Loading the company…
Loading the company…
㈜인피닉
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Seoul, founded in 2005. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩33.0bn — this includes subsidiaries and is not the revenue of this entity alone. It has 412 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-06-30 · latest registration 2026-10-01 · newest first
본 발명은 작전계획 데이터 통합 처리 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 오프라인 우선 전술망 기반 작전계획 데이터 통합 처리 시스템에 있어서, 사용자의 입력을 수신하여 작전 데이터로 변환하는 입력부; 오프라인 상태에서 기기 내부에 저장된 지형 번들을 로딩하고, 상기 작전 데이터에 기초하여 지형 분석 및 적 위협 요소를 시각화하여 표출하는 지형 표출 및 분석부; 중앙 서버 통신이 단절된 로컬 전술망 환경에서 다수 참모 단말 간의 세션을 개설하고, 동시 입력되는 상기 작전 데이터를 충돌 없이 병합하는 협업 동기화부; 상기 사용자의 입력 중 음성 입력의 의도를 분류하여 처리 경로를 결정하고, 상기 작전 데이터를 군사 교범이 구조화된 온톨로지 규칙을 기반으로 자동 검증하는 AI 추론 및 온톨로지 검증부; 작전 투명도 및 음성 메모가 포함된 완성 데이터를 군사 표준 데이터 포맷으로 양방향 직렬화 및 역직렬화하는 작전문서 변환부; 및 상기 군사 표준 데이터 포맷을 암호화하고, 외부 통신 단절 시 데이터 유형별 우선순위에 따라 오프라인 큐에 적재한 후 통신 복구 시 자동 전송하는 보안 및 큐 통신부; 를 포함할 수 있다. 다른 실시예들도 가능하다.
본 발명은 오프라인 지능형 지휘통제 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 통신이 단절된 야전 환경에서 전자 기기를 통해 동작하는 오프라인 지능형 지휘통제 시스템에 있어서, 오프라인 지형 데이터를 로딩하고 무결성을 검증하는 지형 데이터 모듈; 적 포병의 위치 및 진입로를 파악하는 위협 및 접근로 분석 모듈; 상기 오프라인 지형 데이터를 바탕으로 이동수단별 기동성을 분석하는 기동성 분석 모듈; 비정형 데이터를 입력받는 멀티모달 입력 모듈; 입력된 기호 및 선형 요소를 지형 객체에 스냅(Snap)시키고 동시편집을 제어하는 COP 정교화 모듈; 부대 배치의 도달 가능성 및 방어 충분성을 온디바이스 경량 모델과 온톨로지를 기반으로 실시간 판정하는 검증 모듈; 및 작전 계획 문서를 관리하고 통신 단절 시 대기열에 저장하는 계획 문서 및 통신 모듈;을 포함할 수 있다. 다른 실시예들도 가능하다.
본 발명은 COP 정교화 및 적 침투 접근로 자동 도출 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 통신 단절이 발생할 수 있는 야전 환경에서 오프라인 지형 데이터를 기반으로 작전계획을 수립하고 검증하는 시스템으로서, 수치표고모델(DEM), 벡터 지형 객체를 포함하는 오프라인 지형 번들과 군사 교리 기반의 온톨로지 지식 그래프를 저장하는 메모리; 및 상기 메모리와 연결되어 시스템을 제어하는 프로세서;를 포함하고, 상기 프로세서는, 상기 오프라인 지형 데이터의 통과 가능성과 상급 부대의 작전명령에 따른 적 기동 방향을 결합하여 적 침투 접근로와 그 진입점을 자동 도출하고, 사용자 입력에 의해 배치된 기호 및 생성된 선형 요소를 상기 오프라인 지형에 양식별로 자동 정합 및 보정하고, 상기 보정된 기호 및 선형 요소가 상기 온톨로지 지식 그래프의 교리를 충족하는지 검증한 후, 상기 기호 및 선형 요소를 상기 수치표고모델(DEM)의 고도에 정합하여 3차원 표준 공통작전상황도(COP)로 정교화 및 직렬화하여 송신할 수 있다. 다른 실시예들도 가능하다.
본 발명은 교리 기반 작전명령 자동 해석 및 전파 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 상급부대로부터 작전명령을 수신하여 예하부대 관점의 작전명령으로 자동 해석 및 하달하는 지휘통제 시스템에 있어서, 상급부대로부터 제1 C-BML(Coalition Battle Management Language) 포맷으로 직렬화된 작전명령을 수신하는 통신부; 상기 제1 C-BML 포맷의 작전명령을 역직렬화하여 상기 상급부대의 작전 통제선, 피아 부대 배치 정보 및 상급부대 임무를 추출하는 명령 해석부; 상기 추출된 작전 통제선 및 기 구축된 오프라인 지형 데이터를 기반으로 상기 예하부대의 고유한 책임구역(AO, Area of Operations)을 추출하고, 상기 책임구역 내의 적 침투 접근로 및 화력 위협을 분석하는 지형 및 위협 분석부; 상기 위협 분석 결과 및 상급부대 임무를 상기 예하부대 관점으로 재산정하여 명시과업을 추론하고, 인공지능(AI) 모델을 이용하여 묵시과업 후보를 도출한 후, 사용자 승인에 의해 확정된 핵심과업을 기반으로 임무문장을 생성하는 과업 도출 및 임무 생성부; 군사 교리가 반영된 온톨로지 지식그래프를 기반으로, 상기 생성된 임무문장 및 상기 예하부대의 작전 계획의 교리 위반 여부를 자동으로 검증하는 온톨로지 검증부; 및 상기 검증이 완료된 예하부대의 작전계획을 상기 ...(이하생략)
본 발명은 X-Ray 영상 기반 컨테이너 구조 공간 내 은닉물품 탐지 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 컨테이너를 투과하여 획득한 X-Ray 영상을 분석하는 시스템에 있어서, 상기 X-Ray 영상에 대해 노이즈 제거 및 물질별 대비를 강화하는 전처리를 수행하는 영상 전처리 모듈; 정상 컨테이너의 구조 공간에 대한 특징점, 기준선 및 영역 정보를 포함하는 템플릿을 저장하는 구조공간 템플릿 데이터베이스; 상기 템플릿을 이용하여 상기 X-Ray 영상에서 화물 영역을 제외한 컨테이너의 구조 공간 영역만을 분리해내는 구조공간 정합 및 추출 모듈; 상기 분리된 구조 공간 영역에서 기하학적 분석 및 딥러닝 모델을 이용하여 구조의 변경 또는 손상 여부를 판단하는 구조 변경 및 손상 탐지 모듈; 상기 구조 변경 또는 손상이 감지된 영역 내에 숨겨진 물품을 탐지하고, 상기 숨겨진 물품의 종류를 식별하는 은닉물품 탐지 및 식별 모듈; 및 상기 탐지 및 식별된 결과를 검사관의 모니터에 시각적으로 표시하는 시각화 디스플레이;를 포함할 수 있다. 다른 실시예들도 가능하다.
본 발명은 얼굴 비식별화 장치에 관한 것이다. 보다 구체적으로, 본 개시에 따른 속성 기반 얼굴 검색 및 확산 모델을 이용한 얼굴 비식별화 장치에 있어서, 컴퓨터 판독 가능한 명령들을 저장하는 메모리; 및 상기 명령들을 실행하는 프로세서를 포함하되, 상기 프로세서는, 입력 이미지로부터 대상 객체의 얼굴 영역을 1차적으로 검출하는 얼굴 탐지 모듈; 상기 검출된 얼굴 영역 내부의 랜드마크를 기초로 아핀 변환 행렬(Affine Transformation Matrix)을 산출하여 상기 얼굴 영역을 정면 방향으로 정렬하는 얼굴 정합 모듈; 상기 정렬된 얼굴 영역의 속성 정보를 분석하고, 속성별로 군집화된 데이터베이스로부터 상기 속성 정보와 대응되는 가상의 타겟 얼굴을 획득하는 얼굴 검색 모듈; 상기 정렬된 얼굴 영역을 상기 타겟 얼굴로 변환하여 생성하되, 확산 모델을 이용하여 교체 얼굴 이미지를 생성하는 얼굴 교체 모듈; 및 상기 아핀 변환 행렬의 역행렬을 이용하여 상기 교체 얼굴 이미지를 원본 각도로 역정렬하고 상기 입력 이미지에 합성하는 얼굴 역정합 모듈;을 포함할 수 있다. 다른 실시예들도 가능하다.
본 발명은 이기종 데이터베이스의 의미적 통합 가상화 장치에 관한 것이다. 보다 구체적으로, 본 개시에 따른 이기종 데이터베이스의 의미적 통합을 위한 가상화 장치에 있어서, 서로 다른 스키마(Schema)를 가지며 물리적으로 분산되어 있는 다수의 원천 관계형 데이터베이스; 상기 다수의 원천 관계형 데이터베이스에 저장된 데이터를 의미적으로 정의하고 통합하기 위한 온톨로지(Ontology); 및 상기 원천 관계형 데이터베이스들과 상기 온톨로지 사이에 위치하는 의미 기반 통합 가상화 시스템;을 포함하고, 상기 의미 기반 통합 가상화 시스템은, 상기 원천 관계형 데이터베이스들로부터 DB 스키마 정보를 수집하고 상기 온톨로지로부터 온톨로지 스키마 정보를 수집하는 스키마 수집부; 상기 수집된 DB 스키마의 테이블 컬럼과 상기 온톨로지 스키마의 속성을 의미적으로 연결하는 스키마 매핑부; 상기 매핑된 관계에 기초하여, 상기 온톨로지 개념 조회 시 상기 원천 관계형 데이터베이스로부터 데이터를 추출하기 위한 SQL 쿼리문을 생성하는 SQL 쿼리 생성부; 상기 온톨로지의 개념을 타겟으로 하고 상기 생성된 SQL 쿼리문을 소스로 하여, 상기 타겟과 상기 소스를 상호 바인딩(binding)하는 OBDA(Ontology-Based Data Access) 매핑 테이블을 생성하는 OBDA 매핑 테이블 생성부; 상기 온톨로지 스키...(이하생략)
본 발명은 데이터 전처리 파이프라인 관리시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 AI 모델 개발을 위한 데이터 파이프라인을 관리하는 시스템에 있어서, 외부의 원시 데이터를 수집하여 오브젝트 스토리지(Object Storage)에 저장하고, 상기 원시 데이터의 메타데이터를 원시 메타데이터 데이터베이스(Raw Metadata Database)에 저장하는 수집 서비스(Collecting Service) 제공 모듈; 상기 원시 메타데이터 데이터베이스를 참조하여, 매니저 사용자의 조작에 따라 상기 원시 데이터를 논리적 단위의 데이터셋으로 그룹화하고, 상기 그룹화된 데이터셋의 목록을 데이터셋 데이터베이스(Dataset Database)에 관리하는 데이터셋 관리 서비스(Dataset Management Service) 제공 모듈; 상기 데이터셋에 적용될 복수의 전처리 컴포넌트가 연결된 전처리 파이프라인을 상기 매니저 사용자로부터 입력받는 전처리 서비스(Preprocessing Service) 제공 모듈; 및 상기 전처리 파이프라인의 실행 순서를 정의하는 DAG(Directed Acyclic Graph)를 생성하여 아르고 워크플로우(Argo Workflows)로 전달하는 파이프라인 서비스(Pipeline Service) 제공 모듈;을 포함하고, 상기 아르고 워크플로우(Argo Workflows)는...(이하생략)
본 발명은 AI 모델 학습 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 AI 모델 개발을 위한 AI 모델 학습 시스템에 있어서, 매니저 사용자로부터 학습 태스크, AI 모델 아키텍처, 및 학습용 데이터셋을 포함하는 학습 파이프라인 구성 정보를 입력받는 모델 트레이닝 서비스(Model Training Service) 제공 모듈; 상기 모델 트레이닝 서비스(Model Training Service) 제공 모듈로부터 상기 학습 파이프라인 구성 정보를 전달받아, 상기 구성 정보에 기초하여 DAG(Directed Acyclic Graph)를 생성하는 파이프라인 서비스(Pipeline Service) 제공 모듈; 상기 파이프라인 서비스(Pipeline Service) 제공 모듈로부터 상기 DAG를 전달받아, 쿠버네티스(Kubernetes) 클러스터 상에서 포드(Pod)들의 실행 순서를 제어하는 아르고 워크플로우(Argo Workflows); 및 상기 아르고 워크플로우(Argo Workflows)의 제어에 따라 순차적으로 실행되며, 데이터를 공유 볼륨(shared volume)을 통해 전달하는 다수의 컨테이너를 포함하고, 상기 다수의 컨테이너는, 학습에 필요한 원시 데이터(raw data)를 상기 공유 볼륨에 저장하는 초기화 컨테이너(init container); 상기 공유 볼륨의 원시 데이터와 별...(이하생략)
본 발명은 학습 데이터 셋 형성 자동화 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 학습 데이터 셋 형성 자동화 시스템에 있어서, 형성 서비스 유저에게 데이터 형성 사용자 인터페이스를 제공하며, 상기 형성 서비스 유저로부터 AI 어시스턴트의 추론 결과에 대한 만족도 평가 점수를 입력받는 사용자 점수 주석(User Score Annotations) 저작 도구를 포함하는 애노테이팅 서비스(Annotating Service) 제공 모듈; 상기 AI 어시스턴트로서, 기 등록된 AI 모델을 실행하여 의사 정답(Pseudo label)을 생성하는 하나 이상의 오토 라벨링 컴포넌트(Auto labeling Component)를 실행하고, 상기 의사 정답을 상기 애노테이팅 서비스(Annotating Service) 제공 모듈로 전달하는 모델 매니지먼트 서비스(Model Management Service) 제공 모듈; 상기 형성 서비스 유저가 수정한 라벨링 결과, 상기 오토 라벨링 컴포넌트의 의사 정답, 및 상기 사용자 점수 주석(User Score Annotations) 저작 도구를 통해 입력된 만족도 평가 점수를 기반으로, 강화학습 에이전트에 사용되는 리워드(Reward) 수치를 생성하는 리워드 쉐이핑(Reward Shaping) 모듈; 및 상기 리워드 쉐이핑 모듈로부터 상기 리워드 수치를 전달받아...(이하생략)
본 발명은 AI 프레임워크 제어 시스템에 관한 것이다. 보다 구체적으로, 본 개시에 따른 Ontology 및 Agentic AI 기반 AI 프레임워크 제어 시스템은 비즈니스 프로세스 구성요소 및 관계를 정의하는 BPMO(Business Process Management Ontology); 기계학습 모델 생성 파이프라인 구성요소 및 관계를 정의하는 MPMO(Machine learning Pipeline Management Ontology); 및 데이터 아티팩트 생성 파이프라인 구성요소 및 관계를 정의하는 DPMO(Data Pipeline Management Ontology);를 포함하는 지식 베이스가 저장된 메모리; 및 상기 메모리와 통신 가능하게 연결된 프로세서;를 포함하며, 상기 프로세서는, 사용자 요청을 수신하는 애플리케이션 레이어(Application Layer); 및 상기 사용자 요청 및 상기 BPMO, 상기 MPMO, 상기 DPMO에 기초하여 계획, 추론 및 실행을 수행하여 워크플로우를 생성하고 실행하는 Agentic AI;를 제어할 수 있다. 다른 실시예들도 가능하다
본 발명은 인공지능 모델 학습 데이터 증강을 위한 이미지 생성 장치에 관한 것이다. 보다 구체적으로, 본 개시에 따른 인공지능 모델 학습 데이터 증강을 위한 이미지 생성 장치에 있어서, 텍스트 프롬프트 및 객체의 구조적 제약을 정의하는 어노테이션 정보를 포함하는 조건을 입력받는 입력처리부; 참조 스타일 이미지 및 상기 참조 스타일 이미지를 설명하는 스타일 프롬프트를 입력받아, 상기 참조 스타일 이미지로부터 색감, 질감, 조명 및 도메인 특성을 포함하는 스타일 특징을 추출하는 IP 어뎁터 기반 스타일 제어부; 및 상기 입력처리부에 의해 처리된 정보 및 상기 IP 어뎁터 기반 스타일 제어부에 의해 추출된 스타일 특징을 통합하여, 상기 어노테이션 정보에 의해 정의된 구조적 제약과 상기 스타일 특징이 모두 반영된 합성 이미지를 생성하는 출력부;를 포함할 수 있다. 다른 실시예들도 가능하다.
본 발명은 온톨로지 기반 초기 연기 및 불꽃 예측 및 확인 장치에 관한 것이다. 보다 구체적으로, 본 개시에 따른 온톨로지 기반 초기 연기 및 불꽃 예측 및 확인 장치는 가시광 카메라를 포함하는 영상 수신부; 상기 영상 수신부로부터 수신된 영상 스트림에서 연기 또는 불꽃으로 추정되는 후보 영역을 생성하는 후보 생성부; 상기 후보 영역과 관련된 현장의 맥락 정보를 수집하는 맥락 수집부; 자산, 위험물, 구역, 이벤트 및 작업 허가를 포함하는 엔티티와 이들 간의 관계가 정의된 온톨로지를 저장하는 온톨로지 저장부; 상기 후보 영역의 동역학적 특징을 산출하는 동역학 특징부; 상기 후보 영역 생성에 따른 탐지 신뢰도, 상기 온톨로지에 매핑된 맥락 정보, 및 상기 동역학적 특징을 가중 결합하여 통합 스코어를 산출하는 상황 추론 및 스코어 결합부; 및 상기 통합 스코어가 기설정된 임계값을 초과하는 경우 경보를 출력하는 경보 출력부를 포함할 수 있다. 다른 실시예들도 가능하다.
본 발명은 카메라로부터 획득된 이벤트 정보를 온톨로지(ontology)에 기초하여 분석하고, 객체가 출입 금지 구역에 진입하는 침입 패턴을 추론함으로써 정밀하고 신뢰성 있는 침입 상황 식별을 가능하게 하는 온톨로지 기반의 침입 탐지 방법을 제안한다. 상기 방법은 관리 서버가, 카메라(camera)로부터 수집된 영상으로부터 객체의 위치 및 이동 경로를 포함하는 이벤트 정보를 획득하는 단계, 상기 관리 서버가, 상기 획득된 이벤트 정보를 온톨로지(ontology)를 기초로 분석하여, 객체가 사전 정의된 통제선을 넘어 출입 불가 지역에 진입하는 침입 패턴을 추론하는 단계 및 상기 관리 서버가, 상기 추론된 침입 패턴을 기초로 침입 상황을 식별하는 단계를 포함할 수 있다.
본 발명은 카메라로부터 획득된 이벤트 정보를 온톨로지(ontology)에 기초하여 해석하고, 위험 상황과 관련된 맥락을 추론함으로써 신뢰성 있는 위험 상황 식별을 가능하게 하는 온톨로지 기반의 위험 상황 식별 방법을 제안한다. 상기 방법은 관리 서버가, 카메라(camera)로부터 수집된 영상으로부터 이벤트 정보를 획득하는 단계, 상기 관리 서버가, 사전 저장된 온톨로지(ontology)를 기초로 상기 획득된 이벤트 정보를 해석하여 위험 상황과 관련된 맥락(context)을 추론하는 단계 및 상기 관리 서버가, 상기 추론된 맥락을 기초로 위험 상황을 식별하는 단계를 포함할 수 있다.
본 발명은 온톨로지(ontology)를 기반으로 식별된 위험 정보를 평가하고, 해당 위험 점수를 기초로 경보의 우선순위를 자동으로 산정할 수 있는 온톨로지 기반의 경보 우선순위 결정 방법을 제안한다. 상기 방법은 관리 서버가, 온톨로지(ontology)를 기반으로 식별된 위험 상황에 대응되는 위험 정보를 입력받는 단계, 상기 관리 서버가, 상기 입력된 위험 정보에 대한 위험 점수를 평가하는 단계 및 상기 관리 서버가, 상기 평가된 위험 점수를 기준으로 경보 우선 순위를 결정하는 단계를 포함할 수 있다.
본 발명은 텍스트 없이 이미지만으로 VAE를 학습하는 기존 방법들의 성능을 향상시키는 것을 목적으로 한다. 특히, 입력 이미지와 관련된 텍스트 정보를 효과적으로 활용하여 VAE의 이미지-텍스트 변환 성능을 개선하고자 한다. 본 발명의 일 실시예에 따른 비지도 학습 기반 변분적 오토인코더 학습 장치는 메모리; 및 상기 메모리와 통신을 수행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 이미지 임베딩과 텍스트 임베딩 사이의 변환을 학습하는 변분적 오토인코더를 구비하고, 비지도 학습 기반에서, 판별자 및 생성자의 상호 작용을 기초로 상기 텍스트 임베딩 및 상기 이미지 임베딩을 생성하는 적대적 생성 신경망을 구비하고, 상기 변분적 오토인코더를 이용하여 상기 이미지 임베딩과 상기 텍스트 임베딩 사이의 변환을 학습하고, 상기 변분적 오토인코더는, 입력으로 주어진 이미지 임베딩과 텍스트 임베딩을 이용하여 유사 감독 손실을 계산하고, 상기 유사 감독 손실을 손실함수에 추가하여 이용하여 학습하도록 구성될 수 있다. 본 발명은 대한민국 정부(산업통상자원부 및 방위사업청) 재원으로 민군협력진흥원에서 수행하는 민군기술협력사업(과제번호 23-CM-Al-15)의 연구비 지원으로 개발된 것이다.
본 발명은 LLM의 연속 학습 과정에서 발생하는 파괴적 망각 현상을 최소화하고, 새로운 지식을 효율적으로 학습하여 모델의 성능을 향상시키는 것을 목표로 한다. 본 발명의 일 실시예에 따른 비대칭 구조를 이용한 연속 학습 장치를 구성하는 메모리는 연속 학습에 사용되는 데이터셋, 모델 파라미터, 라우터 및 어댑터들을 저장할 수 있다. 적어도 하나의 프로세서는, 얕은 층(shallow layer) 및 깊은 층(deep layer)으로 구성된 신경망 모델을 이용하여 연속 학습을 수행하고, 상기 새로운 데이터를 학습할 때마다 새로운 학습에 대응되는 어댑터(adapter)를 상기 깊은 층에 추가하고, 상기 얕은 층과 상기 깊은 층 사이에 마련된 라우터(router)를 통해 입력 텍스트가 상기 얕은 층, 상기 깊은 층 및 상기 어댑터 중 적어도 하나로 분배되도록 구성될 수 있다. 본 발명은 방위사업청의 재원으로 국방기술진흥연구소의 방산혁신기업 100 프로젝트 전용R0026#D 지원사업(R230205)의 지원을 받아 개발된 것이다.
본 발명은 카메라를 통해 촬영된 이미지에 포함된 군중의 머리 위치를 높은 정확도로 검출할 수 있는 군중 머리 위치 검출 방법을 제안한다. 검출 서버가, 인공지능(AI, Artificial Intelligence) 모델을 학습시키는 단계, 상기 검출 서버가, 머리의 위치 검출이 필요한 카메라(camera)에 의해 촬영된 이미지를 수신하는 단계 및 상기 검출 서버가, 상기 인공지능 모델을 기초로 상기 수신된 이미지에서 적어도 한 명의 사람에 대한 머리의 중심 좌표를 검출하는 단계를 포함할 수 있다. 구체적으로, 상기 학습시키는 단계는 학습 이미지를 동일한 크기로 나누어 형성된 그리드(grid)의 중심에 대한 적어도 하나의 앵커 포인트(anchor point)를 상기 학습 이미지에 포함된 사람의 머리 중심점에 대한 복수의 정답 포인트(ground truth point)들에 매칭시키되, 상기 적어도 하나의 앵커 포인트와 상기 복수개의 정답 포인트들 사이의 DIoU Loss(Distance IoU) 값 및 해당 앵커 포인트를 기초로 상기 인공지능 모델로부터 예측된 예측 포인트에 머리가 존재할 확률의 차이가 낮은 순으로 매칭시킬 수 있다. 본 발명은 대한민국 정부(산업통상자원부 및 방위사업청) 재원으로 민군협력진흥원에서 수행하는 민군기술협력사업의 연구비 지원으로 수행(과제번호 23-CM-Al-15)된 것이다.
본 발명은 텍스트 캡션이 존재하지 않는 이미지만으로 인공지능 모델을 효과적으로 학습시켜 높은 퀄리티의 이미지를 생성함으로써, 주어진 이미지의 특정 얼굴 이미지를 가명화(pseudonymization)하기 위한, 인공지능을 이용한 이미지 가명화 방법을 제안한다. 상기 방법은 이미지 변환 장치가, 대상 이미지에서 가명화(pseudonymization) 하고자 하는 제1 얼굴 이미지를 추출하는 단계, 상기 이미지 변환 장치가, 상기 추출된 제1 얼굴 이미지 및 가명화 기준에 대하여 사전 정의된 설명문 집합을 사전 학습된 제1 인공지능 모델에 입력하여, 상기 제1 얼굴 이미지와 유사도가 높은 설명문을 선택하는 단계, 상기 이미지 변환 장치가, 상기 선택된 설명문을 사전 학습된 제2 인공지능 모델에 입력하여 상기 선택된 설명문에 대한 특징을 포함하는 가상의 제2 얼굴 이미지를 생성하는 단계, 상기 이미지 변환 장치가, 상기 제2 얼굴 이미지의 특징을 추출하고, 상기 추출된 제2 얼굴 이미지의 특징 및 제1 얼굴 이미지를 사전 학습된 페이스 스와핑 모델에 입력하여 상기 제1 얼굴 이미지에 상기 제2 얼굴 이미지의 특징을 적용한 제3 얼굴 이미지를 생성하는 단계 및 상기 이미지 변환 장치가, 상기 생성된 제3 얼굴 이미지를 상기 대상 이미지에 적용하는 단계를 포함할 수 있다. 본 발명은 대한민국 정부(산업통상...(이하생략)
본 발명은 사용자의 개입 없이 인공지능 모델을 활용하여 다중 센서 간에 주기적인 캘리브레이션을 수행할 수 있는, 다중 센서 간의 비감독 캘리브레이션 방법을 제안한다. 상기 방법은 캘리브레이션 장치가, 주행체에 장착된 다중 센서로부터 획득된 데이터를 수집하는 단계, 상기 캘리브레이션 장치가, 상기 수집된 데이터를 전처리 하는 단계, 상기 캘리브레이션 장치가, 상기 전처리 된 데이터를 사전 기계 학습(Machine Learning) 된 인공지능(AI, Artificial Intelligence) 모델에 입력하여 상기 다중 센서 간 캘리브레이션 파라미터를 추론하는 단계 및 상기 캘리브레이션 장치가, 상기 추론된 캘리브레이션 파라미터를 기초로 상기 다중 센서의 파라미터를 보정하는 단계를 포함할 수 있다.
본 발명은 텍스트 캡션이 존재하지 않는 이미지만으로 인공지능 모델을 효과적으로 학습하여 높은 퀄리티의 이미지를 생성하기 위한, 인공지능을 이용한 이미지 생성 방법을 제안한다. 상기 방법은 이미지 생성 장치가, 적어도 하나의 이미지(image) 및 상기 적어도 하나의 이미지로부터 도출된 텍스트(text)를 기초로 인공지능(AI, Artificial Intelligence) 모델을 학습시키는 단계, 상기 이미지 생성 장치가, 추론을 위한 대상 텍스트를 상기 학습된 인공지능 모델에 입력하여, 상기 대상 텍스트와 대응되는 이미지를 생성하는 단계를 포함할 수 있다.
본 발명은 한정된 데이터를 이용하여 대규모 언어 모델(LLM)을 효과적으로 학습시키기 위한, 트리 기반 검색 기술을 이용한 학습 방법을 제안한다. 상기 방법은 학습 장치가, 인공지능(AI, Artificial Intelligence) 모델을 학습하기 위하여 트리(tree) 기반 검색을 통해 텍스트 데이터를 수집하는 단계, 상기 학습 장치가, 상기 수집된 텍스트 데이터를 기초로 학습된 상기 인공지능 모델을 튜닝하는 단계 및 상기 학습 장치가, 상기 튜닝된 인공지능 모델을 평가(evaluation)하는 단계를 포함할 수 있다.
본 발명은 인공지능을 이용하여 영상에 포함된 객체의 특징을 로깅하고, 로깅 된 특징을 기반으로 영상 속에서 타겟 객체를 검색할 수 있는, 인공지능을 이용한 객체 검색 방법을 제안한다. 상기 방법은 검색 서버가, 카메라(camera)에 의해 촬영된 영상을 수신하는 단계, 상기 검색 서버가, 상기 수신된 영상에 포함된 적어도 하나의 객체에 대한 특징 정보를 추출하고, 상기 추출된 특징 정보를 로깅(logging)하는 단계, 상기 검색 서버가, 상기 영상에 포함된 적어도 하나의 객체 중 검색 대상이 되는 객체에 대한 검색 정보를 입력 받는 단계 및 상기 검색 서버가, 상기 로깅 된 특징 정보 중 상기 검색 정보와 매칭되는 객체에 대한 특징 정보를 검색(search)하는 단계를 포함할 수 있다.
본 발명은 카메라를 통해 촬영된 영상에 포함된 군중의 머리 위치를 높은 정확도로 검출할 수 있는 군중 머리 위치 검출 방법을 제안한다. 상기 방법은 검출 서버가, 카메라(camera)에 의해 촬영된 영상을 수신하는 단계, 상기 검출 서버가, 사전 기계 학습(machine learning)된 인공지능(AI, Artificial Intelligence) 모델을 기초로 상기 수신된 영상에서 적어도 한 명의 사람에 대한 머리의 중심 좌표를 예측하는 단계 및 상기 검출 서버가, 상기 인공지능 모델을 통해 상기 예측된 중심 좌표를 기초로 상기 적어도 한 명의 사람에 대한 머리의 중심 좌표를 검출하는 단계를 포함할 수 있다.
본 발명은 인공지능을 이용하여 카메라를 통해 촬영된 영상에 포함된 군중의 행위를 분석하여 상황을 모니터링할 수 있는, 인공지능을 이용한 군중 모니터링 방법을 제안한다. 상기 방법은 모니터링 서버가, 카메라(camera)에 의해 촬영된 영상을 수신하는 단계, 상기 모니터링 서버가, 상기 수신된 영상에서 적어도 한 명의 사람을 탐지하고, 상기 탐지된 적어도 하나의 사람의 군중 밀도를 예측하는 단계, 상기 모니터링 서버가, 상기 예측된 군중 밀도에 따라 상기 영상에 포함된 적어도 한 명의 사람에 대한 행위를 분석하는 단계 및 상기 모니터링 서버가, 상기 분석된 적어도 한 명의 사람에 대한 행위에 따라 상기 영상을 가공하는 단계를 포함할 수 있다.
본 발명은 인공지능 모델을 통해 교체 대상이 되는 소스 이미지로부터 추출된 머리카락 및 얼굴에 대한 특징을 교체를 위해 기초가 되는 타겟 이미지에 적용하기 위한, 인공지능을 이용한 이미지의 얼굴 및 머리카락 교체 방법을 제안한다. 상기 방법은 데이터 생성 장치가, 교체 대상이 되는 소스 이미지(source image) 및 교체를 위해 기초가 되는 타겟 이미지(target image)를 입력 받는 단계, 상기 데이터 생성 장치가, 상기 소스 이미지 및 상기 타겟 이미지로부터 특징 텐서(feature tensor)를 추출하는 단계, 상기 데이터 생성 장치가, 사전 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI) 모델을 통해 상기 소스 이미지로부터 추출된 머리카락 및 얼굴에 대한 특징 텐서를 상기 타겟 이미지에 적용한 교체 이미지를 생성하는 단계를 포함할 수 있다.
본 발명은 카메라 및 라이다의 센서 퓨전을 통해 얻어낸 융합 데이터를 바탕으로 3차원 시맨틱 세그멘테이션을 수행하기 위한, 3차원 시맨틱 세그멘테이션 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 카메라(camera)에 의해 촬영된 이미지(image) 및 라이다(lidar)로부터 획득된 점군(point cloud) 데이터를 입력받는 단계, 상기 학습 데이터 생성 장치가, 상기 점군 데이터를 상기 이미지와 동일한 크기의 극좌표로 표현한 사영 이미지를 생성하는 단계, 상기 학습 데이터 생성 장치가, 상기 이미지 및 상기 사영 이미지를 사전 기계 학습(machine learning)된 인공지능(AI, Artificial Intelligence)에 각각 입력하여 예측하고자 하는 클래스(class)의 종류만큼의 차원을 갖는 2D 세그멘트 맵 및 3D 세그멘트 맵을 추정하는 단계를 포함할 수 있다.
인공지능 학습 방법
본 발명은 인공지능을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터에 포함된 객체를 특정하기 위한 어노테이션 방법을 제안한다. 상기 방법은 어노테이션 장치가, 라이다(lidar)로부터 수집된 3D 점군 데이터(3D point group)를 수신하는 단계, 상기 어노테이션 장치가, 상기 3D 점군 데이터를 적어도 하나의 뷰 포인트(view point)로 설정하고, 상기 설정된 적어도 하나의 뷰 포인트 각각에서 객체(object)를 특정하기 위한 복수 개의 가이드 포인트(guide point)들을 생성하는 단계 및 상기 어노테이션 장치가, 상기 선택받은 복수 개의 가이드 포인트들을 기초로 객체(object)를 특정하기 위한 어노테이션(annotation)을 수행하는 단계를 포함할 수 있다.
본 발명은 이미지 속에 포함된 중첩된 객체를 용이하게 지정할 수 있는, 경계선 지정을 통한 어노테이션 방법을 제안한다. 상기 방법은 어노테이션 장치가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지에 포함된 서로 중첩되어 배치되는 복수의 객체의 외곽선을 지정하는 단계, 상기 어노테이션 장치가, 상기 지정된 외곽선 내에서 상기 복수의 객체 사이의 경계선을 지정하는 단계 및 상기 어노테이션 장치가, 상기 지정된 경계선을 기준으로 구획된 복수의 영역을 기준으로 상기 복수의 객체를 각각 식별하는 단계를 포함할 수 있다.
본 발명은 인공지능(AI)을 기계 학습하기 위한 데이터의 어노테이션 작업과 관련하여, 라이다에 의해 획득된 3D 점군 데이터와 카메라에 의해 촬영된 이미지 내에 포함된 객체를 검출하기 위한 방법을 제안한다. 상기 방법은 어노테이션 장치가, 차량에 고정 설치된 라이다(lidar)를 통해 획득된 3D 점군 데이터(3D point group) 및 카메라(camera)를 통해 획득된 복수의 이미지(image) 중 적어도 하나를 수신하는 단계 및 상기 어노테이션 장치가, 상기 수신된 점군 데이터 또는 상기 복수의 이미지 내에 포함된 적어도 하나 이상의 객체(object)를 검출하는 단계를 포함할 수 있다.
본 발명은 자율 주행 차량이 주행환경을 3차원으로 인지하기 위하여 카메라 및 라이다의 센서 퓨전을 통해 멀티 모달 기반의 3차원 시맨틱 세그멘테이션을 수행하기 위한, 시맨틱 세그멘테이션 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 라이다(lidar)로부터 획득된 점군 데이터(point cloud) 및 동시에 카메라(camera)를 통해 촬영된 이미지(image)를 수신하는 단계, 상기 학습 데이터 생성 장치가, 상기 점군 데이터 및 상기 이미지로부터 다중 크기의 특징들을 추출하고, 추출한 특징들 사이의 지역적 연관성 및 채널 간 상관관계를 활용하여 심층 특징을 추출하는 단계 및 상기 학습 데이터 생성 장치가, 상기 추출한 심층 특징으로부터 세그멘테이션 추론 벡터를 생성하는 단계를 포함할 수 있다.
본 발명은 높은 정확도로 자연어를 수어 글로스로 번역하기 위한, 트랜스포머를 이용한 수어 글로스 번역 방법을 제안한다. 상기 방법은 번역서버가, 자연어 텍스트(text)를 입력 받는 단계, 상기 번역서버가, 상기 자연어 텍스트를 인코딩(encoding)하여 상기 자연어 텍스트와 대응하는 벡터(vector)를 생성하는 단계 및 상기 번역서버가, 자연어 및 상기 자연어와 매칭되는 수어 데이터 셋(data set)에 의해 사전 기계 학습(machine learning)된 트랜스포머(transformer) 모델을 통해, 상기 벡터를 디코딩(decoding)하여 상기 자연어 텍스트와 매칭되는 수어 글로스를 생성하는 단계를 포함할 수 있다.
본 발명은 시맨틱 세그멘테이션 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory), 송수신기(transceiver) 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가, 라이다(lidar)로부터 획득된 점군 데이터(point cloud) 및 동시에 카메라(camera)를 통해 촬영된 이미지(image)를 수신하는 단계, 상기 프로세서가, 상기 수신한 점군 데이터 및 상기 이미지를 전처리하는 단계 및 상기 프로세서가, 상기 전처리 된 점군 데이터 및 이미지 각각으로부터 특징을 독립적으로 추출하고, 상기 추출된 특징을 융합하여 시맨틱 세그멘테이션을 추론하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.
본 발명은 시맨틱 세그멘테이션 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 라이다(lidar)로부터 획득된 점군 데이터(point cloud) 및 동시에 카메라(camera)를 통해 촬영된 이미지(image)를 수신하는 단계, 상기 학습 데이터 생성 장치가, 상기 수신한 점군 데이터 및 상기 이미지를 전처리하는 단계 및 상기 학습 데이터 생성 장치가, 사전 기계 학습(machine learning)된 인공 지능(AI, Artificial Intelligence)을 기초로 상기 전처리 된 점군 데이터 및 이미지 각각으로부터 특징을 독립적으로 추출하고, 상기 추출된 특징을 융합하여 시맨틱 세그멘테이션 특징맵을 생성하는 단계를 포함할 수 있다.
본 발명은 적은 양의 학습 데이터를 이용하여 높은 객체 검출 성능을 발현할 수 있는 스코어 재조정을 통한 객체 검출 방법을 제안한다. 상기 방법은 학습 장치가, 제1 객체 검출 모델에 적어도 하나의 이미지를 입력 받는 단계, 상기 학습 장치가, 상기 제1 객체 검출 모델을 통해 상기 적어도 하나의 이미지에 포함된 객체를 검출하고, 상기 검출된 객체 및 클래스 간의 유사도에 기반한 제1 클래스 스코어를 산출하는 단계, 상기 학습 장치가, 상기 검출된 객체를 제2 객체 검출 모델에 입력하는 단계, 상기 학습 장치가, 상기 제2 객체 검출 모델을 통해 상기 검출된 객체 및 클래스 간의 유사도에 기반한 제2 클래스 스코어를 산출하는 단계, 상기 학습 장치가, 상기 제1 클래스 스코어 및 상기 제2 클래스 스코어를 기초로 상기 검출된 객체의 클래스를 추정하는 단계를 포함할 수 있다.
본 발명은 적은 양의 학습 데이터를 이용하여 높은 객체 검출 성능을 발현할 수 있는 MIM 기반의 퓨샷 객체 검출 모델 학습 방법을 제안한다. 상기 방법은 학습 장치가, 적어도 하나의 객체를 포함하는 랜덤(random) 한 이미지를 포함하는 제1 데이터 셋을 기초로 객체 검출을 위한 제1 학습 모델을 사전 학습하는 단계, 상기 학습 장치가, 상기 사전 학습된 제1 학습 모델을 객체 검출을 위한 제2 학습 모델과 결합하여 제3 학습 모델을 생성하는 단계 및 상기 학습 장치가, 데이터 수가 사전 설정된 값보다 적은 제2 데이터 셋을 기초로 상기 제3 학습 모델을 학습하는 단계를 포함할 수 있다.
본 발명은 고객 행동에 기반하여 결제 프로세스를 제어할 수 있는 방법을 제안한다. 상기 방법은 매장 내에 방문한 고객에 대한 영상을 촬영하는 단계; 상기 촬영된 영상을 시계열적으로 분석하여, 상기 고객의 행동 패턴을 식별하는 단계; 상기 식별된 고객의 행동 패턴을 기반으로, 상기 매장 내에 고정 설치된 무인 결제 장치가 수행해야할 결제 프로세스를 결정하는 단계; 및 상기 고객의 행동 패턴을 기반으로 결정된 결제 프로세스와 상기 고객에 대응하여 기 결정되었던 선행 결제 프로세스를 서로 대비하여, 상기 결정된 결제 프로세스를 검증하는 단계를 포함할 수 있다. 이와 같은, 본 발명에 따르면, 매장 내에 결제를 수행하기 위한 인력이 존재하지 않아도, 매장에 방문한 고객의 행동에 기반하여 무인 결제를 수행할 수 있게 된다.
본 발명은 인공지능 학습용 데이터의 어노테이션 작업에 관한 프로젝트의 전체 작업 비용을 합리적으로 예측할 수 있는, 학습 데이터 생성에 관한 작업 비용 예측 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 인공지능(Artificial Intelligence, AI) 학습을 위하여 수행 예정인 어노테이션(annotation) 작업과 관련된 프로젝트를 수행하기 위한 적어도 하나의 샘플 데이터를 수신하는 단계, 상기 학습 데이터 생성 장치가, 기 수행된 복수의 프로젝트에 포함된 기존 데이터를 상기 샘플 데이터와 비교하고, 상기 샘플 데이터와의 유사도가 사전 설정된 값보다 높은 기존 데이터가 포함된 적어도 하나의 프로젝트를 추출하는 단계 및 상기 학습 데이터 생성 장치가, 상기 추출된 적어도 하나의 프로젝트를 기초로 상기 수행 예정인 어노테이션 작업과 관련된 프로젝트를 수행하기 위하여 요구되는 전체 작업 비용을 예측하는 단계를 포함할 수 있다.
본 발명은 이미지 속에 포함된 중첩된 객체를 용이하게 지정할 수 있는, 경계선 이식을 통한 어노테이션 방법을 제안한다. 상기 방법은 어노테이션 장치가, 작업자의 제어에 따라, 인공지능(Artificial Intelligence, AI) 학습을 위한 어노테이션(annotation) 작업의 대상이 되는 이미지에 포함된 서로 중첩되어 배치되는 복수의 객체 중 제1 객체의 외곽선을 지정하는 단계, 상기 어노테이션 장치가, 상기 제1 객체와 중첩되어 배치된 제2 객체 사이의 경계선을 지정하는 단계, 상기 어노테이션 장치가, 상기 경계선을 상기 제2 객체의 외곽선의 일부로 설정하는 단계 및 상기 어노테이션 장치가, 상기 설정된 경계선을 기준으로 상기 제2 객체의 외곽선을 지정하는 단계를 포함할 수 있다.
본 발명은 인공지능의 기계 학습용 데이터를 수집하고, 수집된 데이터 중 불필요한 데이터를 정제할 수 있는 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 인공지능(Artificial Intelligence, AI)의 기계 학습(machine learning)을 위한 이미지의 수집을 적어도 하나의 학습 데이터 수집 장치에 요청하는 단계, 상기 학습 데이터 생성 장치가, 상기 적어도 하나의 학습 데이터 수집 장치로부터 이미지들을 수신하는 단계, 상기 학습 데이터 생성 장치가, 상기 수신한 이미지들의 컬러 정보를 추출하는 단계 및 상기 학습 데이터 생성 장치가, 상기 이미지들 사이의 컬러 정보를 기준으로 노이즈 이미지를 분류하는 단계를 포함할 수 있다.
본 발명은 인공지능의 기계 학습용 데이터를 수집하고, 수집된 데이터 중 불필요한 데이터를 정제할 수 있는 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 인공지능(Artificial Intelligence, AI)의 기계 학습(machine learning)을 위한 이미지의 수집 조건을 포함하는 가이드 정보를 적어도 하나의 학습 데이터 수집 장치에 전송하는 단계, 상기 학습 데이터 생성 장치가, 상기 적어도 하나의 학습 데이터 수집 장치로부터 이미지들을 수신하는 단계, 상기 학습 데이터 생성 장치가, 상기 수집 조건과 대응하는 이미지 정보를 상기 이미지들로부터 추출하는 단계 및 상기 학습 데이터 생성 장치가, 상기 추출한 이미지 정보를 상기 가이드 정보와 비교하여, 수집 환경에 따른 노이즈 이미지를 분류하는 단계를 포함할 수 있다.
본 발명은 기계 학습용 데이터를 수집하고, 수집된 데이터 중 불필요한 데이터를 정제할 수 있는, 물리적 요인 기반 학습 데이터 분류 방법을 제안한다. 상기 방법은 학습 데이터 생성 장치가, 인공지능(Artificial Intelligence, AI)의 기계 학습(machine learning)을 위한 이미지의 수집 조건을 포함하는 가이드 정보를 적어도 하나의 학습 데이터 수집 장치에 전송하는 단계, 상기 학습 데이터 생성 장치가, 상기 적어도 하나의 학습 데이터 수집 장치로부터 이미지들을 수신하는 단계, 상기 학습 데이터 생성 장치가, 상기 수집 조건과 대응하는 이미지 정보를 상기 이미지들로부터 추출하는 단계 및 상기 학습 데이터 생성 장치가, 상기 추출한 이미지 정보를 상기 가이드 정보와 비교하여, 상기 학습 데이터 수집 장치의 물리적 요인에 따른 노이즈 이미지를 분류하는 단계를 포함할 수 있다.
본 발명은 높은 정확도로 자연어를 수어 텍스트로 번역하기 위한, 수어 텍스트 번역 방법을 제안한다. 상기 방법은 번역서버가, 자연어 텍스트(text)를 입력 받는 단계, 상기 번역서버가, 상기 자연어 텍스트를 인코딩(encoding)하여 상기 자연어 텍스트와 대응하는 벡터(vector)를 생성하는 단계 및 상기 번역서버가, 자연어 및 상기 자연어와 매칭되는 수어 데이터 셋(data set)에 의해 사전 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 통해, 상기 벡터를 디코딩(decoding)하여 상기 자연어 텍스트와 매칭되는 수어 텍스트를 생성하는 단계를 포함할 수 있다.
본 발명은 높은 정확도로 자연어를 수어 영상으로 번역하기 위한, 수어 영상 번역 방법을 제안한다. 상기 방법은 번역서버가, 자연어 텍스트(text)를 입력 받는 단계, 상기 번역서버가, 자연어 및 상기 자연어와 매칭되는 수어 데이터 셋(data set)에 의해 사전 기계 학습(machine learning)된 인공지능(Artificial Intelligence, AI)을 통해, 상기 자연어 텍스트를 수어 텍스트로 변환하는 단계, 상기 번역서버가, 상기 변환된 수어 텍스트와 매칭되는 수어 영상을 생성하는 단계를 포함한다.
본 발명은 인공지능 기반의 바코드 복원을 통한 상품 식별 방법을 제안한다. 상기 방법은 인식 장치가, 카메라(camera)를 통해 적어도 하나의 상품을 촬영하는 단계, 상기 촬영된 이미지 내에서 상기 적어도 하나의 상품의 바코드(barcode) 영역을 크로핑(cropping)하는 단계, 상기 바코드 영역에서 적어도 하나의 특징점(feature point)을 식별하는 단계, 인공 지능(Artificial Intelligence, AI)을 기반으로 상기 식별된 특징점을 이용하여 상기 바코드 영역을 복원하는 단계 및 상기 복원된 바코드 영역으로부터 정보를 인식하여, 상품을 식별하는 단계를 포함할 수 있다
본 발명은 상품 식별 장치를 제안한다. 상기 장치는 특정 파장 범위의 광에 대하여 사전에 설정된 값보다 반사율이 높은 도료로 인쇄된 복수의 바코드(barcode)를 포함하는 적어도 하나의 상품을 이동시키는 복수의 컨베이어를 포함하는 이송부, 상기 복수의 컨베이어 사이에 형성된 슬릿(slit)에 배치되어, 상기 이송부에 의해 이동하는 상기 적어도 하나의 상품에 상기 특정 파장 범위의 광을 조사하여 인쇄된 복수의 바코드 중 하나를 센싱하는 센싱부 및 상기 센싱된 바코드를 인식하여 상품을 식별하는 제어부를 포함할 수 있다.
본 발명은 인공지능 기반의 복합 인식을 통한 상품 식별 방법을 제안한다. 상기 방법은 인식 장치가, 카메라(camera)를 통해 적어도 하나의 상품을 촬영하는 단계, 인공 지능(Artificial Intelligence, AI)을 기반으로 상기 촬영된 이미지 내에서 바코드(barcode) 및 상기 촬영된 이미지 내에 포함된 상품의 형상 정보를 인식하는 단계 및 상기 바코드 및 상기 형상 정보를 기초로 상기 이미지에 포함된 상품을 식별하는 단계를 포함할 수 있다.
본 발명은 서로 다른 파장 범위를 갖는 복수의 카메라를 이용한 상품 식별 방법을 제안한다. 상기 방법은 인식 장치가, 서로 다른 파장 범위의 광을 검출하는 복수의 카메라를 통해 적어도 하나의 상품을 촬영하는 단계 및 인공 지능(Artificial Intelligence, AI)을 기반으로 상기 복수의 카메라로부터 촬영된 복수의 이미지에 포함된 상기 적어도 하나의 상품에 대한 형상 정보를 기초로 상기 적어도 하나의 상품을 식별하는 단계를 포함할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 156 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 30.0 | 33.0 |
| Cost of sales | 22.2 | 23.7 |
| Gross profit (loss) | 7.9 | 9.2 |
| Selling, general and administrative expenses | 11.8 | 11.4 |
| Operating income (loss) | (3.9) | (2.2) |
| Non-operating income | 0.3 | 0.2 |
| Other gains | 0.0 | 0.0 |
| Finance income | 0.2 | 0.2 |
| Non-operating expenses | 1.0 | 0.6 |
| Other losses | 0.2 | 0.0 |
| Finance costs | 0.7 | 0.5 |
| Profit (loss) before tax | (4.7) | (2.6) |
| Income tax expense | 0.3 | 0.4 |
| Net income (loss) | (4.9) | (3.0) |
Revenue ₩33bn, up 9.7% YoY.
Operating margin -6.7% (prior -13.1%).
Net income ₩-3bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-06