A machine learning-based method for adulteration detection in white rice vinegar using different non-targeted spectroscopy

기술 요약: 비표적 분광법을 이용한 백미 식초의 머신러닝 기반 변조 탐지

문제 정의
백미 식초는 아시아 시장에서 널리 소비되는 조미료로, 저가 합성 초산으로 희석하거나 저가도 정신 식초(spirit vinegar)로 대체하는 등의 경제적 목적의 변조에 매우 취약하다. 기존의 크로마토그래피 방법은 이러한 부정행위를 탐지할 수 있지만, 대개 복잡하고 시간이 오래 걸리며 인프라 집약적이라 일상적인 고처리량 산업 스크리닝에는 부적합하다. 비표적 분광 기술(NIR, FTIR, EEM)이 신속하고 비파괴적인 대안을 제공함에도 불구하고, 기존 문헌에는 몇 가지 결정적인 공백이 존재한다. 즉, (보호 지정 원산지 제품이 아닌) 산업용 등급의 백미 식초에 대한 연구가 부족하며, 동일한 과업에 대한 서로 다른 분광 양식 간의 체계적인 비교가 미흡하고, 머신러닝 모델의 일반화 및 특징 선택(feature selection)에 미치는 '브랜드 특이성(brand specificity)'—즉, 상업적 브랜드 간의 상당한 화학적 변동성—의 영향을 충분히 다루지 못했다는 점이다.

연구 방법론
본 연구는 세 가지 비표적 분광 기술인 근적외선(NIR), 푸리에 변환 적외선(FTIR), 형광 들뜸-방출 행렬(EEM) 분광법의 효능을 평가하고 비교하기 위해 포괄적이고 데이터 중심적인 워크플로우를 구현하였다.

• 시료 준비: 네 가지 상업용 백미 식초 브랜드(항순, 천하, 쌍유, 동호)를 4%(v/v) 수용성 초산 용액을 사용하여 모사 변조하였다. 변조 수준은 순수 상태(0%)부터 50%(v/v)까지 8단계로 구성되었으며, 각 브랜드-농도 조합당 10회의 분석 반복 실험을 수행하였다.
• 데이터 획득:
  • NIR: 핸드헬드 분광기(1350–2500 nm)를 사용하여 수집하였다.
  • FTIR: 감쇄 전반사(ATR) 방식(400–4000 cm⁻¹)을 통해 획득하였다.
  • EEM: 형광 분광기(들뜸: 230–400 nm; 방출: 240–600 nm)를 사용하여 기록하였다.
• 데이터 처리 및 모델링:
  • 시각화: 비선형 차원 축소를 위해 t-SNE(t-distributed Stochastic Neighbor Embedding)를 사용하여 클러스터링 패턴을 시각화하였다.
  • 전처리: 최적의 파이프라인을 RMSECV를 기준으로 객관적으로 식별하기 위해 16가지 구조화된 전처리 워크플로우(ALS, SNV, SGF, PS, MC의 조합)에 대해 체계적이고 철저한 탐색을 수행하였다.
  • 특징 선택: 상위 10%의 특성 파장대를 선택하기 위해 네 가지 알고리즘(UVE, VIP, CARS, GA)을 채택하였다.
  • 분류: 다섯 가지 머신러닝 모델(LDA, PLS-DA, DT, RF, SVM)을 학습시켰으며, 그리드 서치(grid search)를 통해 최적화하였다.
  • 평가: 성능 측정을 위해 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score, 코헨 카파(Cohen's Kappa) 계수를 사용하는 엄격한 5×5 중첩 교차 검증(nested cross-validation) 체계를 사용하였다.

주요 결과

1. 분광학적 효능: FTIR 분광법은 네 가지 브랜드 모두에서 일관되게 가장 강력한 판별 잠재력을 보여주었다. 전체 밴드 데이터를 사용한 벤치마크 테스트에서, 최적의 FTIR 모델은 95.00%에서 100.00% 사이의 교차 검증 정확도를 달-성하였으며, 이는 NIR(71.25%–95.00%) 및 EEM(66.25%–90.00%)을 크게 상회하는 결과였다.
2. 특징 선택의 영향: 특징 선택을 FTIR에 통합했을 때 모델 성능이 유지되거나 향상되었다. 선택된 특성 밴드를 기반으로 한 최적의 FTIR 모델은 85.00%에서 100.00% 사이의 식별 정확도를 달성하였다. 반면, 특징 선택은 모든 브랜드에서 NIR 모델의 정확도를 일반적으로 감소시켰으며, EEM 모델에서는 혼재된 결과를 보였다.
3. 브랜드 특이성: 브랜드별로 최적의 모델링 경로가 확연히 달라진다는 점이 핵심적인 발견이었다.
   • 전처리: 최적의 전처리 파이프라인(예: ALS-PS vs. SNV-PS)은 브랜드 간에 유의미하게 달랐다.
   • 특징 선택: 가장 효과적인 특징 선택 알고리즘(예: VIP, CARS, GA)과 그에 따른 특성 밴드의 분포 또한 브랜드마다 달랐다.
   • 모델 구조: 최적의 분류기(예: LDA vs. RF) 역시 보편적이지 않았다. 예를 들어, 항순 FTIR 데이터에는 LDA가 최적이었으나, 천하, 쌍유, 동호에는 RF가 더 우수했다.
4. 스펙트럼 특성: 원시 스펙트럼 곡선은 브랜드와 변조 수준 간에 높은 유사성을 보였으나, t-SNE 시각화 결과 FTIR이 변조 수준 간의 구분을 가장 명확하게 제공함을 확인하였다. EEM 스펙트럼은 클러스터링이 가장 약했으며, 특정 브랜드의 경우 순수 샘플과 변조 샘플 간의 중첩이 심하게 나타났다.

의의 및 주장
본 논문은 체계적인 계량화학 전략(엄격한 전처리, 특징 선택, 머신러닝을 포함)과 FTIR 분광법의 결합이 백미 식초의 변조를 탐지하기 위한 견고한 토대를 제공한다고 주장한다. 본 연구는 고정밀 인증 도구가 실현 가능하지만, 결코 '만능(one-size-fits-all)'일 수는 없음을 강조한다. 저자들은 브랜드 특이성이 결정적인 요소임을 역설하며, 최적의 전처리, 특징 선택 및 모델 구조는 각 식초 브랜드의 특정 화학적 매트릭스에 맞춰 조정되어야 한다고 밝힌다. 따라서 본 연구는 다양한 상업적 제품을 효과적으로 처리할 수 있는 단일 모델링 접근 방식을 가정하기보다, 식품 산업의 일반화된 인증 도구를 개발할 때 브랜드 변동성을 고려해야 한다고 제언한다. 이러한 결과는 신속하고 신뢰할 수 있는 탐지 방법의 개발을 뒷받침하는 동시에, 향-후 연구가 브랜드 간 변동성을 효과적으로 다루기 위한 통합된 '브랜드 융합 모델(brand-fused models)'을 구축하는 과제를 해결해야 함을 시사한다.