• Journal of Biosystems Engineering
• /
• 제43권2호
• /
• pp.148-159
• /
• 2018

Purpose: Unmanned air vehicle (UAV) remote sensing was applied to test various vegetation indices and make prediction models of protein content of rice for monitoring grain quality and proper management practice. Methods: Image acquisition was carried out by using NIR (Green, Red, NIR), RGB and RE (Blue, Green, Red-edge) camera mounted on UAV. Sampling was done synchronously at the geo-referenced points and GPS locations were recorded. Paddy samples were air-dried to 15% moisture content, and then dehulled and milled to 92% milling yield and measured the protein content by near-infrared spectroscopy. Results: Artificial neural network showed the better performance with $R^2$ (coefficient of determination) of 0.740, NSE (Nash-Sutcliffe model efficiency coefficient) of 0.733 and RMSE (root mean square error) of 0.187% considering all 54 samples than the models developed by PR (polynomial regression), SLR (simple linear regression), and PLSR (partial least square regression). PLSR calibration models showed almost similar result with PR as 0.663 ($R^2$) and 0.169% (RMSE) for cloud-free samples and 0.491 ($R^2$) and 0.217% (RMSE) for cloud-shadowed samples. However, the validation models performed poorly. This study revealed that there is a highly significant correlation between NDVI (normalized difference vegetation index) and protein content in rice. For the cloud-free samples, the SLR models showed $R^2=0.553$ and RMSE = 0.210%, and for cloud-shadowed samples showed 0.479 as $R^2$ and 0.225% as RMSE respectively. Conclusion: There is a significant correlation between spectral bands and grain protein content. Artificial neural networks have the strong advantages to fit the nonlinear problem when a sigmoid activation function is used in the hidden layer. Quantitatively, the neural network model obtained a higher precision result with a mean absolute relative error (MARE) of 2.18% and root mean square error (RMSE) of 0.187%.

• 한국작물학회지
• /
• 제54권1호
• /
• pp.55-60
• /
• 2009

녹차, 부분발효차 및 발효차 등 다양한 차제품 117개 제품을 수집하여 분말화하여 측색계로 각 차제품의 표면 색상을 측정한 후 NIRS를 이용하여 가시광선 대역($400{\sim}700$ nm)에서 스펙트럼을 얻어 중회귀분석에 의해 각각 색상 관련 특성에 대한 검량식을 작성하였다. 1. 측색계로 제품의 색상을 측정한 결과 CIE color scale에서 L값(6.98), a값(0.25) 및 b값(15.42)이 높았으나, a/b(0.09)값은 Hunter color scale에서 높았다. 또한 색상관련 특성 $a^*$(a)와 $a^*/b^*$(a/b)의 변이계수가 $317.2{\sim}327.5%$와 $293.8{\sim}316.7%$로 제품간 변이성이 매우 컸다. 2. CIE color scale와 Hunter color scale에서 발효정도($X_9$)의 변이를 $a^*/b^*(X_4)$나 a/b($X_8$)로 99.7% 설명될 수 있어 $a^*/b^*$(a/b)값으로 차제품의 발효정도를 추정할 수 있다. 3. Modified partial least square(MPLS)를 이용하여 작성된 검량식의 결과 두 color scale을 종합하여 L값의 검량식 작성시 결정계수($R^2$)는 $0.973{\sim}0.977$, 검증시 상관도(1-VR) $0.969{\sim}0.972$, a값의 결정계수는 0.999, 검증시 상관도 0.998, b값의 결정계수는 $0.858{\sim}0.902$, 검증시 상관도 $0.833{\sim}0.888$, a/b값의 결정계수는 0.997, 검증시 상관도 0.993으로 매우 높았다. 4. 차 제품 표면 색상관련 특성들(CIE color scale; $L^*$, $a^*$, $b^*$, $a^*/b^*$, Hunter color scale; L, a, b, a/b)의 검량식 정확도가 매우 높아서 NIRS의 가시광선 대역($400{\sim}700\;nm$)에서 이들 특성을 용이하고 정밀하게 측정할 수가 있으며, 또한 근적외선 대역($900{\sim}2500\;nm$)에서 기존 성분분석 화일과 병합하여(merge) 차 제품의 표면 색상 및 화학적 성분을 $1{\sim}2$분내로 동시에 측정이 가능하다.

• 한국자원식물학회지
• /
• 제27권4호
• /
• pp.286-292
• /
• 2014

황금에 함유된 baicalin, baicalein 및 wogonin 함량을 근적외선분광분석기(NIRS)로 비파괴적으로 신속하게 할 수 있는 방법을 개발하였다. 황금 유전자원 63종을 대상으로 NIRS로 400~2,500 ㎚ 파장범위를 scan한 후 물리적 영향에 의한 바탕선 변화 등의 오차를 줄이고 겹쳐있는 파장을 분리하기 위하여 미분법 등을 이용한 수처리를 하였다. 수처리 후 몇 가지 회귀분석법을 이용하여 검량식을 작성한 결과 MPLS 회귀법이 황금의 유용성분을 분석하기에 적당하였으며, MPLS 회귀분석법에 의한 검량식의 baicalin, baicalein, wogonin 함량은 HPLC로 분석된 황금의 성분함량과의 상관값에서 각각 0.958, 0.944, 0.709로 나타났다. 이렇게 작성된 검량식을 이용하여 validation set에서 상관관계를 분석한 바 baicalin 함량은 0.853, baicalein은 0.895의 상관치를 보여 황금의 baicalin 및 baicalein 함량은 NIRS로 분석이 가능한 것으로 판단되었다. 한편, wogonin 함량에 대한 validation set의 결과는 0.489로 나타나 NIRS 검량식을 wogonin의 정량분석에 바로 이용하기에는 부적당하였다.

• 자원리싸이클링
• /
• 제26권1호
• /
• pp.69-77
• /
• 2017

폐소형가전의 재활용 공정에서 발생하는 플라스틱류 중 검정색 플라스틱의 경우 재질 선별이 어려워 혼합물의 형태로 저급 재활용 되고 있다. 본 연구에서는 검정색 플라스틱의 재질별 선별을 위하여 비중선별, 정전선별, 근적외선 선별 및 IR/Raman 분광법 등 기존 선별 기술의 검토를 통하여, 현장 적용에 대한 문제점 및 제한사항을 확인하였다. 검정색 플라스틱의 재질선별에 대한 기술적 한계를 극복하기 위하여 레이저유도붕괴분광법(Laser Induced Breakdown Spectroscopy, LIBS)을 이용하여 검정색 플라스틱의 각 재질별 LIBS 스펙트럼을 분석하였으며, 정규화 과정을 수행한 후 차원축소 알고리즘인 주성분 분석(Principal Component Analysis, PCA)을 수행하였다. 또한, 검정색 플라스틱의 각 재질별 LIBS 스펙트럼 분석 및 주성분 분석을 통하여 향후 재질별 인식 및 선별 기술의 현장적용을 위해서는 추가적으로 해결해야 할 문제점을 확인하였다. 검정색 플라스틱의 재질별 인식의 정확성 및 선별효율의 향상을 위하여 지능형 알고리즘 분야의 연구를 통하여 효율이 우수한 분류기를 설계하고 분류기의 성능 및 신뢰도 향상을 위한 연구가 추가적으로 진행되어야 할 것으로 사료된다.

• 한국자원식물학회지
• /
• 제30권4호
• /
• pp.450-465
• /
• 2017

본 연구는 선행연구에서 개발된 근적외선 분광분석(NIRS) 예측모델을 기반으로 국내외 재래종 벼 유전자원의 아밀로스 및 단백질 함량 분석을 실시하여 자원의 분포와 지리적 특성에 대한 정확한 정보를 제공하고 벼 유전자원에 대한 대량평가 체계를 구축하기 위해 수행하였다. 벼 성분분석 표준품의 아밀로스와 NIR 측정값의 비교는 신선찰(성분분석값: 6.881%) 4.994%, 추청(19.731%) 18.633%, 고아미(23.246%) 20.548%였고, 단백질의 경우 신선찰(성분분석값: 6.890%) 6.824%, 추청(6.350%) 6.869%, 고아미(6.777%) 7.839%였다. NIR 측정값은 표준품 성분분석값 대비 아밀로스는 1.1-2.7%포인트 낮았으며 단백질은 0.4-0.6%포인트 높았다. 국내외 재래종 벼 4,948자원의 NIR 스펙트럼은 다양한 작용기들의 결합진동과 배음진동이 나타나는 1,300-2,500 nm에서 큰 흡광도 차이를 보였고, NIRS를 이용한 아밀로스 함량은 3.97-37.13%였으며, 평균 함량은 20.39%였다. 아밀로스 함량 20.06-27.02% 구간에 있는 자원들은 전체 자원의 62.20%를 차지하였다. 단백질 함량구간은 5.20-17.45%였고, 평균 함량은 8.17%였다. 단백질 함량 6.78-9.75% 구간에 있는 자원들은 전체 자원의 81.60%를 차지하였다. 아밀로스 함량과 단백질 함량간에는 유의성이 없었으며 RSQ 값은 0.0012였다. 아밀로스 함량 기준으로 선별된 저아밀로스 50자원은 3.97-6.66%였고 고아밀로스 50자원은 30.41-37.13%였다. 단백질 함량 기준으로 선별된 저단백질 50자원은 5.20-6.09%였고 고아밀로스 50자원은 13.21-17.45%였다. 41개국에서 수집된 재래종 4,948자원 중 한국 재래 자원이 가장 많았으며 24.9%를 차지하였다. 자원수가 가장 많은 아밀로스 함량 구간은 한국 자원이 16.58-20.06%, 일본 자원이 20.06-23.25%, 북한 자원이 23.25-27.02%, 중국 자원이 27.02-37.13%였다. 단백질은 5.20-17.45% 구간에서 전반적으로 유사한 분포를 보였으나 중국 자원은 6.78-8.27% 구간에서 자원비율이 낮았고 9.75-17.45% 구간에서 자원비율이 높았다. 단백질 함량이 높은 자원은 식품적 활용 가치가 높을 것으로 사료된다.

• 한국작물학회지
• /
• 제51권spc1호
• /
• pp.283-291
• /
• 2006

To investigate seed non destructive and fast determination technique utilizing near infrared reflectance spectroscopy (NIRs) for screening ultra high oleic (C18:1) and linoleic (C18:2) fatty acid content sesame varieties among genetic resources and lines of pedigree generations of cross and mutation breeding were carried out in National Institute of Crop Science (NICS). 150 among 378 landraces and introduced cultivars were released to analyse fatty acids by NIRs and gas chromatography (GC). Average content of each fatty acid was 9.64% in palmitic acid (C16:0), 4.73% in stearic acid (C18:0), 42.26% in oleic acid and 43.38% in linoleic acid by GC. The content range of each fatty acid was from 7.29 to 12.27% in palmitic, 6.49% from 2.39 to 8.88% in stearic, 12.59% of wider range compared to that of stearic and palmitic from 37.36 to 49.95% in oleic and of the widest from 30.60 to 47.40% in linoleic acid. Spectrums analyzed by NIRs were distributed from 400 to 2,500 nm wavelengths and varietal distribution of fatty acids were appeared as regular distribution. Varietal differences of oleic acid content good for food processing and human health by NIRs was 14.08% of which 1.49% wider range than that of GC from 38.31 to 52.39%. Varietal differences of linoleic acid content by NIRs was 16.41% of which 0.39% narrower range than that of GC from 30.60 to 47.01%. Varietal differences of oleic and linoleic acid content in NIRs analysis were appeared relatively similar inclination compared with those of GC. Partial least square regression (PLSR) among multiple variant regression (MVR) in NIRs calibration statistics was carried out in spectrum characteristics on the wavelength from 700 to 2,500 nm with oleic and linoleic acids. Correlation coefficient of root square (RSQ) in oleic acid content was 0.724 of which 72.4 percent of sample varieties among all distributed in the range of 0.570 percent of standard error when calibrated (SEC) which were considerably acceptable in statistic confidence significantly for analysis between NIRs and GC. Standard error of cross validation (SECV) of oleic acid was 0.725 of which distributed in the range of 0.725 percent standard error among the samples of mother population between analyzed value by NIRs analysis and analyzed value by GC. RSQ of linoleic acid content was 0.735 of which 73.5 percent of sample varieties among all distributed in the range of 0.643 percent of SEC. SECV of linoleic acid was 0.711 of which distributed in the range of 0.711 percent standard error among the samples of mother population between NIRs analysis and GC analysis. Consequently, adoption NIR analysis for fatty acids of oleic and linoleic instead that of GC was recognized statistically significant between NIRs and GC analysis through not only majority of samples distributed in the range of negligible SEC but also SECV. For enlarging and increasing statistic significance of NIRs analysis, wider range of fatty acids contented sesame germplasm should be kept on releasing additionally for increasing correlation coefficient of RSQ and reducing SEC and SECV in the future.

• 한국근적외분광분석학회:학술대회논문집
• /
• 한국근적외분광분석학회 2001년도 NIR-2001
• /
• pp.1153-1153
• /
• 2001

Directive 79/373/EEC on the marketing of compound feeding stuffs, provided far a flexible declaration arrangement confined to the indication of the feed materials without stating their quantity and the possibility was retained to declare categories of feed materials instead of declaring the feed materials themselves. However, the BSE (Bovine Spongiform Encephalopathy) and the dioxin crisis have demonstrated the inadequacy of the current provisions and the need of detailed qualitative and quantitative information. On 10 January 2000 the Commission submitted to the Council a proposal for a Directive related to the marketing of compound feeding stuffs and the Council adopted a Common Position (EC N$^{\circ}$/2001) published at the Official Journal of the European Communities of 2. 2. 2001. According to the EC (EC N$^{\circ}$ 6/2001) the feeds material contained in compound feeding stufs intended for animals other than pets must be declared according to their percentage by weight, by descending order of weight and within the following brackets (I :< 30%; II :> 15 to 30%; III :> 5 to 15%; IV : 2% to 5%; V: < 2%). For practical reasons, it shall be allowed that the declarations of feed materials included in the compound feeding stuffs are provided on an ad hoc label or accompanying document. However, documents alone will not be sufficient to restore public confidence on the animal feed industry. The objective of the present work is to obtain calibration equations fur the instanteneous and simultaneous prediction of the chemical composition and the percentage of ingredients of unground compound feeding stuffs. A total of 287 samples of unground compound feeds marketed in Spain were scanned in a FOSS-NIR Systems 6500 monochromator using a rectangular cup with a quartz window (16 $\times$ 3.5 cm). Calibration equations were obtained for the prediction of moisture ($R^2$= 0.84, SECV = 0.54), crude protein ($R^2$= 0.96, SECV = 0.75), fat ($R^2$= 0.86, SECV = 0.54), crude fiber ($R^2$= 0.97, SECV = 0.63) and ashes ($R^2$= 0.86, SECV = 0.83). The sane set of spectroscopic data was used to predict the ingredient composition of the compound feeds. The preliminary results show that NIRS has an excellent ability ($r^2$$\geq$ 0, 9; RPD $\geq$ 3) for the prediction of the percentage of inclusion of alfalfa, sunflower meal, gluten meal, sugar beet pulp, palm meal, poultry meal, total meat meal (meat and bone meal and poultry meal) and whey. Other equations with a good predictive performance ($R^2$$\geq$0, 7; 2$\leq$RPD$\leq$3) were the obtained for the prediction of soya bean meal, corn, molasses, animal fat and lupin meal. The equations obtained for the prediction of other constituents (barley, bran, rice, manioc, meat and bone meal, fish meal, calcium carbonate, ammonium clorure and salt have an accuracy enough to fulfill the requirements layed down by the Common Position (EC Nº 6/2001). NIRS technology should be considered as an essential tool in food Safety Programs.

• 한국자원식물학회지
• /
• 제30권1호
• /
• pp.38-49
• /
• 2017

본 연구에서는 벼 유전자원의 이화학적 대량 분석체계 구축을 위하여 비파괴 분석 방법 중의 하나인 근적외선 분광분석(NIRS) 예측모델을 개발하고, 미지 시료 적용 시 분석 정확도와 실재 적용가능성을 평가하기 위해 교차 검정과 외부 검정을 수행하였다. NIRS 예측모델 개발을 위해 농업유전자원센터 보유자원 중 511자원을 사용하였고, 그 중 아밀로스 농도 대표자원 200점을 추가 선정하여 보존자원과 증식자원의 아밀로스 및 단백질 성분 변화를 비교하였다. 습식분석 상호비교, t-Test를 통한 통계처리 결과로 볼 때 저장고 보존자원과 증식자원 간의 중대한 이화학적 성질의 변이 현상은 관측되지 않았으므로 NIRS 예측모델 개발에 보존자원을 사용하는 것은 가능할 것으로 판단되었다. 511 자원의 습식분석 결과 아밀로스 농도는 6.15-32.25%, 단백질 농도는 4.72-14.81%였다. 현미와 현미가루의 두 가지 시료 형태에 대한 NIR 스펙트럼을 얻었고 일련의 통계적 처리를 이용하여 NIRS 예측모델을 얻었다. 현미의 $R^2$, SEC, Slope 값은 아밀로스 농도의 경우 0.906, 1.741, 0.995였고, 단백질 농도의 경우 0.941, 0.276, 1.011 이었다. 현미가루의 $R^2$, SEC, Slope 값은 아밀로스 농도의 경우 0.956, 1.159, 1.001이었고, 단백질 농도의 경우 0.982, 0.164, 1.003이었다. 이와 같은 결과로 NIRS 예측모델 개발에는 가루형태의 시료가 효율적임을 알 수 있었다. 아밀로스 농도의 경우 9.62-16.58%의 자원밀도가 상대적으로 낮은 구간에 대한 보완을 위해 추가 200자원의 습식분석, NIRS 측정 수행하였으며, 보완된 최적 NIRS 예측모델의 $R^2$, SEC, Slope 값은 아밀로스 농도의 경우 0.970, 1.010, 1.000 이었고 단백질 농도의 경우 0.983, 0.158, 0.998이었다. 최적 NIRS 예측모델의 미지시료 적용 시 정확도를 평가하기 위해 아밀로스는 132자원, 조단백질은 124자원을 검정자원으로 사용하여 외부 검정과정을 거친 결과 $R^2$, SEP 값은 아밀로스 농도의 경우 0.962, 2.349였고, 단백질 농도의 경우 0.986, 0.415였다. 이상의 결과를 종합해 볼 때 본 연구에서 개발된 NIRS 예측모델은 습식분석방법을 대체하여 벼 유전자원의 아밀로스 및 단백질 농도의 대량 분석에 효율적으로 적용 가능할 것으로 판단된다.

• 한국자원식물학회지
• /
• 제32권2호
• /
• pp.124-143
• /
• 2019

본 연구는 선행연구에서 개발된 근적외선 분광법(NIRS) 예측모델을 활용하여 농업유전자원센터에서 보존 중인 국내외 벼유전자원의 아밀로스 및 단백질 함량 자료를 통계 처리하여 자원 분포를 파악하기 위한 데이터베이스를 구축하고자 하였다. 예측모델의 $R^2$ 값은 아밀로스 분석결과 0.970이었고, 단백질은 0.983이었다. 미지시료 측정 시 정확도를 평가하기 위해 외부검정과정을 거친 결과 $R^2$ 값은 아밀로스 분석결과 0.962였고, 단백질은 0.986이었다. 벼 자원을 재래종, 육성품종, 잡초형, 육성계통으로 나누어 NIRS를 이용하여 성분 분석한 후 함량분포를 확인하였다. 찰벼 평균 아밀로스는 재래종, 육성품종, 잡초형에서 동일하게 8.7%였고, 육성계통은 10.3%였다. 메벼 평균 아밀로스는 재래종 22.3%, 육성품종 22.7%, 잡초형 23.6%, 육성계통 24.2%였다. 전체 벼 자원 중 아밀로스 함량 9%이하 waxy type은 5.0%, low amylose는 5.5%, middle amylose는 20.5%, high amylose는 69.0%를 차지하였다. 단백질 분석 결과 평균함량은 재래종 8.2%, 육성품종 8.0%, 잡초형 7.9%, 육성계통 7.9%였다. 찰벼의 다양성지수 평균은 0.62, 메벼는 0.80이었고, 단백질 다양성지수는 평균 0.51이었다. 임의의 함량구간 내 자원비율은 정규분포의 표준화과정을 통해 확인하였다. 임의 구간에 대한 자원분포비율 산출 결과는, 재래종 아밀로스 6.4-8.7% 구간의 자원비율은 0.45였고, 22.3-26.1% 구간은 0.40, 단백질 7.3-8.2% 구간은 0.26이었다. 육성품종 아밀로스 8.7-9.4% 구간의 자원비율은 0.19였고, 20.1-22.7% 구간은 0.32, 단백질 6.1-8.3% 구간은 0.51이었다. 잡초형 아밀로스 6.6-9.7% 구간은 0.67이었고, 23.6-24.8% 구간은 0.19, 단백질 7.0-7.9% 구간은 0.33이었다. 육성계통 아밀로스 10.0-12.0% 구간의 자원비율은 0.47이었고, 24.2-28.0% 구간은 0.40, 단백질 7.0-7.9% 구간은 0.26이었다. 어떤임의 구간을 지정하여도 자원의 비율을 쉽게 구할 수 있으며, NIRS 분석과 통계분석과정을 통해 얻어진 자원별, 성분함량별 특성 자료는 효율적인 자원관리를 위한 데이터베이스 시스템 구축을 위한 기초 자료로 활용될 수 있을 것으로 판단된다.

• 한국근적외분광분석학회:학술대회논문집
• /
• 한국근적외분광분석학회 2001년도 NIR-2001
• /
• pp.4107-4107
• /
• 2001

Previous works have shown the viability of NIRS technology for the prediction of fatty acids in Iberian pig fat, but although the resulting equations showed high precision, in the predictions of new samples important fluctuations were detected, greater with the time passed from calibration development to NIRS analysis. This fact makes the use of NIRS calibrations in routine analysis difficult. Moreover, this problem only appears in products like fat, that show spectrums with very defined absorption peaks at some wavelengths. This circumstance causes a high sensibility to small changes of the instrument, which are not perceived with the normal checks. To avoid these inconveniences, the software WinISI 1.04 has a mathematic algorithm that consist of create a “Repeatability File”. This file is used during calibration development to minimize the variation sources that can affect the NIRS predictions. The objective of the current work is the evaluation of the use of a repeatability file in quantitative NIRS analysis of Iberian pig fat. A total of 188 samples of Iberian pig fat, produced by COVAP, were used. NIR data were recorded using a FOSS NIRSystems 6500 I spectrophotometer equipped with a spinning module. Samples were analysed by folded transmission, using two sample cells of 0.1mm pathlength and gold surface. High accuracy calibration equations were obtained, without and with repeatability file, to determine the content of six fatty acids: miristic (SECV$\sub$without/=0.07% r$^2$$\sub$without/=0.76 and SECV$\sub$with/=0.08% r$^2$$\sub$with/=0.65), Palmitic (SECV$\sub$without/=0.28 r$^2$$\sub$without/=0.97 and SECV$\sub$with/=0.24% r$^2$$\sub$with/=0.98), palmitoleic (SECV$\sub$without/=0.08 r$^2$$\sub$without/=0.94 and SECV$\sub$with/=0.09% r$^2$$\sub$with/=0.92), Stearic (SECV$\sub$without/=0.27 r$^2$$\sub$without/=0.97 and SECV$\sub$with/=0.29% r$^2$$\sub$with/=0.96), oleic (SECV$\sub$without/=0.20 r$^2$$\sub$without/=0.99 and SECV$\sub$with/=0.20% r$^2$$\sub$with/=0.99) and linoleic (SECV$\sub$without/=0.16 r$^2$$\sub$without/=0.98 and SECV$\sub$with/=0.16% r$^2$$\sub$with/=0.98). The use of a repeatability file like a tool to reduce the variation sources that can disturbed the prediction accuracy was very effective. Although in calibration results the differences are negligible, the effect caused by the repeatability file is appreciated mainly when are predicted new samples that are not in the calibration set and whose spectrum were recorded a long time after the equation development. In this case, bias values corresponding to fatty acids predictions were lower when the repeatability file was used: miristic (bias$\sub$without/=-0.05 and bias$\sub$with/=-0.04), Palmitic (bias$\sub$without/=-0.42 and bias$\sub$with/=-0.11), Palmitoleic (bias$\sub$without/=-0.03 and bias$\sub$with/=0.03), Stearic (bias$\sub$without/=0.47 and bias$\sub$with/=0.28), oleic (bias$\sub$without/=0.14 and bias$\sub$with/=-0.04) and linoleic (bias$\sub$without/=0.25 and bias$\sub$with/=-0.20).