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
- 따라서 본 연구에서는 영상분석을 통하여 건해삼의 길이, 너비, 부피, 겉넓이를 측정하여 k-mean clustering을 이용하여 등급을 분류하고 등급에 따른 건해삼의 수화율을 분석하여 건해삼의 수화율에 따른 등급 분류 시스템을 도출하고자 하였다.
- 해삼의 수화는 물의 물질전달을 통해 이루어지며 Fick의 확산법칙에 따라 겉넓이가 커질수록 물질전달 속도가 증가함을 본 연구의 수화실험 결과에서도 확인할 수 있었다. 본 연구에서는 건해삼의 등급을 분류하여 최적의 수분 함량(75%)을 충족하기 위한 등급별 수화시간을 도출하였다. 본 연구에서 도출된 건해삼의 등급판별은 “수화도에 따른 건해삼의 품질 변화”에 대한 추가적인 연구를 통해 등급별 최적의 수화시간의 도출이 가능하다.
- 본 연구에서는 건해삼의 수화도에 따른 등급 분류를 확립하고자 하였다. 건해삼은 영상분석을 통하여 건해삼의 길이, 너비, 부피, 겉넓이의 형태학적 특징을 추출하였다.
- 본 연구에서는 건해삼의 영상을 분석하여 해삼의 형태학적인 특징을 추출하여 이를 분석하였다. 이는 현재 농업 분야에서 많이 사용되고 있는 영상분석 방법이다.
- Donis-González 와 Guyer(12)는 포도를 영역과 영역의 밝기차를 이용하여 물체의 특징을 추출하는 Harr filter를 사용하여 농약을 사용한 포도와 그렇지 않은 포도를 기계학습의 일종인 support vector machine(SVM)을 이용하여 판별한 바 있으며, Liming과 Yanchao(11)는 딸기의 영상분석을 실시하여 형태학적 특징을 k-mean clustering을 통해 4개의 등급으로 분류한 바 있다. 본 연구에서는 건해삼의 형태학적 특징을 영상분석으로 추출하여 이를 통해 새로운 등급 분류 시스템을 개발하였다. k-mean clustering 결과를 인자별 좌표공간에 나타낸 결과, 해삼의 등급 분류는 해삼의 겉넓이와 부피를 통해 이루어졌다.
- 본 연구에서는 영상분석을 이용하여 건해삼의 형태학적 특징을 추출하였다. 해삼은 원통형에 가까운 부정형으로 돌기가 존재하며 지름의 길이가 다른 원통형들의 집합으로 이루어져 있다(14).
제안 방법
- 30°C에서 40시간 동안 수화 진행하며 1시간 마다 무게의 측정과 영상분석을 실시하여 수분 함량과 수화 flux를 구하였다.
- 본 실험에 사용된 건해삼은 강원도 강릉시에 위치한 해미삼에서 강원도 돌기해삼을 사용하여 생산된 수분 함량 5% 의 건해삼을 사용하였다. 95개 시료의 영상분석을 통하여 건해삼의 겉넓이, 부피, 길이, 너비를 측정하여 k-mean clustering을 실시하였다. 95개의 시료는 k-mean clustering 결과 3개의 등급으로 구분되어 사용되었다.
- 이후 RGB 이미지를 gray로 변환시켜 영상을 이진화하기 위한 임계값을 설정한 후 이를 이진화하여 해삼의 단순화된 이미지를 얻었다. ROI 영역은 해삼의 돌기로 인해 정확한 영상분석을 할 수 없기에 공간 필터인 미디언 필터링을 수행하여 해삼의 돌기를 노이즈 처리하여 제거하였다. 이진화 처리 이후 반복문을 통해 이진화 이미지의 기준 행의 모든 열의 ROI 이미지의 픽셀을 count 하여 해삼의 길이를 측정하고 이때 길이가 가장 긴 행이 해당 이미지의 중심이 된다.
- 본 연구에서는 건해삼의 형태학적 특징을 영상분석으로 추출하여 이를 통해 새로운 등급 분류 시스템을 개발하였다. k-mean clustering 결과를 인자별 좌표공간에 나타낸 결과, 해삼의 등급 분류는 해삼의 겉넓이와 부피를 통해 이루어졌다. Fick의 확산법칙에 따르면 물질전달 시 수화속도에 비례하므로 본 연구에서 도출한 등급 분류 시스템은 수화 시 수화속도와 관련이 있음을 알 수 있다.
- 건해삼 영상분석 계측 소프트웨어는 MATLAB(Version 8.5, The MathWorks, Inc., Natick, MA, USA)을 이용하여 개발하였다. MATLAB 코드에서는 획득한 영상을 원본 이미지와 이진화 이미지 그리고 해삼의 3차원 모델링 이미지를 보여주며 해당 해삼의 데이터는 xls 파일로 저장된다.
- 본 연구에서는 건해삼의 수화도에 따른 등급 분류를 확립하고자 하였다. 건해삼은 영상분석을 통하여 건해삼의 길이, 너비, 부피, 겉넓이의 형태학적 특징을 추출하였다. 측정된 data를 이용하여 k-mean clustering을 실시, 95개의 건해삼을 3개의 등급으로 분류하여 30°C에서 40시간 수화실험을 실시하였다.
- 2c)을 나타낸다. 관심영역은 행을 기준으로 반복문을 사용하여 해삼에 해당하는 픽셀을 count 하여 작성하였으며, 이때 ROI가 가장 많이 측정된 행이 해삼의 중심행이 되고, 중심 행을 기준으로 해삼의 윗면과 아랫면을 나누었다. 이때 그래프에 투영된 해삼의 y값은 해삼의 윗면과 아랫면의 평균값을 사용하였다.
- 등급별 해삼 3개를 골라 증류수로 가득 채운 500 mL 비커 3개에 등급별의 해삼을 넣어 30°C로 설정된 water bath (HQ-DW 11, JAYSOLUTION, Anseong, Korea)에 36시간 동안 수화 실험을 실시하였다.
- 등급에 따른 수화속도의 차이를 분석하기 위하여 30°C에 서 48시간 수화 진행하여 1시간마다 무게를 측정하여 수분 함량을 계산하였다.
- 무게 측정은 건해삼을 비커에서 꺼내어 여과지(No.2 filter paper, Whatman, Nottingham, UK)를 이용하여 표면의 물기를 제거한 뒤 분해능력 0.01g인 전자저울(FX 300i, AND, Tokyo, Japan)을 사용하여 소수점 2자리까지 측정하였다.
- k-mean clustering은 거의 모든 형태의 자료에 적용이 가능하며 특별한 변환이 필요 없으므로 적용이 쉽다는 장점이 있으나 군집의 중심인 초기 값들의 결정이 군집 형성에 많은 영향을 주어 부적절한 초기 값의 결정은 잘못된 군집의 생성으로 이뤄질 수 있다(11). 본 논문에서는 건해삼의 형태학적인 특징인 무게, 길이, 두께, 겉넓이, 부피를 인자로 R프로그램(Version 3.3.1, R Foundation for Statistical Computing, Vienna, Austria)을 이용해 k-mean clustering을 1,000번 반복하여 군집 내 유사성이 가장 높은 결과를 도출하였다.
- 3). 본 연구에서 사용한 k-mean clustering은 비지도 학습의 일종으로 표준화된 무게, 길이, 너비, 겉넓이, 부피를 가상의 좌표공간으로 만들어 유클리디안 공식을 통해 객체 간의 거리를 도출하고 이를 군집 간 최소화한다. 이는 새로운 정보를 추출하기에 적합한 방식으로, 형태학적인 해삼의 등급을 도출하기에 적합하나 항상 동일한 결과를 도출하지 못한다(15).
- 본 연구에서는 무게, 길이, 두께, 겉넓이, 부피를 인자로 k-mean clustering을 1,000번 실시하여 변화가 가장 적은 clustering 결과를 선정하였다(Fig. 3). 본 연구에서 사용한 k-mean clustering은 비지도 학습의 일종으로 표준화된 무게, 길이, 너비, 겉넓이, 부피를 가상의 좌표공간으로 만들어 유클리디안 공식을 통해 객체 간의 거리를 도출하고 이를 군집 간 최소화한다.
- 해삼은 원통형에 가까운 부정형으로 돌기가 존재하며 지름의 길이가 다른 원통형들의 집합으로 이루어져 있다(14). 본 연구에서는 이러한 형태학적 해삼의 특징을 영상분석을 통해 추출하기 위하여 이진화한 건해삼 영상의 해삼에 해당하는 픽셀을 count 하여 길이와 너비를 측정하였으며, 3차원의 모델링을 통해 해삼의 겉넓이와 부피를 도출하여 이를 기계학습의 일종인 k-mean clustering을 실시하여 등급 분류를 진행하였다.
- 이는 새로운 정보를 추출하기에 적합한 방식으로, 형태학적인 해삼의 등급을 도출하기에 적합하나 항상 동일한 결과를 도출하지 못한다(15). 본 연구에서는 해삼의 무게, 길이, 두께, 겉넓이, 부피를 인자로 하여 kmean clustering을 1,000번 반복하여 cluster 내에 특징의 차이가 가장 작은 결과를 도출하였다(Table 1).
- 해삼의 관심영역을 추출하기 위해서 이진화된 해삼 영상 이미지의 해삼 부분만을 잘라내었다. 이는 해삼이 컨트롤 박스에서 정적인 상태에서 획득하여 배경을 제어하였으므로 이진화 처리 시 해삼과 배경의 경계에 해당하는 윈도우를 관심영역으로 설정하였다. Fig.
- 이때 해삼의 길이와 너비는 vernier calipers(SD500- 300, SINCON, Bucheon, Korea)를 사용하여 해삼의 가장 긴 부분과 가장 두꺼운 부분을 측정하였으며, 겉넓이는 0.5 cm×0.5 cm 크기의 격자를 물에 적신 건해삼에 붙여 측정하였고, 부피는 50 mL 메스실린더를 사용하여 20 mL의 물을 넣어두고 건해삼을 메스실린더에 넣어 측정하였다.
- Liming과 Yanchao(11)는 자동화된 공장의 컨베이어 벨트를 통과하는 딸기의 위치를 추출하기 위해 딸기에 가상의 세로 선을 설정하고 R값과 G값을 비교하여 딸기의 꼭지 부분과 과육 부분을 선별하여 무작위의 딸기의 위치를 추출하였다. 이와 달리 본 연구에서는 컨트롤 박스에서 정적인 해삼의 영상을 획득하여 이진화 처리 시 관심영역의 윈도우를 추출하여 관심영역을 설정하였다. 이는 Donis-González와 Guyer (12)가 아스파라거스의 형태학적 특징과 색을 이용하여 관심영역을 추출 시 사용한 방법과 유사하다.
- 영상처리시스템에서 획득한 RGB 이미지에서 관심영역이라는 임의 영역을 제외함으로써 데이터베이스를 간소화시켜 검색하는 시간도 단축시켰다(8). 이후 RGB 이미지를 gray로 변환시켜 영상을 이진화하기 위한 임계값을 설정한 후 이를 이진화하여 해삼의 단순화된 이미지를 얻었다. ROI 영역은 해삼의 돌기로 인해 정확한 영상분석을 할 수 없기에 공간 필터인 미디언 필터링을 수행하여 해삼의 돌기를 노이즈 처리하여 제거하였다.
- 중심행의 ROI 영역을 count 하여 해삼의 길이를 구하였으며, 해당 ROI 영역의 기준 행을 따라 ROI의 열을 count 하여 가장 긴 열의 값을 통해 해삼의 너비를 구였다. 해당 ROI 영역의 모든 열과 행을 건해삼 형태학적 분석 알고리즘에서 설명한 방식으로 분석하여 겉넓이와 부피를 측정하였다.
- 측정된 data를 이용하여 k-mean clustering을 실시, 95개의 건해삼을 3개의 등급으로 분류하여 30°C에서 40시간 수화실험을 실시하였다.
- 중심행의 ROI 영역을 count 하여 해삼의 길이를 구하였으며, 해당 ROI 영역의 기준 행을 따라 ROI의 열을 count 하여 가장 긴 열의 값을 통해 해삼의 너비를 구였다. 해당 ROI 영역의 모든 열과 행을 건해삼 형태학적 분석 알고리즘에서 설명한 방식으로 분석하여 겉넓이와 부피를 측정하였다. 영상분석 알고리즘의 검증 결과 겉넓이는 -5%, 부피는 -10%, 길이와 두께는 1%의 오차율을 보였다.
대상 데이터
- 95개 시료의 영상분석을 통하여 건해삼의 겉넓이, 부피, 길이, 너비를 측정하여 k-mean clustering을 실시하였다. 95개의 시료는 k-mean clustering 결과 3개의 등급으로 구분되어 사용되었다.
- 본 실험에 사용된 건해삼은 강원도 강릉시에 위치한 해미삼에서 강원도 돌기해삼을 사용하여 생산된 수분 함량 5% 의 건해삼을 사용하였다. 95개 시료의 영상분석을 통하여 건해삼의 겉넓이, 부피, 길이, 너비를 측정하여 k-mean clustering을 실시하였다.
- 유효 화소수 1,510만 화소, 셔터속도 1/4,000~30 s의 카메라(EOS 500D, Canon, Tokyo, Japan)를 사용하였다. 본 실험에서는 조리개 밝기 f 3.5, 초점거리 24 mm, 셔터속도 1/60 s로 설정하였으며, 카메라는 영상분석 장치로부터 9 cm 높이에서 건해삼을 렌즈 정중앙에 위치시켜 이미지를 획득하였다(Fig. 1).
- 영상분석장치(RM-PB4040, RAMI, Seoul, Korea)를 이용하여 건해삼의 영상을 획득하였으며, 영상처리장치의 광원으로는 19 w LED가 사용되었다. 유효 화소수 1,510만 화소, 셔터속도 1/4,000~30 s의 카메라(EOS 500D, Canon, Tokyo, Japan)를 사용하였다.
- 영상분석장치(RM-PB4040, RAMI, Seoul, Korea)를 이용하여 건해삼의 영상을 획득하였으며, 영상처리장치의 광원으로는 19 w LED가 사용되었다. 유효 화소수 1,510만 화소, 셔터속도 1/4,000~30 s의 카메라(EOS 500D, Canon, Tokyo, Japan)를 사용하였다. 본 실험에서는 조리개 밝기 f 3.
- 중심을 나타내는 해당 행을 기준 행으로 설정하고 기준 행에서의 ROI의 열을 count 하여 2차원 그래프에 해삼의 이미지를 투영시킨다. 이렇게 이미지를 투영시킨 그래프의 X축으로 회전시켜 3차원 해삼 모델을 획득하였으며 해삼의 겉넓이와 부피는 다음과 같이 구하였다.
데이터처리
- Different letters (a-c) within a column indicate significant different from each other by Duncan’s multiple range test (P<0.05).
- 본 연구에서 제시된 clustering에 따른 건해삼의 수화율 비교는 MS-Excel-2013을 사용하여 통계 처리하였고, 등급별 유의차 검정은 P<0.05 수준에서 분산분석(ANOVA)을 실시하였다.
- 영상분석 결과에 대한 검증은 해삼의 길이, 두께, 겉넓이, 부피의 실측값과 영상분석의 결과를 통해 얻은 값을 비교하였다. 이때 해삼의 길이와 너비는 vernier calipers(SD500- 300, SINCON, Bucheon, Korea)를 사용하여 해삼의 가장 긴 부분과 가장 두꺼운 부분을 측정하였으며, 겉넓이는 0.
성능/효과
- 등급에 따른 수화속도의 차이를 분석하기 위하여 30°C에 서 48시간 수화 진행하여 1시간마다 무게를 측정하여 수분 함량을 계산하였다. 20시간 경과 후 grade1은 63.95%, grade2는 66.94%, grade3는 76.57%의 수화율을 확인하였고, 40시간 경과 후 grade1은 71.23%, grade2는 75.60%, grade3는 85.62%의 수분 함량을 확인하였다(Fig. 5). Zhang 등(9)이 보고한 바에 따르면 초음파를 사용 시 건해삼의 수화속도를 기존 48시간에서 4시간으로 44시간 단축 시킨다고 한다.
- k-mean clustering의 결과를 무게, 길이, 두께, 부피, 겉넓이의 좌표공간에서 분류 진행한 결과 해삼의 형태학적 등급 분류에 가장 큰 영향을 주는 인자로 부피와 겉넓이를 도출할 수 있었다(Fig. 4). 비지도 학습은 이전에 정립되진 않은 새로운 사실을 도출해 내는 방식이며(7), 이는 영상분석이나 여러 가지 데이터 마이닝을 통해 추출한 데이터를 통해 새로운 모델을 만들 수 있음을 의미한다.
- 측정된 data를 이용하여 k-mean clustering을 실시, 95개의 건해삼을 3개의 등급으로 분류하여 30°C에서 40시간 수화실험을 실시하였다. 건해삼의 k-mean clustering을 실시한 결과 건해삼의 부피와 겉넓이는 건해삼의 등급을 가장 잘 나타낼 수 있는 인자였다. 등급별 수분 함량은 grade1은 71.
- 건해삼의 k-mean clustering을 실시한 결과 건해삼의 부피와 겉넓이는 건해삼의 등급을 가장 잘 나타낼 수 있는 인자였다. 등급별 수분 함량은 grade1은 71.23%, grade2는 75.60%, grade3는 85.62%를 확인하였다. 본 수화속도의 차이는 등급별 해삼이 동일한 수화 flux를 갖는 것을 고려하였을 때, 해삼의 수화는 겉넓이에 지배적임을 확인할 수 있다.
- 기존의 영상분석은 분석하고자 하는 대상의 특징을 작성자의 알고리즘으로 추출, 분석하는 연구가 진행되었지만, 데이터 마이닝 기법의 발달로 분석하고자 하는 데이터를 컴퓨터가 추출, 분석하는 방향으로 바뀌고 있다. 따라서 영상분석으로 추출한 형상학적 특징을 머신러닝의 일종인 k-mean clustering으로 분석함으로써 기존 영상분석 방식에 객관성을 부여할 수 있다.
- 일반적으로 해삼은 증숙과 염장을 거친 후 3~5일간 천일 건조시키게 되며 이러한 방식으로 만들어진 건해삼의 수화 공정에서 수화 방법과 수화 시간은 단순히 경험에 의해 이루어지고 있으며(3), 해삼의 등급에 따른 분류 없이 일괄적으로 수화 처리되고 있다. 따라서 영상분석을 통한 해삼의 객관적 등급 분류를 통한 등급별 수화 특성을 분석하여 해삼의 등급이 수화에 미치는 영향을 분석함으로써 공정 효율을 증가시킬 수 있다.
- 62%를 확인하였다. 본 수화속도의 차이는 등급별 해삼이 동일한 수화 flux를 갖는 것을 고려하였을 때, 해삼의 수화는 겉넓이에 지배적임을 확인할 수 있다. 해삼의 수화는 물의 물질전달을 통해 이루어지며 Fick의 확산법칙에 따라 겉넓이가 커질수록 물질전달 속도가 증가함을 본 연구의 수화실험 결과에서도 확인할 수 있었다.
- 본 연구의 결과 30°C에서 수화 시 grade1은 목표 수분 함량에 도달하지 못하였고, grade2는 26시간, grade3는 15시간이 소요됨을 확인하였다.
- 해당 ROI 영역의 모든 열과 행을 건해삼 형태학적 분석 알고리즘에서 설명한 방식으로 분석하여 겉넓이와 부피를 측정하였다. 영상분석 알고리즘의 검증 결과 겉넓이는 -5%, 부피는 -10%, 길이와 두께는 1%의 오차율을 보였다. 이러한 실측과 이미지 프로세싱의 측정값 차이는 두 가지 때문에 발생한다고 추론된다.
- 본 수화속도의 차이는 등급별 해삼이 동일한 수화 flux를 갖는 것을 고려하였을 때, 해삼의 수화는 겉넓이에 지배적임을 확인할 수 있다. 해삼의 수화는 물의 물질전달을 통해 이루어지며 Fick의 확산법칙에 따라 겉넓이가 커질수록 물질전달 속도가 증가함을 본 연구의 수화실험 결과에서도 확인할 수 있었다. 본 연구에서는 건해삼의 등급을 분류하여 최적의 수분 함량(75%)을 충족하기 위한 등급별 수화시간을 도출하였다.
후속연구
- 본 연구에서는 건해삼의 등급을 분류하여 최적의 수분 함량(75%)을 충족하기 위한 등급별 수화시간을 도출하였다. 본 연구에서 도출된 건해삼의 등급판별은 “수화도에 따른 건해삼의 품질 변화”에 대한 추가적인 연구를 통해 등급별 최적의 수화시간의 도출이 가능하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.