From the egg manufacturing to distributing, the most important part is to sort the sellable eggs and the non-sellable eggs. Traditionally classifying process has been done one by one by the egg experts. However, nowadays, all the processes from manufacturing to distributing has been automatized and following such trend, the need to automatize the egg classification process is emerging. To effectively classify the eggs into categories such as cracked, blood spotted, bleached or deformity, the main task is to analyze the characteristics of each category on the images of egg shells taken by the cameras.
Existing researches on automatizing egg classification process using egg images can be divided into two groups: crack detection and classification research based on the traditional image processing methods and egg classification research based on the deep learning. The researches based on the traditional image processing methods used the methods such as threshold binarization or edge detection to detect the cracks on the egg shell to classify the eggs. However, the image processing methods inherently are sensitive on the input parameters that even in the same dataset, noises come up in the output images or some parts of the cracks are lost. Also, this characteristic makes it hard to implement the same image processing process on the other dataset.
The researches based on the deep learning need to provide explanations on their models to convince others about their models’ work, but the existing deep learning-based egg classification researches often failed on providing enough explainability. It is a problem to be solved since to have analysis on the wrong bias of the model and to compensate it, human interpretable explanation on the model is required.
In this research, we propose a patch-wise crack detection and image classification method on the egg shell dataset to compensate the limitations of existing works. The proposed method is trained on the sliced image and put the inference results from each slice together to detect the cracks more elaborately. Also, this method can classify the eggs into normal, crack, and latent crack which is a new category we found during the research in a prioritized manner, and can provide enough explanation on the model.
계란의 생산부터 유통까지의 과정 중 핵심 사항은 비정상란을 분별하고 팔 수 있는 계란만을 선별하는 것이다. 전통적으로 이러한 작업은 계란 전문가가 계란을 하나씩 판별하는 방식으로 진행되어 왔다. 생산 및 유통 과정이 전부 자동화 되어 가는 추세에 따라 계란 분류 과정의 자동화에 관한 필요성 역시 대두하고 있다. 균열, 혈반, 탈색, 기형 등의 계란을 효율적으로 자동 분류하기 위해서는 카메라를 통하여 계란의 영상을 촬영하여 각 계란 껍질에 나타나는 특성을 파악하는 것이 핵심 과제이다.
기존의 영상을 통한 계란 분류 자동화를 위한 연구는 크게 전통적인 영상 처리 기법을 활용하여 균열을 탐지하는 연구들과 인공 지능을 통한 영상 분석 기법 연구로 나눌 수 있다. 전통적인 영상 처리 기법을 활용한 연구의 경우, 영상 이진화 및 윤곽선 검출 등의 기법을 활용하여 계란 껍질 상의 균열을 탐지하여 해당 계란이 균열이 간 계란인지 아닌지 여부를 판별하였다. 하지만, 영상 처리 기법의 특성 상 각 영상에 적합한 입력 변수가 전부 다르기 때문에 같은 데이터셋 내에서도 검출 영상에 잡음이 끼거나 혹은 균열의 일부가 손실되는 문제가 발생하고 다른 데이터셋에는 곧바로 적용하기 어렵다는 문제가 있다.
인공 지능을 통한 계란 분류 자동화의 경우, 해당 모델의 동작에 확신을 갖기 위해서는 모델에 관한 설명이 제공되어야 하지만 기존 연구들은 사용한 모델에 관한 충분한 설명을 제공하지 못하는 경우가 빈번하였다. 이는 기존 연구들의 문제로 모델의 잘못된 편향성을 분석하고 보완하기 위해서 모델에 관한 사람이 이해할 수 있는 설명이 필요하기 때문이다.
본 연구에서는 기존 계란 분류 자동화 기법 연구들의 문제점을 보완하기 위하여 이미지 분할 학습 기법을 통한 계란의 균열 탐지 및 분류 방법을 제시한다. 해당 방법은 이미지를 분할하여 학습하고 이를 다시 합치는 과정을 통하여 보다 세밀하게 균열을 탐지할 수 있으며, 정상란과 균열란, 그리고 연구 중 발견한 새로운 분류인 잠재적 균열란을 우선 순위를 두고 분류할 수 있고 탐지된 균열에 관하여 충분한 설명을 제공할 수 있다.
