Development of machine learning prediction model for weight loss rate of chestnut (Castanea crenata) according to knife peeling process

밤의 칼날식 박피공정에 따른 머신 러닝 기반 중량감모율 예측 모델 개발

Abstract

A representative problem in domestic chestnut industry is the high loss of flesh due to excessive knife peeling in order to increase the peeling rate, resulting in a decrease in production efficiency. In this study, a prediction model for weight loss rate of chestnut by stage of knife peeling process was developed as undergarment study to optimize conditions of the machine. 51 control conditions of the two-stage blade peeler used in the experiment were derived and repeated three times to obtain a total of 153 data. Machine learning(ML) models including artificial neural network (ANN) and random forest (RF) were implemented to predict the weight loss rate by chestnut peel stage (after 1st peeling, 2nd peeling, and after final discharge). The performance of the models were evaluated by calculating the values of coefficient of determination (R), normalized root mean square error (nRMSE), and mean absolute error (MAE). After all peeling stages, RF model have better prediction accuracy with higher R values and low prediction error with lower nRMSE and MAE values, compared to ANN model. The final selected RF prediction model showed excellent performance with insignificant error between the experimental and predicted values. As a result, the proposed model can be useful to set optimum condition of knife peeling for the purpose of minimizing the weight loss of domestic chestnut flesh with maximizing peeling rate.

국내 밤 산업은 박피율을 높이기 위한 목적으로 과도한 칼날박피로 인해 과육 손실이 높아 생산 효율성이 저하되는 문제가 있다. 이에 본 연구에서는 밤 박피 공정의 구동 조건 최적화를 위한 기초 연구로 머신러닝 알고리즘 기반 박피공정 단계별 밤의 중량감모율을 예측할 수 있는 모델을 도출하였다. 6개의 제어조건을 바탕으로 51가지 2단 칼날박피기 실험 세팅 조합을 도출하고 이를 3번씩 반복하여 총 153가지의 데이터를 획득하였다. 인공신경망과 랜덤 포레스트 머신러닝 모델을 이용하여 밤 박피 단계별(1단 박피 후, 2단 박피 후, 최종 배출 후) 중량감모율을 예측하는 머신러닝 모델을 도출하였고, R(coefficient of determiantion), nRMSE(normalized root mean square error), MAE(mean absolute error) 값을 통해 모델의 성능을 평가하였다. 모든 박피 단계에서 인공신경망 모델보다 랜덤 포레스트 모델이 높은 R값으로 우수한 예측 정확도를 가지는 것으로 나타났고, 낮은 nRMSE와 MAE값으로 낮은 예측 오차를 가지는 것으로 나타났다. 최종적으로 랜덤 포래스트 예측 모델이 도출되었으며, 실제로 계측된 중량감모율과 예측한 중량감모율의 오차가 미미함을 확인할 수 있었다. 결과적으로, 도출된 모델은 밤 과육의 중량감모율을 최소화하는 동시에 최대 박피율을 도출할 수 있는 최적 박피공정의 구동 조건을 설정하는 데 활용함으로써, 이를 바탕으로 국내 밤 산업에 이바지 할 수 있을 것으로 예상된다.

1. 서론

밤(Castanea spp.)은 참나무과에 속하는 밤나무의 열매로서, 단일품목으로 농·임업 전체 수출품목 중 수출액이 높은 수실류이다[1]. 밤은 세계적으로 10여종이 분포하며, 주요 생산 국가로는 중국, 한국. 터키, 이탈리아 등으로 이들 국가가 전체 생산량의 약 88%를 차지하고 있다[2]. 최근 고부가가치 임산물에 대한 관심 증대와 세계적으로 국내 밤의 우수한 품질이 알려짐에 따라, 깐밤, 통조림, 냉동밤, 다과류용, 제빵용 등으로 다양하게 가공되어 수출되고 있다[3].

국산 밤의 품질은 세계적으로 가장 우수한 것으로 알려져 있지만, 국산 밤 박피 공정의 문제로 밤 가공 산업의 활성화에 어려움을 겪고 있다. 밤의 박피는 비가식 부위인 외·내피를 제거하는 공정으로, 국산 밤은 외국산 품종에 비해 외피의 경도가 단단하고, 내피의 경우 과육과 점착정도가 높은 특성이 있다[4]. 이에 따라 여러 밤 박피 방법(기계적 박피, 화학적 처리에 의한 박피, 자숙에 의한 박피 및 화염 등)을 국산 밤에 적용하는 연구가 수행되었지만[5], 박피율이 낮고 국산 밤의 가공적성에 적합하지 않아 실용화되지 못하고 있어, 현재까지도 국내에선 칼날박피 후 잔여 껍질을 수작업으로 제거하고 있는 실정이다. 칼날박피는 고속으로 회전하는 칼날을 이용하여 외피와 내피를 동시에 제거하는 방법으로 간단하고 빠른 시간에 박피를 할 수 있지만 밤의 수율이 떨어지는 단점이 있다[6]. 따라서 박피 중 손실되는 수율이 개선될 수 있는 적합한 칼날박피 조건을 판단할 수 있는 기초 연구가 필요한 실정이다.

식품·임산업에서 인공지능 기술 융합을 통해 생산 효율성 및 품질 향상과 안전성 확보를 위한 핵심적인 기술로 자리잡고 있다[7,8]. 해당 기술은 식품 및 임산물의 품질 검사, 이물질 검출, 자동 분류 및 정렬, 성분 분석, 로봇 자동화 등 다양하게 활용되고 있으며, 식품산업을 혁신으로 이끌고 있다[9]. 본 기술을 적용하여 가공 효율성을 높이는 목적으로 식품 원물의 중량감모율을 예측하기 위한 연구가 보고되고 있다. Lee 등[10]은 수확 후 controlled atmosphere 저장고 내의 환경 데이터를 기반으로 저장고 내의 복숭아의 중량변화를 예측하기 위해 인공신경망을 이용하였다. Sun 등[11]은 건조공정 중 생산 효율성 향상 및 에너지 절약을 위해 식품의 중량변화 예측 인공지능 모델을 이용하여 건조공정 최적화 연구를 통해 진행되고 있다고 보고하였다. 이와 같이 국내 밤 가공 산업에서도 인공지능 및 기계학습 기술을 적용해 밤 과육의 낮은 생산 효율성을 극복할 수 있는 기반 기술개발이 필요하다.

따라서, 본 연구에서는 박피공정에 따른 밤 과육의 수율을 극대화할 수 있는 칼날식 박피기의 최적 구동조건을 설정할 수 있는 기반연구로, 머신러닝 모델을 이용하여 박피공정 단계에 따라서 주요 지표인 밤의 중량감모율 예측 모델을 도출하는 연구를 수행하였다.

2. 재료 및 방법

2.1 실험 재료

본 실험에 사용된 밤은 충남 부여군에서 수확한 축파(Tsukuba) 품종 중 대와 특대 크기로 분류된 것을 2023년 10월에 구입하였으며, 0±1℃ 저온창고에서 저장하며 실험에 사용하였다.

2.2 2단 칼날박피 장치

2.2.1 2단 칼날박피 장치의 구조

부여에 소재하는 밤뜨래영농조합법인에서 보유하여 사용하고 있는 2단 칼날박피기를 이용해 박피 실험을 실시하였다. 이는 원통형 회전 드럼 하부에 회전원판에 칼날이 부착되어있는 구조로, 대량 가공이 필요한 밤 가공 산업에서 주로 사용되고 있는 박피기이다. 해당 박피기는 기계 내부로 밤을 자동화된 방식으로 일정하게 투입되도록 설계된 투입장치, 외·내피를 크게 벗겨내기 위해 톱니칼날이 장착된 1단 박피기, 1단 박피기 우측에 설치된 1단 박피 잔해 배출부, 1단 박피된 밤을 연속적으로 투입하여 더 정밀하게 제거하는 평칼날이 장착된 2단 박피기, 2단 박피 잔해 배출부, 박피된 밤을 기계 밖으로 배출하는 출력부, 칼날의 회전 속도를 조절하고 박피시간을 조절할 수 있는 제어부로 구성되어 있다(그림 1).

그림 1. 실험에 사용한 2단 칼날박피기

Fig. 1. A two-stages knife peeing machine used in the study

2.2.2 칼날박피기 제어 조건

실험에 사용한 2단 칼날박피기를 제어할 수 있는 6가지의 입력변수(밤 투입량, 2단 칼판 속도, 1단 박피 시간, 2단 박피 시간, 1단 칼날 개수, 2단 칼날 개수)를 선정하였으며, 각 입력변수의 설정값의 범위는 표 1과 같이 설정하였다. 박피 후 출력값은 1단 박피 후 중량감모율(%), 2단 박피 후 중량감모율(%), 최종 배출 후 중량감모율(%)로 설정하였다. 칼판 속도의 경우, 적용된 모터의 최대 속도가 2,000 rpm로 이를 설정값 10으로 하였으며, 조건 값이 8, 6, 4, 2인 경우 설정된 속도는 각각 1600, 1200, 800, 400 rpm이다.

표 1. 2단 칼날박피기의 6가지 입력변수에 해당하는 설정값

Table 1. Range of the 6 input variables of a two-stage knife peeing machine

다양한 박피 실험 조건을 도출하기 위하여 latin hyper cube 기법을 적용하였으며, 6개의 제어조건(입력변수) 및 5가지의 조건 범위(설정값)에 따라 51개의 조합을 도출하였다. 예를 들어, 조건 1의 경우 밤 투입량 200 g, 2단 칼판 속도 2, 1단 박피 시간 30초, 2단 박피 시간 5초, 1단 칼날 개수 4개, 2단 칼날 개수 4개이다.

2.2.3 칼날박피기 제어

칼날박피기를 이용하여, 총 6가지의 입력변수에 대한 제어는 칼날박피기에 부착된 전력선통신(Power line communication, PLC) 기반 제어부를 활용하였으며, 그림 1과 같이 칼날 속도, 박피 시간 등에 대한 값을 변경하였다.

2.3 실험 방법

도출된 51가지 제어조건을 바탕으로 밤 투입량을 계측하고, 제어부로 2단 칼판 속도와 1단과 2단 박피시간을 설정하였으며, 1단과 2단 칼날 개수를 부착한 후 박피를 실시하였다.

본 연구에서 수행한 실험 순서는 다음과 같다. 우선 계측한 밤(투입량)을 칼날박피기 호퍼(hopper)에 투입하였다. 레버를 회전시켜 호퍼를 이송시켜 투입된 밤은 1단 칼날박피 챔버(chamber)에 자동투입되어 1단 박피가 진행된다. 1단 박피가 완료된 밤은 2단 박피기로 연속적으로 투입되며, 이때 제거된 잔해(외피, 내피, 일부 과육)는 1단 박피기 우측 통로로 자동 배출된다. 1단 박피 후 연속적으로 투입된 밤은 설정값에 따라 2단 박피가 진행되고 1단 박피공정과 같이 박피된 밤은 출력부로 배출되며, 제거된 잔해는 2단 박피기 우측 통로로 자동으로 배출된다(그림 2).

그림 2. 2단 칼날박피기를 이용한 밤의 박피 사진(예시)

Fig. 2. An example photograph of chestnuts processed using a two-stage knife peeling machine

박피 전 투입 밤 무게(g), 1단 배출부로 나온 잔해의 무게(g), 2단 배출부로 나온 잔해의 무게(g), 최종 배출된 박피 밤 무게(g) 계측 및 산출을 통해, 출력값인 1단 박피 후 중량감모율(%), 2단 박피 후 중량감모율(%), 최종 배출 후 중량감모율(%)을 도출하였다(그림 3). 위 실험을 각 조건별 3번씩 반복하여, 총 데이터의 수는 153개였으며, 이를 이용하여 취득한 데이터를 전처리 후 머신러닝 알고리즘을 기반한 공정 단계별 중량감모율을 예측할 수 있는 모델을 개발하였다.

그림 3. 박피기 투입 전과 최종 배출된 밤과 껍질 사진(예시)

Fig. 3. An example photograph of chestnuts and discarded shell before and after peeing using a two-stage knife peeing machine

2.4 데이터 전처리

앞서 언급한 바와 같이, 2단 칼날박피기를 이용해 3단계(1단 박피 후, 2단 박피 후, 최종 배출 후)별 밤의 총 중량을 측정하였다(그림 3). 머신러닝 모델 학습을 위하여 입력과 출력 배열을 구성하였다. 입력 배열에는 총 9가지의 입력값으로 구성되어 있다. 즉, 장치의 물리적 제어 조건 5가지(2단 칼판 속도, 1단 박피 시간, 2단 박피 시간, 1단 칼날 개수, 2단 칼날 개수)와 밤 정보 4가지(투입량, 투입량에 따른 밤 개수, 크기, 박피율)로 구성되어 있다. 또한, 출력 변수로는 3가지(1단 박피 후, 2단 박피 후, 최종 배출 후 중량감모율)로 구성되어 있다.

그림 4. 머신러닝 기반 밤 중량감모율 예측 모델 흐름도

Fig. 4. Flowchart of machine learning-based chestnut weight loss rate prediction model

2.5 머신러닝 모델

2.4.1 인공신경망

인경신공망(Artificial neural network, ANN)은 입력값과 출력값 사이의 관계를 연결하고 찾는 계층적 네트워크 기반의 수학적 모델로, 데이터 샘플 간의 비선형적 관계에 적합하다. 본 연구에서의 초기 ANN 구조는 하나의 입력층, 각 층에 250개의 초기의 숨겨진 노드(node)가 있는 세 개의 은닉층, 그리고 하나의 출력층으로 구성되어 있다. 예측 모델의 경우, 출력층은 Regression layer로 배열하였다[12].

2.4.2 랜덤 포레스트

랜덤 포레스트(Random forest, RF)는 가장 일반적으로 사용되는 다중 의사결정트리(Decision Tree)를 학습하는 앙상블(Ensemble)한 기계학습 분류기 중 하나이다. 이는 무작위의 벡터(vector)가 독립적으로 동일하게 분포된 의사결정트리 구조의 분류기를 생성할 수 있고, 각 의사결정트리는 입력변수에서 가장 높은 빈도가 나오는 클래스에 대해 하나의 단위 투표를 실시한다[13,14]. 본 연구에서의 초기 RF 모델의 hyperparameter는 10개의 최소 leaf 개수, PTS는 5 그리고 트리 개수는 150으로 설정하였다.

2.4.3 베이지안 최적화

베이지안 최적화(Bayesian optimization)는 임의의 목적함수를 최대로 하는 최적해를 찾는 방법이다. 본 최적화 방법은 관측값을 얻을 수 있는 어떤 함수에도 적용이 가능하고, 특히 비용이 많이 들고 형태를 알 수 없는 블랙박스 형태의 목적함수에 사용이 가능하다[15]. 본 연구에서는 중량감모율 예측 모델의 성능 파라미터 중 하나인 평균제곱근오차(normalized root mean square error, nRMSE) 값을 최소화하는 것이 목적함수이며, iteration은 30으로 설정하였다.

2.5 성능평가

2단 칼날박피기를 이용하여 1단 박피 후, 2단 박피 후, 최종 배출된 밤의 중량감모율을 예측하는 머신러닝 모델의 성능을 평가하기 위하여 결정계수(coefficient of determination, R), nRMSE, 평균 절대오차(mean absolute error, MAE) 값을 계산하였으며, 이에 대한 수식은 각각 계산식 (1), (2), (3)과 같다. R은 예측값이 실측값을 얼마나 잘 설명하는지를 나타내는 지표로, 1에 가까울수록 모델이 데이터를 잘 설명하는 것을 나타낸다. nRMSE는 예측 오차의 크기를 측정하며, 값이 작을수록 모델의 예측이 정확함을 의미한다. MAE는 예측 오차의 크기를 측정하며, RMSE 대비 이상치에 덜 민감하다.

제안한 머신러닝 모델의 성능을 평가하기 위하여 k-fold cross validation 기법을 적용하였으며, 이 때 k값은 5로 설정하였다.

\(\begin{align}R=\frac{\sum_{i=1}^{N}\left(y_{i}-\bar{y}_{i}\right)\left(y_{i}^{*}-\overline{y_{i}^{*}}\right)}{\sqrt{\sum_{i=1}^{N}\left(y_{i}-\bar{y}_{i}\right)^{2}\left(y_{i}^{*}-\overline{y_{i}^{*}}\right)^{2}}}\end{align}\)       (1)

y_i : 실측값

\(\begin{align}\bar {y_i}\end{align}\) : 예측값

\(\begin{align}\bar y\end{align}\) : 실제값의 평균

N : 데이터의 수

\(\begin{align}\mathrm{nRMSE}=\sqrt{\frac{1}{\mathrm{~N}} \sum_{\mathrm{i}=1}^{\mathrm{N}}}\left(\mathrm{y}_{\mathrm{i}}-\mathrm{y}_{\mathrm{i}}^{*}\right)^{2}\end{align}\)       (2)

y_i : 실측값

y^*_i : 예측값

N : 데이터의 수

\(\begin{align}\operatorname{MAE}(\%)=\frac{\text { WLpredict }- \text { WL reference }}{\text { WLreference }}\end{align}\)       (3)

WL : weight loss rate

3. 결과

본 연구에서는 2단 칼날박피기의 제어 조건에 따라 박피 공정 단계별 발생하는 밤의 중량감모율을 예측할 수 있는 머신러닝 모델을 개발하였다. 박피기로부터 1단 박피 후, 2단 박피 후, 최종 배출 후에 대한 밤 중량감모율 예측 모델 결과는 다음과 같다.

3.1 칼날박피기의 단별 중량감모율 예측 모델

1단 박피 후, 2단 박피 후, 최종 배출 후의 밤의 중량감모율을 예측 시 R값 결과는 표 1과 같다. 1단 박피 후, 2단 박피 후 그리고 최종 배출 후의 ANN 모델을 이용해 도출된 R값은 각각 0.94, 0.80 그리고 0.95로 나타났다. 또한 RF를 활용한 모델의 경우 R값이 각각 0.97, 0.98 그리고 0.99로 나타나, ANN 모델보다 RF 모델의 R값이 더 높은 것으로 나타났다.

표 1. 인공신경망과 랜덤 포레스트를 이용해 도출된 1단 박피, 2단 박피, 최종 배출한 밤 중량감모율 예측 R값

Table 1. R values from predicting chestnut weight loss rate after 1st peeling, 2nd peeling, and final discharge using an artificial neural network(ANN) and random forest(RF)

또한, ANN과 RF 머신러닝 모델을 적용하여 1단 박피 후, 2단 박피 후, 최종 배출 후의 중량감모율을 예측하였을 때 nRMSE값은 표 2와 같다. 1단 박피 후, 2단 박피 후, 최종 배출 후에 대한 ANN의 nRMSE값은 각각 0.32, 0.59, 0.31로 나타났으며, RF 모델의 경우 0.24, 0.24, 0.05로 나타났다. 즉, RF가 ANN보다 더 낮은 nRMSE값을 보여, RF가 모든 박피 공정단계에서 중량감모율 예측 오차가 더 낮은 것으로 나타났다.

표 2. 인공신경망과 랜덤 포레스트를 이용해 도출된 1단 박피, 2단 박피, 최종 배출한 밤 중량감모율 예측 nRMSE값

Table 2. nRMSE values from predicting chestnut weight loss rate after 1st peeling, 2nd peeling, and final discharge using an artificial neural network(ANN) and random forest(RF)

표 3에서 나타난 바와 같이 ANN과 RF 머신러닝 모델을 적용하여 1단 박피, 2단 박피, 최종 배출 후 중량감모율을 예측하였을 때, ANN의 MAE값이 각각 5.43, 4.41, 8.24으로 나타났다. 반면, RF의 MAE 값은 1.96, 0.29, 0.44으로 나타나 RF가 ANN보다 더 낮은 MAE값을 가지는 것으로 나타났다. 즉, MAE값 또한 RF가 더 낮은 예측 오차를 가지는 것으로 나타났다.

표 3. 인공신경망과 랜덤 포레스트를 이용해 도출된 1단 박피, 2단 박피, 최종 배출한 밤 중량감모율 예측 MAE값

Table 3. MAE values from predicting chestnut weight loss rate after 1st peeling, 2nd peeling, and final discharge using an artificial neural network(ANN) and random forest(RF)

결과적으로 ANN보다 RF의 R값이 더 높고, nRMSE와 MAE값이 더 낮은 것으로 나타나 밤 중량감모율 예측 모델에 더 적합한 것으로 나타났다. 이에 따라 최종 선정된 RF 머신러닝 모델을 이용하여 밤 박피 공정(1단 박피, 2단 박피, 최종 배출)에 따른 밤 중량감모율의 계측값과 예측값을 비교해 보았으며, 그 결과는 그림 5와 같다. 실제로 계측된 중량감모율과 예측한 중량감모율의 오차가 미미함을 확인하였다.

그림 5. 랜덤 포레스트 머신러닝 모델을 활용한 밤 박피 공정 단계별 중량감모율의 대표 예측 결과

Fig. 5. Representative results of predicting chestnut weight loss rate after 1st peeling, 2nd peeling, and final discharge using a random forest(RF) model

추가적으로, 51가지 제어조건에서 도출된 중량감모율을 분석한 결과 1단 중량감모율의 경우 2단 칼판 속도 6, 1단 박피 시간 10, 2단 박피 시간 15, 1단 칼날 개수 4, 2단 칼날 개수 2개로 설정하였을 때 가장 낮은 감모율을 보였으며, 2단 칼판 속도 6, 1단 박피 시간 30, 2단 박피 시간 25, 1단 칼날 개수 4, 2단 칼날 개수 4개로 설정하였을 때 가장 높은 감모율을 나타냈다. 이러한 결과를 바탕으로 박피 시간이 감모율에 높은 영향을 미친 것으로 사료된다.

4. 결론

본 연구에서는 국산 밤 박피 시 가장 많이 사용하는 칼날식 박피 장비를 이용하여 밤 과육의 수율을 증가시키기 위한 기초 연구로, 박피 공정단계에 따라 ANN 모델과 RF 모델에 베이지안 최적화를 적용하여 중량감모율을 예측할 수 있는 모델을 개발하여 제안하는 연구를 수행하였다.

2단 칼날박피기의 제어조건(2단 칼판 속도, 1단 박피 시간, 2단 박피 시간, 1단 칼날 개수, 2단 칼날 개수)을 바탕으로 총 51가지의 박피조건을 3번 반복하여 수행하였다. 공정단계(1단 박피 후, 2단 박피 후, 최종 배출 후)별 밤의 중량감모율을 도출하여, ANN과 RF를 이용하여 예측 모델을 도출하였다. R, nRMSE, MAE값을 산출하여 각 모델의 성능을 평가한 결과, 모든 박피 공정 단계에서 가장 성능이 우수했던 RF를 이용하여 개발된 밤의 중량감모율 예측 모델을 최종적으로 도출하였다. 즉, 전 박피 단계에서 ANN보다 RF의 R값은 평균적으로 약 1.10배 향상 되어 예측 정확도가 더 높았고, nRMSE과 MAE 값은 평균 약 0.44, 0.16배 감소하여 예측 오차가 더 적은 것으로 확인되었다.

총 3가지의 공정 단계별(1단 박피 후, 2단 박피 후, 최종 배출 후)로 최종적으로 선정한 RF 예측 모델의 계측값과 예측값을 비교했을 때, R값이 0.97~0.99의 범위로 나타나 예측률이 매우 높은 것으로 나타났다. 이러한 머신 러닝 모델을 활용하여 중량감모율 예측 성능이 높게 나타남에 따라 밤 박피/탈피 공정에서 실시간 중량감모율을 예측하여 목표치보다 낮은 수치를 예측하는 경우 박피장치의 제어조건을 변경하는 피드백 제어에 활용될수 있을 것으로 사료된다.

추가적으로, 2단 박피 후와 최종 배출된 밤 중량 감모율의 예측 오차는 1단 박피 후보다 높게 나타났다. 이는 투입된 밤이 공정 중 장비 배출부 또는 칼날 사이에 끼임 현상이 발생하여, 박피 공정 단계가 넘어갈수록 더 큰 오차를 발생시킨 것으로 생각된다(그림 6). 이에 따라 모델의 불완전성을 개선하여 예측의 적합도를 높이기 위해 더 많은 데이터의 확보와 동시에 칼날박피 공정 중 발생하는 손실률을 저하할 수 있는 공정개선할 수 있는 추가 연구가 필요하다고 사료된다.

그림 6. 2단 칼날박피기 배출부에 밤의 끼임 현상으로 기인한 절대적인 밤 중량값에 대한 오차 발생

Fig. 6. Error occurrence in chestnut weight value due to chestnuts stuck in the discharge of a two-stage knife peeling machine

결과적으로, 본 연구를 통해 도출된 국산 밤의 칼날식 박피공정에 따른 머신러닝 기반 중량감모율 예측 모델은 밤 과육의 낮은 생산 효율성을 극복할 수 있는 기반 연구로, 밤 과육의 중량감모율을 최소화하는 동시에 최대 박피율을 도출할 수 있는 최적 박피 공정의 구동 조건을 설정하는 데 활용될 수 있을 것으로 생각된다.