GIST 이영주 박사후연구원이 주목받은 이유는 빛과 인공지능으로 육류의 신선도를 분류하는 연구입니다. 광주과학기술원은 2026년 10월 16일 그의 세계식육과학기술학회 ‘젊은 과학자상’ 수상 소식을 공개했습니다. 핵심은 고기를 손상시키지 않고 품질 변화를 살펴보려는 시도입니다. 다만 이번 발표가 가정용 판별기 출시나 모든 식품의 안전을 보증하는 기술의 완성을 뜻하지는 않습니다.
1. 이영주 연구원은 누구이며 무엇으로 상을 받았을까
GIST 발표에 따르면 이영주 연구원은 지스트 이노코어 연구단 소속 박사후연구원입니다. AI학과 김만수 교수, 의생명공학과 김재관 교수 등과 함께 연구했습니다. 한 사람의 수상 소식이지만, 서로 다른 분야의 연구자가 협력한 성과라는 점도 함께 볼 필요가 있습니다.
그가 성과를 발표한 행사는 제72회 세계식육과학기술학회, 영어 약칭으로 ICoMST 2026입니다. 대회는 2026년 8월 9일부터 14일까지 대전에서 열렸습니다. 따라서 10월 16일은 기관이 소식을 알린 날짜이고, 수상과 연구 발표가 이루어진 학술대회의 시기는 8월입니다. 뉴스 날짜와 행사 날짜를 구분해야 두 달 전 행사를 방금 열린 행사로 오해하지 않습니다.
이 소식에서 눈여겨볼 대목은 이름보다 질문입니다. 육류의 변화를 어떻게 반복해서 측정할지, 검사 자료가 충분하지 않을 때 인공지능을 어떻게 학습시킬지 고민했다는 점입니다. 연구자의 성장을 살피는 인물 기사도 이런 질문을 중심에 놓으면 수상 경력을 나열하는 데서 한 걸음 더 나아갈 수 있습니다.
2. 빛으로 신선도를 읽는다는 말의 뜻
연구진은 육류에 반사된 빛의 특성을 AI로 분석해 미생물 수준에 따른 신선도를 분류했습니다. 여기서 ‘분류’란 측정 정보를 바탕으로 정해진 범주를 나누는 일입니다. 빛을 비추기만 하면 모든 미생물의 종류와 위험성을 직접 알아낸다는 뜻은 아닙니다.
쉬운 비유로 이해하면, 겉모습을 감으로 판단하는 대신 측정된 빛의 정보를 비교 자료로 사용하는 접근입니다. 다만 이 비유를 ‘눈으로 색을 보면 같은 결과를 얻을 수 있다’는 의미로 받아들이면 안 됩니다. 연구용 측정과 일상적인 관찰은 서로 다른 과정입니다.
자료에는 육류 색과 관련된 단백질인 미오글로빈의 상태 변화도 등장합니다. 연구팀은 그 변화와 미생물 수 증가의 관계를 살폈습니다. 중요한 것은 AI가 결과를 내놓는 것에 그치지 않고, 판단에 사용한 정보가 실제 물질의 변화와 연결되는지 검토했다는 점입니다.
이런 설명은 AI 뉴스를 읽을 때도 도움이 됩니다. ‘AI가 알아냈다’는 문장 다음에 무엇을 측정했는지, 어떤 기준과 비교했는지 물어보면 기술의 범위가 훨씬 선명해집니다. 결과를 보여주는 화면보다 판단의 근거를 확인하는 습관이 중요합니다.
3. 검사 결과가 없는 자료를 함께 쓰는 이유
GIST는 미생물 검사 결과가 있는 데이터와 없는 데이터를 함께 활용했다고 설명합니다. 검사 결과가 없는 자료 가운데 신뢰도가 높은 것을 추가 학습에 사용한 방식입니다. 이는 검증되지 않은 정보를 무조건 정답으로 넣었다는 말과 다릅니다.
이를 독자가 이해하기 위한 예로 바꾸면, 정답이 붙은 연습문제만 사용하는 것이 아니라 확실하게 판단할 수 있는 추가 사례도 공부에 활용하는 모습과 비슷합니다. 그러나 비유가 실제 성능을 증명하지는 않습니다. 어떤 자료를 믿을 만하다고 정했는지, 새로운 시료에서도 잘 작동하는지는 별도로 확인해야 할 질문입니다.
현장에서는 학습할 때 보았던 자료와 다른 상황을 만나기 쉽습니다. 따라서 후속 연구를 읽을 때는 좋은 결과가 나왔다는 설명만 보지 말고 시험한 대상과 조건도 함께 살펴야 합니다. 높은 분류 성능이라는 표현과 모든 환경에서 같은 결과가 나온다는 주장은 구분할 필요가 있습니다.
4. 식품 현장 적용 전 확인할 숫자와 일정
이번 연구가 제시한 방향은 육류를 손상시키지 않고 신선도를 반복 평가하는 것입니다. 생산·유통 현장의 품질 관리로 발전할 가능성이 소개됐지만, 발표문에는 소비자용 제품 출시일이나 판매 가격이 제시되지 않았습니다. 수상 사실과 현장 도입 완료를 같은 말로 쓰지 않는 것이 정확합니다.
식품을 다루는 독자에게 이 소식은 관리 도구의 발전을 살펴볼 기회입니다. 동시에 연구 대상이 육류이므로 떡이나 다른 식품에도 같은 방법이 그대로 통한다고 확대해서는 안 됩니다. 재료와 측정 목적이 달라지면 별도의 검증이 필요하다는 관점에서 읽어야 합니다.
앞으로 확인할 숫자는 시험 시료 수, 별도 검증 자료에서의 분류 정확도와 오분류 비율, 측정에 걸리는 시간입니다. 이번 발표만으로 이 값들을 채울 수 없어 임의의 수치를 넣지 않았습니다. 확인할 일정은 후속 논문과 실제 현장 시험 결과의 공개 시점입니다. 상용화 일정은 아직 제시되지 않았으며, 다음 발표에서는 기대가 구체적인 조건과 결과로 이어졌는지 살펴볼 필요가 있습니다.
1. 공개 논문에서 확인한 이영주 연구원의 연구 성과
GIST 이영주 박사후연구원의 육류 신선도 연구는 실제 국제학술지에 발표된 논문을 통해 확인할 수 있습니다.
대표적인 연구는 2021년 국제학술지 *Food Chemistry*에 게재된 논문입니다.
논문명
Rapid and non-destructive spectroscopic method for classifying beef freshness using a deep spectral network fused with myoglobin information
발표: 2021년 · Food Chemistry, Vol. 352, 129329
저자: Sungho Shin, Youngjoo Lee 외 공동연구진 (신성호·이영주 공동 제1저자)
논문 원문 보기 · GIST 공개 논문 PDF
이 연구에서는 쇠고기 78개 시료를 대상으로 17일간 측정한 반사 스펙트럼을 분석했습니다. 연구진은 480~920nm 파장 범위의 빛을 이용하고, pH값을 기준으로 시료를 세 가지 신선도 등급으로 구분했습니다.
연구의 핵심은 빛의 반사 정보에 미오글로빈 정보를 결합해 인공지능의 분류 성능을 높였다는 점입니다.
GIST Scholar
+1
또한 GIST 학술정보에 공개된 이영주 연구원의 박사학위 논문에서는 쇠고기의 신선도뿐 아니라 진위 판별, 확산반사분광법, 합성곱신경망(CNN) 등을 폭넓게 다루고 있습니다.
GIST Scholar
2. 빛과 AI로 육류 신선도를 측정하는 원리
이번 연구에서 사용한 핵심 기술은 확산반사분광법(Diffuse Reflectance Spectroscopy, DRS)입니다.
쉽게 설명하면 쇠고기에 빛을 비춘 다음, 고기에서 반사되어 나오는 빛의 특성을 측정하는 방식입니다.
고기의 성분과 상태에 따라 특정 파장의 빛이 흡수되거나 산란되는 정도가 달라지는데, 연구진은 이러한 차이를 데이터로 분석했습니다.
육류 신선도 측정 원리 도식
2021년 공개 논문의 측정 과정을 이해하기 쉽게 재구성한 개념도. 등급 1~3은 pH 기준의 세 분류를 나타내며, 실제 상품의 안전 등급을 뜻하지 않습니다.
특히 미오글로빈은 고기의 색깔을 결정하는 데 중요한 단백질입니다. 산소와 결합하거나 산화되는 상태에 따라 형태가 달라지고, 이러한 변화가 빛의 반사 특성에 영향을 줄 수 있습니다.
연구진은 스펙트럼을 분석하는 딥러닝 모델에 미오글로빈 정보를 결합해 분류 정확도를 높였습니다.
GIST Scholar
+1
3. 실제 논문에서 확인한 신선도 분류 정확도
2021년 논문에 보고된 모델 정확도 비교
출처: Food Chemistry (2021). 연구 조건 내 성능이며 현장 보장 정확도는 아님.
분류 정확도 향상
+8.3%p
ROC 곡선 아래 면적(AUC)
0.958
연구 결과를 보면 반사 스펙트럼만 사용한 모델의 정확도는 83.6%였지만, 미오글로빈 정보를 결합한 모델은 91.9%를 기록했습니다.
이는 단순한 광학 신호뿐 아니라 육류의 생화학적 특성을 함께 분석하면 신선도 분류 성능을 개선할 수 있음을 보여줍니다.
다만 91.9%는 해당 연구에서 설정한 시료와 실험 조건에 따른 결과입니다. 모든 종류의 고기나 실제 정육점 환경에서 동일한 정확도가 나온다는 의미는 아닙니다.
ScienceDirect
4. 기술의 한계와 앞으로 해결해야 할 과제
빛과 AI를 이용한 신선도 분류 기술은 여러 장점이 있지만, 실제 식품 산업에 널리 적용하려면 해결해야 할 과제도 남아 있습니다.
| 기술적 한계 | 구체적인 설명 |
|---|---|
| 실험 시료의 제한 | 78개 쇠고기 시료를 기반으로 한 결과이므로 다양한 품종·부위에 대한 추가 검증 필요 |
| 보관 환경 차이 | 온도, 습도, 포장 방식, 조명 등 다양한 조건에서 성능 확인 필요 |
| 미생물 안전성 | 신선도 분류만으로 식중독균이나 유해물질의 존재 여부를 확정할 수 없음 |
| AI 모델의 일반화 | 학습에 사용하지 않은 육류나 다른 측정 장비에서도 성능이 유지되는지 확인 필요 |
| 상용화 문제 | 측정 장비의 비용, 검사 속도, 보정 및 유지관리 등의 검토 필요 |
GIST의 과거 연구 발표에서는 물의 영향을 상대적으로 적게 받는 파장대를 선택해 온도와 습도 등 주변 환경의 영향을 줄이려는 접근도 설명했습니다.
그러나 실험 환경에서 영향을 줄였다는 사실만으로 모든 유통 현장에 적용할 수 있다고 단정할 수는 없습니다.
GIST
무엇보다 중요한 점은 신선도와 안전성을 구분하는 것입니다.
예를 들어 AI가 어떤 쇠고기를 상대적으로 신선한 상태로 분류하더라도, 그 결과만으로 세균 검사가 완료되었다고 판단해서는 안 됩니다.
육류의 안전성은 미생물 검사, 보관 온도, 유통 이력, 위생 상태 등을 종합적으로 고려해야 합니다.
따라서 이 기술은 기존의 식품 안전 관리 체계를 완전히 대체하기보다는 품질 검사를 빠르고 효율적으로 수행하도록 돕는 보조 기술로 이해하는 것이 적절합니다.
5. 젊은 과학자상과 앞으로의 연구 방향
GIST는 2026년 10월 16일 이영주 박사후연구원의 세계식육과학기술학회 젊은 과학자상 수상 소식을 공식 발표했습니다.
ipa.gist.ac.kr
이번 수상은 오랜 기간 진행해 온 광학 측정과 인공지능 기반 육류 품질 평가 연구가 국제학술 무대에서 주목받았다는 의미가 있습니다.
앞으로 연구가 발전하기 위해서는 실험 시료를 확대하고, 다양한 고기와 저장 조건에서 기술의 재현성을 확인하는 과정이 필요할 것입니다.
또한 측정 장비를 소형화하거나 생산·유통 현장에서 사용할 수 있는 검사 시스템으로 발전시키는 방향도 생각해 볼 수 있습니다. 이는 향후 활용 가능성에 관한 전망이며, 현재 상용화가 완료되었다는 의미는 아닙니다.
마무리｜첨단 과학이 우리의 식탁을 바꾸는 방법
이영주 연구원의 연구가 흥미로운 이유는 우리 주변에서 흔히 접하는 육류에 빛과 인공지능이라는 첨단 기술을 적용했다는 점입니다.
2021년 공개 논문에서 확인된 91.9%의 분류 정확도는 광학 정보와 생화학적 정보를 결합하는 연구의 가능성을 보여줍니다.
하지만 하나의 연구 성과가 모든 현장의 문제를 해결하는 것은 아닙니다. 실제 식품 산업에 적용하기 위해서는 다양한 환경에서 반복 검증하고, 안전성 평가와의 관계도 명확하게 정리해야 합니다.
앞으로 이러한 기술이 충분한 검증을 거쳐 발전한다면 소비자에게 더욱 신뢰할 수 있는 식품 품질 정보를 제공하는 데 기여할 수 있을 것입니다.
확인한 주요 연구자료
- GIST: https://www.gist.ac.kr/kr/html/sub07/070104.html?mode=V&no=224200
- ICoMST 행사: https://www.icomst2026.com/about/overview.ph