표제지
목차
논문요약 10
제1장 서론 12
1.1. 연구목적 12
1.2. 연구방법 16
1.3. 연구의 독창성 19
1.4. 논문의 구성 21
제2장 이론적 배경 지식 22
2.1. 국내 커피 음료 이용과 커피머신 시장의 규모 22
2.2. 인공지능을 활용한 커피 머신 추천 연구 사례 23
2.3. 원산지 로스팅 단계별 특징과 포인트(에그트론) 24
2.4. 최고의 에스프레소 추출 색상 26
1) 에스프레소의 정의 26
2) 크레마(Crema) 27
3) 원두의 상태 27
4) 분쇄도 28
5) 에스프레소 머신 28
6) 바리스타(사용자) 30
제3장 연구내용 및 방법 31
3.1. 클러스터링 알고리즘 31
1) 그룹(Partition) 32
2) 유사도 측정 32
3) 클러스터링 기준함수 32
3.2. K-means 클러스터링 알고리즘 33
3.3. Color 클러스터링 알고리즘 36
1) 이미지 분할 37
2) 이미지 분할 작동 방식 37
3) K-means 클러스터링 알고리즘 38
4) 이미지 경계 찾기(Canny Edge detection) 38
3.4. K-means 클러스터링을 사용한 색상 양자화(Color quantization) 38
제4장 파이썬 Color 클러스터링 모형 검증 42
4.1. 기계학습 파이썬(Python) 소프트웨어의 특징 42
1) 파이썬 설치 43
2) 파이참(PyCharm) 43
4.2. 데이터 수집 (이미지 편집) 45
1) 에스프레소 크레마 사진 촬영 주의점 45
2) 원형 사진으로 저장 및 편집 자르기 46
4.3. 파이썬 프로그래밍에서의 K-means 클러스터링 46
4.4. 파이썬 프로그래밍에서의 에스프레소 크레마 이미지 추출 실험 및 코드 47
1) 이미지 데이터 전 처리 47
2) 파이썬 패키지(라이브러리) 가져오기 49
3) 로딩 이미지 50
4) BGR 에서 RGB 로 변환 51
5) 이미지 모양 변경 52
6) K-means 클러스터링 알고리즘 구현 52
7) 레이블 결정 53
8) 클러스터의 중심 결정 53
9) 백분율 계산 54
10) 원형 차트 그리기(시각화) 55
11) Elbow Method 56
12) 3D 공간 이미지 배열 시각화(K-means 클러스터 개수) 57
13) 에스프레소 크레마 3가지 형태 클러스터링 결과 59
14) 실험환경 60
4.5. 최고의 에스프레소 크레마 판별 61
제5장 추출품질관리 모니터링 시스템 64
5.1. 커피머신 데이터 수집 장치 65
5.2. 사물인터넷(IoT) 클라우드 서비스 69
1) 아두이노 코드 70
2) ThingSpeak 클라우드 서비스 71
3) ThingSpeak 시각화 대시 보드 및 데이터 분석 방법 71
제6장 결론 74
1) 서비스 플랫폼 75
2) 향후 연구 방향 75
참고 문헌 77
부록 80
〈부록 1〉 파이썬 Color 클러스터링 코드 80
1) 파이썬 프로그램 코드 1 80
2) 파이썬 프로그램 코드 2 83
〈부록 2〉 아두이노 호환 보드 WEMOS ESP32 코드 88
ABSTRACT 94
[표 2-1] 로스팅 정도에 따른 맛과 향의 특징 25
[표 4-1] 에스프레소 크레마 판별 방법 63
[표 5-1] 커피머신 유량계와 WEMOS ESP32 Pin 연결 66
[그림 1-1] 기계학습 알고리즘 구성 13
[그림 1-2] 커피 머신 추출품질관리(BQM) 시스템의 인프라 구축 방향 15
[그림 1-3] 클러스터링 알고리즘과 IoT 기술을 적용한 커피머신의 목적과 의의 15
[그림 1-4] 연구의 절차 16
[그림 1-5] 에스프레소 크레마 추출 이미지 상태 18
[그림 1-6] 커피머신과 사물인터넷 기반 시스템의 프로세스 19
[그림 1-7] 커피머신과 사물인터넷 연결 기술과 가치 20
[그림 2-1] 에스프레소 잔 안의 점박이 형태 크레마(타이거 스킨) 27
[그림 2-2] 커피머신의 유량계(Flowmeter) 30
[그림 3-1] 기계학습 클러스터링 알고리즘 31
[그림 3-2] 이미지 분할 단계 및 목표 37
[그림 3-3] 빨강, 파랑, 녹색의 원본 색상에서 유클리드 거리 계산 결과 색상 40
[그림 3-4] 3 색만으로 양자화 된 이미지 41
[그림 3-5] 여러 픽셀 사이의 유클리드 거리 계산 41
[그림 4-1] 정상추출 원형사진과 정상추출 정방형사진 46
[그림 4-2] 크기와 규격이 다양한 에스프레소 잔 48
[그림 4-3] 에스프레소 크레마 편광 이미지와 정방형 저장 위치 48
[그림 4-4] 다양한 에스프레소 크레마 정상추출 사각 이미지 데이터 49
[그림 4-5] 불러오기 한 크레마 이미지 50
[그림 4-6] 크레마 이미지 배열 변환 결과 51
[그림 4-7] BGR 이미지와 변환된 RGB 이미지 52
[그림 4-8] 최종 파이썬 코드 크레마 이미지 시각화 결과 55
[그림 4-9] Elbow Method 은 K 의 최적 값 결정 57
[그림 4-10] 3D 공간 이미지 배열 시각화(K-means 클러스터 개수) 58
[그림 4-11] 파이썬 에스프레소 크레마 3가지 형태 결과 59
[그림 4-12] 에스프레소 크레마 과소, 정상, 과다추출 형태 파이썬 3가지 결과 60
[그림 4-13] 에스프레소 크레마 비정상 추출 62
[그림 5-1] 추출품질관리 모니터링 시스템의 흐름도 64
[그림 5-2] 커피머신 데이터 수집장치 65
[그림 5-3] 커피머신 내부 WEMOS ESP32 보드 유량계 연결 68
[그림 5-4] 에스프레소 추출 아두이노 IDE 시리얼 모니터 화면 69
[그림 5-5] 아두이노 WEMOS ESP32 보드 코드 70
[그림 5-6] 실제 유량계(Flowmeter)가 동작했을 때의 ThingSpeak 시각화 대시 보드 72
[그림 5-7] ThingSpeak CSV 파일 Raw(미가공) 데이터 73
[그림 5-8] ThingSpeak 휴대폰 어플리케이션 실행 화면 73