Engineering Better Espresso (더 나은 에스프레소를 위한 공학적 접근) 저자 ‘로버트 알로에’의 도움을 받아 제공되는 콘텐츠입니다. 디자인커피 블로그를 통해 저자의 200개 넘는 글 중 최신 이슈를 반영하여 번역하고 있습니다.
3줄 요약 : 그라인더의 성능 평가에 활용되는 입자 분석과 해석에는 주관성이 존재한다.
커피 입자 모양 분석에는 선형 바이너리 패턴과 K-평균 클러스터링이 사용됩니다. K-평균 클러스터링이 가장 적합하며, 입자의 모양 다양성을 고려하여 분포를 파악하고 그라인더의 성능을 평가하는데 유용합니다. 단, 클러스터 수 선택과 결과 해석 주관성이 있을 수 있습니다.
커피의 모양 : 패턴 인식을 이용한 입자 분석
커피를 만들려면 그라인딩이 필요한데, 어떤 그라인더가 가장 좋을까요? 잘 모르겠지만 제가 본 커피 그라인더의 분포에 관한 데이터는 꽤 많이 있습니다. 어떤 그라인더는 단순히 그라인더의 분포가 촘촘하기 때문에 다른 그라인더보다 더 좋다고 하는데, 분포만 고려해야 할까요?
저는 필터 구멍을 분석하는 코드를 작성했기 때문에 처음에 입자 크기를 조사했습니다. 동일한 처리를 사용할 수 있었지만 두 가지 주요한 어려움을 발견했습니다:
1.
바닥이 닿지 않은 곳의 이미지를 얻는 것이 어려웠습니다.
2.
이 기술은 100um의 경우 1픽셀까지만 해상도가 가능했기 때문에 미세한 입자를 더 잘 파악하기가 어려웠습니다.
게다가 입자는 원이 아니었습니다. 다른 실험을 진행 중이었기 때문에 크게 생각하지 않았지만 1년 후 현미경을 구입했습니다. 알고 보니 대부분의 입자는 원형이 아니었습니다. 정사각형도 아니죠. 그렇다면 이를 어떻게 이해할 수 있을까요? 입자의 크기는 어떻게 결정할까요? 반경은 잘 이해가 되지 않지만 면적은 이해할 수 있습니다.
입자의 크기를 면적으로 측정하면 크기 분포가 매우 비슷한 두 개의 그라인더를 컵에 넣어도 결과가 달라질 수 있을까요? 저는 이 질문으로 고민하다가 커피 입자를 이해하기 위해 패턴 인식으로 눈을 돌렸습니다.
이 작업에서는 간단한 전처리를 한 다음 몇 가지 표준 패턴 인식 기술을 적용합니다. 각 입자에 대해 크기와 회전이 불변인 선형 이진 패턴(LBP) 특징을 만듭니다. 그런 다음 K-평균 클러스터링을 적용하여 입자의 유형을 결정합니다.
이것이 파티클 그라인드를 이해하는 또 다른 방법이 될지는 모르겠지만 앞으로 다음 테스트를 위해 실험해 볼 계획입니다:
1.
그라인드 설정
2.
체로 쳐진 그라인드
3.
그라인더 비교
4.
촬영 전과 촬영 후 그라운드 모양 비교
초기 처리
흰 종이나 아이패드 화면에 커피를 올려놓습니다. 그런 다음 사진을 찍습니다. 이 작업에서는 스케일에 대해 걱정하지 않지만 나중에 비교적 쉽게 통합할 수 있습니다. 여기서 핵심은 처리입니다. 그런 다음 이미지를 반전시키고 각 픽셀에 대해 RGB의 곱을 취합니다. 간단한 임계값을 적용한 후 이 이미지를 얻습니다:
다음은 클로즈업 이미지입니다. 이 이미지에서도 다양한 입자 모양을 확인할 수 있습니다.
처음에는 주축 대 보조축과 같은 몇 가지 메트릭을 살펴봤습니다. 그 모양이 타원이라고 가정했습니다. 확실히 분포가 있었고, 선형적으로 연관되어 있지는 않았습니다. 저는 이것이 다양한 파티클 모양을 나타내는 것이라고 생각합니다.
그런 다음 주축과 보조축의 비율과 면적을 비교했습니다. 다시 말하지만, 스프레드가 있으며 구멍 면적에 따라 다릅니다.
모양 분석을 위한 패턴 인식
커피 입자는 원형이 아닙니다. 분쇄 설정이나 그라인더에 따라 나오는 입자의 모양이 달라질까요? 다양한 모양을 어떻게 이해할 수 있을까요?
선형 바이너리 패턴
한 가지 기법은 선형 이진 패턴을 사용하는 것입니다. 픽셀마다 간단한 패턴을 적용하여 주변 픽셀과 중심 픽셀을 간단한 방정식(픽셀 > 중심 픽셀)으로 비교하여 아래와 같은 코드를 생성하는 것입니다. 가능한 패턴은 2⁸(256개)이지만, 중심 픽셀을 중심으로 회전하는 것을 고려하면 고유 패턴은 59개에 불과합니다. 최종 특징은 이미지에서 각 범주에 속하는 픽셀의 비율을 59개 요소로 나타낸 것입니다.
K-평균 클러스터링
그런 다음 K-평균 클러스터링을 적용하여 다양한 유형의 도형이 어떻게 범주화되는지 확인할 수 있습니다. K-평균 클러스터링은 K-노드(이 경우 16개)를 설정하고 모든 피처를 가장 가까운 노드로 그룹화하는 과정을 포함합니다. 그런 다음 알고리즘은 데이터를 가장 잘 분리할 수 있도록 노드와 그룹을 반복적으로 조정합니다.
클러스터 수를 선택하는 것은 과학이라기보다는 예술에 가깝습니다. 사용하는 주요 지표는 클러스터 내 제곱합(WSS)이며, 클러스터 수를 늘릴수록 반환값이 감소하는 지점(이 경우 16개 클러스터)이 있습니다.
이제 글로벌 뷰에서 여러 클러스터의 파티클 영역을 비교한 다음 각 홀 영역에 걸쳐 정규화할 수 있습니다.
분포와 입자 크기를 보는 새로운 방법이라는 것만 알 수 있을 뿐, 이 그래프가 무엇을 말하는지는 잘 모르겠습니다. 멋진 그래프지만 결국 이 그래프가 우리에게 무엇을 알려줄 수 있을까요? 이 정보를 통해 좋은 그라인더를 더 잘 구분할 수 있을까요?
온라인에서 다른 사람들의 입자 분포를 꽤 많이 보았지만, 그 정보만 가지고 최고, 꽤 좋음, 좋음, 나쁨, 최악을 구분하는 방법은 명확하지 않았습니다. 그라인더가 좋지 않다고 말할 수는 있지만 뭔가 빠진 것 같은 느낌이 듭니다. 제 경험에 따르면 200달러짜리 Rok 그라인더는 몇 천 달러짜리 그라인더에 비해 훌륭한 그라인더라고 할 수는 없지만 훌륭한 에스프레소를 만들어냅니다. 커뮤니티가 객관적인 지표를 찾아서 사람들이 그라인더에 몇 천 달러를 더 쉽게 투자할 수 있게 되기를 바랍니다.
Robert McKeon Aloe
나는 와이프와 자식들, 에스프레소, 데이터 사이언스, 토마토, 요리, 엔지니어링, 수다 떨기, 가족, 파리, 이탈리아를 좋아한다(좋아하는 순서대로 나열한 건 아니다).
번역, 편집 : DSGNCOF_NEWS (@designcoffee_com)
