본 연구는 비 정형 농산물 중 6년근 수삼의 자동 등급 분류하기 위한 선행연구로, 이를 위해 4방향에서 이미지 취득이 가능한 수삼 영상 측정기를 제작 하였으며 총 245 수삼 개체에 대해서 영상을 취득하였다. 취득된 영상의 각 수삼 개체마다 12개의 파라미터를 추출하였으며, KGC 인삼공사의 수삼등급 분류 기준과 각 등급별 평균 파라미터의 분포를 조사하여 최종 4개 파라미터를 선정하였다. 패턴인식 분류기는 Support Vector Machine을 사용하였으며 공용 소프트웨어인 OpenCV Library를 사용하여 k-Class 분류기를 설계하였다. 각 등급별 학습 데이터 수를 10, 15, 20으로 조정하여 등급별 인식률, 본인 거부율, 타인 인식율을 조사하였으며, 학습데이터 수가 10개일 때 1등급 인식률 94%, 2등급 인식률 98%, 3등급 인식률 90%로 가장 높은 인식 성능을 보였다.
본 연구는 비 정형 농산물 중 6년근 수삼의 자동 등급 분류하기 위한 선행연구로, 이를 위해 4방향에서 이미지 취득이 가능한 수삼 영상 측정기를 제작 하였으며 총 245 수삼 개체에 대해서 영상을 취득하였다. 취득된 영상의 각 수삼 개체마다 12개의 파라미터를 추출하였으며, KGC 인삼공사의 수삼등급 분류 기준과 각 등급별 평균 파라미터의 분포를 조사하여 최종 4개 파라미터를 선정하였다. 패턴인식 분류기는 Support Vector Machine을 사용하였으며 공용 소프트웨어인 OpenCV Library를 사용하여 k-Class 분류기를 설계하였다. 각 등급별 학습 데이터 수를 10, 15, 20으로 조정하여 등급별 인식률, 본인 거부율, 타인 인식율을 조사하였으며, 학습데이터 수가 10개일 때 1등급 인식률 94%, 2등급 인식률 98%, 3등급 인식률 90%로 가장 높은 인식 성능을 보였다.
This study is a leading research project to develop an automatic grade decision making algorithm of a 6-years-old fresh ginseng. For this work, we developed a Ginseng image acquiring instrument which can take 4-direction's images of a Ginseng at the same time and obtained 245 jingen images using the...
This study is a leading research project to develop an automatic grade decision making algorithm of a 6-years-old fresh ginseng. For this work, we developed a Ginseng image acquiring instrument which can take 4-direction's images of a Ginseng at the same time and obtained 245 jingen images using the instrument. The 12 parameters were extracted for each image by a manual way. Lastly, 4 parameters were selected depending on a Ginseng grade classification criteria of KGC Ginseng research institute and a survey result which a distribution of averaging 12 parameters. A pattern recognition classifier was used as a support vector machine, designed to "k-class classifier" using the OpenCV library which is a open-source platform. We had been surveyed the algorithm performance(Correct Matching Ratio, False Acceptance Ratio, False Reject Ratio) when the training data number was controlled 10 to 20. The result of the correct matching ratio is 94% of the $1^{st}$ ginseng grade, 98% of the $2^{nd}$ ginseng grade, 90% of the $3^{rd}$ ginseng grade, overall, showed high recognition performance with all grades when the number of training data are 10.
This study is a leading research project to develop an automatic grade decision making algorithm of a 6-years-old fresh ginseng. For this work, we developed a Ginseng image acquiring instrument which can take 4-direction's images of a Ginseng at the same time and obtained 245 jingen images using the instrument. The 12 parameters were extracted for each image by a manual way. Lastly, 4 parameters were selected depending on a Ginseng grade classification criteria of KGC Ginseng research institute and a survey result which a distribution of averaging 12 parameters. A pattern recognition classifier was used as a support vector machine, designed to "k-class classifier" using the OpenCV library which is a open-source platform. We had been surveyed the algorithm performance(Correct Matching Ratio, False Acceptance Ratio, False Reject Ratio) when the training data number was controlled 10 to 20. The result of the correct matching ratio is 94% of the $1^{st}$ ginseng grade, 98% of the $2^{nd}$ ginseng grade, 90% of the $3^{rd}$ ginseng grade, overall, showed high recognition performance with all grades when the number of training data are 10.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
홍삼제조용 6년근 수삼의 전체적인 자동 분류는 아니더라도 일정 부분 자동 분류가 된다면 상당부분 검사에 필요한 비용을 절감 효과를 기대할 수 있다. 본 연구의 목적은 6년근 수삼의 등급판정을 위한 선행연구로 수삼 영상취득을 위한 시스템 개발과, 수삼의 특징추출, 패턴 인식알고리즘을 공개 소프트웨어인 OpenCV 영상처리 라이브러리를 사용하여 구현하였으며, 학습과 인식을 과정을 통해 KGC 인삼공사의 분류기준과 비교하여 등급 인식성능 평가를 수행하였다.
제안 방법
Fig. 1의 측정기에서 수삼의 이미지 취득 시 렌즈의 Focusing 거리 등 영상의 화소수당 길이 연산이 가능 하도록 거리 기준이 되는 물체를 두어 Calibration을 수행하였다. Fig.
수삼 영상 측정기 제작과, 취득된 수삼의 영상에서 파라미터 추출을 하여 패턴인식 알고리즘을 통한 수삼 등급분류 알고리즘 및 프로그램을 공용 소프트웨어를 사용하여 제작하였다. 각 등급별 인식률 분석을 위해서 수삼의 파라미터를 수동으로 추출하여 저장하였고 1, 2, 3 등급 총 245개체에 대해서 각 12종의 파라미터를 추출하였다. 이 중 인식을 위한 파라미터 선정은 KGC 인삼공사의 수삼 선별기준과 각 등급별 파라미터 평균 데이터의 분포가 큰 것을 기준으로 최종 4종의 파라미터를 선정하였다.
수삼 영상 측정기 제작과, 취득된 수삼의 영상에서 파라미터 추출을 하여 패턴인식 알고리즘을 통한 수삼 등급분류 알고리즘 및 프로그램을 공용 소프트웨어를 사용하여 제작하였다. 각 등급별 인식률 분석을 위해서 수삼의 파라미터를 수동으로 추출하여 저장하였고 1, 2, 3 등급 총 245개체에 대해서 각 12종의 파라미터를 추출하였다.
대상 데이터
KGC 인삼연구원에서 제공한 수삼 샘플 총 245개체를 사용하여 영상을 취득하였고 각 등급별 개수는 1등급 69개 샘플, 2등급 76개의 샘플, 3등급 100개로 구성된다. 수삼 샘플의 영상 취득 전 기존 전문가에 의한 판정에 선별되었으며 측정 도구를 이용하지는 않았다.
따라서 수삼 영상 취득 장치 설계 시 가장 고려해야할 점은 객체의 모든 부분을 검출 가능해야 하며, 취득된 영상의 균일한 품질과 균일한 영상인식결과를 얻기 위해 일정한 조명이 필요하다. 개발된 영상측정 장치는 인삼의 360° 모든 방향에서 객체의 영역이 검출 가능하도록 네 방향 카메라를 탑재하였고, 일정한 조명이 객체를 비칠 수 있도록 두 개의 5W급 LED조명을 탑재였다. 제작된 측정 장치로 취득 가능한 객체의 크기는 (500×500×500)mm의 충분한 크기로 제작되어 6년근 수삼의 세근까지도 측정 가능하도록 설계하였다.
각 등급별 인식률 분석을 위해서 수삼의 파라미터를 수동으로 추출하여 저장하였고 1, 2, 3 등급 총 245개체에 대해서 각 12종의 파라미터를 추출하였다. 이 중 인식을 위한 파라미터 선정은 KGC 인삼공사의 수삼 선별기준과 각 등급별 파라미터 평균 데이터의 분포가 큰 것을 기준으로 최종 4종의 파라미터를 선정하였다. 학습 데이터는 10개, 15개, 20개로 조정하여 인식률을 조사하였으며, 학습 데이터수가 10개일 때 평균 94%의 높은 인식성능을 보였다.
Table 1은 KGC인삼 공사에서 제공한 1, 2, 3 등급 분류 기준표로 수삼의 무게, 동체의 길이, 비율, 지근의 개수 등의 판정 파라미터로 활용되며, 분류 현장에서 관찰해보면 경력이 오래된 분류 전문가가 정확한 측정 도구 없이 대략적인 판단으로 분류하는 것으로 조사되었다. 이에 의해 학습 및 테스팅을 위한 파라미터로 (1) 동체 세로길이, (2) 동체 가로길이, (3) 동체 세로/가로비율, (4) 동체 가로/세로비율 4종류의 수삼 파라미터를 패턴인식 학습과 테스트 데이터로 선정하였다.
데이터처리
수삼 샘플의 영상 취득 전 기존 전문가에 의한 판정에 선별되었으며 측정 도구를 이용하지는 않았다. 패턴인식 학습 및 테스팅을 위해 수삼의 파라미터를 선정해야 하며, 2절에서 언급한 것과 같이 수삼 분석 프로그램에서 12개의 파라미터를 모두 사용이 가능하지만 각 등급의 파라미터 편차가 크기 않으면 인식 오류로 나타나므로 최적의 인식성능을 위해 파라미터들의 평균값 분석을 수행하였다.
이론/모형
13과 같으며 또한 패턴인식을 위한 학습데이터와 테스트를 위한 데이터들은 중복되지 않게 설계하였다. 성능평가를 위한 지표로는 각 등급의 Correct Match Rate(%), 평균 Correct Match Rate, FRR(False Rejection Rate : 본인 거부율), FAR(False Acceptance Rate : 타인 수락율) 지표를 사용하였다. Table 2는 각 4개 파라미터를 이용하였을 때 학습 데이터 수 별 인식률 및 성능을 나타낸다.
후속연구
학습 데이터는 10개, 15개, 20개로 조정하여 인식률을 조사하였으며, 학습 데이터수가 10개일 때 평균 94%의 높은 인식성능을 보였다. 다양한 환경과, 분류 장비에 적용하기 위한 추가 실험과 최적의 알고리즘을 설계한다면 좀 더 높은 인식성능을 보장할 수 있을 것이라 판단되며, 자동 수삼 등급 분류기 적용에 있어서 자동으로 파라미터를 추출하는 알고리즘을 설계가 필요하다. 본 연구가 실제 수삼 분류현장에 적용된다면 빠른 분류 속도와 비용 절감 효과를 동시에 기대해도 좋으리라 판단된다.
다양한 환경과, 분류 장비에 적용하기 위한 추가 실험과 최적의 알고리즘을 설계한다면 좀 더 높은 인식성능을 보장할 수 있을 것이라 판단되며, 자동 수삼 등급 분류기 적용에 있어서 자동으로 파라미터를 추출하는 알고리즘을 설계가 필요하다. 본 연구가 실제 수삼 분류현장에 적용된다면 빠른 분류 속도와 비용 절감 효과를 동시에 기대해도 좋으리라 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
12개의 직접적인 파라미터는 무엇을 추출하였는가?
이러한 정보로부터 하나의 수삼 당 12개의 직접적인 파라미터를 측정한다. 측정한 파라미터는1) 뇌두의 넓이, 2) 동체의 넓이, 3) 대표지근의 1의 넓이, 4) 대표 지근 2의 넓이, 5) 동체의 세로길이, 6) 대표 지근 1의 세로길이, 7) 대표 지근 2의 세로길이, 8) 대표 지근 1의 가로길이, 9) 대표 지근 2의 가로길이, 10) 지근간 각도, 11) 동체 대비 지근 1의 각도 마지막으로12) 동체 대비 지근 2의 각도를 추출하였으며 Fig. 7은 추출한 파라미터 결과를 보여준다.
인삼의 종주국은 어느 나라인가?
대한민국은 인삼의 종주국으로 담배인삼공사에서 제조· 판매하는 홍삼 및 홍삼 제품은 그 품질 및 신용도에 있어서 세계적으로 인정받고 있다. 홍삼제조용 6년근 수삼 구매 시 등급판정은 사람의 눈과 그간의 경험에 의존하고 있는 실정으로 보다 객관적인 품질분류가 필요하다[1].
6년근 수삼은 무엇에 따라서 등급이 다르게 판단되는가?
6년근 수삼은 보는 각도에 따라서 형상 및 등급이 다르게 판단될 수 있다. 따라서 수삼 영상 취득 장치 설계 시 가장 고려해야할 점은 객체의 모든 부분을 검출 가능해야 하며, 취득된 영상의 균일한 품질과 균일한 영상인식결과를 얻기 위해 일정한 조명이 필요하다.
참고문헌 (3)
J. Y. Kang, M. G. Lee, and Y. T. Kim, "Automatic Decision-Making on the Grade of 6-Year-Old Fresh Ginseng (Panax ginseng C. A. Meyer ) by and Image Analyzer - I. Shape and Weight Analyses According to the Grade of Fresh Ginseng)," Journal of Ginseng Research, Vol.20, No.1, pp.65-71, 1996.
C. Cortes and V. Vapnik, "Support-vector network," Machine Learning, Vol.20, pp.273-297, 1995.
C. J. C. Burges, "A tutorial on Support Vector Machines for pattern recognition," Data Mining and Knowledge Discovery, Vol.2, No.2, pp.121-167, 1998.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.