[논문]OpenCV를 이용한 표현체 특성관리 시스템 구현

최승호; 박건하; 양오석; 이창우; 김영욱; 이은경; 백정호; 김경환; 이홍로

doi:10.9723/jksiis.2020.25.6.025

OpenCV를 이용한 표현체 특성관리 시스템 구현
Implementation of Phenotype Trait Management System using OpenCV 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.6, 2020년, pp.25 - 32

최승호 (군산대학교 컴퓨터정보공학과) , 박건하 (군산대학교 컴퓨터정보공학과) , 양오석 (군산대학교 컴퓨터정보공학과) , 이창우 (군산대학교 컴퓨터정보공학과) , 김영욱 (국립농업과학원 유전자공학과) , 이은경 (국립농업과학원 유전자공학과) , 백정호 (국립농업과학원 유전자공학과) , 김경환 (국립농업과학원 유전자공학과) , 이홍로 (군산대학교 컴퓨터정보공학과)

초록
AI-Helper

농업에서 가장 기본이 되는 종자는 생산과 효율을 높이는 중요한 요소다. 우수한 유전자를 가진 종자를 통해 농업의 생산성 향상을 기대할 수 있고, 작물의 생존 및 번식을 증진시킬 수 있다. 하지만 현재 우수한 종자의 선별은 대부분이 수작업에 의존하고 있기 때문에 많은 시간과 인력을 요구한다. 제안된 연구에서는 종자의 표현체 특성을 추출하기 위해 컴퓨터 영상처리기술을 이용하여 적은 인력과 비교적 짧은 시간으로 종자의 특징을 추출할 수 있는 시스템을 제안한다. 제안된 시스템은 다량의 종자가 포함된 영상으로부터 개별 종자를 검출하고, 검출된 개별 종자마다 대표색상, 면적, 둘레, 진원도 (Roundness)와 같은 다양한 특징을 추출하고 저장한다. 입력 영상의 규칙성 때문에 제안된 시스템의 개별 종자추출의 정확도는 콩 종자의 경우 99.12%, 벼 종자의 경우 99.76%이다. 추출된 데이터는 향후 전문가의 의견을 반영한 각종 데이터 분석을 위한 기초자료로 활용되며 종자별 표현형 특성을 결정하는 기초자료로 사용될 것이다.

Abstract ▼ AI-Helper

The seed, the most basic component, is an important factor in increasing production and efficiency in agriculture. Seeds with superior genes can be expected to improve agricultural productivity, crop survival, and reproduction. Currently, however, screening of superior seeds depends mostly on manual work, which requires a lot of time and manpower. In this paper, we propose a system that can extract the characteristics of seed phenotypes by using computer image processing technology, so that even a small number of people and a short period of time are needed to extract the characteristics of seeds. The proposed system detects individual seeds from images containing large quantities of seeds, and extracts and stores various characteristics such as representative colors, area, perimeter and roundness for each individual seed. Due to the regularity of input images, the accuracy of individual seed extraction in the proposed system is 99.12% for soybean seeds and 99.76% for rice seeds. The extracted data will be used as basic data for various data analyses that reflect the opinions of experts in the future, and will be used as basic data to determine the expressive nature of each seed.

주제어

표/그림 (11)

그림 Fig. 1 Activity Diagram for Phenotype Trait Management System
그림 Fig. 2 Example of Image Data
그림 Fig. 3 User Interface of Proposed Method
그림 Fig. 4 Procedure for Seed Detection
그림 Fig. 5 Detection Result of Rice Seeds
그림 Fig. 6 Saved Seed Images
그림 Fig. 7 Function for Numerical Data Extraction
그림 Fig. 8 Example of Numerical Data Extracted from Rice Seeds
그림 Fig. 9 Representative Color of Seed
그림 Fig. 10 Example of False Detection
표 Table 1 Experimental Results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

그 후 이진화 된 영상에서 상하단에 존재하는 색상박스를 탐지하여 필요 없는 영역을 제거 후 종자가 존재하는 부분에만 ROI를 지정 한다. ROI가 지정된 종자 영상에서 윤곽선을 찾아 개별 종자를 검출 및 추출하고 전체 종자의 가장 긴축 (Longaxis), 가장짧은축 (Shortaxis), 면적 (Area), 둘레 (Perimeter), 진원도 (Roundness), 둥글기 (Roundness2), 응집도 (Compactness)와 같은 수치 데이터를 추출한다. 저장된 개별 종자를 선택하면 종자 색상 값을 계산하여 종자의 대표색상을 가시화한다.
3의 ①구역에서 종자 선택 시 결과로 위의 구역은 현재 선택한 종자의 영상이고, 아래의 구역은 대표색상 및 HSV 값이다. 대표색상은 RGB 채널로 색상 값을 구할 시 정확한 색상이 추출되지 않아 정확한 색상 값을 구하기 위해 HSV 채널로 변환하였고, 종자 영상의 H, S, V 각 채널의 가장 많은 값을 계산하여 구하였다.
영상 데이터에 영상처리기술을 이용하여 개별 종자검출 및 추출과 길이, 둘레, 면적, 둥글기, 진원도, 응집도, 대표색상을 추출하였다. 본 실험에서는 임계값 및 ROI 설정을 자동 방식만을 이용하였고, 한 장의 종자 영상에서 개별 종자 특성 추출이 완료되기까지 3초에서 10초의 시간이 소요된다.
본 연구는 이미지 처리 기법을 사용하여 이미지에서 콩/벼 종자를 검출하여 분리하고, 분리된 개별 종자에서 장/단축 길이, 면적, 넓이, 둥글기, 색상 등의 종자 표현체 특성 데이터를 추출한다. 추출된 데이터는 테이블, 이미지 등의 GUI를이용하여 사용자에게 가시화한다.
콩의 경우에 배경은 흰색을 사용하였으며, 벼의 경우에는 검은색을 사용하였다. 앞서 설명한 방법으로 종자를 나열한 뒤 디지털카메라로 촬영하여 데이터를 획득하였다.
영상 데이터에 영상처리기술을 이용하여 개별 종자검출 및 추출과 길이, 둘레, 면적, 둥글기, 진원도, 응집도, 대표색상을 추출하였다. 본 실험에서는 임계값 및 ROI 설정을 자동 방식만을 이용하였고, 한 장의 종자 영상에서 개별 종자 특성 추출이 완료되기까지 3초에서 10초의 시간이 소요된다.
검출된 49, 430개 종자 중 44, 288개를 정확하게 검출하였으며, 94개가 오검출되었다. 오검출은 추출된 종자의 영상이 잘려서 원래의 모양을 잃거나, 그림자 혹은 두 개의 이상의 종자가 같이 추출되어 저장된 경우에 해당하였고, 본 연구의 프로그램을 실행하여 추출된 종자를 수작업으로 확인하였다.
Min et al (2004)의 방법에서는 실시간 영상처리 및 표시를 위해 DSP (Digital signal processing)와 FPGA (Field programmable gate arrays)를 이용한 임베디드 시스템으로 개발하여 영상 고도처리 알고리즘을 적용 및 향상된 기법을 제시하였다. 이로 인해 불량 유전자와 우수한 유전자의 종자를 선별하는 것이 가능해졌고, 다양한 곡물의 종류 변화에 따른 불량품 선별에 개발된 영상가시화기법을 응용 및 적용하였다.
제안된 시스템은 벼/콩 종자 영상을 대상으로 그 특성을 추출하는 시스템이다. 제안된 시스템의 작업 흐름 중 관심 영역 (Region of interest: ROI)과 영상 이진화 방식은 수동과 자동 방식으로 나뉜다.
제안된 시스템은 종자별 표현체특성을 추출하기 위해 영상처리기술을 이용하여 다량의 종자검출 및 추출, 대표색상과 수치 데이터를 추출하는 시스템을 개발하였다. 100개에서 200개의 콩/벼 종자가 찍힌 한장의 영상에서 6초에서 8초 내로 개별 종자 및 수치 데이터를 추출할 수 있었고, 맞춤형 장비를 통해 수치 데이터의 신뢰성을 높일수 있었다.
제안된 시스템은 종자의 세심한 검정을 위해 디지털카메라 영상 데이터를 이용하고, 표현체특성을 추출하기 위해 OpenCV 함수를 통해 종자 영상을 이진화한다. 콩/벼 종자가 존재하는 영상에서 개별 종자를 추출하여 길이, 둘레, 면적, 둥글기, 응집도 등의 수치 데이터와 종자의 색상을 추출하는 시스템을 개발한다.
콩 종자의 형태 및 종피색 분석을 위해 이미지 소프트웨어 (Image J)를 이용하여 다수의 콩 종자가 있는 사진에 대해 배경과 종자를 분리하고 개별 종자 각각에 대한 영상으로 다시 분리한다. 종자 영상과 함께 촬영된 눈금자로 길이를 측정하고, 색상표를 통해 색을 보정하는 등 데이터에 대한 전처리를 수행한다. (Lee, 2020).
영상을 이진화한다. 콩/벼 종자가 존재하는 영상에서 개별 종자를 추출하여 길이, 둘레, 면적, 둥글기, 응집도 등의 수치 데이터와 종자의 색상을 추출하는 시스템을 개발한다. 종자의 색상은 정확한 탐지를 위해서 HSV로 변환하여 수행한다 (OpenCVTeam, 2020).

대상 데이터

제안된 시스템은 10개에서 25개의 콩 종자와 100개에서 200개의 벼 종자가 존재하는 6000x4000 크기의 디지털카메라 영상 데이터를 이용하였다. 영상 데이터에 영상처리기술을 이용하여 개별 종자검출 및 추출과 길이, 둘레, 면적, 둥글기, 진원도, 응집도, 대표색상을 추출하였다.

성능/효과

개발하였다. 100개에서 200개의 콩/벼 종자가 찍힌 한장의 영상에서 6초에서 8초 내로 개별 종자 및 수치 데이터를 추출할 수 있었고, 맞춤형 장비를 통해 수치 데이터의 신뢰성을 높일수 있었다. 또 사용자에게 GUI를 제공하여 표 현체 특성을 쉽게 추출할 수 있고, 추출한 개별종자 저장 시 종자를 회전시켜 일렬로 나열하여 저장함으로써 직관성과 일관성 및 추출된 수치 데이터의 정확도를 높일 수 있었다.
Table1에서 콩 종자 영상 1, 901개를 대상으로 본 연구의 종자검출을 하였을 때 전체 종자 44, 678개 중 44, 678개 모두 검출하였고, 그 중 44, 288개를 정확하게 검출하였으며, 390개가 오검출되었다. 벼 종자는 414개 영상을 대상으로 본 연구의 종자검출을 하였을 때 전체 종자 49, 452개 중 49, 430개를 검출하였고 22개가 미검출되었다.
벼 종자는 414개 영상을 대상으로 본 연구의 종자검출을 하였을 때 전체 종자 49, 452개 중 49, 430개를 검출하였고 22개가 미검출되었다. 검출된 49, 430개 종자 중 44, 288개를 정확하게 검출하였으며, 94개가 오검출되었다. 오검출은 추출된 종자의 영상이 잘려서 원래의 모양을 잃거나, 그림자 혹은 두 개의 이상의 종자가 같이 추출되어 저장된 경우에 해당하였고, 본 연구의 프로그램을 실행하여 추출된 종자를 수작업으로 확인하였다.
100개에서 200개의 콩/벼 종자가 찍힌 한장의 영상에서 6초에서 8초 내로 개별 종자 및 수치 데이터를 추출할 수 있었고, 맞춤형 장비를 통해 수치 데이터의 신뢰성을 높일수 있었다. 또 사용자에게 GUI를 제공하여 표 현체 특성을 쉽게 추출할 수 있고, 추출한 개별종자 저장 시 종자를 회전시켜 일렬로 나열하여 저장함으로써 직관성과 일관성 및 추출된 수치 데이터의 정확도를 높일 수 있었다.
제안된 시스템은 1초에 대략 20개의 종자 특성 추출이 가능하다. 적은 양의 종자 특성 추출 시에는 문제가 되지 않으나, 대량의 종자 특성추출 시 상당히 많은 시간이 소요된다.

후속연구

또 빅데이터와 딥러닝을 접목시켜 종자 영상의 실시간 처리 및 저장과 분석을 통해 표현체 정보를 빠르게 추출하고, 빅데이터에 저장된 정보와 비교하여 현 종자의 유전적 특성을 파악하는데 활용할 수 있는 방향으로 연구할 계획이다.
본 연구는 현재 콩/벼 두 종자만 특성 추출이 가능하나 추후 추출 가능한 종자의 종류를 늘려 시스템의 범용성을 늘리고, 영상처리에 대한 알고리즘을 개선하여 처리시간을 단축할 계획이다. 또 빅데이터와 딥러닝을 접목시켜 종자 영상의 실시간 처리 및 저장과 분석을 통해 표현체 정보를 빠르게 추출하고, 빅데이터에 저장된 정보와 비교하여 현 종자의 유전적 특성을 파악하는데 활용할 수 있는 방향으로 연구할 계획이다.

참고문헌 (6)

Baek, J. H., Lee, E. Y., Kim, N. H., Lee, H. S., Kim, S. L., Choi, I. C., Ji, H. S., and Kim, K. H. (2019). Development of Seed Traits Information Extraction Program, Collection of Dissertations from the General Academic Conference of the Korean Society of Information and Communication, Oct, 24-26, Busan, Korea, 23(2), pp. 569-571
Baek, J. H., Lee, E. Y., Kim, N. H., Kim, S. L., Choi, I. C. Ji, H. S., Chung, Y. S., Choi, M. S., Moon, J. K., and Kim, K. H. (2020). Development of Seed Traits Information Extraction Program, Sensors, 20(248), https://doi.org/10.3390/s20010248
Lee, S. W. (2020). An Image Analysis-based Study of Soybean Seed Expressions, News of the Korea Soybean Society, 348, 5-7.
Lim, D. H. (2003). General Research Papers: Development of a Fruit Sorting System using Statistical Image Processing. The Korean Journal of Applied Statistics, 16(1), 129-140.
Min, B. R., Kim, W., Kim, D. W., and Lee, D. W. (2004). Determination of Transferring Period of Several Plants using Image Processing, Journal of Bio-Environment Control, 13(3), 178-184.
OpenCV Team. (2020). OpenCV Docs, https://docs.opencv.org/4.4.0/ (Accessed on Jul, 18th, 2020)

저자의 다른 논문 :

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