선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그러나 지금까지 개발된 고구마의 내부품질 및 영상처리식 형상선별 시스템은 선별기와 유기적으로 호환되지 못하여 보급이 미비한 실정이었다. 따라서 본 연구에서는 고구마의 형상, 무게, 손상, 색택을 정밀하게 선별할 수 있는 영상처리 시스템과 이들과 결합되어 유기적으로 동작할 수 있는 자동 선 별시스템을 개발하여 그 성능을 평가하였다.
- 본 연구에서는 인력에 의존하고 있는 부정형 농산물의 선별작업을 기계화할 수 있도록 영상처리를 이용한 자동선별시스템을 개발하고 고구마를 대상으로 하여 그 성능을 평가하였다.
제안 방법
- 고구마의 선별 기준은 현재 농수산물 시장에서 유통되고 있는 고구마를 각 등급별로 구입하여 조사하였다. 고구마의 장경, 단경, 길이, 무게를 등급별로 100개씩 측정하여 통계처리하였다. 등급 간 기준 및 호칭은 농가 또는 산지유통센터에서 사용하는 등급기준을 그대로 적용하였다.
- 선별등급에 따른 형상특성을 조사한 후에 고구마의 길이와 형상에 적합한 이송용 슬라이드컵을 개발하였다. 고구마의 길이는 품종에 따라 차이는 있지만 대개 210mm범위 내에 있으며 직경은 90mm 이내에 있기 때문에 슬라이드컵의 크기는 여유를 생각하여 가로X세로X높이를 각각 240x128x42mm로 금형을 개발하였다.
- 선별등급에 따른 형상특성을 조사한 후에 고구마의 길이와 형상에 적합한 이송용 슬라이드컵을 개발하였다. 고구마의 길이는 품종에 따라 차이는 있지만 대개 210mm범위 내에 있으며 직경은 90mm 이내에 있기 때문에 슬라이드컵의 크기는 여유를 생각하여 가로X세로X높이를 각각 240x128x42mm로 금형을 개발하였다. 컵의 재질은 충격에 강하고 비틀림이 적은 ABS(Acrylonitrile butadiene styrene)수지를 사용하였다.
- 컵의 재질은 충격에 강하고 비틀림이 적은 ABS(Acrylonitrile butadiene styrene)수지를 사용하였다. 고구마의 무게를 고려하여 등급 및 배출시 쉽게 배출될 수 있도록 자유낙하에 의한 하부낙하 방식을 채택하여 설계하였다. 그림 2와 그림 3은 각각 슬라이드컵의 개략도와 개발품의 모습이다.
- 무게측정부에서는 로드셀을 이용하여 무게를 측정하고, 영상처리 및 제어부에서는 농산물의 무게, 형상, 휨, 손상을 계산하고 이들의 조합에 의해 등급판정을 내린다. 등급별 배출부에서는 하부낙하 방식의 슬라이드 컵에 의해 배출을 하며 하부의 소형 컨베이어 벨트에 의해 상자에 자동으로 담겨지도록 설계를 하였다. 그림 6과 표 1은 시작기의 각 구성부와 제원을 나타낸다.
- 영상처리 시스템은 그림 7에서처럼 빛을 조사할 수 있는 챔버, 영상을 획득하는 CCD 카메라, 시료의 전체 영상을 획득할 수 있도록 도와주는 회전형 고무롤 컨베이어로 구성되어 있으며, 시료마다 3번의 연속 촬영으로 전체영상을 획득하고 등급을 판정하였다.
- 형상은 길이대 장경비((La+Lb)/D)로 휨은 <B로 정의하였다. 손상은 손상된 부위의 화소치를 사용자가 허용기준치를 두어서 손상을 판정할 수 있도록 하였다. 색택은 영상처리의 문턱값을 적용하였다.
- 영상처리를 위해 그림 9와 같이 영상을 획득하여 이치화한 후에 길이, 장경, 휨, 무게, 길이/장경비, 손상, 색택을 측정하고 사용자에 의해 입력된 등급별 설정값과 측정값을 비교한다. 손상과 휨을 설정값과 비교하여 기준 이하이면 등외로 판정하였다.
- 손상과 휨을 설정값과 비교하여 기준 이하이면 등외로 판정하였다. 다음으로 등급별 무게를 설정값과 비교하고 해당 등급으로 보낸 후 마지막으로 길이/장경비를 비교하여 최종적으로 6또는 7등급 선별을 하도록 알고리즘을 구성하였다.
- 영상처리 과정은 그림 10과 같다. 획득한 영상에서 각 화소의 RGB값을 YIQ 컬러 모델로 변환을 하여 평활화를 시켰다. 필터링은 저역통과 필터(Low-pass filter)를 사용하였다.
- 무게는 로드셀로, 형상은 길이/장경비로 휨은 중심점과 양 끝점이 이루는 각으로 측정하여 모니터에 실시간으로 나타내었다. 표피가 손상된 부분은 하얗게 변하기 때문에 이 부분의 화소치를 읽어 손상을 판정하였다.
- 고구마 등급기준은 유통시장에서 인력에 의해 선별된 고구마를 구입하여 등급별로 길이, 장경, 단경, 무게를 측정하였다. 시작기의 성능시험을 위해 선별등급은 6등급으로 정의하고 등급기준을 영상처리 알고리즘에 반영하였다.
- 시작기의 성능시험을 위해 선별등급은 6등급으로 정의하고 등급기준을 영상처리 알고리즘에 반영하였다. 시작기의 성능평가는 등급별로 각각 50개씩의 고구마를 무작위로 혼합하여 5회 반복 실험 후 시간당 작업성능과 선별정밀도 및 손상률을 각각 구하였다. 영상처리시스템의 성능은 고구마의 형상, 무게, 손상, 색택 선별정도를 조사하여 시작기의 작업성능 평가에 반영하였다.
- 시작기의 성능평가는 등급별로 각각 50개씩의 고구마를 무작위로 혼합하여 5회 반복 실험 후 시간당 작업성능과 선별정밀도 및 손상률을 각각 구하였다. 영상처리시스템의 성능은 고구마의 형상, 무게, 손상, 색택 선별정도를 조사하여 시작기의 작업성능 평가에 반영하였다.
- 또한 길이/장경비와 무게를 같이 조합함으로써 긴특, 특, 긴 상, 상을 각각 구분 지을 수 있음을 발견하였다. 이 같은 특성을 이용하여 고구마의 기본적인 등급기준을 수립하였다.
- 영상처리를 이용하여 시료의 무게를 예측할 수 있는 수학적 모델을 개발하였다. 특히, 고구마의 경우 무게와 화소수간의 상관정도는 그림 14에서처럼 0.
- 선별용 컵은 이들 기하학적 특성에 기초하여 가로X세로X 높이가 240x128x42 mm로 하였고, 하부낙하 슬라이드 방식을 적용하였다.
- 시작기는 길이 9,663 mm, 폭 1,006 mm, 높이 799mm의 크기를 가지고 있으며, 구성은 육안선별부, 공급부, 영상획득부, 무게측정부, 영상처리 및 제어부, 등급별 배출부, 자동상자담기로 일괄처리할 수 있도록 고안하였다. 특히, 자동공급부는 브러쉬 롤러와 횡방향 공급, 종방향 정렬방법으로 낱개 공급장치를 개발하였다.
- 영상처리 시스템은 빛을 조사할 수 있는 챔버, 영상을 획득하는 CCD 카메라, 시료의 전체 영상을 획득할 수 있도록 도와주는 회전형 고무롤 컨베이어로 구성하였으며, 시료당 3번의 연속 촬영에 의해 전체 영상을 획득하여 등급판정을 하였다. 무게측정은 로드셀을 이용하였고 형상은 길이/장경비 휨은 굽은 정도 손상은 화소값, 색택은 영상처리의 문턱값을 적용하였다.
- 영상처리 시스템은 빛을 조사할 수 있는 챔버, 영상을 획득하는 CCD 카메라, 시료의 전체 영상을 획득할 수 있도록 도와주는 회전형 고무롤 컨베이어로 구성하였으며, 시료당 3번의 연속 촬영에 의해 전체 영상을 획득하여 등급판정을 하였다. 무게측정은 로드셀을 이용하였고 형상은 길이/장경비 휨은 굽은 정도 손상은 화소값, 색택은 영상처리의 문턱값을 적용하였다. 등급판정은 이들 인자들을 조합하여 판정하였다.
- 무게측정은 로드셀을 이용하였고 형상은 길이/장경비 휨은 굽은 정도 손상은 화소값, 색택은 영상처리의 문턱값을 적용하였다. 등급판정은 이들 인자들을 조합하여 판정하였다.
- 등급판정 인자는 각 산지에서 생산되는 서로 다른 품종의 고구마를 각 등급별로 구입을 하여 길이, 장경, 단경, 무게를 측정한 후 기하학적 특성을 분석하여 구명하였다.
대상 데이터
- 고구마의 선별 기준은 현재 농수산물 시장에서 유통되고 있는 고구마를 각 등급별로 구입하여 조사하였다. 고구마의 장경, 단경, 길이, 무게를 등급별로 100개씩 측정하여 통계처리하였다.
- 고구마의 길이는 품종에 따라 차이는 있지만 대개 210mm범위 내에 있으며 직경은 90mm 이내에 있기 때문에 슬라이드컵의 크기는 여유를 생각하여 가로X세로X높이를 각각 240x128x42mm로 금형을 개발하였다. 컵의 재질은 충격에 강하고 비틀림이 적은 ABS(Acrylonitrile butadiene styrene)수지를 사용하였다. 고구마의 무게를 고려하여 등급 및 배출시 쉽게 배출될 수 있도록 자유낙하에 의한 하부낙하 방식을 채택하여 설계하였다.
- 이 연구에서 고려한 선별인자는 무게, 형상, 휨, 손상, 색택이고, 무게측정에는 로드셀을 이용하였다.
- 선별시험에 사용된 공시재료는 2004년 9월에 수확한 고구마 '율미' 품종과, '수' 품종이다.
이론/모형
- 그리고 Lee(2000)는 기계시각을 이용하여 사과의 외관품질 인자를 추출할 수 있는 온라인 영상처리 시스템을 개발하였다. 선별기 설계에 관한 연구에 있어서는 Throop 등(2003)이 사과 선별기 설계에 관한 연구를 수행하였다.
- 획득한 영상에서 각 화소의 RGB값을 YIQ 컬러 모델로 변환을 하여 평활화를 시켰다. 필터링은 저역통과 필터(Low-pass filter)를 사용하였다. 이치화를 위해 고구마와 배경이 가장 잘 구분되는 문턱값은 138이었으며, 품종별 미세한 고구마 색깔의 변화는 ±30정도의 문턱값 유동범위를 줌으로써 보완할 수 있었다.
성능/효과
- 필터링은 저역통과 필터(Low-pass filter)를 사용하였다. 이치화를 위해 고구마와 배경이 가장 잘 구분되는 문턱값은 138이었으며, 품종별 미세한 고구마 색깔의 변화는 ±30정도의 문턱값 유동범위를 줌으로써 보완할 수 있었다. 컨베이어의 색깔이 녹색이기 때문에 배경의 문턱값은 48을 적용하였다.
- 길이, 장경, 무게는 등급 간 구분이 없이 혼재되어 선별 출하 되는 것을 알 수 있다. 그러나 길이/장경비를 분석한 결과 3.83-4.12 사이로 긴특과 긴상 그리고 특과 상을 구분 지을 수 있음을 알 수 있었다. 또한 길이/장경비와 무게를 같이 조합함으로써 긴특, 특, 긴 상, 상을 각각 구분 지을 수 있음을 발견하였다.
- 12 사이로 긴특과 긴상 그리고 특과 상을 구분 지을 수 있음을 알 수 있었다. 또한 길이/장경비와 무게를 같이 조합함으로써 긴특, 특, 긴 상, 상을 각각 구분 지을 수 있음을 발견하였다. 이 같은 특성을 이용하여 고구마의 기본적인 등급기준을 수립하였다.
- 영상처리를 이용하여 시료의 무게를 예측할 수 있는 수학적 모델을 개발하였다. 특히, 고구마의 경우 무게와 화소수간의 상관정도는 그림 14에서처럼 0.95로 높게 나타나 로드셀 없이 영상처리만을 가지고 무게를 예측할 수 있음을 보였다. 그러나 농산물은 수확 후 저장 및 유통기간 동안 감모율이 증가하기 때문에 시간에 따라 무게 예측값과 실측 값의 오차 또한 증가하게 된다.
- 따라서 본 선별시스템의 무게측정은 로드셀을 이용하였고, 컴퓨터 화면에는 영상처리를 이용한 무게예측 값과 로드셀을 이용한 무게측정 값을 순차적으로 보여줌으로써 선별시스템 운영을 도왔다. 이는 시스템 구성상 로드셀에 의한 무게측정부가 마지막 단에 위치해 있기 때문에 측정값을 맨 나중에 화면에 보여주는 불편을 해소하기 위함이다.
- 선별등급을 6등급으로 정의하고 등급별로 50개씩의 고구마를 5회 반복 실험한 결과는 표 3과 같다. 고구마의 무게, 형상, 휨, 손상, 색택을 조합하여 성능을 시험한 결과 시간당 최대 작업성능은 10,800개였으며 선별 정밀도는 96.4%로 양호한 실험결과를 가져왔다. 이때 주속도는 0.
- 고구마 영상처리 시스템의 작업성능은 시간당 최대 10,800개를 선별할 수 있으며, 선별 정밀도는 96.4%로 양호한 성능을 보였다. 이때 작업 중 손상은 없는 것으로 나타났다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.