[논문]인공신경망을 이용한 수박의 음향특성 분석(II)-황대 및 피수박

최동수; 최규홍; 이강진; 박원규; 김만수; 최동칠; 황영

문제 정의

본 연구에서는 음파신호 계측시스템을 이용하여 수박의 대표적인 내부결함인 황대과와 피수박의 음파특성을 구명하고, 인공신경망 기법을 도입하여 황대과 및 피수박을 판정하는 알고리즘을 개발하고자 수행하였다.
본 연구에서는 황대과 및 피수박에 대한 음파특성을 구명하고, 인공신경망을 이용하여 황대과와 피수박을 판정하는 알고리즘을 개발하였다.

가설 설정

이때 프로브는 칼날형태를 사용하였다. 밀도는 수박이 균일한 재질로 구성되어있다는 가정하에 수박의 체적을 물의 체적으로 치환하여 측정된 수박의 질량과 체적의 비로 구하였다. 과육색은 색채색차계 (Chroma Meter CR-200, Minolta)를 이용하여 당도측정한 부위 5지점 및 특히 색이 짙은 부분의 CIE L*a*b 값을 측정하였다.

제안 방법

학습에는 오차 역전파 학습법(error back propagation method)을 이용하였으며 전달함수로는 logsigmod 함수를 사용하였다. 각 경우마다 60, 000번의 학습을 하였다.
밀도는 수박이 균일한 재질로 구성되어있다는 가정하에 수박의 체적을 물의 체적으로 치환하여 측정된 수박의 질량과 체적의 비로 구하였다. 과육색은 색채색차계 (Chroma Meter CR-200, Minolta)를 이용하여 당도측정한 부위 5지점 및 특히 색이 짙은 부분의 CIE L*a*b 값을 측정하였다.
당도는 굴절당도계(DBX-55 ATAGO, Japan)를 사용하여 절단면 5개 부위(적도1, 적도2, 구심, 꼭지, 바닥)를 측정하였으며, 경도는 시편 채취기에 의해 27 X 27 X 48mm의 시편을 채취한 후 TA-HD2 Texture Analyzer를 이용하여 측정하였다. 이때 프로브는 칼날형태를 사용하였다.
본 연구에서는 학습 및 검증을 위한 인공신경망의 구조는 입력층, 은닉층, 출력층 3개의 충으로 구성하였으며, 입력층 유니트수는 104개, 출력층 유니트수는 2개이었으며, 은닉층 유 니트수는 표 1에서 보는 바와 같이 설정하였다.
일반적으로 행해지는 내부품질평가 지수는 과육색 옅음 1, 짙음 3, 황대과 심한 것 5, 없는 것 0, 섬유 적음 1, 많음 3, 경도(씹는 맛) 연함 1, 강함 3 으로 평가하나 평가자가 수준은 정하기 나름이다(정, 1990). 본 연구에서는 황대과를 0~5 수준으로 평가하였으며, 피수박의 경우는 유무로 판정하였다.
생육과정중 수박의 과육상태 변화를 조사하기 위하여 시험포장에서 생육상태에 있는 공시재료의 음파신호를 계측하였다. 수박은 부피가 큰 과실로 내부과육의 상태가 위치별로 다르게 나타날 수도 있으므로 타격위치를 표시하여 생육과정중에 같은 위치에서 음파신호를 계측할 수 있도록 하였다.
생육과정중 수박의 과육상태 변화를 조사하기 위하여 시험포장에서 생육상태에 있는 공시재료의 음파신호를 계측하였다. 수박은 부피가 큰 과실로 내부과육의 상태가 위치별로 다르게 나타날 수도 있으므로 타격위치를 표시하여 생육과정중에 같은 위치에서 음파신호를 계측할 수 있도록 하였다. 진자의 타격각도는 40° 로 하여 수박의 적도부에 타격을 가한 후 180° 되는 지점에서 음파신호를 검출하였다.
시험포장에서 음파신호를 계측한 시료중 일부를 수확하여 품질에 관련이 있는 물성(밀도, 당도, 경도, 과육색)을 측정하였고, 품질평가를 육안과 경험으로 숙도, 공동, 황대, 피수박, 세포분리로 구분하였다.
수박은 부피가 큰 과실로 내부과육의 상태가 위치별로 다르게 나타날 수도 있으므로 타격위치를 표시하여 생육과정중에 같은 위치에서 음파신호를 계측할 수 있도록 하였다. 진자의 타격각도는 40° 로 하여 수박의 적도부에 타격을 가한 후 180° 되는 지점에서 음파신호를 검출하였다. 오실로스코프의 샘플링주기는 5kHz이었고, 이때 데이터 점수는 1000점으로 RS232C를 통해 컴퓨터로 데이터를 수집하였다.
공시재료 개체에 대한 품질평가는 내부품질판정 모델을 개발하는데 매우 중요한 지표가 된다. 하지만 품질평가에 대한 객관적인 기준이 아직 확립이 되어 있지 않아 수박시험장 전문가와 문헌을 참고로 하여 연구자 주관으로 결정하였다. 일반적으로 행해지는 내부품질평가 지수는 과육색 옅음 1, 짙음 3, 황대과 심한 것 5, 없는 것 0, 섬유 적음 1, 많음 3, 경도(씹는 맛) 연함 1, 강함 3 으로 평가하나 평가자가 수준은 정하기 나름이다(정, 1990).

대상 데이터

본 연구에 사용된 공시재료는 전북 고창수박시험장에서 노지재배한 것으로 품종이 “금천, , 인수박을 사용하였다 공시재료는 1999년 7월 16(착과후 22일 경과)일부터 8월 12일까지 착과경과일별 5단계로 수확한 수박을 사용하였다. 황대과 조사에 사용된 시료는 단계별 수확된 모든 수박을 대상으로 하였으며, 사용된 시료수는 56개 이었다.
수박의 음파신호를 계측하기 위하여 구성된 시스템의 개략도는 그림 1과 같으며, 시스템은 타격장치, 음파센서인 마이크로폰과 앰프, 디지털 오실로스코프, 노트북으로 구성하였다.
진자의 타격각도는 40° 로 하여 수박의 적도부에 타격을 가한 후 180° 되는 지점에서 음파신호를 검출하였다. 오실로스코프의 샘플링주기는 5kHz이었고, 이때 데이터 점수는 1000점으로 RS232C를 통해 컴퓨터로 데이터를 수집하였다.
황대과 조사에 사용된 시료는 단계별 수확된 모든 수박을 대상으로 하였으며, 사용된 시료수는 56개 이었다. 피수박 시료는 착과후 적기 수확시기인 착과후 35~40일된 시료를 사용하였으며, 사용된 시료는 시료 재배자가 피수박이라 선정해준 21개와 피수박이 아닌 정상과 23개로 45개 이었다.
피수박 예측에 사용된 시료 45개중 27개의 시료는 인공신경망 학습에 사용하고 18개의 시료는 검증하는데 사용하였다. 학습 및 검증에 사용할 데이터는 주파수 스펙트럼을 정규화한 후 0~800Hz 주파수대역에서 104개의 매그니튜드(magnitude)값을 데이터로 선정하였다.
피수박 예측에 사용된 시료 45개중 27개의 시료는 인공신경망 학습에 사용하고 18개의 시료는 검증하는데 사용하였다. 학습 및 검증에 사용할 데이터는 주파수 스펙트럼을 정규화한 후 0~800Hz 주파수대역에서 104개의 매그니튜드(magnitude)값을 데이터로 선정하였다.
황대과를 예측하기 위해 사용된 시료 56개중 32개는 인공신경망 학습에 사용하고 24개는 검증하는데 사용하였다. 학습에 사용된 데이터는 각 시료 주파수 스펙트럼의 600 ~ 900Hz대역에서 65개의 매크니튜드(magnitude)값 이었다.
본 연구에 사용된 공시재료는 전북 고창수박시험장에서 노지재배한 것으로 품종이 “금천, , 인수박을 사용하였다 공시재료는 1999년 7월 16(착과후 22일 경과)일부터 8월 12일까지 착과경과일별 5단계로 수확한 수박을 사용하였다. 황대과 조사에 사용된 시료는 단계별 수확된 모든 수박을 대상으로 하였으며, 사용된 시료수는 56개 이었다. 피수박 시료는 착과후 적기 수확시기인 착과후 35~40일된 시료를 사용하였으며, 사용된 시료는 시료 재배자가 피수박이라 선정해준 21개와 피수박이 아닌 정상과 23개로 45개 이었다.
황대과를 예측하기 위해 사용된 시료 56개중 32개는 인공신경망 학습에 사용하고 24개는 검증하는데 사용하였다. 학습에 사용된 데이터는 각 시료 주파수 스펙트럼의 600 ~ 900Hz대역에서 65개의 매크니튜드(magnitude)값 이었다.

이론/모형

학습에는 오차 역전파 학습법(error back propagation method)을 이용하였으며 전달함수로는 logsigmod 함수를 사용하였다. 각 경우마다 60, 000번의 학습을 하였다.

성능/효과

1. 황대과의 주파수특성은 600 ~900Hz대역에서 주로 나타났으며, 미숙과처럼 1000Hz이 후에서 에너지가 높게 나타나는 경우도 있었다. 이 대역에서 에너지가 70이상일 때 상품성이 없는 것으로 판단되었다.
2. 인공신경망 학습 및 검증에 황대과는 각각 32, 24개 패턴을, 피수박은 각각 27, 18개 패턴을 사용하여 모두 100%의 학습 정확도를 얻었다.
검증 결과, 황대과는 70.8~79.2%의 정확도를 얻었으며, 은닉층의 유니트수가 20, 80, 100일 때 가장 높았다. 피수박의 경우는 50~82.
표2와 표3에서 보는 바와 같이 황대과와 피수박에 대한 인공신경망 학습의 결과 각각의 은닉충 유니트수에서 모두 100%의 학습 정확도을 얻었다. 검증의 결과는 황대과의 경우 은닉층 유니트수가 40, 60일 때 각각 70.8, 75.0%의 정확도를 얻었으나, 20, 80, 100일 때79.2%의 정확도를 얻었다.
표2와 표3에서 보는 바와 같이 황대과와 피수박에 대한 인공신경망 학습의 결과 각각의 은닉충 유니트수에서 모두 100%의 학습 정확도을 얻었다. 검증의 결과는 황대과의 경우 은닉층 유니트수가 40, 60일 때 각각 70.

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

인공신경망을 이용한 수박의 음향특성 분석(II)-황대 및 피수박
Acoustic Characteristics of the Watermelon using Neural Network(II)-Yellow belt and Blood flesh 원문보기

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공신경망을 이용한 수박의 음향특성 분석(II)-황대 및 피수박 Acoustic Characteristics of the Watermelon using Neural Network(II)-Yellow belt and Blood flesh 원문보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공신경망을 이용한 수박의 음향특성 분석(II)-황대 및 피수박
Acoustic Characteristics of the Watermelon using Neural Network(II)-Yellow belt and Blood flesh 원문보기

AI 본문요약
AI-Helper