Deep Learning for Saffron Adulteration Detection from Stigma Images: A Comparative Study of AlexNet, ResNet, and VGG16

기술 요약: 딥러닝을 이용한 사프란 암술대 이미지 기반 불순물 검출

문제 정의
사프란(Crocus sativus L.)은 경제적 동기에 의한 의도적 불순물 혼입(EMA)에 취약한 고부가가치 향신료이다. 여기서 가짜 재료인 염색된 옥수수 수염, 홍화 꽃술, 착색된 식물 뿌리 등이 외관을 모방하고 부피 중량을 늘리기 위해 실제 암술대와 혼합된다. HPLC, GC–MS, UV–Vis 분광법과 같은 기존의 실험실 기술은 높은 정확도를 제공하지만, 파괴적이고 시간이 오래 걸리며 비용이 많이 들고 전문적인 인프라가 필요하여 수확 후 신속한 스크리닝에는 활용도가 제한적이다. 핸드래프트 특징(handcrafted features)에 의존하는 기존의 머신 비전 방식은 가변적인 조명이나 자연적인 형태학적 변이 하에서 일반화에 실패하는 경우가 많다. 따라서 수확 후 파이프라인에서 사프란의 품질을 인증하기 위한 신속하고 비파괴적이며 비용 효율적인 자동화 시스템이 필요하다.

방법론
본 연구는 진품과 위조 사프란 암술대를 구분하기 위해 전이 학습(transfer learning)을 이용한 세 가지 합성곱 신경망(CNN) 아키텍처—AlexNet, ResNet, VGG16—의 비교 분석을 수행하였다.

• 데이터셋: Sargol, Negin, Pushal 등급을 포함하는 719개의 진품 샘플과 흔한 불순물을 모사하여 실험실에서 제작된 301개의 위조 샘플으로 구성된, 전문가가 라벨링한 1,020개의 RGB 이미지로 구성된 큐레이션된 데이터셋을 구축하였다. 데이터 누수(data leakage)를 방기하기 위해 각 물리적 샘플은 단 한 번만 촬영되었다.
• 전처리: Canon 700D DSLR을 사용하여 이미지를 캡처하였다. 전처리는 테두리 여백의 10%를 크롭하고, 필라멘트를 분리하기 위해 이진 마스크(binary mask)를 적용하며, RGB 임계값 처리(값이 180보다 큰 픽셀을 흰색으로 교체)를 통해 배경을 균질화하는 과정을 포함하였다. 이미지는 아키텍처별 입력 크기(예: AlexNet의 경우 227×227)로 크기를 조정하고 정규화하였다.
• 데이터 증강(Data Augmentation): 견고성을 높이기 위해 무작위 회전(0–360°) 및 수평/수직 뒤집기를 포함하는 온라인 증강 전략을 학습 중에 적용하였다. 검증 및 테스트 세트는 증강하지 않았다.
• 모델 구성: 사전 학습된 모델(ImageNet 가중치)의 최종 분류 레이어를 두 개의 유닛을 가진 완전 연결층(fully connected layer)과 소프트맥스(softmax) 활성화 함수로 교체하였다. 모델은 모멘텀(0.9)을 가진 확률적 경사 하강법(SGD)을 사용하여 50 에포크(epoch) 동안 미니 배치 크기 64, 초기 학습률 1e-4로 엔드 투 엔드(end-to-end) 미세 조정(fine-tuning)되었다.
• 구현: MATLAB R2020a를 사용하여 CPU 기반 시스템(Intel Core i5-6200U, 8GB RAM)에서 학습을 진행하였다. 데이터셋은 80%의 훈련 세트와 20%의 검증 세트로 분할되었으며, 최종 평가를 위한 별도의 테스트 세트가 존재한다.
• 평가: 성능은 정확도(Accuracy), 민감도(Sensitivity, 위조 샘플에 대한 재현율), 특이도(Specificity, 진품에 대한 재현율), 정밀도(Precision, PPV), 음성 예측도(NPV)를 사용하여 측정되었다.

주요 결과
본 연구는 시각적 불순물 검출 능력에 대해 모델들을 평가하였다:

• AlexNet: **96.49%**의 가장 높은 전체 정확도를 달성하였다. 100%의 민감도(모든 위조 샘플을 정확히 식별)와 93.75%의 특이도를 보였다. 15~20 에포크 이내에 빠른 수렴을 나타냈다.
• ResNet-50: 94.74%의 정확도를 달성하였다. 100%의 특이도와 100%의 정밀도를 보였으나, 민감도는 **90%**로 낮아 세 건의 위조 샘플을 진품으로 오분류하는 결과(false negatives)를 낳았다.
• VGG16: 87.72%의 정확도를 달성하였다. 100%의 민감도에는 도달했으나, 특이도가 **79.41%**로 현저히 낮아 진품을 불순물이 섞인 것으로 오분류하는 높은 오경보(false positives)율을 보였다. 저자들은 이러한 성능 저하의 원인을 데이터셋 크기 대비 모델의 깊이 및 파라미터 수, 그리고 효과적인 수렴을 제한한 CPU 기반 학습의 계산적 제약 때문이라고 설명하였다.

의의 및 주장
본 논문은 딥러닝, 특히 CNN이 사프란 인증을 위한 실현 가능하고 신속하며 비파괴적인 화학 분석의 대안이 될 수 있다고 주장한다. 주요 기여는 AlexNet과 같이 상대적으로 콤팩트한 아키텍처가 이 특정 맥락에서 진품 암술대와 시각적 위조품을 구별하는 데 필요한 핵심적인 형태학적 및 색채적 특징을 효과적으로 포착할 수 있음을 입증한 것이며, 이는 적절한 데이터셋 규모에서의 최적화 역학 덕분에 더 깊은 모델들보다 우수한 성능을 보였다.

저자들은 본 연구를 수확 후 품질 관리, 등급 분류 및 수출 검사를 위한 AI 기반 스크리닝 통합의 토대로 위치시킨다. 특히 Alex-Net 모델의 높은 민감도는 불순물이 섞인 샘플을 놓치는 것(위음성)이 오경보(위양성)보다 경제적 위험이 더 큰 스크리닝 애플리케이션에서 매우 가치 있다는 점을 강조한다.

한계점 및 향-후 연구 방향
저자들은 다음과 같은 몇 가지 한계점을 명시적으로 인정하였다:

1. 이미징 조건: 본 연구는 통제된 조명과 균일한 배경을 사용하였는데, 이는 필라멘트가 겹쳐지거나 조명이 가변적인 실제 수확 후 환경을 완전히 재현하지 못할 수 있다.
2. 검증: 성능 지표는 k-겹 교차 검증(k-fold cross-validation) 없이 단일 무작위 데이터 분할을 기반으로 하였다.
3. 하드웨어 제약: CPU에서의 학습, 특히 VGG16의 경우 최적의 수렴을 저해했을 가능성이 있다.
4. 일반화: 본 연구는 다양한 대규모 데이터셋에 대한 교차 검증을 수행하지 않았다.

저자들이 제안하는 향후 연구 과제에는 더 크고 다양한 데이터셋에서의 모델 검증, k-겹 교차 검증 활용, GPU 가속 활용, 투명성을 위한 설명 가능한 AI(XAI) 통합, 그리고 실제 배포를 위한 온디바이스 추론용(예: 스마트폰) 경량 모델 개발이 포함된다. 또한 저자들은 더 강력한 인증을 위해 하이브리드 이미징-분광 파이프라인을 탐구할 것을 제안한다.