KR102546807B1 - 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 - Google Patents
대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102546807B1 KR102546807B1 KR1020210102145A KR20210102145A KR102546807B1 KR 102546807 B1 KR102546807 B1 KR 102546807B1 KR 1020210102145 A KR1020210102145 A KR 1020210102145A KR 20210102145 A KR20210102145 A KR 20210102145A KR 102546807 B1 KR102546807 B1 KR 102546807B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- training
- stool
- objects
- food
- Prior art date
Links
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010191 image analysis Methods 0.000 title claims abstract description 14
- 230000002550 fecal effect Effects 0.000 title 1
- 235000013305 food Nutrition 0.000 claims abstract description 103
- 235000015097 nutrients Nutrition 0.000 claims abstract description 19
- 230000029087 digestion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 abstract description 124
- 238000013528 artificial neural network Methods 0.000 abstract description 64
- 230000035764 nutrition Effects 0.000 abstract description 42
- 210000003608 fece Anatomy 0.000 description 26
- 239000000284 extract Substances 0.000 description 21
- 238000012545 processing Methods 0.000 description 21
- 230000015654 memory Effects 0.000 description 20
- 238000010801 machine learning Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 15
- 230000036541 health Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 235000019621 digestibility Nutrition 0.000 description 6
- 235000013376 functional food Nutrition 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 235000013402 health food Nutrition 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 2
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 2
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 2
- 235000002767 Daucus carota Nutrition 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001079 digestive effect Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004798 organs belonging to the digestive system Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Nutrition Science (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
대변 이미지 분석 기반 필요 영양 정보 제공 방법, 장치 및 시스템이 개시된다. 일실시예에 따른 대변 이미지 분석 기반 필요 영양 정보 제공 방법은, 식별자에 대응하는 대변 이미지들을 획득하고, 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출하며, 제1 트레이닝 덩어리 객체들 및 제1 레이블들-제1 레이블들은 트레이닝 덩어리 객체들에 대응하는 식품들의 정보임-에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 덩어리 객체들을 불완전 소화 식품 정보들로 분류하고, 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 식별자에 대응하는 필요 영양분 정보를 생성한다.
Description
아래 실시예들은 대변 이미지 분석에 기반한 영양 정보 제공 방법, 장치 및 시스템에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 공개특허공보 KR 10-2020-0141776 A는 대변 이미지를 이용한 영유아 건강 관리 방법 및 장치를 개시한다. 구체적으로, 선행문헌은 대변 이미지와 더불어 바이탈 사인 데이터 및 병원 기록 데이터 중 적어도 하나 이상의 데이터를 기 설정된 시간 동안 시계열적으로 수집하는 단계와, 수집한 대변 이미지 각각의 분석을 통해 대변 상태 정보를 도출하는 단계와, 대변 상태 정보와 획득한 데이터를 기반으로 정상 상태, 질환 상태 및 건강 상태별 판단용 대변 상태 정보를 생성하여 사용자 데이터베이스에 저장하는 단계와, 이후, 영유아의 대변 이미지를 획득하는 단계와, 이후 획득한 대변 이미지에 대한 분석을 통해 대변 상태 정보를 생성하는 단계와, 대변 상태 정보와 사용자 데이터베이스에 저장된 정상 상태, 질환 상태 및 건강 상태별 판단용 대변 상태 변화 정보간의 비교를 통해 대변 상태 정보와 기 설정된 임계 범위 내에서 일치한 판단용 대변 상태 정보가 사용자 데이터베이스에 존재하는지를 판단하는 단계와, 판단 결과, 일치한 판단용 대변 상태 정보가 존재할 경우 영유아의 상태 판단 정보를 생성하는 단계와, 생성한 상태 판단 정보를 기 등록된 사용자측 단말에 전송하는 단계를 포함하는 대변 이미지 기반의 영유아 건강 관리 방법을 개시한다.
이를 통해, 선행문헌은 영유아의 대변 이미지와 더불어 병원 기록 데이터, 섭식 기록 데이터 및 바이탈 사인 데이터 중 적어도 하나 이상을 이용하여 영유아의 상태별 판단용 대변 상태 정보를 생성한 후 이를 기반으로 대변 이미지를 이용하여 영유아의 상태를 판단함으로써, 영유아의 건강 관리에 도움을 줄 수 있다.
또한, 대한민국 공개특허공보 KR 10-2020-0119135 A는 신경망 모듈을 이용한 대변상태 분석방법 및 이를 위한 시스템을 개시한다. 구체적으로, 선행문헌은 환자의 신체에 장착되는 자동 배설물 처리장치의 장착구에 설치된 온도센서, 습도센서, 자이로센서, 가스센서, 및 이미지센서로부터 각각, 미리 결정된 시구간 동안의 온도정보, 습도정보, 상기 환자의 자세정보, 가스정보, 및 이미지정보를 수집하여 상기 수집된 정보들에 대한 전처리 단계를 수행하도록 되어 있는, 처리부 및 상기 전처리 단계가 수행되어 상기 처리부로부터 출력된 입력정보인 온도값, 습도값, 자세값, 가스농도값, 가스발생횟수, 및 이미지값을 입력받아 상기 환자의 대변상태값을 출력하는 신경망 모듈을 포함하는, 서버를 개시한다.
이를 통해, 선행문헌은 신경망 모듈을 이용하여 환자의 대변상태를 분석하는 방법 및 이를 위한 서버를 제공할 수 있다.
그러나 선행문헌들은 식별자에 대응하는 대변 이미지들을 획득하고, 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출하며, 덩어리 객체들을 불완전 소화 식품 정보들로 분류하고, 불완전 소화 식품 정보들에 기초하여 식별자에 대응하는 필요 영양분 정보를 생성하는 기술적 특징을 개시하지 않는다.
실시예들은 대변 이미지 분석 기반 필요 영양 정보를 제공하고자 한다.
실시예들은 필요 영양 정보에 기초하여 추천 식품 정보를 제공하고자 한다.
실시예들은 추천 식품 정보에 따른 식품 섭취 후의 소화 상태에 대한 피드백을 제공하고자 한다.
본 발명의 실시예에 따른 대변 이미지 분석 기반 영양 정보 제공 방법은, 식별자에 대응하는 대변 이미지들을 획득하는 단계; 상기 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출하는 단계; 제1 트레이닝 덩어리 객체들 및 제1 레이블들 - 상기 제1 레이블들은 상기 트레이닝 덩어리 객체들에 대응하는 식품들의 정보임 - 에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 상기 덩어리 객체들을 불완전 소화 식품 정보들로 분류하는 단계; 및 상기 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 상기 식별자에 대응하는 필요 영양분 정보를 생성하는 단계를 포함한다.
일 실시예로서, 상기 필요 영양분 정보에 기초하여, 상기 식별자에 대응하는 추천 식품 정보를 생성하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 추천 식품 정보에 따른 식품을 섭취하고 난 후의 적어도 하나의 제2 대변 이미지를 획득하는 단계; 상기 제2 대변 이미지를 이용하여 상기 추천 식품 정보에 따른 식품의 소화 상태를 판단하는 단계; 상기 식품의 소화 상태에 기초하여 상기 추천 식품 정보에 따른 식품에 대한 피드백 정보를 생성하는 단계; 및 상기 피드백 정보를 상기 식별자에 대응하는 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 대변 이미지들을 획득하는 단계는, 상기 식별자에 대응하는 대변 이미지들을 획득하기 위한 소정 기간 및 대변 이미지 개수에 기초하여, 상기 대변 이미지들을 획득하는 단계를 포함하고, 상기 소정 기간 및 상기 대변 이미지 개수는 상기 식별자에 대응하는 나이, 성별, 모유수유 여부 및 몸무게 중 적어도 하나에 기초하여 미리 정의될 수 있다.
일 실시예로서, 상기 덩어리 객체들을 추출하는 단계는 상기 대변 이미지들로부터 특정 패턴을 갖는 후보 객체들을 검출하는 단계; 상기 후보 객체들을 미리 학습된 제2 뉴럴 네트워크를 이용하여 음식물 또는 이물질로 분류하는 단계; 및 상기 음식물로 분류된 후보 객체를 덩어리 객체로 분류하는 단계를 포함할 수 있다.
일 실시예로서, 제1 트레이닝 대변 이미지들을 획득하는 단계; 상기 제1 트레이닝 대변 이미지들로부터 상기 제1 트레이닝 덩어리 객체들을 추출하는 단계; 상기 제1 트레이닝 덩어리 객체들에 대응하는 식품들의 정보인 상기 제1 레이블들을 획득하는 단계; 상기 제1 트레이닝 덩어리 객체들을 상기 제1 뉴럴 네트워크로 적용하여, 상기 제1 트레이닝 덩어리 객체들에 대응하는 트레이닝 출력들을 생성하는 단계; 및 상기 트레이닝 출력들 및 상기 제1 레이블들에 기초하여, 상기 제1 뉴럴 네트워크를 학습시키는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 불완전 소화 식품 정보들로 분류하는 단계는 상기 대변 이미지들에 포함된 상기 덩어리 객체들의 크기들 및 개수들을 획득하는 단계; 및 상기 획득된 크기들 및 개수들의 분포 정보를 미리 학습된 제3 뉴럴 네트워크로 적용하여 상기 대변 이미지들에 대응하는 불완전 소화 식품 정보들을 생성하는 단계를 포함할 수 있다.
일 실시예로서, 트레이닝 대변 이미지들을 획득하는 단계; 상기 트레이닝 대변 이미지들로부터 상기 제1 트레이닝 덩어리 객체들을 추출하는 단계; 상기 제1 트레이닝 덩어리 객체들로부터 상기 제1 트레이닝 덩어리 객체들의 크기들 및 개수들의 분포 정보인 제1 트레이닝 분포 정보를 추출하는 단계; 상기 제1 트레이닝 분포 정보에 대응하는 불완전 소화 식품 정보들인 제2 레이블들을 획득하는 단계; 상기 제1 트레이닝 분포 정보를 상기 제3 뉴럴 네트워크로 적용하여, 상기 제1 트레이닝 분포 정보에 대응하는 트레이닝 출력들을 생성하는 단계; 및 상기 트레이닝 출력들 및 상기 제2 레이블들에 기초하여, 상기 제3 뉴럴 네트워크를 학습시키는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 식별자에 대응하는 필요 영양분 정보를 형성하는 단계는, 상기 대변 이미지들에 포함된 상기 덩어리 객체들의 크기들 및 개수들을 고려하여 상기 덩어리 객체들 각각에 대하여 가중치를 부여하는 단계; 상기 덩어리 객체들 각각에 대응하는 필요 영양분별로 상기 부여된 가중치를 합산하여 소화력 지수를 산출하는 단계; 및 상기 소화력 지수에 기초하여 상기 식별자의 소화력 순위를 산출하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 컴퓨터 프로그램은, 상기한 대변 이미지 분석 기반 필요 영양 정보 제공 방법을 컴퓨터에서 실행하기 위하여 컴퓨터 판독 가능한 기록 매체에 저장될 수 있다.
본 발명의 실시예에 따른 대변 이미지 분석 기반 필요 영양 정보 제공 장치는, 식별자에 대응하는 대변 이미지들을 획득하여 저장하는 메모리; 및 상기 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출하고, 제1 트레이닝 덩어리 객체들 및 제1 레이블들 - 상기 제1 레이블들은 상기 트레이닝 덩어리 객체들에 대응하는 식품들의 정보임 - 에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 상기 덩어리 객체들을 불완전 소화 식품 정보들로 분류하며, 상기 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 상기 식별자에 대응하는 필요 영양분 정보를 생성하는 프로세서를 포함할 수 있다.
실시예들은 다수의 사용자들의 대변 이미지 분석 결과에 기초하여 필요 영양 정보를 제공하고, 필요 영양 정보에 기초하여 추천 식품 정보를 제공하여 사용자별로 적합한 식품을 섭취할 수 있도록 도움을 줄 수 있다. 또한, 사용자가 추천 받은 식품을 섭취한 이후의 대변 이미지 분석 결과를 이용하여 피드백 정보를 제공하여 식품 추천에 있어서의 효율성을 향상시킬 수 있다.
도 1은 일실시예에 따른 대변 이미지 분석 기반 영양 정보 제공 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 대변 이미지의 예시도이다.
도 4는 일실시예에 따른 영양 정보 제공 장치를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 필요 영양 정보 제공 방법의 흐름도이다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 대변 이미지의 예시도이다.
도 4는 일실시예에 따른 영양 정보 제공 장치를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 필요 영양 정보 제공 방법의 흐름도이다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 일실시예에 따른 대변 이미지 분석 기반 영양 정보 제공 시스템을 설명하기 위한 도면이다.
도 1에 도시한 바와 같이, 대변 이미지 분석 기반 영양 정보 제공 시스템(100)은, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 영양 정보 제공 장치(120), 데이터베이스(130) 및 네트워크(N)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 영양 정보 제공 장치(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 영양 정보 제공 장치(120)내에 구비될 수도 있다. 예를 들어, 영양 정보 제공 장치(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 뉴럴 네트워크를 포함할 수 있다.
영양 정보 제공 장치(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 미리 설정된 기간 동안의 대변 이미지들을 획득할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는 식별자에 대응하는 대변 이미지들을 획득하기 위한 소정 기간(예를 들어, 3일, 1주일, 1개월 등) 및 대변 이미지 개수(예를 들어, 10개, 15개, 100개 등)에 기초하여, 상기 대변 이미지들을 획득할 수 있고, 소정 기간 및 대변 이미지 개수는 식별자에 대응하는 나이, 성별, 모유수유 여부 및 몸무게 중 적어도 하나에 기초하여 미리 정의될 수 있다. 예를 들어, 영양 정보 제공 장치(120)는, 제1 트레이닝 대변 이미지들을 획득하고, 제1 트레이닝 대변 이미지들로부터 제1 트레이닝 덩어리 객체들을 추출하며, 제1 트레이닝 덩어리 객체들에 대응하는 식품들의 정보인 제1 레이블들을 획득하고, 제1 트레이닝 덩어리 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 트레이닝 덩어리 객체들에 대응하는 트레이닝 출력들을 생성하며, 트레이닝 출력들 및 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.
영양 정보 제공 장치(120)는, 사용자 단말(110-1)로부터 획득한 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는, 대변 이미지들로부터 특정 패턴을 갖는 후보 객체들을 검출하고, 후보 객체들을 미리 학습된 제2 뉴럴 네트워크를 이용하여 음식물 또는 이물질로 분류하며, 음식물로 분류된 후보 객체를 덩어리 객체로 분류할 수 있다.
영양 정보 제공 장치(120)는, 제1 트레이닝 덩어리 객체들 및 제1 레이블들에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 덩어리 객체들을 불완전 소화 식품 정보들로 분류할 수 있다. 일 실시예에 따르면, 제1 레이블들은 트레이닝 덩어리 객체들에 대응하는 식품들의 정보를 나타낼 수 있다. 예를 들어, 영양 정보 제공 장치(120)는, 대변 이미지들에 포함된 덩어리 객체들의 크기들 및 개수들을 획득하고, 획득된 크기들 및 개수들의 분포 정보를 미리 학습된 뉴럴 네트워크로 적용하여 대변 이미지들에 대응하는 불완전 소화 식품 정보들을 생성할 수 있다. 다른 실시예에 따르면, 영양 정보 제공 장치(120)는, 트레이닝 대변 이미지들로부터 제1 트레이닝 덩어리 객체들을 추출하고, 제1 트레이닝 덩어리 객체들로부터 제1 트레이닝 덩어리 객체들의 크기들 및 개수들의 분포 정보인 제1 트레이닝 분포 정보를 추출하고, 제1 트레이닝 분포 정보에 대응하는 불완전 소화 식품 정보들인 제2 레이블들을 획득하며, 제1 트레이닝 분포 정보를 뉴럴 네트워크로 적용하여, 제1 트레이닝 분포 정보에 대응하는 트레이닝 출력들을 생성하고, 트레이닝 출력들 및 제2 레이블들에 기초하여, 제3 뉴럴 네트워크를 학습시킬 수 있다.
영양 정보 제공 장치(120)는, 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 식별자에 대응하는 필요 영양분 정보를 생성할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는, 대변 이미지들에 포함된 덩어리 객체들의 크기들 및 개수들을 고려하여 덩어리 객체들 각각에 대하여 가중치를 부여하고, 덩어리 객체들 각각에 대응하는 필요 영양분별로 부여된 가중치를 합산하여 소화력 지수를 산출하며, 소화력 지수에 기초하여 식별자의 소화력 순위를 산출할 수 있다.
영양 정보 제공 장치(120)는, 필요 영양분 정보에 기초하여, 식별자에 대응하는 추천 식품 정보를 생성할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는, 데이터베이스(130)에 저장된 매핑 테이블을 이용하여 추천 식품 정보를 생성할 수도 있고, 미리 학습된 뉴럴 네트워크를 이용하여 추천 식품 정보를 생성할 수도 있다. 예를 들어, 추천 식품 정보는 건강 기능 식품, 건강 식품, 대체 식품들의 정보를 포함할 수 있다. 건강 기능 식품은 건강에 도움을 줄 수 있는 성분을 간단히 섭취할 수 있는 식품의 형태로 가공한 것을 나타내고, 건강 식품은 건강의 유지와 증진을 위하여 먹는 식품을 나타내며, 대체 식품은 특정 식품을 대체하여 섭취할 수 있는 식품을 나타낼 수 있다.
영양 정보 제공 장치(120)는, 추천 식품 정보에 따른 식품을 섭취하고 난 후의 적어도 하나의 제2 대변 이미지를 획득하고, 제2 대변 이미지를 이용하여 추천 식품 정보에 따른 식품의 소화 상태를 판단하며, 식품의 소화 상태에 기초하여 추천 식품 정보에 따른 식품에 대한 피드백 정보를 생성하고, 피드백 정보를 식별자에 대응하는 사용자에게 제공할 수 있다.
네트워크(N)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 영양 정보 제공 장치(120), 데이터베이스(130), 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 영양 정보 제공 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n)로부터 획득된 대변 이미지들, 영양 정보 제공 장치(120)에서 형성된 덩어리 객체, 불완전 소화 식품 정보, 필요 영양분 정보 등을 저장할 수 있다.
본 발명에서, 프로그램은 데이터베이스(130)에 저장되는 소프트웨어로서, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 및 영양 정보 제공 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 다수의 사용자 단말(110-1, 110-2, … , 110-n) 및 영양 정보 제공 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 학습 장치는 대변 이미지들이 포함하는 덩어리 객체들의 추출을 위하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 영양 정보 제공 장치(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(124)는 트레이닝 샘플들이 입력되는 입력 레이어(122)와 트레이닝 출력들을 출력하는 출력 레이어(126)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 덩어리 객체들, 덩어리 객체들에 대응하는 식품들의 정보 및 불완전 소화 식품 정보들에 기초하여 정의될 수 있다. 뉴럴 네트워크(124)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(124) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(124) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 대변 이미지들을 획득하고, 제1 트레이닝 대변 이미지들로부터 제1 트레이닝 덩어리 객체들을 추출할 수 있다. 학습 장치는 제1 트레이닝 덩어리 객체들에 대해서 각각 미리 레이블링 된 정보(제1 레이블들)를 획득할 수 있는데, 제1 트레이닝 덩어리 객체들에 대응하는 식품들의 정보인 제1 레이블들을 획득할 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 덩어리 객체들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제1 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 영양 정보 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 대변 이미지들로부터 덩어리 객체들을 추출할 수 있다.
다른 실시예에 따르면, 학습 장치는 제2 트레이닝 대변 이미지들을 획득하고, 제2 트레이닝 대변 이미지들로부터 제2 트레이닝 덩어리 객체들을 추출할 수 있다. 학습 장치는 제2 트레이닝 덩어리 객체들에 대해서 각각 미리 레이블링 된 정보(제2 레이블들)를 획득할 수 있는데, 제2 트레이닝 덩어리 객체들에 대응하는 음식물 또는 이물질들의 정보인 제2 레이블들을 획득할 수 있다.
다른 실시예에 따르면, 학습 장치는 제2 트레이닝 덩어리 객체들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제2 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
다른 실시예에 따르면, 학습 장치는 제2 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 영양 정보 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 대변 이미지들로부터 덩어리 객체들을 추출할 수 있다.
또 다른 실시예에 따르면, 학습 장치는 제3 트레이닝 대변 이미지들을 획득하고, 제3 트레이닝 대변 이미지들로부터 제3 트레이닝 덩어리 객체들을 추출할 수 있다. 학습 장치는 제3 트레이닝 덩어리 객체들로부터 제3 트레이닝 덩어리 객체들의 크기들 및 개수들의 분포 정보인 제1 트레이닝 분포 정보를 추출할 수 있다. 학습 장치는 제1 트레이닝 분포 정보에 대해서 각각 미리 레이블링 된 정보(제3 레이블들)를 획득할 수 있는데, 제1 트레이닝 분포 정보에 대응하는 불완전 소화 식품 정보인 제3 레이블들을 획득할 수 있다.
또 다른 실시예에 따르면, 학습 장치는 제1 트레이닝 분포 정보의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제3 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
또 다른 실시예에 따르면, 학습 장치는 제3 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제3 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 영양 정보 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 대변 이미지들로부터 불완전 소화 식품 정보들을 추출할 수 있다.
또 다른 실시예에 따르면, 학습 장치는 제4 트레이닝 대변 이미지들을 획득하고, 제4 트레이닝 대변 이미지들로부터 제4 트레이닝 덩어리 객체들을 추출할 수 있다. 학습 장치는 제4 트레이닝 덩어리 객체들로부터 제4 트레이닝 불완전 소화 식품 정보들을 추출할 수 있다. 학습 장치는 제4 트레이닝 불완전 소화 식품 정보들에 대해서 각각 미리 레이블링 된 정보(제4 레이블들)를 획득할 수 있는데, 제4 트레이닝 제4 트레이닝 불완전 소화 식품 정보들에 대응하는 건강 기능 식품, 건강 식품, 대체 식품들의 정보인 제4 레이블들을 획득할 수 있다. 건강 기능 식품은 건강에 도움을 줄 수 있는 성분을 간단히 섭취할 수 있는 식품의 형태로 가공한 것을 나타내고, 건강 식품은 건강의 유지와 증진을 위하여 먹는 식품을 나타내며, 대체 식품은 특정 식품을 대체하여 섭취할 수 있는 식품을 나타낼 수 있다.
또 다른 실시예에 따르면, 학습 장치는 제4 트레이닝 제4 트레이닝 불완전 소화 식품 정보들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제4 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
다른 실시예에 따르면, 학습 장치는 제4 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제4 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 영양 정보 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 대변 이미지들로부터 필요 영양 정보를 추출할 수 있다.
도 3은 본 발명의 실시예에 따른 대변 이미지의 예시도이다.
도 3에 도시한 바와 같이, 영양 정보 제공 장치(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n)로부터 획득한 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들(MO)을 추출할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는, 획득한 대변 이미지들로부터 특정 패턴을 갖는 후보 객체들을 검출하고, 후보 객체들을 미리 학습된 뉴럴 네트워크를 이용하여 음식물 또는 이물질로 분류하며, 음식물로 분류된 것들을 덩어리 객체들(MO)로 추출할 수 있다.
유아의 성장과정에서 치아나 소화기관이 형성되는 상태에 따라 소화가 되는 음식물이 유아들마다 달라질 수 있다. 어떤 유아는 브로콜리를 소화시키지 못하고, 어떤 유아는 당근을 소화시키지 못할 수도 있다. 유아가 소화시키지 못하는 음식물들은 대변으로 그대로 배출되고, 영양 정보 제공 장치(120)는 대변 이미지로부터 이러한 소화시키지 못하는 음식물들을 추출할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는, 딥러닝(Deep Learning)과 같은 기계 학습 알고리즘을 기반으로 덩어리 객체들의 분류를 레이블링해서 학습시키고, 그 학습된 모델에 따라 분류를 수행할 수 있다.
영양 정보 제공 장치(120)는, 다수의 대변 이미지들을 획득할 경우, 제1 사용자 단말(예를 들어, 110-1)로부터 제1 파트 대변 이미지를 수신하고, 제2 사용자 계정이 로그인된 제2 사용자 단말(예를 들어, 110-2)로부터 제2 파트 대변 이미지를 수신하며, 제1 파트 대변 이미지 및 제2 파트 대변 이미지를 결합하여 제1 대변 이미지를 생성하고, 제1 대변 이미지에서 제1 파트 대변 이미지가 차지하는 비율인 제1 비율을 획득하고, 제1 대변 이미지에서 제2 파트 대변 이미지가 차지하는 비율인 제2 비율을 획득하며, 제1 비율이 제2 비율 보다 큰 것으로 확인되면, 제1 사용자 계정의 정보를 제1 대변 이미지의 제1 저작자 정보로 등록하고, 제2 사용자 계정의 정보를 제1 대변 이미지의 제2 저작자 정보로 등록하며, 제1 비율이 제2 비율 보다 작은 것으로 확인되면, 제2 사용자 계정의 정보를 제1 대변 이미지의 제1 저작자 정보로 등록하고, 제1 사용자 계정의 정보를 제1 대변 이미지의 제2 저작자 정보로 등록하고, 제1 대변 이미지의 원저작자 정보와 제1 사용자 계정의 정보 및 제2 사용자 계정의 정보 중 어느 하나가 일치하는지 여부를 확인하며, 제1 대변 이미지의 원저작자 정보와 제1 사용자 계정의 정보 및 제2 사용자 계정의 정보가 모두 일치하지 않는 것으로 확인되면, 제1 대변 이미지를 제2 대변 이미지의 수정으로 생성된 2차 저작물로 판정하고, 제1 비율이 제2 비율 보다 큰 것으로 확인되면, 제1 사용자 계정의 정보를 제1 대변 이미지의 제1 저작자 정보로 등록하고, 제2 사용자 계정의 정보를 제1 대변 이미지의 제2 저작자 정보로 등록하고, 제1 대변 이미지의 원저작자로 등록된 제3 사용자 단말(예를 들어, 110-n)에 로그인 된 제3 사용자 계정의 정보를 제1 대변 이미지의 제3 저작자를 나타내는 제3 저작자 정보로 등록하며, 제1 비율이 제2 비율 보다 작은 것으로 확인되면, 제2 사용자 계정의 정보를 제1 대변 이미지의 제1 저작자 정보로 등록하고, 제1 사용자 계정의 정보를 제1 대변 이미지의 제2 저작자 정보로 등록하고, 제3 사용자 계정의 정보를 제1 대변 이미지의 제3 저작자 정보로 등록할 수 있다.
도 4는 일실시예에 따른 영양 정보 제공 장치를 설명하기 위한 도면이다.
도 4에 도시한 바와 같이, 영양 정보 제공 장치(120)는 하나 이상의 프로세서(121), 하나 이상의 메모리(123) 및/또는 송수신기(125)를 포함할 수 있다. 일 실시예로서, 영양 정보 제공 장치(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 영양 정보 제공 장치(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 영양 정보 제공 장치(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.
하나 이상의 프로세서(121)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(121)에 연결된 영양 정보 제공 장치(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(121)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(121)는 데이터 등을 하나 이상의 메모리(123)로부터 로드하거나, 하나 이상의 메모리(123)에 저장할 수 있다.
전술한 바와 같이, 하나 이상의 프로세서(121)는, 송수신기(125)를 통하여 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 대변 이미지들을 디지털 패킷의 형태로 실시간 또는 비실시간으로 수신할 수 있다.
하나 이상의 프로세서(121)는, 송수신기(125)를 통해서 사용자 단말(110-1)로부터 수신된 대변 이미지들을 이용하여 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출할 수 있다. 일 실시예에 따르면, 하나 이상의 프로세서(121)는, 제1 트레이닝 대변 이미지들을 획득하고, 제1 트레이닝 대변 이미지들로부터 제1 트레이닝 덩어리 객체들을 추출하며, 제1 트레이닝 덩어리 객체들에 대응하는 식품들의 정보인 제1 레이블들을 획득하고, 제1 트레이닝 덩어리 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 트레이닝 덩어리 객체들에 대응하는 트레이닝 출력들을 생성하고, 트레이닝 출력들 및 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시켜 대변 이미지들로부터 덩어리 객체들을 추출할 수 있다.
하나 이상의 프로세서(121)는, 제1 트레이닝 덩어리 객체들 및 제1 레이블들에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 덩어리 객체들을 불완전 소화 식품 정보들로 분류할 수 있다. 예를 들어, 제1 레이블들은 트레이닝 덩어리 객체들에 대응하는 식품들의 정보를 나타낼 수 있다.
하나 이상의 프로세서(121)는, 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 식별자에 대응하는 필요 영양분 정보를 생성할 수 있다.
하나 이상의 메모리(123)는 다양한 데이터를 저장할 수 있다. 메모리(123)에 저장되는 데이터는, 영양 정보 제공 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(123)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(123)에 저장되는 소프트웨어로서, 영양 정보 제공 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 영양 정보 제공 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
하나 이상의 메모리(123)는 상술한 다수의 사용자 단말(110-1, 110-2, … , 110-n)로부터 네트워크(N)를 통하여 수신한 대변 이미지들, 하나 이상의 프로세서(121)에서 형성된 덩어리 객체들, 불완전 소화 식품 정보들, 필요 영양분 정보들 등을 저장할 수 있다. 또한, 하나 이상의 메모리(123)는, 하나 이상의 프로세서(121)에 의한 실행 시, 하나 이상의 프로세서(121)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.
일 실시예로서, 영양 정보 제공 장치(120)는 송수신기(125)를 더 포함할 수 있다. 송수신기(125)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 영양 정보 제공 장치(120), 데이터베이스(130) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(125)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.
일 실시예로서, 하나 이상의 프로세서(121)는 송수신기(125)를 제어하여 다수의 사용자 단말(110-1, 110-2, … , 110-n), 영양 정보 제공 장치(120)로부터 정보를 획득할 수 있다. 다수의 사용자 단말(110-1, 110-2, … , 110-n), 영양 정보 제공 장치(120)로부터 획득된 정보는 하나 이상의 메모리(123)에 저장될 수 있다.
일 실시예로서, 영양 정보 제공 장치(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 영양 정보 제공 장치(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 영양 정보 제공 장치(120)는 전술한 장치들에 한정되지 않는다.
본 발명에 따른 영양 정보 제공 장치(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 영양 정보 제공 장치(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 영양 정보 제공 장치(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 영양 정보 제공 장치(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.
일 실시예에 따르면, 영양 정보 제공 장치(120)는 특정 유아(A)의 대변 이미지들을 수집할 수 있다. 예를 들어, 영양 정보 제공 장치(120)는 기간을 지정하여 해당 기간 동안의 대변 이미지들을 수집할 수도 있고, 개수를 지정하여 해당 개수만큼의 대변 이미지들을 수집할 수도 있다. 영양 정보 제공 장치(120)는 수집된 대변 이미지들을 이용하여 특정 유아(A)의 대변 리스트(M개의 대변 정보 포함)를 형성할 수 있고, 수집된 대변 이미지들 각각으로부터 덩어리 객체들을 추출할 수 있다. 덩어리 객체들은 특정 유아(A)에서 소화가 완전히 이루어지지 않은 음식물 조각을 나타낼 수 있다.
영양 정보 제공 장치(120)는 수집된 대변 이미지들을 색 또는 모양 등을 기초로 특이 패턴 영역을 검출할 수 있다. 영양 정보 제공 장치(120)는 특정 유아(A)의 M개의 대변으로부터 지속적으로 소화가 불완전하게 되는 음식물(예를 들어, 당근, 브로콜리 등)을 판단하고, 판단 결과로부터 특정 유아(A)에게 필요한 영양분 정보를 도출할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는 덩어리 객체별로 음식물의 레이블링을 수행하고 색, 모양 등에 기반하여 딥러닝 등과 같은 기계 학습 알고리즘을 이용하여 덩어리 객체들을 분류할 수 있다.
영양 정보 제공 장치(120)는 도출된 영양분 정보로부터 특정 유아(A)에게 최적의 건강 기능 식품 또는 대체 음식물 조합을 추천(큐레이션)할 수 있다. 영양 정보 제공 장치(120)는 최적의 건강 기능 식품 또는 대체 음식물 조합의 소화 상태를 재분석해서 그 결과를 피드백으로 특정 유아(A)의 보호자에게 제공할 수 있다.
영양 정보 제공 장치(120)는 수집된 대변 이미지들로부터 추출된 덩어리 객체들의 분포에 기초하여 반복되는 덩어리 객체들의 크기 및 개수를 기준으로 특정 유아(A)에게 필요한 영양분 정보를 도출할 수 있다.
도 5는 일실시예에 따른 필요 영양 정보 제공 방법의 흐름도이다.
도 5의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 5에 도시한 바와 같이, 단계(S510)에서, 식별자에 대응하는 대변 이미지들이 획득된다. 예를 들어, 도 1 내지 도 4를 참조하면, 영양 정보 제공 장치(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 네트워크(N)를 통하여 대변 이미지들을 획득할 수 있다.
단계(S520)에서, 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들이 추출된다. 예를 들어, 도 1 내지 도 4를 참조하면, 영양 정보 제공 장치(120)는, 단계 S510에서 획득된 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출할 수 있다. 일 실시예에 따르면, 영양 정보 제공 장치(120)는, 미리 학습된 뉴럴 네트워크를 이용하여 대변 이미지들로부터 덩어리 객체들을 추출할 수 있다.
단계(S530)에서, 제1 트레이닝 객체들과 제1 레이블들에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 덩어리 객체들이 불완전 소화 식품 정보들로 분류된다. 예를 들어, 도 1 내지 도 4를 참조하면, 영양 정보 제공 장치(120)는, 제1 트레이닝 객체들과 제1 레이블들에 기초하여 미리 학습된 제1 뉴럴 네트워크를 이용하여, 단계 S520에서 추출된 덩어리 객체들을 불완전 소화 식품 정보들로 분류할 수 있다.
단계(S540)에서, 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 식별자에 대응하는 필요 영양분 정보가 형성된다. 예를 들어, 도 1 내지 도 4를 참조하면, 영양 정보 제공 장치(120)는, 단계 S530에서 분류된 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 특정 식별자에 대응하는 필요 영양분 정보를 생성할 수 있다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(401)는 프로세서(402) 및 메모리(403)를 포함한다. 일실시예에 따른 장치(401)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 5를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(403)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(403)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(402)는 프로그램을 실행하고, 장치(401)를 제어할 수 있다. 프로세서(402)에 의하여 실행되는 프로그램의 코드는 메모리(403)에 저장될 수 있다. 장치(401)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (1)
- 프로세서에 의해 수행되는 방법에 있어서,
식별자에 대응하는 대변 이미지들을 획득하는 단계;
상기 대변 이미지들로부터 소화가 완전히 이루어지지 않은 객체들인 덩어리 객체들을 추출하고, 상기 덩어리 객체들을 불완전 소화 식품 정보들로 분류하는 단계;
상기 덩어리 객체들에 대응하는 불완전 소화 식품 정보들에 기초하여 상기 식별자에 대응하는 필요 영양분 정보를 생성하는 단계;
상기 필요 영양분 정보에 기초하여, 상기 식별자에 대응하는 추천 식품 정보를 생성하는 단계;
상기 추천 식품 정보에 따른 식품을 섭취하고 난 후의 적어도 하나의 제2 대변 이미지를 획득하는 단계;
상기 제2 대변 이미지를 이용하여 상기 추천 식품 정보에 따른 식품의 소화 상태를 판단하는 단계;
상기 식품의 소화 상태에 기초하여 상기 추천 식품 정보에 따른 식품에 대한 피드백 정보를 생성하는 단계; 및
상기 피드백 정보를 상기 식별자에 대응하는 사용자에게 제공하는 단계를
를 포함하는,
대변 이미지 분석 기반 필요 영양 정보 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210102145A KR102546807B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210024538A KR102288151B1 (ko) | 2021-02-24 | 2021-02-24 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102145A KR102546807B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210024538A Division KR102288151B1 (ko) | 2021-02-24 | 2021-02-24 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220121157A KR20220121157A (ko) | 2022-08-31 |
| KR102546807B1 true KR102546807B1 (ko) | 2023-06-22 |
Family
ID=77313969
Family Applications (6)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210024538A KR102288151B1 (ko) | 2021-02-24 | 2021-02-24 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102144A KR102546355B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102145A KR102546807B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102143A KR102546353B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102142A KR102615445B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102141A KR102546349B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210024538A KR102288151B1 (ko) | 2021-02-24 | 2021-02-24 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102144A KR102546355B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
Family Applications After (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210102143A KR102546353B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102142A KR102615445B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| KR1020210102141A KR102546349B1 (ko) | 2021-02-24 | 2021-08-03 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (6) | KR102288151B1 (ko) |
| WO (1) | WO2022181907A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102288151B1 (ko) * | 2021-02-24 | 2021-08-11 | 주식회사 넘버제로 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
| CN116147276B (zh) * | 2022-12-20 | 2024-11-08 | 珠海格力电器股份有限公司 | 冰箱食材调取方法、装置、冰箱及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3209297A1 (en) * | 2013-02-18 | 2014-08-21 | Theranos Ip Company, Llc | Image analysis and measurement of biological samples |
| KR20160061856A (ko) * | 2014-11-24 | 2016-06-01 | 삼성전자주식회사 | 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치 |
| KR20190027196A (ko) * | 2017-09-06 | 2019-03-14 | 한국과학기술연구원 | 음식 이미지 인식을 이용한 영양분 분석 방법 및 장치 |
| KR20200119135A (ko) | 2019-04-09 | 2020-10-19 | 주식회사 큐라코 | 신경망 모듈을 이용한 대변상태 분석방법 및 이를 위한 시스템 |
| KR102268304B1 (ko) | 2019-06-11 | 2021-06-22 | 김민후 | 대변 이미지를 이용한 영유아 건강 관리 방법 및 장치 |
| KR102288151B1 (ko) * | 2021-02-24 | 2021-08-11 | 주식회사 넘버제로 | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 |
-
2021
- 2021-02-24 KR KR1020210024538A patent/KR102288151B1/ko active IP Right Grant
- 2021-08-03 KR KR1020210102144A patent/KR102546355B1/ko active IP Right Grant
- 2021-08-03 KR KR1020210102145A patent/KR102546807B1/ko active IP Right Grant
- 2021-08-03 KR KR1020210102143A patent/KR102546353B1/ko active IP Right Grant
- 2021-08-03 KR KR1020210102142A patent/KR102615445B1/ko active IP Right Grant
- 2021-08-03 KR KR1020210102141A patent/KR102546349B1/ko active IP Right Grant
- 2021-08-25 WO PCT/KR2021/011368 patent/WO2022181907A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| KR102615445B1 (ko) | 2023-12-20 |
| KR102546355B1 (ko) | 2023-06-21 |
| KR102546353B1 (ko) | 2023-06-22 |
| WO2022181907A1 (ko) | 2022-09-01 |
| KR102288151B1 (ko) | 2021-08-11 |
| KR20220121153A (ko) | 2022-08-31 |
| KR20220121154A (ko) | 2022-08-31 |
| KR20220121157A (ko) | 2022-08-31 |
| KR102546349B1 (ko) | 2023-06-21 |
| KR20220121156A (ko) | 2022-08-31 |
| KR20220121155A (ko) | 2022-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102720941B1 (ko) | 컬러 복원방법 및 장치 | |
| US20200020014A1 (en) | Method and apparatus for assessing price for subscription products | |
| KR102289256B1 (ko) | 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102423285B1 (ko) | 광고 컨텐츠 기획 및 제작 방법, 장치 및 시스템 | |
| KR102494380B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| KR102546807B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102564996B1 (ko) | 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| Tanwani et al. | Sequential robot imitation learning from observations | |
| KR102506472B1 (ko) | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102492774B1 (ko) | 인공지능 기반 음원 컨텐츠 라이센싱 플랫폼 서비스 제공 방법 | |
| KR102430959B1 (ko) | 인공지능 기반 식물 정보 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| KR102330859B1 (ko) | 반려 동물의 대변 이미지 분석 정보 제공 방법, 장치 및 시스템 | |
| KR102321408B1 (ko) | 개인화된 메모패드 서비스 제공 방법, 장치 및 시스템 | |
| KR102478367B1 (ko) | 이미지 인식 기반 음원 매칭 및 추천 방법, 장치 및 시스템 | |
| KR102748902B1 (ko) | 고객 맞춤 통합 에스테틱 큐레이션 및 리츄얼 서비스 제공 방법 | |
| KR102763677B1 (ko) | 멀티모달 llm이 탑재된 온디바이스 인공지능 nas 시스템 및 시스템의 검색 및 대화 기능 제공 방법 | |
| KR102422255B1 (ko) | 인공지능 기반 연애 상담 서비스 제공 방법, 장치 및 시스템 | |
| KR20210062794A (ko) | 기자재 구성요소 추출 장치 및 방법과, 그를 포함하는 고장 진단 시스템 | |
| KR102561832B1 (ko) | 인공지능 기반 온라인 교육 콘텐츠 제공 방법, 장치 및 시스템 | |
| KR102650574B1 (ko) | 트랜드 및 이슈 데이터 수집 및 분석을 기반으로 한 기업 관련 언론 보도 및 홍보 자료 기획 및 생성 방법, 장치 및 시스템 | |
| KR102619865B1 (ko) | 데이터 분석 기반 살균 소독기 유지 및 관리 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102593868B1 (ko) | 손톱 및 발톱 케어 정보 제공 및 전문가 매칭 플랫폼서비스 구동 방법, 장치 및 시스템 | |
| KR102701097B1 (ko) | 인공지능을 활용하여 국회 의정 활동을 위한 비서 역할을 수행하는 디지털 비서관 서비스를 제공하는 방법, 장치 및 시스템 | |
| KR102639379B1 (ko) | 인공지능 모델 기반 사용자 맞춤형 골프 프로 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0107 | Divisional application |
Comment text: Divisional Application of Patent Patent event date: 20210803 Patent event code: PA01071R01D Filing date: 20210224 Application number text: 1020210024538 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230317 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20230619 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20230619 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |