http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
근적외선 분광법을 이용한 열수 탄화 리그닌의 탄화 거동 예측 모델 개발
여환명 ( Hwanmyeong Yeo ),황성욱 ( Sung-wook Hwang ),이태경 ( Tae-kyeong Lee ),황운택 ( Un Taek Hwang ),김종찬 ( Jong-chan Kim ),최인규 ( In-gyu Choi ),박진석 ( Jinseok Park ),곽효원 ( Hyo Won Kwak ) 한국목재공학회 2021 한국목재공학회 학술발표논문집 Vol.2021 No.1
펄핑 공정의 부산물인 크라프트 리그닌을 이용하여 고성능 흡착재료를 개발하기 위한 전처리 단계로서 열수 탄화(hydrothermal carbonization, HTC)를 수행하였다. 열수 탄화는 유기성 폐기물 바이오매스를 일정 온도까지 승온시켜 탈수 반응을 유도하여 고형연료화를 도모하는 공정이다. 고액비 2/50의 리그닌 분말과 증류수의 현탁액을 온도 200℃에서 각각 1, 2, 3, 5, 10시간 동안 열수 탄화 후 자연 냉각하였다. 원소 분석기를 이용하여 HTC 리그닌 시료의 원소 조성을 조사하였으며, 근적외선(near-infrared, NIR) 스펙트럼을 측정하였다. NIR 스펙트럼은 2차 미분으로 전처리하였다. 탄소 함량은 열수 탄화 시간의 증가와 함께 증가하였으나 3시간 이후에는 유사한 수준이 유지되었다. 최소 제곱 회귀(partial least squares regression, PLSR)를 이용하여 NIR 스펙트럼을 입력 변수로 그리고 C(wt%), H/C, O/C를 각각 출력 변수로 하는 예측 모델을 수립하였다. 수립된 예측 모델은 모든 출력 변수를 결정 계수(R<sup>2</sup>) 0.9 이상의 높은 정확도로 예측하였다. NIR 스펙트럼의 전처리 여부에 상관없이 모델의 성능은 비슷하였다. PLSR 모델의 C 예측 성능은 R<sup>2</sup> 0.942였으며, 이 수치는 일반 최소 제곱 회귀 모델의 0.834를 크게 앞선다. 회귀 계수 분석으로부터 1450 nm 스펙트럼 영역에 할당된 리그닌의 페놀기가 탄화 거동을 설명하는 중요한 영역이라는 것이 확인되었다. NIR과 PLSR을 이용하여 HTC 리그닌의 탄화 특성을 빠르고 정확하게, 그리고 비파괴적으로 예측할 수 있었다.
박용건 ( Yonggun Park ),윤새민 ( Sae-min Yoon ),여환명 ( Hwanmyeong Yeo ),황원중 ( Won-joung Hwang ) 한국목재공학회 2021 한국목재공학회 학술발표논문집 Vol.2021 No.2
목재 열처리는 160~260℃ 범위 온도로 처리하여 목재의 성질을 변화시키는 방법을 말한다. 열처리에 의해 목재는 세포벽을 구성하는 주요 성분이 열가수분해(thermal hydrolysis)되면서 목재의 물리ㆍ역학적 성질이 영구적으로 변하는 것으로 알려져 있으며, 수종이나 열처리 온도와 시간, 열처리에 사용된 열전달 매개체의 종류 등에 따라서 그 정도는 다르게 나타나는 것으로 알려져 있다. 본 연구에서는 열처리 온도와 열처리 시간이 목재의 부후균에 대한 저항성에 미치는 영향을 조사하였다. 이를 위해 190℃와 220℃의 온도 조건에서 열처리 시간을 달리한 일본잎갈나무(Larix kaempferi )재에 대한 갈색부후균(부후개떡버섯균, Fomitopsis palustris)과 백색부후균(구름버섯균, Trametes versicolor )에 의한 질량 감소율을 평가하였다. 균의 종류에 따라 정도의 차이는 있었지만, 두 균류 모두 열처리 온도가 높을수록 열처리 시간이 길수록 질량 감소율이 작아지는 것을 확인하였다. 이는 고온의 열처리에 의해 목재 세포 벽의 주요 성분의 열분해되면서 소수성이 증가하게 되고, 세포벽 구성성분의 화학적 변화에 의해 부후 균의 생장 환경에 부정적인 영향을 미치기 때문으로 생각된다. 다만, 이를 입증하기 위한 추가 연구가 필요할 것이다.
폴리카프로락톤으로 그래프트된 리그닌의 첨가가 생분해성 고분자 기반 나노섬유의 이화학적 특성에 미치는 영향
방준식 ( Junsik Bang ),김정규 ( Jungkyu Kim ),김윤진 ( Yunjin Kim ),정민정 ( Minjung Jung ),여환명 ( Hwanmyeong Yeo ),최인규 ( In-gyu Choi ),곽효원 ( Hyo Won Kwak ) 한국목재공학회 2022 한국목재공학회 학술발표논문집 Vol.2022 No.1
본 연구에서는 생분해성 플라스틱으로 잘 알려져있는 폴리카프로락톤 기반 나노섬유에 리그닌 기반 친환경 첨가제를 사용하여 나노섬유의 인장강도와 UV 저항성을 개선하고자 하였다. 일반적으로 리그닌을 상용 플라스틱 고분자에 단순히 혼합한다면 리그닌의 낮은 열 가소성과 자가 응집현상이 발생하게 된다. 본 연구에서는 이러한 사용성을 개선하기 위하여 리그닌과 카프로락톤의 그래프팅 중합을 통해 리그닌 기반의 열 가소성 첨가제를 제조하고자 하였다. 리그닌과 카프로락톤의 반응성을 높이기 위한 방법으로는 Ethyl acetate, Ethanol를 이용한 리그닌 분획을 실시하였다. 그 결과 페놀성 수산기의 함량이 풍부한 리그닌을 획득하였고 이를 이용하여 카프로락톤과의 그라프팅 반응을 진행하였다. 제조된 리그닌 기반 열 가소성 고분자는 리그닌의 함량, 중합에 사용된 리그닌의 종류에 따라 중합도, 분자량, 열적, 유변학적특성이 달라짐을 보았다. 리그닌 기반 열 가소성 첨가제를 폴리카프로락톤과 1:1로 혼합하여 방사 용액을 제조한 뒤 용액방사를 통해 생분해성 나노섬유를 제조하였다. 제조된 나노섬유의 이화학적 특성을 FE-SEM, TGA, 인장시험, UV-Vis를 통해 분석하였다. 그 결과, 리그닌 기반 열 가소성 고분자의 첨가가 폴리카프로락톤 나노섬유의 인장강도를 향상시켰으며 UV에 의한 기계적 열화를 방지할 수 있음을 확인하였다.
컴퓨터 비전과 딥러닝을 이용한 목재 결함의 검출 및 정량화
정현우 ( Hyunwoo Chung ),황성욱 ( Sung-wook Hwang ),이태경 ( Taekyeong Lee ),여환명 ( Hwanmyeong Yeo ) 한국목재공학회 2022 한국목재공학회 학술발표논문집 Vol.2022 No.1
목재 표면 검사를 위해 컴퓨터 비전과 딥러닝을 이용한 자동화 결함 검출 모델을 수립하였다. 컨베이어, 라인 스캔 카메라, 적외선 센서 트리거로 구성된 연속 이미지 획득 시스템을 우선 구축하여 목재 이미지 데이터를 획득하였다. 이미지 획득 시스템은 크기에 상관없이 연속 투입되는 모든 판재의 표면을 스캔할 수 있다. 총 304장의 잣나무 표면 이미지로 데이터베이스가 구축되었다. 『KS F 2151 침엽수 구조 용재의 육안 등급 구분 방법』에 따라 목재 결함을 옹이, 갈라짐, 수피로 구분하였으며, 옹이는 산옹이, 죽은 옹이, 썩은 옹이, 긴 옹이 등 4종류로 세분화하였다. VGG annotator를 이용하여 모든 이미지 데이터에 결함의 위치, 형상, 종류에 관한 정보를 목록화하였다. 검출 모델은 ResNet-101을 backbone 네트워크로 하는 Mask R-CNN을 기반으로 설계되었으며, 모델은 IOU(intersection over union) 50% 이상에 대한 mAP(mean average precision)로 평가되었다. 또한 KS F 2151에서 규정한 방식으로 각 결함의 기준 치수가 산출되도록 모델을 설계하였다. 테스트 세트에 대한 모델의 mAP는 57.0%로 산출되었는데, 이는 4종의 옹이만 학습한 모델의 mAP 80.4%보다 낮다. 성능 감소의 원인은 갈라짐에 대한 모델의 검출 성능이 낮았던 것에 기인한다. 갈라짐에 대한 검출 오류는 주석을 달지 않은 미세한 갈라짐을 모델이 검출한 경우, 그리고 길게 분포된 하나의 갈라짐을 모델이 다중의 갈라짐으로 검출한 경우의 두 가지 유형으로 분석되었다. 이러한 오류는 주석 수정 및 데이터 세트 증량을 통해 개선할 수 있을 것으로 판단된다. 개발된 모델은 옹이만을 다루던 기존 자동화 탐지 기법과는 달리 다양한 결함들을 검출할 뿐만 아니라 결함의 정량화 기능을 갖추어 목재 표면 검사에 실질적 도움이 될 것으로 기대된다.
엄창득(Chang-Deuk Eom),박준호(Joon-Ho Park),이전제(Jun-Jae Lee),여환명(Hwanmyeong Yeo) 한국산림바이오에너지학회 2009 산림바이오에너지 Vol.28 No.1
본 연구에서 적외선 열화상분석을 이용하여 낙엽송의 옹이 탐지를 실시한 결과 옹이부가 건전부보다 온도 변화율이 작아 가열기간에서는 건전부의 온도가 더 높았고, 냉각기간에서는 옹이부의 온도가 더 높았다. 이처럼 목재내 결함과 건전부의 표면온도차이가 발생한 이유는 비열, 마이크로피브릴 각도, 열전도도, 비체적 등이 상호 작용하여 발생되는 열적 성질의 차이 때문이다. 인공부후부의 탐지에서는 냉각기간의 초기에 건전부와 부후부의 온도차가 크기 때문에 냉각 초기가 탐지에 적당한 것으로 판단된다. 이러한 열에 대한 목재의 다른 반응을 이용하여 적외선 열화상 분석을 통하여 건전부와 부후부의 구별이 가능한 것으로 사료된다. In this study, we detected knots in wood with infrared thermography. The results showed that in knots detection of larch the temperature of the sound area was higher during the heating period but lower during the cooling period. The surface temperature differences were mainly due to the different physical characteristics between the two textures, including the arrangement of cells, microfibril angles, heat conductivity, specific heat, and specific volume. Detection of decay was most suitable during the early cooling period because of the big temperature difference. Using the different reactions of the decay and sound areas for the heat, a distinction can be made using infrared thermography.
Mask R-CNN기법을 활용한 목재 표면 옹이 구획화
김현빈 ( Hyunbin Kim ),정현우 ( Hyunwoo Chung ),김민규 ( Mingyu Kim ),박용건 ( Yonggun Park ),양상윤 ( Sang-yun Yang ),여환명 ( Hwanmyeong Yeo ) 한국목재공학회 2019 한국목재공학회 학술발표논문집 Vol.2019 No.2
목재 품질의 객관적 평가 및 목재 생산의 고속화를 위해서는 컴퓨터 비전을 활용한 목재 표면 화상분석 자동화가 필요하다. 딥러닝(Deep Learning) 기술은 최근 컴퓨터 비전을 통한 화상 분석 및 패턴인식 분야에서 높은 정확도와 속도로 인해 그 활용도가 높아지고 있다. 따라서 본 연구에서는 딥러닝 기술 중 화상의 구획화에 높은 성능을 보이는 알려진 합성곱 신경망(Convolutional Neural Network)을 이용하여 목재 표면 옹이를 구획화하고, 그 종류를 분류하였다. 본 연구에서 사용한 목재 재면 사진은 낙엽 송, 잣나무, 소나무, 삼나무, 편백, 더글라스 퍼, 라디에타 파인에서 획득한 938개의 제재목 사진을 사용 하였다. 제재목 사진에서 추출한 옹이 이미지는 1,172개로, 4 가지 종류로 분류하였다. 옹이의 종류와 위치에 대한 데이터베이스를 통해 제재목 표면의 옹이를 구획화하여 표시하고, 그 종류를 분류하는 알고리즘 학습을 진행하였다. 학습에 사용한 Mask R-CNN(Regions with Convolutional Neural Network) 모델은 resnet101을 이용하여 Feature Pyramid Network를 토대로 옹이 위치 예측 학습과 옹이 종류 분류 학습을 동시에 진행하였다. 목재 표면의 옹이 구획화 학습을 진행한 결과, 옹이 종류별 이미지의 편차가 존재하며, 옹이의 크기가 다양함에 불구하고 높은 정확도로 목재 표면의 옹이 탐지가 가능하였다. 200번의 반복학습결과, 학습이 반복될수록 학습 이미지셋에 과적합하는 현상이 발생하여 목재 문양이 옹이로 탐지되는 경우가 발생하였다. 하지만 높은 정확도로 분류가 가능하였기 때문에 다양한 옹이 형태를 추가로 학습시킨다면 더 높은 정확도로 옹이 구획화가 가능할 것으로 기대된다.