Home

인공지능은 학습 능력에 따라 전문가 수준으로 추론할 수 있으며, 이를 기반으로 생산 비용의 절감이나 반복적인 노동에 따른 피로 문제를 해결할 수 있다. 최근 농축산물 분야에도 인공지능을 적용하기 위한 다양한 방법의 연구가 있다[1][2].

소도체의 등급 판별[3]에는 근내지방도, 고기의 색상 등 다양한 품질 평가 기준을 사용하고 있으며, 객관적인 정보 추출에 컴퓨터 비전 기술[4]이 활용될 수 있다. 등급 판정은 관리사의 숙련도와 경험에 의존하고 있으며, 조명이나 시력, 피로 등으로 일관성이 유지되기가 어려울 때도 있다. 김 등[5]은 인공지능을 이용하여 적은 수의 파라미터와 빠른 학습 시간으로 비교적 좋은 성능을 보여주었다. 또한 인공지능에 맞는 데이터셋을 재구성하고, 단계별 딥러닝을 적용하여 성능을 높인 경우도 있다[6]. 이처럼 인공지능 기반 소도체 등급 판정을 지원하는 인공지능 시스템에 관한 연구가 활발히 진행되고 있다.

이러한 연구는 신뢰성 높은 데이터로부터 시작되어야 한다. 데이터셋은 수년에 걸쳐 동일한 환경에서 수집되어야 하며 축적되어야 한다. 최근 일정한 환경에서 1080×1920 크기를 갖는 소고기 영상 데이터를 제공하고 있다[7]. 그러나 소도체 영상의 평면이나 조명 등 변수가 있으며, 판정 영역도 다양한 크기를 가진다. 인공지능을 위한 데이터셋은 해상도와 크기가 같은 데이터로 학습되어야 일관된 결과를 얻을 수 있다[6].

소고기의 등급 평가는 색상뿐만 아니라 텍스처에 대한 정보를 기준으로 하고 있다[3]. 이는 정확한 수치로 주어지는 것이 아니라 경험을 통한 주관적인 판단에 의지하고 있다. 품질 관리사는 색상과 텍스처 정보를 인공지능을 통해 실시간으로 등급 기준표와 비교 및 분석 정보를 참조할 수 있다면 보다 정확한 판정을 할 수 있다. 따라서 인공지능을 위한 학습 영상에는 색상과 텍스처의 특성이 반영되어야 한다.

LBP(Local Binary Patterns)는 텍스처 특성을 분석하는데 일반적으로 사용되는 방법이다. LBP는 흑백의 텍스처 정보를 얻는 데 사용되며, 특히, 회전 불변 균일(Uniform) 패턴은 적은 수의 특징 패턴으로 나타나 패턴 분석 등에 유용하게 사용될 수 있다[8]. IOCLBP(Improved Opponent Color LBP)[9][10]는 텍스처뿐만 아니라 색상 정보의 특징을 추출하는 데 사용되는 방법이다.

따라서 본 논문에서는 동일한 크기와 해상도를 갖는 소고기 영상의 데이터셋을 색상과 텍스처의 특성을 이용하여 분석한다. 이 때, 색상과 텍스처에 의한 등급은 선형 또는 평균으로 점수화한다. 특히, IOCLBP의 색상 공간쌍을 분석하여 등급과 관련 있는 색상 공간쌍을 추출한다. 추출된 색상 공간쌍과 점수와의 회귀분석을 통해 신뢰성 있는 데이터셋을 얻는 방안을 제시한다.

먼저, 본 논문에서 소도체 영상 등급을 선형 점수로 실험하였다.

즉, 3, 2, 1, 1+ 및 1++등급을 각각 1에서 5점의 선형인 점수로 주어진 것이다. 그림 6은 1등급과 2등급의 Bg 공간 누적 분포를 보여주고 있다. 패턴의 분포가 비슷하게 나타나지만, 낮을수록 분포가 불균형이 일어난다는 것을 알 수 있다.

Fig. 6. 
Histogram of Bg space with a high and a low grade image; original image with (a) 1 grade and (b) 2 grade, (c)(d) Histogram of the Bg space, respectively

그림 7은 10개 색상 공간쌍에 대한 IOLBP의 10개 그룹의 상관계수의 절대값을 보여주고 있다. 즉, RR, RG, RB, Rg, BB는 비슷한 상관계수로 나타났다. 또한 GG, GB, Gg도 비슷한 결과 가진다. 반면 Bg와 gg가 다르게 나타나고, Bg가 모든 값에서 큰 상관계수로 나타나서 가장 관련이 있음을 알 수 있다. 색상 공간에 대한 상관계수의 절대값이 크다는 것은 주어진 점수와 관계가 높다는 의미이다. 즉 이는 색상 공간쌍의 회전 불변 균일 패턴과 등급 간의 관계가 아주 밀접하다는 것이다. 그림에서 Bg 공간쌍이 가장 효율적인 색상과 텍스처 공간임을 알 수 있다. 따라서 본 논문에서의 색상 텍스처 공간은 Bg 공간쌍을 사용한다. Bg 공간쌍을 사용할 경우, 그룹 패턴 4는 다른 그룹에 비해 낮은 상관계수를 가진다. 따라서 그룹 4를 제거하고 9개의 그룹에 대한 회귀 분석을 할 수 있다. 그러나 본 논문에서는 전체 Bg 공간쌍에 대한 회귀계수와 차이를 보이지 않아서 Bg 공간쌍 10개 그룹 패턴을 모두 사용하였다.

Fig. 7. 
Correlation coefficients of the group for color space pairs

그림 8은 Bg 공간쌍에 대한 패턴별 누적 분포의 평균을 도시한 것이다. 이는 각 등급에 따른 패턴들의 평균 누적 분포를 보여주고 있다. 평균적으로 1++, 1+, 1등급은 비슷한 값을 가지지만 2와 3등급은 차이가 있음을 알 수 있다.

Fig. 8. 
Average histogram for the grades

지금까지 Bg 공간쌍에 대한 패턴들이 등급과 연관이 있음을 알 수 있었다. 회귀를 통해 얻은 점수를 기반으로 딥러닝의 학습이나 평가에 사용된 오류를 일으키는 영상들을 알 수 있다. 이는 물론 데이터셋을 추출하는 과정에서 사람에 의한 오류 데이터도 같은 경우이다. 이를 사전에 제거함으로써 데이터의 신뢰성은 높아진다. 그림 9는 선형 점수에 대한 10개 그룹의 누적 분포에 대한 가중치를 도시한 것이다. 이때, 회귀계수는 0.631로 나타났다. 회귀분석을 통해 얻은 실제 점수는 사전에 주어진 선형점수와 차이가 있다.

Fig. 9. 
Weights for linear scoring

다음은 선형점수에 의해 회귀된 점수와 가깝도록 실제 점수의 평균을 적용하였다. 그림 10은 등급별 선형, 평균 및 근사화된 ln 함수를 적용한 값들을 각각 도시한 것이다. 주어진 값을 점수로 하여 선형 회귀 분석을 재수행하였다. 등급별 점수표와 분석 결과는 표 1에 나타내었다.

Fig. 10. 
Scoring of the linear, average, ln function, respectively

표로부터 1++ 등급은 선형일 때는 5점이지만 평균일 때는 3.962점이고, ln 함수의 경우는 4.058점이다. 각 주어진 점수를 가지고 회귀분석 결과, 회귀계수는 각각 0.704, 0.679로 나타난 선형인 경우의 결과보다 좋은 결과를 얻을 수 있었다. 평균을 이용하는 방법이 높은 회귀계수를 가져 효율적인 방법임을 알 수 있다.

그림 11은 평균을 이용하는 방법의 각 패턴 누적 분포에 대한 점수 가중치를 나타낸 것이다. 이를 이용하여 주어진 데이터셋의 실제 점수를 유추할 수 있다. 그림 12는 각 점수에 따른 구축된 데이터셋의 분포를 나타낸 것이다. 즉, 선형, 평균 및 근사화된 ln 함수 점수 방법에 따른 데이터셋 분포를 보여주고 있다. 그림으로부터 평균 방법인 경우, 선형보다 높은 상관계수를 가진다고 하지만, 많은 부분에서 점수가 중첩되어 점수와 등급 간의 오류가 많다는 것을 알 수 있다. 등급 간 중첩되거나 애매한 점수를 가지는 데이터는 학습에 오류를 가져오는 경우가 많다. 이를 위하여 중첩되지 않은 학습 데이터로 다시 구성하는 것이 유리하다.

Fig. 11. 
Weights for an average scoring

Fig. 12. 
Score distribution of the dataset for (a) Linear, (b) Average and (c) ln function, respectively

본 논문에서는 같은 크기의 해상도로 구성된 소고기 영상의 데이터셋을 색상과 텍스처의 특성에 의해 분석하였다. 색상과 텍스처 특성을 갖는 IOCLBP의 회전불변 균일 패턴 분석 결과, 등급과 관련된 상관계수는 Bg 공간쌍에서 가장 크게 나타났다. 그리고 Bg 공간쌍에 대한 등급별 회귀분석에는 먼저 선형 점수로 평가하였다. 또한 선형점수 회귀 결과로부터 평균과 근사 지수함수의 점수로 재평가하였다. 점수 방법에 따른 회귀계수는 각각 0.641, 0.701, 및 0.675를 얻었다. 따라서 각 소고기 품질 등급은 평균 점수로 하였을 때 가장 높았다. 따라서 제시된 방안에 따라 색상과 텍스처에 의한 예상되는 점수를 통해 데이터셋의 사전 분석이 가능하다. 이를 통해 학습에 사용되는 데이터셋을 선별하여 사람의 평가 오류를 줄일 수 있다.