PC 카메라를 이용하여 식초, 우유 및 탁주의 산도 적정을 자동화하였다. 피적정액의 화상에서 선택된 144개 pixel의 hue값의 평균값을 일정 시간 간격으로 산출하고, 이 평균값의 변화를 추적하여 적정액의 공급을 제어하는 방법을 사용하였다. 식초와 우유의 적정에서는 hue값 평균값이 적정전보다 5이상 증가하는 것을 종말점으로 하였으며, 탁주의 경우에는 70이상 증가하는 것을 종말점으로 하였다. 이 방법을 식초, 우유 및 탁주의 산도 적정에 적용한 결과, 식초의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 $21.409{\pm}0.066mL$ 및 $21.403{\pm}0.055mL$였고, t-test 결과 p값이 0.841이었다. 우유의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 $1.390{\pm}0.025mL$ 및 $1.388{\pm}0.027mL$였고, p값은 0.907이었다. 탁주의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 $4.738{\pm}0.028mL$ 및 $4.752{\pm}0.037mL$였고, p값은 0.518이었다. 세가지 경우 모두 유의수준 0.05에서 유의차가 인정되지 않았으므로(p>0.05), 본 연구의 자동적정 방법을 산도 적정에 응용할 수 있다고 생각되었으며, 색변화를 이용하여 종말점을 검출하는 대부분의 적정에 무리 없이 적용할 수 있다고 생각되었다.
PC 카메라를 이용하여 식초, 우유 및 탁주의 산도 적정을 자동화하였다. 피적정액의 화상에서 선택된 144개 pixel의 hue값의 평균값을 일정 시간 간격으로 산출하고, 이 평균값의 변화를 추적하여 적정액의 공급을 제어하는 방법을 사용하였다. 식초와 우유의 적정에서는 hue값 평균값이 적정전보다 5이상 증가하는 것을 종말점으로 하였으며, 탁주의 경우에는 70이상 증가하는 것을 종말점으로 하였다. 이 방법을 식초, 우유 및 탁주의 산도 적정에 적용한 결과, 식초의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 $21.409{\pm}0.066mL$ 및 $21.403{\pm}0.055mL$였고, t-test 결과 p값이 0.841이었다. 우유의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 $1.390{\pm}0.025mL$ 및 $1.388{\pm}0.027mL$였고, p값은 0.907이었다. 탁주의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 $4.738{\pm}0.028mL$ 및 $4.752{\pm}0.037mL$였고, p값은 0.518이었다. 세가지 경우 모두 유의수준 0.05에서 유의차가 인정되지 않았으므로(p>0.05), 본 연구의 자동적정 방법을 산도 적정에 응용할 수 있다고 생각되었으며, 색변화를 이용하여 종말점을 검출하는 대부분의 적정에 무리 없이 적용할 수 있다고 생각되었다.
PC-camera based automatic titration was executed in the acidity analyses of vinegar, milk and Takju. The average hue value (Havg) of 144 pixels in the image of the sample solution being titrated was computed and followed up at regular time intervals during titration in order to detect the titration ...
PC-camera based automatic titration was executed in the acidity analyses of vinegar, milk and Takju. The average hue value (Havg) of 144 pixels in the image of the sample solution being titrated was computed and followed up at regular time intervals during titration in order to detect the titration end point. The Havg increase of 5 degrees from the first Havg was regarded as reaching at the end point in the cases of vinegar and milk. The Havg increase set up to detect the end point was 70 degrees in the case of Takju. In the case of vinegar, the volume of added titrant (0.1 N NaOH) was $21.409{\pm}0.066mL$ in manual titration and $21.403{\pm}0.055mL$ in automatic titration (p=0.841). In the case of milk, it was $1.390{\pm}0.025mL$ in manual titration and $1.388{\pm}0.027mL$ in automatic titration (p=0.907). In the case of Takju, it was $4.738{\pm}0.028mL$ in manual titration and $4.752{\pm}0.037mL$ in automatic titration (p=0.518). The high p values suggested that there were good agreements between manual and automatic titration data in all three food samples. The automatic method proposed in this article was considered to be applicable not only to acidity titrations but also to most titrations in which the end points can be detected by color change.
PC-camera based automatic titration was executed in the acidity analyses of vinegar, milk and Takju. The average hue value (Havg) of 144 pixels in the image of the sample solution being titrated was computed and followed up at regular time intervals during titration in order to detect the titration end point. The Havg increase of 5 degrees from the first Havg was regarded as reaching at the end point in the cases of vinegar and milk. The Havg increase set up to detect the end point was 70 degrees in the case of Takju. In the case of vinegar, the volume of added titrant (0.1 N NaOH) was $21.409{\pm}0.066mL$ in manual titration and $21.403{\pm}0.055mL$ in automatic titration (p=0.841). In the case of milk, it was $1.390{\pm}0.025mL$ in manual titration and $1.388{\pm}0.027mL$ in automatic titration (p=0.907). In the case of Takju, it was $4.738{\pm}0.028mL$ in manual titration and $4.752{\pm}0.037mL$ in automatic titration (p=0.518). The high p values suggested that there were good agreements between manual and automatic titration data in all three food samples. The automatic method proposed in this article was considered to be applicable not only to acidity titrations but also to most titrations in which the end points can be detected by color change.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
방법은 위에서 언급한대로 피적정액의 PC 카메라 화상에서 여러 화소의 hue값의 평균치를 산출하고 이 평균치의 변화를 추적하여 적정 종말점을 검출하는 것으로 하였으며, 이 방법을 여러 가지 적정들 중 가장 대표적인 적정인 산염기 적정을 사용하는 산도 분석에 적용하여 보았다. 또한, 자체 색을 가지기 때문에 색변화 검출이 쉽지 않은 식품을 시료로 사용하여 본 연구의 방법이 시료의 종류에 구애받지 않고 이용될 수 있는가도 알아보았다.
본 연구에서는 PC 카메라를 색변화로 종말점을 검출하는 대부분의 적정에 이용하기 위한 방법을 모색하였다. 방법은 위에서 언급한대로 피적정액의 PC 카메라 화상에서 여러 화소의 hue값의 평균치를 산출하고 이 평균치의 변화를 추적하여 적정 종말점을 검출하는 것으로 하였으며, 이 방법을 여러 가지 적정들 중 가장 대표적인 적정인 산염기 적정을 사용하는 산도 분석에 적용하여 보았다.
제안 방법
PC camera (LPC-U30, LG, Korea), PC(M2700, Samsung, Korea), LCD 모니터(CX931B, Samsung, Korea; 해상도 설정 1280×1024 pixel), D/A 변환기(PCL812PG, Advantech, Taiwan), tubing pump(SMP-23S, Eyela, Japan), PTFE tubing(내경 0.8 mm), tubing adater(Upchurch scientific, USA), stainless steel tube(내경 2 mm), 뷰렛(50 mL) 및 magnetic stirrer(ECM5, GmbH, Germany)를 사용하여 구성하였다.
PC 카메라를 이용하여 식초, 우유 및 탁주의 산도 적정을 자동화하였다. 피적정액의 화상에서 선택된 144개 pixel의 hue값의 평균값을 일정 시간 간격으로 산출하고, 이 평균값의 변화를 추적하여 적정액의 공급을 제어하는 방법을 사용하였다.
본 연구에서는 PC 카메라를 색변화로 종말점을 검출하는 대부분의 적정에 이용하기 위한 방법을 모색하였다. 방법은 위에서 언급한대로 피적정액의 PC 카메라 화상에서 여러 화소의 hue값의 평균치를 산출하고 이 평균치의 변화를 추적하여 적정 종말점을 검출하는 것으로 하였으며, 이 방법을 여러 가지 적정들 중 가장 대표적인 적정인 산염기 적정을 사용하는 산도 분석에 적용하여 보았다. 또한, 자체 색을 가지기 때문에 색변화 검출이 쉽지 않은 식품을 시료로 사용하여 본 연구의 방법이 시료의 종류에 구애받지 않고 이용될 수 있는가도 알아보았다.
0으로 작성하였다. 자동적정실험은 태양광을 차단하고 100 lux이상의 조도에서 수행하였다.
적정의 자동화에 응용한 예에서는 미량확산법에 의한 휘발성염기질소 적정 시 적정종말점에서 혼합지시약의 색이 적색에서 녹색으로 변화하는 것을 PC 카메라로 측정하여 적정액의 공급을 제어하였으며, 검출방법은 적정과정에서 피적정액의 화상 중 한개 화소의 green값(G값)이 red값(R값)보다 어느 값 이상으로 커지는 것을 검출하는 것이었다.
PC 카메라를 이용하여 식초, 우유 및 탁주의 산도 적정을 자동화하였다. 피적정액의 화상에서 선택된 144개 pixel의 hue값의 평균값을 일정 시간 간격으로 산출하고, 이 평균값의 변화를 추적하여 적정액의 공급을 제어하는 방법을 사용하였다. 식초와 우유의 적정에서는 hue값 평균값이 적정전 보다 5이상 증가하는 것을 종말점으로 하였으며, 탁주의 경우에는 70이상 증가하는 것을 종말점으로 하였다.
피적정용액의 화상으로부터 선택된 144개 pixel의 R값, G값 및 B값을 읽어 들여 hue값으로 변환하고 144개 hue값의 평균값을 산출하여 최초의 hue값 평균값을 저장한 다음, 적정과정에서 일정 시간 간격으로 반복적으로 산출되는 hue값 평균값과 최초의 hue값 평균값의 차이값(hue차이값)을 산출하고, 이 차이값에 근거하여 적정을 수행하였다.
대상 데이터
O사의 현미식초, P사의 저온살균우유 및 I사의 탁주(쌀막걸리)를 사용하였다.
데이터처리
Microsoft Excel 5.0을 사용하여 실험결과를 평균±표준편차로 나타내는 동시에, 수동적정과 자동적정의 결과에 대하여 유의수준 0.05로 t-test를 실시하였다.
성능/효과
8에 나타내었다. Hue평균값이 약 80초까지 일정범위를 유지하였고, 이후 빠른 속도로 증가하여 109.2초에 최대 102.2까지 증가하고 다시 약 130초까지 약간 감소하였으며, 이후 일정범위로 유지되었다. Hue평균값이 최대치도달 이전인 102.
2까지 증가하고 다시 약 130초까지 약간 감소하였으며, 이후 일정범위로 유지되었다. Hue평균값이 최대치도달 이전인 102.5초에 초기값(17.1)보다 70이상인 87.1까지 증가한 이후 50초간 87.1이하로 떨어지지 않았으므로 진동 없이 적정이 종결되었다.
또한, PC 카메라를 더 많은 적정의 자동화에 이용하기 위해서는 주위의 밝기에 따라 영향 받기 쉬운 R값, G값 및 blue값(B값)의 변화를 이용하여 적정 종말점을 검출하기보다는 hue값을 사용하는 것이 더 바람직하다고 생각되었다. R값, G값 및 B값의 경우에는 빛의 밝기에 대한 정보가 분리되어 있지 않기 때문에 빛의 밝기에 따라 물체의 색이 영향을 받으므로 색 정보의 재현성이 떨어지고 동시에 종말점 검출의 정확도와 정밀도가 저하한다.
세가지 경우 모두 유의수준 0.05에서 유의차가 인정되지 않았으므로(p>0.05), 본 연구의 자동적정 방법을 산도 적정에 응용할 수 있다고 생각되었으며, 색변화를 이용하여 종말점을 검출하는 대부분의 적정에 무리 없이 적용할 수 있다고 생각되었다.
식초, 우유 및 탁주 모두 수동적정과 자동적정의 데이터 사이에 유의수준 0.05에서 유의차가 인정되지 않았으므로(p>0.05), 본 실험의 자동적정 방법이 산도 적정에 응용될 수 있다고 생각되었으며, 색변화를 이용하여 종말점을 검출하는 대부분의 적정에 무리 없이 적용될 수 있다고 생각되었다.
피적정액의 화상에서 선택된 144개 pixel의 hue값의 평균값을 일정 시간 간격으로 산출하고, 이 평균값의 변화를 추적하여 적정액의 공급을 제어하는 방법을 사용하였다. 식초와 우유의 적정에서는 hue값 평균값이 적정전 보다 5이상 증가하는 것을 종말점으로 하였으며, 탁주의 경우에는 70이상 증가하는 것을 종말점으로 하였다. 이 방법을 식초, 우유 및 탁주의 산도 적정에 적용한 결과, 식초의 경우에는 수동적정과 자동적정의 0.
7에 나타내었다. 약 6초 후부터 약 83초까지 최저 147.3에서 최고 195.1까지 hue평균값이 진동하였고 이후 92.5초까지 일정범위를 유지하다가 93.5초에 195.2까지 증가하고 다시 159.1까지 감소한 다음 일정범위로 유지되었다. 초기에 약 6초까지 일정범위의 값을 보인 것은 약 4초 경과후 펌프를 작동시켰기 때문이며, 이후에 진동한 것은 hue평균값을 초기값(148.
12 mL/min의 빠른 속도로 수행하였으므로 적정 종말점 측정의 정밀성이 식초에 비하여 열등하였다고 생각되었다. 우유와 식초의 경우에도 적정시간이 문제가 되지 않을 경우 적정액 공급 속도를 더 느리게 한다든지, 적정시간을 빠르게 유지하면서도 더 우수한 제어방법을 개발한다면 데이터의 재현성을 더 높일 수 있다고 생각되었다.
이 데이터에 대하여 t-test를 수행한 결과 양측검정의 p값이 0.841로 크게 얻어져서 수동적정과 자동적정의 데이터 사이에 유의차가 없으며(p>0.05), 서로 잘 일치하는 것으로 나타났다.
이 데이터에 대하여 t-test를 수행한 결과 양측검정의 p값이 식초나 우유의 경우보다는 작으나 큰 값인 0.518로 얻어져서 수동적정과 자동적정의 데이터 사이에 유의차가 없으며(p>0.05), 서로 잘 일치하는 것으로 나타났다.
이 데이터에 대하여 t-test를 수행한 결과 양측검정의 p값이 식초의 경우보다도 더 큰 0.907로 얻어져서 수동적정과 자동적정의 데이터사이에 유의차가 없으며(p>0.05), 서로 잘 일치하는 것으로 나타났다.
이 방법을 식초, 우유 및 탁주의 산도 적정에 적용한 결과, 식초의 경우에는 수동적정과 자동적정의 0.1 N NaOH용액의 소요량이 각각 21.409±0.066 mL 및 21.403±0.055 mL였고, t-test 결과 p값이 0.841이었다.
질의응답
핵심어
질문
논문에서 추출한 답변
PC 카메라에 의한 자동화의 예로는 무엇이 있는가?
Personal computer의 화상 카메라(PC 카메라)는 다른 영상처리 장치에 비하여 저렴하고, 많이 보급되어 있기 때문에 PC 카메라를 시스템 자동화에 응용할 수 있으면 다른 영상 매체를 이용하는 것보다 유리하다. PC 카메라에 의한 자동화의 예는 수치제어 가공에 응용한 예(1,2), 얼굴을 실시간으로 검출한 예(3), 가정 보안 시스템을 구성한 예(4) 및 적정의 자동화에 응용한 예(5) 등이 있다.
피적정액의 화상 중 한개 화소의 green값(G값)이 red값(R값)보다 어느 값 이상으로 커지는 것을 검출하는 것에서 색변화로 종말점을 검출하는 적정들에 일반적으로 적용하는데 한계가 있다고 생각한 이유는 무엇인가?
이 방법을 색변화로 종말점을 검출하는 적정들에 일반적으로 적용하는 데에는 한계가 있다고 생각되었다. 가장 주요한 이유는 한 화소의 색 정보만을 이용하기 때문이다. 휘발성염기질소 적정의 경우에는 피적정액의 색이 선명하고 균일한 포도적색에서 선명하고 균일한 녹색으로 변화하므로 한 화소의 G값과 R값의 변화를 추적함으로써 적정 종말점을 검출할 수 있었지만, 산도 적정 등 많은 경우의 적정에서는 무색에서 어떤 종류의 색을 나타내게 되는데 무색일 경우 용액의 색상이 시간에 따라 불규칙하게 변화하고 그에 따라한 화소의 정보도 불규칙하게 변화하기 때문에 한 화소의 정보만을 가지고 안정적으로 적정 종말점을 검출하는 것은 어렵다.
hue값의 특징은 무엇인가?
R값, G값 및 B값의 경우에는 빛의 밝기에 대한 정보가 분리되어 있지 않기 때문에 빛의 밝기에 따라 물체의 색이 영향을 받으므로 색 정보의 재현성이 떨어지고 동시에 종말점 검출의 정확도와 정밀도가 저하한다. 그러나 hue값은 밝기에 대한 정보를 포함하지 않고 색상만을 표현하는 값이므로 밝기변화에 대한 내성(6)이 있기 때문에 색 정보의 재현성이 증가한다.
참고문헌 (11)
Song SY, Ko KH, Choi BK. 2006. PC-Camera based monitoring for unattended NC machining. IE Interfaces 19: 43-52
Lee JW. 2003. Development of PC camera-based monitoring system for NC milling. MS Thesis. Kaist, Daejeon, Korea
Cho CY, Kim SH. 2004. A real-time face detection based on support vetor mashine from a PC camera. Pusan University of Foreign Studies Treatises 28: 995-1005
Hagiwara K, Chigira Y, Yoshiura N, Fujii Y. 2004. Proposal for a world wide home security system using PC-cameras -the e-Vigilante Network Project. SICE Annual Conference. Vol 2, p 1514-1517
Lee HC. 2005. Automatic titration using PC camera in volatile basic nitrogen analysis by microdiffusion method. J Korean Soc Food Sci Nutr 34: 135-137
Lee US, Kim HS. 1998. Detection of license plate area in a car image based on HSI color model. Journal of the Institute of Industrial Technology 6: 57-63
KFIA. 1999. Food Codex. Korea Foods Industry Association, Seoul. p 402
KFIA. 1999. Food Codex. Korea Foods Industry Association, Seoul. p 159
KFIA. 1999. Food Codex. Korea Foods Industry Association, Seoul. p 472
Gonzalez RC, Woods RE. (Ha YH, Nam JY, Lee YJ, Lee CH, Trans.) 2004. Digital image processing. Greenpress, Seoul. p 309-310
Castleman KR. 1996. Digital image processing. Prentice- Hall, New Jersey. p 553
※ AI-Helper는 부적절한 답변을 할 수 있습니다.