초분광 이미징을 활용한 식품 제조용 토마토 검사 고도화

식품 제조 공정에서는 원재료의 품질 편차를 빠르게 식별하고, 안전성과 일관성을 동시에 확보하는 검사 체계가 중요합니다. 기존의 RGB 카메라, 육안 검사, 샘플링 기반 품질 평가는 처리량 증가와 엄격한 품질 기준에 대응하는 데 한계가 있습니다. Surface Optics는 근적외선(NIR) 초분광 이미징과 해석 가능한 기계학습 모델을 결합하면 이러한 한계를 줄이고 토마토의 성숙도와 품질을 비파괴 방식으로 평가할 수 있다고 설명했습니다.

이번 사례에서 핵심은 초분광 이미징이 단순한 외관 확인을 넘어 스펙트럼 정보를 통해 내부 품질 지표와 연관된 변화를 추적할 수 있다는 점입니다. 토마토의 경도, 가용성 고형분 함량, 적정산도, 라이코펜 농도와 같은 지표는 가공 후 풍미와 제품 일관성에 직접 영향을 주며, 초분광 데이터는 이러한 품질 변동을 분류하는 데 활용될 수 있습니다.

연구에서는 Surface Optics의 SOC-710 SWIR 시스템으로 획득한 3차원 초분광 이미지를 기반으로 평균 스펙트럼을 생성하고, 이를 여러 분류 모델에 적용했습니다. 대상 토마토는 녹색 단계, 전환 단계, 적색 단계로 구분되었으며, 스펙트럼 변화는 성숙도와 품질 차이를 반영하는 지표로 사용되었습니다.

특히 1384~1417 nm 파장대는 토마토의 성숙도와 품질을 판별하는 데 매우 높은 지시성을 보였다고 소개되었습니다. 연구진은 random forest(RF), partial least squares(PLS), recurrent neural network(RNN) 모델을 비교했으며, 최종적으로 RNN이 가장 우수한 분류 성능을 보였습니다. 기사에 따르면 RNN 기반 분류 결과는 정확도 96.6%, 정밀도 97.2%, 재현율 95.2%를 기록했습니다.

이러한 접근은 토마토에만 국한되지 않습니다. 식품 제조 현장에서 초분광 이미징을 생산 라인에 통합하면 원재료 등급 분류, 배치 간 품질 편차 관리, 결함 및 오염 징후 탐지, 후속 공정 분기 자동화에 활용할 수 있습니다. 예를 들어 동일한 원재료라도 성숙도와 품질 상태에 따라 신선 포장, 페이스트, 소스, 통조림 등 서로 다른 다운스트림 공정으로 자동 분기하는 체계를 구축할 수 있습니다.

식품 제조 관점에서 초분광 이미징의 장점은 검사 속도와 객관성을 동시에 확보할 수 있다는 점입니다. 사람이 수행하는 주관적 판정 대신 연속적인 스펙트럼 측정과 모델 기반 분류를 적용하면, 생산량이 큰 환경에서도 일관된 기준으로 품질 판단을 수행할 수 있습니다. 또한 비파괴 검사 방식이기 때문에 샘플 손실을 줄이면서 공정 내 전수 또는 준전수 수준의 모니터링 체계를 설계하기에 유리합니다.

Surface Optics는 710 시리즈가 식품 제조 분야에 적합한 이유로 VIS-NIR 영역의 넓은 분광 범위, 미세한 재료 구분에 필요한 높은 분광 해상도, 산업 환경 적용을 고려한 설계를 제시했습니다. 실제 적용 시에는 이 장비를 독립형 검사 장비로 두기보다 제조 제어 시스템에 연결된 지능형 센서로 운용하는 구성이 현실적입니다.

결국 이번 사례는 초분광 이미징이 연구실 수준의 분석 기술을 넘어 생산 현장에서 활용 가능한 공정 센서로 확장되고 있음을 보여줍니다. 특히 원재료 품질 편차가 최종 제품 특성에 직접 연결되는 식품 공정에서는, 분광 기반 품질 판정이 검사 자동화와 수율 최적화를 동시에 지원하는 유효한 수단이 될 수 있습니다.

출처: Surface Optics, "Hyperspectral Imaging for Food Manufacturing Inspection"
게시일: 2026년 3월 4일