[논문]LCD 결함 검출 성능 개선을 위한 대표점 기반의 영역 탐색을 이용한 적응적 이진화 기법

김진욱; 고윤호; 이시웅

doi:10.5392/jkca.2016.16.07.689

LCD 결함 검출 성능 개선을 위한 대표점 기반의 영역 탐색을 이용한 적응적 이진화 기법
Adaptive Thresholding Method Using Zone Searching Based on Representative Points for Improving the Performance of LCD Defect Detection 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.16 no.7, 2016년, pp.689 - 699

김진욱 (충남대학교 메카트로닉스공학과) , 고윤호 (충남대학교 메카트로닉스공학과) , 이시웅 (한밭대학교 정보통신공학과)

초록
AI-Helper

LCD 수요 증가에 따라 LCD 생산 효율성 개선을 위한 검사장비의 중요성이 지속적으로 부각되고 있다. 패턴 검사기는 라인 스캔 카메라와 같은 광학 장비를 통해 미세한 패턴 결함을 빠른 속도로 검출하는 장비이다. 이러한 패턴 검사기는 실시간 검사를 위해 패턴 내에서 단일 기준값을 사용하여 픽셀 단위의 결함 여부를 판단하고 있다. 하지만 패턴 내 각 영역별 특징을 반영하여 서로 다른 기준값을 적용하는 적응적 이진화를 이용하는 경우 결함 검출 성능을 크게 향상시킬 수 있다. 이러한 적응적 이진화를 적용하기 위해서는 특정 검사 대상 픽셀이 어떠한 영역에 속하는지에 대한 정보를 필요로 한다. 이를 위해 본 논문에서는 각각의 검사 대상 픽셀이 어떠한 영역에 속하는지를 판단하는 영역 매칭 알고리즘을 제안한다. 제안된 알고리즘은 머신 비전의 실시간성을 고려한 패턴 정합에 기반을 둔 알고리즘으로 실제 시스템에 적용될 수 있도록 GPGPU를 이용하여 구현된다. 모의실험을 통해 제안된 방법이 실제 시스템이 요구하는 처리 속도를 만족시킬 수 있을 뿐만 아니라 결함 검출의 성능을 개선할 수 있음을 보인다.

Abstract ▼ AI-Helper

As the demand for LCD increases, the importance of inspection equipment for improving the efficiency of LCD production is continuously emphasized. The pattern inspection apparatus is one that detects minute defects of pattern quickly using optical equipment such as line scan camera. This pattern inspection apparatus makes a decision on whether a pixel is a defect or not using a single threshold value in order to meet constraint of real time inspection. However, a method that uses an adaptive thresholding scheme with different threshold values according to characteristics of each region in a pattern can greatly improve the performance of defect detection. To apply this adaptive thresholding scheme it has to be known that a certain pixel to be inspected belongs to which region. Therefore, this paper proposes a region matching algorithm that recognizes the region of each pixel to be inspected. The proposed algorithm is based on the pattern matching scheme with the consideration of real time constraint of machine vision and implemented through GPGPU in order to be applied to a practical system. Simulation results show that the proposed method not only satisfies the requirement for processing time of practical system but also improves the performance of defect detection.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

하지만 모든 화소에 블록 정합 알고리즘을 수행하는 것은 머신 비전에서 수용하기 어려운 방대한 연산량을 요구한다. 따라서 본 논문에서는 입력 영상의 특징을 이용하여 이러한 블록 정합 알고리즘을 최소로 수행하면서 모든 화소에 대한 영역 구분을 수행하는 방법을 제안한다.
제안하는 방법은 각 픽셀별로 생성된 결함 정도에 대해 영역별 특성을 고려한 적응적 이진화 알고리즘으로 기존의 결함 오검출에 대한 문제를 해결하였다. 본 논문에서는 적응적 이진화를 위해 대표점 기반의 영역 탐색 알고리즘을 고안하여 검사 영상의 각 픽셀이 속하는 영역을 탐색하도록 하여 영역별 이진화를 구현하였다. 각 픽셀의 영역 탐색 알고리즘은 블록 정합 기반의 알고리즘으로 결함 검출 수행 시간을 단축하기 위해 GPGPU를 이용하여 알고리즘을 병렬화 구현하였다.
본 논문은 AOI 장비의 검사부에 사용되는 기존 결함 검출 알고리즘의 문제점을 분석하고 이를 개선한 내용에 관한 것이다. 기존의 방법은 각 픽셀의 결함 가능성을 수치화하고 이를 이진화하여 결함을 검출하는 알고리즘을 사용한다.
본 논문은 기존 결함 검출 알고리즘의 문제점을 적응적 이진화 알고리즘으로 개선하고 GPGPU를 이용하여 이를 고속화한 내용에 관한 것이다. 기존 결함 검출 기법은 각 픽셀별 결함 정도가 수치화된 결함 정도를 단일 기준으로 이진화하는 방법을 통해 결함을 검출한다.
이러한 문제를 해결하기 위하여 본 논문에서는 패턴 정합을 통해 추정한 패턴의 위치를 기반으로 각 픽셀이 속하는 영역을 구분해내는 영역 탐색 알고리즘을 제안한다. 패턴의 위치만 추정해내면 패턴 내 각 화소가 속한 영역은 상대적 위치 관계를 통해 쉽게 파악할 수 있어 각 영역별로 최적화된 기준값을 적용할 수 있다.
한편 이러한 알고리즘이 실제 머신 비전에 활용되기 위해서는 수행시간 측면에서 택트 타임의 요구사항을 만족시켜야 한다. 이에 본 논문에서는 영역 탐색을 위한 대표점 기반의 고속 영역 탐색 기법을 제안하고 이를 GPGPU를 이용하여 효율적으로 구현하는 방안을 제시한다.

가설 설정

하지만 이러한 사행과 기계적 오차는 수 주기의 패턴에 걸쳐 1개 화소 이내의 오차 수준으로 매우 완만하게 발생하는 특징을 가진다. 따라서 1개 화소 이내의 매우 미소한 오차를 포함하는 극히 제한된 크기의 국소 영역을 고려하는 경우 해당 영역을 주기적이라고 가정할 수 있다. 즉 이러한 국소 영역내의 한 화소의 영역을 구분할 수 있다면 주기 정보를 이용한 단순 산술 계산으로 해당 영역에 포함된 전체 화소의 영역을 구분할 수 있다.
이를 통해 대표점에서 가장 가까운 참조 영상의 원점에 해당하는 R(0, 0)의 위치를 구한다. 이때 설정된 국소 영역이 매우 미소한 오차를 포함하는 제한된 크기를 가지고 있기 때문에 해당 국소 영역 내부의 화소들은 주기적이라고 가정할 수 있다. 따라서 구해진 참조 영상의 원점에 해당하는 R(0, 0)의 위치를 중심으로 주기 정보를 이용하여 국소 영역내의 모든 화소에 대한 영역 구분이 가능하다.

제안 방법

본 논문에서는 적응적 이진화를 위해 대표점 기반의 영역 탐색 알고리즘을 고안하여 검사 영상의 각 픽셀이 속하는 영역을 탐색하도록 하여 영역별 이진화를 구현하였다. 각 픽셀의 영역 탐색 알고리즘은 블록 정합 기반의 알고리즘으로 결함 검출 수행 시간을 단축하기 위해 GPGPU를 이용하여 알고리즘을 병렬화 구현하였다. 실험 결과 결함 검출 정확도와 결함 오검출 문제가 개선되었으며 수행 속도 또한 실제 머신 비전에 적용 가능한 수준임을 검증하였다.
결함 판정 시 배경 영역은 결함 검출 대상에서 제외 되며 LINE, COM, CHANNEL 영역에 나타나는 결함에 대해서만 결함 여부를 파악한다. 결함 정도에 대한 각 영역의 결함 검출 기준 값은 LINE 영역이 8, COM 영역은 10, CHANNEL 영역은 6 이다.
본 장에서는 모의실험을 통해 제안 기법의 결함 검출 성능을 평가하고 수행 속도 성능을 분석한다. 구체적으로 결함 검출 성능을 분석하기 위해 다양한 종류의 결함에 대하여 2장에서 설명된 단일 이진화를 이용한 기존 기법과 제안 기법의 결함 검출 성능을 비교분석한다. 이때 패턴 주기 정보만을 이용하여 영역을 구분하고 적응적 이진화를 수행하는 방법과 제안된 기법의 결함 검출 성능을 비교함으로써 제안된 영역 추정 기법의 효율성을 입증한다.
기존 결함 검출 방법은 이러한 특성을 이용하여 검사하고자 하는 대상 픽셀의 밝기값이 이웃하는 대응 픽셀의 밝기값을 함께 고려해 얻은 중간값(median)과 비교해 그 차이가 큰 경우 대상 픽셀을 결함으로 판정한다. 구체적으로 픽셀별 결함 가능성을 수치화한 결함 정도(degree of defect)를 구하고 이를 단일의 기준치를 사용하여 이진화하여 결함을 검출한다. 영상 내 (x, y) 위치에서 그 밝기값이 I(x, y)인 픽셀에 대한 결함 정도 D(x, y)를 구하는 과정은 식 (1)과 같다.
이때 특정 변위에 대해서 참조 영상과 검사 영상을 참조하여 대응하는 픽셀의 차이값을 누적해 SAD를 계산하는 과정은 다른 변위에서 SAD를 계산하는 과정과 독립적이다. 따라서 본 논문에서는 특정 변위에 대해서 SAD를 계산하는 과정을 CUDA 연산 처리 단위 중 하나인 블록 수준에 할당하여 연산을 병렬화한다. [그림 8]은 이러한 병렬화 처리를 도시한 것이다.
하지만 COM 영역의 결함 검출 기준 값은 10이므로 해당 위치를 결함으로 검출하지는 않았다. 반면 단일 이진화를 사용하는 기존 기법은 6 이상의 결함 정도를 결함으로 판단하므로 비결함을 결함으로 오검출하였다.
본 장에서는 모의실험을 통해 제안 기법의 결함 검출 성능을 평가하고 수행 속도 성능을 분석한다. 구체적으로 결함 검출 성능을 분석하기 위해 다양한 종류의 결함에 대하여 2장에서 설명된 단일 이진화를 이용한 기존 기법과 제안 기법의 결함 검출 성능을 비교분석한다.
실험 영상은 결함을 포함하는 총 100 개의 영상으로 결함 검출 성능을 비교하기 위해 미리 알려진 결함의 밝기 특성에 따라 합성하였다. 실험 영상에서 합성된 결함은 실제 결함과 유사한 픽셀 값으로 임의의 위치의 화소 값을 대체하여 생성하였다.
알고리즘의 병렬화 구현을 통한 수행 성능의 개선 정도는 각 알고리즘에 대한 병렬화 전후의 수행 시간을 비교 측정하여 평가한다. 영상 크기의 변화에 따른 수행 시간 변화를 측정하기 위해 크기가 다른 6 종류의 실험 영상을 이용하였다.
영상 크기의 변화에 따른 수행 시간 변화를 측정하기 위해 크기가 다른 6 종류의 실험 영상을 이용하였다. 알고리즘의 수행은 Intel i7-3770K CPU, 4.0 GB RAM, 120G SSD, NVidia Geforce GTX Titan의 하드웨어 환경에서 Microsoft visual studio 2010과 CUDA 5.0을 이용한 MFC 프로그래밍으로 진행하였다.
구체적으로 결함 검출 성능을 분석하기 위해 다양한 종류의 결함에 대하여 2장에서 설명된 단일 이진화를 이용한 기존 기법과 제안 기법의 결함 검출 성능을 비교분석한다. 이때 패턴 주기 정보만을 이용하여 영역을 구분하고 적응적 이진화를 수행하는 방법과 제안된 기법의 결함 검출 성능을 비교함으로써 제안된 영역 추정 기법의 효율성을 입증한다. 한편 수행 속도 분석을 통해 GPGPU를 이용한 제안된 기법의 병렬화 구현이 제안된 기법을 실제 머신 비전에 적용 가능한 수준으로 처리 속도를 개선함을 보인다.
이러한 대표점에 대하여 블록 정합 알고리즘을 통해 대표점에 가장 가까운 참조 영상의 R(0, 0) 위치를 구하여 앞서 설명한 바와 동일하게 주기 정보를 이용하여 해당 국소 영역내의 모든 화소에 대한 영역을 구분한다.
제안된 방법에서는 단일의 기준치에 따라 결함 정도를 이진화하는 기존 방법과는 달리 각 영역별로 영역에 맞는 결함 검출 기준치를 적용하여 최종 결함 여부를 판단한다. 이때 각 영역별 결함 검출 기준치는 각 영역의 특성에 따라 공정관리의 경험적 결과에 따라 제품별로 정해지는 값을 이용하게 된다.
기존의 단일 이진화 방법은 결함의 영역별 특징을 반영하지 못하므로 결함의 오검출과 미검출을 빈번하게 야기한다. 제안하는 방법은 각 픽셀별로 생성된 결함 정도에 대해 영역별 특성을 고려한 적응적 이진화 알고리즘으로 기존의 결함 오검출에 대한 문제를 해결하였다. 본 논문에서는 적응적 이진화를 위해 대표점 기반의 영역 탐색 알고리즘을 고안하여 검사 영상의 각 픽셀이 속하는 영역을 탐색하도록 하여 영역별 이진화를 구현하였다.
여기서, m과 n은 정수이다. 좌측 상단에 위치한 국소 영역의 중심에 초기 대표점을 설정하고 패턴의 한 주기에 해당하는 탐색 범위 S_a를 설정하여 앞서 설명된 블록 정합 알고리즘을 수행한다. 이를 통해 대표점에서 가장 가까운 참조 영상의 원점에 해당하는 R(0, 0)의 위치를 구한다.
[그림 12]에서 패턴 주기를 이용한 영역 추정 방법은 검사 대상 위치가 속하는 영역을 CHANNEL 영역으로 잘못 추정하여 오검출이 발생하였다. 하지만 제안 기법은 COM 영역으로 올바르게 추정하여 비결함으로 올바르게 판단하였다. 반면 기존 기법은 단순히 결함 정도 수치가 6 이상이기 때문에 결함으로 오검출하였다.

대상 데이터

실험 영상은 결함을 포함하는 총 100 개의 영상으로 결함 검출 성능을 비교하기 위해 미리 알려진 결함의 밝기 특성에 따라 합성하였다.
실험에 사용한 영상은 8188 × 17224 크기의 영상으로 89 × 40 크기의 규칙적인 패턴이 나열된 것이다.
알고리즘의 병렬화 구현을 통한 수행 성능의 개선 정도는 각 알고리즘에 대한 병렬화 전후의 수행 시간을 비교 측정하여 평가한다. 영상 크기의 변화에 따른 수행 시간 변화를 측정하기 위해 크기가 다른 6 종류의 실험 영상을 이용하였다. 알고리즘의 수행은 Intel i7-3770K CPU, 4.

이론/모형

SAD 계산 과정에서 대응하는 픽셀 간 차이를 모두 누적하는 과정과 계산된 SAD 중 가장 작은 값의 변위를 탐색하는 과정은 CUDA의 병렬 축소(parallel reduction) 기법을 이용하여 속도를 최적화한다[12]. 여기서 병렬 축소 기법은 병렬 처리 시 메모리 접근을 최소화하기 위한 방법으로 메모리 접근 횟수를 줄여 알고리즘 수행 속도를 개선하는 것이다.

성능/효과

실험 결과 결함 검출 정확도와 결함 오검출 문제가 개선되었으며 수행 속도 또한 실제 머신 비전에 적용 가능한 수준임을 검증하였다.
AOI 검사부 이후에는 일반적으로 리뷰 모듈이 장착되어 있는데, 검사부에서 검출된 예상 결함 위치들을 작업자가 고배율로 확인하여 최종 결함 여부를 판단하고 결함의 종류에 따라 재작업, 폐기, 수리 등의 판정을 수행한다. 따라서 AOI 검사부의 결함 검출 결과의 신뢰성이 높을수록 리뷰 모듈에서 제한된 택트 타임(tact time)내에 정확한 판정을 수행할 수 있어 종합 수율을 상승시킬 수 있다.
각 패턴은 기능에 따라 여러 영역으로 구성되어 있는데 각 영역은 결함 판정에 있어 서로 다른 중요도를 가질 뿐 만 아니라 결함 시 서로 다른 밝기값 특성을 나타낸다. 따라서 각 영역별로 적합한 기준 값을 서로 다르게 적용하는 경우 기존 결함 검출 방법이 보이는 오검출과 미 검출의 단점을 개선할 수 있다. 하지만 이를 위해서는 기존 결함 검출 시간 이내에 검사하고자 하는 픽셀이 어떠한 영역에 속하는지를 탐색할 수 있는 방안이 요구된다.
패턴의 위치만 추정해내면 패턴 내 각 화소가 속한 영역은 상대적 위치 관계를 통해 쉽게 파악할 수 있어 각 영역별로 최적화된 기준값을 적용할 수 있다. 또한 그래픽 처리 장치를 이용해 응용 프로그램의 계산을 수행하는 GPGPU (General - Purpose computing on Graphics Processing Units) 기술을 이용해 제안된 영역 탐색 방법과 영역 적응적 이진화 기법을 구현함으로써 제안된 기법이 실제 검사 장비에 적용될 수 있음을 보인다.
기존 기법은 결함에 대한 검출률은 높지만 영역의 특성을 고려하지 않고 단일의 기준값을 통해 결함을 판단하므로 빈번한 결함의 오검출을 야기한다. 반면 제안된 기법은 결함 검출률이 높을 뿐만 아니라 영역 적응적 이진화를 통해 오검출을 현저히 줄일 수 있다.
[표 2]와 [표 3]은 결함 정도 생성 알고리즘과 영역 탐색 알고리즘의 수행 속도를 병렬화 전과 후로 비교한 것이고 [그림 13]과 [그림 14]는 이를 그래프로 나타낸 것이다. 실험 결과에서 병렬화를 하지 않고 CPU로 처리하는 경우에 비해 GPGPU를 이용하여 알고리즘을 병렬화한 경우의 연산 시간이 모든 검사 영상에서 더 나은 성능을 보인다. 검사 영상의 크기가 커질수록 CPU와 GPGPU 수행 환경 모두에서 알고리즘 수행 시간이 증가하는데 CPU 환경에서 수행한 경우 GPGPU에 비해 검사 영상 크기의 증가에 따른 수행 시간 증가 폭이 상대적으로 크다.
[표 1]은 100개의 결함 영상에 대한 결함 검출 성공률과 결함 오검출 횟수를 정리한 것이다. 제안 기법은 98%의 결함을 올바르게 검출하였다. 반면 기존 기법은 결함 영상에서 91%의 결함을 검출하였다.
[표 4]와 [그림 15]는 기존 기법을 CPU로 처리하는 경우와 제안 기법을 GPGPU로 처리하는 경우의 수행 시간을 영상 크기에 따라 비교한 것이다. 제안 기법이 기존 기법에 비해 많은 연산량이 요구되지만 GPGPU를 이용해 알고리즘을 병렬화함으로써 기존 기법을 CPU로 구동하는 시간과 비교하여 실제 시스템에 응용 가능한 수준으로 수행 시간이 개선되었음을 알 수 있다.
반면 기존 기법은 결함 영상에서 91%의 결함을 검출하였다. 패턴 주기를 이용한 영역 추정 방법은 결함 검출률이 78%로 두 방법에 비해 낮은 결함 검출 성능을 보였다. 이는 검사 대상이 속하는 영역을 바르게 추정하지 못하여 잘못된 기준으로 결함 검출을 수행한 경우가 대부분이다.
미결함에 대해 결함으로 오검출한 경우는 기존의 방법이 30건 이상으로 빈번한 오검출 결과를 보이고 있다. 패턴 주기를 이용한 영역 추정 방법은 기존의 방법보다 다소 나은 15건의 오검출을 보였다. 제안 기법은 해당 검사 영상에서 결함을 오검출하지 않았다.
이때 패턴 주기 정보만을 이용하여 영역을 구분하고 적응적 이진화를 수행하는 방법과 제안된 기법의 결함 검출 성능을 비교함으로써 제안된 영역 추정 기법의 효율성을 입증한다. 한편 수행 속도 분석을 통해 GPGPU를 이용한 제안된 기법의 병렬화 구현이 제안된 기법을 실제 머신 비전에 적용 가능한 수준으로 처리 속도를 개선함을 보인다.

후속연구

특히 검사 영상 크기가 8192 × 10000인 경우 영역 탐색 알고리즘의 병렬화 전 수행 속도는 약 8초로 실시간 결함 검사 시스템에서 사용하기가 불가능하다. 반면 GPGPU 환경에서 수행 시간은 두 알고리즘 모두 0.1초 이내 이기 때문에 제안 된 방법이 GPGPU를 통해 구현된다면 실제 시스템에 적용 가능함을 입증한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	패턴 검사기는 무엇인가?	LCD 수요 증가에 따라 LCD 생산 효율성 개선을 위한 검사장비의 중요성이 지속적으로 부각되고 있다. 패턴 검사기는 라인 스캔 카메라와 같은 광학 장비를 통해 미세한 패턴 결함을 빠른 속도로 검출하는 장비이다. 이러한 패턴 검사기는 실시간 검사를 위해 패턴 내에서 단일 기준값을 사용하여 픽셀 단위의 결함 여부를 판단하고 있다.
	패턴 검사기는 실시간 검사를 위해 무엇을 사용하는가?	패턴 검사기는 라인 스캔 카메라와 같은 광학 장비를 통해 미세한 패턴 결함을 빠른 속도로 검출하는 장비이다. 이러한 패턴 검사기는 실시간 검사를 위해 패턴 내에서 단일 기준값을 사용하여 픽셀 단위의 결함 여부를 판단하고 있다. 하지만 패턴 내 각 영역별 특징을 반영하여 서로 다른 기준값을 적용하는 적응적 이진화를 이용하는 경우 결함 검출 성능을 크게 향상시킬 수 있다.
	LCD 패널 영상이 갖는 반복적인 패턴의 특징은 무엇인가?	한편 LCD 패널 영상은 일정한 주기로 반복적인 패턴을 가지는 텍스쳐 타입의 영상이다. 각 패턴은 기능에 따라 여러 영역으로 구성되어 있는데 각 영역은 결함 판정에 있어 서로 다른 중요도를 가질 뿐 만 아니라 결함 시 서로 다른 밝기값 특성을 나타낸다. 따라서 각 영역별로 적합한 기준 값을 서로 다르게 적용하는 경우 기존 결함 검출 방법이 보이는 오검출과 미 검출의 단점을 개선할 수 있다.

참고문헌 (12)

고국원, "LCD Panel 결함 검사에 관한 연구," 한국정밀공학회지, Vol.24, No.4, pp.7-14, 2007.

원문보기 상세보기
조수용, 고국원, 고경철, "LCD Panel 불량 검사를 위한 영상처리 알고리즘 연구," 한국정밀공학회 춘계학술발표대회 논문집, pp.59-60, 2006.
김진형, 고윤호, "Full HD 디스플레이 드라이버를 위한 Dual BTC 영상부호화 기법," 전자공학회논문지 SP편, Vol.49, No.4, pp.1-9, 2012.
A. Kumar, "Computer-vision-based fabric defect detection: a survey," IEEE Transactions on Industrial Electronics, Vol.55, pp.348-363, 2008.

상세보기
김지홍, "인간의 시지각에 근거한 LCD의 밝기 불균일 결함의 검출," 전자공학회논문지 SP편, Vol.41, No.4, pp.9-16, 2004.
http://en.wikipedia.org/wiki/Automated_optical_inspection
박길흠, "LCD 표면 검사를 위한 라인스캔 영상의 재구성," 전자공학회논문지 SP편, Vol.41, No.4, pp.497-502, 2004.
P. S. Toh, "Line scan camera," Google Patents, 2001.
D. H. Choi, J. H. Oh, D. M. Kwak, K. B. Lee, Y. C. Song, and K. H. Park, "Line defect detection in TFT-LCD using directional filter bank and adaptive multilevel thresholding," Key Engineering Materials, Vol.270, pp.233-238, 2004.

상세보기
장동식, 이만희, 부창완, "Line Scan Camera 를 이용한 검사 시스템에서의 새로운 영상 처리 알고리즘," 제어로봇시스템학회 논문지, Vol.3, No.4, pp.406-414, 1997.
J. Vanne, E. Aho, T. D. Hamalainen, and K. Kuusilinna, "A high-performance sum of absolute difference implementation for motion estimation," IEEE Transactions on Circuits and Systems for Video Technology, Vol.16, No.7, pp.876-883, 2006.

상세보기
M. Harris, "Optimizing parallel reduction in CUDA," NVIDIA Developer Technology, Vol.6, 2007.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증