지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 趙炳寬
- 발행연도
- 2020
- 저작권
- 충남대학교 논문은 저작권에 의해 보호받습니다.
이용수38
이 논문의 연구 히스토리 (4)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구에서는 다양한 작물의 표현형을 비파괴적으로 신속하게 측정할 수 있는 영상기술을 개발하기 위하여 비파괴 영상기술을 이용하였다. 칼라 영상과 400 ~ 2000 nm 영역의 초분광영상을 PLS-DA, 딥러닝에 적용하여 종자 및 식물의 다양한 표현형을 조사하였다. Abiotic/biotic 스트레스에 노출된 작물을 구분하기 위하여 초분광 영상을 이용하였다. 딥러닝에 적용하기 위한 샘플의 개수가 충분치 않으므로, PLS-DA분석을 이용하여 최소 파장 모델을 개발하고자 하였다. 본 연구에서 도출된 구체적인 결과는 다음과 같다.
1. 수박 종자의 순도를 검출하기 위하여 칼라영상과 초분광 SWIR영상을 이용하여 선별 모델을 개발하였다. PLS-DA모델을 이용하여 개발된 예측 모델의 정확도는 최대 93%로 나타났고, 관련된 파장의 가중치는 1292 nm, 1404 nm, 1534 nm로 나타났다. 이러한 가중치는 ?CH, -OH와 관련된 화학성분 구조에 영향이 있는 것으로 보여졌다. 또한 칼라 영상을 이용한 CNN 모델의 예측정확도는 최대 98.1%로 수박 종자의 유전형질 순도 검정에 딥러닝 영상분석 기술이 효과적으로 적용될 수 있음을 보여주었다. SWIR 3파장 영상은 예측 정확도가 97.7%로 칼라 영상보다 낮은 수치를 보여줬지만, 영상의 해상도를 높인다면 더 좋은 결과가 기대되었다.
2. 수박의 내한성 조기 검정을 위한 모델 개발을 위하여 초분광 Vis/NIR, SWIR 영상장치를 이용하였다. 내한성 조기 검정 예측을 위한 저온 노출 조건은 72시간 5℃로 이었으며, PLS-DA 모델을 적용한 결과 Vis/NIR 영역에서 18파장 조합으로 정확도 91.7%의 예측 성능을 보였다. SWIR 영역은 21가지 파장조합으로 정확도 93.3%의 성능을 보였다. 선정된 39개의 파장은 저온으로 인한 식물 잎의 시듦, 괴사와 관련된 세포내 지방산의 막유동성 변화와 관련된 표현형 변화가 반영된 것으로 판단되었다. 개발된 예측 모델은 수박의 내한성 조기 검정에 활용될 수 있을 것이라 판단된다.
3. 인삼의 한발 스트레스 검정을 위한 모델 개발을 위하여 초분광 Vis/NIR 및 SWIR 영상장치를 이용하였다. 한발 스트레스 예측을 위하여 토양흡착수압을 기준으로 PLS-DA 모델을 개발하였다. Vis/NIR 영역에서는 14개의 파장으로 91.7%의 예측 정확도를 보였고, SWIR 영역에서는 41가지 파장으로 정확도 94.4%로 예측이 가능하였다. 예측모델을 영상에 적용하면 SWIR 영역에서는 ?60 kPa와 -80 kPa을 구분하기에 한계가 있었다. 하지만 ?60 kPa 이후는 식물에게 매우 강한 한발 스트레스 조건이므로 실제 내한성 검증에는 큰 영향을 미치지 않을 것으로 보인다. 선정된 55개의 파장은 한발스트레스로 인한 식물 잎의 시듦, 괴사와 관련된 엽록소, 수분, 단백질과 관련된 아미노산, 질소와 관련된 표현형 변화가 반영된 것으로 판단되었다. 개발된 분광 모델은 인삼의 한발 스트레스 검정에 활용될 수 있을 것이라 판단된다.
4. 벼의 흰잎마름병 조기 검정을 위한 모델 개발을 위하여 초분광 Vis/NIR 및 SWIR 영상 장치를 이용하였다. 벼 잎의 끝단을 흰잎마름병에 감염시킨 후 감염 진행 속도에 따른 저항성 예측을 조사하였다. 육안으로 확인이 어려운 벼의 감염 진행 위치는 초분광 영상의 PCA 분석으로 진행 경로 확인할 수 있었다. 감염 경로의 ROI 데이터를 기반으로 ANOVA 분석을 수행하였으며, 726/707 nm, 그리고 1467/1499 nm 파장 조합으로 흰잎마름병의 감염 여부를 예측할 수 있었다. 도출된 파장은 박테리아가 세포벽을 파괴함으로써 발생한 엽록소 활성 상태의 변화와 아미노산과 관련된 성분 변화가 주로 반영이 된 것으로 판단되었다. 시간 변화에 따른 흰잎마름병의 감염 경로 예측 모델은 감염 조기 진단 및 저항성 검증에 활용될 수 있을 것으로 판단된다.
5. 뿌리썩음병의 조기 검정 기술 개발을 위하여 지상부의 잎을 대상으로 초분광 Vis/NIR 및 SWIR 영상을 측정하고 PLS-DA 분석을 수행하였다. Vis/NIR 영역의 14파장 조합은 강한 감염군을 대상으로 예측정확도 99% 이상을 보였지만, 약한 감염군에 대해서는 검출 성능이 떨어졌다. 하지만 SWIR 영역의 22파장 조합은 감염 강도와 상관없이 99% 이상의 정확도로 감염된 인삼을 검출 하였다. 모델의 주요 파장 조합에는 뿌리감염으로 인해 양분 흡수도가 낮아져 광합성 활성 감소, 수분량 감소, 아미노산 생산 감소 등이 반영된 것으로 판단되었다. 개발된 분광 모델은 인삼의 뿌리썩음병 조기 검정에 활용될 수 있을 것으로 판단된다.
1. 수박 종자의 순도를 검출하기 위하여 칼라영상과 초분광 SWIR영상을 이용하여 선별 모델을 개발하였다. PLS-DA모델을 이용하여 개발된 예측 모델의 정확도는 최대 93%로 나타났고, 관련된 파장의 가중치는 1292 nm, 1404 nm, 1534 nm로 나타났다. 이러한 가중치는 ?CH, -OH와 관련된 화학성분 구조에 영향이 있는 것으로 보여졌다. 또한 칼라 영상을 이용한 CNN 모델의 예측정확도는 최대 98.1%로 수박 종자의 유전형질 순도 검정에 딥러닝 영상분석 기술이 효과적으로 적용될 수 있음을 보여주었다. SWIR 3파장 영상은 예측 정확도가 97.7%로 칼라 영상보다 낮은 수치를 보여줬지만, 영상의 해상도를 높인다면 더 좋은 결과가 기대되었다.
2. 수박의 내한성 조기 검정을 위한 모델 개발을 위하여 초분광 Vis/NIR, SWIR 영상장치를 이용하였다. 내한성 조기 검정 예측을 위한 저온 노출 조건은 72시간 5℃로 이었으며, PLS-DA 모델을 적용한 결과 Vis/NIR 영역에서 18파장 조합으로 정확도 91.7%의 예측 성능을 보였다. SWIR 영역은 21가지 파장조합으로 정확도 93.3%의 성능을 보였다. 선정된 39개의 파장은 저온으로 인한 식물 잎의 시듦, 괴사와 관련된 세포내 지방산의 막유동성 변화와 관련된 표현형 변화가 반영된 것으로 판단되었다. 개발된 예측 모델은 수박의 내한성 조기 검정에 활용될 수 있을 것이라 판단된다.
3. 인삼의 한발 스트레스 검정을 위한 모델 개발을 위하여 초분광 Vis/NIR 및 SWIR 영상장치를 이용하였다. 한발 스트레스 예측을 위하여 토양흡착수압을 기준으로 PLS-DA 모델을 개발하였다. Vis/NIR 영역에서는 14개의 파장으로 91.7%의 예측 정확도를 보였고, SWIR 영역에서는 41가지 파장으로 정확도 94.4%로 예측이 가능하였다. 예측모델을 영상에 적용하면 SWIR 영역에서는 ?60 kPa와 -80 kPa을 구분하기에 한계가 있었다. 하지만 ?60 kPa 이후는 식물에게 매우 강한 한발 스트레스 조건이므로 실제 내한성 검증에는 큰 영향을 미치지 않을 것으로 보인다. 선정된 55개의 파장은 한발스트레스로 인한 식물 잎의 시듦, 괴사와 관련된 엽록소, 수분, 단백질과 관련된 아미노산, 질소와 관련된 표현형 변화가 반영된 것으로 판단되었다. 개발된 분광 모델은 인삼의 한발 스트레스 검정에 활용될 수 있을 것이라 판단된다.
4. 벼의 흰잎마름병 조기 검정을 위한 모델 개발을 위하여 초분광 Vis/NIR 및 SWIR 영상 장치를 이용하였다. 벼 잎의 끝단을 흰잎마름병에 감염시킨 후 감염 진행 속도에 따른 저항성 예측을 조사하였다. 육안으로 확인이 어려운 벼의 감염 진행 위치는 초분광 영상의 PCA 분석으로 진행 경로 확인할 수 있었다. 감염 경로의 ROI 데이터를 기반으로 ANOVA 분석을 수행하였으며, 726/707 nm, 그리고 1467/1499 nm 파장 조합으로 흰잎마름병의 감염 여부를 예측할 수 있었다. 도출된 파장은 박테리아가 세포벽을 파괴함으로써 발생한 엽록소 활성 상태의 변화와 아미노산과 관련된 성분 변화가 주로 반영이 된 것으로 판단되었다. 시간 변화에 따른 흰잎마름병의 감염 경로 예측 모델은 감염 조기 진단 및 저항성 검증에 활용될 수 있을 것으로 판단된다.
5. 뿌리썩음병의 조기 검정 기술 개발을 위하여 지상부의 잎을 대상으로 초분광 Vis/NIR 및 SWIR 영상을 측정하고 PLS-DA 분석을 수행하였다. Vis/NIR 영역의 14파장 조합은 강한 감염군을 대상으로 예측정확도 99% 이상을 보였지만, 약한 감염군에 대해서는 검출 성능이 떨어졌다. 하지만 SWIR 영역의 22파장 조합은 감염 강도와 상관없이 99% 이상의 정확도로 감염된 인삼을 검출 하였다. 모델의 주요 파장 조합에는 뿌리감염으로 인해 양분 흡수도가 낮아져 광합성 활성 감소, 수분량 감소, 아미노산 생산 감소 등이 반영된 것으로 판단되었다. 개발된 분광 모델은 인삼의 뿌리썩음병 조기 검정에 활용될 수 있을 것으로 판단된다.
목차
제 1장 서 론 1제 2 장 이론적 고찰 42.1. 작물 표현형 42.1.1. 작물 표현형과 피노믹스 42.1.2. 작물 피노믹스 기술의 연구 개발 현황 62.1.2.1. 3D 칼라 영상 72.1.2.2. X-ray CT, MRI 영상 82.1.2.3. NIR 영상 92.1.2.4. 형광 영상 102.2. 초분광 영상을 이용한 작물 표현형 검정 112.2.1. 초분광 영상의 특징 112.2.2. 초분광 영상장치 122.4. 표현형 데이터 분석 방법 162.4.1. 가시광-근적외선 분광분석법 162.4.2. 스펙트럼 전처리 182.4.3.1. 정규화(Normalization) 192.4.3.2. MSC (Multiplicative Scatter Correction) 202.4.3.3. SNV(Standard Normal Variate) 212.4.3.4. Savitzky-Golay 1차 or 2차 미분 222.4.2. 일원분산분석을 분석 232.4.3. 주성분 분석을 이용한 초분광 영상 분석 252.4.4. 부분최소자승 회귀분석법을 이용한 초분광 영상 분석 272.4.4.1. 최소 파장 선정을 위한 알고리즘 292.4.4.1.1. Variable Importance in Projection (VIP) 302.4.4.2. Successive Projections Algorithm (SPA) 312.4.5. 딥러닝(Deep learning) 332.4.5.1. 딥러닝과 Convolutional Neural Network 332.4.5.2. ResNet-50 기반의 전이학습(transfer learning) 모델 구축 35제 3 장 수박 종자의 순도 분석 363.1. 수박 종자의 순도 및 선별의 필요성 363.2. 분석 방법 및 결과 373.2.1. 수박 종자 재료 및 분석방법 373.2.1.1. 실험 재료 373.2.1.2. 초분광 영상 획득 373.2.2. 초분광 Vis/NIR 영상을 이용한 수박 종자의 순도 검정 393.2.2.1. 수박 종자 순도 PLS-DA 예측 결과 393.2.3. 초분광 SWIR 영상을 이용한 수박 종자의 순도 검정 413.2.3.1. 수박 종자의 순도 PLS-DA 예측 결과 413.2.4. 딥러닝을 이용한 3배체 수박 종자 순도 검정 기술개발 463.2.4.1. 재료 463.2.4.2. ResNet-50 기반의 전이학습(transfer learning) 473.2.4.3. 딥러닝 분류 결과 483.2.4.3.1. 컬러 영상(RGB) 483.2.4.3.2. SWIR 3파장 영상 49제 4 장 ABIOTIC 스트레스 504.1. ABIOTIC 스트레스의 의미와 표현형 검정의 필요성 504.2. 수박 작물의 내한성 스트레스 조기 검정 514.2.1. 국내의 파종 및 육종 환경 514.2.2. 대상 시료 514.2.3. 저온 스트레스의 조건 설정 524.2.3.1. 형광등을 이용한 광 환경 524.2.3.2. 저온 조건 524.2.3.3. 3가지 저온 스트레스 조건의 결과 534.2.3.3.1. 약한 저온 스트레스 조건 결과 534.2.3.3.2. 강한 저온 스트레스 조건(1)의 결과 554.2.3.3.3. 강한 저온 스트레스 조건 결과(2) 594.2.3.4. 저온 스트레스 환경의 초분광 영상 분석 결과 604.2.3.4.1. Vis/NIR 영역 분석 결과 604.2.3.4.2. Vis/NIR 영역 모델의 최소화 624.2.3.4.3. 경제적 모델 최소화 20개 파장 이하 674.2.3.4.4. 전체 그룹의 SWIR 영역 분석 결과 714.2.3.4.5. SWIR영역 모델의 최소화 734.2.3.4.6. 개발된 수박의 저온스트레스 분광 모델의 해석 774.3. 인삼의 한발 스트레스 검정 794.3.1. 인삼의 한발 스트레스 794.3.1. 실험 시료 794.2.1. 인삼잎의 Vis/NIR 특성 분석 824.2.1.1. Vis/NIR의 전파장 분석 824.2.1.2. Vis/NIR의 파장 최소화 분석 844.2.2. 인삼잎의 SWIR 특성 분석 874.2.2.1. SWIR의 전파장 분석 및 최소화 874.2.3. 최종 개발된 인삼의 한발스트레스 분광 모델 해석 92제 5 장 BIOTIC STRESS 945.1. BIOTIC STRESS 의미와 표현형 검정의 필요성 945.2. 벼의 흰잎마름병 저항성 검정 955.2.1. 병원균 접종 방법 965.2.2. 저항성 품종 확인 965.2.3. 초분광 Vis/NIR 영상 측정 결과 975.2.4. 초분광 SWIR 영상 측정 결과 1045.3. 인삼 작물의 뿌리썩음병 검정 1095.3.1. 실험 시료 1105.3.1.1. 인삼 샘플의 특성 1105.3.1.2. 토양 샘플의 특성 1105.3.1.3. 육종 환경 및 샘플의 구성 1125.3.2. 뿌리썩음병 감염 인삼 잎의 Vis/NIR 특성 분석 1155.3.2.1. Vis/NIR의 전파장 분석 1155.3.2.2. Vis/NIR의 파장 최소화 분석 1205.3.3. 뿌리썩음병 감염 인삼잎의 SWIR 특성 분석 1255.3.3.1. SWIR의 전파장 분석 1255.3.3.2. SWIR의 파장 최소화 분석 1305.3.3.3. 개발된 인삼의 뿌리썩음병 조기 예측 모델의 해석 134제 6장 종합 및 결론 137참고문헌 140ABSTRACT 152
최근 본 자료
댓글(0)
0