[논문 리뷰] Neural Network Classifiers for Natural Food Products

Jaderick P. Pabico, Alona V. De Grano외 1명|arXiv (Cornell University)|2015. 07. 09.

Spectroscopy and Chemometric Analyses참고 문헌 15인용 수 4

한 줄 요약

이 논문은 인공신경망(ANN)을 사용한 저비용 기계시각 시스템(MVS)을 제안하여 토마토 숙성도 분류와 계란 수용성 평가를 자동화한다. 배경 제거된 스펙트럼 패턴이 포함된 색상 이미지로 ANN을 훈련시킨 결과, 토마토의 정확도는 97%에 달했고, 계란은 86%를 기록하여 인간 평가자보다 각각 4.35%와 13% 높은 성능을 보였다.

ABSTRACT

Two cheap, off-the-shelf machine vision systems (MVS), each using an artificial neural network (ANN) as classifier, were developed, improved and evaluated to automate the classification of tomato ripeness and acceptability of eggs, respectively. Six thousand color images of human-graded tomatoes and 750 images of human-graded eggs were used to train, test, and validate several multi-layered ANNs. The ANNs output the corresponding grade of the produce by accepting as inputs the spectral patterns of the background-less image. In both MVS, the ANN with the highest validation rate was automatically chosen by a heuristic and its performance compared to that of the human graders'. Using the validation set, the MVS correctly graded 97.00\% and 86.00\% of the tomato and egg data, respectively. The human grader's, however, were measured to perform at a daily average of 92.65\% and 72.67\% for tomato and egg grading, respectively. This results show that an ANN-based MVS is a potential alternative to manual grading.

연구 동기 및 목표

• 현지 농업 환경에서 농산물 등급 분류를 자동화하기 위한 저비용, 오프더쇼프 기계시각 시스템(MVS) 개발.
• 토마토나 계란과 같은 천연 식품의 주관적이고 경험 기반의 인간 평가를 자동화하는 데 도전.
• 색상 이미지에서 추출한 시각적 특징으로 훈련된 ANNs를 통해 인간 성능을 뛰어넘는 정확도 향상.
• 확장 가능하고 위생적이며 일관된 식품 제품 분류를 위해 저비용 하드웨어와 오픈소스 소프트웨어의 타당성 평가.
• 시스템 효율성과 정확도 향상을 위한 ANNs 최적화 기법(예: 위원회 기계, 특징 감소) 탐색.

제안 방법

• 실제 조명 조건과 시야 각도(20°–90°), 거리(30–90 cm)에서 6,000장의 인간 평가 토마토 이미지와 750장의 계란 이미지를 확보.
• 경계 검출 알고리즘을 적용해 배경을 제거하고, 남은 물체 영역에서 RGB 스펙트럼 패턴을 추출.
• RGB 값을 정규화하여 다층 인공신경망(ANN)에 입력하여 분류.
• 각 작업에 대해 검증 정확도가 가장 높은 ANN을 자동으로 선택하기 위해 AChem 최적화 루틴을 사용.
• 학습, 검증, 테스트 세트를 별도로 평가하여 성능을 평가하고, 인간 평가자의 일일 평균과 비교.
• 미래 개선 방안으로 회색조 이미지를 사용해 입력 노드를 66% 감소시키고, 정확도 향상을 위한 위원회 기계 기법(예: 배깅, 부스팅) 테스트 탐색.

실험 결과

연구 질문

• RQ1 저비용, 오프더쇼프 기계시각 시스템과 ANN 분류기로 토마토 숙성도 분류 정확도가 인간 평가자와 동일하거나 이를 초월할 수 있는가?
• RQ2 ANN 기반 MVS가 계란 수용성 평가에서 인간 평가자보다 더 높은 정확도를 달성할 수 있는가, 특히 펄프나 변색과 같은 결함을 탐지할 수 있는가?
• RQ3 최적화된 ANN의 성능는 정밀도, 민감도, 특이도 측면에서 인간 평가자와 비교해 토마토 및 계란 분류에 대해 어떻게 되는가?
• RQ4 정확도를 유지하면서도 입력 특징을 줄이기 위해(예: RGB 대비 회색조 사용) 시스템 효율성을 얼마나 향상시킬 수 있는가?
• RQ5 위원회 기계 기법(예: 평균화, 배깅, 부스팅)을 통해 단일 최적화 ANN을 초월해 MVS의 평가 정확도를 추가로 향상시킬 수 있는가?

주요 결과

• ANN 기반 MVS는 토마토 숙성도 단계 분류에서 97.00%의 정확도를 기록하여 인간 평가자의 평균 정확도 92.65%를 4.35%포인트 뛰어넘었다.
• 계란 평가에서는 검증 세트에서 86.00%의 정확도를 기록하여 인간 평가자의 평균 72.67%를 13.33%포인트 뛰어넘었다.
• 계란 평가를 위한 ANN은 정밀도(양성 예측값) 92%와 음성 예측값 81%를 보이며 결함 탐지에 강력한 신뢰성을 보였다.
• 이 시스템의 향상된 정확도는 10,000개의 계란을 처리하는 농장에서 하루에 약 1,300개 더 정확하게 등급을 매길 수 있으며, 계란당 ₱4 기준 매일 ₱5,200의 추가 수익을 창출할 것으로 추정된다.
• 이 연구는 배경 제거된 이미지에서 추출한 정규화된 RGB 스펙트럼 패턴으로 훈련된 ANNs가 제어된 실생활 조건에서 인간 평가 능력을 효과적으로 모방하고 초월할 수 있음을 확인했다.
• 향후 연구로는 컨베이어 기반 평가 속도 평가, 고해상도 웹캠 사용, 입력 노드 수를 33% 감소시키기 위한 회색조 입력 적용, 그리고 위원회 기계 기법을 통한 성능 향상 추가 평가 계획 중이다.