KR102287954B1 - 인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법 - Google Patents

인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법 Download PDF

Info

Publication number
KR102287954B1
KR102287954B1 KR1020200058197A KR20200058197A KR102287954B1 KR 102287954 B1 KR102287954 B1 KR 102287954B1 KR 1020200058197 A KR1020200058197 A KR 1020200058197A KR 20200058197 A KR20200058197 A KR 20200058197A KR 102287954 B1 KR102287954 B1 KR 102287954B1
Authority
KR
South Korea
Prior art keywords
laver
seaweed
classification
image
neural network
Prior art date
Application number
KR1020200058197A
Other languages
English (en)
Inventor
강병진
Original Assignee
강병진
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강병진 filed Critical 강병진
Priority to KR1020200058197A priority Critical patent/KR102287954B1/ko
Application granted granted Critical
Publication of KR102287954B1 publication Critical patent/KR102287954B1/ko

Links

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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23L—FOODS, FOODSTUFFS OR NON-ALCOHOLIC BEVERAGES, NOT OTHERWISE PROVIDED FOR; PREPARATION OR TREATMENT THEREOF
    • A23L17/00—Food-from-the-sea products; Fish products; Fish meal; Fish-egg substitutes; Preparation or treatment thereof
    • A23L17/60—Edible seaweed
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23L—FOODS, FOODSTUFFS OR NON-ALCOHOLIC BEVERAGES, NOT OTHERWISE PROVIDED FOR; PREPARATION OR TREATMENT THEREOF
    • A23L27/00—Spices; Flavouring agents or condiments; Artificial sweetening agents; Table salts; Dietetic salt substitutes; Preparation or treatment thereof
    • A23L27/10—Natural spices, flavouring agents or condiments; Extracts thereof
    • A23L27/14—Dried spices
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23L—FOODS, FOODSTUFFS OR NON-ALCOHOLIC BEVERAGES, NOT OTHERWISE PROVIDED FOR; PREPARATION OR TREATMENT THEREOF
    • A23L5/00—Preparation or treatment of foods or foodstuffs, in general; Food or foodstuffs obtained thereby; Materials therefor
    • A23L5/10—General methods of cooking foods, e.g. by roasting or frying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Nutrition Science (AREA)
  • Food Science & Technology (AREA)
  • Polymers & Plastics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Zoology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Image Analysis (AREA)

Abstract

인공지능 기반 김 분류 시스템의 김 분류 방법은 규격된 형태로 건조된 김의 이미지를 획득하는 단계, 획득된 이미지를 미리 결정된 분류기준에 따라 김을 분류하도록 학습된 신경망 모델에 입력하는 단계, 신경망 모델에서 판단된 김의 상태값을 출력하는 단계 및 김의 상태값에 따라 건조된 김을 분류하는 단계를 포함할 수 있다. 본 발명에 따르면 인공 지능을 통해 김의 품질에 따라 자동적으로 분류하여 육안으로 김을 븐류하는 방식보다 효율적이고 객관적으로 분류를 수행할 수 있다.

Description

인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법{Laver commercialization and quality control system using artificial intelligence-based classification and Method for the system}
본 발명은 인공지능 기반으로 김을 분류 및 상품화하는 시스템 및 방법에 관한 것이다.
김은 혈중 콜레스테롤 농도를 감소시키고 혈관벽을 튼튼하게 하여 고혈압 동맥경화의 예방과 치료에 효과가 있는 알긴산(alginic acid)를 함유하고 있는 해조류이다.
일반적으로 유통되는 김은 먼저 바다에서 생김을 채취하여 이송하고, 채취한 김의 변질 방지를 위해 소금물과 혼합하여 보관한 뒤, 생김에 포함된 이물질을 제거한다. 이후, 생김에 포함된 이물질이 제거되면 이를 적당한 크기로 절단하고, 김의 염분을 제거하기 위한 탈수 공정을 거친 후 탈수된 김을 짜지 않게 하기 위해 민물에 넣었다가 건조하여 형성한다. 이를 마른김이라고 부른다. 이러한 마른김에 여러가지 조미료를 가하거나 먹기 좋게 굽는 등 여러 가지 방법으로 가공한 후에 소비자에게 제공된다.
한편, 한국의 김산업의 세계 시장점유율은 55%에 달하며, 김스낵, 조미김 등 여러 형태로 세계 100여개 국가에 수출 중이다. 2015년에는 3천억원 2017년에는 5380억원을 돌파하고 있다.
그러나, 고무적인 수출 규모와 생산량 대비 제품의 부가가치가 다른 국가(중국, 일본)보다 현저히 낮은 편인데, 이는 김 분류 체계가 마련돼 있지 않다는 것이 하나의 이유이며, 김의 품질에 따라 분류하기 위해 전문가의 육안으로 체크하고 있는 것이 현실이다.
이러한 방법에 의할 경우 많은 양의 건조된 김을 검사하는 경우 검사하는 사람에게 지속적인 집중을 요구하게 되므로 김의 품질을 오판할 수 있으며 검사자에 따라 개인화된 품질 분류가 발생할 수 있다는 단점이 있다.
또한, 사람이 직접 분류하는 방식은 비효율적이며 김의 가격 상승을 야기하여 시장 경쟁력을 떨어뜨릴 수 있는 문제가 있다.
따라서, 효율적으로 김의 품질에 따라 분류 시스템 및 방법이 요구되고 있다.
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 인공지능 기반으로 김을 분류하는 시스템 및 방법을 제공함에 있다.
인공지능 기반 김 분류 시스템의 김 분류 방법은 규격된 형태로 건조된 김의 이미지를 획득하는 단계, 획득된 이미지를 미리 결정된 분류기준에 따라 상기 김을 분류하도록 학습된 신경망 모델에 입력하는 단계, 상기 신경망 모델에서 판단된 김의 상태값를 출력하는 단계 및 상기 김의 상태값에 따라 상기 건조된 김을 분류하는 단계를 포함할 수 있다.
또한, 상기 분류기준은 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도에 따라 김을 분류하는 기준일 수 있다.
또한, 상기 신경망 모델은 상기 이미지를 이용하여 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도를 판단하고, 상기 기준값과 비교하여 상기 김을 분류하도록 학습될 수 있다.
또한, 상기 분류 결과에 기초하여 구이 조건을 결정하고 상기 김을 굽는 단계를 더 포함할 수 있다.
또한, 상기 분류 결과 또는 상기 구이 조건에 기초하여 조미 조건을 결정하여 상기 김에 상기 조미 조건에 따른 조미료를 도포하는 단계를 더 포함하고, 상기 조미 조건은 조미료를 구성하는 각 성분의 비율을 결정하는 조건일 수 있다.
한편, 인공지능 기반 김 분류 시스템은 규격된 형태로 건조된 김의 이미지를 획득하는 이미지 획득부, 획득된 이미지를 미리 결정된 분류기준에 따라 상기 김을 분류하도록 학습된 신경망 모델에서 판단된 김의 분류 결과에 따라 상기 건조된 김의 등급을 분류하는 등급 분류부를 포함할 수 있다.
또한, 상기 분류기준은 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도에 따라 김을 분류하는 기준일 수 있다.
또한, 상기 신경망 모델은 상기 이미지를 이용하여 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도를 판단하고, 상기 기준값과 비교하여 상기 김을 분류하도록 학습될 수 있다.
또한, 상기 분류 결과에 기초하여 구이 조건을 결정하여 상기 김을 굽는 제1 가공부를 더 포함할 수 있다.
또한, 상기 분류 결과 또는 상기 구이 조건에 기초하여 조미 조건을 결정하여 상기 김에 상기 조미 조건에 따른 조미료를 도포하는 제2 가공부를 더 포함하고, 상기 조미 조건은 조미료를 구성하는 각 성분의 비율을 결정하는 조건일 수 있다.
상술한 본원 발명에 따르면, 인공 지능을 통해 김의 상태를 자동적으로 분류하여 육안으로 김의 등급을 나누는 방식보다 효율적인 효과가 있다.
또한, 상술한 본원 발명은 학습된 신경망 모델에 따른 김의 분류 결과에 기초하여 굽기 또는 조미 공정을 달리하고, 상품화된 김의 품질과 맛의 동일성을 추구할 수 있다.
도 1은 본 발명의 일 실시예에 따른 김의 제조 과정을 나타낸 개념도이다.
도 2는 본 발명의 일 실시예에 따른 김 분류 시스템을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 김의 이미지를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 신경망 모델을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 김 분류 방법을 나타낸 흐름도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 김의 제조 과정을 나타낸 개념도이다.
도 1을 참조하면, 김의 제조 과정은 먼저 바다에서 생김(예 : 참김, 방사무늬김, 잇바디돌김, 모무늬돌김 등)을 채취하여 이송하고, 채취한 김의 변질 방지를 위해 소금물과 혼합하여 보관한 뒤, 생김에 포함된 이물질을 제거한다.
이후, 생김에 포함된 이물질이 제거되면 이를 적당한 크기로 절단하고, 김의 염분을 제거하기 위한 탈수 공정을 거친 후 탈수된 생김을 짜지 않게 하기 위해 민물에 넣었다가 건조하여 마른김을 생성한다. 그리고, 건조된 원초(건조된 원초 및 원초의 조미를 위해 규격된 형태를 모두 “김” 이라 통칭함)는 1차로 구워지는 1차 가공과 구워진 김에 조미료를 뿌리는 2차 가공을 거칠 수 있다. 여기서, 1차 가공과 2차 가공에는 필요에 따라 추가적인 건조과정과 절단과정을 더 포함할 수 있다.
1차 가공 및 2차 가공을 마친 김은 포장되어 중금속 이물 검사를 거쳐 소비자들에게 유통되고 있다.
본 발명인 김 분류 시스템(100)은 마른김에서 유통되는 사이의 1차 가공과 2차 가공에 적용될 수 있으며, 경우에 따라 복수의 가공 단계에 중복 적용될 수 있다.
이하에서는 도 2를 참조하여 김 분류 시스템(100)에 대해서 설명한다.
도 2는 본 발명의 일 실시예에 따른 김 분류 시스템(100)을 나타낸 블록도이다.
도 2를 참조하면, 인공지능 기반의 김 분류 시스템(100)은 이미지 획득부(110), 분류부(120), 신경망 모델(122), 제1 가공부(130) 및 제2 가공부(140)를 모두 또는 일부 포함하여 구성될 수 있다.
이미지 획득부(110)는 규격된 형태로 건조된 김의 이미지를 획득할 수 있다. 여기서, 규격된 형태는 김의 형태를 의미하며 일반적으로 사각 판형의 형태일 수 있다.
구체적으로, 이미지 획득부(110)는 규격된 형태로 건조된 김과 일정 간격으로 이격된 위치에서 김을 촬영하여 김의 이미지를 획득할 수 있다. 또한, 이미지 획득부(110)는 김의 이미지를 촬영할 때, 김에 조명을 비추면서 촬영할 수 있다. 여기서, 조명은 특정 색의 가시광선이나 적외선이 이용될 수 있으며, 김의 종류나 구성 비율에 따라 결정될 수 있다.
예를 들어, 이미지 획득부(110)의 조명은 참김은 적외선, 방사무늬김은 400~450 파장의 가시광선, 잇바디돌김은 300~400 파장의 가시광선으로 결정될 수 있으며, 이는 하나의 예시이며 김의 종류와 비율 등에 따라 결정될 수 있다.
또한, 이미지 획득부(110)는 김의 전체 또는 일부분에 대한 이미지를 획득할 수 있다. 이와 관련하여, 도 3을 참조하여 설명한다.
도 3은 본 발명의 일 실시예에 따른 김의 이미지를 나타낸 예시도이다.
도 3을 참조하면, 이미지 획득부(110)는 돌김(a), 재래김(b), 파래김(c), 김밥용김(d), 곱창김(e)의 일부분에 대한 이미지를 획득할 수 있다. 이때, 이미지 획득부(110)는 (a) 내지 (e)의 김 종류에 따라 조명을 달리하여 김의 이미지를 획득할 수 있다.
한편, 이미지 획득부(110)는 상술한 바와 같이 김을 촬영하여 김의 이미지를 획득하는 것에 한정되지 않고, 타 기기로부터 촬영된 이미지를 수신 받을 수도 있다. 예를 들어, 이미지 획득부(110)는 외부 카메라나 외부 서버로부터 촬영된 김의 이미지를 수신 받을 수도 있다.
다시 도 2를 참조하면, 분류부(120)는 신경망 모델(122)에 기초하여 김을 분류하는 기능을 수행할 수 있다. 구체적으로, 분류부(120)는 획득된 김 이미지를 미리 결정된 분류기준에 따라 김을 분류하도록 학습된 신경망 모델(122)에서 판단된 김의 분류 결과에 따라 김을 분류할 수 있다. 여기서, 신경망 모델(122)은 획득된 김의 이미지를 이용하여 품질에 따른 분류에 유의미한 판단요소들을 추출하고, 추출된 판단요소별 특징 값에 따라 김의 분류 결과를 출력하도록 학습될 수 있다.
이때, 판단요소는 김의 이미지에서 판단되는 김의 색상, 색상균일도, 투명도, 입자크기, 입자분포, 평면모양, 원초모양 및 광택의 정도 등을 포함할 수 있다. 김의 색상은 김 이미지의 평균적인 색상을 의미하며, 흑자색, 적자색, 적색, 갈자색, 갈녹색, 황녹색, 청녹색, 흑녹색, 혼합계열 등이 있을 수 있다. 색상균일도는 김의 평균 색상 수준으로 얼마나 균일한지를 나타낼 수 있다. 투명도는 김이 조명을 통과시키는 정도를 의미하며, 김의 두께 또는 무게 도출을 위한 기준으로 사용될 수 있다. 입자크기와 입자분포는 평균적인 김의 입자의 크기와 분포정도를 의미하며, 김의 부드러움이나 질김 등을 판단하는 기준으로 사용될 수 있다. 평면모양은 김 평면의 모양으로 김의 표면이 매끈하거나 거친 정도를 나타낼 수 있다. 원초모양은 김에 사용된 원초모양을 의미하며, 복수의 원초가 사용된 경우는 그 비율을 포함할 수 있다.
이하에서, 신경망 모델(122)과 관련하여 도 4를 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 신경망 모델(122)을 나타낸 예시도이다.
도 4를 참조하면, 도 4는 상술한 신경망 모델(122)의 구조를 개념적으로 도시하는 도로서, 신경망 모델(122)은 김의 전체 또는 일부의 이미지를 학습 데이터로 입력 받을 수 있다.
신경망 모델(122)은 일반적인 딥러닝 모델과 같이 입력층과 출력층 및 연산을 수행하는 은닉층으로 구성될 수 있다.
본 실시예에서 입력층은 김의 전체 또는 일부의 이미지를 입력 데이터로 입력 받을 수 있다. 또한, 각 이미지에 대한 김의 품질에 따른 분류 정보(또는 판단요소별 정보)가 함께 레이블링되어 신경망은 지도 학습 방식으로 내부의 은닉층에 포함된 레이어들을 반복적으로 업데이트할 수 있다.
입력층으로 입력된 값들은 은닉층 내부의 각각의 레이어들을 통과하며 행렬 연산을 수행하도록 한다.
예를 들어 본 실시예에서 신경망 모델은 CNN(Convolution Neural Network) 형태로 구성되어 내부의 은닉층에서 반복적인 합성곱 연산을 수행할 수 있다.
각 층마다 결정된 필터를 통해 특징값들은 합성곱 연산되며 새로운 행렬로 구성되며, 최종 출력 값은 활성화 함수와 완전 연결 레이어를 통해 출력 될 수 있다.
본 실시예에서는 구체적으로 김의 품질에 따른 분류체계가 이미지 데이터 상에 레이블링 되어 있으므로 신경망 모델은 각 판단요소별 특징을 갖는 이미지 데이터 상의 패턴들을 판별하도록 학습될 수 있다
이상 학습된 신경망 모델(122)로 입력된 입력 데이터는 신경망 내의 각 레이어를 거치면서 미리 결정된 크기의 필터에 따라 컨볼루션 연산될 수 있다.
신경망 모델(122)은 컨볼루션 연산으로 생성된 특징 맵을 1차원의 출력으로 생성하는 완전 연결 레이어(Fully Connected Layer)에 입력하고 최종 출력(124)을 생성할 수 있다.
최종 출력(124)은 김의 상태를 의미하며, 김 이미지에 포함된 판단요소들에 대한 각각의 상태값을 포함할 수 있다. 예를 들어, 김 이미지에 대하여 신경망 모델(122)은 각 판단요소에 대한 예측 확률을 생성하여 제공할 수 있다. 이를 통해 최종적인 김의 분류 체계 상의 분류를 판단할 수 있다. 예를 들어, 인공 신경망(122)은 색상균일도 C-, 입자크기 B+, 입자분포 A으로 김의 상태값으로 출력하거나, 색상균일도 1등급, 입자크기 3등급, 입자분포 2등급으로 김의 상태값으로 출력할 수 있다. 여기서, 신경망 모델(122)의 김의 상태값은 하나의 예시이며 필요에 따라 보다 세분화하여 분류할 수 있다.
한편, 신경망 모델(122)은 정확도를 높이기 위해 한 장의 김에 대하여 증식된 복수개의 김 이미지를 학습데이터로 입력 받을 수도 있다. 예를 들어 한 장의 김에 대하여 다양한 조명의 상황, 외부 날씨 등의 환경적 변수를 고려하여 학습데이터를 생성할 수 있으며 회전이나, 반전 등을 통해 복수의 김의 이미지를 생성할 수 있다.이를 통해 신경망 모델(122)은 환경적 상황에도 강인한 성능을 갖도록 한다.
또한, 본 실시예에서 신경망 모델(122)는 김의 무게를 예측하도록 학습될 수 있다. 상술한 바와 같이 판단요소 중 김의 투명도를 이미지로 판단할 수 있으므로 이에 따른 김의 무게를 예측하도록 학습될 수 있다.
또한, 무게와 입자크기를 이용하여 김의 두께를 산출하는 것도 가능하다.
따라서 김의 이미지를 통해 판단된 무게 또는 두께로 김의 분류를 판단하는 것도 가능하다.
분류부(120)는 신경망 모델(122)에서 출력된 김의 상태값에 기초하여 김을 분류할 수 있다.
구체적으로, 분류부(120)는 신경망 모델(122)에서 출력된 김의 상태값의 평균값으로 김을 분류할 수 있다.
예를 들어, 신경망 모델(122)에서 색상균일도 1등급, 입자크기 3등급, 입자분포 2등급으로 김의 상태값을 출력한 경우, 분류부(120)는 해당 김을 2등급으로 분류할 수 있다.
또한, 분류부(120)는 신경망 모델(122)에서 출력된 김의 상태값 각각에 가중치를 다르게 하여 김의 분류를 결정할 수도 있다.
분류부(120)는 신경망 모델(122)에서 출력된 김의 상태값 중 일부만을 기초로 김을 분류할 수도 있다.
나아가, 신경망 모델(122)은 판단요소 별 상태값을 출력하는 대신 최종 김의 분류 체계 상 분류 결과를 출력하도록 학습될 수 있으며, 따라서 분류부(120)는 최종 분류를 신경망 모델(122)의 출력으로 결정하는 것도 가능하다.
또한, 제1 가공부(130)는 분류된 김을 굽는 기능을 수행할 수 있다.
구체적으로, 제1 가공부(130)는 신경망 모델(122)에 의해 출력된 분류 결과에 기초하여 굽기 온도를 결정하고, 결정된 온도로 김을 구울 수 있다.
제2 가공부(140)는 김에 조미료를 도포하는 기능을 수행할 수 있다. 구체적으로, 제2 가공부(140)는 조미 조건을 결정하고 결정된 조미 조건에 따른 조미료를 김에 도포할 수 있다. 여기서, 조미 조건은 조미료를 구성하는 각 성분의 비율을 결정하는 조건일 수 있다.
제2 가공부(140) 역시 분류부(120)에서 분류된 김의 분류 결과에 기초하여 조미 조건을 결정할 수도 있다. 예를 들어, 제2 가공부(140)는 신경망 모델(122)에 의해 출력된 입자크기, 입자분포, 투명도의 상태값에 의해 분류된 김의 분류 결과에 기초하여 조미 조건을 결정하여 김에 도포할 수 있다.
즉, 제1 가공부(130)와 제2 가공부(140)는 김의 분류 결과에 기초하여 김의 품질과 맛의 동일성을 추구하기 위한 목적으로 굽기, 조미 정도를 달리할 수 있다.
나아가 본 실시예에서 제1 가공부(130) 및 제2 가공부(140)는 김의 가공 과정에 따라 임의로 구분하였으며, 다양한 실시 형태에 따라 하나의 가공부 또는 둘 이상의 가공부의 형태로 생산 설비에 따라 변형될 수 있으며, 일부 가공 과정이 생략 또는 추가되는 것도 있다.
이어서, 도 5를 참조하여 인공지능 기반 김 분류 시스템의 김 분류 방법을 설명한다.
도 5는 본 발명의 일 실시예에 따른 김 분류 방법을 나타낸 흐름도이다.
도 5를 참조하면, 김 분류 시스템(100)은 규격된 형태로 건조된 김의 이미지를 획득할 수 있다(S100). 구체적으로, 김의 이미지를 획득하는 단계(S100)에서 김 분류 시스템(100)은 규격된 형태로 건조된 김과 일정 간격으로 이격된 위치에서 김을 촬영하여 김의 이미지를 획득할 수 있다. 이때, 김 분류 시스템(100)은 김에 조명을 비추어 김의 이미지를 획득할 수 있다.
또한, 김의 이미지를 획득하는 단계(S100)에서 김 분류 시스템(100)은 외부 서버나 외부 카메라로부터 촬영된 김의 이미지를 수신하여 김의 이미지를 획득할 수도 있다.
이미지가 획득되면 김 분류 시스템(100)은 획득된 이미지를 미리 결정된 분류기준에 따라 김을 분류하도록 학습된 신경망 모델(122)에 입력할 수 있다(S200).
다음, 김 분류 시스템(100)은 신경망 모델(122)에서 판단된 김의 상태값을 출력할 수 있다(S300).
김 분류 시스템(100)은 상태값에 따라 건조된 김을 분류할 수 있다(S400). 구체적으로, 신경망 모델(122)에서 출력된 김의 상태값의 평균값으로 김의 분류를 결정하거나 신경망 모델(122)에서 출력된 김의 상태값 각각에 가중치를 다르게 하여 김을 분류할 수 있다.
또한, 김 분류 시스템(100)은 김을 굽는 가공을 수행할 수 있다(S500). 구체적으로, 김을 굽는 단계(S500)에서 김 분류 시스템(100)은 신경망 모델(122)에서 출력된 김의 상태에 기초하여 온도를 결정하고, 결정된 온도로 김을 굽는 가공을 수행할 수 있다.
김 시스템(100)은 분류 결과에 기초하여 조미 조건을 결정하여 김에 조미 조건에 따른 조미료를 도포할 수 있다(S600).
이때 상술한 굽는 가공(S500) 및 조미 가공(S600)의 각각의 단계는 김의 분류 결과에 기초하여 김의 품질과 맛의 동일성을 추구하기 위한 목적으로 굽기, 조미 정도를 달리할 수 있다.
또한 가공 단계는 필요에 따라 추가하거나 생략될 수 있으며 순서가 달라질 수도 있다.
이상 상술한 본원 발명에 따르면, 김의 품질에 따라 분류를 자동적으로 수행할 수 있어 전문가의 육안으로 김을 나누는 방식보다 효율적으로 분류를 수행할 수 있다.
또한, 상술한 본원 발명은 학습된 신경망 모델에 따른 김의 분류 결과에 기초하여 굽기 또는 조미 공정을 달리하고, 상품화된 김의 품질과 맛의 동일성을 추구할 수 있다. 학습된 신경망 모델을 이용한 인공지능을 통해, 김의 분류에 객관성을 확보할 수 있으며, 인건비를 줄여 김의 가격 상승을 억제하여 시장 경쟁력을 상승시킬 수 있다.
한편, 상술한 김 분류 시스템(100)의 김 분류 방법을 실행하기 위한 프로그램이 기록되어 컴퓨터로 읽을 수 있는 기록 매체로 형성될 수 있다.
또한, 상술한 김 분류 시스템(100)의 김 분류 방법을 실행하기 위한 프로그램으로 구성될 수도 있다.
한편, 명세서 및 청구범위에서 "제 1", "제 2", "제 3" 및 "제 4" 등의 용어는, 만약 있는 경우, 유사한 구성요소 사이의 구분을 위해 사용되며, 반드시 그렇지는 않지만 특정 순차 또는 발생 순서를 기술하기 위해 사용된다. 그와 같이 사용되는 용어는 여기에 기술된 본 발명의 실시예가, 예컨대, 여기에 도시 또는 설명된 것이 아닌 다른 시퀀스로 동작할 수 있도록 적절한 환경하에서 호환 가능한 것이 이해될 것이다. 마찬가지로, 여기서 방법이 일련의 단계를 포함하는 것으로 기술되는 경우, 여기에 제시된 그러한 단계의 순서는 반드시 그러한 단계가 실행될 수 있는 순서인 것은 아니며, 임의의 기술된 단계는 생략될 수 있고/있거나 여기에 기술되지 않은 임의의 다른 단계가 그 방법에 부가 가능할 것이다.
또한, 본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
또한 본 명세서에서 사용된 용어들은 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprise)' 및/또는 '포함하는(comprising)'은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 김 분류 시스템 110 : 이미지획득부,
120 : 분류부 122 : 신경망모델
130 : 제1 가공부 140 : 제2 가공부

Claims (12)

  1. 인공지능 기반 김 분류 시스템의 김 분류 방법에 있어서,
    규격된 형태로 건조된 김의 이미지를 획득하는 단계;
    획득된 이미지를 미리 결정된 분류기준에 따라 상기 김을 분류하도록 학습된 신경망 모델에 입력하는 단계;
    상기 신경망 모델에서 판단된 김의 상태값을 출력하는 단계; 및
    상기 출력된 김의 상태값에 따라 상기 건조된 김을 분류하는 단계;를 포함하고,
    상기 김의 이미지를 획득하는 단계는 상기 김의 종류 및 구성 비율에 따라 파장의 길이가 조절된 조명을 이용하여 상기 김을 촬영함으로써 획득하고,
    상기 신경망 모델은 상기 이미지에 대해 상기 김의 색상 특징 및 입자 특징 정보를 추출하는 필터를 통해 특징 맵을 생성하는 복수의 컨볼루션 레이어와 상기 생성된 특징 맵으로부터 김의 상태값을 출력하는 출력레이어로 구성되되,
    상기 분류하는 단계는 상기 출력된 김의 상태 값과, 상기 조명에 따른 이미지의 투명도로 산출된 김의 무게 및 상기 입자 특징 정보를 이용하여 산출된 두께를 이용하여 분류하는 것을 특징으로 하는 김 분류 방법.
  2. 제 1 항에 있어서,
    상기 분류기준은 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도에 따라 김을 분류하는 기준인 것을 특징으로 하는 김 분류 방법.
  3. 제 1 항에 있어서,
    상기 신경망 모델은 상기 이미지를 이용하여 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도를 판단하고, 기준값과 비교하여 상기 김을 분류하도록 학습된 것을 특징으로 하는 김 분류 방법.
  4. 제 3 항에 있어서,
    상기 분류 결과에 기초하여 구이 조건을 결정하고 상기 김을 굽는 단계;를 더 포함하는 김 분류 방법.
  5. 제 4 항에 있어서,
    상기 분류 결과 또는 상기 구이 조건에 기초하여 조미 조건을 결정하여 상기 김에 상기 조미 조건에 따른 조미료를 도포하는 단계;를 더 포함하고,
    상기 조미 조건은 조미료를 구성하는 각 성분의 비율을 결정하는 조건인 것을 특징으로 하는 김 분류 방법.
  6. 인공지능 기반 김 분류 시스템에 있어서,
    규격된 형태로 건조된 김의 이미지를 획득하는 이미지획득부;
    획득된 이미지를 미리 결정된 분류기준에 따라 상기 김을 분류하도록 학습된 신경망 모델에서 판단된 김의 상태값에 따라 상기 건조된 김을 분류하는 분류부;를 포함하고,
    상기 이미지 획득부는 상기 김의 종류 및 구성 비율에 따라 파장의 길이가 조절된 조명을 이용하여 상기 김을 촬영함으로써 획득하고,
    상기 신경망 모델은 상기 이미지에 대해 상기 김의 색상 특징 및 입자 특징 정보를 추출하는 필터를 통해 특징 맵을 생성하는 복수의 컨볼루션 레이어와 상기 생성된 특징 맵으로부터 김의 상태값을 출력하는 출력레이어로 구성되되,
    상기 분류부는 상기 김의 상태값과, 상기 조명에 따른 이미지의 투명도로 산출된 김의 무게 및 상기 입자 특징 정보를 이용하여 산출된 두께를 이용하여 분류하는 것을 특징으로 하는 김 분류 시스템.
  7. 제 6 항에 있어서,
    상기 분류기준은 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도에 따라 김을 분류하는 기준인 것을 특징으로 하는 김 분류 시스템.
  8. 제 6 항에 있어서,
    상기 신경망 모델은 상기 이미지를 이용하여 색상균일도, 투명도, 입자크기, 입자분포, 평면모양 및 광택의 정도를 판단하고, 기준값과 비교하여 상기 김을 분류하도록 학습된 것을 특징으로 하는 김 분류 시스템.
  9. 제 8 항에 있어서,
    상기 분류 결과에 기초하여 구이 조건을 결정하여 상기 김을 굽는 제1 가공부;를 더 포함하는 김 분류 시스템.
  10. 제 9 항에 있어서,
    상기 분류 결과 또는 상기 구이 조건에 기초하여 조미 조건을 결정하여 상기 김에 상기 조미 조건에 따른 조미료를 도포하는 제2 가공부;를 더 포함하고,
    상기 조미 조건은 조미료를 구성하는 각 성분의 비율을 결정하는 조건인 것을 특징으로 하는 김 분류 시스템.
  11. 제 1 항 내지 제 5 항 중 어느 한 항에 기재된 김 분류 방법을 실행하기 위한 프로그램이 기록되어 컴퓨터로 읽을 수 있는 기록 매체.
  12. 제 1 항 내지 제 5 항 중 어느 한 항에 기재된 김 분류 방법을 실행시키는 컴퓨터 판독 가능한 기록 매체에 저장된 프로그램.
KR1020200058197A 2020-05-15 2020-05-15 인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법 KR102287954B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200058197A KR102287954B1 (ko) 2020-05-15 2020-05-15 인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200058197A KR102287954B1 (ko) 2020-05-15 2020-05-15 인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102287954B1 true KR102287954B1 (ko) 2021-08-06

Family

ID=77314989

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200058197A KR102287954B1 (ko) 2020-05-15 2020-05-15 인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102287954B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003047445A (ja) * 2001-08-06 2003-02-18 Nori Zoshoku Shinkoukai 乾海苔の等級決定方法
KR101632188B1 (ko) * 2015-03-05 2016-06-22 주식회사 해담온 농축 굴 자숙수로 조미된 조미김 및 그 제조방법
KR101800057B1 (ko) * 2010-10-19 2017-11-21 쓰리엠 이노베이티브 프로퍼티즈 컴파니 트레이닝 영상에 등급을 배정하는 방법 및 장치
KR20190122630A (ko) * 2016-07-18 2019-10-30 씨제이제일제당 (주) 직화구이 김 제조장치 및 직화구이 김의 제조방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003047445A (ja) * 2001-08-06 2003-02-18 Nori Zoshoku Shinkoukai 乾海苔の等級決定方法
KR101800057B1 (ko) * 2010-10-19 2017-11-21 쓰리엠 이노베이티브 프로퍼티즈 컴파니 트레이닝 영상에 등급을 배정하는 방법 및 장치
KR101632188B1 (ko) * 2015-03-05 2016-06-22 주식회사 해담온 농축 굴 자숙수로 조미된 조미김 및 그 제조방법
KR20190122630A (ko) * 2016-07-18 2019-10-30 씨제이제일제당 (주) 직화구이 김 제조장치 및 직화구이 김의 제조방법

Similar Documents

Publication Publication Date Title
Shanmugamani et al. Detection and classification of surface defects of gun barrels using computer vision and machine learning
Yao et al. Non-destructive detection of egg qualities based on hyperspectral imaging
Martynenko Computer vision for real-time control in drying
Huang et al. Underwater hyperspectral imaging for in situ underwater microplastic detection
Omid et al. An expert egg grading system based on machine vision and artificial intelligence techniques
Moon et al. Intelligent crack detecting algorithm on the concrete crack image using neural network
Pu et al. Hierarchical variable selection for predicting chemical constituents in lamb meats using hyperspectral imaging
Duchesne et al. Multivariate image analysis in the process industries: A review
Zhang et al. From hyperspectral imaging to multispectral imaging: Portability and stability of HIS-MIS algorithms for common defect detection
WO2019151393A1 (ja) 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法
CN111712769B (zh) 用于设定照明条件的方法、装置、系统以及存储介质
JP2021504864A (ja) ニューラルネットワークを使用してサンプルを特徴付けるための方法
Nowakowski et al. Identification process of corn and barley kernel damages using neural image analysis
Yang et al. Hyperspectral image-based variety discrimination of maize seeds by using a multi-model strategy coupled with unsupervised joint skewness-based wavelength selection algorithm
Zhang et al. Comparison of spectral and image morphological analysis for egg early hatching property detection based on hyperspectral imaging
Mukherjee et al. Development of artificial vision system for quality assessment of oyster mushrooms
Nowakowski et al. Identification of physical parameters of cereal grain using computer image analysis and neural models
Hosseinpour et al. Computer vision system (CVS) for in-line monitoring of visual texture kinetics during shrimp (Penaeus Spp.) drying
Bakhshipour et al. Vision based features in moisture content measurement during raisin production
Siswantoro et al. Computer vision system for egg volume prediction using backpropagation neural network
Hendrawan et al. Intelligent Non-Invasive Sensing Method in Identifying Coconut (Coco nucifera var. Ebunea) Ripeness Using Computer Vision and Artificial Neural Network.
Lu et al. Neural network based edge detection for automated medical diagnosis
Tahir et al. Rice grading using image processing
AgaAzizi et al. Identification of impurity in wheat mass based on video processing using artificial neural network and PSO algorithm
KR102287954B1 (ko) 인공지능 기반의 김 분류를 통한 상품화 및 품질 관리 시스템 및 방법

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20200515

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20210129

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20210728

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20210803

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20210803

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20240722

Start annual number: 4

End annual number: 4