[논문]Disaster warning system using Convolutional Neural Network - Focused on intelligent CCTV

Choi, SeungHyeon; Kim, DoHyeon; Kim, HyungHeon; Kim, Yoon

doi:10.9708/jksci.2019.24.02.025

[국내논문] Disaster warning system using Convolutional Neural Network - Focused on intelligent CCTV 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.24 no.2, 2019년, pp.25 - 33

Choi, SeungHyeon (Dept. of Computer and Communications Engineering, Kangwon National University) , Kim, DoHyeon (Dept. of Computer and Communications Engineering, Kangwon National University) , Kim, HyungHeon (INNODEP INC) , Kim, Yoon (Dept. of Computer and Communications Engineering, Kangwon National University)

Abstract ▼ AI-Helper

In this paper, we propose an intelligent CCTV technology which is applied to a recent attracted attention real-time object detection technology in a disaster alarm system. Natural disasters are rapidly increasing due to climate change (global warming). Various disaster alarm systems have been developed and operated to solve this problem. In this paper, we detect object through Neuron Network algorithm and test the difference from existing SVM classifier. Experimental results show that the proposed algorithm overcomes the limitations of existing object detection techniques and achieves higher detection performance by about 15%.

주제어

표/그림 (23)

그림 Fig. 1. water play safety system(Korea Coast Guard)
그림 Fig. 2. climber safety system (National Disaster Management Research Institute)
그림 Fig. 3. KISA intelligent certification process
그림 Fig. 4. Common Object Detection Algorithm Flowchart
그림 Fig. 5. HOG Algorithm
표 Table 1. KISA Intelligent Authentication Evaluation Method and Criteria (Intrusion)
그림 Fig. 6. Proposal Algorithm Flowchart
그림 Fig. 7. YOLO v2 Network
표 Table 2. Darknet 19
그림 Fig. 8. Clustering box dimensions on VOC and COCO
그림 Fig. 9. Sutherland Hodgman Polygon Clipping
표 Table 3. Detection frameworks on PASCAL VOC 2007
그림 Fig. 10. Test Level-1 results (KISA Event)
그림 Fig. 11. First event detection cumulative graph
표 Table 4. Test Dataset
표 Table 5. Test environment
표 Table 6. Test Video
표 Table 7. Test Level-1 (KISA Event)
표 Table 8. Test Level-2 (GT Event)
그림 Fig. 12. GT detection rate (all test algorithm)
그림 Fig. 13. Test Level-2 results (GT)
그림 Fig. 14. IoU Comparison by Test Algorithm 1, 2
표 Table 9. Test Level-3 (IoU)

AI 본문요약
AI-Helper

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

문제 정의

그래서 본 논문에서는 컴퓨터 비전 분야에서 많은 성과를 보인 CNN(Convolutional Neural Network)을 활용한 예․경보시스템을 제시한다. 알고리즘은 머신러닝의 기술 중에서 주목받고 있는 딥러닝 모델인 You only look once version2 (YOLOv2)와 Sutherland Hodgman Polygon Clipping 알고리즘을 이용하여 객체의 탐지율을 높여 신뢰성을 높인다.

가설 설정

1) CCTV, 미디어서버, AVI파일로부터 영상을 수신한다 2) 수신된 영상에 Neuron Network 객체검출 알고리즘인 You only look once version2(YOLOv2)를 적용하여 객체(사람)을 검출한다 3) 검출된 객체가 탐지영역(MAP)에 들어오게 되면 이벤트가 발생된다 4) 이벤트는 시스템경보(SystemAlarm)로 출력된다.[9]
4) 이전 프레임의 표준편차 값과 비교한다. 5) 비교 값이 임계값을 초과 하면 해당 Grid가 대상자로 수집된다. 6) SVM을 통하여 사람인지 아닌지를 구분하게 된다.
5) 비교 값이 임계값을 초과 하면 해당 Grid가 대상자로 수집된다. 6) SVM을 통하여 사람인지 아닌지를 구분하게 된다. 국립공원관리공단은 북한산 인수봉 을 대상으로 그림2와 같은 시범시스템을 운영 중이다.

제안 방법

3) GMM을 이용하여 배경과 전경을 분리한다. 4) HOG와 SVM을 이용하여 사람인 객체만 분류하여 침입 여부를 인식한다. 부산광역시는 관내 테트라포드 설치 지역을 대상으로 위 시스템을 운영중이다.
3) 후처리를 통해 전경에서 노이즈를 제거하고 객체를 추출한다. 4) 추출된 객체의 특징을 뽑기 위해 특징 기술자 중 하나인 Histogram of Oriented Gradient(HOG)를 통해 강인한 특징 백터를 추출하여 예측 입력 그룹을 생성한다. 5) 비교 대상자는 SVM을 이용하여 객체의 사람 유무를 판단한다.
일반적인 객체인지 알고리즘의 프로세스는 영상이 들어오면 들어오는 영상을 이용해 배경을 생성하고 생성된 배경을 이용해 객체를 검출한다. 그 후 학습된 기계학습 모델을 이용해 객체를 분류하고 추적한다. 그림4는 일반적인 객체탐지 알고리즘의 순서도이다.
실험방법 중 첫 번째 방법은 KISA의 이벤트 처리기준에 의해 만들어진 이벤트 값의 분석하며, 두 번째 방법은 영상별 Ground Truth(이하 GT)을 만든 뒤 알고리즘마다 검지된 탐지 영역의 결과물과 비교하여 GT대비 검출율을 분석한다. 동시에 오브젝트의 ID와 X,Y,W,H를 추출하여 GT와 추론데이터간의 Intersection of Union (IoU)을 계산하여 정합률을 분석한다. 실험환경은 표5와 같으며 실험영상의 선정기준은 표6과 같다.
그림8는 Sutherland Hodgman Polygon Clipping을 통해 설정된 클립핑폴리곤 영역이 Edge를 기준으로 클립되는 과정을 보여준다. 본 논문에서 제시하는 알고리즘은 입력영상에서 검지영역을 지정하여 객체가 얼마나 폴리곤 영역에 침입했는지를 판단한다. 최종 시스템경보 판단 식은 아래와 같다.
본 논문에서 제안하는 알고리즘은 YOLO v2 알고리즘을 커스터마이징하여 최적의 mAP값을 구하는 네트워크를 제안한다. 다크넷 19의 feature extraction 파트 이후 가장 마지막 네트워크인 detector 레이어를 수정한다.
두 번째 실험은 알고리즘의 신뢰도를 도출하기 실험이다. 본 논문에서는 신뢰도를 도출하기 위해 Ground Truth(GT)와 알고리즘별로 생성된 데이터간의 검출율을 분석한 뒤 GT와 추론 데이터간의 Intersection of Union (IoU)을 계산하였다. 실험 결과 GT대비 알고리즘별 검지데이터 간의 검지율은 표8과 같았으며, IoU의 비교값은 표9과 같았다.
본 실험은 기존시스템, YOLO+coco, YOLO+coco+dataset, Proposal 4가지의 알고리즘을 이용하였고 2가지의 방법을 통해 객체의 탐지능력과 효과성을 검증한다.
실험방법 중 첫 번째 방법은 KISA의 이벤트 처리기준에 의해 만들어진 이벤트 값의 분석하며, 두 번째 방법은 영상별 Ground Truth(이하 GT)을 만든 뒤 알고리즘마다 검지된 탐지 영역의 결과물과 비교하여 GT대비 검출율을 분석한다. 동시에 오브젝트의 ID와 X,Y,W,H를 추출하여 GT와 추론데이터간의 Intersection of Union (IoU)을 계산하여 정합률을 분석한다.
탐지대상지의 Data-set은 SVM:10,000개, 딥러닝:10,000개로 총 2가지 타입이며, 현지 영상으로 제작되었다. 실험은 총 4가지 모델(기존시스템, Yolo v2 + coco dataset, Yolo v2 + custom dataset, proposal + custom dataset)로 시행되며 밤/낮/근거리/중거리/장거리 영상으로 검증하게 된다. 실험결과 기존시스템대비 15%, CNN 표준모델대비 4% 이상의 성능향상이 이루어졌다
오브젝트를 특정지어 딥러닝 알고리즘의 성능을 높이는 방법을 제시한다.
클라이머 감시 시스템은 매년 반복되는 인수봉 낙상사고로부터 등반인의 안전을 확보하고 조속한 대응을 하고자 개발된 시스템이다. 이 시스템은 접점 센서를 장착할 수 없는 환경상의 문제를 해결하기 위해 원거리 CCTV영상에 영상분석 기술을 적용 하여 다수의 등반 인원을 전수 감지하며 이상행동 패턴에 따른 경보 메시지를 제공한다. 이를 구현한 알고리즘은 다음과 같다.
전경으로 나온 객체가 사람인지를 판단하기 위해 HOG를 이용하여 특징점을 추출하고 이를 예측 입력데이터로 사용한다. HOG는 셀과 블록으로 구성되어 있으며 영상을 블록과 셀을 통해 구분한다.
표4와 같이 네 가지 알고리즘 중 첫 번째인 기존시스템(SVM)은 10,000개의 데이터로 학습시켰으며 두 번째 방법인 YOLO+coco는 YOLOv2에 COCO dataset을 학습시켰고 세 번째인 YOLO+coco+dataset은 YOLO v2에 Custom dataset으로 Fine Tuning 하였다. Proposal은 Custom YOLO v2에 Custom dataset으로 학습하였다.
오브젝트를 특정지어 딥러닝 알고리즘의 성능을 높이는 방법을 제시한다. 학습 데이터로 일반적인 사람 사진을 사용하기에 특정 지역에서 낮은 Recall 능력을 보일 수 있는데 이를 보완하기 위해 파인튜닝(Fine-Tuning)을 통한 전이학습(Transfer Learning)으로 탐지대상지의 영상을 추가학습 하여 낮은 Recall 능력을 보완한다. 탐지대상지의 Data-set은 SVM:10,000개, 딥러닝:10,000개로 총 2가지 타입이며, 현지 영상으로 제작되었다.

대상 데이터

YOLO는 현재 v3까지 공개된 알고리즘이며 이번 실험에서는 가장 많이 사용되는 YOLO v2를 기준으로 실험하게 된다. 본 논문에서는 20만개 이상의 영상과 80개의 클래스가 있는 COCO dataset과 탐지대상지의 영상을 통해 만들어진 Custom dataset을 학습 데이터로 이용했다.
테트라포드 시스템은 최첨단 정보통신기술(ICT)을 활용한 과학적·선제적인 재난대응을 구현하여 재난피해를 예방 및 경감을 목적으로 개발된 시스템이다. 본 논문의 배경이 되는 시스템으로 부산광역시 해안가에서 사용 중이다. 이 시스템은 기존의 지능형 영상감지 시스템과 유사한 구조로 이루어져 있다.
학습 데이터로 일반적인 사람 사진을 사용하기에 특정 지역에서 낮은 Recall 능력을 보일 수 있는데 이를 보완하기 위해 파인튜닝(Fine-Tuning)을 통한 전이학습(Transfer Learning)으로 탐지대상지의 영상을 추가학습 하여 낮은 Recall 능력을 보완한다. 탐지대상지의 Data-set은 SVM:10,000개, 딥러닝:10,000개로 총 2가지 타입이며, 현지 영상으로 제작되었다. 실험은 총 4가지 모델(기존시스템, Yolo v2 + coco dataset, Yolo v2 + custom dataset, proposal + custom dataset)로 시행되며 밤/낮/근거리/중거리/장거리 영상으로 검증하게 된다.

데이터처리

2) 5x5 또는 10x10 Grid 로 화면을 분할한다. 3) Grid마다 표준편차를 구한다. 4) 이전 프레임의 표준편차 값과 비교한다.

이론/모형

1) CCTV, 미디어서버, AVI파일로부터 영상을 수신한다. 2) 배경모델링을 위해 Gaussian Mixture Model(GMM)을 이용하여 배경을 생성하고 생성된 배경을 이용해 움직임이 있는 전경을 분리한다. 3) 후처리를 통해 전경에서 노이즈를 제거하고 객체를 추출한다.
1) CCTV, 미디어서버, AVI파일로부터 영상을 수신한다 2) 수신된 영상에 Neuron Network 객체검출 알고리즘인 You only look once version2(YOLOv2)를 적용하여 객체(사람)을 검출한다 3) 검출된 객체가 탐지영역(MAP)에 들어오게 되면 이벤트가 발생된다 4) 이벤트는 시스템경보(SystemAlarm)로 출력된다.[9]
2) Region of Interest(ROI)를 설정하여 감지영역을 지정한다. 3) Gaussian Mixture Model(GMM)을 이용하여 입력 영상의 배경과 전경을 분리한다. 4) 차영상을 이용하여 객체의 수영경계선 침범 여부를 인식한다.
YOLO는 현재 v3까지 공개된 알고리즘이며 이번 실험에서는 가장 많이 사용되는 YOLO v2를 기준으로 실험하게 된다. 본 논문에서는 20만개 이상의 영상과 80개의 클래스가 있는 COCO dataset과 탐지대상지의 영상을 통해 만들어진 Custom dataset을 학습 데이터로 이용했다.
탐지영역은 가변적인 도형의 형태이다. 디텍터로 검출된 객체가 해당 영역에 100% 들어가는 시점을 알아내기 위하여 Sutherland Hodgman Polygon Clipping 알고리즘을 이용한다.
본 논문에서 비교실험을 위해 사용될 Support Vector Model(SVM) 객체탐지 알고리즘은 다음과 같은 프로세스로 설계된다. 1) CCTV, 미디어서버, AVI파일로부터 영상을 수신한다.
그래서 본 논문에서는 컴퓨터 비전 분야에서 많은 성과를 보인 CNN(Convolutional Neural Network)을 활용한 예․경보시스템을 제시한다. 알고리즘은 머신러닝의 기술 중에서 주목받고 있는 딥러닝 모델인 You only look once version2 (YOLOv2)와 Sutherland Hodgman Polygon Clipping 알고리즘을 이용하여 객체의 탐지율을 높여 신뢰성을 높인다. 오브젝트를 특정지어 딥러닝 알고리즘의 성능을 높이는 방법을 제시한다.

성능/효과

YOLO v2은 224x224 사이즈의 데이터를 448x448 사이즈로 변환한 인풋 데이터로 학습을 진행한다. 448x448 고정 파인 트레이닝(Fine Training) 방식으로 약 4%의 성능향상을 이루었다. 또한, YOLO v2은 고정된 크기의 Fully connected network가 사라져 멀티 스케일 트레이닝이 가능해졌다.
그림12는 알고리즘별 검출율을, 그림13은 실험 영상, 그림14는 실험 영상들의 평균 IoU를 보이고 있다. 두 번째 실험 또한 신뢰도의 수준이 제안 한 알고리즘이 더 우수하다는 것이 확인되었다.
실험결과를 통해 즉시성이 생명인 디텍터 알고리즘의 이벤트처리 시작 시간을 알아볼 수 있었다. 또한 COCO-Dataset으로 학습된 알고리즘의 추론정확도는 딥-러닝의 여부를 떠나 그 정확도가 현장의 데이터로 학습된 알고리즘보다 매우 낮다는 것을 알 수 있었으며 그림11과 같이 제안하는 알고리즘의 정확도가 가장 높은 것을 확인할 수 있다
본 논문에서는 신뢰도를 도출하기 위해 Ground Truth(GT)와 알고리즘별로 생성된 데이터간의 검출율을 분석한 뒤 GT와 추론 데이터간의 Intersection of Union (IoU)을 계산하였다. 실험 결과 GT대비 알고리즘별 검지데이터 간의 검지율은 표8과 같았으며, IoU의 비교값은 표9과 같았다. 그림12는 알고리즘별 검출율을, 그림13은 실험 영상, 그림14는 실험 영상들의 평균 IoU를 보이고 있다.
실험은 총 4가지 모델(기존시스템, Yolo v2 + coco dataset, Yolo v2 + custom dataset, proposal + custom dataset)로 시행되며 밤/낮/근거리/중거리/장거리 영상으로 검증하게 된다. 실험결과 기존시스템대비 15%, CNN 표준모델대비 4% 이상의 성능향상이 이루어졌다
위 실험을 통해 우리는 재난 예·경보 시스템의 한 요소인 지능형 CCTV의 정확도와 신뢰도를 높일 수 있는 기술로 제안된 딥-러닝 알고리즘이 적합하다는 결론을 얻을 수 있었다. 실험결과 제안하는 딥-러닝 알고리즘이 기존의 알고리즘보다 높은 정확도를 보장하는 것은 맞지만 아무리 성능이 좋은 알고리즘도 명확한 데이터(또는 현장의 데이터) 없이는 높은 신뢰성을 얻을 수 없다는 것도 실험을 통해 확인하였다. 추후 연구에서는 다양한 데이터를 분류하고 저장 및 공유하는 연구를 진행할 예정이다.
실험결과는 표7과 같으며 실험영상은 그림9와 같다. 실험결과를 통해 즉시성이 생명인 디텍터 알고리즘의 이벤트처리 시작 시간을 알아볼 수 있었다. 또한 COCO-Dataset으로 학습된 알고리즘의 추론정확도는 딥-러닝의 여부를 떠나 그 정확도가 현장의 데이터로 학습된 알고리즘보다 매우 낮다는 것을 알 수 있었으며 그림11과 같이 제안하는 알고리즘의 정확도가 가장 높은 것을 확인할 수 있다
위 실험을 통해 우리는 재난 예·경보 시스템의 한 요소인 지능형 CCTV의 정확도와 신뢰도를 높일 수 있는 기술로 제안된 딥-러닝 알고리즘이 적합하다는 결론을 얻을 수 있었다. 실험결과 제안하는 딥-러닝 알고리즘이 기존의 알고리즘보다 높은 정확도를 보장하는 것은 맞지만 아무리 성능이 좋은 알고리즘도 명확한 데이터(또는 현장의 데이터) 없이는 높은 신뢰성을 얻을 수 없다는 것도 실험을 통해 확인하였다.

후속연구

실험결과 제안하는 딥-러닝 알고리즘이 기존의 알고리즘보다 높은 정확도를 보장하는 것은 맞지만 아무리 성능이 좋은 알고리즘도 명확한 데이터(또는 현장의 데이터) 없이는 높은 신뢰성을 얻을 수 없다는 것도 실험을 통해 확인하였다. 추후 연구에서는 다양한 데이터를 분류하고 저장 및 공유하는 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지능형CCTV란 무엇인가?	특히 최근에는 인공지능의 한 분야인 영상분석(Video Analysis)을 이용한 컴퓨터비전(Computer Vision)이 주목받고 있다. 이러한 컴퓨터비전 기술에 폐쇄회로 카메라(CCTV)를 결합한 지능형CCTV는 즉시성 이벤트를 판단하는 목적으로 도입 되고 있으며, 연평균('12~'17) 10%이상 시장규모가 성장하는 등 매우 빠른 발전 속도를 보이고 있다.
	테트라포드 시스템의 알고리즘 순서는 무엇인가?	이 시스템은 기존 의 지능형 영상감지 시스템과 유사한 구조로 이루어져 있다. 1) CCTV로부터 영상을 입력받는다. 2) ROI를 설정하여 감지영역 을 지정한다. 3) GMM을 이용하여 배경과 전경을 분리한다. 4) HOG와 SVM을 이용하여 사람인 객체만 분류하여 침입 여부를 인식한다. 부산광역시는 관내 테트라포드 설치 지역을 대상으 로 위 시스템을 운영중이다.
	클라이머 감시 시스템의 목적은 무엇인가?	클라이머 감시 시스템은 매년 반복되는 인수봉 낙상사고로부 터 등반인의 안전을 확보하고 조속한 대응을 하고자 개발된 시스템이다. 이 시스템은 접점 센서를 장착할 수 없는 환경상의 문 제를 해결하기 위해 원거리 CCTV영상에 영상분석 기술을 적용 하여 다수의 등반 인원을 전수 감지하며 이상행동 패턴에 따른 경보 메시지를 제공한다.

참고문헌 (15)

Tetra port goes 'Access control', http://www.knn.co.kr/163726.
Park Young Jin, Cho Myeong Heum, Lee Jun Woo, "Development of automatic water level detection alarm system using intelligent CCTV," Korean Society Of Hazard Mitigation Academic Publications, pp. 66-66, 2013.
JungSub Oh, DoHyeon Kim, Yoon Kim, "Loitering and Intrusion Detection Algorithms using Neuron Network," Korean Institute of Information Scientists and Engineers Academic Publications, Vol 2017.12, pp. 2142-2144, 2017.
J. Redmon and A. Farhadi, "YOLO9000: Better, Faster, Stronger," Computer Vision and Pattern Recognition, arXiv:1612.08242, Dec. 2016.
C. Burges, "A tutorial on support vector machines for pattern recognition. Knowledge Discovery and Data Mining," Vol. 2, Issue 2, pp.121-167, 1998.

상세보기
Rappaport. A, "An efficient algorithm for line and polygon clipping," The Visual Computer, Vol. 7, pp. 19-28, Jan. 1991.

상세보기
Sehyuck Wi, Donghyun Kim, Jingchun Piao, Hyunchul Shin, "Night-time Pedestrain Detection Techniques by Using HoG," Korean Institute of Information Scientists and Engineers Academic Publications, Vol. 2014.6, pp. 1797-1799, 2014
N. Dalaland B. Trigg, "Histograms of Oriented Gradients for Human Detection," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol. 1, pp.886-893, 2005.
YuJung Choi, Yoon Kim, "Object Detecting and Tracking Algorithm In The Environment of Complex Beach,"Korean Institute of Information Scientists and Engineers Academic Publications, Vol. 2016, No. 12, pp. 1123-1125, Dec. 2016.
Korea Internet&Security Agency, "Intelligent CCTV Solution Performance Test and Certification Guide," pp. 30, Jan. 2018.
Dasol Hong, Yoon Kim, "Efficient Swimmer Detection Algorithm using CNN-based SVM,"Journal of The Korea Society of Computer and Information, Vol. 22 No. 12, pp. 79-85, Dec. 2017.
Jong-Hak Lee, Koo-Rack Park, Dong-Hyun Kim, Yun-Yeol Lee, "Intelligent Monitoring Systems for CCTV for Crime Prevention," The Korea Society of Computer and Information Academic Publications, Vol. 24(2), pp. 105-106, Jun. 2016.
Seung-Hwan Bang, Hyun-Bo Cho, "Learning Method for Real-time Crime Prediction Model Utilizing CCTV," Journal of The Korea Society of Computer and Information, Vol. 21 No. 5, pp. 91-98, May. 2016.
Korea Defense Industry Association, "Defense Technology,"Vol. 468, pp. 17-18, Feb. 2018.
Taewoo Kim, Doyoung Kim, Hyungheon Kim, Pyunggang Kim, "The Design of Intelligent CCTV Video Analytics System utilizing Appearance and Disappearance Points of Objects for False Alarm Mitigation," The Korean Institute of Information Scientists and Engineers Academic Publications, Vol. 2015.06, pp. 769-771, Jun. 2015.

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