[논문]머신러닝을 이용한 3차원 도로객체의 분류

홍송표; 김의명

doi:10.7848/ksgpc.2018.36.6.535

머신러닝을 이용한 3차원 도로객체의 분류
Classification of 3D Road Objects Using Machine Learning 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.36 no.6, 2018년, pp.535 - 544

홍송표 (Dept. of GIS Engineering, Namseoul University) , 김의명 (Dept. of Spatial Information Engineering, Namseoul University)

초록
AI-Helper

급변하는 주변상황이나 대형차량과 같은 큰 지형지물에 센서가 가려질 경우에는 센서만을 이용한 완전 자율주행에는 한계가 따른다. 이에 자율주행을 위해서 센서를 이용한 한계점을 극복할 수 있도록 정밀한 도로지도를 부가적으로 이용하는 방법이 사용되고 있다. 본 연구는 국토지리정보원에서 제공하는 지상 MMS(Mobile Mapping System)로 취득된 3차원 점군자료를 이용하여 도로 객체를 분류하는 연구를 수행하였다. 본 연구를 위해서 원본 3차원 점군자료를 전처리 하고, 지면과 비지면점을 분리하기 위한 필터링 기법을 선정하였다. 또한 차선, 가로등, 안전펜스 등에 해당하는 도로객체를 초기 분할한 후 분할된 객체를 머신러닝의 종류인 서포트 벡터 머신을 이용하여 학습시킨 후 분류하였다. 학습데이터는 분할된 도로객체에서 추출한 고유값을 이용한 기하학적 요소와 높이정보만을 사용하였으며 분류결과 전체정확도는 87%, 카파계수는 0.795로 나타났다. 향후 도로객체의 분류를 위하여 기하학적인 요소 뿐만 아니라 다양한 항목을 추가한다면 분류정확도가 높아질 것으로 예상된다.

Abstract ▼ AI-Helper

Autonomous driving can be limited by only using sensors if the sensor is blocked by sudden changes in surrounding environments or large features such as heavy vehicles. In order to overcome the limitations, the precise road-map has been used additionally. This study was conducted to segment and classify road objects using 3D point cloud data acquired by terrestrial mobile mapping system provided by National Geographic Information Institute. For this study, the original 3D point cloud data were pre-processed and a filtering technique was selected to separate the ground and non-ground points. In addition, the road objects corresponding to the lanes, the street lights, the safety fences were initially segmented, and then the objects were classified using the support vector machine which is a kind of machine learning. For the training data for supervised classification, only the geometric elements and the height information using the eigenvalues extracted from the road objects were used. The overall accuracy of the classification results was 87% and the kappa coefficient was 0.795. It is expected that classification accuracy will be increased if various classification items are added not only geometric elements for classifying road objects in the future.

주제어

표/그림 (21)

그림 Fig. 1. Research ﬂow chart
그림 Fig. 2. Standard normal distribution (Wikipedia, 2005)
그림 Fig. 3. Structure of quadtree and octree Apple developer, 2018)
그림 Fig. 4. Connected component labeling in 2d space (Wikipedia, 2010)
그림 Fig. 5. PCFA  
그림 Fig. 6. Geometric elements of 3d point cloud data using principal component analysis
그림 Fig. 7. Support vector machine
그림 Fig. 8. Data index
그림 Fig. 9. Representation of 3d point cloud data
그림 Fig. 10. Data preprocessing
그림 Fig. 11. Result of PCFA
그림 Fig. 12. Segmentation of road plane objects
그림 Fig. 13. Segmentation of road facility objects
표 Table 1. Parameter values for PCFA (unit: m)
표 Table 2. Training dataset example
그림 Fig. 14. Pre-processing and ground classiﬁcation
그림 Fig. 15. Segmentation of road objects
그림 Fig. 16. Result of classiﬁcation
그림 Fig. 17. Mis-classiﬁed objects
표 Table 3. Confusion matrix of SVM  ∙      
표 Table 4. Confusion matrix of object classiﬁcation

AI 본문요약
AI-Helper

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

문제 정의

이에 본 연구에서는 국토지리정보원(NGII: National Geographic Information Institute)에서 연구목적으로 제공하였던 지상 MMS로 취득된 원본 3차원 점군자료를 전처리 하고, 지면과 비지면 점을 분리하기 위한 필터링을 기법을 선정하였다. 또한 차선, 가로등, 안전펜스 등에 해당하는 도로객체를 초기 분할한 후 분할된 객체를 머신러닝 기반으로 분류하는 방법론을 제안하고자 한다.

가설 설정

지상 MMS에 탑재된 지상 라이다는 도로 이외의 점들 또한 측정하게 되므로 도로 이외의 점들을 제거할 필요가 있다. 따라서 이상점 제거와 다운 샘플링이 수행된 점군자료를 CCL를 적용하여 가장 많은 점이 포한된 그룹을 도로 점군으로 가정하여 도로그룹을 추출하였다. CCL이란 Fig.

제안 방법

이러한 이유는 학습데이터 수집에 있어 비교적 쉽게 취득할 수 있으며, 도로에서 볼 수 있는 주된 객체이기 때문이다. 도로객체 분류를 위해 주성분 분석을 수행한 후 계산한 고유값 비율을 이용하여 추정한 기하학적 요소(L, P, S)와 객체의 높이정보(Z)로 구성된 학습데이터를 서포트 벡터 머신(SVM: Support Vector Machine)을 이용하여 도로객체를 분류하였다.
첫째, NGII에서 제공하는 원본 3차원 점군자료는 지상 MMS에 탑재된 지상 레이저 스캐닝 장비의 물리적인 측정 한계로 인하여 노이즈(이상점)가 포함되어 있을 뿐만 아니라 점밀도가 매우 높아 자료처리에 매우 많이 시간이 소요되었다. 따라서 옥트리 기반의 공간 분할기법을 이용하여 데이터를 다운 샘플링한 후 도로로 추정되는 그룹을 추출한 후 SOR기법을 이용하여 노이즈를 제거하는 전처리 방법론을 제시하였다.
머신러닝을 이용하여 도로객체를 분류하기 위해서는 학습 데이터를 구축하여야 하는데 본 연구에서는 주성분 분석을 이용하여 기하학적인 정보를 추정 하였다. 이를 위해 분할된 도로객체로 추정되는 점군자료에 대해 Eq.
본 연구에서는 가로등, 나무, 도로표지, 차선, 안전펜스, 불명으로 총 6개의 분류항목을 선정하였으며, 데이터 전처리, 지면· 비지면 분류, 도로 객체분할은 3.2, 3.3, 3.4절의 기법을 적용하였다. 학습데이터는 Table 2와 같이 분할된 도로객체를 이용하여 기하학적 요소(L, P, S)와 높이정보(Z)에 대한 총 825개를 구축 하였으며, 라벨작업은 수작업으로 수행하였다.
본 연구에서는 지상 MMS를 이용하여 취득한 3차원 점군자료를 이용하여 도로객체를 분할하고 분류하는 연구를 수행하였으며 다음과 같은 결론을 도출하였다.
셋째, 분할된 객체를 분류하기 위해 머신러닝 기법중의 하나인 SVM을 이용하여 도로객체를 분류하였다. 지도학습을 위하여 분할된 3차원 객체에서 주성분분석을 통한 고유값을 이용하여 3차원 객체의 선형, 면형, 불규칙형의 비율을 고려할 수 있는 기하학적 요소와 객체의 높이 정보를 이용하였다.
이에 본 연구에서는 국토지리정보원(NGII: National Geographic Information Institute)에서 연구목적으로 제공하였던 지상 MMS로 취득된 원본 3차원 점군자료를 전처리 하고, 지면과 비지면 점을 분리하기 위한 필터링을 기법을 선정하였다. 또한 차선, 가로등, 안전펜스 등에 해당하는 도로객체를 초기 분할한 후 분할된 객체를 머신러닝 기반으로 분류하는 방법론을 제안하고자 한다.
전처리된 3차원 점군자료는 PCFA을 이용하여 지면점과 비지면점으로 분류하였다. PCFA기법에 사용한 임계값은 Table1과 같으며 그 결과는 Fig.
셋째, 분할된 객체를 분류하기 위해 머신러닝 기법중의 하나인 SVM을 이용하여 도로객체를 분류하였다. 지도학습을 위하여 분할된 3차원 객체에서 주성분분석을 통한 고유값을 이용하여 3차원 객체의 선형, 면형, 불규칙형의 비율을 고려할 수 있는 기하학적 요소와 객체의 높이 정보를 이용하였다.
필터링으로 분류된 지면점을 이용하여 차선, 노면표지와 같은 도로평면정보의 객체를 분할하고, 비지면점을 이용하여 가로등, 도로표지, 안전펜스 등과 같은 도로 시설물정보의 객체로 분할하였다. 도로평면정보의 객체 분할에 있어서는 도로의 아스팔트, 차선, 노면표지 등의 점들이 연속되어 있는데 이를 반사 강도를 이용하여 유의미한 점들을 추출하고, CCL기법을 이용하여 도로평면정보의 객체를 분할하였다.

대상 데이터

본 연구에서는 영동고속도 이천구간(약 41km)의 일부 구간(index 155 ~ 200, 약 14km)을 이용하여 학습데이터를 수집하고, 객체 분할 알고리즘의 적용은 index 155번을 사용하였다. 또한 객체 분류에는 여의도 일대(약 21km) 구간에서 index 218번을 사용하였다.
객체분류의 항목으로는 가로등, 나무, 도로표지, 차선, 안전펜스, 불명으로 총 6개의 분류항목을 선정하였다. 이러한 이유는 학습데이터 수집에 있어 비교적 쉽게 취득할 수 있으며, 도로에서 볼 수 있는 주된 객체이기 때문이다.
본 연구에는 NGII에서 제공하는 지상 MMS를 이용하여 취득된 3차원 점군자료를 사용하였다. NGII의 국토정보플랫폼에서 연구목적으로 데이터를 무상으로 취득할 수 있었다(2017년 11월 기준).
8과 같이 300m×300m 크기로 분할하여 Index 및 LAS파일 포맷으로 제공된다. 본 연구에서는 영동고속도 이천구간(약 41km)의 일부 구간(index 155 ~ 200, 약 14km)을 이용하여 학습데이터를 수집하고, 객체 분할 알고리즘의 적용은 index 155번을 사용하였다. 또한 객체 분류에는 여의도 일대(약 21km) 구간에서 index 218번을 사용하였다.
구축된 학습 데이터셋은 SVM을 이용하여 학습하였다. 이때 구축된 데이터셋 중에서 전체의 75%(618개)는 학습데이터로 이용하고 25%(207개)는 평가데이터로 이용하였다. 학습된 모델의 혼동행렬(confusion matrix)은 Table 3과 같으며 전체 정확도(PCC: Percent Correctly Classified)는 93%, 카파(kappa) 계수는 0.
주성분 분석을 통해서 점군자료에서 추출할 수 있는 선형, 면형, 불규칙형의 기하학적인 정보 뿐만 아니라 추출된 점군자료의 높이정보(Z)를 추가하여 학습데이터에 이용하였다(Jeong and Lee, 2016).
4절의 기법을 적용하였다. 학습데이터는 Table 2와 같이 분할된 도로객체를 이용하여 기하학적 요소(L, P, S)와 높이정보(Z)에 대한 총 825개를 구축 하였으며, 라벨작업은 수작업으로 수행하였다.

데이터처리

구축된 학습 데이터셋은 SVM을 이용하여 학습하였다. 이때 구축된 데이터셋 중에서 전체의 75%(618개)는 학습데이터로 이용하고 25%(207개)는 평가데이터로 이용하였다.

이론/모형

분류된 지면점에서 반사강도를 이용하면 Fig. 12(a)와 같이 노이즈점(이상점) 들이 포함되는데 이를 SOR기법(k: 10, n: 2)을 이용하여 노이즈를 제거하였다. 그리고 나서 Fig.
객체분류에 효율적인 데이터를 구축하기 위하여 원본 3차원 점군자료를 SOR기법을 이용하여 노이즈를 제거하고 옥트리 기반의 다운샘플링 및 CCL기법을 이용하여 Fig. 10(a)와 같이 도로그룹을 추출하였으며, Figs.
SOR이란 관심점(query point)을 기준으로 인접한 주변 점들과의 통계분석을 이용하여 통계범위 이외의 점들을 제거하는 기법이다(Rusu and Cousins, 2011). 관심점을 기준으로 인접한 주변 점들의 탐색은 kd-tree기반의 k-최근접점 이웃 기법(KNN: K-Nearest Neighbors)을 이용하였다. Eq.
따라서 차선, 노면표지 등의 반사강도는 도로 아스팔트의 반사강도보다 크기 때문에 아스팔트보다 높은 반사강도 값을 사용하였다. 도로시설물 정보의 객체분할은 지면점이 제거된 비지면점을 CCL기법을 이용하여 도로시설물 객체를 분할하였다.
필터링으로 분류된 지면점을 이용하여 차선, 노면표지와 같은 도로평면정보의 객체를 분할하고, 비지면점을 이용하여 가로등, 도로표지, 안전펜스 등과 같은 도로 시설물정보의 객체로 분할하였다. 도로평면정보의 객체 분할에 있어서는 도로의 아스팔트, 차선, 노면표지 등의 점들이 연속되어 있는데 이를 반사 강도를 이용하여 유의미한 점들을 추출하고, CCL기법을 이용하여 도로평면정보의 객체를 분할하였다. 이때 반사강도란 대상체에서 반사되어 스캐너에 도달한 레이저 강도 대 발사된 레이저 강도의 비율로서 대상체의 물리적인 특성과 사용된 광원에 의해 고유한 반사도를 가지므로 대상체에 따라 반사강도가 상이하게 나타난다(Lee and Son, 2016).
따라서 본 연구에서는 통계적 이상점 제거(SOR: Statistical Outlier Removal) 기법을 적용하여 이상점을 제거하고 옥트리 (octree)기반의 공간분할 기법을 이용하여 데이터를 다운샘플링 하였으며, 다운샘플링된 데이터는 옥트리기반의 연결요소 레이블링(CCL: Connected Component Labeling) 기법을 이용하여 도로그룹을 추출하였다.
전처리가 완료된 3차원 점군자료는 지면점과 비지면점의 모든 정보가 포함되어있기 때문에 효율적인 도로객체 분할을 위해서는 지면점과 비지면점으로 구분하는 필터링이 선행적으로 이루어져야 한다. 필터링 알고리즘에는 PCFA(Perspective Center based Filtering Algorithm), ATIN(Adaptive-TIN), PM(Progressive Morphology), ETEW(Elevation Threshold Expanding Window) 등이 있으나 본 연구에서는 지면점을 과소 추정하거나 비지면점을 과대추정하는 경향이 거의 없고 임계값이 지형에 관계없이 일관적인 PCFA 기법을 사용하였다(Kim and Cho, 2012).

성능/효과

둘째, 지상 MMS를 이용하여 취득한 3차원 점군자료의 필터링을 위해 PCFA기법을 적용한 결과 지면점과 비지면점을 효율적으로 분류할 수 있었고, 분류된 지면점을 이용하여 도로평면 객체를 분할하고 비지면점을 이용하여 도로시설물 객체를 분할할 수 있었다.
머신러닝 기법을 적용하여 분류한 결과 전체 정확도는 87%이고 카파 계수는 0.795로 나타났다. Table 4의 혼동행렬과 Fig.
첫째, NGII에서 제공하는 원본 3차원 점군자료는 지상 MMS에 탑재된 지상 레이저 스캐닝 장비의 물리적인 측정 한계로 인하여 노이즈(이상점)가 포함되어 있을 뿐만 아니라 점밀도가 매우 높아 자료처리에 매우 많이 시간이 소요되었다. 따라서 옥트리 기반의 공간 분할기법을 이용하여 데이터를 다운 샘플링한 후 도로로 추정되는 그룹을 추출한 후 SOR기법을 이용하여 노이즈를 제거하는 전처리 방법론을 제시하였다.

후속연구

따라서 새로운 지역에서도 적용 가능한 학습모델을 구축하기 위해서는 다양한 지역에서 다수의 학습 데이터를 수집 할 필요가 있다. 향후 3차원 점군자료의 객체분류를 자동화하기 위해서는 3차원 객체의 분할 성능을 높여야 하며 머신러닝을 위한 학습데이터를 구축할 때 분류항목에 따른 학습데이터 구축 및 분류기법 선정에 대한 후속 연구가 필요할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	머신러닝의 장점은?	머신러닝(machine learning)은 학습데이터(training data)를 이용하여 새로운 데이터가 주어졌을 때 이를 예측하는 기법으로서 수학적 모델을 이용한 기법과 달리 데이터의 특성 및 임계값을 고려할 필요가 상대적으로 적은 장점이 있다(Jeong and Lee, 2016; Hong et al., 2018).
	머신러닝이란 무엇인가?	머신러닝(machine learning)은 학습데이터(training data)를 이용하여 새로운 데이터가 주어졌을 때 이를 예측하는 기법으로서 수학적 모델을 이용한 기법과 달리 데이터의 특성 및 임계값을 고려할 필요가 상대적으로 적은 장점이 있다(Jeong and Lee, 2016; Hong et al., 2018).
	지상 라이다로 취득한 자료를 이상점 제거 및 다운샘플링 해야하는 이유는?	지상 MMS에 탑재된 지상 라이다는 물리적인 측정한계로 인하여 이상점이 포함되어 있으며, 높은 점밀도로 인하여 자료처리 과정에 많은 시간이 소요된다. 따라서 이상점을 제거하고 데이터의 특성을 잃지 않을 정도로 다운샘플링(down sampling) 할 필요성이 있으며, 도로 외의 불필요한 점을 제거하여야 한다(Hong and Kim, 2017).

참고문헌 (24)

Apple developer. (2018), Spatial and logical arrangement of an example octree, Apple, URL: https://developer.apple.com/documentation/gameplaykit/gkoctree(last date accessed: 10 November 2018).
Axelsson, P. (2000), DEM generation from laser scanner data using adaptive TIN models, International Archives of Photogrammetry and Remote Sensing, 16-22 July, Amsterdam, Nederland, Vol. 33, Part B4, pp. 110-117.
Caputo, M., Denker, K., Franz, M.O., Laube, P., and Umlauf, G. (2014), Support vector machines for classification of geometric primitives in point clouds, Curves and Surfaces, Vol. 9213, pp. 80-95.
Chang, Y., Habib, A., Lee, D.C., and Yom, J.H. (2008), Automatic classification of LIDAR data into ground and non-ground points, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 3-11 July, Beijing, China, Vol. 37, Part B4, pp. 457-462.
Han, S.H. (2016), Introduction to Photogrammetry and Remote Sensing, Goomibook, Seoul.
Hong, S.P. and Kim, E.M. (2017), Object segmentation of laser data using terrestrial mobile mapping system, Proceedings of Journal of Korean Society for Geospatial Information System, Korean Society for Geospatial Information Science, 18-19 May, Jeonju, Korea, pp. 197-198.
Hong, S.P., Seo, H.D., and Kim, E.M. (2018), Road object classification using a terrestrial laser data, Proceedings of Journal of Korean Society for Geospatial Information System, Korean Society for Geospatial Information Science, 1-2 November, Jeju, Korea, pp. 199-200.
Jeong, J.H. and Lee, I.P. (2016), Classification of mobile LIDAR data acquired from urban roads based on eigenvalue ratios and support vector machine, Journal of the Korean Cadastre Information Association, Vol. 18, No. 2, pp. 195-206. (in Korean with English abstract)
Kim, E.M. and Cho, D.Y. (2012), Comprehensive comparisons among LIDAR filtering algorithms for the classification of ground and non-ground points, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 30, No. 1, pp. 39-48. (in Korean with English abstract)

원문보기 상세보기
Lalonde, J.F., Vandapel, N., Huber, D.F., and Hebert, M. (2006), Natural terrain classification using three-dimensional LIDAR data for ground robot mobility, Journal of Field Robotics, Vol. 23, Issue 1, pp. 839-861.

상세보기
Lee, G.W. and Son, H.U. (2016), Geo-Spatial Information System, Goomibook, Seoul.
Lee, J.H. and Lee, D.C. (2010), LIDAR data segmentation using aerial images for building modeling, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 28, No. 1, pp. 47-55. (in Korean with English abstract)
Lee, S.J., Park, J.Y., and Kim, E.M. (2014), Development of automated model of tree extraction using aerial LIDAR data, Journal of the Korea Academia-Industrial cooperation Society, Vol. 15, No. 5, pp. 3213-3219. (in Korean with English abstract)

원문보기 상세보기
Lehtomaki, M., Jaakkola, A., Hyyppa, J., Lampinen, J., Kaartinen, H., Kukko, A., Puttonen, E., and Hyyppa, H. (2015), Object classification and recognition from mobile laser scanning point clouds in a road environment, IEEE Transactions on Geoscience and Remote Sensing, Vol. 54, No. 2, pp. 1226-1239.
NGII. (2015), A Study on the Construction of Precision Road Map for the Support of Autonomous Vehicle, Research report, National Geographic Information Institute, Korea, pp. 23-93.
Park, S., Kim, K.J., Lee, J.S., and Lee, S.R. (2011), Red tide prediction using neural network and SVM, The Institute of Electronics Engineers of Korea-Signal Processing, Vol. 48. No. 5, pp. 39-45. (in Korean with English abstract)
Rusu, R.B. and Cousins, S. (2011), 3D is here: point cloud library (pcl). IEEE International Conference on Robotics and Automation, 9-13 May, Shanghai, China, pp. 1-4.
So, J.H. and Moon, Y.J. (2018), Plan for autonomous cooperation driving safety and infrastructure implementation, The Journal of The Korean Institute of Communication Sciences, Vol. 35, No. 5, pp. 37-43.
Sun, Y., Wang, C., Li, J., Zhang, Z., Zai, D., Huang, P., and Wen, C. (2016), Automated segmentation of LIDAR point clouds for building rooftop extraction, IEEE International Geoscience and Remote Sensing Symposium, 10-15 July, Beijing, China, pp. 1472 - 1475.
Wikipedia. (2005), Normal distribution curve that illustrates standard deviations, Wikimedia Foundation, Inc., URL: https://en.wikipedia.org/wiki/Standard_deviation (last date accessed: 10 November 2018).
Wikipedia. (2010), Result of connected region labeling using two-pass raster scan, Wikimedia Foundation, Inc., URL: https://en.wikipedia.org/wiki/Connected-component_labeling(last date accessed: 10 November 2018).
Yoo, H.H., Kim, E.M., and Chung, D.K. (2005), Assessment of classification accuracy of ground and non-ground points from LIDAR data, Journal of The Korean Society of Civil Engineers, Vol. 25, No. 6D, pp. 929-935. (in Korean with English abstract)
Zhang, K. and Whitman, D. (2005), Comparison of three algorithms for filtering airborne LIDAR data, Photogrammetric Engineering and Remote Sensing, Vol. 71, No. 3, pp. 313-324.

상세보기
Zhang, W., Qi, J., Wan, P., Wang, H., Xie, D., Wang., X., and Yan, G. (2016), An easy to use airborne LIDAR data filtering method based on cloth simulation, Remote Sensing, Vol. 8, No. 6, pp. 501-522.

상세보기

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