하는 인터페이스로 기능할 수도 있다.

또는, 사용자는 냉장고(10)의 디스플레이부(21) 또는 사용자 단말(30)을 인터페이스로 활용해 보관하고자 하는 식품을 직접 입력할 수도 있다. 이를 위해 예를 들어 냉장고(10)는 디스플레이부(21)에 보관하고자 하는 식품을 입력할 수 있도록 유저 인터페이스(User Interface)를 제공하게 되고, 사용자는 이 유저 인터페이스를 통해서 보관하려는 식품을 냉장고(10)에 등록할 수가 있다. 사용자 단말(30)을 이용하는 경우는 사용자 단말(30)을 냉장고(10)와 연결시키는 과정이 선행될 수 있고, 이 경우에 사용자 단말(30)과 냉장고(10)는 네트워크(40)를 통한 연결도 가능하겠으나, 보다 바람직하게는 근거리 통신을 위한 와이파이(wifi) 또는 블루투스(bluetooth)를 통해 연결될 수 있다.

프로세서(14)는 냉장실의 도어(20, 30)의 열림을 감지하고, 각 보관칸(41a~41d)에 대응하게 설치된 카메라(C1~C4)를 동작 제어해, 상기 도어가 열리는 시점에서 저장실의 이미지를 획득할 수 있다. 이때, 획득된 이미지는 각 카메라((C1~C4)가 각 보관칸(41a~41d)을 촬영해서 획득한 복수의 이미지일 수가 있다.

또한, 프로세서(14)는 시간적으로 냉장고의 도어가 열린 이후에서 상기 도어가 닫히는 시점에서, 상기 카메라(C1~C4)를 동작 제어해 각 보관칸(41a~41d)의 이미지를 획득할 수 있다. 여기서, 도어가 열리는 시점에서 획득한 이미지는 제1 이미지라 하고, 도어가 닫히는 시점에서 획득한 이미지는 제2 이미지라 한다.

프로세서(14)는 획득한 제1 이미지(예로, 도 8)와 제2 이미지(예로, 도 9)를 네트워크를 통해 서버로 전송하고, 서버에 탑재된 AI 모듈은 AI 이미지 분석을 통해 사용자가 냉장고에 새롭게 추가한 식품(43)을 구별해 낼 수 있고, 그 결과는 5G 통신이 가능한 네트워크를 통해 냉장고(20)에 빠른 속도로 전달될 수가 있다.

한편, 도 10은 냉장고(20)가 서버로부터 이미지 분석 결과를 수신한 경우에, 디스플레이부(21)에 표시되는 알림 정보의 일 예를 예시하는 도면이다. 도 10에서 예시하는 바처럼, 알림 정보는 메시지 형태로 사용자에게 제공될 수 있으며, 이미지 분석 결과를 수신한 프로세서(14)는 수신된 분석 결과에 기초해 메시지(M1)를 생성하고, 디스플레이부(21)에 이 메시지(M1)를 표시하도록 동작할 수 있다. 메시지(M1)는 냉장고에 새롭게 추가된 식품의 이미지와, 추가된 식품과 관련된 설명을 포함할 수가 있다. 이에 의하면, 사용자는 냉장고(20)에 보관하는 식품을 손 쉽게 확인하는 것이 가능하며, 또한 이하에서 설명되는 바와 같이 사용자는 새롭게 보관하는 식품의 다양한 알림 정보, 즉 보관 방법이나 과거에 사고가 있었던 식품인지를 손쉽게 알 수가 있다.

또한, 알림 정보는 식품과 관련한 사고 이력을 사용자에게 안내하는 메시지일 수 있다. 이하, 도 11을 참조로 이에 대해 설명한다.

냉장고로부터 제1 이미지와 제2 이미지를 수신한 AI 모듈은 AI 이미지 분석을 통해 사용자가 냉장고에 새롭게 추가한 식품(43)(이하, 새 식품이라 함)을 구별하고(S3010, S3020), 또한 제2 이미지로부터 새 식품의 식품명, 제조 일자, 제조 회사와 같은 검색 데이터를 추출할 수 있다(S3030).

이후, AI 모듈은 추출된 검색 데이터를 기초로, 학습된 바에 따라 새 식품과 관련한 사고 이력을 서칭(searching)하고(S3030), 서칭한 결과를 네트워크를 통해 냉장고(20)에 전송할 수 있다.

서칭한 결과(S3040) 사고 이력이 존재하지 않았다면, 프로세서(14)는 단계를 종료하고, 서칭한 결과 사고 이력이 존재하였다면, 서버로부터 수신된 서칭한 결과를 기초로 새 식품과 관련한 사고 내용, 식품의 이미지, 사고 날짜가 포함된 메시지(M2)를 생성하고(S3060), 생성된 메시지(M2)를 디스플레이부(21)에 표시해(S3040) 사용자에게 사고 내용을 안내해 식품의 섭취에 주의를 환기시킬 수 있다.

도 12는 도 11을 통해 설명한 사고 이력에 관한 메시지(M2)의 예를 보여주는 도면이다.

도시된 바와 같이, 메시지(M2)는 사고 내용을 설명하는 제1 영역(A1)과 식품의 이미지가 포함된 제2 영역(A2)을 포함할 수 있고, 여기서, 이미지는 정지 이미지뿐만 아니라 사고 식품과 관련된 영상(예를 들어, 사고 뉴스 등)을 포함할 수 있다. 메시지(M2)가 이미지를 포함함으로써 사용자는 직관적으로 식품과 관련한 사고 내역을 알 수가 있다.

한편, 제1 영역은 링크 정보를 더 포함하는 것도 가능하다.

도 13을 통해 설명하는 바와 같이, 프로세서(14)는 S3070 단계에서 메시지(M2)를 표시한 이후, 주기적으로 새 식품이 보관된 저장실의 이미지를 획득할 수가 있다. 프로세서(14)는 상기 제1 이미지를 획득하는 시점에서 저장실을 식별할 수 있는 식별자를 이미지와 연관해서 기록할 수 있으며, 이 단계에서 프로세서(14)는 도어의 문 열림과 상관없이 이 식별자를 기준으로 새 식품이 보관된 저장실을 구분해 해당 저장실의 이미지를 주기적으로 획득할 수가 있다(S3021).

이후, 프로세서(14)는 상기 단계(S3021)에서 획득한 새로운 이미지를 네트워크를 통해 서버로 전달하고, AI 모듈은 이전에 획득한 과거 이미지를 상기 새로운 이미지와 비교해 새 식품이 여전히 보관 중인지를 판단하고(S3023), 그 결과를 네트워크를 통해 냉장고(20)에 전달할 수가 있다(S3022). 여기서, 과거 이미지와 새로운 이미지는 상기 식별자를 기준으로 매칭될 수가 있다

판단 결과, 보관중이지 않다면, 프로세서(14)는 단계를 종료하나, 여전히 상기 새 식품을 보관중이면, 프로세서(14)는 S3060 단계에서 생성하고 메모리에 저장되었던 메시지를 읽어와 디스플레이부(21)에 다시 표시할 수 있다(S3024).

한편, 알림 정보는 새 식품의 보관 방법을 안내하는 메시지일 수도 있다. 도 14는 보관 방법을 설명하는 메시지의 일 예를 설명하는 도면이다.

메시지(M3)는 제1 영역(61a)과 제2 영역(61b)을 포함해 구성될 수 있고, 이 중 제1 영역(61a)은 새 식품을 어떻게 보관하는지 설명하는 텍스트를 포함하는 영역일 수 있고, 제2 영역(61b)은 보관 방법을 이미지로 설명하는 영역일 수 있다. 여기서, 이미지는 사진이거나 동영상 모두를 포함할 수 있다. 또한 제1 영역이나 제2 영역 중 적어도 하나의 영역으로는 보관 방법을 자세히 설명하는 동영상이나, 텍스트로 연결되는 링크 정보를 더 포함할 수도 있다.

이 같은 메시지(M3)는 바람직한 한 형태에서, 냉장고(20)의 디스플레이부(21)에 표시될 수가 있다.

S2000 단계에서 저장실에 보관된 새 식품이 식별되면, 프로세서(14)는 식별된 식품에 기초해 메모리에 저장된 해당 식품과 연관해 저장된 저장 방법을 읽어 들여 상기 메시지(M3)를 생성할 수 있다.

또는, 서버에서 AI 이미지 분석을 통해 새 식품을 식별하고, 또한 새 식품의 저장 방법에 관한 정보를 인공 지능을 통해 획득하거나 또는 메모리에 해당 식품과 연관해 저장된 저장 방법을 읽어 들이고, 그 결과를 냉장고(20)에 전송하는 것도 가능하다.

또한, 알림 정보는 새 식품을 재료로 하는 레시피 정보일 수도 있다. 도 15는 레시피 정보를 보여주는 메시지의 일 예를 보여주는 도면이다.

메시지(M4)는 제1 영역(71a)과 제2 영역(71b)를 포함할 수가 있고, 이중 제1 영역(71a)은 새 식품과 관련된 추천 레시피를 설명하는 등의 텍스트를 포함하는 영역일 수 있고, 제2 영역(71b)는 레시피를 설명하는 이미지를 포함하는 영역일 수 있다. 여기서, 이미지는 바람직하게 동영상일 수 있다.

S2000 단계에서 저장실에 보관된 새 식품이 식별되면, 프로세서(14)는 식별된 식품에 기초해 메모리에 저장된 해당 식품과 연관해 저장된 레시피 정보 읽어 들여 상기 메시지(M4)를 생성할 수 있다.

또는, 서버에서 AI 이미지 분석을 통해 새 식품을 식별하고, 또한 새 식품의 레시피 정보를 인공 지능을 통해 획득하거나 또는 메모리에 해당 식품과 연관해 저장된 레시피 방법을 읽어 들이고, 그 결과를 냉장고(20)에 전송하는 것도 가능하다.

상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시 적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (18)

1. 냉장고의 저장실에 설치된 카메라를 통해 상기 저장실의 이미지를 획득하는 단계;
   획득한 상기 이미지를 서버로 전송하는 단계;
   상기 서버에서 AI 이미지 프로세싱을 통해 상기 저장실에 새롭게 보관된 식품을 인식한 결과를 상기 서버로부터 수신하는 단계; 및
   수신된 상기 결과에 기초해 상기 식품과 관련한 알림 정보를 상기 냉장고의 디스플레이부에 표시하는 단계;
   를 포함하는 인공 지능형 냉장고의 식품 보관 방법.
2. 제1항에 있어서,
   상기 저장실의 이미지는, 상기 냉장고의 문이 열리는 시점에서 획득한 제1 이미지와 상기 제1 이미지를 획득한 후 상기 냉장고의 문이 닫히는 시점에서 획득한 제2 이미지를 포함하는 인공 지능형 냉장고의 식품 보관 방법.
3. 제1항에 있어서,
   상기 알림 정보를 디스플레이부에 표시하는 단계는,
   상기 서버로 전송된 이미지에서 상기 식품의 식품명, 제조 일자, 제조 회사를 포함하는 검색 데이터를 추출해 이를 기초로 사고 이력을 검색한 결과를 상기 서버로부터 수신하는 단계; 및
   상기 사고 이력이 존재하면, 상기 검색된 사고 이력에 기초해 상기 식품과 관련된 사고 내용, 이미지를 포함하는 상기 알림 정보를 생성하는 단계;
   를 포함하는 인공 지능형 냉장고의 식품 보관 방법.
4. 제3항에 있어서,
   상기 알림 정보를 표시한 후,
   상기 식품이 보관된 상기 저장실의 새로운 이미지를 획득하는 단계;
   상기 새로운 이미지를 상기 서버로 전송하는 단계;
   상기 새로운 이미지를 이전에 획득한 상기 이미지와 비교해 상기 식품이 현재 상기 저장실에 보관 중인지 판단한 결과를 상기 서버로부터 수신하는 단계; 및
   상기 식품이 상기 저장실에 보관 중이면, 상기 알림 정보를 상기 디스플레이부에 다시 표시하는 단계;
   를 더 포함하는 인공 지능형 냉장고의 식품 보관 방법.
5. 제1항에 있어서,
   상기 알림 정보는, 상기 식품의 보관 방법을 안내하는 메시지인 인공 지능형 냉장고의 식품 보관 방법.
6. 제5항에 있어서,
   상기 메시지는 상기 식품의 보관 방법이 설명된 제1 영역과, 상기 보관 방법을 설명하는 이미지가 포함된 제2 영역을 포함하는 인공 지능형 냉장고의 식품 보관 방법.
7. 제1항에 있어서,
   상기 저장실을 복수의 보관칸으로 구획하는 복수의 선반을 더 포함하고,
   상기 카메라는 상기 복수의 보관칸 각각에 대해 개별적으로 설치되고,
   상기 저장실 이미지는, 상기 카메라가 상기 복수의 보관칸을 각각 촬영해서 획득한 이미지인 인공 지능형 냉장고의 식품 보관 방법.
8. 제1항에 있어서,
   상기 알림 정보는, 상기 식품을 재료로 하는 레시피를 알려주는 메시지인 인공 지능형 냉장고의 식품 보관 방법.
9. 제8항에 있어서,
   상기 메시지는 상기 레시피를 설명하는 이미지를 포함하는 인공 지능형 냉장고의 식품 보관 방법.
10. 식품을 보관하는 인공 지능형 냉장고에 관한 것으로,
    데이터를 저장하는 메모리; 및
    상기 냉장고의 동작을 제어하는 프로세서를 포함하며,
    상기 프로세서는,
    상기 냉장고의 저장실에 설치된 카메라를 통해 상기 저장실의 이미지를 획득하고,
    획득한 상기 이미지를 서버로 전송하고,
    상기 서버에서 AI 이미지 프로세싱을 통해 상기 저장실에 새롭게 보관된 식품을 인식한 결과를 상기 서버로부터 수신하고,
    수신된 상기 결과에 기초해 상기 식품과 관련한 알림 정보를 상기 냉장고의 디스플레이부에 표시하는 인공지능형 냉장고.
11. 제10항에 있어서,
    상기 저장실의 이미지는, 상기 냉장고의 문이 열리는 시점에서 획득한 제1 이미지와 상기 제1 이미지를 획득한 후 상기 냉장고의 문이 닫히는 시점에서 획득한 제2 이미지를 포함하는 인공 지능형 냉장고.
12. 제10항에 있어서,
    상기 프로세서는,
    상기 서버로 전송된 이미지에서 상기 식품의 식품명, 제조 일자, 제조 회사를 포함하는 검색 데이터를 추출해 이를 기초로 사고 이력을 검색한 결과를 상기 서버로부터 수신하고,
    상기 사고 이력이 존재하면, 상기 검색된 사고 이력에 기초해 상기 식품과 관련된 사고 내용, 이미지를 포함하는 상기 알림 정보를 생성하는 인공 지능형 냉장고.
13. 제12항에 있어서,
    상기 프로세서는,
    상기 알림 정보를 표시한 후,
    상기 식품이 보관된 상기 저장실의 새로운 이미지를 획득하고,
    상기 새로운 이미지를 상기 서버로 전송하고,
    상기 새로운 이미지를 이전에 획득한 상기 이미지와 비교해 상기 식품이 현재 상기 저장실에 보관 중인지 판단한 결과를 상기 서버로부터 수신하고,
    상기 식품이 상기 저장실에 보관 중이면, 상기 알림 정보를 상기 디스플레이부에 다시 표시하는 인공 지능형 냉장고.
14. 제10항에 있어서,
    상기 알림 정보는, 상기 식품의 보관 방법을 안내하는 메시지인 인공 지능형 냉장고.
15. 제14항에 있어서,
    상기 메시지는 상기 식품의 보관 방법이 설명된 제1 영역과, 상기 보관 방법을 설명하는 이미지가 포함된 제2 영역을 포함하는 인공 지능형 냉장고.
16. 제10항에 있어서,
    상기 저장실을 복수의 보관칸으로 구획하는 복수의 선반을 더 포함하고,
    상기 카메라는 상기 복수의 보관칸 각각에 대해 개별적으로 설치되고,
    상기 저장실 이미지는, 상기 카메라가 상기 복수의 보관칸을 각각 촬영해서 획득한 이미지인 인공 지능형 냉장고.
17. 제10항에 있어서,
    상기 알림 정보는, 상기 식품을 재료로 하는 레시피를 알려주는 메시지인 인공 지능형 냉장고.
18. 제17항에 있어서,
    상기 메시지는 상기 레시피를 설명하는 이미지를 포함하는 인공 지능형 냉장고.

Images