[논문]키넥트 깊이 정보와 컨볼루션 신경망을 이용한 개별 돼지의 탐지

이준희; 이종욱; 박대희; 정용화

doi:10.5392/jkca.2018.18.02.001

키넥트 깊이 정보와 컨볼루션 신경망을 이용한 개별 돼지의 탐지
Individual Pig Detection Using Kinect Depth Information and Convolutional Neural Network 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.18 no.2, 2018년, pp.1 - 10

이준희 (고려대학교 컴퓨터융합소프트웨어학과) , 이종욱 (고려대학교 컴퓨터융합소프트웨어학과) , 박대희 (고려대학교 컴퓨터융합소프트웨어학과) , 정용화 (고려대학교 컴퓨터융합소프트웨어학과)

초록
AI-Helper

혼잡한 돈방에서 사육되는 이유자돈들의 공격적인 이상행동들은 축산농가의 경제적 손실을 야기할 뿐만 아니라 동물복지입장에서도 바람직하지 않다. 이러한 문제점의 해결책으로, 최근 IT기반의 연구들이 소개되고 있으나 혼잡한 돈방에서의 돼지 객체 탐지는 여전히 도전적인 문제로 알려져 있다. 본 논문에서는 개별 돼지의 탐지를 위한 키넥트 카메라와 딥러닝 기반의 새로운 모니터링 시스템을 제안한다. 제안된 시스템은 다음과 같다. 1) 키넥트 카메라로부터 취득한 깊이 영상에서 배경 차영상 기법과 깊이 임계값을 이용하여 서있는 돼지만을 탐지한다, 2) 딥러닝 알고리즘 중 최근 가장 빠르고 높은 정확도를 보이는 YOLO(You Only Look Once)를 이용하여 서있는 돼지들을 탐지한다. 본 연구의 실험 결과에 의하면, 제안된 시스템은 경제적인 비용(저가의 키넥트 센서)과 시스템 정확도(평균 99.40% 객체 검출율과 탐지 정확도)로 개별 돼지 객체들을 실시간으로 탐지할 수 있음을 실험적으로 확인하였다.

Abstract ▼ AI-Helper

Aggression among pigs adversely affects economic returns and animal welfare in intensive pigsties. Recently, some studies have applied information technology to a livestock management system to minimize the damage resulting from such anomalies. Nonetheless, detecting each pig in a crowed pigsty is still challenging problem. In this paper, we propose a new Kinect camera and deep learning-based monitoring system for the detection of the individual pigs. The proposed system is characterized as follows. 1) The background subtraction method and depth-threshold are used to detect only standing-pigs in the Kinect-depth image. 2) The standing-pigs are detected by using YOLO (You Only Look Once) which is the fastest and most accurate model in deep learning algorithms. Our experimental results show that this method is effective for detecting individual pigs in real time in terms of both cost-effectiveness (using a low-cost Kinect depth sensor) and accuracy (average 99.40% detection accuracies).

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 가축의 행동 분석 이전에 필수적으로 선행되어야만 하는 개별 객체의 탐지를 위하여, 키넥트 센서의 깊이 정보를 컨볼루션 신경망의 입력으로 사용하여 혼잡한 돈사 환경에서도 효과적으로 개별 돼지 객체들을 탐지한다.
본 논문에서는 가축의 행동 분석 이전에 필수적으로 선행되어야만 하는 개별 돼지의 탐지를 위하여 빛이 없는 돈방에서도 객체 탐지가 가능한 키넥트 센서의 깊이 정보를 입력으로 딥러닝 기술의 컨볼루션 신경망을 이용하여 혼잡한 환경에서의 개별 돼지를 실시간으로 탐지하는 새로운 모니터링 시스템을 제안하였다. 특히, 돈사에서 촬영된 키넥트 영상을 처리하는 과정에서 발생하는 어려움 중 하나인, 혼잡한 돈사에서의 근접한 객체들을 개별 객체로 식별하기 위한 문제의 해결책으로 전처리과정에서 관심 대상이 아닌 엎드려서 쉬거나 자고 있는 돼지 객체들을 제외함으로서, 영상 내의 탐색 영역을 축소하여 어려운 문제를 비교적 다루기 쉬운 문제로 변환하고 컨볼루션 신경망으로 객체 탐지 문제를 푸는 모니터링 시스템을 강조하였다.
본 논문에서는 돼지의 행동 분석 이전에 필수적으로 선행되어야만 하는 움직이는 개별 돼지의 탐지를 위한 키넥트 카메라 기반의 새로운 모니터링 시스템을 제안한다. 즉, 빛이 없는 돈방에서도 24시간 365일 모니터링이 가능한 키넥트 카메라와 영상처리의 전처리 기법들을 사용하여 돼지 객체의 탐지 시, 가장 어려운 문제로 알려진 근접한 돼지들을 한 마리로 잘못 탐지하는 문제를 보다 다루기 쉬운 문제로 변환하였다.
본 절에서는 깊이 영상을 기반으로 딥러닝의 한 종류인 컨볼루션 신경망을 확장한 YOLO(You Only Look Once) 알고리즘을 이용하여 개별 돼지 객체들을 탐지하는 방법에 대해 설명한다([그림 1] 참조). 먼저, 키넥트 카메라에서 취득하는 깊이 정보로부터 배경 차영상 기법과 깊이 임계값을 이용하여 서있는 돼지들만을 탐지한다.

제안 방법

둘째, 배경 이미지와 객체가 있는 이미지의 차이 값을 이용하여 배경 분리 작업을 수행하고, 깊이 이미지의 각 픽셀에 임계값을 적용하여 서있는 돼지와 엎드려있는 돼지들을 분리하여 돼지 객체를 추출한다([그림 3
본 절에서는 깊이 영상을 기반으로 딥러닝의 한 종류인 컨볼루션 신경망을 확장한 YOLO(You Only Look Once) 알고리즘을 이용하여 개별 돼지 객체들을 탐지하는 방법에 대해 설명한다([그림 1] 참조). 먼저, 키넥트 카메라에서 취득하는 깊이 정보로부터 배경 차영상 기법과 깊이 임계값을 이용하여 서있는 돼지들만을 탐지한다. 이는 관심 대상이 아닌 엎드려서 쉬거나 자고 있는 돼지 객체들을 제외함으로서, 영상 내의 탐색영역을 축소한다.
본 실험에서는 전처리 작업을 수행한 800장의 돈방 이미지들을 이용하여 본 논문에서 제안하는 객체 탐지모델을 학습하였으며, 1,000장의 이미지를 이용하여 학습된 모델을 테스트하였다. 모델을 학습하는 과정에서 과적합(over fitting) 현상을 고려하여, 5-fold cross validation으로 객체 탐지 성능 실험을 수행하였다([표 1] 참조). 학습을 진행할 때 사용한 파라미터 값들은 다음과 같다.
빛이 없는 돈방에서도 24시간 365일 돼지 모니터링이 가능하기 위해서, 본 연구에서는 키넥트 카메라를 이용하여 영상을 취득한다. [그림 2]는 실제 세종 시에 위치 한 한 돈사에서 취득한 영상의 한 예시이다.
특히, 돈사에서 촬영된 키넥트 영상을 처리하는 과정에서 발생하는 어려움 중 하나인, 혼잡한 돈사에서의 근접한 객체들을 개별 객체로 식별하기 위한 문제의 해결책으로 전처리과정에서 관심 대상이 아닌 엎드려서 쉬거나 자고 있는 돼지 객체들을 제외함으로서, 영상 내의 탐색 영역을 축소하여 어려운 문제를 비교적 다루기 쉬운 문제로 변환하고 컨볼루션 신경망으로 객체 탐지 문제를 푸는 모니터링 시스템을 강조하였다. 실제 세종 시에 위치한 한 돈사에서 취득한 키넥트 영상을 이용하여 본 논문에서 제안하는 시스템의 성능을 실험적으로 검증하였으며, 기존 방법론과의 정성적x정량적 성능 비교를 통해 본 연구의 우수성을 검증하였다.
즉, 빛이 없는 돈방에서도 24시간 365일 모니터링이 가능한 키넥트 카메라와 영상처리의 전처리 기법들을 사용하여 돼지 객체의 탐지 시, 가장 어려운 문제로 알려진 근접한 돼지들을 한 마리로 잘못 탐지하는 문제를 보다 다루기 쉬운 문제로 변환하였다. 이후, 최근 사물 인식 및 분류문제에서 탁월한 성능이 입증된 딥러닝 기술의 컨볼루션 신경망[7-11]에 기초하여 컴퓨터 비전 분야에서 아직도 도전적인 문제로 인식되고 있는 개별 객체들을 실시간에 탐지하는 문제에 초점을 맞추었다. 실제 세종 시에 위치한 한 돈사에서 취득한 영상을 이용하여 제안하는 시스템에 대한 성능을 실험적으로 검증한 결과, 검출율과 정확도는 99.

대상 데이터

깊이 영상을취득 하기 위해 돈사의 바닥으로부터 약 3m 높이의 천장에 키넥트 센서를 설치하였고, 돈방 내 21마리 이유자돈들을 촬영하여, 512×424의 해상도와 초당 30 프레임으로 구성된 영상을 취득하였다. YOLO 알고리즘을 이용한 개별 돼지 객체 탐지 시스템의 성능을 측정하기 위하여 IntelⓇ i7-6700k 프로세서와 32GB 메모리, 그리고 GTX 1080 그래픽 카드를 이용하여 실험하였다.
깊이 영상을취득 하기 위해 돈사의 바닥으로부터 약 3m 높이의 천장에 키넥트 센서를 설치하였고, 돈방 내 21마리 이유자돈들을 촬영하여, 512×424의 해상도와 초당 30 프레임으로 구성된 영상을 취득하였다.
본 논문에서 제안한 돼지 객체 탐지를 위한 시스템의 성능 평가를 위하여 세종 시에 위치한 한 돈사에서 취득한 키넥트 영상을 이용하여 실험하였다. [그림 5]는 돈사 내부의 환경과 깊이 영상을 취득하기 위해 돈사 내에 설치한 키넥트 센서를 보여준다.
본 실험에서는 전처리 작업을 수행한 800장의 돈방 이미지들을 이용하여 본 논문에서 제안하는 객체 탐지모델을 학습하였으며, 1,000장의 이미지를 이용하여 학습된 모델을 테스트하였다. 모델을 학습하는 과정에서 과적합(over fitting) 현상을 고려하여, 5-fold cross validation으로 객체 탐지 성능 실험을 수행하였다([표 1] 참조).

이론/모형

본 논문에서 제안한 시스템의 성능을 정량적으로 평가하기 위하여 검출율(Recall), 미검출율(Missing rate), 정확도(Precision), 그리고 오검출(False alarm rate)율을 성능지표[23]로 이용하였다. 먼저, 검출율은입력 데이터에 있는 객체들 중에서 성공적으로 검출된 객체들의 비율을 의미하며, 미검출율은 검출율과 상반되는 개념으로 입력 데이터에 있는 객체들 중 검출하지 못한 객체들의 비율을 의미한다.

성능/효과

[표 1]은 앞에서 설명한 성능지표를 이용하여 개별 돼지 탐지 시스템의 성능을 평가한 결과이다. [표 1]에 의하면 본 논문에서 제안한 시스템의 객체 검출율과 탐지 정확도는 평균 99.40%로 매우 우수한 성능을 보일 뿐만 아니라, 한 장의 이미지 처리 속도는 0.016초로 실시간으로 객체 탐지가 가능함을 실험적으로 확인하였다.
그러나 돼지 탐지 마리수가 논문에 정확히 명시되지 않았으며, 샘플 이미지를 보았을 때 한 이미지에 1∼2마리의 돼지를 탐지하는 실험이 진행되었음을 고려한다면, 본 논문에서 제안한 시스템이 보다 우월함을 알 수 있다.
첫째, 컬러 영상의 특성상 조명이나 햇빛과 같은 빛에 의한 영향을 많이 받는다. 둘째, 배경과 객체의 색상이 비슷할 경우 객체 탐지가 어렵다. 셋째, 대부분 돈사의 경우 이유자 돈의 발육을 위해 밤에는 돈사 내부의 불을 끈다.
둘째, 배경과 객체의 색상이 비슷할 경우 객체 탐지가 어렵다. 셋째, 대부분 돈사의 경우 이유자 돈의 발육을 위해 밤에는 돈사 내부의 불을 끈다. 이렇 게 돈사 내부의 불을 끌 경우 RGB 카메라의 특성상 영상을 획득할 수 없다.
이후, 최근 사물 인식 및 분류문제에서 탁월한 성능이 입증된 딥러닝 기술의 컨볼루션 신경망[7-11]에 기초하여 컴퓨터 비전 분야에서 아직도 도전적인 문제로 인식되고 있는 개별 객체들을 실시간에 탐지하는 문제에 초점을 맞추었다. 실제 세종 시에 위치한 한 돈사에서 취득한 영상을 이용하여 제안하는 시스템에 대한 성능을 실험적으로 검증한 결과, 검출율과 정확도는 99.0%, 이미지 당 처리속도는 0.016초라는 매우 우수한 성능을 확인하였다.

후속연구

향후 연구 과제로는 본 연구에서 제안한 프로토타입의 시스템을 실세계에서 구현x운용하기 위한 실용화 차원의 후속 연구들이 요구되며, 키넥트의 RGB 정보와 깊이 정보를 동시에 사용하는 멀티 모달 기반의 융합 연구를 후속 연구로 진행할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	컨볼루션 신경망은 무엇인가?	영상을 입력으로 하는 일반적인 개별 객체의 탐지와 관련한 최근의 방법론으로는 딥러닝 기술의 컨볼루션 신경망(Convolutional Neural Networks(CNN))[7-11] 이 대표적이다. 이는 사람의 뇌가 시각정보를 받아들이는 과정을 모방한 신경망으로, 전문가에 의해 설계된 특징(handcrafted feature)들을 활용하여 특징 추출을 진행하는 기존의 객체 검출 과정과 달리, CNN은 스스로 훈련 샘플에 대하여 최적화된 특징 벡터들을 학습하고, 이를 활용하여 객체 분류의 성능을 향상시키고 있다[18].
	IT기반의 영상 감시 시스템이 필요하게 된 배경은 무엇인가?	이와 같은 돈사 내의 비정상 상황 등은 면역력이 약한 이유자돈들 서로에게 정신적·물리적 상처를 입히게 되고, 결국 이유자돈들의 발육저하 및 호흡기 질병, 구제역 등과 같은 전염병 발생 시 피해가 매우 빠르 게 확산되는 취약한 구조를 가지게 된다. 그러나 관리인 당 약 2,000두의 돼지를 관리하는 국내의 돈사 환경에서는 관리인이 돈사 내 개별 돼지의 모든 이상 상황들을 감시하는 것은 현실적으로 어려운 문제이다[4][5]. 따라서 축산농가의 생산성 하락에 따른 경제적 손실과 직결되는 돈사 내의 비정상 상황들을 지속적으로 모니터링할 수 있는 IT기반의 영상 감시 시스템이 요구된다[6].
	혼잡한 돈사에서 가까이 붙어있는 돼지들을 개별 객체로 식별하기 위해 사용한 방법은?	본 논문에서는 가축의 행동 분석 이전에 필수적으로 선행되어야만 하는 개별 돼지의 탐지를 위하여 빛이 없는 돈방에서도 객체 탐지가 가능한 키넥트 센서의 깊이 정보를 입력으로 딥러닝 기술의 컨볼루션 신경망을 이용하여 혼잡한 환경에서의 개별 돼지를 실시간으로 탐지하는 새로운 모니터링 시스템을 제안하였다. 특히, 돈사에서 촬영된 키넥트 영상을 처리하는 과정에서 발생하는 어려움 중 하나인, 혼잡한 돈사에서의 근접한 객체들을 개별 객체로 식별하기 위한 문제의 해결책으로 전처리과정에서 관심 대상이 아닌 엎드려서 쉬거나 자고 있는 돼지 객체들을 제외함으로서, 영상 내의 탐색 영역을 축소하여 어려운 문제를 비교적 다루기 쉬운 문제로 변환하고 컨볼루션 신경망으로 객체 탐지 문제를 푸는 모니터링 시스템을 강조하였다. 실제 세종 시에 위치한 한 돈사에서 취득한 키넥트 영상을 이용하여 본 논문에서 제안하는 시스템의 성능을 실험적으로 검증하였으며, 기존 방법론과의 정성적x정량적 성능 비교를 통해 본 연구의 우수성을 검증하였다.

참고문헌 (27)

I. Camerlink, S. P. Turner, W. W. Ursinus, I. Reimert, and J. E. Bolhuis, "Aggression and Affiliation during Social Conflict in Pigs," PLoS ONE, Vol.9, p.e113502, 2014.

상세보기
X. Zheng, Y. Zhao, N. Li, and H. Wu, "An Automatic Moving Object Detection Algorithm for Video Surveillance Applications," Proceeding of International Conference on Embedded Software Systems, pp.541-543, 2009.
S. Zuo, L. Jin, Y. Chung, and D. Park, "An Index Algorithm for Tracking Pigs in Pigsty," Proceedings of the International Conference on Information Technology and Management Science, pp.797-803, 2014.
M. Ju, H. Baek, J. Sa, H. Kim, Y. Chung, and D. Park, "Real-Time Pig Segmentation for Individual Pig Monitoring in a Weaning Pig Room," Journal of Korea Multimedia Society, Vol.19, No.2, pp.215-223, 2016.

원문보기 상세보기
H. Baek, Y. Chung, M. Ju, Y. Chung, D. Park, and H. Kim, "Pig Segmentation using Concave-Points and Edge Information," Journal of Korea Multimedia Society, Vol.19, No.8, pp.1361-1370, 2016.

원문보기 상세보기
J. Lee, L. Jin, D. Park, and Y. Chung, "Automatic Recognition of Aggressive Behavior in Pigs using a Kinect Depth Sensor," Sensors, Vol.16, No.5, pp.631-641, 2016.

상세보기
A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet Classification with Deep Convolutional Neural Networks," Advances in Neural Information Processing Systems, pp.1097-1105, 2012.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Region-based Convolutional Networks for Accurate Object Detection and Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, pp.142-158, 2016.
K. He, X. Zhang, S. Ren, and J. Sun, "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition," European Conference on Computer Vision, pp.346-361, 2014.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.580-587, 2014.
S. Gidaris and N. Komodakis, "Object Detection via a Multi-Region and Semantic Segmentation-Aware CNN Model," Proceedings of the IEEE International Conference on Computer Vision, pp.1134-1142, 2015.
A. Nasirahmadi, O. Hensel, S. A. Edwards, and B. Sturm, "Automatic Detection of Mounting Behaviours among Pigs using Image Analysis," Computers and Electronics in Agriculture, Vol.124, pp.295-302, 2016.

상세보기
Y. Guo, W. Zhu, P. Jiao, and J. Chen, "Foreground Detection of Group-Housed Pigs based on the Combination of Mixture of Gaussians using Prediction Mechanism and Threshold Segmentation," Biosystems Engineering, Vol.125, pp.98-104, 2014.

상세보기
M. A. Kashiha, C. Bahr, S. Ott, C. P. Moons, T. A. Niewold, F. Tuyttens, and D. Berckmans, "Automatic Monitoring of Pig Locomotion using Image Analysis," Li vestock Science, Vol.159, pp.141-148, 2014.

상세보기
L. Xia and J. K. Aggarwal, "Spatio-temporal depth cuboid similarity feature for activity recognition using depth camera," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPR 2013), pp.2834-2841, 2013.
윤영지, 진성일, "Kinect 디바이스에서 피부색과 깊이 정보를 융합한 여러 명의 얼굴 검출 알고리즘," 한국콘텐츠학회논문지, 제17권, 제1호, pp.137-144, 2017.

원문보기 상세보기
류가애, 장호욱, 김유성, 류관희, "깊이와 칼라 영상의 특징을 사용한 ROI 기반 객체 추출," 한국콘텐츠학회논문지, 제16권, 제8호, pp.395-403, 2016.

원문보기 상세보기
D. Lee, S. Yoon, J. Lee, and D. S. Park, "Real-Time License Plate Detection Based on Faster R-CNN," KIPS Transactions on Software and Data Engineering, Vol.5, No.11, pp.511-520, 2016.

원문보기 상세보기
C. Szegedy, W. Liu, Y. Jia, S. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, "Going Deeper with Convolutions," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.1-9, 2015.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.779-788, 2016.
M. Everingham, S. A. Eslami, L. Van Gool, C. K. Williams, J. Winn, and A. Zisserman, "The Pascal Visual Object Classes Challenge: A Retrospective," International Journal of Computer Vision, Vol.111, No.1, pp.98-136, 2015.

상세보기
고광은, 심귀보, "딥러닝 모델을 이용한 실시간 객체 검출 기반 어포던스 특징 추출 시스템," 제어로봇시스템학회논문지, 제23권, 제8호, pp.619-624, 2017.
J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques, Third Edition, Morgan Kaufmann Publishers, 2012.
Y. Z. Guo, W. X. Zhu, P. P. Jiao, C. H. Ma, and J. J. Yang, "Multi-Object Extraction from Topview Group-Housed Pig Images based on Adaptive Partitioning and Multilevel Thresholding Segmentation," Biosystems Engineering, Vol.135, pp.54-60, 2015.

상세보기
최장민, 이종욱, 정용화, 박대희, "고속 영역기반 컨볼루션 신경망을 이용한 개별 돼지의 탐지," 한국멀티미디어학회논문지, 제20권, 제2호, pp.216-224, 2017.

원문보기 상세보기
Q. Zhu, J. Ren, D. Barclay, S. McCormack, and W. Thomson, "Automatic animal detection from kinect sensed images for livestock monitoring and assessment," Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing( CIT/IUCC/DASC/PICOM) , pp.1154-1157, 2015.
최장민, 이종욱, 정용화, 박대희, "키넥트 깊이 정보를 이용한 개별 돼지의 탐지," 정보처리학회논문지, 제5권, 제10호, pp.319-326, 2016.

저자의 다른 논문 :

LOADING...

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