인공신경망 기법을 이용한 수박의 음향특성과 품질 분석

목차

1. 서 론
1) 인공신경망이란
2) 인공지능 방법론의 변천사

2. 재료 및 방법
가. 공시재료
나. 실험방법
(1) 음향신호 계측 시스템
(2) 음향신호 데이터 수집
(3) 외관 및 파괴적인 방법에 의한 품질평가
다. 음향신호처리
라. 인공신경망에 의한 내부품질 예측 알고리즘

3. 결과 및 고찰
가. 수박의 물성
나. 수박의 음향 스펙트럼
다. 인공 신경망 학습 및 검증

4. 결 론

본문내용

은 첫 번째 피크가 공동의 정도에 따라 작게 나타나는 경향이 있다.
MEM의 차수는 80차로 FFT의 스펙트럼의 공명주파수와 거의 일치하는 차수로 설정하였다.
다. 인공 신경망 학습 및 검증
인공 신경망 학습 및 검증에 사용한 입력패턴, 목적패턴, 검증패턴수는 각각 33, 33, 15개이었다.
주파수대역의 100개의 매그니튜드 값을 데이터로 사용하여 입력층 유니트를 100개, 숙도와 공동의 유무인 데이터를 사용한 출력층의 유니트를 2개, 은닉층의 유니트수를 10, 15, 20, 30, 50개로 변화를 주면서 인공 신경망을 학습시켰으며, 피크 주파수의 6개 매그니튜드 값을 데이터를 사용하여 입력층 유니트는 6개, 숙도와 공동의 유무인 데이터를 사용한 출력층 유니트를 2개, 은닉층의 유니트수를 3, 6, 9, 12, 15, 18, 21개로 변화를 주면서 인공신경망을 학습시킨 결과를 표 4에 나타내었으며, 학습시키지 않은 미지의 데이터을 가지고 검증한 결과를 표5에 나타내었다.
표 4에서 보는 바와 같이 주파수대역의 경우 은닉층의 유니트 수가 10, 20, 50일 때 숙도 및 공동에 대해 각각 100%의 학습 정확도를 얻었으나, 표 5에서 보는 바와 같이 검증결과 숙도는 80, 80, 73.3%, 공동의 경우는 73.3, 73.3, 80%로 다르게 나타났다.
피크 주파수의 경우는 은닉층의 유니트 수가 21일 때 숙도 및 공동에 대한 학습 정확도가 각각 100%이었지만, 검증결과 숙도의 경우는 은닉층의 유니트 수가 15일 때 92.9%로 가장 높았으며, 공동의 경우는 은닉층의 유니트 수가 9, 12, 18, 21일 때 78.6%의 정확도를 나타내었다.
Table 4 Learning results of neural network with the number of hidden layer units
Data type
No. of hidden layer unit
10
15
20
30
50
Freq. bandwith
Detection rate of ripeness(%)
100
97
100
97
100
Detection rate of crack(%)
100
100
100
100
100
MSE
0.0001253
0.0152635
0.0001212
0.0152545
0.00011556
Peak freq.
No. of hidden layer unit
3
6
9
12
15
18
21
Detection rate of ripeness(%)
97.1
94.3
100
100
97.1
100
100
Detection rate of crack(%)
94.3
94.3
97.1
91.4
94.3
97.1
100
MSE
0.04399
0.04719
0.01517
0.04577
0.04382
0.01509
0.00167
Table 5 Accuracy of the internal quality evaluation of watermelon by neural network algorithm
Data type
No. of hidden
layer unit
10
15
20
30
50
Freq. bandwith
Detection rate of ripeness(%)
80
66.7
80
60
73.3
Detection rate of crack(%)
73.3
80
73.3
80
80
Peak freq.
No. of hidden layer unit
3
6
9
12
15
18
21
Detection rate of ripeness(%)
78.6
78.6
78.6
42.9
92.9
85.7
71.4
Detection rate of crack(%)
71.4
71.4
78.6
78.6
71.4
78.6
78.6
4. 결 론
본 연구는 인공 신경망을 이용하여 수박의 내부품질중 숙도와 공동을 판정하는 알고리즘을 개발하였며, 그 결과를 요약하면 다음과 같다.
1. 수박의 음향신호는 내부품질의 차이에 따른 뚜렷한 경향을 보였다. 시간영역의 음향신호를 관찰해 보면 적숙과의 경우 균일한 시간간격으로 피크점들을 갖으며, 미숙과의 경우는 첫 번째 피크후에 좁은 시간간격의 피크점들이 나타났으며, 공동과의 경우 첫 번째 피크가 작게 나타남을 알 수 있었다. 이와 같은 특징들은 신경망의 학습 및 검증에 필요한 유효한 데이터를 선정하는데 기준이 되었다.
2. 인공 신경망 학습 및 검증을 각각 35, 14개의 패턴을 사용하여 수행한 결과 주파수대역에서의 학습 정확도는 97∼100%이었으며, 검증의 정확도는 숙도의 경우 66.7∼80%, 공동의 경우 73.3∼80%이었다. 피크 주파수에서의 학습의 정확도는 91.4∼100%이었으며, 검증의 정확도는 42.9∼92.9%로 은닉층의 유니트수가 15일 때 숙도의 판정율이 92.9% 가장 높았다.
참고문헌
김만수, 최동수, 이영희, 조영길. 1998. 수박의 음향특성에 관한 연구. 한국농업기계학회지 23(1) : 55∼66
김창수, 명병수. 1997. 반발특성을 이용한 수박의 숙도판별 센서의 개발. 한국농업기계학회지 22(1) : 49∼58
박선호. 1995. 디지털 신호처리의 기초와 DSP응용실무. 국제테크노정보연구소
이강진, W. R. Hruschka, J. A. Abbott, 노상하, B. S. Park. 1998. 근적외선을 이용한 사과의 당도예측(Ⅱ)-부분최소제곱 및 인공신경회로망 모델. 한국농업기계학회 23(6) : 571∼582
이경옥. 1998. MATLAB 길잡이. 멀티정보사
이상엽. 1998. 기계시각을 이용한 마늘 선별 알고리즘 개발. 서울대학교 석사학위논문
이수희, 노상하, 이종환. 1995. 신경회로망을 이용한 사과의 색택선별 알고리증 개발에 관한 연구. 한국농업기계학회 20(4) : 376∼382
임종수. 1998. MATLAB 완벽가이드. 가상과 현실
이채욱. 1996. 디지털 신호처리. 청문각
南茂夫. 1986. 科學計測のための波形デ-タ處理. CQ出版社
MATLAB Signal Processing Toolbox User's Guide. The MATHWORKS inc.
MATLAB Neural Network Toolbox User's Guide. The MATHWORKS inc.

키워드

수박의음향특성과품질분석,   인공신경망기법이용한수박의음향특성,   인공지능방법론의변천사,   음향신호계측시스템,   내부품질예측알고리즘,   수박의음향신호계측,   수박의음향스펙트럼,   수박의물성