[논문]반향 소리를 이용한 기계 학습 기반 수박의 당도 예측

김기훈; 우지환

doi:10.15207/jkcs.2020.11.8.001

반향 소리를 이용한 기계 학습 기반 수박의 당도 예측
Prediction of watermelon sweetness using a reflected sound 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.8, 2020년, pp.1 - 6

김기훈 (울산대학교 의용생체공학전공) , 우지환 (울산대학교 전기공학부 의공학전공)

초록
AI-Helper

수박의 맛을 평가하는 다양한 방식이 있으나, 기존의 방법들은 주관적 방식, 평가 비용, 대상의 손상 등과 같은 평가 방식의 한계점이 있다. 최근에는 이러한 단점들을 해소하기 위해 소리를 이용하여 수박을 평가하는 연구들이 진행되고 있다. 본 연구에서는 수박을 두드렸을 때 나는 반향 소리를 AI기반의 기계 학습을 이용하여 수박의 당도를 예측하는 모델을 개발 하였다. 수박의 당도가 높을수록 높은 주파수 성분이 특이점으로 나타나며, 따라서 반향소리 시간-주파수 특이점에 기반 하여 기계 학습 방법을 개발하였다. 2개의 수박 당도별 그룹을 구분 시에 83.2%, 3개의 그룹을 구분시에 59.6%의 정확도로 당도를 예측 할 수 있었다.

Abstract ▼ AI-Helper

There are various approaches to evaluate a watermelon sweetness. However, there are some limitations to evaluating cost, watermelon damage, and subjective issue. In this study, we developed a novel approach to predict a watermelon sweetness using reflected sound and the machine learning algorithm. It was observed that higher brix watermelon produced higher spectral power is reflected sound. Based on the spectral-temporal features of reflected sound, the machine learning algorithms could accurately predict the sweetness group at a rate of 83.2 and 59.6 % in 2-groups and 3-groups classification, respectively.

주제어

표/그림 (7)

그림 Fig. 1. Example of recording the reflected sound of watermelon in a noiseless room and (b) The position where the watermelon was knocked to record the reflected sound of the watermelon (⨂) and the position of measuring the sugar content of the watermelon (•)
표 Table 1. Watermelon grouping for predicting Brix and the number of watermelon reflected sound for machine learning
그림 Fig. 2. Sugar distribution of the entire watermelon and sugar distribution by group of arbitrary watermelon models I and II for sugar prediction.
그림 Fig. 3. Example of frequency analysis of the reflected sound of (a) group 1, (b) group 2, (c) group 3 according to the brix of watermelon. The white box shows the time-frequency band where group-specific differences are observed.
표 Table 2. Brix prediction accuracy according to time and frequency window to find optimized feature
그림 Fig. 4. Brix prediction accuracy according to machine learning algorithm in (a) brix prediction model I and (b) brix prediction model II
그림 Fig. 5. Confusion Matrix showing the accuracy of brix prediction according to (a) Linear SVM, (b) Quadratic SVM method in model I watermelon, and (c) Linear SVM and (d) brix prediction according to Quadratic SVM method in Model II watermelon

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 반향소리를 이용한 수박의 당도 예측이 가능함을 보여줄 수 있었으며, 일반적으로 사용하는 수박을 두드렸을 때 나는 반향소리에 기반한 수박의 주관적 당도 예측 방법을 객관적으로 구분할 수 있는 방법으로 제시하였다.
일반적으로 수박을 구매하려는 사람들이 토양의 상태와 수박의 재배 및 수확 과정에 대한 정보를 얻기 힘들기 때문에 익은 정도에 대한 정보만 이용하여 수박을 평가하는 것은 한계가 있다. 따라서 본 연구에서는 수박의 반향 소리를 이용하여 수박의 질의 한 요소인 당도(Brix)를 예측할 수 있는 방법을 개발하였다. 수박의 반향 소리의 주파수 성분을 기계 학습모델 (machine-learning model)을 학습시키기 위한 특이점으로 사용하였으며, 이에 기반하여 당도의 정도를 예측하고자 한다.
본 연구에서는 수박을 두드렸을 때 나는 반향소리의 시간-주파수 영역의 특이점이 수박의 당도를 예측 할 수 있는 지표로 판단되었다. 당도에 따라 수박을 그룹화 하였으며, 이를 토대로 기계학습 방식을 적용하여 당도 그룹을 예측하였을 때, 높은 정확도로 예측하였다.
따라서 본 연구에서는 수박의 반향 소리를 이용하여 수박의 질의 한 요소인 당도(Brix)를 예측할 수 있는 방법을 개발하였다. 수박의 반향 소리의 주파수 성분을 기계 학습모델 (machine-learning model)을 학습시키기 위한 특이점으로 사용하였으며, 이에 기반하여 당도의 정도를 예측하고자 한다.

제안 방법

, Japan)을 이용하여 3 cm 거리를 두고 측정하였으며, Fig. 1 (a)와 같이 수박의 중심선을 기준으로 4곳의 위치를 순차적으로 3번씩 두드린 소리를 측정하였다. 수박의 두드림을 위해서 5명 (남성 4명, 여성 1명)이 참여하였으며, 수박을 두드릴 때는 일상생활에서 수박을 두드리듯 네 손가락의 중간부분을 이용하여 두드리도록 하였다.
2개의 그룹 분류 시에는 당도를 8.5-10.0와 10.5-13.0 °Bx의 두 그룹으로 나누었으며, 3개의 그룹 분류 시에는 8.5-9.6, 9.6-10.5, 10.5-13.0 °Bx의 그룹으로 수박을 나누었다.
특징 윈도우의 최적화된 값은 minimum Redundancy and Maximum Relevance (mRMR)방식을 이용하여 분류에 효과적인 시간-주파수 대역의 특징의 중요도에 따라 순서를 정하였다[15]. 계산된 특이점들을 Bagged Trees, Coarse K Nearest Neighbor (KNN), Linear Support Vector Machine (SVM), Medium KNN, Medium Tree, Subspace KNN,Simple Tree, Quadratic SVM, Weighted KNN의 9가지의 기계 학습 알고리즘 (machine-learning algorithm)에 기반하여 2개의 당도 그룹 또는 3개의 당도 그룹에 대한 분류의 정확도를 평가하였다.
그러나 본 연구에서는 수박을 당도에 따라 그룹화 하여 수박의 당도를 예측하였다. 추후 그룹의 세분화 또는 당도의 수치화에 기반한 당도의 예측 연구가 필요하다.
본 연구에서는 수박을 두드렸을 때 나는 반향소리의 시간-주파수 영역의 특이점이 수박의 당도를 예측 할 수 있는 지표로 판단되었다. 당도에 따라 수박을 그룹화 하였으며, 이를 토대로 기계학습 방식을 적용하여 당도 그룹을 예측하였을 때, 높은 정확도로 예측하였다. 따라서 본 연구에서는 반향소리를 이용한 수박의 당도 예측이 가능함을 보여줄 수 있었으며, 일반적으로 사용하는 수박을 두드렸을 때 나는 반향소리에 기반한 수박의 주관적 당도 예측 방법을 객관적으로 구분할 수 있는 방법으로 제시하였다.
추후 그룹의 세분화 또는 당도의 수치화에 기반한 당도의 예측 연구가 필요하다. 또한 본 연구에서는 일상생활에서의 데이터 기반으로 하기 위해 각 참여자 별로 수박의 두드리는 힘, 속도, 시간을 제어하지는 않았다. 이러한 조건의 비구속이 예측의 오류의 한 원인으로 판단된다.
본 연구에서는 수박의 당도 예측을 위하여 Table 1과 같이 당도 예측 모델 Ⅰ과 당도 예측 모델 Ⅱ로 나누었으며, 당도 예측 모델 Ⅰ은 당도에 따른 2개의 그룹, 당도 예측 모델 Ⅱ는 3개의 그룹으로 분류하여 각각의 수박이 해당되는 그룹을 예측하고자 하였다. 2개의 그룹 분류 시에는 당도를 8.
본 연구에서는 시간-주파수 영역의 spectrogram으로부터 최적의 특이점을 추출하기 위하여, Table 2와 같이 주파수 window 사이즈는 12, 25, 46 Hz로 시간 window 사이즈는 21, 31, 36, 46, 53, 63, 71, 83 ms로 하여 Linear SVM 방식으로 두 그룹의 분류를 진행하 였다. 이에 대해 주파수 window가 12 Hz, 시간 window가 46 ms인 경우 최고 분류 정확도를 도출할 수 있었으며, 따라서 본 연구에서는 위의 방식에 기반하여 특이점을 계산하였다.
1 (a)와 같이 수박의 중심선을 기준으로 4곳의 위치를 순차적으로 3번씩 두드린 소리를 측정하였다. 수박의 두드림을 위해서 5명 (남성 4명, 여성 1명)이 참여하였으며, 수박을 두드릴 때는 일상생활에서 수박을 두드리듯 네 손가락의 중간부분을 이용하여 두드리도록 하였다. 반향 소리의 측정은 소음이 통제된 차음실 (sound-proof room)에서 진행하였으며, 소리의 측정 및 저장은 본 연 구팀에서 개발한 Matlab (Mathwork Co.
수박의 반향 소리는 Short-Time Fourier Transform (STFT)을 활용하여 시간-주파수 영역의 데이터로 변형하여 특성을 추출하였다(Fig. 3 참고)[14]. 특징 윈도우의 최적화된 값은 minimum Redundancy and Maximum Relevance (mRMR)방식을 이용하여 분류에 효과적인 시간-주파수 대역의 특징의 중요도에 따라 순서를 정하였다[15].
본 연구에서는 시간-주파수 영역의 spectrogram으로부터 최적의 특이점을 추출하기 위하여, Table 2와 같이 주파수 window 사이즈는 12, 25, 46 Hz로 시간 window 사이즈는 21, 31, 36, 46, 53, 63, 71, 83 ms로 하여 Linear SVM 방식으로 두 그룹의 분류를 진행하 였다. 이에 대해 주파수 window가 12 Hz, 시간 window가 46 ms인 경우 최고 분류 정확도를 도출할 수 있었으며, 따라서 본 연구에서는 위의 방식에 기반하여 특이점을 계산하였다. Fig.

대상 데이터

본 연구에서는 수박의 반향 소리에 기반한 당도 예측을 위한 모델 개발 및 검증을 위하여 30개의 수박을 사용하여 반향 소리 데이터를 수집하였으며, 수박은 계절별 특이성을 고려하여 구매시기가 3개월 내의 수박을 사용하였다.

이론/모형

수박의 두드림을 위해서 5명 (남성 4명, 여성 1명)이 참여하였으며, 수박을 두드릴 때는 일상생활에서 수박을 두드리듯 네 손가락의 중간부분을 이용하여 두드리도록 하였다. 반향 소리의 측정은 소음이 통제된 차음실 (sound-proof room)에서 진행하였으며, 소리의 측정 및 저장은 본 연 구팀에서 개발한 Matlab (Mathwork Co., USA) 기반의 프로그램을 활용하였다. 수박의 당도는 수박의 위치에 따라 다르다[13].
3 참고)[14]. 특징 윈도우의 최적화된 값은 minimum Redundancy and Maximum Relevance (mRMR)방식을 이용하여 분류에 효과적인 시간-주파수 대역의 특징의 중요도에 따라 순서를 정하였다[15]. 계산된 특이점들을 Bagged Trees, Coarse K Nearest Neighbor (KNN), Linear Support Vector Machine (SVM), Medium KNN, Medium Tree, Subspace KNN,Simple Tree, Quadratic SVM, Weighted KNN의 9가지의 기계 학습 알고리즘 (machine-learning algorithm)에 기반하여 2개의 당도 그룹 또는 3개의 당도 그룹에 대한 분류의 정확도를 평가하였다.

성능/효과

또한, 예측 정도를 각 셀의 색으로 나타내었으며, 주대각선에 해당하는 셀의 색이 짙을수록 높은 정확도를 나타낸다. 2개의 당도 그룹 분류 방법에서는 Fig. 5 (a)에서 보이는 바와 같이 그룹 1, 그룹 2에서 각각 약 80 %의 분류 정확도를 보여주고 있다. 반면에, 3개의 당도 그룹으로 분류한 방법에서는 그룹 1과 그룹 2간에, 또한 그룹 2와 그룹 3간의 잘못된 예측이 많이 나타남을 볼 수 있다.
4와 같다. Linear SVM 방식이 2 그룹의 분류에서 83.2 % (chance level = 50.0 %), 3 그룹의 분류에서 59.6 % (chance level = 33.3 %)로 계산되었다. Quadratic SVM은 각각 82.
3 %)로 계산되었다. Quadratic SVM은 각각 82.4 %, 57.9 %의 정확도를 보여 두 번째로 정확한 당도 분류 정확도를 도출하였다. Fig.
세로축은 test group을, 가로축은 각 예측 알고리즘에 의해서 예측한 predicted group을 나타내며, 각 셀의 값은 예측된 정도를 나타내고 있다. 또한, 예측 정도를 각 셀의 색으로 나타내었으며, 주대각선에 해당하는 셀의 색이 짙을수록 높은 정확도를 나타낸다. 2개의 당도 그룹 분류 방법에서는 Fig.
수박의 반향소리를 주관적으로 판단 할 때 잘 익은 수박은 맑고 청아한 소리가 나며 잘 익지 않은 수박은 둔탁한 소리가 난다고 알려져 있으며, 한 연구에 따르면 잘 익은 수박은 잘 익지 않은 수박에 비해 소리가 더 오래 지속되며, 높은 주파수 대역이 더 강하게 나타난다고 보고하고 있다[5]. 수박의 익은 정도와 수박의 당도는 관계가 있기 때문에, 본 연구에서 당도가 높은 수박이 당도가 낮은 수박에 비해 수박을 두드리고 일정 시간 후에 더 높은 주파수 대역에서 강한 파워가 나타나는 것을 볼 수 있다. 이러한 결과는 반향 소리를 이용하여 수박의 당도를 예측하는 지표 및 특이점으로 사용 가능함을 보여 준다.

후속연구

또한, 단순 기계학습 방식 외에 많은 학습 데이터 학보 후 심층 학습 (deep-learning)과 같은 방식을 적용한다면 예측정확도를 향상 시킬 수 있으리라 기대한다. 또한 본 연구에서 개발한 모델이 적용 된 휴대폰 어플리케이션이나 당도 예측용 디바이스가 개발 된다면, 전문지식이 없는 일반인들도 간편하게 맛있는 수박을 구분 할 수 있을 것이라고 판단된다.
또한, 본 연구에서는 반향 소리의 주파수-시간 영역의 스펙트로그램에 기반한 특이점만을 사용하였으나, 소리의 지속시간, 소리의 포락선 형태와 같은 다양한 특이점을 이용한 예측의 접근이 필요하다고 본다. 또한, 단순 기계학습 방식 외에 많은 학습 데이터 학보 후 심층 학습 (deep-learning)과 같은 방식을 적용한다면 예측정확도를 향상 시킬 수 있으리라 기대한다. 또한 본 연구에서 개발한 모델이 적용 된 휴대폰 어플리케이션이나 당도 예측용 디바이스가 개발 된다면, 전문지식이 없는 일반인들도 간편하게 맛있는 수박을 구분 할 수 있을 것이라고 판단된다.
이러한 조건의 비구속이 예측의 오류의 한 원인으로 판단된다. 또한, 본 연구에서는 반향 소리의 주파수-시간 영역의 스펙트로그램에 기반한 특이점만을 사용하였으나, 소리의 지속시간, 소리의 포락선 형태와 같은 다양한 특이점을 이용한 예측의 접근이 필요하다고 본다. 또한, 단순 기계학습 방식 외에 많은 학습 데이터 학보 후 심층 학습 (deep-learning)과 같은 방식을 적용한다면 예측정확도를 향상 시킬 수 있으리라 기대한다.
수박의 익은 정도와 수박의 당도는 관계가 있기 때문에, 본 연구에서 당도가 높은 수박이 당도가 낮은 수박에 비해 수박을 두드리고 일정 시간 후에 더 높은 주파수 대역에서 강한 파워가 나타나는 것을 볼 수 있다. 이러한 결과는 반향 소리를 이용하여 수박의 당도를 예측하는 지표 및 특이점으로 사용 가능함을 보여 준다.
그러나 본 연구에서는 수박을 당도에 따라 그룹화 하여 수박의 당도를 예측하였다. 추후 그룹의 세분화 또는 당도의 수치화에 기반한 당도의 예측 연구가 필요하다. 또한 본 연구에서는 일상생활에서의 데이터 기반으로 하기 위해 각 참여자 별로 수박의 두드리는 힘, 속도, 시간을 제어하지는 않았다.

질의응답

핵심어	질문	논문에서 추출한 답변
	맛있는 수박을 평가하기 위한 주관적인 방법에는 무엇이 있는가?	맛있는 수박을 평가하기 위하여 다양한 방법들이 활용되고 있으며, 이러한 방법들은 주관적인 방법과 객관적인 방법으로 나누어진다. 주관적인 방법으로는 수박 외부의 모양이나 색깔 등을 경험적인 방법에 의하여 맛을 예측하거나, 또는 소량을 직접 시식하여 맛을 평가하는 방법이 있다. 그러나 이러한 주관적인 예측 및 평가 방식은 정확한 기준을 정하지 않고 개인의 기준에 따르기 때문에 평가 및 예측에 한계가 있다.
	빛을 이용하는 방식이란?	최근에는 이러한 주관적 평가•예측 방식의 한계를 극복하고자, 다양한 방식의 객관적인 평가 방식이 활용되고 있다. 빛을 이용하는 방식은 근적외선 분광 법(vis / NIR)기술에 기반하여 빛의 확산 및 투과 스펙트럼의 특성변화를 이용하는 평가 방식이다[1,2]. 그러나 이러한 빛을 이용하는 방식은 측정 시에 빛이나 온도 등의 외부적 환경에 민감할 수 있다는 단점이 있다.
	X-ray 영상이나 MRI에 기반한 과일의 맛을 평가하는 방법의 제한점은 무엇인가?	수박은 일반적으로 충분히 익을수록 당도가 증가하고, 이에 따라 밀도가 증가하기 때문에 앞서 말한 방식에 기반한 밀도의 측정으로 수박의 당도 및 맛을 예측하는 방법을 사용한다[6,7]. 그러나 X-ray나 MRI 장치는 비교적 고가여서, 수박의 맛을 예측하기 위한 대중적인 방법으로 사용하기에는 제한 점이 있다.

참고문헌 (15)

Jie, D. F., Xie, L. J., Fu, X. P., Rao, X. Q. & Ying, Y. B. (2013). Variable selection for partial least squares analysis of soluble solids content in watermelon using near-infrared diffuse transmission technique. Journal of Food Engineering, 118(4), 387-392. DOI:10.1016/j.jfoodeng.2013.04.027

상세보기
Jie, D. F., Zhou, W. H. & Wei, X. (2019). Nondestructive detection of maturity of watermelon by spectral characteristic using NIR diffuse transmittance technique. Scientia Horticulturae, 257. DOI:108718, 10.1016/j.scienta.2019.108718
Fuzeng Yang, L. Y., Qing Yang & Likui Kang. (2009). Nondestructive detection of the internal quality of apple using X-ray and machine vision. LWT-Food Science and Technology, 41(9), 1720-1725. DOI:10.1007/978-1-4419-0213-9_20
Milczarek, R. R., Saltveit, M. E., Garvey, T. C. & McCarthy, M. J. (2009). Assessment of tomato pericarp mechanical damage using multivariate analysis of magnetic resonance images. Postharvest Biology and Technology, 52(2), 189-195. DOI:10.1016/j.postharvbio.2009.01.002

상세보기
Sun, T. et al. (2010). Research advances in nondestructive determination of internal quality in watermelon/melon: A review. Journal of Food Engineering, 100(4), 569-577. DOI:10.1016/j.jfoodeng.2010.05.019

상세보기
Diezma-Iglesias, B., Ruiz-Altisent, M. & Barreiro, P. (2004). Detection of internal quality in seedless watermelon by acoustic impulse response. Biosystems Engineering, 88(2), 221-230. DOI:10.1016/j.biosystemseng.2004.03.007

상세보기
Kyriacou, M. C., Leskovar, D. I., Colla, G. & Rouphael, Y. (2018). Watermelon and melon fruit quality: The genotypic and agro-environmental factors implicated. Scientia Horticulturae, 234, 393-408. DOI:10.1016/j.scienta.2018.01.032

상세보기
Shah Rizam M. Shah Baki, M. Z. M. a., Ihsan M. Yassin, Hasliza A. Hassan & Azlee Zabidi. (2010). Non-Destructive Classification of Watermelon Ripeness using MelFrequency Cepstrum Coefficients and Multilayer Perceptrons. The 2010 International Joint Conference on Neural Networks (IJCNN), 1-6. DOI:10.1109/ijcnn.2010.5596573
Chen, X., Yuan, P. P. & Deng, X. Y. (2018). Watermelon ripeness detection by wavelet multiresolution decomposition of acoustic impulse response signals. Postharvest Biology and Technology, 142, 135-141. DOI:10.1016/j.postharvbio.2017.08.018

상세보기
Zeng, W., Huang, X. F., Arisona, S. M. & McLoughlin, I. V. (2014). Classifying watermelon ripeness by analysing acoustic signals using mobile devices. Personal and Ubiquitous Computing, 18(7), 1753-1762. DOI:10.1007/s00779-013-0706-7

상세보기
Ikeda, T., Choi, P. K., Ishii, T., Arai, I. & Osawa, M. (2015). Firmness evaluation of watermelon flesh by using surface elastic waves. Journal of Food Engineering, 160, 28-33. DOI:10.1016/j.jfoodeng.2015.03.020

상세보기
Leskovar, D., Othman, Y. & Dong, X. J. (2016). Strip tillage improves soil biological activity, fruit yield and sugar content of triploid watermelon. Soil & Tillage Research, 163, 266-273. DOI:10.1016/j.still.2016.06.007

상세보기
Qian, M., Huang, W. Q., Wang, Q. Y., Fan, S. X., Zhang, B. H. & Chen, L. P. (2016). Assessment of Influence Detective Position Variability on Precision of Near Infrared Models for Soluble Solid Content of Watermelon. Spectroscopy and Spectral Analysis, 36(6), 1700-1705. DOI:10.3964/j.issn.1000-0593(2016)06-1700-06

상세보기
Muller, M., Ellis, D. P. W., Klapuri, A. & Richard, G. (2011). Signal Processing for Music Analysis. IEEE Journal of Selected Topics in Signal Processing, 5(6), 1088-1110. DOI:10.1109/Jstsp.2011.2112333

상세보기
Peng, H. (2005). Feature Selection Based Mutual Information: Criteria of Max-Dependency, Max-Relevance and Min-Redundancy. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27, 1226-1238. DOI:10.1109/tpami.2005.159

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