[논문]고기 신선도 측정 데이터의 딥러닝 기반 분석

장애라; 김혜진; 김만배

doi:10.5909/jbe.2020.25.3.418

고기 신선도 측정 데이터의 딥러닝 기반 분석
Deep Learning-based Analysis of Meat Freshness Measurement 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.3, 2020년, pp.418 - 427

장애라 (강원대학교 동물생명과학대학 동물응용과학과) , 김혜진 (강원대학교 동물생명과학대학 동물응용과학과) , 김만배 (강원대학교 컴퓨터정보통신공학과)

초록
AI-Helper

축산 판매장에서 판매하는 고기들의 신선도 측정은 소비자의 건강을 위해 필요한 기술이다. 신선도 측정을 목적으로 다양한 센서가 연구 개발되고 있다. 센서는 다양한 고기의 신선도 상태 때문에 측정 오류가 발생한다. 따라서 강인성을 가지는 센서를 검증한 후에, 사용하는 과정이 필요하다. 본 논문에서는 10개의 고기 신선도 측정 센서로 얻은 데이터의 분석을 통해서, 각 측정 센서의 성능을 심층신경망을 이용하여 조사한다. 고기 종류로는 소고기, 돼지고기, 닭고기를 대상으로 검증한다. 또한 토리미터보다 성능이 우수한 다중센서를 찾기 위해서 PCA를 이용하여 3개의 센서를 찾는다. 실험에서는 심층신경망으로 3개의 센서가 토리미터보다 우수함을 증명하였다.

Abstract ▼ AI-Helper

The measurement of meat freshness at meat markets is important for the health of consumers. Currently a variety of sensors have been studied for the measurement of the meat freshness. Therefore, the analysis of sensor data is needed for the reduction of measurement errors. In this paper, we analyze the freshness measurement data of ten sensors based on deep learning. The measured data are composed of beef, pork and chicken, whose reliability and noise-robustness are examined by a deep neural network. Further, to search for multiple sensors better than a torrymeter, PCA (principle component analysis) is carried. Then, we validated that the performance of the three sensors outperforms the torrymeter in the experiment.

주제어

표/그림 (11)

그림 그림 1. 저장 기간 동안의 소고기의 표면 변화 Fig. 1. Surface variation of beef during storage period
표 표 1. 소고기 측정 데이터. (⦁)은 표준편차 σ임 Table 1. Beef measurement data. (⦁) is standard deviation σ
표 표 2. 돼지고기 측정 데이터 (⦁)은 표준편차값임 Table 2. Pork measurement data. (⦁) is standard deviation
그림 그림 2. 3개의 은닉층이 있는 신경망 모델 (H3-DNN)의 구조 Fig. 2. Neural network model with 3 hidden layers (H3-DNN)
표 표 3. 닭고기 측정 데이터 (⦁)은 표준편차값임 Table 3. Chicken measurement data. (⦁) is standard deviation
그림 그림 3. k에 따른 H1-DNN의 분류 정확도의 비교 (a) 소고기, (b) 닭고기 및 (c) 돼지고기 Fig. 3. Comparison of classification accuracy in H1-DNN with respect to the variation of k. (a) beef, (b) chicken, and (c) pork
표 표 4. 신경망 모델 파라메터 Table 4. Parameters of neural network
그림 그림 4. 7개의 클래스를 가지는 샘플데이터의 t-SNE 기반 데이터 시각화 (a) 소고기, (b) 닭고기 및 (c) 돼지고기 Fig. 4. Data visualization of sample data with seven classes by t-SNE (a) beef, (b) chicken, and (c) pork
표 표 5. 고기 신선도 측정에 영향을 중요한 영향은 주는 세 개의 피처 Table 5. Three features with largest weights for meat freshness measurement
그림 그림 5. 세개의 피처(3F)와 토리미터의 분류 정확도 비교. Fig. 5. Comparison of classification accuracy of 3-Feature and Torrymeter.
표 표 6. 3-Feature(3F)와 토리미터와의 분류 정확도. Table 6. Classification performance of 3-Feature(3F) and Torrymeter.

AI 본문요약
AI-Helper

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

문제 정의

실험에서는 노이즈를 포함하여 강건성도 검증하였다. 기존 토리미터보다 우수한 센서들을 연구하였다. 고기의 신선도는 소비자의 건강에 직결되는 문제이며, 따라서 이를 측정하는 기술이 필요하다.
실험 결과는 가장 큰 노이즈에서도 90%이상의 분류 정확도를 보여주었으며, 멀티센서를 사용하는 것이 큰 노이즈에도 강건하다는 것을 증명하였다. 또한 상용화된 센서인 토리미터보다 우수한 성능을 보일 수 있는 센서에 대해 연구하였다. PCA 분석을 통해 소고기는 [pH, VBN, E.
한 개의 센서를 사용하여 측정하는 것은 오류가 발생하기 때문에, 멀티센서(multi-sensor)로 측정할 수 있으면 오류를 줄일 수 있는 장점이 있다. 본 논문에서는 10개의 센서로 측정된 값들로부터 경과일을 예측하기 위하여 딥러닝 기반 기법을 제안한다. 딥러닝을 이용하여 센서 데이터로부터 자동으로 저장일(storage day) Day X를 판별한다.
이를 위해서 다양한 측정센서가 연구개발되고 있는데, 고기의 종류, 보관환경 등으로 판단 오류가 발생할 수 있다. 본 논문에서는 딥러닝 기반으로 센서 데이터의 신뢰성을 조사하였다. 실험에서는 노이즈를 포함하여 강건성도 검증하였다.
본 논문에서는 딥러닝을 기반으로 하여 소고기, 닭고기, 돼지고기에 대한 멀티센서 측정의 노이즈 강건성을 조사하였다. 실험 결과는 가장 큰 노이즈에서도 90%이상의 분류 정확도를 보여주었으며, 멀티센서를 사용하는 것이 큰 노이즈에도 강건하다는 것을 증명하였다.
그리고 선정된 특징들과 토리미터 두 가지로 데이터셋을 만든 후에, 이 두 종류의 데이터셋을 앞에서 제안한 신경망의 학습데이터로 사용한다. 실험에서는 선정한 세 가지의 특징이 토리미터보다 Day 분류에 더 나은 성능을 가지는지를 조사한다.
우선 10개의 특징을 가진 데이터가 Day를 잘 분류할 수 있는지 확인하기 위한 실험을 진행하였다. 입력데이터는 10개의 특징을 가진 원본 데이터에서 k를 1~5로 변경하면서 생성한 각 1,000개씩의 데이터이다.
주요 고기로 소고기, 돼지고기, 닭고기를 대상으로 센서 데이터의 신뢰성을 검증한다. 특히 데이터의 노이즈가 존재할떄에 센서의 데이터 신뢰성에 대해 조사한다.

제안 방법

또한 상용화된 센서인 토리미터보다 우수한 성능을 보일 수 있는 센서에 대해 연구하였다. PCA 분석을 통해 소고기는 [pH, VBN, E.Coli], 닭고기는 [pH, TAB, E.Coli], 돼지고기는 [pH, TBARS, SF]으로 가장 기여도가 높은 세 종류의 센서를 선정하였다. 실험 결과 닭고기에서는 전체적으로 토리미터가 더 나은 성능을 보였다.
그림 1은 저장기간 동안의 소고기 표면의 변화를 보여준다. 경과일은 1, 3, 6, 9, 12, 15, 18로 3일간의 간격이고, 이 경과일마다 각 센서로 부패 진행을 측정한다.
다음으로 PCA 분석결과를 바탕으로 특징 차원을 세 개로 축소한 데이터를 사용해 실험을 진행하였다. 그림 5는 소고기, 돼지고기, 닭고기의 실험결과를 보여준다.
그림 5. 세개의 피처(3F)와 토리미터의 분류정확도 비교. k=[1,3,5].
본 연구에서는 심층신경망 모델을 기반으로 신선도 측정을 수행한다. 센서로부터 얻은 고기데이터의 정량적 저장기간 측정값을 특징으로 입력한 후에, 저장기간을 예측하는 분류 신경망을 구현한다. 센서의 개수가 N이면, N차원의 특징벡터(feature vector)가 입력되므로 입력노드의 개수는 N이다.
본 논문에서는 딥러닝 기반으로 센서 데이터의 신뢰성을 조사하였다. 실험에서는 노이즈를 포함하여 강건성도 검증하였다. 기존 토리미터보다 우수한 센서들을 연구하였다.
Day별로 고정된 σ에서 k가 증가하면 평균에서 좌우로 멀리 퍼진 데이터가 생성된다. 실험에서는 노이즈에 대한 신뢰성도 검증한다. k는 [1,5]의 범위에서 설정하였으며, 각 Day 별로 1,000개씩 샘플 데이터를 생성해서 총 7,000개의 학습데이터가 있다.
우선 토리미터를 제외한 9가지 센서값 특징들을 분석하여 Day를 분류하는데 기여도가 가장 큰 세 가지 특징을 선정한다. 그리고 선정된 특징들과 토리미터 두 가지로 데이터셋을 만든 후에, 이 두 종류의 데이터셋을 앞에서 제안한 신경망의 학습데이터로 사용한다.
축산분야에서는 소고기(beef), 돼지고기(pork), 닭고기(chicken)의 신선도(freshness) 또는 부패(spoilage)를 정확히 측정하는 것이 중요하다. 이를 위해서 다양한 센서를 이용해, 도축 후 며칠이 경과되었는지의 저장기간을 측정한다. 그러나 센서의 측정값은 편차가 존재하므로, 실제 저장기간이 10일이 경과되었는데, 15일로 판단하는 오판단이 종종 발생한다.
주요 고기로 소고기, 돼지고기, 닭고기를 대상으로 센서 데이터의 신뢰성을 검증한다. 특히 데이터의 노이즈가 존재할떄에 센서의 데이터 신뢰성에 대해 조사한다.
표 1~3의 실험데이터는 세 종류의 고기인 소고기, 돼지고기, 닭고기에서 측정한 10개의 센서 측정 데이터이다. 측정은 식품생체대사조절학실험실에서 수행되었다. 측정센서는 pH, 휘발성염기질소(Volatile basic nitrogen: VBN), 지방 산패도(Thiobarbituric acid reactive substances; TBARS), 일반세균(Total aerobic bacteria: TAB), 대장균(E.
해당 값들은 고기가 도축된 이후 3일 간격으로 측정하였다. 최대 8회까지 측정하여 평균과 표준편차의 두 가지 값을 얻었다.
현재 고기 신선도 측정에 많이 사용하고 있는 토리미터 ^[11]를 대체할 수 있는 센서가 있는지를 알아보기 위해서, 3개의 센서를 선택하여 성능을 비교 검증한다. 이를 위해 고기데이터의 신선도 측정값 중 기여도가 높은 센서를 선택한다.
현재 상용화가 되어 있는 토리미터보다 우수한 성능을 얻을 수 있는 센서데이터를 PCA를 이용하여 분석한다. 여기에서는 고기 종류에 따른 최적의 센서들을 선정한다.

대상 데이터

우선 토리미터를 제외한 9가지 센서값 특징들을 분석하여 Day를 분류하는데 기여도가 가장 큰 세 가지 특징을 선정한다. 그리고 선정된 특징들과 토리미터 두 가지로 데이터셋을 만든 후에, 이 두 종류의 데이터셋을 앞에서 제안한 신경망의 학습데이터로 사용한다. 실험에서는 선정한 세 가지의 특징이 토리미터보다 Day 분류에 더 나은 성능을 가지는지를 조사한다.
상기 관련 연구에서 보듯이 매우 다양한 측정 기술들이 사용되고 있다. 본 연구에서는 고기 신선도를 측정하기 위하여 총 10개의 센서를 이용한다. 고기 신선도 측정에는 다음의 10종류의 측정 센서가 연구 및 활용되고 있다; 1) pH, 2) 휘발성염기질소(Volatile basic nitrogen: VBN), 3) 지방 산패도(Thiobarbituric acid reactive substances: TBARS), 4) 일반 세균(Total aerobic bacteria: TAB), 5) 대장균 (E.
우선 10개의 특징을 가진 데이터가 Day를 잘 분류할 수 있는지 확인하기 위한 실험을 진행하였다. 입력데이터는 10개의 특징을 가진 원본 데이터에서 k를 1~5로 변경하면서 생성한 각 1,000개씩의 데이터이다. 신경망은 H1-DNN 을 사용하였다.
표 1~3의 데이터는 평균과 표준편차를 가지므로, 정규분포 N(x;μ,kσ2)를 통해 랜덤하게 샘플 데이터를 생성하여 신경망의 학습데이터로 사용한다.
표 1~3의 실험데이터는 세 종류의 고기인 소고기, 돼지고기, 닭고기에서 측정한 10개의 센서 측정 데이터이다. 측정은 식품생체대사조절학실험실에서 수행되었다.

이론/모형

센서값이 주어지면 이값으로 경과된 정확한 저장 기간을 판단하는 작업에 딥러닝 기술을 활용한다.
이를 위해 고기데이터의 신선도 측정값 중 기여도가 높은 센서를 선택한다. 어떤 데이터가 큰 기여도를 갖는지 분석하기 위해 통계적 패키지인 R의 PCA(Principal Component Analysis)를 이용하였다^[12].
육고기 신선도를 측정할 수 있는 방법으로 SVM(support vector machine), 선형회기(linear regression) 등의 기계학습 기법들이 있는데, 최근에 딥러닝의 학습 및 분류 능력의 우수하기 때문에^[7-9] 본 연구에서는 심층신경망 모델을 기반으로 신선도 측정을 수행한다. 센서로부터 얻은 고기데이터의 정량적 저장기간 측정값을 특징으로 입력한 후에, 저장기간을 예측하는 분류 신경망을 구현한다.
표 4는 실험에서 사용한 신경망의 파라메타값을 보여준다. 최적화는 Adam을 사용하였다. p₁과 p₂는 각각 0.

성능/효과

그러나 k가 증가함에 따라 정확도가 감소하는 것을 확인할 수 있다. 그림 3(a)의 소고기를 보면, k=1에서 분류 정확도는 100%으로 수렴하지만, k가 증가하면 정확 도는 감소함을 관찰할 수 있다. 정확도 ≧ 95%을 얻을려면 센서값의 편차는 k<2이어야 한다.
전체적으로 3-Feature가 성능이 좋음을 알 수 있다. 그림 5(b)의 돼지고기는 3- Feature가 모든 k값에 대해서 토리미터보다 우수한 분류 성능을 보여준다. 그림 5(c)의 닭고기에서는 노이즈가 적은 k=1에서 토리미터가 3-Feature보다 좋은 성능을 보이지만, k=2, 3에서는 3-Feature의 분류성능이 우수하다.
닭고기는 전체적으로 토리미터가 우수하다는 실험결과가 나온다. k=3, H1-DNN과 k=3, H3-DNN에서만 3F가 토리미터보다 분류능력이 우수하지만, 다른 k, DNN모델에서는 모두 토리미터가 우수하다. 닭고기에는 토리미터 센서가 적합하다는 실험결과이다.
돼지고기에서는 모든 경우에서 선정된 센서가 토리미터보다 월등히 나은 성능을 보여주었다. 본 논문의 실험 결과는 닭고기에 서 좋은 성능을 보여주는 토리미터와 소고기, 돼지고기에서 좋은 성능을 보여주는 세 종류의 센서를 혼합하면, 더욱 범용성 있는 센서 개발이 가능하다.
Coli], 돼지고기는 [pH, TBARS, SF]으로 가장 기여도가 높은 세 종류의 센서를 선정하였다. 실험 결과 닭고기에서는 전체적으로 토리미터가 더 나은 성능을 보였다. 소고기에서는 큰 노이즈를 가질수록 선정된 센서가 더 나은 성능을 보여주었다.
본 논문에서는 딥러닝을 기반으로 하여 소고기, 닭고기, 돼지고기에 대한 멀티센서 측정의 노이즈 강건성을 조사하였다. 실험 결과는 가장 큰 노이즈에서도 90%이상의 분류 정확도를 보여주었으며, 멀티센서를 사용하는 것이 큰 노이즈에도 강건하다는 것을 증명하였다. 또한 상용화된 센서인 토리미터보다 우수한 성능을 보일 수 있는 센서에 대해 연구하였다.
이 현상은 측정 성능의 저하의 원인이 된다. 전체적으로 모든 센서 데이터에서 발생하는데, 만족스러운 성능을 얻기 위해서는 멀티센서의 데이터가 필요하다는 것을 보여준다.

후속연구

적은 샘플데이터로 분석한 결과이어서, 증강된 데이터를 공급이 되면 보다 정확한 분석이 가능하다. 또한 향후에는 증강 데이터를 기반으로 소고기 등 외에도 다른 고기종류에서 제안 방법을 적용할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	축산 판매장에서 판매하는 고기들의 신선도 측정는 무엇을 위해 필요한 기술인가?	축산 판매장에서 판매하는 고기들의 신선도 측정은 소비자의 건강을 위해 필요한 기술이다. 신선도 측정을 목적으로 다양한 센서가 연구 개발되고 있다.
	축산물의 신선도를 판정하기 위한 센서는 어떠한 원리를 활용하는가?	최근 축산물의 신선도를 판정하기 위한 센서가 생산 판매되고 있다. 주로 부패에 의해 발생하는 암모니아와 같은 휘발성 물질의 농도를 색으로 변환하는 원리를 활용하고 있다. 축산분야에서는 소고기(beef), 돼지고기(pork), 닭고기(chicken)의 신선도(freshness) 또는 부패(spoilage)를 정확히 측정하는 것이 중요하다.
	고기의 신선도를 측정하기 위해 어떠한 방법들이 소개되어왔는가?	고기의 신선도를 측정하기 위해서 다양한 방법들이 소개되어 왔다. Xiao 등은 고기의 신선도를 측정하기 위해서 near infrared spectroscopy, pH, CO2, VOC(volatile organic compound)를 조사하여, 신선도와의 상관성을 조사하였다[1]. Mlroljub 등은 spectrophotometer로부터 획득한 데이터에서 PCA를 이용하여 3개의 spectral 데이터를 찾은 후에, 신경망의 입력으로 사용한다[2]. 출력은 storage day를 category로 사용하였다. Peiyuan 등은 VBN 센서의 고기 신선 도의 정확도를 증명하기 위해서 입력으로 HSI 컬러와 H2S 및 HN3을 입력으로 한 신경망을 소개하였다[3]. 멀티센서를 처리하는 방법으로 Timson 등은 hydrogen 등의 8개의 센서 데이터를 입력으로 하고, 출력으로 1, 2, 3, 8일의 닭고기의 storage day를 클래스로 한 신경망을 사용한다[4]. 고기가 부패할 때 VOC가 발생한다. Bakhoum 등은 이 VOC를 측정 하기위해 pH, 값을 측정한 후, 패턴인식을 이용하여 VOC를 예측한다[5].

참고문헌 (12)

W. Xiao, W. Bao Y. Jin, L. Lu, G. Luo, and Y. Wu, "Investigation of food freshness sensing technology for consumer use", Progress In Electromagnetic Research Symposium (PIERS), Shanghai, China, 8-11 Aug. 2016.
M. Mladenov, M. Dejanov, S. Penchev, "Evaluation of the freshness of food products by predictive models and neural networks - a comparative analysis", IEEE 8th International Conference on Intelligent Systems, 2016.
G. Peiyuan, B. Man, Qu Shiha and C. Tianhua, "Detection of meat fresh degree based on neural network", Proc. of IEEE Int' Conf. on Mechatronics and Automation, Harbin, China, 2007
K. Timsorn, C. Wongchoosuk, P. Wattuya, S. Promdaen and S. Sittichat, "Discrimination of chicken freshness using electronic nose combined with PCA and ANN", 11th Int' Conf. on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, 2014.
E. Bakhoum, H. Marvin, M. Cheng, and R. Kyle, "Low-cost, high-accuracy method and apparatus for detecting meat Spoilage", IEEE Tran. On Inst. and Measure., Vol. 65, No. 7, pp. 1707-1715, July 2016

상세보기
M. Baby and L. Philip, "Low-cost embedded system for detection of E.Coli bacteria in meat", Int' Conf. on Next Generation Intelligent Systems, 2016.
S. Lee, C. Choi, and M. Kim, "CNN-based people recognition for vision occupancy sensors", Journal of Broadcast Engineering, Vol. 23, No. 2, March 2018, pp. 274-282.
E. Kim and W. Kim, "Face anti-spoofing based on combination of luminance and chrominance with convolutional neural networks", Journal of Broadcast Engineering, Vol. 24, No. 6, pp. 1113-1121, Nov. 2018.
J. Yuna, H. Nagaharab, and I. Park, "Classification and restoration of compositely degraded Images using deep learning", Journal of Broadcast Engineering, Vol. 24, No. 3, May 2019.
L. Maaten and G. Hinton, "Visualizing Data using t-SNE", Journal of Machine Learning Research, Vol. 9, pp. 2579-2605, 2008.
J. Sujiwo, H. J. Kim, S. Song and A. Jang, "Relationship between quality and freshness traits and torrymeter values of beef loin during cold storage", Meat Science, 149, pp. 120-125, 2019

상세보기
https://www.r-project.org/, accessed on Dec. 2019

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