Quality Estimation of Onions during Storage Periods using Machine Learning Techniques

Abstract

Onions are a major vegetable in Korea. Long-term storage is therefore required to accommodate the demand throughout the year. Hence, storage needs to be considered carefully to extend the shelf life of onions. Temperature and relative humidity in storage plays a significant role in changing the quality of the onions, so temperature and humidity control during storage should be done to maintain the quality of the onions. Mechanical properties, weight loss, and respiration rate were chosen as the quality attributes of onions observed for quality changes during storage. In addition, developing a prediction model for changes in the quality of onions using machine learning needs to be carried out considering previous research, which is limited and only uses chemical kinetic models to predict changes in the quality of onions in storage. In this study, we stored onion at 0-1°C, collected the environmental data, and did weekly destructive measurements for 10 weeks of storage periods from March to June 2022. We measured Bio-yield stress using a compression test, respiration rate, and weight loss based on a weight scale sensor installed inside the chamber. Based on the data collection, we constructed three machine learning models to make a quality estimation model for onion bio-yield strength and weight loss using environment data – time, temperature, and relative humidity. We used two datasets for bio-yield stress data with 100 data of 10 weeks measurement and 127 data of the augmentation dataset using polynomial interpolation degree 2. The machine learning technique used in this study were multiple linear regression (MLR), partial square-least regression (PLSR), and support vector regression(SVR). The data were divided into train and test datasets in a ratio of 80:20 with 10-fold cross-validation on the training dataset. Then the regression models were evaluated by coefficient determination (R2), root mean square regression error (RMSE), and mean absolute percentage error (MAPE). From our study, the bio-yield stress decreased along with time, but the weight loss showed an increasing trend, for the respiration rate shows a relatively same trend since onion is a non-climacteric type. Furthermore, for the quality estimation model, we reported that the SVR and MLR models could be used to predict the quality attributes of onions during storage with R2 values of >0.8 for bio-yield stress and R2 >0.99 for weight loss parameters.

양파는 한국의 주요 채소이다. 따라서 연중 꾸준히 발생하는 수요를 수용하 기 위해서는 장기 보관이 필요하다. 그러므로, 양파의 저장 수명을 늘리기 위 해서는 양파를 저장하는 방법에 유의해야 한다. 보관 중 온도와 상대습도는 양파의 품질을 변화시키는 중요한 역할을 하므로 온도와 습도 조절은 양파의 품질을 유지하기 위해 반드시 이루어져야 한다. 기계적 특성과 호흡 속도는 저장 기간 동안 관찰되는 양파의 주요 품질 특성으로 선택되었다. 또한 기존 의 연구들이 저장된 양파의 품질 변화를 예측하기 위해 화학 역학을 기반으 로 하는 모델만 사용했다는 점을 고려할 때, 기계학습을 활용하여 예측모델 을개발하는방법은충분히고려될만하다. 본 연구에서는 2022년 3월부터 6월까지 10주간의 저장 기간 동안 양파를 0- 1°C로 저장하면서 30분마다 환경 데이터를 수집하였으며, 매주 1회 파괴 실험을 수행하였다. 저장고 내부에 설치된 센서에서 수집된 생체중 데이터와 환 경 데이터(시간, 온도, 상대습도)를 이용하여 양파의 생물체 항복 강도 및 생 체중 감소에 대한 예측 모델을 생성하기 위해 3가지 기계학습 기법을 사용하 였다. 결과적으로 생물체 항복 강도 데이터 100개와 2차 다항식 보간법을 사 용한 127개의 환경 데이터가 모델 개발에 사용되었다. 본 연구에서 사용된 기 계 학습 기법은 다중 선형 회귀(MLR), 부분 제곱 최소 회귀(PLSR), 서포트 벡 터 머신(SVR)이다. 데이터는 80:20의 비율로 트레이닝세트와 테스트세트로 나뉘었고, 트레이닝 세트의 학습 과정에서 10배 교차 검증이 수행되었다. 회 귀 모델의 평가 기준으로는 결정 계수(R2), 평균 제곱근 오차(RMSE) 및 평균 절대 백분율 오차(MAPE)를 사용하였다. 데이터 수집 결과 양파의 생물체 항복 강도는 시간이 지날수록 감소하였으며 비급등형 호흡을 하는 양파의 특성상 호흡수는 시간에 관계없이 유지되는 경 향을 보였기 때문에 생체중은 선형적으로 감소하였다. 기계학습 모델 개발 결 과, MVR 및 SLR 모델을 사용하여 저장 중 양파의 품질 특성을 예측할 수 있 었으며, 생물체 항복 강도를 예측한 결과의 경우 R2 값이 >0.8, 생체중 감소량 예측모델은 R2>0.99의결과를얻었다.