📄 농업

Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit

본 연구는 우수한 수확 후 품질 유지력을 바탕으로 살구의 최적 수확 성숙도를 3단계로 규정하고, 개선된 수확 의사결정을 위해 RGB 영상을 활용하여 성숙 단계를 신속하고 비파괴적으로 분류하는 경량 딥러닝 모델을 개발한다.

원저자: Shima Naeimifar, Hojatollah Bodaghi, Seyed Iman Saedi

게시일 2026-09-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Shima Naeimifar, Hojatollah Bodaghi, Seyed Iman Saedi

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

매년 전 세계 과수원에서는 달콤한 풍미와 풍부한 영양으로 찬사받는 과일인 살구 수백만 톤을 생산합니다. 그러나 이 과일들은 시간과의 끊임없는 싸움에 직면해 있습니다. 수확 후 몇 달 동안 보관할 수 있는 다른 작물들과 달리, 살구는 부드럽고 잘 상하며 나무에서 떨어진 후 매우 빠르게 익어버립니다. 너무 일찍 수확하면 딱딱하고 맛이 없으며, 너무 늦게 수확하면 시장에 도착하기도 전에 물러지고 부패합니다. 이 문제의 해결 열쇠는 과일이 맛있는 상태를 유지하면서도 식료품점에 도달할 때까지 견딜 수 있을 만큼 충분히 단단한 상태인, 즉 정확한 수확 시점을 찾는 데 있습니다. 수십 년 동안 농부들은 자신의 눈과 경험에 의존하여 이 순간을 추측해 왔으나, 이 방법은 종종 일관성이 없고 오류가 발생하기 쉽습니다. 이제, 새로운 접근 방식은 과일의 화학적 연구와 첨단 컴퓨터 비전을 결합하여 더 신뢰할 수 있는 답을 찾고자 합니다.

이란의 샤후드 공과대학교(Shahrood University of Technology) 연구진은 먼저 살구의 생물학적 특성을 이해한 다음, 컴퓨터에게 적절한 수확 시기를 인식하도록 가르침으로써 이 문제를 해결하고자 했습니다. 그들은 샤후드 지역에서 재배되는 '자파라니(Zafarani)'라고 알려진 특정 품종에 집중했습니다. 연구팀은 아주 미성숙한 단계부터 완전히 익은 단계에 이르기까지 다섯 가지 뚜렷한 성장 단계별로 과일을 수확하는 것으로 시작했습니다. 그들은 상업적 유통업자들이 사용하는 조건과 유사한 냉장 저장 환경에 이 과일들을 두고, 35일 동안 어떻게 변화하는지 관찰했습니다. 매주 과학자들은 과일의 경도, 수분 증발에 따른 무게 손실, 당도, 산도, 그리고 피부색의 정밀한 변화 등 광범위한 품질을 측정했습니다. 그들은 과일이 시간이 흐름에 따라 발생하는 자연적인 부패에 저항하면서도 형태와 풍미를 가장 잘 유지하는 단 하나의 단계를 찾고 있었습니다.

이 긴 관찰의 결과는 명확한 승자를 드러냈습니다. 너무 초록빛이 돌지도, 그렇다고 완전히 부드러워지지도 않은 성숙의 세 번째 단계에서 수확된 과일들이 가장 높은 회복력을 보였습니다. 이 살구들은 더 일찍 혹은 더 늦게 수확된 것들보다 경도를 더 잘 유지했습니다. 무게 손실도 적었기에 더 통통하고 즙이 많은 상태를 더 오래 유지했습니다. 당도와 산도를 포함한 화학적 균형 또한 더 안정적이었으며, 색상 변화도 다른 단계들에 비해 극적으로 변하지 않았습니다. 너무 일찍 수了된 과일들은 품질을 유지하는 데 어려움을 겪으며 빠르게 변화하고 경도가 급격히 떨어졌습니다. 너무 늦게 수확된 과일들은 이미 너무 부드러워져서 저장 기간을 견디지 못하고 거의 즉시 퇴화했습니다. 이 연구는 이 특정 시간대가 최선의 타협점임을 확인해주었으며, 이를 통해 소비자가 원하는 품질을 잃지 않고도 몇 주 동안 과일을 저장할 수 있게 해줍니다.

이상적인 수확 단계를 파악한 후, 연구진은 작업의 두 번째 단계로 넘어갔습니다. 바로 기계에게 이를 찾는 법을 가르치는 것이었습니다. 만약 컴퓨터가 나무에 달린 살구를 보고 그것이 완벽한 세 번째 단계에 있는지 즉각 알 수 있다면, 농부들이 훨씬 더 정밀하게 수확할 수 있다는 것을 그들은 깨달았습니다. 이를 위해 연구진은 자연광 아래 과수원에서 살구를 찍은 천 장 이상의 사진을 촬영하여, 농부가 마주하게 될 모든 그림자와 다양한 각도가 포함된 실제 세상의 모습 그대로를 포착했습니다. 그들은 특수 조명이나 통제된 환경을 사용하지 않았습니다. 시스템이 과수원의 무질서한 현실 속에서도 작동하기를 원했기 때문입니다.

그 후 연구팀은 이미지를 분류하기 위해 특별히 설계된 딥러닝 모델이라는 유형의 맞춤형 컴퓨터 프로그램, 즉 인공지능을 구축했습니다. 이 프로그램은 사진을 보고 과일을 다섯 가지 성숙 단계 중 하나로 분류하도록 훈련되었습니다. 모델은 표준 기기에서도 거대한 컴퓨팅 파워 없이 빠르게 실행될 수 있도록 가볍게 설계되었습니다. 수천 장의 이미지로 학습을 마친 후, 컴퓨터는 한 번도 본 적 없는 새로운 사진 세트를 대상으로 테스트를 받았습니다. 컴퓨터는 대다수의 경우에서 올바른 성숙 단계를 성공적으로 식별해 냈습니다. 오류가 발생했을 때는 주로 완벽한 단계에 도달하기 직전의 과일과 방금 단계를 지나친 과일을 혼동하는 것과 같은 작은 실수였습니다. 이는 컴퓨터가 단순히 무작위 패턴을 암기하는 것이 아니라, 과일의 외형적 변화를 이해하고 있음을 보여주었습니다.

이 연구의 의의는 생물학적 과학과 실용적인 농업 사이의 간극을 메우는 능력에 있습니다. 어떤 성장 단계가 가장 긴 유통 기한을 갖는지 먼저 입증한 다음, 그 단계를 즉각적으로 식별할 수 있는 도구를 만듦으로써, 연구진은 폐기물을 줄이고 품질을 개선할 수 있는 길을 제시했습니다. 컴퓨터 비전 시스템은 농부의 지식을 대체하는 것이 아니라 보완하며, 수확 결정을 내리기 위한 객적이고 신속한 방법을 제공합니다. 비록 이 연구가 한 지역의 단일 살구 품종을 대상으로 수행되었지만, 이 방법은 농업의 강력한 미래를 시사합니다. 만약 이 기술이 다른 과일과 다양한 재배 조건에 적응할 수 있다면, 농산물이 수확되는 방식을 변화시켜 소비자에게 전달되는 과일이 갓 수확했을 때처럼 신선하고 풍미 가득하도록 보장할 수 있을 것입니다. 연구는 이 도구가 유망하지만, 상업적 규모에서의 신뢰성을 확인하기 위해서는 다양한 과수원과 계절에 걸친 추가적인 테스트가 필요하다고 결론지었습니다.

기술 요약: 살구의 최적 수확 성숙도 식별을 위한 수확 후 품질 평가 및 딥러닝의 통합

문제 정의
살구(Prunus armeniaca cv. Zafarani)는 상온에서 급격한 연화와 품질 저하가 발생하는 매우 부패하기 쉬운 과실이다. 수확 성숙도는 수확 후 성능, 저장 수명 및 소비자 수용도를 결정하는 결정적인 요소이다. 그러나 현재 수확 시기를 결정하는 것은 주로 인간의 시각적 추정에 의존하고 있으며, 이는 주관적이고 불확inc하며 비효율적이다. 과실 분류를 위한 전통적인 이미지 처리 방식은 통제된 조명과 고정된 카메라 기하학 구조에 의존하기 때문에 자연 상태의 과수원 조건에서는 견고성이 부족한 경우가 많다. 또한, 딥러닝이 농업 모니터링 분야를 발전시켜 왔음에도 불구하고, 구조화되지 않은 야외 환경에서 비파괴적이고 실시간으로 이루어지는 살구 성숙도 분류에 대한 구체적인 적용은 상대적으로 미개척 영역으로 남아 있다. 따라서 생리적 품질 데이터와 첨단 컴퓨터 비전을 통합하여 저장 잠재력을 극대화할 수 있는 특정 성숙 단계를 식별하는 신뢰할 수 있는 비파괴적 방법이 필요하다.

연구 방법론
본 연구는 두 가지 통합된 단계로 진행되었다:

생리적 품질 평가:
- 실험 설계: Edwards 성숙 척도에 따라 다섯 가지 뚜렷한 생리적 성숙 단계(단계 1~5)에서 살구를 수확하였다.
- 저장 프로토콜: 과실을 6°C에서 35일 동안 저장하였다. 품질 특성은 매주 간격(0, 7, 14, 21, 28, 35일)으로 평가되었다.
- 측정 지표: 경도, 중량 감소, 총 가용성 고형물(TSS), 적정 산도(TA), pH 및 색도( $L^*$ , $C^*$ , $h^\circ$ , $\Delta E$ )를 측정하였다.
- 통계 분석: 데이터는 세 번의 반복 실험을 포함한 완전 무작위 배치법(CRD)의 요인 설계로 분석되었으며, 평균 비교를 위해 SAS 소프트웨어(Duncan's test, $p < 0.05$ )를 사용하였다.
딥러닝 모델 개발:
- 데이터 수집: 2024년 6월~7월 사이 삼성 갤럭시 A54 스마트폰을 사용하여 자연적인 과수원 조건에서 1,032장의 살구 RGB 이미지를 촬영하였다. 조명, 거리 또는 각기에 대한 제어는 수행되지 않았다.
- 데이터셋 분할: 데이터셋은 학습(660장), 검증(165장), 독립 테스트(207장) 세트로 분할되었다.
- 아키텍처: 맞춤형 경량 이중 경로 합성곱 신경망(CNN)을 개발하였다. 이 아키텍처는 두 개의 병렬 브랜치를 특징으로 한다:
  - 경로 1: 일반적인 합성곱 층을 활용한다.
  - 경로 2: 확장된 수용 영역을 확보하기 위해 확장 합성곱 층(dilation factor = 2)을 활용하며, 이를 통해 계산 부하를 늘리거나 해상도를 낮추지 않고도 공간 정보를 복구한다.
  - 통합: 두 경로의 특징 맵(feature maps)을 결합(concatenate)한 후, 분류를 위한 Softmax 활성화 함수가 적용된 밀집 층(dense layers)으로 전달한다.
- 학습: Google Colaboratory 환경(Python, Keras/TensorFlow)에서 Nadam 옵티마이저, 범주형 교차 엔트로피 손실(categorical cross-entropy loss), 배치 크기 8, 80 에포크(epoch)를 사용하여 모델을 학습시켰다.
- 평가: 정밀도(precision), 재현율(recall), F1-score 및 혼동 행렬(confusion matrix)을 통해 성능을 평가하였다.

주요 결과

생리적 발견:
- 최적 단계: 단계 3에서 수확된 과실이 가장 유리한 전반적 수확 후 성능을 보였다.
- 경도: 단계 3 과실은 단계 4 및 5가 급격히 연화되고 단계 1 및 2가 상당한 변화를 보이는 것과 비교하여 우수한 경도 유지력을 나타냈다.
- 중량 감소: 단계 3은 35일간의 기간 동안 가장 낮은 누적 중량 감소를 보였다.
- 화학적 안정성: 단계 3 과실은 TSS(4.16%), pH(6.54%) 및 적정 산도의 상대적 변화가 가장 작았으며, 이는 더 높은 조성적 안정성을 나타낸다.
- 색도: 모든 단계에서 색상 변화가 일어났으나, 단계 3은 초기 단계의 불안정성이나 후기 단계의 노화 현상을 피하면서 색조각( $h^\circ$ )과 총 색차( $\Delta E$ )에서 균형 잡힌 진행을 보였다.
딥러닝 성능:
- 이중 경로 CNN은 자연적인 야외 조건에서 다섯 가지 성숙 단계를 성공적으로 분류하였다.
- 지표: 독립 테스트 세트에서 모델은 가중 정밀도 0.81, 재현율 0.78, F1-score 0.79를 달s성하였다.
- 오류 분석: 오분류는 주로 인접한 성숙 단계 간(예: 단계 2 vs 단계 3)에 발생하였으며, 이는 뚜렷한 시각적 불연속성보다는 점진적인 생물학적 전이를 반영한다. 모델은 유의미한 과적합 없이 양호한 일반화 성능을 보였다.

주요 기여

최적 수확 시기 식별: 본 연구는 다중 파라미터 품질 평가를 바탕으로 'Zafarani' 살구에 대해 숙도와 저장 안정성 사이의 최적의 절충안을 제공하는 특정 생리적 성숙 단계가 단계 3임을 경험적으로 확인하였다.
새로운 아키텍처: 구조화되지 않은 환경에서의 과실 성숙도 분류에 특화되어 일반 합성곱과 확장 합성곱을 모두 포함하는 경량 이중 경로 CNN을 개발하였다.
통합적 접근 방식: 본 연구는 전통적인 수확 후 생리적 평가와 현대적인 딥러닝 사이의 간극을 성공적으로 메웠으며, 전자를 통해 후자의 타겟 클래스를 정의하였다.
비파괴적 현장 적용: 모델은 통제되지 않은 자연적인 과수원 조건에서 촬영된 이미지를 사용하여 학습 및 검증되었으며, 이는 실제 현장 배치의 가능성을 입증한다.

의의 및 주장
본 논문은 생리적 품질 평가와 딥러닝을 통합하는 것이 신속하고 비파괴적인 성숙도 기반 수확 의사결정을 위한 견고한 프레임워크를 제공한다고 주장한다. 주요 의의는 현장에서 단계 3 성숙도를 객관적으로 식별하여, 재배자가 과실이 최장 저장 수명을 가질 수 있는 시점에 수확을 시작할 수 있게 하는 데 있다.

저자들은 딥러닝 모델이 독립적으로 최적성을 결정하기보다는 생리적 데이터에 의해 식별된 최적의 성숙 단계를 인식하도록 설계되었음을 강조한다. 결론적으로, 본 연구는 이 접근 방식이 유망함을 보여주지만, 시스템의 견고성과 실질적인 적용 가능성을 확립하기 위해서는 다양한 품종, 과수원, 계절 및 가변적인 이미징 조건에 대한 추가적인 검증이 필요하다고 밝히고 있다. 본 연구는 즉각적인 상업적 준비를 주장하는 것이 아니라, 살구 수확 후 관리의 확장 가능한 AI 기반 솔루션을 위한 개념 증명(proof-of-concept)을 구축하는 것을 목적으로 한다.

유사한 논문