[논문]지상용 초분광 스캐너를 활용한 사과의 당도예측 모델의 성능향상을 위한 연구

송아람; 전우현; 김용일

doi:10.7780/kjrs.2017.33.5.1.9

지상용 초분광 스캐너를 활용한 사과의 당도예측 모델의 성능향상을 위한 연구
Study of Prediction Model Improvement for Apple Soluble Solids Content Using a Ground-based Hyperspectral Scanner 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.33 no.5 pt.1, 2017년, pp.559 - 570

송아람 (서울대학교 건설환경공학부) , 전우현 (서울대학교 건설환경공학부) , 김용일 (서울대학교 건설환경공학부)

초록
AI-Helper

본 연구에서는 야외에서 자료 취득이 가능하며 한 번에 다량의 사과를 촬영할 수 있는 지상용 초분광 스캐너를 활용하여 사과의 분광정보와 당도와의 부분최소제곱회귀분석(PLSR, Partial Least Square Regression)을 수행하였으며, 최적의 예측모델을 구축하기 위한 다양한 전처리기법의 적용가능성을 평가하고 VIP(Variable Importance in Projection)점수를 통한 최적밴드를 산출하였다. 이를 위하여 360-1019 nm영역에서 촬영된 515밴드의 초분광 영상에서 70개의 분광곡선을 취득하였으며, 디지털광도계를 이용하여 당도($^{\circ}Brix$)를 측정하였다. 사과의 분광특성과 당도사이의 회귀모델을 구축하였으며, 최적의 예측모델은 모델 예측치와 실측치간의 결정계수($r_p^2$, coefficient of determination of prediction)와 RMSECV(Root Mean Square Error of Cross Validation), RMSEP(Root Mean Square Error of Prediction)등을 고려하여 선정하였다. 그 결과 산란보정 기법의 대표적인 MSC(Multiplicative Scatter Correction)의 기반의 전처리기법이 가장 효과적이었으며, MSC와 SNV(Standard Normal Variate)를 조합한 경우 RMSECV와 RMSEP가 각각 0.8551과 0.8561로 가장 낮았고, $r_c^2$와 $r_p^2$은 각각 0.8533과 0.6546으로 가장 높았다, 또한 360-380, 546-690, 760, 915, 931-939, 942, 953, 971, 978, 981, 988, 992-1019 nm 등이 당도 측정을 위한 가장 영향력 있는 파장영역으로 나타났다. 해당 영역의 분광값을 가지고 PLSR을 수행한 결과, 전파장대를 사용할 때보다 RMSEP가 0.6841로 감소하고 $r_p^2$는 0.7795로 증가하는 것을 확인하였다. 본 연구를 통하여 사과의 당도측정에 있어 야외에서 취득한 초분광 영상자료의 활용 가능성을 확인하였으며, 이는 필드자료 및 센서 활용분야의 확장가능성을 보여준다.

Abstract ▼ AI-Helper

A partial least squares regression (PLSR) model was developed to map the internal soluble solids content (SSC) of apples using a ground-based hyperspectral scanner that could simultaneously acquire outdoor data and capture images of large quantities of apples. We evaluated the applicability of various preprocessing techniques to construct an optimal prediction model and calculated the optimal band through a variable importance in projection (VIP)score. From the 515 bands of hyperspectral images extracted at wavelengths of 360-1019 nm, 70 reflectance spectra of apples were extracted, and the SSC ($^{\circ}Brix$) was measured using a digital photometer. The optimal prediction model wasselected considering the root-mean-square error of cross-validation (RMSECV), root-mean-square error of prediction (RMSEP) and coefficient of determination of prediction $r_p^2$. As a result, multiplicative scatter correction (MSC)-based preprocessing methods were better than others. For example, when a combination of MSC and standard normal variate (SNV) was used, RMSECV and RMSEP were the lowest at 0.8551 and 0.8561 and $r_c^2$ and $r_p^2$ were the highest at 0.8533 and 0.6546; wavelength ranges of 360-380, 546-690, 760, 915, 931-939, 942, 953, 971, 978, 981, 988, and 992-1019 nm were most influential for SSC determination. The PLSR model with the spectral value of the corresponding region confirmed that the RMSEP decreased to 0.6841 and $r_p^2$ increased to 0.7795 as compared to the values of the entire wavelength band. In this study, we confirmed the feasibility of using a hyperspectral scanner image obtained from outdoors for the SSC measurement of apples. These results indicate that the application of field data and sensors could possibly expand in the future.

주제어

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 야외에서 취득한 지상용 초분광 스캐너 영상을 활용하여 사과의 당도를 예측함으로써, 농작물 품질평가의 수확 전 단계로의 적용가능성 및 드론 및 항공영상자료로의 확장가능성을 확인하고자 총 70개의 사과 분광곡선과 당도 실측치와의 PLSR를 수행하여 예측모델을 구축하였다. 또한 예측모델의 설명력을 높이기 위하여 다양한 전처리 기법을 적용하여 대기흡수 및 산란 등과 같은 외부의 영향을 제거하고자 하였으며, VIP(Variable Importance in Projection)기법을 이용한 최적밴드 등을 분석하였다.

제안 방법

본 연구에서는 야외에서 취득한 지상용 초분광 스캐너 영상을 활용하여 사과의 당도를 예측함으로써, 농작물 품질평가의 수확 전 단계로의 적용가능성 및 드론 및 항공영상자료로의 확장가능성을 확인하고자 총 70개의 사과 분광곡선과 당도 실측치와의 PLSR를 수행하여 예측모델을 구축하였다. 또한 예측모델의 설명력을 높이기 위하여 다양한 전처리 기법을 적용하여 대기흡수 및 산란 등과 같은 외부의 영향을 제거하고자 하였으며, VIP(Variable Importance in Projection)기법을 이용한 최적밴드 등을 분석하였다.

대상 데이터

본 연구에서 사용한 사과는 한국의 대표적인 품종인 후지(Fuji)사과이며, 안동의 과수농가에서 2016년에 수확한 사과를 실험실로 이송한 뒤 1일 동안 상온에서 보관한 뒤 실험에 사용하였다. 7개씩 한 세트로 구성하여 앞뒷면을 촬영하였으며, 주변물질의 반사효과를 최소화하기 위하여 흰색 스티로폼을 깔고 촬영하였다.

이론/모형

70개의 사과 분광곡선에 대하여 이상치를 효과적으로 제거하기 위하여 몬테카를로 최소제곱법(MCPLS, Monte Carlo Partial Least Square)을 사용하였다(Gue et al., 2012). 70개의 샘플에 대하여 무작위로 선택된 80%는 calibration set으로, 나머지 20%는 prediction set으로 사용하여 1000개의 PLSR모델을 구축하였다.
, 2009). 본 연구에서는 대표적인 기법인 MSC, SNV, SG를 비롯하여 MSC+SG, SNV+SG, MSC+SNV 등의 전처리 조합을 적용하였다. ;
최적의 PLSR 변수의 개수는 모형의 교차검증(cross validation)을 통해 선택하였으며, 본 연구에서는 샘플의 개수가 부족할 때 효과적인 leave-one-out 교차검증 방법 을 사용하였다. 일반적으로 예측모델의 성능은 r² (식 (8)), RMSECV(Root Mean Standard Error of Cross Validation) (식 (9)), RMSEP(Root Mean Standard Error of Prediction) (식 (10)) 등을 고려하여 평가하며, RMSECV, RMSEP가 낮을수록 좋고, r²이 클수록 좋은 모델로 평가된다(Zhao et al.

성능/효과

본 연구에서는 한 번에 많은 양의 사과를 촬영할 수 있으며, 야외에서 취득 가능한 지상용 초분광 스캐너 영상을 이용하여 사과의 분광특성으로부터 당도를 예측하기 위하여 다양한 전처리 기법을 적용하고, PLSR을 이용한 예측모델을 구축하였다. 그 결과 MSC기반의 전처리 기법이 가장 효과적이었으며, MSC+SNV의 경우 예측모델의 r_c²와 r_p²는 각각 0.8533, 0.6546이며, RMSECV 와 RMSEP는 각각 0.8551, 0.8561였다. 또한 최적밴드 산출을 위해 VIP점수를 계산한 결과 360-380, 546-690, 760, 915, 931-939, 942, 953, 971, 978, 981, 988, 992-1019 nm이 영향력 있는 파장 영역이었으며, 해당 영역의 밴드를 추출하여 PLSR 모델을 구성했을 경우 RMSEP가 0.
8561였다. 또한 최적밴드 산출을 위해 VIP점수를 계산한 결과 360-380, 546-690, 760, 915, 931-939, 942, 953, 971, 978, 981, 988, 992-1019 nm이 영향력 있는 파장 영역이었으며, 해당 영역의 밴드를 추출하여 PLSR 모델을 구성했을 경우 RMSEP가 0.6841로 감소하고 r_p²는 0.7795로 증가하여 전체 밴드를 사용했을 때 보다 사과 당도에 대한 설명력이 증가하는 것으로 나타났다. ;

후속연구

본 연구의 결과는 농산물 품질평가를 위한 드론 및 항공센서로의 확장가능성을 제시하였으나 실내에서 구축된 자료를 사용한 선행연구와 비교하여 예측모델의 설명력이 비슷하거나 다소 낮은 한계가 있으며, 야외에서 취득한 자료는 촬영당시 기상조건에 따라 각기 다른 환경에 노출되기 때문에 다양한 시기 및 장소에서 취득된 자료를 통합한 예측모델을 구축하기 어렵다는 문제가 있다. 이러한 한계를 극복하기 위하여 영상의 대기보정 및 방사보정단계를 구체화하고 최신 회귀분석 기법 등을 적용할 것이며, 촬영시기 및 기상조건이 다른 환경에서의 추가실험을 통하여 다양한 외부 인자에 대한 영향을 분석할 예정이다. ;

질의응답

핵심어	질문	논문에서 추출한 답변
	사과 농사에서 정확하게 당도를 측정하는 것이 중요한 이유는 무엇인가?	이 중 당도는 채소 및 과일의 품질 최적화 및 수확시기를 결정하는 인자로써 특히 사과의 경우 소비자의 구매평가에 중요한 요인으로 작용하기 때문에 효율적이며 정확하게 당도를 측정하는 것은 매우 중요하다(Fan et al., 2016; Mendoza et al.
	초분광 영상을 이용한 과일 및 채소의 품질을 평가하는 것의 장점은?	, 2006). 농작물의 품질분석에 초분광 영상을 이용할 경우 영상과 분광정보를 동시에 얻을 수 있다는 장점이 있으며, 하나의 픽셀에 대한 분광정보 뿐 만 아니라 특정 공간에 대한 분광정보를 얻을 수 있기 때문에 보다 정확하고 다양한 분석이 가능하다(Kim et al., 2012).
	초분광 영상을 사용하는 것이 화학적 분석기법에 비해 좋은 이유는 무엇인가?	초분광 영상을 이용한 농작물의 품질분석기법은 비용소모가 크고 전수조사가 어려운 화학적 분석기법에 비해 비파괴적이며 적은 비용으로 다양한 농작물의 내부 및 외부 특성을 파악할 수 있다는 점에서 효과적이다 (Gomez et al., 2006).

참고문헌 (25)

Afanador, N., T. Tran, and L. Buydens, 2013. Use of the bootstrap and permutation methods for a more robust variable importance in the projection metric for partial least squares regression, Analytica chimica acta, 768: 49-56.

상세보기
Bae, H., Y. Seo, D. Kim, S. Lohumi, E. Park, and B. Cho, 2016. Development of non-destructive sorting technique for viability of watermelon seed by using hyperspectral image processing, Journal of the Korean Society for Nondestructive Testing, 36(1): 35-44.

원문보기 상세보기
Chong, I. and C. Jun, 2005. Performance of some variable selection methods when multicollinearity is present, Chemometrics and Intelligent Laboratory Systems, 78(1): 103-112.

상세보기
Dong, J. and W. Guo, 2015. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging, Food Analytical Methods, 8(10): 2635-2646.

상세보기
Fan, S., B. Zhang, J. Li, C. Liu, W. Huang, and X. Tian, 2016. Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data, Postharvest Biology and Technology, 121: 51-61.

상세보기
Gomez, C., P. Lagacherie, and G. Coulouma, 2008. Continuum removal versus PLSR method for clay and calcium carbonate content estimation from laboratory and airborne hyperspectral measurements, Geoderma, 148(2): 141-148.

상세보기
Guo, W., Y. Du, Y. Zhou, S. Yang, J. Lu, Y. Zhao, and L. Teng, 2012. At-line monitoring of key parameters of nisin fermentation by near infrared spectroscopy, chemometric modeling and model improvement, World Journal of Microbiology and Biotechnology, 28(3): 993-1002.

상세보기
Karpouzli, E. and T. Malthus, 2003. The empirical line method for the atmospheric correction of IKONOS imagery, International Journal of Remote Sensing, 24(5): 1143-1150.

상세보기
Kim, D., B. Cho, and Y. Kim, 2012. Non-destructive quality prediction of truss tomatoes using hyperspectral reflectance imagery, Journal of Agriculutral Science, 39(3): 413-420.
Liu, D., X. Zeng, and D. Sun, 2015. Recent developments and applications of hyperspectral imaging for quality evaluation of agricultural products: a review, Critical reviews in food science and nutrition, 55(12): 1744-1757.

상세보기
Mendoza, F., R. Lu, D. Ariana, H. Cen, and B. Bailey, 2011. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content, Postharvest Biology and Technology, 62(2): 149-160.

상세보기
Mo, C., M. Kim, G. Kim, J. Lim, S. Delwiche, K. Chao, H. Lee, and B. Cho, 2017. Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging, Biosystems Engineering, 159: 10-21.

상세보기
Noh, S. and D. Ryu, 2002. Preprocessing of Transmitted Spectrum Data for Development of a Robust Non-destructive Sugar Prediction Model of Intact Fruits, Journal of the Korean Society for Nondestructive Testing, 22(4): 361-368.
Noh, H. and R. Lu, 2007. Hyperspectral laser-induced fluorescence imaging for assessing apple fruit quality, Postharvest Biology and Technology, 43(2): 193-201.

상세보기
Peng, Y. and R. Lu, 2008, Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content, Postharvest Biology and Technology, 48(1): 52-62.

상세보기
Pu, Y., Y. Feng, and D. Sun, 2015. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables: a review, Comprehensive Reviews in Food Science and Food Safety, 14(2): 176-188.

상세보기
Qin, J., R. Lu, and Y. Peng, 2009. Prediction of apple internal quality using spectral absorption and scattering properties, Transactions of the ASABE, 52(2): 499-486.

상세보기
Rinnan, A., L. Norgaard, F. van den Berg, J. Thygesen, R. Bro, and S. Engelsen, 2009. Data preprocessing. Infrared spectroscopy for food quality analysis and control, 29-50.
Saeys, W., A. Mouazen, and H. Ramon, 2005. Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy, Biosystems Engineering, 91(4): 393-402

상세보기
Stellacci, A., A. Castrignano, A. Troccoli, B. Basso, and G. Buttafuoco, 2016. Selecting optimal hyperspectral bands to discriminate nitrogen status in durum wheat: a comparison of statistical approaches. Environmental Monitoring and Assessment, 188(3): 199.

상세보기
Wang, Z, Q. He, and J. Wang, 2014. Comparison of different variable selection methods for partial least squares soft sensor development, Proc. of 2014 IEEE In American Control Conference (ACC), OR, USA, June. 4-6, pp. 3116-3121.
Xu, L., Y. Zhou, L. Tang, H. Wu, J. Jiang, G. Shen, and R. Yu, 2008. Ensemble preprocessing of near-infrared (NIR) spectra for multivariate calibration, Analytica Chimica Acta, 616(2): 138-143.

상세보기
Zhao, J., S. Vittayapadung, Q. Chen, S. Chaitep, and R. Chuaviroj, 2009. Nondestructive measurement of sugar content of apple using hyperspectral imaging technique, Maejo International Journal of Science and Technology, 3(1): 130-142.
Zhang, C., F. Liu, W. Kong, and Y. He, 2015. Application of visible and near-infrared hyperspectral imaging to determine soluble protein content in oilseed rape leaves, Sensors, 15(7): 16576-16588.

상세보기
Zhu, Q., M. Huang, X. Zhao, and S. Wang, 2013. Wavelength selection of hyperspectral scattering image using new semi-supervised affinity propagation for prediction of firmness and soluble solid content in apples, Food Analytical Methods, 6(1): 334-342.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증