KR20180091509A - 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법 - Google Patents

전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법 Download PDF

Info

Publication number
KR20180091509A
KR20180091509A KR1020170016793A KR20170016793A KR20180091509A KR 20180091509 A KR20180091509 A KR 20180091509A KR 1020170016793 A KR1020170016793 A KR 1020170016793A KR 20170016793 A KR20170016793 A KR 20170016793A KR 20180091509 A KR20180091509 A KR 20180091509A
Authority
KR
South Korea
Prior art keywords
color
code
color code
rice
song
Prior art date
Application number
KR1020170016793A
Other languages
English (en)
Other versions
KR101901812B1 (ko
Inventor
홍지화
이재훤
최경후
이민휘
박영준
김현태
Original Assignee
대한민국(국립농산물품질관리원장)
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 대한민국(국립농산물품질관리원장) filed Critical 대한민국(국립농산물품질관리원장)
Priority to KR1020170016793A priority Critical patent/KR101901812B1/ko
Publication of KR20180091509A publication Critical patent/KR20180091509A/ko
Application granted granted Critical
Publication of KR101901812B1 publication Critical patent/KR101901812B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

본 발명은 쌀의 신곡과 구곡을 식별하기 위한 색깔 코드 세트, 상기 색깔 코트 세트를 포함하는 키트, 및 상기 색깔 코드 세트를 이용한 쌀 신곡과 구곡의 식별 방법에 관한 것으로, 본 발명에 따른 칼라코드 세트를 쌀 신곡과 구곡 판별용 지표로 사용함으로써, 쌀의 신곡과 구곡 판별 분야에 유용하게 활용할 수 있다.

Description

전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법{A method for discriminating new rice and staled rice using electronic eye}
본 발명은 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법에 관한 것이다. 보다 상세하게는 쌀의 신곡과 구곡을 식별하기 위한 색깔 코드 세트, 상기 색깔 코트 세트를 포함하는 키트, 및 상기 색깔 코드 세트를 이용한 쌀 신곡과 구곡의 식별 방법에 관한 것이다.
쌀의 신곡과 구곡을 판별할 수 있는 방법은 국내외적으로 현재까지 보고된 바 없으나, 국립농산물품질관리원 농산물 검사검정의 표준계측 및 감정방법(국립농산물품질관리원고시 제2012-69, 2012.10.25. 개정)에는 쌀의 신선도를 감정하는 방법이 고시되어 있다.
"쌀의 신선도(Freshness)" 라고 함은 쌀의 신곡과 구곡에 상관없이 쌀이 신선한가 아닌가를 판단하는 방법이고, "감정" 이라고 함은 농산물의 품위 등을 이화학적 방법을 통하여 농산물의 가치를 판정하는 것이다.
신선도 감정 방법의 적용 대상은 미곡, 맥류 및 두류 등이고, 감정은 GOP(Guaiacol, Oxydol, Paraphenylenediamin) 시약 처리에 의한 산화효소 작용의 정도를 감정하는 것이다.
산화효소 작용의 정도는 발색된 시약의 색깔의 진하기 정도로 판단하는데, 착색이 진한 경우 신선도가 높은 쌀, 착색반응이 약한 경우는 신선도가 낮은 쌀로 판단한다. 즉, 효소 활성도가 높은 쌀이 신선도가 높은 것이며, 효소 활성도가 낮은 쌀은 신선도가 낮은 것을 의미한다.
농산물 검사기준에는 GOP 시약 처리 방법에 관한 상세한 처리 방법과 순서, 정색반응에 대한 판정 기준 등을 상세하게 명시하고 있다.
국외에서는 쌀의 신선도 판별을 위하여 과산화효소(peroxidase)의 활성을 이용한 전기화학적인 마이크로디바이스(microdevice)를 이용한 방법 (Koyachi E, Kojima K, Satake T, Suzuki H. 2012. Rapid on-site measurement of the freshness of rice on a micro electrochemical device), 형광(fluorescent)를 이용한 방법(Chen TF and Chen CL. 2003. Analysing the freshness of intact rice grains by colour determination of peroxidase activity) 등이 보고되었다.
또한, 쌀과 관련된 대사체 연구(Matsuda F, Okazaki Y, Oikawa A, Kusano M, Nakabayashi R, Kikuchi J, Yonemaru JI, Ebana K, Yano M, Saito K. 2012. Dissection of genotype-phenotype associations in rice grains using metabolome quantitative trait loci analysis), 쌀의 저장기간에 따른 화학적, 물리적인 변화에 대한 연구(Zhuo Z, Robards K, Helliwell S, Blanchard C. 2001. Ageing of stored rice : changes in chemical and physical attributes)가 보고되어, 쌀의 신선도와 대사체 분석과 관련된 연구가 수행되고 있지만, 신곡과 구곡 판별에 관한 연구 결과는 현재까지 보고된 바가 없다.
양곡관리법(제20조의 4)에는 생산 연도가 다른 쌀을 혼합하여 판매하는 행위가 금지되어 있으나, 생산 연도가 다른 쌀을 혼합하여 유통판매하면서 연산을 거짓으로 표시하는 사례가 지속적으로 발생되고 있고, 최근 쌀값 폭락에 따라 신곡과 구곡을 혼합할 개연성이 높아지면서, 쌀의 신곡과 구곡의 판별을 위한 과학적인 분석법 개발이 필요성은 점점 증대되고 있는 실정이다.
이에 쌀의 신곡과 구곡을 판별하기 위한 지표 발굴을 위하여 인지질 분석, 안정 동위원소 분석, 무기원소 분석, 유기성분 분석, 전자코 분석, 신선도 감정을 추진한 결과 6가지 방법 중에 신선도 감정법이 신곡과 구곡을 판별할 수 있는 정확도가 가장 높게 나타났다. 하지만, 신선도 감정법은 감정자에 따라 결과 판단이 주관적이기 때문에, 객관적이고 과학적으로 판별할 수 있는 방법의 개발이 절실히 요구되고 있다.
본 발명자들은 상기와 같은 종래기술의 문제점을 해결하기 위한 연구를 지속적으로 수행하여, 본 발명에서는 국내에서 수집된 쌀 신곡과 구곡을 대상으로 GOP 시약처리를 이용한 신선도 감정을 수행한 후, 전자눈 장비를 이용하여 신곡과 구곡의 판별에 적합한 색깔 코드의 선발과 이를 이용한 쌀 신곡과 구곡의 판별 체계를 확립할 수 있음을 알아내고 본 발명을 완성하였다.
따라서, 본 발명의 목적은 칼라코드 세트를 포함하는 쌀 신곡과 구곡 판별용 색깔 코드 세트를 제공하는 것이다.
본 발명의 다른 목적은 상기 색깔 코드 세트를 포함하는 쌀 신곡과 구곡 판별용 키트를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 색깔 코드를 이용하여 쌀 신곡과 구곡을 판별하는 방법을 제공하는 것이다.
본 발명은 상기와 같은 과제를 해결하기 위하여, 칼라-530 칼라코드; 칼라-546 칼라코드; 칼라-563 칼라코드; 칼라-802 칼라코드; 칼라-803 칼라코드; 칼라-804 칼라코드; 칼라-819 칼라코드; 칼라-820 칼라코드; 칼라-836 칼라코드; 칼라-1076 칼라코드; 칼라-1077 칼라코드; 칼라-1091 칼라코드; 칼라-1093 칼라코드; 칼라-1094 칼라코드; 칼라-1110 칼라코드; 칼라-1349 칼라코드; 칼라-1350 칼라코드; 칼라-1366 칼라코드; 칼라-1367 칼라코드; 칼라-1383 칼라코드; 칼라-1621 칼라코드; 칼라-1623 칼라코드; 칼라-1637 칼라코드; 칼라-1640 칼라코드; 칼라-1656 칼라코드; 칼라-1894 칼라코드; 칼라-1910 칼라코드; 칼라-2167 칼라코드; 칼라-2440 칼라코드; 칼라-2457 칼라코드; 및 칼라-2714 칼라코드로 구성된 군으로부터 선택되는 하나 이상의 칼라코드 세트를 포함하되, 상기 칼라-530 칼라코드 내지 칼라-2714 칼라코드는 하기 표 1의 RGB 값을 갖는 쌀 신곡 및 구곡 판별용 칼라코드 세트를 제공한다.
일련번호 칼라번호 칼라코드명 R G B
1 칼라-1 칼라-530 40 24 40
2 칼라-2 칼라-546 40 40 40
3 칼라-3 칼라-563 40 56 56
4 칼라-4 칼라-802 56 40 40
5 칼라-5 칼라-803 56 40 56
6 칼라-6 칼라-804 56 40 72
7 칼라-7 칼라-819 56 56 56
8 칼라-8 칼라-820 56 56 72
9 칼라-9 칼라-836 56 72 72
10 칼라-10 칼라-1076 72 56 72
11 칼라-11 칼라-1077 72 56 88
12 칼라-12 칼라-1091 72 72 56
13 칼라-13 칼라-1093 72 72 88
14 칼라-14 칼라-1094 72 72 104
15 칼라-15 칼라-1110 72 88 104
16 칼라-16 칼라-1349 88 72 88
17 칼라-17 칼라-1350 88 72 104
18 칼라-18 칼라-1366 88 88 104
19 칼라-19 칼라-1367 88 88 120
20 칼라-20 칼라-1383 88 104 120
21 칼라-21 칼라-1621 104 88 88
22 칼라-22 칼라-1623 104 88 120
23 칼라-23 칼라-1637 104 104 88
24 칼라-24 칼라-1640 104 104 136
25 칼라-25 칼라-1656 104 120 136
26 칼라-26 칼라-1894 120 104 104
27 칼라-27 칼라-1910 120 120 104
28 칼라-28 칼라-2167 136 120 120
29 칼라-29 칼라-2440 152 136 136
30 칼라-30 칼라-2457 152 152 152
31 칼라-31 칼라-2714 168 152 168
또한, 본 발명은 상기 쌀 신곡 및 구곡 판별용 칼라코드 세트를 포함하는 것을 특징으로 하는 쌀 신곡 및 구곡 판별용 키트를 제공한다.
또한, 본 발명은 (a) 쌀 시료에 시약을 처리하고, 전자눈 장비로 사진 촬영한 후, 제1항 또는 제2항의 쌀 신곡 및 구곡 판별용 칼라코드 세트를 이용하여 시료의 착색된 색을 분석하여 이미지 데이터를 얻는 단계, 및 (b) 상기 얻어진 이미지 데이터로부터 신곡 및 구곡을 결정하는 단계를 포함하는, 쌀 신곡 및 구곡을 판별하는 방법을 제공한다.
본 발명에 따른 쌀 신곡과 구곡 판별용 칼라 코드 세트, 이를 포함하는 쌀 신곡 및 구곡 판별용 키트 및 상기 칼라 코드 세트를 이용하여 쌀 신곡 및 구곡을 판별하는 방법은 다양한 신곡과 구곡 시료에 대한 판별능이 우수하여, 시중에 유통되는 쌀의 신곡과 구곡 유무 판별 등과 같은 분야에 활용될 수 있다.
도 1은 GOP 시약 액을 따라버리고, 시약 처리된 쌀을 전자눈 블랙 샘플 트레이에 올려놓고 카메라로 찍은 사진을 나타낸 것이다.
도 2a 내지 도 2c는 본 발명에 따른 쌀 신곡 및 구곡 판별용 칼라 코드 세트에 의해 분석된 각 시료의 통계적 거리를 나타낸 것이다.
도 3a 및 도 3b는 본 발명에 따라 작성된 판별식에 미지의 시료를 대입하여 분석된 각 시료의 통계적 거리를 나타낸다.
본 발명은 상기와 같은 과제를 해결하기 위하여, 칼라-530 칼라코드; 칼라-546 칼라코드; 칼라-563 칼라코드; 칼라-802 칼라코드; 칼라-803 칼라코드; 칼라-804 칼라코드; 칼라-819 칼라코드; 칼라-820 칼라코드; 칼라-836 칼라코드; 칼라-1076 칼라코드; 칼라-1077 칼라코드; 칼라-1091 칼라코드; 칼라-1093 칼라코드; 칼라-1094 칼라코드; 칼라-1110 칼라코드; 칼라-1349 칼라코드; 칼라-1350 칼라코드; 칼라-1366 칼라코드; 칼라-1367 칼라코드; 칼라-1383 칼라코드; 칼라-1621 칼라코드; 칼라-1623 칼라코드; 칼라-1637 칼라코드; 칼라-1640 칼라코드; 칼라-1656 칼라코드; 칼라-1894 칼라코드; 칼라-1910 칼라코드; 칼라-2167 칼라코드; 칼라-2440 칼라코드; 칼라-2457 칼라코드; 및 칼라-2714 칼라코드로 구성된 군으로부터 선택되는 하나 이상의 칼라코드 세트를 포함하되, 상기 칼라-530 칼라코드 내지 칼라-2714 칼라코드는 상기 표 1의 RGB 값을 갖는 쌀 신곡 및 구곡 판별용 칼라코드 세트에 관한 것이다.
본 발명에서, "칼라코드(color code)"는 각 칼라코드를 통해 얻어진 신곡 또는 구곡 판별 도구를 의미하는 것으로서, 각 칼라코드별 빛의 3원색인 적(Red), 녹(Green), 청(Blue)을 혼합하여 색을 나타내는 모델인 RGB 값은 상기 표 1과 같다.
색은 RGB 값을 표현한 것인데, 모니터 색은 디지털이기 때문에 기본적으로 빛을 이용하여 색상을 표현하기 위하여 RGB가 사용되고, 이 3가지 색상이 모니터 상에서의 색을 표현하게 된다.
이때 픽셀(pixel) 하나 하나는 각각의 RGB 값을 가지는데, 이 RGB 값의 범위는 0-255까지 256 단계이고, 거의 자연 색상 그대로 표현하기 위해서는 각각 8 비트의 크기가 필요하게 된다.
따라서, 각각의 RGB 값은 8, 24, 40, 56, 72, 88, 104, 120, 136, 152, 168, 184, 200, 216, 232, 248 총 16개의 번호로 나열되어 있으며, 16 x 16 x 16 = 4,096개가 되고, 이 규격은 sRGB(standard RGB 혹은 single RGB)로서, 1999년에 IEC(국제전기표준회의)의 TC100 중 IEC 61966-2-1에 기재되어 있다.
본 발명에서, 상기 칼라 코드 세트는 국내에서 유통되는 쌀 신곡과 구곡의 판별에 높은 판별력을 나타낼 수 있다. 상기 칼라 코드 세트는 쌀 신곡과 구곡을 판별하기 위해 이용될 수 있다. 상기 칼라 코드 세트는 예를 들면, 하기 표 2에 기재된 쌀을 판별하기 위해 이용되는 것일 수 있다.
본 발명에서, 상기 칼라 코드 세트는 칼라-530 내지 칼라-2714 칼라 코드 세트 중 2개 이상, 3개 이상, 4개 이상, 5개 이상, 6개 이상, 7개 이상, 8개 이상, 9개 이상, 10개 이상, 11개 이상, 12개 이상, 13개 이상, 14개 이상, 15개 이상, 16개 이상, 17개 이상, 18개 이상, 19개 이상, 20개 이상, 21개 이상, 22개 이상, 23개 이상, 24개 이상, 25개 이상, 26개 이상, 27개 이상, 28개 이상, 29개 이상, 30개 이상 또는 31개 의 칼라 코드 세트를 포함할 수 있다.
본 발명에서, 상기 칼라 코드 세트는 칼라-530 내지 칼라-2714 칼라 코드 세트를 모두 포함할 수 있다.
또한, 본 쌀 신곡 및 구곡 판별용 칼라코드 세트를 포함하는, 쌀 신곡 및 구곡 판별용 키트에 관한 것이다.
상기 쌀 신곡 및 구곡 판별용 키트의 제조는 본 발명이 속하는 기술분야에 공지된 방법에 의해 제조하는 것으로 족하므로, 이에 대한 상세한 설명은 생략한다.
또한, 본 발명은 (a) 쌀 시료에 시약을 처리하고, 전자눈 장비로 사진 촬영한 후, 상기 쌀 신곡 및 구곡 판별용 칼라코드 세트를 이용하여 시료의 착색된 색을 분석하여 이미지 데이터를 얻는 단계, 및 (b) 상기 얻어진 이미지 데이터로부터 신곡 및 구곡을 결정하는 단계를 포함하는, 쌀 신곡 및 구곡을 판별하는 방법에 관한 것이다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 쌀 시료는 상기 시료의 쌀 원형 상태로부터 유래되는 것일 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 쌀 시료는 국내에서 생산된 벼로부터 유래된 것일 수 있다. 상기 쌀 시료는 국내에서 생산된 벼를 통상적인 방법을 이용하여 가공한 것으로부터 수집될 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 쌀은 예를 들면, 벼를 현미로 제현한 후, 현미를 쌀로 가공하는 방법을 이용하여 수득될 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 시약은 구아야콜(guaiacol), 옥시돌(oxydol) 및 파라페닐렌디아민 (paraphenylenediamine)을 포함하는 GOP 시약일 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 쌀의 시약 처리는 상기 GOP 시약을 이용하여 수행될 수 있다. 상기 GOP 시약이 처리된 쌀을 상기 칼라코드 세트, 바람직하게는 상기 칼라-530 칼라코드 내지 칼라-2714 칼라코드 세트를 모두 사용하여 수행되는 것일 수 있다.
GOP 시약 처리 방법에 대해서는 당업계에 잘 알려져 있으며, 상업적으로 이용 가능한 키트를 이용할 수 있다. GOP 시약 반응은 당업계에 시약 반응에 필요한 것으로 알려진 여러 성분을 포함하는 GOP 시약을 이용하여 수행될 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 GOP 시약은 구아야콜 1%액, 옥시돌(과산화수소) 3% 액, 파라페닐엔디아민 0.2% 액을 포함하는 것일 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 시약 처리는 상기 쌀 시료에 상기 구아야콜 4ml을 가하여 10회 흔들어준 후 2분간 정치하고, 상기 옥시돌(과산화수소) 3~4 방울을 가하여 10회 흔들어준 다음, 즉시 파라페닐엔디아민 3ml을 가하여 다시 10회 흔든 후, 5분간 정치한 다음 물로 1회 수세하여 수행할 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 (a) 단계의 사진 촬영은 시료를 전자눈 장비의 트레이 위에 올려놓고, 장비 위쪽의 LED 조명을 켜 놓은 채 사진 촬영을 하여 이미지 데이터를 얻을 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 (b) 단계는 상기 얻어진 이미지 데이터를 소프트웨어에 탑재된 칼라코드 분석을 통해 검출하는 단계를 포함할 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 칼라코드 분석은 상기 이미지 데이터를 상기 쌀 신곡 및 구곡 판별용 칼라코드 세트에 의해 공지된 쌀 시료의 칼라코드별 픽셀수와 비교함으로써 수행할 수 있다.
본 발명의 상기 쌀 신곡 및 구곡을 판별하는 방법에서, 상기 (b) 단계는 얻어진 이미지 데이터를 칼라-530 내지 칼라-2714 칼라 코드 세트에 의해 공지된 쌀 신구곡의 시약반응 결과와 비교함으로써 수행되는 것일 수 있다.
구체적으로, 상기 (b) 단계는 IRIS 소프트웨어에 포함되어 있는 통계 프로그램을 이용하여 시료의 분포도를 확인함으로써 수행되는 것일 수 있는데, 상기 통계프로그램은 주성분분석(PCA: Principal Component Analysis), 판별함수분석(DFA: Discriminant Function Analysis, SQC: Statistical Quality Control, SIMCA: Soft independent modeling of class analogy 등의 방법을 이용할 수 있다.
예를 들면, 공지된 신곡과 구곡 시료에 대하여 본 발명의 칼라코드 세트를 통해 도출된 픽셀수를 미리 하나의 표로 정리, 즉 판별식을 작성한 후, 신곡과 구곡을 판별하고자 하는 미지의 시료에 대하여 상기 GOP 시약을 처리한 다음, 전자눈 장비로 이미지 촬영하여 시료별 픽셀 수를 얻은 후, 본 발명의 칼라 코드 세트를 변수로 이용하여 상기 공지된 판별식 결과와 통계 프로그램(UNISTAT® Statistical Package for Windows, version 6.5, England)을 이용하여 비교함으로써, 쌀의 신곡과 구곡 유무를 결정할 수 있다.
본 발명은 하기 실시예에 의하여 더욱 구체적으로 설명한다. 그러나, 하기 실시예는 본 발명의 이해를 돕기 위한 것일 뿐, 어떤 의미로든 본 발명의 범위가 이러한 실시예에 의하여 한정되는 것은 아니다.
<실시예> 쌀 신곡과 구곡 판별을 위한 칼라코드의 평가
< 실시예 1> 쌀 시료(판별식 작성용)
본 발명에서는 하기 표 2에 기재된 쌀 107점을 신곡(2016년산)과 구곡(2015년산) 판별식 작성을 위한 시료로 사용하였다.
번호 생산연도 품종명 생산지 번호 생산연도 품종명 생산지
1 2016 추청 경기 55 2015 혼합 경남
2 2016 대안 경기 56 2015 일품 경북
3 2016 추청 충북 57 2015 일품 경북
4 2016 추청 충북 58 2015 일품 경북
5 2016 삼광 충북 59 2015 일품 경북
6 2016 삼광 충북 60 2015 일품 경북
7 2016 삼광 충북 61 2015 일품 경북
8 2016 신동진 전북 62 2015 일품 경북
9 2016 운광 경북 63 2015 일품 경북
10 2016 새누리 전북 64 2015 일품 경북
11 2016 일미 전남 65 2015 일품 경북
12 2016 일미 경남 66 2015 혼합 인천
13 2016 새누리 전북 67 2015 추청 인천
14 2016 새누리 경남 68 2015 고시히까리 인천
15 2016 삼광 충북 69 2015 추청 인천
16 2016 새누리 경남 70 2015 추청 경기
17 2016 새누리 전북 71 2015 추청 인천
18 2016 오대 강원 72 2015 진상 경기
19 2016 운광 강원 73 2015 오대 강원
20 2016 새누리 전북 74 2015 혼합 충남
21 2016 신동진 전북 75 2015 고시히까리 경기
22 2016 운광 경남 76 2015 추청 경기
23 2016 대안 경기 77 2015 고시히까리 경기
24 2016 대안 경기 78 2015 추청 경기
25 2016 새누리 강원 79 2015 추청 경기
26 2016 오대 강원 80 2015 새누리 경기
27 2016 운광 강원 81 2015 고시히까리 경기
28 2016 새누리 충남 82 2015 추청 경기
29 2016 삼광 충남 83 2015 추청 경기
30 2016 삼광 충남 84 2015 추청 경기
31 2016 새누리 충남 85 2015 고시히까리 경기
32 2016 운광 경북 86 2015 추청 경기
33 2015 추청 경기 87 2015 고시히까리 경기
34 2015 혼합 강원 88 2015 추청 경기
35 2015 대안 강원 89 2015 추청 경기
36 2015 오대 강원 90 2015 추청 경기
37 2015 삼광 충남 91 2015 추청 경기
38 2015 일미 충남 92 2015 추청 경기
39 2015 혼합 충남 93 2015 추청 경기
40 2015 새누리 충남 94 2015 고시히까리 경기
41 2015 혼합 충남 95 2015 혼합 강원
42 2015 삼광 충남 96 2015 오대 강원
43 2015 수광 충남 97 2015 오대 강원
44 2015 추청 충남 98 2015 오대 강원
45 2015 혼합 충남 99 2015 오대 강원
46 2015 신동진 전북 100 2015 대안 강원
47 2015 고시히까리 경기 101 2015 대안 강원
48 2015 삼광 충남 102 2015 오대 강원
49 2015 혼합 충남 103 2015 오대 강원
50 2015 삼광 충남 104 2015 혼합 경기
51 2015 혼합 충남 105 2015 오대 강원
52 2015 추청 충북 106 2015 오대 강원
53 2015 추청 충북 107 2015 오대 강원
54 2015 혼합 충북 　 　 　 　
< 실시예 2> 쌀 시료(판별식 검증용)
본 발명에서는 하기 표 3에 기재된 쌀 131점을 신곡(2016년산)과 구곡(2015년산 및 2014년산) 판별식 검증을 위한 시료로 사용하였다.
번호 생산연도 품종명 생산지 번호 생산연도 품종명 생산지
1 2016 미품 - 67 2015 혼합 전북
2 2016 히토미보레 - 68 2015 신동진 전북
3 2016 추청 - 69 2015 신동진 전북
4 2016 운광 강원 70 2015 신동진 전북
5 2016 신동진 전남 71 2015 신동진 전북
6 2016 신동진 전남 72 2015 신동진 전북
7 2016 신동진 전남 73 2015 신동진 전북
8 2016 신동진 전남 74 2015 혼합 경남
9 2016 - 경북 75 2015 혼합 경남
10 2016 신동진 전남 76 2015 혼합 경남
11 2016 신동진 전남 77 2015 혼합 경남
12 2016 신동진 전남 78 2015 혼합 경남
13 2016 신동진 전남 79 2015 혼합 경남
14 2016 신동진 전남 80 2015 혼합 경남
15 2016 신동진 전남 81 2015 영호진미 경남
16 2016 신동진 전남 82 2015 혼합 경남
17 2016 신동진 전남 83 2015 혼합 경남
18 2016 신동진 전북 84 2015 일품 경북
19 2016 새누리 전북 85 2015 일품 경북
20 2016 - 충남 86 2015 혼합 경북
21 2016 추청 충북 87 2015 영호진미 경북
22 2016 새누리 충남 88 2015 혼합 경북
23 2016 새누리 충남 89 2015 일품 경북
24 2016 일미 전남 90 2015 일품 경북
25 2016 새누리 경남 91 2015 일품 경북
26 2016 운광 경남 92 2015 혼합 경북
27 2016 - 충남 93 2015 백진주 경북
28 2016 새누리 경북 94 2015 영호진미 경북
29 2016 새누리 전남 95 2015 일품 경북
30 2016 새누리 전남 96 2015 오대 강원
31 2016 새누리 경북 97 2015 오대 강원
32 2016 - 충남 98 2015 오대 강원
33 2016 - 경북 99 2015 - 경남
34 2016 새일미 경남 100 2015 일품 경북
35 2016 - 경북 101 2015 - 경기
36 2016 새누리 충남 102 2015 일품 경북
37 2016 운광 경남 103 2015 일품 경북
38 2016 - 경남 104 2015 일품 경북
39 2016 - 충남 105 2015 일품 경북
40 2016 - 충남 106 2015 일품 경북
41 2016 새누리 전남 107 2015 일품 경북
42 2016 오대 강원 108 2015 일품 경북
43 2016 운광 강원 109 2015 일품 경북
44 2016 새누리 경북 110 2015 일품 경북
45 2016 새누리 경남 111 2015 일품 경북
46 2016 - 경남 112 2015 일품 경북
47 2016 신동진 전북 113 2015 일품 경북
48 2016 새누리 전북 114 2015 일품 경북
49 2016 운광 경북 115 2015 일품 경북
50 2016 신동진 전남 116 2015 일품 경북
51 2016 신동진 전남 117 2015 일품 경북
52 2016 - 전남 118 2014 일품 경북
53 2016 새누리 경남 119 2014 일품 경북
54 2015 호평 전남 120 2014 일품 경북
55 2015 새누리 전남 121 2014 일품 경북
56 2015 혼합 전남 122 2014 일품 경북
57 2015 일미 전남 123 2014 일품 경북
58 2015 혼합 전남 124 2014 일품 경북
59 2015 혼합 전북 125 2014 일품 경북
60 2015 신동진 전북 126 2014 일품 경북
61 2015 혼합 전북 127 2014 일품 경북
62 2015 신동진 전북 128 2014 일품 경북
63 2015 신동진 전북 129 2014 일품 경북
64 2015 신동진 전북 130 2014 일품 경북
65 2015 신동진 전북 131 2014 일품 경북
66 2015 신동진 전북 　 　 　 　
< 실시예 3> 쌀 GOP 시약 처리
상기 표 2 및 표 3에 기재된 시료(벼)로부터 제현기(SY-88, SSANGYONG, Korea) 및 도정기(MC-90A, TOYO, Japan)를 활용하여 쌀을 가공한 후, 가공된 쌀로부터 시료를 균분하여 원형 상태의 쌀 100립(완전립)을 채취하여 시험관에 넣었다.
그런 다음, 구아야콜 4ml을 가하여 10회 흔들어준 후, 2분간 정치하고 과산화수소(옥시돌) 3~4 방울을 가하여 10회 흔들어 준 다음, 즉시 파라페닐엔디아민 3ml을 가하여 다시 10회 흔든 후, 5분간 정치한 다음 맑은 물로 1회 수세하였다.
< 실시예 4> 전자눈 분석 및 칼라코드 선정
GOP 시약액을 따라 버리고, 시약 처리된 쌀을 전자눈(IRIS Visual Analyzer VA400, France) 블랙 샘플 트레이에 올려 놓고, 카메라로 사진을 찍어 이미지 데이터를 얻었는데, 상기 카메라로 찍은 사진을 도 1에 나타내었다.
이때, 시료 당 이미지는 2~3회 촬영하여 획득하였다. 또한, 카메라는 16M CCD 칼라 카메라에 렌즈 크기는 25mm, 조명은 장비 위(top)에 위치한 LED 조명만 킨 상태로 진행하였다.
센서와 카메라를 통해 받은 신호는 소프트웨어에서 인지하여 통계 처리를 통하여 색을 판단하게 되는데, 소프트웨어에 탑재된 칼라 코드는 4,096개가 있다.
색 분석에서는 픽셀 단위로 색의 면적(area) 값을 데이터 처리하는 방법을 선택하였고 이에 따라 색의 함량은 픽셀수로 계산하였다. 샘플과 관련이 없는 색에 대해서는 데이터 처리하는 과정에서 배경 데이터값 자체를 빼고 진행하였다.
공시 시료는 신곡과 구곡으로 구성되어 있는데, 소프트웨어에 탑재된 4,096개의 칼라 색 중에서 신곡과 구곡 시료 간에 착색된 색의 차이를 보여주는 색을 선정하였다. 이 중 차이를 식별해낼 수 있는 색을 31개 선정하여 판별식 작성에 활용된 신곡과 구곡을 판별할 수 있는 칼라코드별 식별능(discrimination power)을 표 4에 나타내었다.
이때, 상기 식별능은 전자눈 장비(IRIS VA400)에 탑재된 소프트웨어에서 분석된 칼라코드별 식별능(discrimination power) 값을 측정하였다.
일련번호 칼라번호 칼라코드명 식별능
1 칼라-1 칼라-530 0.483
2 칼라-2 칼라-546 0.588
3 칼라-3 칼라-563 0.765
4 칼라-4 칼라-802 0.326
5 칼라-5 칼라-803 0.791
6 칼라-6 칼라-804 0.702
7 칼라-7 칼라-819 0.490
8 칼라-8 칼라-820 0.841
9 칼라-9 칼라-836 0.682
10 칼라-10 칼라-1076 0.672
11 칼라-11 칼라-1077 0.869
12 칼라-12 칼라-1091 0.373
13 칼라-13 칼라-1093 0.945
14 칼라-14 칼라-1094 0.754
15 칼라-15 칼라-1110 0.698
16 칼라-16 칼라-1349 0.693
17 칼라-17 칼라-1350 0.798
18 칼라-18 칼라-1366 0.870
19 칼라-19 칼라-1367 0.645
20 칼라-20 칼라-1383 0.586
21 칼라-21 칼라-1621 0.704
22 칼라-22 칼라-1623 0.651
23 칼라-23 칼라-1637 0.766
24 칼라-24 칼라-1640 0.473
25 칼라-25 칼라-1656 0.367
26 칼라-26 칼라-1894 0.642
27 칼라-27 칼라-1910 0.360
28 칼라-28 칼라-2167 0.522
29 칼라-29 칼라-2440 0.349
30 칼라-30 칼라-2457 0.696
31 칼라-31 칼라-2714 0.448
평균 0.631
상기 표 4에 나타난 바와 같이, 본 발명에 따른 신곡 및 구곡 판별용 칼라코드 세트는 칼라-530, 칼라-546, 칼라-563, 칼라-802, 칼라-803, 칼라-804, 칼라-819, 칼라-820, 칼라-836, 칼라-1076, 칼라-1077, 칼라-1091, 칼라-1093, 칼라-1094, 칼라-1110, 칼라-1349, 칼라-1350, 칼라-1366, 칼라-1367, 칼라-1383, 칼라-1621, 칼라-1623, 칼라-1637, 칼라-1640, 칼라-1656, 칼라-1894, 칼라-1910, 칼라-2167, 칼라-2440, 칼라-2457 및 칼라-2714의 31개 칼라 코드의 평균 식별능은 0.631로, 본 발명의 칼라 코드를 통해 신곡 및 구곡의 판별이 충분히 가능함을 확인하였다.
< 실시예 5> 통계분석
도 2a은 판별식 작성용 시료인 신곡 및 구곡 107개 시료를 대상으로 본 발명에 따른 신곡 및 구곡 판별용 칼라코드 세트를 사용하여 분석된 주성분 분석(PCA) 결과를 나타낸다.
주성분 분석 결과는 칼라 맵(color map)으로도 불리며, 이는 IRIS 전자눈 칼라 코드에서 가장 중요한 칼라 선택에 따라 구축된다. 즉 본 발명의 31개 칼라코드를 이용하여 칼라 맵을 작성하였고, 이 칼라 맵은 시료별 칼라의 함량 조성에 따라, 색의 차이를 보이는 시료의 경향성을 보여 준다 (도 2b 참조).
또한 IRIS 전자눈 장비에 포함된 통계프로그램 중 판별함수분석(DFA) 분석을 수행하였을 때 신곡과 구곡은 100% 분류되는 것으로 나타났다 (도 2c 참조).
신곡과 구곡을 판별하고자 하는 시료(쌀)에 GOP 시약 처리를 하고, 전자눈 분석기기를 이용하여 이미지 촬영을 한 다음, 본 발명의 칼라코드 세트를 이용하여 주성분 분석(PCA)을 수행하여 도 2의 판별식(칼라 맵)에 미지 시료의 분포도를 확인하였다.
그런 다음, 신곡과 구곡의 판별식에 미지의 시료에 대한 칼라코드별 픽셀 수를 대입하여 통계 프로그램(UNISTAT® Statistical Package for Windows, version 6.5, England)을 이용하여 쌀의 신곡과 구곡을 판별할 수 있었다.
또한, 본 발명에 따른 판별식에 입력된 코드는 신곡은 “1”, 구곡은 “2”로 코드화 하였고, 미지의 시료는 *로 입력하여 통계 분석하였다.
개발된 판별식이 얼마나 판별 정확도가 높은지 알아보고자, 미지 시료(표 2)를 이용하여 신곡과 구곡 유무를 정확하게 판별할 수 있는 확률을 알아보았다.
쌀 시료에 GOP 시약을 처리한 후, 전자눈 장비로 사진을 촬영하였고, 획득된 이미지 데이터 파일로부터 본 발명의 칼라코드 31개에 대한 픽셀 수를 분석하였다.
도 2a 내지 도 2c의 판별식에 미지 시료(표 2)를 대입하여 신곡과 구곡으로 판별될 수 있는 확률을 PCA 분석을 통해 수행하였다. PCA 분석을 수행한 후, 개발된 판별식에 미지 시료의 값을 코드(신곡 “1”, 구곡 “2”, 미지시료 “*”)로 지정하여 통계 프로그램(UNISTAT® Statistical Package for Windows, version 6.5, England)을 이용하여 신곡과 구곡을 정확하게 맞출 수 있는 확률을 분석하였고, 그 결과 신곡과 구곡이 100% 판별되는 것으로 나타났다.
도 3a는 본 발명에 따른 쌀 신곡 및 구곡 판별용 칼라코드 세트에 의해 분석된 미지 시료의 주성분분석(PCA) 결과를 나타내고, 도 3b는 미지시료를 판별식에 대입하여 통계 프로그램(UNISTAT® Statistical Package for Windows, version 6.5, England)을 이용하여 신곡과 구곡으로 판별되는지를 분석한 후, 판별된 영역을 표기한 것이다.
이를 통해, 본 발명의 칼라코드 세트를 이용하여 모든 신곡과 구곡의 판별이 가능함을 확인할 수 있었다.
상술한 바와 같이, 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 통상의 기술자라면 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (9)

  1. 칼라-530 칼라코드; 칼라-546 칼라코드; 칼라-563 칼라코드; 칼라-802 칼라코드; 칼라-803 칼라코드; 칼라-804 칼라코드; 칼라-819 칼라코드; 칼라-820 칼라코드; 칼라-836 칼라코드; 칼라-1076 칼라코드; 칼라-1077 칼라코드; 칼라-1091 칼라코드; 칼라-1093 칼라코드; 칼라-1094 칼라코드; 칼라-1110 칼라코드; 칼라-1349 칼라코드; 칼라-1350 칼라코드; 칼라-1366 칼라코드; 칼라-1367 칼라코드; 칼라-1383 칼라코드; 칼라-1621 칼라코드; 칼라-1623 칼라코드; 칼라-1637 칼라코드; 칼라-1640 칼라코드; 칼라-1656 칼라코드; 칼라-1894 칼라코드; 칼라-1910 칼라코드; 칼라-2167 칼라코드; 칼라-2440 칼라코드; 칼라-2457 칼라코드; 및 칼라-2714 칼라코드로 구성된 군으로부터 선택되는 하나 이상의 칼라코드 세트를 포함하되, 상기 칼라-530 칼라코드 내지 칼라-2714 칼라코드는 하기 표 1의 RGB 값을 갖는, 쌀 신곡 및 구곡 판별용 칼라코드 세트:
    [표 1]
    Figure pat00001
  2. 제1항에 있어서, 상기 칼라-530 칼라코드; 칼라-546 칼라코드; 칼라-563 칼라코드; 칼라-802 칼라코드; 칼라-803 칼라코드; 칼라-804 칼라코드; 칼라-819 칼라코드; 칼라-820 칼라코드; 칼라-836 칼라코드; 칼라-1076 칼라코드; 칼라-1077 칼라코드; 칼라-1091 칼라코드; 칼라-1093 칼라코드; 칼라-1094 칼라코드; 칼라-1110 칼라코드; 칼라-1349 칼라코드; 칼라-1350 칼라코드; 칼라-1366 칼라코드; 칼라-1367 칼라코드; 칼라-1383 칼라코드; 칼라-1621 칼라코드; 칼라-1623 칼라코드; 칼라-1637 칼라코드; 칼라-1640 칼라코드; 칼라-1656 칼라코드; 칼라-1894 칼라코드; 칼라-1910 칼라코드; 칼라-2167 칼라코드; 칼라-2440 칼라코드; 칼라-2457 칼라코드; 및 칼라-2714 칼라코드를 포함하는 것을 특징으로 하는 쌀 신곡 및 구곡 판별용 칼라코드 세트.
  3. 제1항 또는 제2항의 쌀 신곡 및 구곡 판별용 칼라코드 세트를 포함하는, 쌀 신곡 및 구곡 판별용 키트.
  4. (a). 쌀 시료에 시약을 처리하고, 전자눈 장비로 사진 촬영한 후, 제1항 또는 제2항의 쌀 신곡 및 구곡 판별용 칼라코드 세트를 이용하여 시료의 착색된 색을 분석하여 이미지 데이터를 얻는 단계; 및
    (b). 상기 얻어진 이미지 데이터로부터 신곡 및 구곡을 결정하는 단계를 포함하는, 쌀 신곡 및 구곡을 판별하는 방법.
  5. 제4항에 있어서, 상기 쌀 시료는 상기 시료의 쌀 원형 상태로부터 유래되는 것을 특징으로 하는 쌀 신곡 및 구곡을 판별하는 방법.
  6. 제4항에 있어서, 상기 시약은 구아야콜, 옥시돌 및 파라페닐렌디아민을 포함하는 것을 특징으로 하는 쌀 신곡 및 구곡을 판별하는 방법.
  7. 제4항에 있어서, 상기 시약 처리는 상기 쌀 시료에 구아야콜 4ml을 가하여 10회 흔들어준 후 2분간 정치하고, 옥시돌 3~4 방울을 가하여 10회 흔들어준 다음, 즉시 파라페닐엔디아민 3ml을 가하여 다시 10회 흔든 후, 5분간 정치한 다음 물로 1회 수세하여 수행하는 것을 특징으로 하는 쌀 신곡 및 구곡을 판별하는 방법.
  8. 제4항에 있어서, 상기 (b) 단계는 상기 얻어진 이미지 데이터를 소프트웨어에 탑재된 칼라코드 분석을 통해 검출하는 단계를 포함하는 것을 특징으로 하는 쌀 신곡 및 구곡 판별 방법.
  9. 제8항에 있어서, 상기 칼라코드 분석은 상기 이미지 데이터를 상기 쌀 신곡 및 구곡 판별용 칼라코드 세트에 의해 공지된 쌀 시료의 칼라코드별 픽셀수와 비교함으로써 수행하는 것을 특징으로 하는 쌀 신곡 및 구곡 판별 방법.
KR1020170016793A 2017-02-07 2017-02-07 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법 KR101901812B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170016793A KR101901812B1 (ko) 2017-02-07 2017-02-07 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170016793A KR101901812B1 (ko) 2017-02-07 2017-02-07 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법

Publications (2)

Publication Number Publication Date
KR20180091509A true KR20180091509A (ko) 2018-08-16
KR101901812B1 KR101901812B1 (ko) 2018-09-28

Family

ID=63443606

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170016793A KR101901812B1 (ko) 2017-02-07 2017-02-07 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법

Country Status (1)

Country Link
KR (1) KR101901812B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815724A (zh) * 2020-07-17 2020-10-23 安徽萤瞳科技有限公司 一种用于大米色选的发黑物料识别方法
KR20220063982A (ko) * 2020-11-11 2022-05-18 대한민국(국립농산물품질관리원장) 쌀 도정도 판별용 칼라 코드 조성물 및 이를 이용한 쌀 도정도 판별 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230086624A (ko) 2021-12-08 2023-06-15 롯데지알에스 주식회사 커피 생두 최적 품질유지기한 판별장치 및 이를 이용한 커피 생두 최적 품질유지기한 판별방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101032788B1 (ko) 2011-03-29 2011-05-02 중앙아이엔티 주식회사 계란 신선도 검사 장치
KR101276691B1 (ko) * 2012-12-20 2013-06-24 쌍용기계산업 주식회사 곡물 신선도 판정기

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815724A (zh) * 2020-07-17 2020-10-23 安徽萤瞳科技有限公司 一种用于大米色选的发黑物料识别方法
KR20220063982A (ko) * 2020-11-11 2022-05-18 대한민국(국립농산물품질관리원장) 쌀 도정도 판별용 칼라 코드 조성물 및 이를 이용한 쌀 도정도 판별 방법

Also Published As

Publication number Publication date
KR101901812B1 (ko) 2018-09-28

Similar Documents

Publication Publication Date Title
US11158049B2 (en) Methods and systems for assessing histological stains
JP4376058B2 (ja) 定量的ビデオ顕微鏡法とそれに関連するシステム及びコンピューターソフトウェアプログラム製品
CN110763698B (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
KR101901812B1 (ko) 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법
JP2001264327A (ja) 視覚的効果を生じる比色ストリップ
KR101572226B1 (ko) 어플리케이션 기반 소변검사용 스트립 및 소변 검사 방법
Navas et al. Raman spectroscopic discrimination of pigments and tempera paint model samples by principal component analysis on first‐derivative spectra
O'Donnell et al. Identification and quantification of soil redoximorphic features by digital image processing
EP3759465B1 (en) Methods and systems for calibrating and using a camera for detecting an analyte in a sample
CN109323999A (zh) 一种基于图像数值分析的分光光度检测方法
KR20130093501A (ko) 광학 검사 파라미터를 설정하는 장치 및 방법
Edwards et al. Quantitative measures of iris color using high resolution photographs
JP2007024612A (ja) コメットアッセイ解析方法およびコメットアッセイ画像解析装置およびコメットアッセイ解析装置
CN109714591A (zh) 基于对测评标签的图像质量主观评价方法及系统
CN114937032A (zh) 基于染色分离的病理切片颜色相关质量评估方法
US10533993B2 (en) Test strip, inspection system and inspection method thereof
Diaz-Garcia et al. GiNA, an efficient and high-throughput software for horticultural phenotyping
CN112884058A (zh) 一种基于图像结合高光谱的贝母品种鉴别方法及系统
JP2018169390A (ja) 染色体異常判定装置
CN106846422A (zh) 皮肤防晒情况的识别方法
Yun et al. Fashion image digital color analysis method
Haifa et al. Comparison between digital image processing and spectrophotometric measurements methods. Application in electrophoresis interpretation
Varga et al. How does Computer vision compare to standard colorimeter in assessing the seed coat color of common bean (Phaseolus vulgaris L.)?
KR102412798B1 (ko) 쌀 도정도 판별용 칼라 코드 조성물 및 이를 이용한 쌀 도정도 판별 방법
Rogge et al. Fluorescence fails: the color of UVA-induced visible fluorescence of tintype varnishes does not discriminate between varnish materials

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant