KR102112088B1 - 초분광영상기술을 이용한 편백나무 우량종자 선별방법 - Google Patents
초분광영상기술을 이용한 편백나무 우량종자 선별방법 Download PDFInfo
- Publication number
- KR102112088B1 KR102112088B1 KR1020180173424A KR20180173424A KR102112088B1 KR 102112088 B1 KR102112088 B1 KR 102112088B1 KR 1020180173424 A KR1020180173424 A KR 1020180173424A KR 20180173424 A KR20180173424 A KR 20180173424A KR 102112088 B1 KR102112088 B1 KR 102112088B1
- Authority
- KR
- South Korea
- Prior art keywords
- seeds
- cypress
- germination
- seed
- germinated
- Prior art date
Links
- 241000218691 Cupressaceae Species 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 230000035784 germination Effects 0.000 claims abstract description 80
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000010521 absorption reaction Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 66
- 238000000701 chemical imaging Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 9
- 102000004169 proteins and genes Human genes 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 238000004497 NIR spectroscopy Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000004941 influx Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000007226 seed germination Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims 1
- 125000003473 lipid group Chemical group 0.000 claims 1
- 238000000491 multivariate analysis Methods 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract description 3
- 150000002632 lipids Chemical class 0.000 description 9
- 239000002023 wood Substances 0.000 description 9
- 238000012847 principal component analysis method Methods 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 5
- 238000011068 loading method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005194 fractionation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010003645 Atopy Diseases 0.000 description 1
- 241000723436 Chamaecyparis obtusa Species 0.000 description 1
- 206010017533 Fungal infection Diseases 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000020777 polyunsaturated fatty acids Nutrition 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
- A01C1/025—Testing seeds for determining their viability or germination capacity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/40—Afforestation or reforestation
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physiology (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명은 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 관한 것으로서, 편백나무 종자에 대해 초분광 영상 촬영으로 스펙트럼 측정하여 스펙트럼 데이터를 획득하는 단계; 상기 스펙트럼 측정을 마친 편백나무 종자에 대해 흐르는 물에 노출시킨 후, 발아 테스트를 실시하여 발아 여부를 검사하는 단계; 상기 획득한 스펙트럼 데이터에 대해 초분광 영상 촬영시 발생되는 노이즈 신호에 의해 오염되지 않도록 전처리하는 단계; 상기 전처리단계를 거친 스펙트럼 데이터로부터 주성분 분석기법(Principal Component Analysis)과 다변량 통계분석기법(Partial Least Squares-Discriminant Analysis)을 활용하여 편백나무 종자에 대해 발아 종자와 비발아 종자를 분별하는 단계; VIP(Variable Importance on Projection) 분석기법을 활용하여 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석함으로써 흡수파장영역을 획득하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 초분광 영상촬영을 통해 스펙트럼 데이터를 획득하여 이를 전처리 및 다변량 분석을 실시하고 스펙트럼 데이터 분석결과를 토대로 편백나무 종자의 발아 여부를 판정 및 검증함으로써 비파괴적 검사에 의한 편백나무 종자의 발아 여부를 빠르게 진단할 수 있고 보다 정확하게 우량종자를 선별할 수 있다.
본 발명에 따르면, 초분광 영상촬영을 통해 스펙트럼 데이터를 획득하여 이를 전처리 및 다변량 분석을 실시하고 스펙트럼 데이터 분석결과를 토대로 편백나무 종자의 발아 여부를 판정 및 검증함으로써 비파괴적 검사에 의한 편백나무 종자의 발아 여부를 빠르게 진단할 수 있고 보다 정확하게 우량종자를 선별할 수 있다.
Description
본 발명은 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 관한 것으로서, 더욱 상세하게는 비파괴적 검사에 의한 편백나무 종자의 발아 여부를 진단하여 우량종자를 선별할 수 있도록 하되 초분광 영상촬영을 통해 스펙트럼 데이터를 획득하여 이를 전처리 및 다변량 분석을 실시하고 이러한 스펙트럼 데이터 분석결과를 토대로 편백나무 종자의 발아 여부를 판정 및 검증할 수 있도록 하며 편백나무 종자의 발아 여부를 신속하면서도 정확하게 진단하여 우량종자를 선별할 수 있도록 한 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 관한 것이다.
일반적으로 편백나무는 구과목 측백나무과 편백속에 속하는 나무로서, 한국에는 1900년대 초 일본에서 들여와 방풍림으로 조성되었고, 주로 제주도와 남부 지방을 중심으로 분포하고 있으며, 성장한 나무는 높이 약 40m, 직경 약 2m에 달하므로 산림 조성에 유용하다.
이러한 편백나무는 목질이 좋고 향이 뛰어나 실용성이 높아 가구 제작은 물론 건물의 내부 벽체나 인테리어용으로 널리 사용되고 있으며, 편백나무에 함유된 피톤치드가 아토피 치료에 효과가 있음이 알려지면서 베개, 벽지, 도마, 장난감 등 각종 생활용품에도 널리 활용되고 있는 실정으로 그 수요가 늘고 있다.
이와 더불어, 국내에서는 산림의 재조림을 위한 편백나무 종자(Hinoki cypress)에 대한 수요 또한 늘고 있는 실정에 있다.
하지만, 편백나무 종자들은 그 발아율이 매우 낮은 단점을 가지고 있다.
이에, 이러한 편백나무 종자들에 대한 발아 여부를 확인하여 우량종자를 선별 사용하기 위한 각종 검사 및 선별방법들이 이용되고 있으나, 산림용 편백나무 종자들에 대한 기존의 검사 및 선별방법들은 파괴적이며 시간 소요가 큰 문제점이 있었다.
한편, 종래 선행기술문헌을 살펴보았을 때, 본 발명에서 제안하고자 하는 편백나무 종자에 특정하여 발아 여부를 진단 및 우량종자를 선별하는 선행기술문헌은 쉽게 찾아볼 수가 없었으며, 국내등록특허 제10-1011575호에서 광학적 단층 촬영 기술을 이용하여 바이러스에 감염된 이병종자와 건전한 무병종자를 비침습적으로 구분하기 위한 비침습적 우량종자 선별 방법 및 장치를 제안 및 개시하고 있고, 국내공개실용신안 제20-2015-0002852호에서 인삼 우량종자를 쉽고 정확하게 선별할 수 있게 하는 인삼 우량종자 선별 방법 및 그의 도구를 제안 및 개시하고 있으며, 국내등록특허 제10-1424147호에서 타겟 종자에 대한 광제어조건에 따라 LED 발광장치를 제어하여 상기 타겟 종자로 광을 조사하는 방식을 포함하여 높은 정확도로 종자의 품질을 판정할 수 있는 종자 품질 판정 방법 및 이를 이용한 종자 품질 판정 시스템을 제안 및 개시하고 있다.
본 발명은 상기의 종래 문제점들을 개선 및 이를 감안하여 안출된 것으로서, 비파괴적 검사에 의한 편백나무 종자의 발아 여부를 진단하여 우량종자를 선별할 수 있도록 하되 초분광 영상촬영을 통해 스펙트럼 데이터를 획득하여 이를 전처리 및 다변량 분석을 실시하고 이러한 스펙트럼 데이터 분석결과를 토대로 편백나무 종자의 발아 여부를 판정 및 검증할 수 있도록 하며 편백나무 종자의 발아 여부를 신속하면서도 정확하게 진단하여 우량종자를 선별할 수 있도록 한 초분광영상기술을 이용한 편백나무 우량종자 선별방법을 제공하는데 그 목적이 있다.
본 발명은 초분광 영상촬영을 통해 획득한 스펙트럼 데이터 및 이를 이용하여 편백나무 종자의 우량종자 선별에 적합한 다변량 분석모델을 도출해낼 수 있도록 하고, 편백나무 종자의 발아 여부를 결정짓는 주요 파장대를 이용하여 편백나무 종자에 대한 지질과 단백질 및 수분 등의 화학성분 차이를 분석함으로써 편백나무 우량종자를 선별할 수 있도록 한 초분광영상기술을 이용한 편백나무 우량종자 선별방법을 제공하는데 그 목적이 있다.
본 발명은 발아가 우수한 편백나무 우량종자를 선별하여 활용함으로써 산림의 재조림을 위한 편백나무 종자의 수요를 만족시킬 수 있도록 하면서 편백나무 종자를 이용한 재조림 효율을 높이는데 기여할 수 있도록 한 초분광영상기술을 이용한 편백나무 우량종자 선별방법을 제공하는데 그 목적이 있다.
상기의 목적을 달성하기 위한 초분광영상기술을 이용한 편백나무 우량종자 선별방법은, (A) 편백나무 종자를 구비하는 단계; (B) 편백나무 종자에 대해 초분광 영상 촬영으로 스펙트럼 측정하여 스펙트럼 데이터를 획득하는 단계; (C) 상기 스펙트럼 측정을 마친 편백나무 종자에 대해 흐르는 물에 노출시킨 후, 발아 테스트를 실시하여 발아 여부를 검사하는 단계; (D) 상기 (B)단계에서 획득한 스펙트럼 데이터에 대해 초분광 영상 촬영시 발생되는 노이즈 신호에 의해 오염되지 않도록 전처리하는 단계; (E) 상기 (D)단계를 거친 스펙트럼 데이터로부터 주성분 분석기법(PCA; Principal Component Analysis)과 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)을 활용하여 편백나무 종자에 대해 발아 종자와 비발아 종자를 분별하는 단계; (F) VIP(Variable Importance on Projection) 분석기법을 활용하여 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석함으로써 흡수파장영역을 획득하는 단계;를 포함하는 것을 특징으로 한다.
여기에서, 상기 (B)단계에서는, 근적외선 분광기를 이용하여 4,000~10,000cm-1(1000~2,500nm) 범위에서 5±2cm-1의 파장분해능을 가지고 초분광 영상 촬영을 실시하여 편백나무 종자에 대한 스펙트럼 데이터를 획득하되, 근적외선 분광기의 측정부에 편백나무 종자를 올려놓은 상태에서 검은색 후드로 덮어 외부 광원의 유입을 차단한 상태로 측정하고, 각 편백나무 종자마다 5회 이상으로 다수 회 측정한 후 평균 스펙트럼 데이터를 획득하는 것을 특징으로 한다.
여기에서, 상기 (C)단계에서는, 편백나무 종자에 대해 흐르는 물에 40~60시간 동안 노출시키고, 종이-위-발아(Top-paper Germination) 방식으로 발아 테스트를 실시하되, 빛은 5~10시간 동안 광원을 노출시킨 이후 10~20시간 동안 광원을 차단하고, 20~24℃의 온도 및 60-80%의 상대습도로 각각 유지한 상태로 실시하며, 발아테스트 시작 후 7일이 경과하였을 때부터 21일이 지나기까지 매일 발아율을 측정하되, 발아 싹 길이가 1cm가 넘는 종자를 발아 종자로 판단하는 것을 특징으로 한다.
여기에서, 상기 (D)단계에서는, 상기 (B)단계에서 획득한 스펙트럼 데이터에 대해 raw Standard Normal Variate transformation(SNV) 기법을 적용하여 종자별 크기에 따른 스펙트럼 데이터의 차이나 산란에 의한 오차를 보정하는 방식 또는 Multiple Scatter Correlation(MSC) 기법을 적용하여 스펙트럼 데이터의 산란 정도를 보정하는 방식을 사용하는 것을 특징으로 한다.
여기에서, 상기 주성분 분석기법(PCA; Principal Component Analysis)을 통해서는 편백나무 종자에 대한 지질과 단백질 및 수분의 화학성분 차이를 분석함으로써 스펙트럼 데이터의 차원 축소와 더불어 발아 종자와 비발아 종자 간의 스펙트럼 데이터 분포의 차이를 분석하고 빠른 판별을 가능하게 하는 것을 특징으로 한다.
여기에서, 상기 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)을 통해서는 아래의 (수학식 1)을 이용하여 스펙트럼 데이터를 분석함으로써 발아 종자와 비발아 종자 간의 스펙트럼 데이터 분포의 차이를 시각화 가능하게 하여 발아 종자와 비발아 종자에 대한 보다 정확한 예측 및 분별을 가능하게 하는 것을 특징으로 한다.
(수학식 1)
Y = (X ×B) + E
여기서, Y는 종자별 반응 이산변수(response binary variables)로 이루어진 행렬이고, X는 종자별 스펙트럼값으로 이루어진 행렬이고, B는 회귀상관계수로 이루어진 행렬이며, E는 잔차행렬이다.
여기에서, 상기 (F)단계에서는, 주어진 샘플(a)과 변수(k)에 대한 PLS(Partial Least Squares) 가중치(w)의 제곱의 합으로 구해지는 아래의 (수학식 2)를 이용한 VIP(Variable Importance on Projection) 분석을 통해 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석하여 흡수파장영역을 획득하는 것을 특징으로 한다.
(수학식 2)
여기서, A, a는 샘플(component)이고, K는 변수이며, SSY는 샘플의 Y-분산이다.
본 발명에 따르면, 초분광 영상촬영을 통해 스펙트럼 데이터를 획득하여 이를 전처리 및 다변량 분석을 실시하고 이러한 스펙트럼 데이터 분석결과를 토대로 편백나무 종자의 발아 여부를 판정 및 검증함으로써 비파괴적 검사에 의한 편백나무 종자의 발아 여부를 빠르게 진단할 수 있고 보다 정확하게 우량종자를 선별할 수 있는 유용함을 달성할 수 있다.
본 발명은 초분광 영상촬영을 통해 획득한 스펙트럼 데이터 및 이를 이용하여 편백나무 종자의 우량종자 선별에 적합한 다변량 분석모델을 도출해낼 수 있고, 편백나무 종자의 발아 여부를 결정짓는 주요 파장대를 이용하여 편백나무 종자에 대한 지질과 단백질 및 수분 등의 화학성분 차이를 분석함으로써 편백나무 우량종자를 선별할 수 있으며, 편백나무 종자의 발아 여부를 신속하면서도 정확하게 진단하여 우량종자를 선별할 수 있는 유용함을 달성할 수 있다.
본 발명은 발아가 우수한 편백나무 우량종자를 선별하여 활용함으로써 산림의 재조림을 위한 편백나무 종자의 수요를 만족시킬 수 있고 편백나무 종자를 이용한 재조림 효율을 높이는데 기여할 수 있으며, 기타 산림용 종자의 우량종자 선별에도 활용할 수 있는 유용함을 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법을 설명하기 위해 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 스펙트럼 데이터를 그래프로 나타낸 도면으로서, (a) 편백나무 종자의 전처리 되지 않은 원본 스펙트럼 그래프이고, (b)는 SNV 기법으로 전처리 된 개별 스펙트럼 그래프이며, (c)는 SNV 기법으로 전처리 된 평균 스펙트럼 그래프이다.
도 3은 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 주성분 분석기법에 의한 분석 결과를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 다변량 통계분석기법에 의한 분석 결과를 나타낸 도표이다.
도 5는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 다변량 통계분석기법에 의한 분류 그래프를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 VIP 분석기법에 의한 PLS-DA 모델 분류 그래프로서, (a)는 Calibration 그래프이고, (b)는 Validation 그래프이다.
도 7은 본 발명에 있어 개발된 VIP 분석기법에 의한 PLS-DA 모델과 기존 PLS-DA 모델의 결과치를 나타낸 도면이다.
도 8은 본 발명에 있어 2개의 종자그룹에 대한 모델 블라인드 테스트 결과를 나타낸 도면이다.
도 9는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 VIP PLS-DA 모델의 상관계수 그래프를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 스펙트럼 데이터를 그래프로 나타낸 도면으로서, (a) 편백나무 종자의 전처리 되지 않은 원본 스펙트럼 그래프이고, (b)는 SNV 기법으로 전처리 된 개별 스펙트럼 그래프이며, (c)는 SNV 기법으로 전처리 된 평균 스펙트럼 그래프이다.
도 3은 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 주성분 분석기법에 의한 분석 결과를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 다변량 통계분석기법에 의한 분석 결과를 나타낸 도표이다.
도 5는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 다변량 통계분석기법에 의한 분류 그래프를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 VIP 분석기법에 의한 PLS-DA 모델 분류 그래프로서, (a)는 Calibration 그래프이고, (b)는 Validation 그래프이다.
도 7은 본 발명에 있어 개발된 VIP 분석기법에 의한 PLS-DA 모델과 기존 PLS-DA 모델의 결과치를 나타낸 도면이다.
도 8은 본 발명에 있어 2개의 종자그룹에 대한 모델 블라인드 테스트 결과를 나타낸 도면이다.
도 9는 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 있어 VIP PLS-DA 모델의 상관계수 그래프를 나타낸 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명하기로 한다.
본 발명에서 사용되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 정의는 본 발명의 기술적 사항에 부합되는 의미와 개념으로 해석되어야 할 것이다.
아울러, 본 발명의 실시예는 본 발명의 권리범위를 한정하는 것이 아니라 본 발명의 청구범위에 제시된 구성요소의 예시적인 사항에 불과하며, 본 발명의 명세서 전반에 걸친 기술사상에 포함되고 청구범위의 구성요소에서 균등물로서 치환 가능한 구성요소를 포함하는 실시예는 본 발명의 권리범위에 포함될 수 있다.
그리고, 아래 실시예에서의 선택적인 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로서, 구성요소가 상기 용어들에 의해 제한되는 것은 아니다. 이하, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 관련된 공지기술에 대한 상세한 설명은 생략한다.
도 1 내지 도 9를 참조하여 본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 대해 상세히 설명하면 다음과 같다.
본 발명의 실시예에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법은 도 1에 나타낸 바와 같이, 편백나무 종자 구비단계(S10), 스펙트럼 데이터 획득단계(S20), 발아 테스트단계(S30), 스펙트럼 데이터 전처리단계(S40), 발아종자와 비발아종자 분석 및 분별단계(S50), 흡수파장영역 획득단계(S60)를 포함하는 구성으로 이루어진다.
상기 편백나무 종자 구비단계(S10)는 편백나무 종자를 다수 구비하는 단계이다.
상기 스펙트럼 데이터 획득단계(S20)는 다수 구비된 편백나무 종자에 대해 각각 초분광 영상 촬영으로 스펙트럼을 측정하여 스펙트럼 데이터를 획득하는 단계이다.
이때, 상기 스펙트럼 데이터 획득단계(S20)는 근적외선 분광기를 이용하여 4,000~10,000cm-1(1000~2,500nm) 범위에서 5±2cm-1의 파장분해능을 가지고 초분광 영상 촬영을 실시하여 각각의 편백나무 종자에 대한 스펙트럼 데이터를 획득한다.
여기에서, 상기 근적외선 분광기의 측정부에 편백나무 종자를 올려놓은 상태에서 검은색 후드로 덮어 외부 광원의 유입을 차단한 상태로 측정함이 바람직하며,각 편백나무 종자마다 5회 이상으로 다수 회 측정한 후 평균 스펙트럼 데이터를 획득한다.
상기 발아 테스트단계(S30)는 상기 스펙트럼 측정을 마친 다수의 편백나무 종자에 대해 흐르는 물에 노출시킨 후, 발아 테스트를 실시하여 발아 여부를 검사하는 단계이다.
이때, 상기 발아 테스트단계(S30)에서는 편백나무 종자에 대해 흐르는 물에 40~60시간 동안 노출시키고, 종이-위-발아(Top-paper Germination) 방식으로 발아 테스트를 실시한다.
여기에서, 빛은 5~10시간 동안 광원을 노출시킨 이후 10~20시간 동안 광원을 차단하고, 20~24℃의 온도 및 60-80%의 상대습도로 각각 유지한 상태로 실시함이 바람직하며, 발아테스트 시작 후 7일이 경과하였을 때부터 21일이 지나기까지 매일 발아율을 측정하고 발아 싹 길이가 1cm가 넘는 종자를 발아 종자로 판단한다.
상기 스펙트럼 데이터 전처리단계(S40)는 상기 스펙트럼 데이터 획득단계(S20)에서 획득한 각 편백나무 종자의 스펙트럼 데이터에 대해 초분광 영상 촬영시 발생되는 노이즈 신호에 의해 오염되지 않도록 전처리하는 단계이다.
부연하여, 상기 근적외선 분광기를 통해 초분광 영상 촬영으로 획득되는 스펙트럼 데이터는 빛의 산란, 기준선 이동, 장비 오차, 경로 길이에 의한 차이 등으로 인해 노이즈가 많이 발생하므로 직접적인 분석 데이터로 사용하는데 신뢰성이 떨어지며, 이러한 노이즈들은 전처리를 통해 스펙트럼 데이터들이 노이즈 신호에 의해 오염되지 않도록 하여 사용함이 바람직하다.
이를 위해, 상기 스펙트럼 데이터 전처리단계(S40)에서는 상기 스펙트럼 데이터 획득단계(S20)에서 획득한 각 스펙트럼 데이터에 대해 raw Standard Normal Variate transformation(SNV) 기법을 적용하여 종자별 크기에 따른 스펙트럼 데이터의 차이나 산란에 의한 오차를 보정하는 방식 또는 Multiple Scatter Correlation(MSC) 기법을 적용하여 스펙트럼 데이터의 산란 정도를 보정하는 방식을 사용할 수 있다.
상기 발아종자와 비발아종자 분석 및 분별단계(S50)는 상기 스펙트럼 전처리단계(S40)를 거친 각 스펙트럼 데이터로부터 주성분 분석기법(PCA; Principal Component Analysis)과 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)을 활용하여 편백나무 종자를 분석함으로써 이들에 대해 발아 종자와 비발아 종자를 분별하는 단계이다.
여기에서, 상기 주성분 분석기법(PCA; Principal Component Analysis)을 통해서는 편백나무 종자에 대한 지질과 단백질 및 수분의 화학성분 차이를 분석함으로써 스펙트럼 데이터의 차원 축소와 더불어 발아 종자와 비발아 종자 간의 스펙트럼 데이터 분포의 차이를 분석한다.
또한, 상기 주성분 분석기법을 통해 분석 데이터를 시각화 처리할 수 있고 빠른 판별을 가능하게 한다.
여기에서, 상기 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)을 통해서는 아래의 (수학식 1)을 이용하여 스펙트럼 데이터를 분석한다.
(수학식 1)
Y = (X ×B) + E
여기서, Y는 종자별 반응 이산변수(response binary variables)로 이루어진 행렬이고, X는 종자별 스펙트럼값으로 이루어진 행렬이고, B는 회귀상관계수로 이루어진 행렬이며, E는 잔차행렬이다.
이러한 다변량 통계분석기법을 통해 발아 종자와 비발아 종자 간의 스펙트럼 데이터 분포의 차이를 분석할 수 있고 시각화 처리할 수 있으며, 발아 종자와 비발아 종자에 대한 보다 정확한 예측 및 분별을 가능하게 한다.
상기 흡수파장영역 획득단계(S60)는 VIP(Variable Importance on Projection) 분석기법을 활용하여 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석함으로써 흡수파장영역을 획득하는 단계이다.
상기 흡수파장영역 획득단계(S60)에서는 주어진 샘플(a)과 변수(k)에 대한 PLS(Partial Least Squares) 가중치(w)의 제곱의 합으로 구해지는 아래의 (수학식 2)를 이용한 VIP(Variable Importance on Projection) 분석기법을 통해 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석하여 흡수파장영역을 획득한다.
(수학식 2)
여기서, A, a는 샘플(component)이고, K는 변수이며, SSY는 샘플의 Y-분산이다.
상기 VIP(Variable Importance on Projection) 분석기법을 활용한 흡수파장영역 획득단계(S60)를 통해 각 편백나무 종자에 대한 흡수파장대를 분석함으로써 편백나무 종자의 발아여부를 가장 정확하게 판단할 수 있어 우량종자 선별에 따른 신뢰성을 제공할 수 있다.
이하, 본 발명에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법에 대하여 실험예를 설명하면 다음과 같다.
편백나무 종자 구비단계
편백나무 종자들은 국립산림품종관리센터(National Forest Seed and Variety Center)에서 획득하였고, 획득된 종자들은 각각 Retinispora_C69_2016, Retinispora_6P'_2017, Retinispora_80P'_2017의 3개의 그룹으로 분류하였으며, 4℃의 온도에서 저장하였다.
첫 그룹의 종자들은 종자들의 발아 여부 판단 모델 개발을 위해 사용하였고, 나머지 두 그룹의 종자들은 블라인드 테스트용으로 사용하였다. 총 1000개의 종자들을 무작위적으로 선별한 후 발아 여부 판단 모델 개발을 위해 사용하였고, 어떠한 전처리나 해부학적 검사과정도 적용하지 않았다.
스펙트럼 데이터 획득단계
각 편백나무 종자별 스펙트럼 데이터는 근적외선 분광기(Antaris II FT-NIR Analyzer, Thermo Scientific Co., MA, USA)를 이용하여 4,000~10,000cm-1 (1000~2,500nm) 범위에서 4cm- 1 의 파장분해능으로 측정하였다. 편백나무 종자들의 스펙트럼 데이터는 근적외선 분광기의 측정부에 종자를 올려놓은 뒤 검은색 후드로 덮어 외부 광원의 유입을 차단한 뒤 초분광 영상 촬영을 통해 측정하였으며, 각 편백나무 종자마다 총 32번 측정한 후, 평균을 내어 스펙트럼 데이터를 획득하였다.
편백나무 종자의 전처리 되지 않은 원본 스펙트럼 그래프는 도 2의 (a)에서 확인할 수 있듯이 노이즈와 스펙트럼 산란 효과의 영향을 많이 받음을 보여주고 있다.
발아 테스트단계
스펙트럼 측정이 끝난 후, 각 편백나무 종자들은 흐르는 물에 48시간 동안 노출시킨 후 국제종자검사협회의 검사기준에 따라 종이-위-발아(Top-paper Germination) 방식으로 발아를 진행하였다.
이때, 발아 환경의 경우, 빛은 8시간 동안 광원노출 이후 16시간 동안 광원을 차단하고, 온도는 20~24℃, 상대습도는 60~80%로 각각 유지되게 하였다. 이러한 발아 환경에서 발아테스트를 시작한 후 7일이 경과하였을 때부터 21일이 지나기까지 매일 발아율을 측정하였으며, 발아 싹 길이가 1cm가 넘는 종자를 발아 종자로 정의하였다.
발아 테스트 결과, 발아율은 20.3%였고, 이중 42개의 종자가 곰팡이에 감염되었는데, 이러한 곰팡이 감염은 저장기간이 짧은 미성숙한 종자들이 무작위 종자 선택과정에서 포함되어 발생했을 가능성이 있다.
스펙트럼 데이터 전처리단계
편백나무 종자에 대한 전처리는 한 번에 1개씩 적용하였으며, 편백나무 종자의 전처리 되지 않은 원본 스펙트럼 그래프인 도 2의 (a)에서 확인할 수 있듯이 노이즈와 스펙트럼 산란 효과의 영향을 많이 받는 것을 고려하여 이러한 스펙트럼 산란 효과에 대해 SNV 전처리 기법을 이용하여 보정하였다.
도 2의 (b)에서와 같이, SNV로 전처리된 개별 스펙트럼 그래프를 통해서는 발아 종자와 비발아 종자 간의 뚜렷한 차이가 보이지 않음을 보여주고 있으나, 도 2의 (c)에서와 같이 SNV로 전처리된 평균 스펙트럼 그래프를 통해 스펙트럼의 평균값으로 비교하였을 때, 발아 종자와 비발아 종자와의 차이가 1700~1800nm, 그리고 2200~2390nm 파장대 영역에서 극값의 차이를 보임을 확인할 수 있었다.
비발아 종자들은 1000~1500nm와 2300~2500nm의 파장 영역대에서 발아 종자보다 더 높은 흡수율을 가졌으며, 발아 종자들은 1700~1910nm 파장 영역대에서 더 높은 흡수율을 보여주었다. 이러한 차이는 발아 종자와 비발아 종자 간의 화학성분 차이로 인해 발생했을 수 있다.
발아종자와
비발아종자
분석 및 분별단계
주성분 분석기법(PCA; Principal Component Analysis)을 적용하여 획득한 스펙트럼 데이터로부터 발아 종자와 비발아 종자를 분별하는 분류모델로 사용하였으며, 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)은 발아 종자와 비발아 종자간의 데이터 분포의 차이를 시각화를 통해 부각시키고자 적용하였다.
도 3은 주성분 분석기법에 의한 분석 결과를 나타낸 도면으로서, 도 3의 (a)는 전처리하지 않는 스펙트럼 데이터의 PCA score 그래프를 나타낸 것이고, 도 3의 (b)에서는 2번째와 4번째 PC간의 score 그래프를 나타낸 것이며, 도 3의 (c)는 PCA loading 그래프를 나타낸 것이다.
여기에서, 도 3의 (b)는 스펙트럼 파장 값으로 대표되는 변수들을 주성분(principal components)으로 치환하는 과정에서 차원 축소가 일어나며 이는 그림 2b에 나타내어져 있다.
주성분 분석기법에 의한 분석 데이터 PC1, PC2, PC3, PC4는 스펙트럼 데이터 내의 총 분산의 99.93%를 차지하며, 나머지 주성분들이 남은 0.07%를 나타내었다. PC1, PC2, PC3, PC4는 각각 순서대로 98.15%. 1.59%, 0.1% 그리고 0.09%의 스펙트럼 분산백분율을 나타내었다.
여기에서, 도 3의 (c)를 통해 알 수 있듯이, PC loading 그래프에 있어 4개의 loading들 또한 큰 영향력을 가졌는데, 이중 2번째와 4번째의 loading 그래프에서 주요 극값들을 찾을 수 있었다.
이러한 극값은 1600~1800nm의 파장대에서 발견되었는데, 이는 C-H first stretching bond와 관련이 있을 확률이 높은데, 주로 편백나무 종자가 갖는 화학성분 중에서 지질을 대표한다.
PLS-DA 모델과 같은 경우에는 아래의 식(1)을 이용하여 데이터를 분석하고 보다 정확한 예측 정확도를 얻기 위해 사용되었다.
다변량 통계분석기법을 적용한 경우, (수학식 1)을 이용하여 각 모델들의 Calibration과 Prediction 정확도에 대해 전처리 방식에 따라 발아 여부를 정확하게 판단할 수 있도록 계산하였고, 가장 높은 정확도를 가지는 모델이 편백나무 종자의 발아 여부를 예측하는 가장 신뢰도 높고 일반화된 모델로 선정하였다.
발아 테스트 이후, 근적외선 분광기를 통해 얻어진 모든 편백나무 종자들의 스펙트럼 데이터는 발아 그룹과 비발아 그룹으로 분류하였고, 최종적으로 PLS-DA 모델은 1000~2500nm 사이의 스펙트럼값을 가지고 개발하였으며, Calibration set 으로 284개 종자(발아 종자와 비발아 종자 모두 142개씩)를 사용하였고, Validation set으로 122개 종자(발아 종자와 비발아 종자 모두 61개씩)를 사용하였으며, 남은 594개의 종자들은 검증을 위한 test data set으로 사용하였다.
Calibration set과 Validation set의 정확도는 전처리 방식별로 발아 여부를 정확하게 판단한 종자 개수에 따라 계산하였으며, 그 결과를 도 4에 나타내었다.
Y-벡터에서의 발아 종자와 비발아 종자의 값은 각각 1과 0으로 지정하였고, 0.5를 문턱값으로 설정한 후, 문턱값을 넘는 값은 발아 종자로 분류하고, 설정된 문턱값을 넘지 못하는 값은 비발아 종자로 분류하였다.
도 4에서 확인할 수 있듯이, 97.7-99.2%의 calibration 정확도와 94.4-95.4%의 validation 정확도를 보여주고 있다.
또한, 도 5는 다변량 통계분석기법(PLS-DA)을 적용하여 분석한 그래프로서, 발아 종자와 비발아 종자 간의 확연한 차이를 도 5의 (a)인 Calibration set과 도 5의 (b)인 Validation set 모두에서 보여주고 있다.
이러한 결과들은 발아 종자와 비발아 종자 간의 화학 구성성분 차이로 인해 두 그룹의 분류가 가능함을 보여주는 것이라 할 수 있다.
이와 같이, 주성분 분석기법과 다변량 통계분석기법을 통해서는 발아 종자와 비발아 종자에 대해 빠르게 분석 및 판별할 수 있으며, 보다 정확하게 예측 및 분별할 수 있다.
흡수파장영역 획득단계
(수학식 2)를 이용한 VIP 분석기법을 이용해 변수 선별이 이루어졌고, 0~3사이의 VIP 값을 가지는 데이터를 분류하기 위해 VIP PLS-DA 모델을 개발하였고, VIP 모델의 문턱값이 증가함에 따라 최종적으로 선별된 파장대가 점차적으로 줄어들었으며, 최종적으로 VIP 모델의 문턱값은 2.43으로 결정하였고, 이때 선별된 파장대는 총 27개였다. 최종 결정된 문턱값을 적용한 새로운 VIP PLS-DA 모델을 개발하였다.
도 6은 본 발명에서 개발된 VIP PLS-DA 모델을 이용한 VIP score 그래프를 나타낸 것인데, 1600~1800nm 파장영역대 중에서 중앙에 위치한 1713nm의 파장이 종자의 발아 여부를 결정짓는데 큰 역할을 하고 있음을 보여주고 있다. 이 파장은 C-H first stretching bond와 관련이 있으며 주로 지질을 나타낸다. 이 1713nm 파장대를 제외하게 되면 모델의 전반적인 예측 정확도가 감소하게 될 것이고, 개발된 VIP 모델의 문턱값보다 큰 문턱값들은 이 파장을 제외하게 되어 낮은 정확도를 가질 수밖에 없음을 알 수 있다.
또한, 개발된 VIP PLS-DA 모델과 기존 PLS-DA 모델을 594개의 Test set으로 보다 정확하게 비교하기 위해서 SNV 전처리기법을 두 모델에 각각 적용하여 그 결과를 도 7에 나타내었으며, 모든 Test set의 594개 종자들은 발아 테스트에 의하면 전부 비발아 종자인 것으로 판단되었으나, 기존의 PLS-DA 모델과 VIP PLS-DA 모델의 예측결과 모두 Test set에 발아 종자가 있는 것으로 예측하였고, 이는 발아 환경이나 휴면종자와 같이 종자의 발아 여부에 영향을 줄 수 있는 변수들 때문인 것으로 판단된다.
개발된 VIP PLS-DA 모델을 Retinispora_6p'_2017와 Retinispora_80p'_2017 의 2가지 편백나무 종자 그룹에 적용하였으며, 각 모델별 정확도와 적용 수치들에 대해 도 8에 나타내었다.
각 그룹별 200개의 편백나무 종자들이 개발된 VIP PLS-DA 모델을 이용해서 발아 여부를 판단하였으며, 편백나무 종자의 발아 여부를 오진하는 경우는 종자의 휴면, 적절하지 않은 환경, 또는 긴 저장 기간 등에 의해 발생할 수 있다.
또한, 도 9는 VIP PLS-DA 모델의 상관계수를 나타낸 그래프로서, 발아 종자와 비발아 종자 간의 구성성분 차이로 인해 다른 스펙트럼 흡수가 발생함을 보여주고 있다, 이 상관계수 그래프는 편백나무 종자의 발아 여부를 규정할 수 있는 파장 영역대를 보여주고 있다.
도 9에서는 1000~1400nm 파장영역대에서의 상관계수 그래프는 각각 1167nm, 1209nm, 1330nm, 1392nm의 4개의 파장대에서 중요한 극값을 나타내고 있다. 1167nm와 1209nm 파장은 C-H second overtone stretching vibration와 관련이 있는데 이는 CH3기가 존재함을 나타내며, 1330nm와 1392nm의 파장은 second combination C-H stretching bond와 관련이 있는데 이는 지질을 나타낸다.
1400~2000nm 파장영역대에서는 상관계수 그래프가 각각 1520, 1637, 1685, 1714, 1740, 1798, 1944 nm의 7개의 파장대에서 중요한 극값을 보여주고 있다. 1520nm 파장대는 first overtone N-H and O-H stretching bond와 관련이 있으며 이는 H2O와 단백질 부분(moieties)을 나타낸다. 1637~1798nm 사이의 파장대들은 C-H first stretching bond와 관련이 있으며 지질을 나타낸다. 1944nm 파장대는 O-H first overtone and combination bands와 관련이 있으며 물의 존재를 나타낸다.
2000~2400nm 파장영역대에서는 상관계수 그래프가 각각 2035, 2111, 2146, 2188, 2231, 2284, 2301, 2317, 2346, 2379nm의 10개 파장대에서 중요한 극값을 보여주고 있다. 2035nm와 2111nm의 파장대는 combination N-H and O-H stretching와 관련이 있으며 여러가지 단백질들과 물을 나타낸다. 2200~2460nm 사이의 흡수파장대들 중에서도 2284nm에서의 극값은 CH2 stretch bend combinations를 나타낸다. 여러 기름을 함유한 작물들은 이러한 파장대에서 양의 상관관계를 보여 polyunsaturated fatty acids와 같은 지방산들을 나타냄을 알 수 있다.
위의 여러 파장대들을 통해서 근적외선 분광기는 지질, 단백질, 수분과 같은 발아 종자와 비발아 종자 간의 화학성분의 차이를 구분해낼 수 있음을 알 수 있었다.
이에 따라, 상술한 단계로 이루어지는 본 발명에 따른 초분광영상기술을 이용한 편백나무 우량종자 선별방법을 통해서는 비파괴적 검사에 의한 편백나무 종자의 발아 여부를 빠르게 진단하고 정확하게 우량종자를 선별할 수 있는 장점을 제공할 수 있다.
이상의 설명은 본 발명을 예시적으로 설명한 것이고, 명세서에 게시된 실시예는 본 발명의 기술사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 기술사상을 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 그러므로 본 발명의 보호범위는 청구범위에 기재된 사항에 의해 해석되고, 그와 균등한 범위 내에 있는 기술적 사항도 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
S10: 편백나무 종자 구비단계
S20: 스펙트럼 데이터 획득단계
S30: 발아 테스트단계
S40: 스펙트럼 데이터 전처리단계
S50: 발아종자와 비발아종자 분석 및 분별단계
S60: 흡수파장영역 획득단계
S20: 스펙트럼 데이터 획득단계
S30: 발아 테스트단계
S40: 스펙트럼 데이터 전처리단계
S50: 발아종자와 비발아종자 분석 및 분별단계
S60: 흡수파장영역 획득단계
Claims (7)
- (A) 편백나무 종자를 구비하는 단계;
(B) 편백나무 종자에 대해 초분광 영상 촬영으로 스펙트럼 측정하여 스펙트럼 데이터를 획득하는 단계;
(C) 상기 스펙트럼 측정을 마친 편백나무 종자에 대해 흐르는 물에 노출시킨 후, 발아 테스트를 실시하여 발아 여부를 검사하는 단계;
(D) 상기 (B)단계에서 획득한 스펙트럼 데이터에 대해 초분광 영상 촬영시 발생되는 노이즈 신호에 의해 오염되지 않도록 전처리하는 단계;
(E) 상기 (D)단계를 거친 스펙트럼 데이터로부터 주성분 분석기법(PCA; Principal Component Analysis)과 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)을 활용하여 편백나무 종자에 대해 발아 종자와 비발아 종자를 분별하는 단계; 및
(F) VIP(Variable Importance on Projection) 분석기법을 활용하여 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석함으로써 흡수파장영역을 획득하는 단계; 를 포함하되,
상기 (B)단계에서는,
근적외선 분광기를 이용하여 4,000~10,000cm-1(1000~2,500nm) 범위에서 5±2cm-1의 파장분해능을 가지고 초분광 영상 촬영을 실시하여 편백나무 종자에 대한 스펙트럼 데이터를 획득하는 한편,
근적외선 분광기의 측정부에 편백나무 종자를 올려놓은 상태에서 검은색 후드로 덮어 외부 광원의 유입을 차단한 상태로 측정하고, 각 편백나무 종자마다 5회 이상으로 측정한 후 평균 스펙트럼 데이터를 획득하는 것을 특징으로 하는 초분광영상기술을 이용한 편백나무 우량종자 선별방법.
- 삭제
- 제 1항에 있어서,
상기 (C)단계에서는,
편백나무 종자에 대해 흐르는 물에 40~60시간 동안 노출시키고,
종이-위-발아(Top-paper Germination) 방식으로 발아 테스트를 실시하되, 빛은 5~10시간 동안 광원을 노출시킨 이후 10~20시간 동안 광원을 차단하고, 20~24℃의 온도 및 60-80%의 상대습도로 각각 유지한 상태로 실시하며,
발아테스트 시작 후 7일이 경과하였을 때부터 21일이 지나기까지 매일 발아율을 측정하되, 발아 싹 길이가 1cm가 넘는 종자를 발아 종자로 판단하는 것을 특징으로 하는 초분광영상기술을 이용한 편백나무 우량종자 선별방법.
- 제 1항에 있어서,
상기 (D)단계에서는,
상기 (B)단계에서 획득한 스펙트럼 데이터에 대해 raw Standard Normal Variate transformation(SNV) 기법을 적용하여 종자별 크기에 따른 스펙트럼 데이터의 차이나 산란에 의한 오차를 보정하는 방식 또는 Multiple Scatter Correlation(MSC) 기법을 적용하여 스펙트럼 데이터의 산란 정도를 보정하는 방식을 사용하는 것을 특징으로 하는 초분광영상기술을 이용한 편백나무 우량종자 선별방법.
- 제 1항에 있어서,
상기 주성분 분석기법(PCA; Principal Component Analysis)을 통해서는 편백나무 종자에 대한 지질과 단백질 및 수분의 화학성분 차이를 분석함으로써 스펙트럼 데이터의 차원 축소와 더불어 발아 종자와 비발아 종자 간의 스펙트럼 데이터 분포의 차이를 분석하고 빠른 판별을 가능하게 하는 것을 특징으로 하는 초분광영상기술을 이용한 편백나무 우량종자 선별방법.
- 제 1항에 있어서,
상기 다변량 통계분석기법(PLS-DA; Partial Least Squares-Discriminant Analysis)을 통해서는 아래의 (수학식 1)을 이용하여 스펙트럼 데이터를 분석함으로써 발아 종자와 비발아 종자 간의 스펙트럼 데이터 분포의 차이를 시각화 가능하게 하여 발아 종자와 비발아 종자에 대한 보다 정확한 예측 및 분별을 가능하게 하는 것을 특징으로 하는 초분광영상기술을 이용한 편백나무 우량종자 선별방법.
(수학식 1)
Y = (X ×B) + E
여기서, Y는 종자별 반응 이산변수(response binary variables)로 이루어진 행렬이고, X는 종자별 스펙트럼값으로 이루어진 행렬이고, B는 회귀상관계수로 이루어진 행렬이며, E는 잔차행렬이다.
- 제 1항에 있어서,
상기 (F)단계에서는,
주어진 샘플(a)과 변수(k)에 대한 PLS(Partial Least Squares) 가중치(w)의 제곱의 합으로 구해지는 아래의 (수학식 2)를 이용한 VIP(Variable Importance on Projection) 분석을 통해 편백나무 종자의 발아 여부를 결정짓는 흡수파장대를 분석하여 흡수파장영역을 획득하는 것을 특징으로 하는 초분광영상기술을 이용한 편백나무 우량종자 선별방법.
(수학식 2)
여기서, A, a는 샘플(component)이고, K는 변수이며, SSY는 샘플의 Y-분산이다.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180173424A KR102112088B1 (ko) | 2018-12-31 | 2018-12-31 | 초분광영상기술을 이용한 편백나무 우량종자 선별방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180173424A KR102112088B1 (ko) | 2018-12-31 | 2018-12-31 | 초분광영상기술을 이용한 편백나무 우량종자 선별방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102112088B1 true KR102112088B1 (ko) | 2020-05-18 |
Family
ID=70912693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180173424A KR102112088B1 (ko) | 2018-12-31 | 2018-12-31 | 초분광영상기술을 이용한 편백나무 우량종자 선별방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102112088B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113079850A (zh) * | 2021-03-31 | 2021-07-09 | 上海应用技术大学 | 一种鉴定萱草耐涝性的综合评价体系 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10257803A (ja) * | 1997-03-18 | 1998-09-29 | T S Shokubutsu Kenkyusho:Kk | 種子選別方法 |
| KR101011575B1 (ko) | 2010-04-13 | 2011-01-27 | 경북대학교 산학협력단 | 비침습적 우량종자 선별 방법 및 장치 |
| KR101424147B1 (ko) | 2012-12-03 | 2014-08-01 | 대한민국 | 종자 품질 판정 방법 및 이를 이용한 종자 품질 판정 시스템 |
| KR20150002852U (ko) | 2014-01-13 | 2015-07-22 | 주식회사 한국인삼공사 | 인삼 우량종자 선별 방법 및 그의 도구 |
| WO2016084452A1 (ja) * | 2014-11-28 | 2016-06-02 | 住友林業株式会社 | 近赤外光を用いた樹木の種子選別方法 |
| KR101738311B1 (ko) * | 2016-09-26 | 2017-05-30 | 충남대학교산학협력단 | 발아억제 처리된 유전자 변형 옥수수 종자의 비파괴 판별방법 |
| KR20180048084A (ko) * | 2016-11-02 | 2018-05-10 | 한국식품연구원 | 쌀의 품질측정 시스템 |
-
2018
- 2018-12-31 KR KR1020180173424A patent/KR102112088B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10257803A (ja) * | 1997-03-18 | 1998-09-29 | T S Shokubutsu Kenkyusho:Kk | 種子選別方法 |
| KR101011575B1 (ko) | 2010-04-13 | 2011-01-27 | 경북대학교 산학협력단 | 비침습적 우량종자 선별 방법 및 장치 |
| KR101424147B1 (ko) | 2012-12-03 | 2014-08-01 | 대한민국 | 종자 품질 판정 방법 및 이를 이용한 종자 품질 판정 시스템 |
| KR20150002852U (ko) | 2014-01-13 | 2015-07-22 | 주식회사 한국인삼공사 | 인삼 우량종자 선별 방법 및 그의 도구 |
| WO2016084452A1 (ja) * | 2014-11-28 | 2016-06-02 | 住友林業株式会社 | 近赤外光を用いた樹木の種子選別方法 |
| KR101738311B1 (ko) * | 2016-09-26 | 2017-05-30 | 충남대학교산학협력단 | 발아억제 처리된 유전자 변형 옥수수 종자의 비파괴 판별방법 |
| KR20180048084A (ko) * | 2016-11-02 | 2018-05-10 | 한국식품연구원 | 쌀의 품질측정 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113079850A (zh) * | 2021-03-31 | 2021-07-09 | 上海应用技术大学 | 一种鉴定萱草耐涝性的综合评价体系 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content | |
| Huang et al. | Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system | |
| Huang et al. | Apple mealiness detection using hyperspectral scattering technique | |
| Clark et al. | Detection of Brownheart in ‘Braeburn’apple by transmission NIR spectroscopy | |
| Lu | Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images | |
| CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
| Shenderey et al. | NIRS detection of moldy core in apples | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| Peng et al. | An LCTF-based multispectral imaging system for estimation of apple fruit firmness: Part I. Acquisition and characterization of scattering images | |
| Tian et al. | An optimal zone combination model for on-line nondestructive prediction of soluble solids content of apple based on full-transmittance spectroscopy | |
| Yang et al. | In situ determination of growing stages and harvest time of tomato (Lycopersicon esculentum) fruits using fiber-optic visible—near-infrared (vis-nir) spectroscopy | |
| KR102112088B1 (ko) | 초분광영상기술을 이용한 편백나무 우량종자 선별방법 | |
| Mukasa et al. | Determination of viability of Retinispora (Hinoki cypress) seeds using FT-NIR spectroscopy | |
| KR101224109B1 (ko) | 근적외선을 이용한 인삼(수삼)의 품질평가방법 | |
| Mat et al. | Prediction of sugarcane quality parameters using visible-shortwave near infrared spectroradiometer | |
| Ibrahim et al. | Preliminary study for inspecting moisture content, dry matter content, and firmness parameters of two date cultivars using an NIR hyperspectral imaging system | |
| Lu et al. | Rapid assessment of tomato ripeness using visible/near-infrared spectroscopy and machine vision | |
| Aredo et al. | Predicting of the Quality Attributes of Orange Fruit Using Hyperspec-tral Images | |
| Herrera et al. | Non-destructive determination of core-transition-outer wood of Pinus nigra combining FTIR spectroscopy and prediction models | |
| Noypitak et al. | Detection of cracked shell in intact aromatic young coconut using near infrared spectroscopy and acoustic response methods | |
| CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
| KR102099164B1 (ko) | 초분광 nir 영상을 이용한 인삼의 내부 내백 등급 판정시스템 및 판정방법 | |
| Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system | |
| Canaza-Cayo et al. | Prediction of alpaca fibre quality by near-infrared reflectance spectroscopy | |
| CN106442400B (zh) | 一种近红外光谱快速判定不同土壤类型茶鲜叶的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |