★ 4대 가전시장 분석 - 아래 그래프에서 볼 수 있듯이 주요 가전제품 보급률은 2018년부터 포화 상태에 돌입하고 있으며 2016~2023년 연평균 성장률(CAGR)이 약 1.7%에 그칠 것으로 전망하고 있다. - 품목별로 살펴보면, 연간 약 2.2억대 규모의 TV 시장은 이미 성숙 단계로 접어들어 향후 5년간 성장이 정체 또는 점진적 축소가 전망되고 있고, 냉장고 시장은 향후 5년간 약 2% 대의 낮은 성장세를 유지할 전망이다.
★ 핵심기술 및 주요 연구내용
- 스마트 가전제품에서 사용하는 핵심기술들은 영상인식, 음성인식, 센서인식 그리고 IoT 제어용 미들웨어 설계 기술이며 구체적인 내용은 하기와 같다.
ㅁ 음성인식 기술
- 음성인식 기술은 사람에 의한 음성명령어를 스마트 가전제품이 인식하고, 기기가 해당하는 기능을 스스로 작동하도록 하는 사용자 인터페이스 기술을 일컫는다. 현재는 약 200개 수준의 명령어에 인식률 97% 이상을 요구하고 있는데, 점차 AI 스피커 기능이 스마트가전 제품과 융합됨으로써 자연어 처리 기능도 지원하는 스마트가전 제품이 멀지 않은 장래에 출현할 것으로 예측된다. - 일반적으로 음성인식 모델은 Shallow Neural Network의 대표적인 모델 HMM(Hidden Markov Model)을 기반으로 설계하는데, HMM 파라미터 중 음성 인식률에 가장 크게 영향을 미치는 관측확률(Observation Probability)을 CNN 모델 Softmax 출력값과 융합해서 성능 개선을 추구하기도 한다.
ㅁ 영상인식 기술
- 스마트 가전제품에서는 카메라로부터 입력되는 영상정보를 통해서 사용자의 얼굴을 인식하고, 냉장고 내부에 보관하고 있는 식자재와 식물재배 시스템에서 생육되고 있는 허브 종류를 인식할 때 CNN(Convolutional Neural Network) 계열의 딥러닝 인공지능 기술을 사용한다. - 이 CNN 기술은 사물에 대한 데이터로부터 특징들을 학습하는 대표적인 기술인데 입력과 가까운 층에서는 가장자리(Edge), 곡선(Curve)과 같은 low level 특징을 학습하고 점차 high level로 갈수록 질감(Texture)이라든가 물체 일부분(Object Parts)에 대한 특징을 인식한다. CNN은 크게 세 가지 층(Layer)으로 구성되는데, 첫 번째 층인 컨볼루션 레이어(Convolution Layer)는 이미지로부터 특징을 추출하고, 두 번째 층인 풀링층(Pooling Layer)은 이미지에서 표본을 추출하는 방식으로 학습 속도를 높이며, 세 번째 층인 FC층(Fully Connected Layer)에서는 최종적인 분류 작업을 수행한다. 스마트가전용 인공지능 SoC 개발 사업에 적용할 CNN 가속기 구조는 하기와 같다.
ㅁ CNN 가속기 구조
- CNN 가속기 하드웨어는 Processing Element(PE) Array 구조로 되어 있으며, 각 PE 들을 Mesh 형태로 연결하여 높은 연산량을 수행할 때도 최고의 효율을 갖도록 설계한다. 외부 메모리(통상 DRAM)에 대한 Access 빈도수를 낮추기 위해서 반복적으로 사용되는 데이터들은 Local Buffer(SRAM)에 저장해 두고 사용한다
자세한 내용은 첨부파일을 참고하여 주시기 바랍니다.
출처 : KEIT PD 이슈리포트 2021-8월호
추천 리포트
-
[코센리포트] 미국의 전기차 충전시설 보급 계획, 지원 정책, 시사점
-
[코센리포트] 저온 플라즈마를 이용한 암모니아 가스 합성
-
[코센리포트] 인공지능에서의 양자화
-
[동향보고서] [글로벌ICT이슈] 인공지능 반도체 현황 및 주요국 정책
-
[동향보고서] 유연물 핸들링 로봇 시스템을 위한 인식, 파지, 조작기술
-
[동향보고서] ICT Brief (2021-25호) - 한국 정부·업계, 완성도 높은 자율주행 기술개발 본격화
-
[동향보고서] 연료전지 기술동향 브리프
-
[코센리포트] 연료전지 기술개발 동향 및 미래 시장 전망
-
리포트 평점
해당 콘텐츠에 대한 회원님의 소중한 평가를 부탁드립니다. -
0.0 (0개의 평가)