[논문 리뷰] Deep Learning and Machine Vision for Food Processing: A Survey

Li Zhu, Petros Spachos외 2명|arXiv (Cornell University)|2021. 03. 30.

Spectroscopy and Chemometric Analyses참고 문헌 126인용 수 7

한 줄 요약

이 종합 검토는 식품 가공 분야의 딥러닝 및 머신 비전 기술을 검토하며, 품질 평가, 결함 탐지 및 자동화에 중점을 둡니다. 기존 기술과 딥러닝 기반 기법을 통합하여 현재의 과제를 분석하고, 식품 안전성과 효율성 향상에 대한 향후 추세를 제시합니다.

ABSTRACT

The quality and safety of food is an important issue to the whole society, since it is at the basis of human health, social development and stability. Ensuring food quality and safety is a complex process, and all stages of food processing must be considered, from cultivating, harvesting and storage to preparation and consumption. However, these processes are often labour-intensive. Nowadays, the development of machine vision can greatly assist researchers and industries in improving the efficiency of food processing. As a result, machine vision has been widely used in all aspects of food processing. At the same time, image processing is an important component of machine vision. Image processing can take advantage of machine learning and deep learning models to effectively identify the type and quality of food. Subsequently, follow-up design in the machine vision system can address tasks such as food grading, detecting locations of defective spots or foreign objects, and removing impurities. In this paper, we provide an overview on the traditional machine learning and deep learning methods, as well as the machine vision techniques that can be applied to the field of food processing. We present the current approaches and challenges, and the future trends.

연구 동기 및 목표

• 공급망 전반에서 식품 가공 분야의 머신 비전 및 딥러닝 응용에 대한 종합적인 검토를 제공하기 위해.
• 식품 품질 평가 및 결함 탐지 분야에서 기존 접근법의 한계와 과제를 분석하기 위해.
• 성능 및 적용 가능성 측면에서 전통적 머신 러닝 모델과 딥러닝 모델을 비교하기 위해.
• 자동화된 식품 가공 시스템 분야의 주요 연구 격차와 신규 추세를 식별하기 위해.
• 최신 기법과 실용적 구현 고려사항을 요약하여 산업계 및 학계의 도입을 지원하기 위해.

제안 방법

• 식품 가공에 중점을 둔 컴퓨터 비전 및 머신 러닝 분야의 동료 심사 논문을 중심으로 문헌을 조사하기 위해.
• 식품 검사에 사용되는 기술을 전통적 머신 러닝과 딥러닝 기반 접근법으로 분류하기 위해.
• 식품 등급 분류, 결함 탐지 및 이물질 인식에 사용되는 이미지 처리 파이프라인을 분석하기 위해.
• 식품 관련 시각적 작업에 적합한 컨볼루션 신경망(CNN) 및 기타 딥러닝 아키텍처를 평가하기 위해.
• 수확, 분류, 저장 및 품질 관리 단계에서의 실제 응용 사례를 검토하기 위해.
• 데이터 부족, 모델 일반화 능력, 실시간 배포와 같은 기술적 및 실용적 과제를 식별하기 위해.

실험 결과

연구 질문

• RQ1 식품 품질 평가 및 결함 탐지에 사용되는 핵심 머신 비전 및 딥러닝 기법은 무엇인가요?
• RQ2 딥러닝 모델은 식품 가공 응용 분야에서 전통적 머신 러닝 방법과 비교해 어떻게 다릅니까?
• RQ3 식품 가공 단계 전반에 걸쳐 시각 시스템을 구현할 때 발생하는 주요 기술적 및 운영 과제는 무엇인가요?
• RQ4 컴퓨터 비전을 활용한 자동화된 식품 가공 분야에서 현재의 추세와 향후 방향성은 무엇인가요?
• RQ5 이미지 처리 기법은 식품 산업의 안전성 향상과 노동 집약도 감소에 어떻게 기여할 수 있나요?

주요 결과

• 특히 컨볼루션 신경망(CNN)을 포함한 딥러닝 모델은 전통적 머신 러닝 기법에 비해 식품 품질 분류 및 결함 탐지에서 뚜렷한 성능 우위를 보입니다.
• 머신 비전 시스템은 산업 현장에서 높은 정확도로 자동 식품 등급 분류, 이물질 탐지 및 불순물 제거를 가능하게 합니다.
• 진전이 있었음에도 불구하고, 데이터 다양성, 모델 강건성, 다양한 조명 조건 및 식품 외관 변화에 대응하는 실시간 처리 과제는 여전히 남아 있습니다.
• 딥러닝과 머신 비전의 통합은 식품 가공의 효율성과 일관성을 향상시켜 수동 노동 의존도를 감소시킵니다.
• 미래 연구는 해석 가능한 AI, 전이 학습, 도메인 적응 기법에 초점을 맞춰 다양한 식품 유형 간의 모델 일반화 능력을 향상시켜야 합니다.
• 표준화된 벤치마크와 데이터셋은 여전히 제한되어 있어, 식품 비전 연구 분야에서 재현 가능성과 다수 연구 간 비교를 어렵게 하고 있습니다.