[논문]머신러닝 기반 고춧가루 원산지 판별기법

유성민; 박민서

doi:10.17703/jcct.2022.8.4.355

머신러닝 기반 고춧가루 원산지 판별기법
Detection of Red Pepper Powders Origin based on Machine Learning 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.8 no.4, 2022년, pp.355 - 360

유성민 (서울여자대학교 데이터과학전공) , 박민서 (서울여자대학교 데이터사이언스학과)

초록
AI-Helper

최근 국내산 고추의 생산 비용 상승과 수입산 고추의 도입으로 고춧가루 원산지 허위표기 등의 피해사례가 속출하고 있다. 이에 따라 원산지를 신속하고 정확하게 판별하는 문제가 대두되었다. 기존의 고춧가루 원산지 판별법의 경우 무기 및 유기성분을 실험적으로 대조 및 분석하여 비용과 시간이 많이 든다는 한계가 있다. 이를 보완하기 위해, 본 연구는 머신러닝을 도입하여 국내산, 수입산 고춧가루 분류를 제안한다. 고춧가루에 포함된 53가지 성분에 대하여 머신러닝 모델을 설계하고 검증하였다. 본 연구를 통해 어떠한 성분이 원산지 판별 시 중요하게 활용되는지 파악 할 수 있었다. 추후 고춧가루뿐만 아니라 다양한 식품으로 확장하여 원산지 판별에 드는 비용을 보다 줄일 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

As the increase cost of domestic red pepper and the increase of imported red pepper, damage cases such as false labeling of the origin of red pepper powder are issued. Accordingly we need to determine quickly and accurately for the origin of red pepper powder. The used method for presently determining the origin has the limitation in that it requires a lot of cost and time by experimentally comparing and analyzing the components of red pepper powder. To resolve the issues, this study proposes machine learning algorithm to classifiy domestic and imported red pepper powder. We have built machine learning model with 53 components contained in red pepper powder and validated. Through the proposed model, it was possible to identify which ingredients are importantly used in determining the origin. In the near future, it is expected that the cost of determining the origin can be further reduced by expanding to various foods as well as red pepper powder.

주제어

표/그림 (5)

그림 그림 1. 고춧가루 원산지 판별을 위한 머신러닝 알고리즘 Figure 1. ML-based Red-Pepper Powder Origin Detection Process
표 표 1. VIF 값이 10 미만인 최종 선정된 변수들 Table 1. Features without High Multicollinearity
표 표 2. 대표적인 분류 알고리즘 4가지의 성능비교 Table 2. Comparison with 4 ML Algorithms
표 표 3. 의사결정나무의 성능 검증 Table 3. Decision Tree Performance Evaluation: Accuracy, Precision, Recall, F1-score
그림 그림 2. 의사결정나무의 시각화 Figure 2. Visualization of Red-Pepper Powder Using Decision Tree

참고문헌 (27)

KOREA RURAL ECONOMIC INSTITUTE, "Causes and implications causes of the dried pepper industry in the crisis", 2017.
S. W. Kim, S. H. Song, S. J. No, J. S. Gang, S. Y. KIM and Y. M. Song, "Research on measures to investigate and improve red pepper powder mixed distribution", KOREA RURAL ECONOMIC INSTITUTE, 2017.
KOREA COAST GUARD, "Illegal importers caught using Chinese red pepper powder as seasoning", 2021.
B. S. Park, "Creating the geographical origin of agricultural products : discourses on NIRS analysis in the courts", Graduate Program of Science Journalism, 2015.
Y. R. Lim et al., "Effects of Drying Methods on Quality of Red Pepper Powder," Journal of the Korean Society of Food Science and Nutrition, vol. 41, no. 9, pp. 1315-1319, Sep 2012. https://doi.org/10.3746/jkfn.2012.41.9.1315

원문보기 상세보기
H. R. Bae, S. K. Lee, I. J. Whang, J. M. Kang, J. H. Lee, and J. H. Kim, "Discrimination of Geographic Origin by Trace Elements Contents inRehmannia Radix Preparatusing X-ray Fluorescence Analysis," Journal of Applied Biological Chemistry, vol. 58, no. 4, pp. 345-348, Dec 2015. https://doi.org/10.3839/jabc2015.054
N. Y. Lee, H. R. Bae, C. L. Lim, B. S. Noh, "Discrimination of Geographical Origin of Mushroom (Tricholoma matsutake) using Electronic Nose Based on Mass Spectrometry". Food Engineering Progress, vol. 10, no. 4, pp.275-279, 2006.
H. J. Oh, G. A. Ko, M. Y. Yang, Y. J. Kim, "Stable Isotope Ratio Analysis for Origin Authentication of Red Pepper Powders and Soybeans", Journal of the Korean Society of Food Science and Nutrition, vol. 50, no. 6, pp. 570-576, Jun 2021. https://doi.org/10.3746/jkfn.2021.50.6.570

상세보기
J. K. Chun, S. K. Park, "Originals:Color Measurement of Red Pepper Powder and its Relationship with the Quality", Applied Biological Chemistry, vol. 22, no. 1, pp.18-23, 1979.
H. S. Kwon, N. Y. Lee, S. J. Kim, S. S. Chung, J. H. Kim, "RESEARCH PAPER : Discrimination of Geographical Origin and Seed Content in Red Pepper Powder by Near Infrared Reflectance Spectroscopic Analysis", Journal of the Korean Oil Chemists Society, vol. 16, no. 2, pp.155-315, 1999. https://doi.org/10.12925/jkocs.1 999.16.2.6

원문보기 상세보기
S. Kang, K. Lee, J. Lim, C. Mo, J. Park, J. Kim. "Color difference between domestic and imported red pepper powder". Korea Socierty for Agricultural Machinery, vol. 17, no. 1, pp.405-408, 2012.
J. E Lee et al., "Distinguishing Korean and Chinese red pepper powder using inductively coupled plasma and X-ray fluorescence-based analysis.", Food Science and Biotechnology, vol. 30, no. 12, pp.1497-1507, Sep 2021. https://doi.org/10.1007/s10068-021-00980-2

상세보기
S. H. Moon, "Analysis of AI-Applied Industry and Development Direction," The journal of the convergence on culture technology, vol. 5, no. 1, pp. 77-82, Feb 2019. https://doi.org/10.17703/JCCT.2019.5.1.77

원문보기 상세보기
S. E. Moon, S. B. Jang, J. H. Lee and J. S. Lee, "Machine Learning and Deep Learning Technology Trends". Information & communications magazine, vol. 33, no.10, pp. 49.0-56.0, 2016.
Cunningham, Padraig, Matthieu Cord, and Sarah Jane Delany. "Supervised learning." Machine learning techniques for multimedia. Springer, Berlin, Heidelberg, pp.21-49. 2008. https://doi.org/10.1007/978-3-540-75171-7_2
WRIGHT, Raymond E. "Logistic regression". 1995.
Safavian, S. Rasoul, and David Landgrebe. "A survey of decision tree classifier methodology." IEEE transactions on systems, man, and cybernetics, vol. 21, no. 3. pp. 660-674, 1991. DOI: 10.1109/21.97458

상세보기
Breiman, Leo., "Random forests", Machine Learning, vol. 45, no. 1, pp. 5-32, 2001, https://doi.org/10.1023/A:1010933404324
Boser, Bernhard E., Isabelle M. Guyon, and Vladimir N. Vapnik. "A training algorithm for optimal margin classifiers." In Proceedings of the fifth annual workshop on Computational learning theory, pp. 144-152. 1992. https://doi.org/10.1145/130385.130401
J. R. Hosmer et al., Applied logistic regression. John Wiley & Sons, 2013.
P. H. Swain, H. Hauska, "The decision tree classifier: Design and potential", IEEE Transactions on Geoscience Electronics, vol. 15, no. 3, pp. 142-147, July 1977, DOI: 10.1109/TGE.1977.6498972.

상세보기
L. Breiman, "Bagging predictors. Machine Learning". vol. 24, no. 2, pp.123-140 1996. https://doi.org/10.1007/BF00058655

상세보기
W. S. Noble, "What is a support vector machine?." Nature biotechnology. vol.24, no.12, pp.1565-1567, 2006. https://doi.org/10.1038/nbt12 06-1565

상세보기
S. B. Kotsiantis, D. Kanellopoulos, P. E. Pintelas, "Data preprocessing for supervised leaning." International journal of computer science, vol. 1, no. 2, pp.111-117, 2006.
Raschka, Sebastian, "Python machine learning", Packt publishing ltd, 2015.
Alin, Aylin. "Multicollinearity." Wiley Interdisciplinary Reviews: Computational Statistics, vol.2, no.3, pp. 370-374. 2010. DOI: 10.1002/wics.84

상세보기
S. Lee, M. Han, "Utilization and Analysis of Big-data," International Journal of Advanced Culture Technology, vol. 7, no. 4, pp. 255-259, Dec 2019. DOI: 10.17703/IJACT.2019.7.4.255.

원문보기 상세보기

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