| 1 |
1
식물에 대한 비파괴적 기능성분 예측 방법에 있어서,동일한 종류의 식물들로 이루어진 식물 모집단의 각 식물의 시료에 대한 분광 이미지를 획득하는 단계;상기 각 식물의 시료에 대한 파괴적 실험을 통해 측정된 각 식물의 시료의 적어도 하나의 기능성분의 함량을 입력받는 단계; 상기 획득된 각 식물의 시료에 대한 분광 이미지와 상기 측정된 적어도 하나의 기능성분의 함량을 이용하여 상기 식물의 분광 이미지와 상기 식물에 함유된 적어도 하나의 기능성분의 함량간의 상관 관계를 나타내는 적어도 하나의 예측 모델을 구축하는 단계; 상기 식물 모집단의 식물 종류와 일치하는 종류의 대상 식물에 대한 분광 이미지를 획득하는 단계; 및상기 구축된 적어도 하나의 예측 모델을 이용하여 상기 획득된 대상 식물에 대한 분광 이미지로부터 상기 대상 식물에 함유된 적어도 하나의 기능성분의 함량을 예측하는 단계를 포함하고,상기 획득된 각 식물의 시료에 대한 분광 이미지의 복수 픽셀의 스펙트럼에 대한 평균 스펙트럼을 상기 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼으로서 산출하는 단계를 더 포함하고,상기 적어도 하나의 예측 모델을 구축하는 단계는 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼과 상기 측정된 적어도 하나의 기능성분의 함량을 이용하여 상기 적어도 하나의 예측 모델을 구축하고,상기 각 기능성분 별로 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼의 전체 파장 대역 중에서 상기 각 식물의 시료에 함유된 각 기능성분의 함량에 따른 반사율 또는 흡수율이 상대적으로 더 큰 적어도 하나의 유효 파장 대역을 상기 각 기능성분 별로 설정하는 단계를 더 포함하고,상기 적어도 하나의 예측 모델을 구축하는 단계는 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼 중에서 상기 설정된 적어도 하나의 유효 파장 대역에 속하는 평균 스펙트럼과 상기 측정된 각 기능성분의 함량을 이용하여 상기 식물의 분광 이미지와 상기 식물에 함유된 각 기능성분의 함량간의 상관 관계를 나타내는 각 기능성분 별 예측 모델을 구축하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 2 |
2
제 1 항에 있어서,상기 적어도 하나의 예측 모델을 구축하는 단계는 상기 획득된 각 식물의 시료에 대한 분광 이미지와 상기 측정된 각 기능성분의 함량을 이용하여 상기 식물의 분광 이미지와 상기 식물에 함유된 각 기능성분의 함량간의 상관 관계를 나타내는 각 기능성분 별 예측 모델을 구축하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 3 |
3
제 2 항에 있어서,상기 적어도 하나의 기능성분의 함량을 예측하는 단계는 상기 구축된 각 기능성분 별 예측 모델을 이용하여 상기 획득된 대상 식물에 대한 분광 이미지로부터 상기 대상 식물에 함유된 각 기능성분의 함량을 예측하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 4 |
4
삭제
|
| 5 |
5
삭제
|
| 6 |
6
제 1 항에 있어서,SG 필터(Savitzky Golay Filter) 기법, SNV(Standard Normal Variate) 기법, MSC(Multiplicative Scatter Correction) 기법, 일차미분 기법, 이차미분 기법, 정규화(Normalization) 기법 중 적어도 두 종류의 기법을 이용하여 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼을 나타내는 데이터를 전처리하는 단계를 더 포함하고,상기 적어도 하나의 예측 모델을 구축하는 단계는 상기 전처리된 데이터를 이용하여 상기 식물의 분광 이미지와 상기 각 기능성분 별 예측 모델을 구축하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 7 |
7
제 1 항에 있어서,상기 적어도 하나의 예측 모델을 구축하는 단계는 상기 획득된 각 식물의 시료에 대한 분광 이미지와 상기 측정된 적어도 하나의 기능성분의 함량을 PLSR(Partial Least Squares Regression) 모델에 적용함으로써 상기 적어도 하나의 예측 모델을 구축하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 8 |
8
제 1 항에 있어서,상기 적어도 하나의 예측 모델을 구축하는 단계는 상기 획득된 각 식물의 시료에 대한 분광 이미지와 상기 측정된 적어도 하나의 기능성분의 함량을 CNN(Convolutional Neural Network) 모델에 적용함으로써 상기 적어도 하나의 예측 모델을 구축하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 9 |
9
제 1 항에 있어서,상기 적어도 하나의 기능성분의 함량을 예측하는 단계는 상기 구축된 적어도 하나의 예측 모델을 이용하여 상기 획득된 대상 식물에 대한 분광 이미지의 어느 하나의 픽셀의 스펙트럼을 나타내는 데이터로부터 상기 어느 하나의 픽셀에 대응하는 대상식물의 지점에 함유된 적어도 하나의 기능성분의 함량을 예측하는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 10 |
10
제 1 항에 있어서,상기 각 식물의 시료는 적겨자 잎의 시료이고, 상기 각 식물의 시료의 적어도 하나의 기능성분은 총 클로로필(total chlorophyll), 총 카로티노이드(total carotenoid), 총 페놀류(total phenolics), 총 글루코시놀레이트(total glucosinolate), 총 안토시아닌(total anthocyanin)으로 이루어지는 것을 특징으로 하는 비파괴적 기능성분 예측 방법
|
| 11 |
11
제 1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
| 12 |
12
식물에 대한 비파괴적 기능성분 예측 장치에 있어서,동일한 종류의 식물들로 이루어진 식물 모집단의 각 식물의 시료에 대한 초분광 이미지를 획득하는 이미지획득부;상기 각 식물의 시료에 대한 파괴적 실험을 통해 측정된 각 식물의 시료의 적어도 하나의 기능성분의 함량을 입력받는 사용자인터페이스; 및상기 획득된 각 식물의 시료에 대한 초분광 이미지와 상기 측정된 적어도 하나의 기능성분의 함량을 이용하여 상기 식물의 초분광 이미지와 상기 식물에 함유된 적어도 하나의 기능성분의 함량간의 상관 관계를 나타내는 적어도 하나의 예측 모델을 구축하는 모델구축부를 포함하고, 상기 이미지획득부는 상기 식물 모집단의 식물 종류와 일치하는 종류의 대상 식물에 대한 초분광 이미지를 획득하고, 상기 구축된 적어도 하나의 예측 모델을 이용하여 상기 획득된 대상 식물에 대한 초분광 이미지로부터 상기 대상 식물에 함유된 적어도 하나의 기능성분의 함량을 예측하는 기능성분예측부를 더 포함하고,상기 획득된 각 식물의 시료에 대한 분광 이미지의 복수 픽셀의 스펙트럼에 대한 평균 스펙트럼을 상기 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼으로서 산출하는 평균산출부를 더 포함하고,상기 모델구축부는 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼과 상기 측정된 적어도 하나의 기능성분의 함량을 이용하여 상기 적어도 하나의 예측 모델을 구축하고,상기 각 기능성분 별로 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼의 전체 파장 대역 중에서 상기 각 식물의 시료에 함유된 각 기능성분의 함량에 따른 반사율 또는 흡수율이 상대적으로 더 큰 적어도 하나의 유효 파장 대역을 상기 각 기능성분 별로 설정하는 대역설정부를 더 포함하고,상기 모델구축부는 상기 산출된 각 식물의 시료에 대한 분광 이미지의 평균 스펙트럼 중에서 상기 설정된 적어도 하나의 유효 파장 대역에 속하는 평균 스펙트럼과 상기 측정된 각 기능성분의 함량을 이용하여 상기 식물의 분광 이미지와 상기 식물에 함유된 각 기능성분의 함량간의 상관 관계를 나타내는 각 기능성분 별 예측 모델을 구축하는 것을 특징으로 하는 비파괴적 기능성분 예측 장치
|
