[논문]편평어 자동선별시스템 개발에 관한 연구

박환철; 김태완; 이동훈; 김영복

doi:10.3796/ksfot.2020.56.1.055

[국내논문] 편평어 자동선별시스템 개발에 관한 연구
A study on the development of automatic flatfish grading system 원문보기

수산해양기술연구 = Journal of the Korean Society of Fisheries and Ocean Technology, v.56 no.1, 2020년, pp.55 - 60

박환철 (부경대학교 실습선 가야호) , 김태완 (부경대학교 대학원 기계시스템공학과) , 이동훈 (부경대학교 대학원 기계시스템공학과) , 김영복 (부경대학교 기계시스템공학과)

Abstract ▼ AI-Helper

In this study, the authors introduce a newly developed flatfish grading system. Owing to the features of flatfish with and wide body, the general types of grading system are not easy to apply for it. Furthermore, the flatfish to be graded is alive such that the existing measurement and grading systems cannot be used for it as well. This study gives a solution for measuring and grading the flatfish with high speed and good accuracy. For this object, the authors developed flatfish measurement and grading system. This system consist of the feeding, conveying, measurement part and sorting part. Especially, the measurement part is made by vision based measuring technique which satisfies the given specification. The result from the experiment shows that the developed system is applicable for measuring and grading the flatfish sizes in variety.

Keyword

AI 본문요약
AI-Helper

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

문제 정의

또한 수산물 어획에서부터 운반 및 가공처리과정에서의 자동화기술 수요도 여전하며 그에 따른 많은 연구 및 기술개발이 지속적으로 추진되고 있다. 본 연구에서는 양식산업현장에서 요구되는 작업 환경개선 기술의 하나라 할 수 있는 어체 크기 선별기술을 개발하는데 목표를 두고 있다. 어체 크기 선별작업은 양식장 뿐 만 아니라 여러 수산물 처리과정에서 다양한 목적으로 수행된다.
1의 사진과 같이 수작업으로 수행되며 극한 노동환경의 대표적인 예라 할 수 있다. 따라서 본 연구에서는 분류작업 자동화를 통해 양식환경을 개선함으로써 생상선 향상 및 노동환경을 개선할 수 있는 있는 고정도, 고속 자동선별시스템을 개발하는데 목표를 두고 있다.
그러나 활어상태가 아니더라도 넙치와 같은 편평어를 두께 기준으로 분류하는 것은 상당이 어렵다. 따라서 본 연구에서는 다양한 크기의 넙치를 상황에 따라 시스템설정을 변경하는 등의 부수적인 추가 작업 없이도 효율적으로 분류하기 위한 기술을 개발하는데 그 목표를 둔다.
본 논문에서는 활어상태의 넙치를 크기별로 분류하기 위 한 자동선별시스템 개발에 관한 연구결과를 소개하였다.
넙치는 어체 특성상, 기존의 두께를 기준으로 크기를 분류하는 방법으로는 선별작업이 불가능하다. 그래서 본 연구에서는 비전기반 계측시스템을 구축하여 어체 길이를 크기 선별기준으로 하는 자동선별시스템을 개발하였다. 기존의 중량 기반 계측시스템 및 선별시스템이 갖는 문제점을 충분히 해결할 수 있음을 성능실험을 통해 확인하였다.

제안 방법

개발하고자 하는 전체시스템은 투입부, 운송부, 계측기, 분류기, 이송·저장부(수조) 및 모니터링시스템으로 구성되어있다.
이러한 사실을 감안하면 본 연구에서 제안하는 비전기반 계측기법이 보편타당하다는 것을 알 수 있다. 따라서 저자들은 Fig. 3에 나타낸 것과 같이 고속계측으로 선별작업에 유용하게 활용할 수 있는 계측기법과 기술을 개발하였다(Kugou et al, 2018). 이때 계측용으로 사용한 카메라는 상용의 웹 카메라이고 해상도는 640×480로 저렴한 수준의 것이다.
즉, 양식장의 좁은 통로 등을 고려하여 이동이 간편하며 선별이 필요한 수조로 이동이 쉽고 설치·운용이 용이하도록 제작하였다.
1의 전체시스템 구성도에 나타낸 것과 같이, 계측 후 어체 크기가 결정되면 유사한 크기별로 분류하여 저장박스로 각각 이송해야 한다. 모니터링시스템은 사용자 요구에 따라, 대, 중, 소 및 기타그룹의 4가지로 설정함으로써 분류가 가능하도록 제작하였다. 즉, 상황에 따라 대, 중, 소 크기에 대한 기준이 가변적임을 감안하여 현장 작업자 누구나 설정할 수 있도록 시스템을 구성하였다.
모니터링시스템은 사용자 요구에 따라, 대, 중, 소 및 기타그룹의 4가지로 설정함으로써 분류가 가능하도록 제작하였다. 즉, 상황에 따라 대, 중, 소 크기에 대한 기준이 가변적임을 감안하여 현장 작업자 누구나 설정할 수 있도록 시스템을 구성하였다. 그리고 기타 그룹은 설정된 어류크기 범위를 벗어나는 등 여타 사정으로 분류가 어려울 경우나 오류가 발생할 경우 그룹 외로 처리하기 위한 것이다.
그리고 기타 그룹은 설정된 어류크기 범위를 벗어나는 등 여타 사정으로 분류가 어려울 경우나 오류가 발생할 경우 그룹 외로 처리하기 위한 것이다. 결국 4가지 그룹으로 분류 가 가능하도록 설계하였다.
먼저 분류해야 할 대상 어류가 결정되면 그기에 따라 3가지 정도로 분류해야 할 각각의 크기를 결정하고, 결정된 크기는 모니터링 시스템에서 분류 그룹별로 설정할 수 있다. 모니터링시스템은 터치패드 형식으로 만들어져 현장에서 누구나 쉽게 분류해야 할 그룹의 크기를 설정할 수 있도록 구성하였다.
제작한 장치를 이용하여 양식환경에서와 유사한 조건에서 실험을 수행하였다. 이대 활어 상태의 넙치 30마리를 준비하였고, 그 크기는 100~390 mm 정도로 다양하 다.
이대 활어 상태의 넙치 30마리를 준비하였고, 그 크기는 100~390 mm 정도로 다양하 다. 개발장비의 목표 선별능력은 분당 30마리로 설정하고, 그 조건을 만족하는지를 평가한다.

대상 데이터

넙치모델 길이는 200 mm，250 mm，300 mm 3종류를 사용하였고, 벨트컨베이어를 통해 이동하는 과정에서 계측실험을 수행하였다. 각각의 넙치 모델에 대해 연속으로 100회 촬영하고 그 값의 평균을 계측결과 값으로 결정하였고, 그 결과를 Table 1에 정리하였다.
Table 1의 결과로부터 알 수 있듯이 평균 오차는 모두 2% 이하이고 고정도로 계측이 가능하다는 것을 확인할 수 있다. 비전기반 계측시스템에 사용된 카메라는 1080 p 해상도에서 30 FPS, 720 p 해상도에서는 60 FPS 성능을 가지며, 본 연구에서는 1080 p로 설정하고 실험을 수행하였다.
제작한 장치를 이용하여 양식환경에서와 유사한 조건에서 실험을 수행하였다. 이대 활어 상태의 넙치 30마리를 준비하였고, 그 크기는 100~390 mm 정도로 다양하 다. 개발장비의 목표 선별능력은 분당 30마리로 설정하고, 그 조건을 만족하는지를 평가한다.

성능/효과

넙치 양식과정에서는, 치어상태에서 출하단계까지 15회 이상의 선별작업이 이루어지며, 그 과정에서의 분류작업은 중량개념이 아니라 대부분이 크기기준에서 수행된다. 이러한 사실을 감안하면 본 연구에서 제안하는 비전기반 계측기법이 보편타당하다는 것을 알 수 있다. 따라서 저자들은 Fig.
약 10회 이상의 실험을 수행하였으며 결론적으로 주어진 선별목표치를 만족하는 실험결과를 얻었다. 예를 들어 이송상태에서도 비전기반 계측시스템이 충분한 성능을 발휘하는지는 Table 3의 계측결과로부터 확인할 수 있다.
예를 들어 이송상태에서도 비전기반 계측시스템이 충분한 성능을 발휘하는지는 Table 3의 계측결과로부터 확인할 수 있다. 이 표는 4가지 크기의 넙치에 대한 계측값을 비교한 것이며, 모든 경우에서 오차범위는 3% 이하로 계측정도가 우수하고 선별작업신뢰도를 충분히 만족하는 수준임을 확인하였다.
그래서 본 연구에서는 비전기반 계측시스템을 구축하여 어체 길이를 크기 선별기준으로 하는 자동선별시스템을 개발하였다. 기존의 중량 기반 계측시스템 및 선별시스템이 갖는 문제점을 충분히 해결할 수 있음을 성능실험을 통해 확인하였다. 향후 투입방법에 대한 보다 지능적인 기법 및 기술개발이 수행된다면 작업효율성 개선 및 실질적인 완전 자동화 수준의 선별시스템 구축이 가능할 것으로 기대한다.

후속연구

본 연구를 통해 개발한 계측시스템은 다양한 목적으로 활용될 수 있다. 편의상 한 마리씩 이송되고 이것을 계측하여 그룹별로 분류하는 것을 전제로 하고 있으나, 다수의 어류 크기 계측도 가능하다.
편의상 한 마리씩 이송되고 이것을 계측하여 그룹별로 분류하는 것을 전제로 하고 있으나, 다수의 어류 크기 계측도 가능하다. 즉 투입 및 최종 선별단계에서 보다 지능적인 기법과 기술이 도입된다면 무작위로 투입된 다수의 어류를 동시에 분류하는 것이 가능하게 될 것이다.
실제 수작업으로 계측한 값을 참값으로 하여 계측오차를 굳이 계산하더라도 2% 내외로 상당히 고정도 계측이 가능하였다. 앞서 기술하였듯이 이러한 계측결과로부터 크기별로 다수의 어체를 동시에 분류가 가능한 기술이 개발된다면 보다 발전된 수준의 분류시스템의 실용화가 가능할 것이다.
특히 Fig. 8에 나타낸 것과 같이, 화면에 들어온 모든 어체 크기를 동시에 계측하는 것이 가능하므로, 양식수조에서 성장중인 어류의 생식상태 정보를 실시간으로 취득하고 데이터화 함으로써 소위 스마트 양식환경시스템 구축을 위한 유용한 기술로도 활용이 가능할 것이다.
기존의 중량 기반 계측시스템 및 선별시스템이 갖는 문제점을 충분히 해결할 수 있음을 성능실험을 통해 확인하였다. 향후 투입방법에 대한 보다 지능적인 기법 및 기술개발이 수행된다면 작업효율성 개선 및 실질적인 완전 자동화 수준의 선별시스템 구축이 가능할 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	양식장에서 어체 크기 선별작업이 힘든 이유는?	이와 달리 양식장에서의 분류대상 어류는 활어상태이고 이것을 분류하기 위해서는 고난이도 기술이 필요하다. 활어상태라 하더라도, 고등어류와 같이 둥글고 긴 형태는 기존기술(Jun et al., 2016)로도 분류작업이 가능하나, 넙치류와 같은 편평어는 어체가 가늘고 납작하여 기존 분류기술의 단순한 적용만으로 분류하는 것이 거의 불가능하다. 또한 본 연구에서 넙치류를 대상으로 분류시스템을 개발하고자 하는 것은, 현재 양식어종 총 생산량의 46%정도가 넙치류이고, 치어단계에서 출하단계까지 수차에 걸쳐 분류작업이 필요하기 때문이다 (Statistics Korea, 2019).
	스마트 아쿠아 팜 산업 육성정책의 목표는?	다른 산업의 기술수준이 발전하는 것과 같이, 수산업, 특히 양식산업에서의 첨단기술도입을 통한 생산성 개선은 두드러질 정도지만 아직도 고강도 노동력이 필요한 대표적인 산업이기도 하다. 최근의 스마트 아쿠아 팜(smart aqua farm) 산업 육성정책은 자동화기술 등 ICT 융합기술의 적극적인 도입을 유도하고 있으며(Minh and Choi, 2017), 보다 선진화된 양식산업 및 양식환경구축으로 안 전한 수산물공급시스템 구축을 도모하고 있다.
	넙치류를 대상으로 한 분류시스템을 개발하려는 이유는?	, 2016)로도 분류작업이 가능하나, 넙치류와 같은 편평어는 어체가 가늘고 납작하여 기존 분류기술의 단순한 적용만으로 분류하는 것이 거의 불가능하다. 또한 본 연구에서 넙치류를 대상으로 분류시스템을 개발하고자 하는 것은, 현재 양식어종 총 생산량의 46%정도가 넙치류이고, 치어단계에서 출하단계까지 수차에 걸쳐 분류작업이 필요하기 때문이다 (Statistics Korea, 2019).

참고문헌 (11)

Arnarson H, Bengoetxea K and Par LF. 1988. Vision applications in the fishing and fish product industries. International Journal of Pattern Recognition and Artificial Intelligence 2, 657-671. https://doi.org/10.1142/S0218001488000418.

상세보기
Hwang KH and Choi JW. 2018. Machine vision based weight prediction for flatfish. Proceedings of the 2018 18th International Conference on Control, Automation and Systems, 1628-1631.
Jun CW, Sohn JH and Choi MG. 2016. Analysis of mackerel sorting performance for development of automatic mackerel grader. Journal of the Korean Society of Manufacturing Process Engineers 15, 115-121. https://doi.org/10.14775/ksmpe.2016.15.3.115.
Kugou N, Choi YW and Kim YB. 2018. A study on the development of a flatfish measuring system based on image processing technique. Journal of Institute of Control, Robotics and Systems 24, 164-169. https://doi.org/10.5302/J.ICROS.2018.17.0205.

상세보기
Lee DG, Yang YS, Kim SH, Choi JH, Kang JG and Kim HJ. 2012. A study on system for measuring morphometric characteristics of fish using morphological image processing. Journal of Korean Society of Fisheries and Ocean Technology 48, 469-478. https://doi.org/10.3796/KSFT. 2012.48.4.469.

원문보기 상세보기
Minh SH and Choi JW. 2017. Development of an underwater fish farm surveillance simulator. Journal of Institute of Control, Robotics and Systems (in Korean) 23, 497-502. https://doi.org/10.5302/J.ICROS.2017.17.0067.

상세보기
Petrell RJ, Shi X, Ward RK, Naiberg A and Savage CR. 1997. Determining fish size and swimming speed in cages and tanks using simple video techniques. Aquacultural Engineering 16, 63-84. https://doi.org/10.1016/S0144-8609(96)01014-X.

상세보기
Statistics Korea. 2019. 2018 Fish farming survey. Statistics Korea Fish farming survey, 10-11.
Storbeck F and Dann B. 1991. Weight estimation of flatfish by means of structured light and image analysis. Fisheries Research 11, 99-108. https://doi.org/10.1016/0165-7836(91)90101-K.

상세보기
Strachan NJC. 1994. Sea trials of a computer vision based fish species sorting and size grading machine. Mechatronics 4, 773-783. https://doi.org/10.1016/0957-4158(94)90052-3.

상세보기
Zion B, Shklyar A, and Karplus I. 1999. Sorting fish by computer vision. Computers and Electronics in Agriculture 23, 175-187. https://doi.org/10.1016/S0168-1699(99)00030-7.

상세보기

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