서 론

멜론(Cucumis melo L.)은 박과에 속하는 1년생 원예작물로, 다양한 품종으로 개량되어 전 세계 여러 국가에서 재배되고 있다. 품종마다 독특한 과피 형태, 색상 및 과형을 가지며, 국내에서는 주로 네트 멜론이 소비되고 있다(FAO, 2020; Lim 등, 2020). 멜론 과실은 품종에 따라 과형, 당도, 네트 품질, 직경 및 무게 등에서 다양한 형태적 변이를 보이며, 이러한 특성이 시장성을 결정하게 된다(Silberstein 등, 2003; Monforte 등, 2004). 수경 재배 멜론에 있어서는, 식물당 주당 1개의 과실을 착과시키는 것이 일반적이며, 이 때문에 단일 과실의 품질은 재배 전략과 목표에 큰 영향을 미친다(Hwang 등, 1998; Lim 등, 2021). 네트 멜론의 과피에 있는 네트 조직은 껍질을 강화하는 역할을 하며, 물리적 피해로부터 과실을 보호한다. 더불어, 네트의 균일성과 패턴은 멜론의 외적 품질을 결정하는 중요한 요소로 작용하며, 멜론의 내부 품질을 보장하는 지표로도 활용된다(Paris 등, 2008; Choi 등, 2019; Qian 등, 2019).

과일 품질을 개선하기 위한 탐구는 원예 연구 분야에서 핵심적인 주제이다. 이러한 맥락에서 발광 다이오드(LED) 기술의 발전으로 인공 광원을 통한 보광은 시설 재배 시스템에 더욱 널리 적용되고 있다(Kim 등, 2019). 이러한 형태의 조명은 다양한 채소 및 과일 작물의 성장 발달과 품질을 향상시키는데 큰 성과를 보여주었다(Jiang 등, 2017; Paponov 등, 2020). 이와 동시에 컴퓨터 비전은 최종 수확물의 품질을 검사하는 것 외에도 다양한 과채류의 성장과 성숙을 비파괴적으로 모니터링하는데 유용한 도구로 인정받고 있다(Bhargava와 Bansal, 2021). 전통적인 멜론 과실의 네트 평가 방식은 주로 육안으로 이루어진다(Liu 등, 2004). 이 접근법은 오랜 시간 동안 교육과 경험을 필요로 하며, 주관적 판단으로 인한 오류가 발생하기 쉽다. 육안 검사는 과실 하나하나에 대한 평가에 많은 시간이 들어가 노동집약적인 특성이 있다. 이러한 상황에서 컴퓨터 비전 기술을 이용한 멜론 네트 평가는 비파괴적이고 연속적으로 모니터링할 수 있다는 점에서 다양한 센싱 및 컴퓨터 비전 기술이 원예산업 분야에 효과적으로 배치되는 상황에서(Blasco 등, 2003) 산업성이 클 것으로 판단된다.

한편, 네트와 관련된 지난 연구에서는 과피 특성의 물리화학적 분석, 네트 형성에 영향을 주는 유전자 발현 패턴 연구, 멜론의 네트 수치화 연구, 이미지 분석을 통한 네트 및 과피 면적 통계화 연구 등 다양한 접근 방법을 사용하였다(Keren‐Keiserman 등, 2004; Gerchikov 등, 2008; Li 등, 2012; Akiba 등, 2022). 공극에 대한 분석은 골다공증 평가를 위한 척추 소주골(Dougherty와 Henebry, 2002)과 흑색 세포 모반 및 흑색종 자동 평가(Gilmore 등, 2009)와 같은 의학 연구에도 성공적으로 사용되었으나 멜론 네트와 같은 과실 표피 분석은 여전히 미진한 상황이다.

작물 및 과실의 생장 발달은 초장, 건물중, 엽면적 등을 포함한 여러 변수로 시그모이드(sigmoid, S) 곡선 형태로 나타난다(Ahn 등, 2014; Choi 등, 2017; Kim 등, 2020a). 과실 생장 모델링은 환경에 대한 계절적 변화를 반영하거나 수분, 바이오매스, 당 축적과 관련한 품질 변화를 파악하는데 유용한 방법이다(Lescourret와 Genard, 2005; Genard 등, 2009). 비록 멜론 과실의 생장과 외적 품질인 네트 간의 관계에 대해서는 명확히 알려진 바가 적으나 멜론 과실은 시그모이드 형태로서 비대기와 네트 형성기에 급격히 성장하는 특성을 보인다. 본 논문의 가설은 태양광과 동일한 스펙트럼의 LED 보광을 통하여, 과실의 생장 발달을 증진시킬 수 있을 것이며, 과실의 생장은 네트 형성과 연관되었을 것이라는 것에서 출발하였다. 이에 본 연구는 LED 보광 처리를 통하여 처리구와 대조구 간에 생장 차이를 유도하고 과실 생장 모델링과 컴퓨터 비전을 통해 과실 형태와 생장이 네트에 미치는 영향을 분석하였다.

재료 및 방법

1. 실험 대상 온실 및 보광 처리

본 실험은 국립원예특작과학원 시설원예연구소 내의 벤로형 유리 온실에서 수행하였다. 네트 멜론 품종인 ‘미라클’ (Cucumis melo L. cv. Miracle)를 2023년 1월 9일에 지하수로 포수한 후 코이어 배지(100×20×10cm, Duckyang Agrotech, Nonsan, Korea) 에 3주씩 정식하였다. 멜론에 적합한 야마자키 표준 양액을 전기 전도도 수준인 1.8, 2.0, 2.3dS∙m^-1로 생육 초기, 중기, 후기 단계에 각각 공급했으며, 각 단계의 배액율은 40－50%, 30－40%, 10－5%였다. 주간 및 야간 온도는 30℃와 18℃로 조절했으며, 평균적으로 약 29/18℃를 유지했다. 2023년 2월 11일에 꿀벌을 통해 수분을 실시했고. 2월 16일에는 적과를 실시하여 11－13번째 마디에 열매가 달린 후 23번째 마디를 적심한 뒤 단일 줄기를 남겼다.

실험 기간 동안 데이터 로거(CR1000; Campbell Scientific Inc., Logan, UT, USA)를 사용하여 일일 평균 온도, 상대 습도, 일일 누적 일사량을 5초 간격으로 측정했다. 보광 처리는 2023년 1월 16일에 시작하였으며, 태양광과 상부 보광 LED 조명(full-spectrum LED, SL330, BISSOL LED, Seoul, Korea)을 조합하여 이루어졌다. 광질에 의한 영향을 최소화하기 위하여 태양광 파장대의 보광등을 이용하였고, 처리구(LED)와 대조구(CON) 간의 광질에 의한 차이는 발생하지 않았다. 1.8m의 식물체 높이에서 280μmol∙m^-2∙s^-1의 광합성유효광량자속밀도(photosynthetic photon flux density; PPFD, 400－700nm)로 매일 8시간(00:00－8:00) 동안 보광을 실시했다.

2. 과실 조사 및 과실 무게 측정

농촌진흥청의 농업과학기술 연구조사분석 기준에 따라 과실의 생육 특성인 과장, 과폭, 생체중을 조사하였다(RDA, 2012). 착과 후 3일차부터 2－3회에 걸쳐 중량 별로 100개의 과실을 파괴적으로 조사하였으며, 정식 후 64일차에는 각 처리구별로 10개의 과실 생육 특성을 측정하였다. 과형 지수는 과장을 과폭으로 나누어 계산하였다. 당도는 종자와 태좌부를 제거한 후 과육에서 얻은 즙을 사용하여 휴대용 당도계(PAL-1, ATAGO Co., Ltd., Tokyo, Japan)로 측정하였다.

과실의 무게를 연속적이고 비파괴적으로 측정하기 위해 로드셀 시스템을 구축하였다. 로드셀은 힘 신호를 전기 신호로 변환하는 기기로, 주로 바이오매스 및 증산량 파악에 사용된다. 본 연구에서는 0.1g의 측정 분해능과 0－2kg의 무게 측정 범위를 가진 로드셀(PC22, IAN Co., Hanam, Korea)을 선택하였다. 작물 정단부의 프로파일 타워를 설치한 후, 이 타워 상단에 로드셀을 고정하였고, 로드셀의 끝 부분에는 멜론 과실을 유인줄로 연결하였다(Fig. 1).

Fig. 1.

Graphical schematic of load cell system for non-destructive, continuous melon fruit weight measurement.

3. 멜론 과실 생장 모델

로지스틱 모델은 적은 매개변수로도 작물의 초기 생장, 빠른 생장, 생장의 정체 등 비선형적인 생장 패턴을 표현할 수 있는 장점이 있다. 본 연구에서는 멜론 과실로부터 측정된 생육 특성을 모델링하기 위하여 작물 생육에 널리 이용되는 3변수 로지스틱 모델을 사용하였다. 로지스틱 모델의 형태는 추정하고자 하는 생체중, 과고 및 과폭 등 과실의 생장 특성(F_growth), 생육 특성의 최대 임계값(L), 생장률(k) 및 시그모이드 곡선의 중앙값(x_o)을 통해 다음과 같이 표현된다(Jung 등, 2023).

4. 네트 품질 비교를 위한 정량화 방법

이러한 문제점을 해결하기 위해 본 연구에서는 오픈소스 컴퓨터 비전 라이브러리인 OpenCV를 이용한 머신러닝 방식을 도입하여 멜론 네트의 품질을 자동으로 평가하려고 하였다. 육안 검사에서 평가되는 주요 지표는 네트의 밀도, 패턴, 굵기, 균일성 등이 있다. 수집된 수확 직전 멜론 이미지를 이용하여, 멜론 과실만을 포함한 마스크를 추출하였고, 컴퓨터 비전 알고리즘을 통해 네트와 과피의 색상을 구분하였다. 멜론 마스크에서 색 농도를 식별하여 과피의 원색과 네트의 색을 구분하는 알고리즘은 다음과 같다(Fig. 2).

Fig. 2.

Methodology for the analysis and quantification of melon fruit net quality.

원본 이미지에 포함된 빨간색, 초록색, 파란색인 RGB 정보를 색상(hue), 채도(saturation), 값(value)으로 이루어진 픽셀값(HSV)으로 변환한 뒤, 지정한 경계값을 사용하여 과피 영역에 대한 마스크(M_high)를 생성하였다. 이미지상 과피 영역의 전체 면적(A_total)과 개별 섬으로 간주한 과피 조각 수(N_islands)를 계산하였다. 네트의 밀도(A_total)는 섬 면적의 평균값으로 해석할 수 있고, 값이 적을수록 네트가 빽빽한 것을 의미한다. 네트 패턴의 균일성(SD)은 개별 섬들의 면적에 대한 표준편차(standard deviation)로 계산할 수 있으며 값이 적을수록 패턴이 균일한 것을 의미한다.

5. 모델 검증 방법 및 통계 분석

과실 생장 모델 검증을 위해 평균 제곱근 오차(root mean squared error, RMSE), 평균절대오차(mean absolute error, MAE)이 식 (7, 8)과 같이 계산에 이용되었다. 과고, 과폭, 과형 지수, 당도, 네트 밀도, 네트 균일성 등의 데이터 통계 분석에는 Python(v. 3.1.2, Python Software Foundation, Wilmington, NC, USA)을 이용하였다. 데이터 분석과 시각화를 위해 pandas, seaborn, matplotlib.pyplot 라이브러리를 사용하였으며, 통계적 검증을 위해서는 scipy.stats 함수를 활용하여 t-검정을 수행하였다.

결과 및 고찰

1. 네트의 형성 및 발달

네트 품종의 멜론은 착과 후 약 1주일이 지나면 계란 크기인 약 400－500g까지 자라며, 초기에는 네트 패턴이 없는 매끈한 표면을 가진다(Fig. 3A, Fig. 4). 착과 후 대략 2주 후, 멜론의 표피는 점차 경화되어 그 유연성이 크게 감소한다(Akiba 등, 2022). 이 기간 동안 과육이 성장하면서 표피도 팽창하나, 표피의 성장 속도가 과육의 속도를 따라잡지 못한다. 그 후, 멜론의 적도 부근에서 균열이 시작되어, 과실의 성숙과 함께 이 균열들이 수평 방향으로 확장되어 연결된다(Fig. 3; Puthmee 등, 2013). 이런 현상으로 인해 표피 전체에 계층적인 균열이 발생한다. 표면에서 균열이 발생할 경우, 내부에 있는 수베린이라는 친유성 고분자가 목질화되어 균열 부분을 메워 수분 손실을 막게 된다(Fig. 3B and C; Keren-Keiserman 등, 2004).

Fig. 3.

Graphical process of net formation and images of actual cultivation.

Fig. 4.

Scatter plot of melon fruit's fresh weight (A), length (B), and width (C) changes over days after pollination (DAP): data points represented by symbols, dashed plot indicates sigmoid function fitting, and vertical lines on data symbols denote error bars of 5 replicates.

2. 과실 생장 모델 분석

멜론의 수경 재배 시스템은 작물을 수직으로 키우며 한 식물체당 하나의 과실만 재배한다. 이런 방식에서는 인접한 작물과 상부의 캐노피로 인해 수광량이 제한된다. 또한 영양 성장 기관과 과실 사이에 경쟁이 발생하므로, 과실의 성장을 촉진하기 위해서는 일정한 높이에서 정단부를 적심하고, 엽수를 23－25장으로 제한하는 관리가 필요하다(Choi 등, 2019). 수경 재배의 특성상 멜론의 영양 생장을 추정하는 모델링에는 한계가 있어, 과실의 직접적인 생장 모델링이 필요하다. 과실의 생장은 그 직경, 부피, 건물중 또는 생체중의 증가를 통해 측정되며, 이 생장은 시간에 따라 시그모이드 곡선 형태로 나타난다(Fig. 4; Kim과 Lee, 2012). LED 처리구에서는 4－5일 더 일찍 과실이 착과되었고, 과실이 일정 크기(150－200g) 에 도달하면 센서로 그 무게를 측정하였다. 그 결과, 시그모이드 함수의 초기 부분에서의 완만한 증가 곡선은 본 연구에서는 포함되지 않았다.

LED 및 CON에서 재배된 멜론의 과실 성장에 3변수 로지스틱 모델을 적용했을 때, 멜론 과실의 최대 생체중 임계값(L)은 각각 1,952.5g와 1,707.4g으로 측정되었다(Fig. 4A, Table 1). 시그모이드 곡선의 경사도를 나타내는 생장률(k)은 각각 0.16g∙d^-1와 0.19g∙d^-1로, 두 처리 구간에서 큰 차이가 나타나지 않았다. 이 결과로 보아, 누적 광량의 증가는 멜론 과실의 생체중 증가(14.4%)에는 영향을 미쳤지만, 전체적인 생육 패턴에는 큰 변화가 없었다는 것을 알 수 있다. 과실의 최대 과고와 과폭은 LED 조건에서 각각 14.8cm와 14.7cm였고, 대조구에서는 14.1cm와 13.7cm였다. 이는 LED 조건에서 횡축의 성장 한계가 더 컸다는 것을 의미한다. 또한, 곡선의 중심값(xo)은 LED 처리 구간에서 –5.8 및 –0.1d로 나타났다. 이는 LED 하에서의 과실이 측정 시작 시점에 이미 초기 성장 기간을 지났음을 보여준다.

또한, 5시간 동안 관찰한 과실의 생장률을 보면, 모든 처리 구간에서 과실의 성장이 일주기성 리듬을 보였다(Fig. 5). 최고점 또는 최저점 간의 주기는 24시간 간격으로 일정하게 유지되었으며, 18:00부터 20:00 사이에는 가장 높은 값을 나타냈다. 이를 통해 주간 동안 잎에서 축적된 동화산물이 일몰 후에 과실로 집중적으로 이동했음을 확인할 수 있다.

Fig. 5.

Fruit growth rate of melon measured every 5 hours over 4 days: Various colored lines represent 6 replicates, green line indicates the mean, and the broad gray area denotes the amplitude of maximum fruit growth rate.

3. 과실 생장과 네트 품질의 관계

멜론의 과형은 과고/과폭 비(length/width ratio)로 나타낼 수 있고, 과실의 세포 분열기에 길이로 자라는 종축 생장을 하고 세포 비대기에 옆으로 자라는 횡축 생장을 하여 장원형에서 원형으로 변화한다(Fig. 6A; Kim과 Lee, 2012). 본 연구에서 역시 최종 수확물의 과형은 평균 과고/과폭 비 1.08로 원형에 가까워졌다(Fig. 6B).

Fig. 6.

Morphological changes of melon fruit from fruit set to net formation stage (A) and changes in length to width ratio based on fruit weight (B).

과실의 기본 형태가 원형에 가깝더라도, 다양한 외부 요인들에 따라 그 형태가 변할 수 있다. 착과마디, 주된 생장 축의 방향, 그리고 온습도 환경 등은 과실의 형태에 영향을 미칠 수 있는 주요 요인들이다. 특히, 박과 작물인 참외(Hong 등, 2023)와 수박(Kim 등, 2020b)은 착과 위치가 높아질수록 과중과 과고가 커지는 경향이 있고, 이로 인해 장원형의 과실 형태가 발달한다고 알려져 있다. 그러나, 수경재배를 통한 멜론의 경우 착과 위치에 따른 과중의 변화는 있었지만, 과형에는 큰 차이가 없었다는 연구 결과도 있다(Lim 등, 2020).

과실의 네트 형성의 균일성은 과형에 따른 내부 압력의 일관성을 통해 나타날 수 있다. 멜론의 비대기 중 과피는 내부의 팽창에 따른 장력을 견디면서도 과실이 확장할 수 있는 유연성을 확보해야 한다. 네트 형성기에 있는 과실이 균일한 구형으로 발달한다면, 내부 압력도 균일하게 분포하게 될 것이고, 과피의 균열이 일정한 패턴으로 발생할 가능성이 크다(Fig. 7A). 하지만, 과실이 횡축 또는 종축으로 치우쳐 생장할 경우, 해당 방향에 큰 균열이 형성되고, 상품성을 해치는 열과성 상처가 발생할 수 있다(Fig. 7BC). LED 하에서 재배된 과실은 대조구에 비해 과폭이 유의미하게 증가하였고, 과형이 더 균일하게 둥글게 나타났다(Fig. 8BC). 이로 인해 네트의 밀도와 균일성 지수가 줄어들어, 네트 품질이 더욱 우수한 결과가 나타났다(Fig. 9).

Fig. 7.

Net characteristics based on fruit shape: Net of near-spherical fruit (A), net of flattened fruit (B), and net of oblong fruit (C). Red contour boxes indicate cracking injury.

Fig. 8.

Melon fruit characteristics under LED supplemental lighting and natural sunlight control (CON): Fruit length (A), width (B), shape index (C), and Brix (D). The round scatter points indicate data dispersion. The central line in the box plot represents the median, while the top and bottom horizontal lines signify maximum and minimum values, respectively. Based on results from a Student's t-test (n=10). Significance markers: * for p < 0.05 and ** for p < 0.01.

Fig. 9.

Net quality characteristics under LED supplemental lighting (LED) and natural sunlight control (CON): Net density (A) and net uniformity (B). Net density is calculated as the average of all area values of individual islands (pericarp segments) within the image, with lower values indicating better density. Net uniformity is determined by the standard deviation of the area of individual islands (pericarp segments), with lower values indicating higher uniformity. Based on results from a Student’s t-test (n=10). Significance markers: * for p < 0.05.

이런 맥락에서 볼 때, 멜론의 네트는 과실의 생장 조건을 반영하는 동시에 상업적 가치를 지니므로 중요한 표현형 지표로 간주된다(Li 등, 2012). 컴퓨터비전 분석을 이용해서 LED와 CON 처리구 사이의 네트 분포 변화를 시각적으로 확인하고 정량화할 수 있었다(Figs. 2 and 8). 네트와 과피의 구분된 색상을 활용해 네트의 밀도와 균일성을 분석하였고, LED 처리구는 네트 밀도가 유의적으로 낮고, 균일성이 일정하게 나타났다. 이는 LED 하에서 재배된 과실이 더 조밀하고 균일한 패턴의 네트를 가지고 있다는 것을 의미한다. 게다가, LED에서 재배된 멜론의 당도는 평균 13.2°Bx로 측정되었고, 이는 대조구의 12.5°Bx보다 유의적으로 높았다(Fig. 7D). 이 결과는 LED 보광 조건이 대조구보다 과실의 외부 품질(생체중 및 네트 품질)과 내부 품질(당도)을 모두 향상시켰다는 것을 나타낸다.

4. 모델 평가

과실의 생장을 로지스틱 모델로 예측하였다. 이에 따른 결과는 재배 환경에서의 실측값과 모델의 예측값 간의 차이를 손실함수(loss function)로서 평가하였다. MAE는 실측값과 예측값의 차이를 직관적으로 해석하기 쉽고, RMSE는 큰 오차에 더 큰 가중치를 부여하여 모델 성능을 보다 정확하게 평가하는 지표로 사용될 수 있다.

생체중에 대한 데이터에서, LED 처리의 경우 MAE 15.3, RMSE 23.2g, 대조구의 경우 MAE 25.3, RMSE 38.0g의 값을 보였다(Table 1). 이러한 오차값은 LED 최대값의 0.8, 1.2%, 그리고 CON 최대값의 1.5, 2.2%로 매우 낮은 수준을 나타내며, 예측값이 실측값에 근접하다는 것을 보여준다. 곡선의 기울기를 통해, LED와 CON 처리 간의 생장 반응 속도는 각각 0.16, 0.19g∙d^-1로 유사한 생장 속도를 나타냈다. 이는 서로 다른 광 조건에서도 멜론의 과실 생장을 로지스틱 모델로 효과적으로 예측할 수 있다는 것을 나타낸다. 과고 및 과폭에 대한 데이터도 마찬가지로 낮은 오차값을 보였다(Table 2). LED의 최대값에 대한 오차값 비율은 각각 0.7－8과 1.1－2%이며, CON의 오차값 비율은 1.3－7과 1.8－2.2%로 나타났다. 이러한 회귀 모델의 평가 지표들을 통해, 수경재배 멜론의 과실 생장을 로지스틱 모델로 예측하는 것은 타당하다는 것을 알 수 있다.