[논문]딥러닝과 영상처리기법을 이용한 콘크리트 지반 구조물 균열 탐지

김아람; 김동현; 변요셉; 이성원

doi:10.7843/kgs.2018.34.12.145

딥러닝과 영상처리기법을 이용한 콘크리트 지반 구조물 균열 탐지
Crack Detection of Concrete Structure Using Deep Learning and Image Processing Method in Geotechnical Engineering 원문보기

韓國地盤工學會論文集 = Journal of the Korean geotechnical society, v.34 no.12, 2018년, pp.145 - 154

김아람 (한국건설기술연구원 인프라안전연구본부) , 김동현 (뉴로핏 주식회사) , 변요셉 (한국건설기술연구원 인프라안전연구본부) , 이성원 (한국건설기술연구원 인프라안전연구본부)

초록
AI-Helper

교량, 터널 옹벽 등의 콘크리트 구조물에서 수행되는 손상 조사 및 검사 방법은 일반적으로 검사원이 현장에서 직접 측량 도구를 사용하여 시각적으로 검사하는 방법이다. 이 방법은 검사원의 주관성에 크게 의존하기 때문에 기록의 객관성과 신뢰성이 떨어지게 된다. 따라서 균열을 자동으로 탐지하고 균열 특성을 객관적으로 분석할 수 있는 새로운 이미지분석기법이 필요하다. 본 연구에서는 콘크리트 이미지에서 균열을 검출하고 특성(균열의 길이, 폭)을 분석하기 위한 딥러닝 및 이미지분석기법을 개발하였다. 균열 검출과 해당 균열의 특성을 얻기 위해 두 가지 단계의 방법이 제안되었다. 제안된 방법의 성능을 검증하기 위하여 라벨이 있는 다양한 균열 이미지가 사용되었으며, 균열 판단과 구획화에 대해 90% 이상의 정확도를 확인하였다. 최종적으로 실제 촬영된 균열 영상의 균열 특성을 분석하고 실제 측정치와 오차를 확인하여 개발된 기법의 성능을 검증하였다.

Abstract ▼ AI-Helper

The damage investigation and inspection methods performed in concrete facilities such as bridges, tunnels, retaining walls and so on, are usually visually examined by the inspector using the surveying tool in the field. These methods highly depend on the subjectivity of the inspector, which may reduce the objectivity and reliability of the record. Therefore, the new image processing techniques are necessary in order to automatically detect the cracks and objectively analyze the characteristics of cracks. In this study, deep learning and image processing technique were developed to detect cracks and analyze characteristics in images for concrete facilities. Two-stage image processing pipeline was proposed to obtain crack segmentation and its characteristics. The performance of the method was tested using various crack images with a label and the results showed over 90% of accuracy on crack classification and segmentation. Finally, the crack characteristics (length and thickness) of the crack image pictured from the field were analyzed, and the performance of the developed technique was verified by comparing the actual measured values and errors.

주제어

표/그림 (11)

그림 Fig. 1. Image segmentation for crack detection
그림 Fig. 2. Database of concrete cracks (Özgenel, 2018)
그림 Fig. 3. Classification network for determination of crack presence
그림 Fig. 4. Segmentation network for concrete cracks
그림 Fig. 5. Application of thinning algorithm to crack image
그림 Fig. 6. Extending area for tracking crack data
그림 Fig. 7. Calculation method for profiling direction
그림 Fig. 8. Training loss and evaluation accuracy according to epoch for training and evaluation sets
그림 Fig. 9. Training loss and evaluation accuracy according to epoch for training and evaluation sets
그림 Fig. 10. Result of concrete crack segmentation
그림 Fig. 11. Result of segmentation, thinning, tracking and profiling

AI 본문요약
AI-Helper

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

문제 정의

딥러닝기법은 영상을 패치단위로 나눠 각 패치의 균열이 유무를 판단하는 균열 판단 신경망과 해당 영상패치에 대해 구획화를 실시하는 균열 구획화 신경망으로 구성하여 학습데이터의 부족, 고해상도 영상에 대한 아키텍처 성능 저하, 데이터셋 불균형 문제를 극복하고자 하였다. 또한 딥러닝기법을 통해 구획화된 콘크리트 균열은 세선화 및 추적기법을 통해 길이를 도출하고, 프로파일링 기법을 통해 균열의 평균 폭을 도출할 수 있도록 설계하였다.
본 연구는 휴대폰, 테블릿 PC 등과 같이 비교적 저가의 휴대용 촬영기기를 통해 콘크리트 지반 구조물의 균열을 촬영하고, 촬영된 영상에서 효과적이고 신속하게 균열을 검출하고 균열의 특성(길이, 폭)을 분석할 수 있는 딥러닝기법과 영상처리기법을 개발하고, 개발된 방법과 알고리즘이 실무 적용될 수 있도록 그 성능을 확인하였다.
일반적으로 콘크리트 구조물에 있는 균열 특징(길이, 폭)을 정확하게 판단하고 수치화하여 기록함으로써 해당 건축물에 대한 위험도를 판단할 수 있으며, 구조물의 유지보수 계획에 도움을 줄 수 있다. 본 연구에서는 딥러닝기법을 이용하여 콘크리트의 균열을 검출하고, 영상처리기법을 통하여 검출된 콘크리트 균열에 대한 특징(균열, 길이)을 빠르게 판단하는 것을 목표로 한다. 이를 위한 가장 일반적인 방법은 콘크리트 균열 영상의 데이터베이스를 구축하고 이를 이용하여 균열을 구획화하는 방법이다.
신경망으로 검출, 판단, 구획화를 한 후 해당 객체의 특징을 찾는 것은 신경망이 아닌 영상처리(image processing)의 영역이며 이를 이용하여 사용자가 원하는 의미 있는 값을 얻을 수 있다. 본 연구에서는 딥러닝기법을 통해 구획화된 영상에서 균열의 특징(길이, 폭) 을 얻기 위하여 아래와 같은 영상처리기법들을 활용하였다.
본 연구에서는 콘크리트 지반 구조물의 객관적이고 효율적인 균열 점검 및 기록을 목적으로 하여 휴대용 촬영기기를 통해 촬영된 영상에서 균열을 검출하고 균열의 특성(길이, 폭)을 효과적으로 분석할 수 있는 딥러닝기법과 영상처리기법을 개발하였다.
영상에서 콘크리트 균열을 구획화하고 이에 대하여 균열의 길이를 측정하기 위하여 본 연구에서는 영상처리 기법중 하나인 세선화법(Fig. 5)을 이용하여 균열의 길이를 얻기 위한 기본 처리를 수행하였다. 세선화 방법은 대상 물체의 표면을 조금씩 벗겨내어 최종적으로 두께가 1 픽셀인 선으로 만드는 방법이며 이에 파장 전파법 등을 사용하여 보다 효과적으로 대상 물체의 두께를 1 픽셀로 줄이는 골격화(skeletonization) 방법도 존재한다.

제안 방법

따라서 본 연구에서는 Fig. 1과 같이 영상을 패치단위로 나누고 해당 영상패치에 대하여 균열이 유무를 판단하는 균열 판단 신경망(classification)과 이후 균열이 있다고 판단되는 영상패치에 대해서만 구획화를 실시하는 균열 구획화 신경망(segmentation)으로 구성된 딥러닝기법을 제안한다. 본 연구에서 제안하는 딥러닝기법은 학습데이터의 부족을 하나의 영상에서 다수의 영상 패치를 얻는 것으로 극복이 가능하며, 고해상도 영상에 대한 아키텍처 성능 저하를 방지하고, 균열이 있는 영상 패치만 구획화용 학습 데이터로 사용하는 것으로써 데이터셋 불균형 문제를 극복할 수 있다.
딥러닝기법은 영상을 패치단위로 나눠 각 패치의 균열이 유무를 판단하는 균열 판단 신경망과 해당 영상패치에 대해 구획화를 실시하는 균열 구획화 신경망으로 구성하여 학습데이터의 부족, 고해상도 영상에 대한 아키텍처 성능 저하, 데이터셋 불균형 문제를 극복하고자 하였다. 또한 딥러닝기법을 통해 구획화된 콘크리트 균열은 세선화 및 추적기법을 통해 길이를 도출하고, 프로파일링 기법을 통해 균열의 평균 폭을 도출할 수 있도록 설계하였다. 최종적으로 실제로 촬영된 균열 이미지를 통해 본 연구에서 개발된 방법의 결과와 현장에서 측정된 길이와 폭을 비교함으로써 개발된 방법과 알고리즘이 실무 적용될 수 있도록 그 성능을 확인하였다.
3)에서는 128개의 컨볼루션 필터가 사용되었으며, 풀링으로 인한 정보 손실을 방지하기 위하여 모든 컨볼루션 필터마다 풀링을 사용하는 것이 아닌, 컨볼루션 필터 그룹 연산 이후에 한번만 스트라이드 컨볼루션하는 것으로 구성하였다. 또한 역전파(backpropagation)시 가중치 소멸 문제(gradient vanishing problem)를 방지하기 위하여 잔차 신경망(residual network)을 적용하였다. 최종적으로 배치 정규화(batch normalization)와 성능을 최대로 발휘할 수 있도록 컨볼루션, 배치 정규화, 활성화(activation)의 순서를 조절하여 성능을 높이도록 구성하였다.
앞서 연구내용에서 언급한 바와 같이 총 40,000장의 콘크리트 사진이 인공신경망의 학습 및 평가를 위하여 사용되었으며, 이 중 36,000장은 학습 데이터로, 4,000장은 테스트 데이터로 사용되었다. 배치(batch) 사이즈가 50인 신경망을 이용하여 총 12,140,400번(337 epoch) 학습하였고, 손실함수(loss function)는 소프트맥스 교차엔트로피(softmax cross entropy)를 사용하였다. 정확도 평가 결과 Fig.
본 연구는 기존에 일반적으로 사용되는 구획화 딥러닝기법이 아닌 판단 신경망과 구획화 신경망을 분리함으로써 고정된 영상사이즈만 처리 가능한 것이 아닌, 다양한 환경에서 얻은 영상을 분석할 수 있다는 차별점이 있다. 하지만 균열 영상과 그 특징에 대한 객관적인 기록이 매우 부족하기 때문에, 본 연구에서는 한 가지 영상에 대해서만 검증이 수행되었음으로, 개발된 기법의 정확도와 범용성에 대한 검증이 아직 미흡하다는 한계점이 있다.
본 연구를 통해 개발된 콘크리트 균열 검출기법은 인공신경망을 이용하여 촬영기기의 종류와 성능, 그리고 주변 환경에 비교적 적은 영향을 받도록 설계되었으며, 지속적인 학습을 통해서 정확도가 향상되도록 설계되었다. 따라서 터널, 상하수관로, 지하차도, 공동구 등 다양한 형태의 지반 콘크리트 구조물에 대하여 범용적으로 적용이 가능할 것으로 기대된다.
이에 본 연구에서는 Özgenel(2018)에 의해 공유된 40,000장의 콘크리트 영상(균열이 있는 영상 20,000장, 균열이 없는 영상 20,000장)을 이용하여 검출 신경망(classification network)의 초기 학습을 수행하였다.
10). 이에 세선화와 추적기법을 이용하여 콘크리트 균열 영상에 대한 정보인 균열의 전체 길이와 평균 두께를 구할 수 있게 된다. Fig.
또한 역전파(backpropagation)시 가중치 소멸 문제(gradient vanishing problem)를 방지하기 위하여 잔차 신경망(residual network)을 적용하였다. 최종적으로 배치 정규화(batch normalization)와 성능을 최대로 발휘할 수 있도록 컨볼루션, 배치 정규화, 활성화(activation)의 순서를 조절하여 성능을 높이도록 구성하였다.
세선화 후 영상데이터는 1과 0으로 이뤄지며 균열의 데이터 값이 1인 픽셀을 추적하여, 균열의 시작 또는 종료 위치를 탐색할 수 있으며, 이 지점을 시작점으로 하여 영상 내의 동질 픽셀을 탐색해 나가며 픽셀 데이터를 취합할 수 있다. 픽셀 데이터를 취합하는 과정에서는 동일 데이터 값을 가지는 인접 픽셀의 탐색으로 영역을 확장해 나가는 방식으로 취합이 이루어지는데 임의의 한 픽셀에서 인접 픽셀을 확인하는 방법은 상, 하, 좌, 우 등 직교하는 4 방향의 연결성을 확인하는 방식과, 좌상, 우상, 좌하, 우하 등 대각 방향까지 포함한 8 방향의 연결성을 확인하는 방식이 있으나, 본 연구의 경우는 대각선 방향으로 픽셀이 놓이는 경우가 있으므로 8 방향의 연결성을 확인하여 연결성추적이 이루어진다. 추적 알고리즘의 최종 출력은 순서가 정렬된 균열 픽셀 좌표 데이터의 집합이 된다.
, 2017)을 기반으로 작성이 되었다. 해당 아키텍처의 특징은 최신 신경망 기술(배치 정규화 배열, 스트라이드/풀링, 잔차 신경망, 컨볼루션 기반 구획화 등)이 모두 적용된 신경망으로, 2차원 영상을 구획화하는 본 연구에 적합하게 수정하여 사용하였다(Fig. 4).
이에 본 연구에서는 Özgenel(2018)에 의해 공유된 40,000장의 콘크리트 영상(균열이 있는 영상 20,000장, 균열이 없는 영상 20,000장)을 이용하여 검출 신경망(classification network)의 초기 학습을 수행하였다. 해당 영상은 균열 유무에 대한 정보는 포함되어 있으나, 균열이 있는 영상에 대하여 균열 구획화는 되어있지 않음으로 본 연구에서는 해당 데이터를 기본으로 하여 균열 구획화 데이터를 별도로 제작하였다. Fig.

대상 데이터

콘크리트 균열 판단 신경망에서 콘크리트의 균열이 있다고 판단된 영상은 구획화 신경망으로 균열에 대한 구획화를 수행하게 된다. 본 신경망에서 학습으로 준비한 데이터는 콘크리트 균열 데이터베이스에서 콘크리트 균열을 구획화한 2,000장의 데이터를 사용하였으며, 이 중 1,751장을 학습에, 249장을 평가에 사용하였다. 손실함수로는 시그모이드 교차 엔트로피(sigmoid cross entropy), 평가함수로는 IoU(Intersection over union)를 사용하여 919,270번(525 epoch) 학습한 결과, 평가데이터의 IoU 값은 0.
본 연구에서 사용된 콘크리트 균열 판단 신경망(Fig. 3)에서는 128개의 컨볼루션 필터가 사용되었으며, 풀링으로 인한 정보 손실을 방지하기 위하여 모든 컨볼루션 필터마다 풀링을 사용하는 것이 아닌, 컨볼루션 필터 그룹 연산 이후에 한번만 스트라이드 컨볼루션하는 것으로 구성하였다. 또한 역전파(backpropagation)시 가중치 소멸 문제(gradient vanishing problem)를 방지하기 위하여 잔차 신경망(residual network)을 적용하였다.
앞서 연구내용에서 언급한 바와 같이 총 40,000장의 콘크리트 사진이 인공신경망의 학습 및 평가를 위하여 사용되었으며, 이 중 36,000장은 학습 데이터로, 4,000장은 테스트 데이터로 사용되었다. 배치(batch) 사이즈가 50인 신경망을 이용하여 총 12,140,400번(337 epoch) 학습하였고, 손실함수(loss function)는 소프트맥스 교차엔트로피(softmax cross entropy)를 사용하였다.

이론/모형

본 연구에서는 세선화 전 구획화 영상의 노이즈를 제어하기 위하여 이진화된 오츠 임계처리(Othu’s thresholding) 방법을 사용하여 전처리를 구성하였으며, 평면을 특정점까지의 최소 거리로 분할하여 최단 거리 경로를 찾아내는 보로노이 세선화(Voronoi thinning) 알고리즘을 사용하여 세선화를 수행하였다.
신경망을 이용한 균열 구획화 신경망은 구획화 목적의 다양한 신경망 중 의료영상 구획화에 주로 사용되는 HiRes3DNet(Li et al., 2017)을 기반으로 작성이 되었다. 해당 아키텍처의 특징은 최신 신경망 기술(배치 정규화 배열, 스트라이드/풀링, 잔차 신경망, 컨볼루션 기반 구획화 등)이 모두 적용된 신경망으로, 2차원 영상을 구획화하는 본 연구에 적합하게 수정하여 사용하였다(Fig.

성능/효과

3mm로 약 1% 정도의 오차를 가지는 결과값을 얻을 수 있었다. 또한 프로파일링 기법을 통한 평균 균열 폭은 2.2mm로, 실제 측정된 균열 폭 범위와 유사한 결과가 도출된 것을 확인하였다.
1과 같이 영상을 패치단위로 나누고 해당 영상패치에 대하여 균열이 유무를 판단하는 균열 판단 신경망(classification)과 이후 균열이 있다고 판단되는 영상패치에 대해서만 구획화를 실시하는 균열 구획화 신경망(segmentation)으로 구성된 딥러닝기법을 제안한다. 본 연구에서 제안하는 딥러닝기법은 학습데이터의 부족을 하나의 영상에서 다수의 영상 패치를 얻는 것으로 극복이 가능하며, 고해상도 영상에 대한 아키텍처 성능 저하를 방지하고, 균열이 있는 영상 패치만 구획화용 학습 데이터로 사용하는 것으로써 데이터셋 불균형 문제를 극복할 수 있다. 또한, 이렇게 판단과 검출 신경망을 분리함으로서 고정된 영상사이즈만 처리 가능한 것이 아닌, 다양한 환경에서 얻은 데이터를 사용할 수 있는 장점이 있다.
본 신경망에서 학습으로 준비한 데이터는 콘크리트 균열 데이터베이스에서 콘크리트 균열을 구획화한 2,000장의 데이터를 사용하였으며, 이 중 1,751장을 학습에, 249장을 평가에 사용하였다. 손실함수로는 시그모이드 교차 엔트로피(sigmoid cross entropy), 평가함수로는 IoU(Intersection over union)를 사용하여 919,270번(525 epoch) 학습한 결과, 평가데이터의 IoU 값은 0.87로, 100%의 정밀도를 나타내는 1에 가까운 값이 도출되어 비교적 높은 정확도의 결과를 확인하였다(Fig. 9).
11c, 11d)한 결과를 나타내었다. 실제로 측정된 균열의 길이는 396.7mm이며, 폭은 최소 1.3mm, 최대 5.2mm 사이였으며, 본 연구를 통해 딥러닝기법으로 구획화 하고 세선화 및 추적기법을 통해 도출된 균열 길이는 401.3mm로 약 1% 정도의 오차를 가지는 결과값을 얻을 수 있었다. 또한 프로파일링 기법을 통한 평균 균열 폭은 2.
배치(batch) 사이즈가 50인 신경망을 이용하여 총 12,140,400번(337 epoch) 학습하였고, 손실함수(loss function)는 소프트맥스 교차엔트로피(softmax cross entropy)를 사용하였다. 정확도 평가 결과 Fig. 8과 같이 99.98%의 최종 검증 정확도가 도출된 것을 확인하였다.
또한 딥러닝기법을 통해 구획화된 콘크리트 균열은 세선화 및 추적기법을 통해 길이를 도출하고, 프로파일링 기법을 통해 균열의 평균 폭을 도출할 수 있도록 설계하였다. 최종적으로 실제로 촬영된 균열 이미지를 통해 본 연구에서 개발된 방법의 결과와 현장에서 측정된 길이와 폭을 비교함으로써 개발된 방법과 알고리즘이 실무 적용될 수 있도록 그 성능을 확인하였다.

후속연구

본 연구를 통해 개발된 콘크리트 균열 검출기법은 인공신경망을 이용하여 촬영기기의 종류와 성능, 그리고 주변 환경에 비교적 적은 영향을 받도록 설계되었으며, 지속적인 학습을 통해서 정확도가 향상되도록 설계되었다. 따라서 터널, 상하수관로, 지하차도, 공동구 등 다양한 형태의 지반 콘크리트 구조물에 대하여 범용적으로 적용이 가능할 것으로 기대된다. 또한 비교적 저가의 휴대기기로 여러 형태의 구조물의 균열을 효율적으로 점검하고 기록을 관리함으로써, 장기적으로는 콘크리트구조물의 안정성 및 건전성 평가에 이바지 할 수 있을 것으로 기대된다.
따라서 터널, 상하수관로, 지하차도, 공동구 등 다양한 형태의 지반 콘크리트 구조물에 대하여 범용적으로 적용이 가능할 것으로 기대된다. 또한 비교적 저가의 휴대기기로 여러 형태의 구조물의 균열을 효율적으로 점검하고 기록을 관리함으로써, 장기적으로는 콘크리트구조물의 안정성 및 건전성 평가에 이바지 할 수 있을 것으로 기대된다.
하지만 균열 영상과 그 특징에 대한 객관적인 기록이 매우 부족하기 때문에, 본 연구에서는 한 가지 영상에 대해서만 검증이 수행되었음으로, 개발된 기법의 정확도와 범용성에 대한 검증이 아직 미흡하다는 한계점이 있다. 보다 정확도 높은 딥러닝기법을 위해서는 향후 지속적으로 학습 데이터를 업데이트하고 추가적인 현장 적용 및 검증을 수행할 예정이다.
본 연구는 기존에 일반적으로 사용되는 구획화 딥러닝기법이 아닌 판단 신경망과 구획화 신경망을 분리함으로써 고정된 영상사이즈만 처리 가능한 것이 아닌, 다양한 환경에서 얻은 영상을 분석할 수 있다는 차별점이 있다. 하지만 균열 영상과 그 특징에 대한 객관적인 기록이 매우 부족하기 때문에, 본 연구에서는 한 가지 영상에 대해서만 검증이 수행되었음으로, 개발된 기법의 정확도와 범용성에 대한 검증이 아직 미흡하다는 한계점이 있다. 보다 정확도 높은 딥러닝기법을 위해서는 향후 지속적으로 학습 데이터를 업데이트하고 추가적인 현장 적용 및 검증을 수행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	영상처리기법이란?	영상처리기법은 시설물로부터 획득한 이미지를 처리하고 분석하는 전 과정을 말하며, 영상의 입출력, 디지털화를 위한 전처리, 분할, 결함 관리, 결함 검출 등의 기능으로 구성된다. 효과적인 균열의 검출을 위해 형태학 연산을 통해 검출하는 모폴로지 기법(Byun et al.
	콘크리트 구조물를 손상 조사 및 검사하는 이미지분석기법이 필요한 이유는?	교량, 터널 옹벽 등의 콘크리트 구조물에서 수행되는 손상 조사 및 검사 방법은 일반적으로 검사원이 현장에서 직접 측량 도구를 사용하여 시각적으로 검사하는 방법이다. 이 방법은 검사원의 주관성에 크게 의존하기 때문에 기록의 객관성과 신뢰성이 떨어지게 된다. 따라서 균열을 자동으로 탐지하고 균열 특성을 객관적으로 분석할 수 있는 새로운 이미지분석기법이 필요하다.
	룰 기반 기법의 한계점을 보안하기 위해 필요한 것은?	이러한 룰 기반 기법의 한계점을 보완하기 위하여 최근에는 머신러닝, 딥러닝을 이용한 이미지 분석기술에 대한 필요성이 더욱 대두되고 있으며, 관련 연구도 활발하게 진행되고 있다. 특히, 최근에는 영상장비가 탑재된 드론 등의 무인기(Unmanned Aerial Vehicle, UAV)를 이용하여 노후화된 대규모 사회기반 시설물의 외관을 딥러닝 기반의 영상처리기법으로 점검하고 분석하는 방법에 대한 연구가 이루어지고 있다(Cho et al.

참고문헌 (12)

Byun, T.B., Kim, J.H., and Kim, H.S. (2006), The Recognition of Crack Detection Using Difference Image Analysis Method based on Morphology, J. of the Korea Institute of Information and Communication Engineering, Vol.10, No.1, pp. 197-205.
Cha, Y.J. and Choi, W. (2017), Vision-Based Concrete Crack Detection Using a Convolutional Neural Network, Dynamics of Civil Structures, Vol.2, pp.71-73.
Cho, S., Kim, B., and Lee, Y.I. (2018), Image-Based Concrete Crack and Spalling Detection using Deep Learning, J. of the Korean Society of Civil Engineers, Vol.66, No.8, pp.92-97.
Kim, J.W. and Jung, Y.W. (2017), Study on rapid structure visual inspection technology using drones and image analysis techniques for Damaged Concrete Structures, Proceeding of the Korean Society of Civil Engineers, pp.1788-1789.
Kim, K.B. and Cho, J.H. (2010), Detection of Concrete Surface Cracks using Fuzzy Techniques, J. of the Korea Institute of Information and Communication Engineering, Vol.14, No.6, pp.1353-1358.

원문보기 상세보기
Kim, Y. (2016), Development of Crack Recognition System for Concrete Structure Using Image Processing Method, J. of Korean Institute of Information Technology, Vol.14, No.10, pp.163-168.
Lee, B.Y., Kim, Y.Y., and Kim, J.K. (2005), Development of Image Processing for Concrete Surface Cracks by Employing Enhanced Binarization and Shape Analysis Technique, J. of the Korea Concrete Institute, Vol.17, No.3, pp.361-368.

원문보기 상세보기
Lee, B.J., Shin, J.I., and Park, C.H. (2008), Development of Image Processing Program to Inspect Concrete Bridges, Proceedings of the Korea Concrete Institute, pp.189-192.
Lee, J.H., Kim, I.H., and Jung, H.J. (2018), A Feasibility Study for Detection of Bridge Crack Based on UAV, Transactions of the Korean Society for Noise and Vibration Engineering, Vol.28, No.1, pp.110-117.

상세보기
Li W., Wang G., Fidon L., Ourselin S., Cardoso M.J., and Vercauteren T. (2017), On the Compactness, Efficiency, and Representation of 3D Convolutional Networks: Brain Parcellation as a Pretext Task. In: Niethammer M. et al. (eds) Information Processing in Medical Imaging. IPMI 2017. Lecture Notes in Computer Science, Vol. 10265. Springer, Cham.
Ozgenel, C.F. (2018), "Concrete Crack Images for Classification", Mendeley Data, v1 http://dx.doi.org/10.17632/5y9wdsg2zt.1
Park, H.S. (2013), Performance Analysis of the Tunnel Inspection System Using High Speed Camera, J. of Korean Institute of Information Technology, Vol.11, No.4, pp.1-6.

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