[논문]영상기반 콘크리트 균열 탐지 딥러닝 모델의 유형별 성능 비교

김병현; 김건순; 진수민; 조수진

doi:10.14346/jkosos.2019.34.6.50

영상기반 콘크리트 균열 탐지 딥러닝 모델의 유형별 성능 비교
A Comparative Study on Performance of Deep Learning Models for Vision-based Concrete Crack Detection according to Model Types 원문보기

한국안전학회지 = Journal of the Korean Society of Safety, v.34 no.6, 2019년, pp.50 - 57

김병현 (서울시립대학교 토목공학과) , 김건순 (서울시립대학교 산업기술연구소) , 진수민 (서울시립대학교 토목공학과) , 조수진 (서울시립대학교 토목공학과)

Abstract ▼ AI-Helper

In this study, various types of deep learning models that have been proposed recently are classified according to data input / output types and analyzed to find the deep learning model suitable for constructing a crack detection model. First the deep learning models are classified into image classification model, object segmentation model, object detection model, and instance segmentation model. ResNet-101, DeepLab V2, Faster R-CNN, and Mask R-CNN were selected as representative deep learning model of each type. For the comparison, ResNet-101 was implemented for all the types of deep learning model as a backbone network which serves as a main feature extractor. The four types of deep learning models were trained with 500 crack images taken from real concrete structures and collected from the Internet. The four types of deep learning models showed high accuracy above 94% during the training. Comparative evaluation was conducted using 40 images taken from real concrete structures. The performance of each type of deep learning model was measured using precision and recall. In the experimental result, Mask R-CNN, an instance segmentation deep learning model showed the highest precision and recall on crack detection. Qualitative analysis also shows that Mask R-CNN could detect crack shapes most similarly to the real crack shapes.

주제어

표/그림 (10)

그림 Fig. 1. Example of a truck image analysis according to CNN types.
그림 Fig. 2. Single residual block of ResNet⁸⁾.
그림 Fig. 3. Overall architecture of Faster R-CNN⁹⁾.
그림 Fig. 4. Overall architecture of DeepLab_V2¹³⁾.
그림 Fig. 5. Overall architecture of Mask R-CNN¹⁵⁾.
그림 Fig. 6. Crack image labeling examples for each type of deep learning model.
그림 Fig. 7. Example of crack detection results for each type of deep learning model.
표 Table 1. Summary of training dataset and training result for each type of deep learning model
표 Table 2. Qualitative comparison of the crack detection result
표 Table 3. Crack detection result using 40 images

AI 본문요약
AI-Helper

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

문제 정의

따라서, 위 식을 그대로 사용하여 재현율과 정밀도를 도출할 경우, 탐지 영역이 크면 클수록 TP가 많아져 재현율과 정밀도가 높아지게 된다. 본 연구에서는 이를 감안하여 균열 객체와 탐지된 영역의 중심선(Skeleton)을 이용한 수정된 재현율과 정밀도를 제안하였다.

제안 방법

마지막으로 영상 분류 모델을 위한 학습 데이터는 물체 세분화 모델의 학습 데이터를 Fig. 6(e)와 같이 작은 이미지로 쪼개고, 균열이 차지하는 면적이 일정 수준(500 픽셀) 이상인 경우 균열 이미지로, 그렇지않은 경우 비균열(Non-crack) 이미지로 분류하여 균열 이미지, 비균열 이미지 각 2000장씩을 제작하였다. 제작된 균열 및 비균열 이미지는 사용된 ResNet-101의이미지 입력 크기인 224×224로 조정되어 저장되었다.
1) 각 모델의 균열 탐지영역이 다름을 감안하여, 균열 객체와 탐지된 영역의 중심선(Skeleton)을 이용한 수정된 재현율과 정밀도를 제안하고, 이를 이용하여 균열의 위치와 형상을 탐지하는 성능을 평가하였다.
은 물체의 탐지와 세분화를 동시에 진행하는 인스턴스 세분화 모델이다. Mask R-CNN은 기존에 물체 탐지의 목적으로 개발된 Faster R-CNN⁹⁾에탐지된 물체의 형태를 픽셀단위로 인식하여 세분화하기 위한 추가 층(Mask Branch)를 합성하여 제작되었다. Mask R-CNN은 RPN(Region Proposal Network)을 이용하여 이미지 상에서 찾고자 하는 물체의 후보 영역을 제안(Region Proposal)하고, 각각의 후보 영역으로부터 RoIAlign이라고 하는 쌍일차 보간(Bilinear Interpolation)모델을 사용하여 물체의 특징지도를 높은 정확도로 생성한다.
좀 더 정밀한 유형별 성능 비교를 위하여, 본 연구에서는 네 가지 유형(물체 분류 모델, 물체 탐지 모델, 형태 세분화 모델,인스턴스 세분화 모델)의 딥러닝 모델 중 대표적인 모델(ResNet-101, Faster R-CNN, DeepLab, Mask R-CNN)을 동일한 이미지 데이터셋을 이용하여 학습하고, 40장의 동일한 테스트 데이터에 대해 균열탐지 성능을 비교평가하였다. 각각의 딥러닝 모델이 차이가 있으므로, 학습 방법, 학습종료 기준, 백본 네트워크(Backbone Network), 검증 지표와 같이 동일하게 설정할 수 있는 부분은 최대한 유사하게 설정하였으며, 각 모델의 특성을 고려한 균열 탐지 성능지표를 제안하고 이를 이용하여 비교평가를 수행하였다.
학습을 위해 2개의 Intel Xeon 프로세서(E5-2620 v4)과 4개의 NVIDIA GTX 1080Ti 그래픽 카드가 장착된 워크스테이션을 사용하였다. 각각의 모델은 과적합(Overfitting)을 최소화하기 위하여 학습정확도와 검증정확도가 90%를 넘어서면서 가장 비슷해질 때의 모델을 최종적인 학습 모델로 선정하였다. Table 1에서 보듯, 모든 모델에서 94% 이상의 학습 및 검증 정확도를 나타내어, 충분한 학습이 이루어졌음을 확인하였다.
균열 이미지와 비균열 이미지는 각각 별도의 폴더에 저장되었으며, 각 폴더의 이름에 따라 입력 이미지의 클래스를 판단하도록 프로그래밍을 구현하였다.
인스턴스 세분화 모델모델은 물체 세분화와 탐지를 동시에 수행하므로, 균열 객체에 대해 경계 상자(Bounding Box)와 균열 픽셀 단위의 라벨링을 모두 수행해야 한다. 라벨링은 상용이미지 편집 프로그램인 Photoshop을 사용하여 이미지상에서 균열부를 표시하고, COCO dataset 변환용 라이브러리²¹⁾를 사용하여 경계 상자와 균열 픽셀 단위의 라벨링 데이터로 변환하였다. 여기에서 라벨링 정보 중 경계 상자의 정보만을 제거하면 Fig.
본 연구에서는 최근 이미지 분석 분야에서 활발하게 활용되는 딥러닝 모델들을 크게 4가지 유형(이미지 분류 모델, 물체 탐지 모델, 형태 세분화 모델, 인스턴스 세분화 모델)으로 분류하고, 각 유형의 대표적인 모델(ResNet-101, Faster R-CNN, DeepLab, Mask R-CNN)들의 균열 탐지에 대한 성능을 비교 분석하였다. 총 40장의 현장 이미지를 이용하여 성능을 비교한 결과를 정리하면 다음과 같다.
실제 현장환경에서 수집된 40장의 이미지를 사용하여 학습된 네 가지 딥러닝 모델의 성능 비교를 수행하였다. Fig.
Faster R-CNN은 빠른 물체 탐지를 위하여 이미지에 CNN을 적용하여 특징지도를 한 번 추출하고, 이 특징으로부터 물체의 위치를 출력받을 수 있는 Region Proposal Network(RPN)라는 추가적인 계층을 학습하여 활용한다. 이때 정확한 물체의 크기 탐지를 위하여 특징지도 상에서 하나의 특정픽셀(Anchor)을 중심으로 다양한 크기와 모양의 영역(Anchor Box)에 대해 학습을 수행한다. FasterR-CNN 모델은 그 성능과 속도면에서 다른 물체 탐지모델에 비해 월등함을 보였다²⁰⁾.
다양한 출력에 모델을 맞추는 기존 학습 목표와 달리 잔차가 0이 되는 뚜렷한 목표가 정해지므로, 깊은 모델에 대해서도 잘 학습이 되는 특징을 갖는다. 이러한 블록층을 여러 개 활용하여 깊지만(Deep) 학습이 잘 되는 모델을 구현하였다.
학습을 위하여 균열 이미지 400장, 검증을 위한 균열 이미지 100장을 확보하였다. 이후 인스턴스 세분화 모델의 학습데이터를 만든 뒤, 이를 축소 또는 변경하는 방법으로 나머지 모델의 학습데이터를 제작하였다.
활용결과를 개별적으로 살펴보면, 개발된 모두는 균열 탐지에 충분한 성능을 보이는 것처럼 보인다. 좀 더 정밀한 유형별 성능 비교를 위하여, 본 연구에서는 네 가지 유형(물체 분류 모델, 물체 탐지 모델, 형태 세분화 모델,인스턴스 세분화 모델)의 딥러닝 모델 중 대표적인 모델(ResNet-101, Faster R-CNN, DeepLab, Mask R-CNN)을 동일한 이미지 데이터셋을 이용하여 학습하고, 40장의 동일한 테스트 데이터에 대해 균열탐지 성능을 비교평가하였다. 각각의 딥러닝 모델이 차이가 있으므로, 학습 방법, 학습종료 기준, 백본 네트워크(Backbone Network), 검증 지표와 같이 동일하게 설정할 수 있는 부분은 최대한 유사하게 설정하였으며, 각 모델의 특성을 고려한 균열 탐지 성능지표를 제안하고 이를 이용하여 비교평가를 수행하였다.
즉, 모델이 균열로 판단한 영역의 중심선 픽셀 중 실제 균열 객체와 겹치는 픽셀의 수를 TP로 인정하였다.
COCO Dataset은 물체의 탐지, 세분화 등을 위해 미리 제작된 80개의 클래스에 대해 라벨링된 20만개 이상의 이미지로 구성된 데이터셋이다¹⁶⁾. 참고로, 아래의 물체 탐지 모델, 물체 세분화 모델에서도 일반적 물체 분류 모델을 함께 활용하는데,이때 동일한 ResNet-101을 사용하여 모델의 유형간 정량적인 비교를 수행할 수 있도록 하였다.

대상 데이터

7은 40장의 이미지 중 한 장의 이미지에 대해 각각의 모델을 이용하여 탐지한 균열 영역을 붉은색으로 표시하여 비교한 것이다. 40장의 이미지들은 Fig. 7(a)에서와 같이, 균열 탐지 성능의 저하를 유발하는 다양한 균열 이외의 물체들을 포함한 사진들로 선별되었다.
본 연구에서 사용한 물체 분류 모델은 ResNet⁸⁾이다. ResNet은 2015년 ILSVRC (ImageNet Large-Scale Visual Recognition Challenge)에서 Top-5 error 3.
각각의 모델들은 서로 다른 입출력 형식을 가지고 있기 때문에 그에 맞는 학습 데이터 구축이 필요하다. 학습을 위하여 균열 이미지 400장, 검증을 위한 균열 이미지 100장을 확보하였다. 이후 인스턴스 세분화 모델의 학습데이터를 만든 뒤, 이를 축소 또는 변경하는 방법으로 나머지 모델의 학습데이터를 제작하였다.
학습을 위해 2개의 Intel Xeon 프로세서(E5-2620 v4)과 4개의 NVIDIA GTX 1080Ti 그래픽 카드가 장착된 워크스테이션을 사용하였다. 각각의 모델은 과적합(Overfitting)을 최소화하기 위하여 학습정확도와 검증정확도가 90%를 넘어서면서 가장 비슷해질 때의 모델을 최종적인 학습 모델로 선정하였다.
균열 이미지와 비균열 이미지는 각각 별도의 폴더에 저장되었으며, 각 폴더의 이름에 따라 입력 이미지의 클래스를 판단하도록 프로그래밍을 구현하였다. 학습의 정확도 향상을 위하여 상하 및 좌우 반전의 이미지증강(Augmentation) 기술을 통해 수집된 학습데이터의 4배의 데이터를 실제 학습에 사용하였다. Table 1은 학습데이터에 대해 정리한 것이다.

이론/모형

3.3 형태 세분화 모델: DeepLab 본 연구에서 활용한 형태 세분화 모델은 DeepLab¹³⁾이다. 형태 세분화를 위해서는 대상이미지에 대해 컨볼루션을 여러 번 적용시켜 특징지도를 얻는 Encoder와,특징으로부터 정의된 물체의 픽셀을 복원시키기 위한Decoder를 활용하게 된다.
. R-CNN 모델은 이미지에서 Region Proposal 알고리즘인 Selective Search¹⁸⁾를이용하여 물체가 존재할만한 지역(Region)을 우선 정하고, 각각의 지역에 물체 분류모델을 적용하여 물체의 탐지를 수행한다. 이때, 각 지역에 모두 CNN을 적용하게 되어 속도가 느려지므로, 이를 개선하기 위하여 FastR-CNN¹⁹⁾, Faster R-CNN⁹⁾이 개발되었다.
형태 세분화 모델은 입력 이미지에서 탐지할 클래스의 물체를 모두 찾아서 픽셀 단위로 영역을 지정한며,동일한 의미의 물체를 탐지하는 특성으로 인해 의미론적 세분화 모델로도 불리운다. 결과를 픽셀 단위로 출력하기 위하여 이미지의 특징을 추출하는 컨벌루션 층과, 특징에 따라 분류된 부분을 Upsampling하기 위한역컨벌루션(Deconvolution) 층을 활용한다. 물체를 픽셀 단위로 세분화하기 때문에 물체의 형상을 정확하게 추출할 수 있으나, 노이즈에 대한 취약성이 존재한다.

성능/효과

2) 40장의 이미지에 대해 인스턴스 세분화 모델이 가장 높은 수준의 재현율(94%)과 정밀도(84%)를 보여주었다. 특히 균열의 위치를 경계 상자의 형태로 선탐지 후 형상을 세분화하는 모델의 특성으로 인해, 균열의 형상을 매우 근사하여 탐지할 수 있음을 보였다.
3) 모든 딥러닝 모델들은 85% 이상의 높은 재현율을 나타내어, 현장에서 실제 균열의 위치를 탐지하는 데에는 모든 모델이 잘 활용될 수 있음을 보였다.
4) 영상 분류 모델과 형태 세분화 모델의 경우 70% 전후의 낮은 정밀도를 보여, 균열의 형상을 정확하게 추정하는 성능이 타 모델보다 낮은 것으로 나타났다.
형상 세분화 모델의 경우 재현율 89%, 정밀도 75%를 보였으며, 이는 균열의 위치를 잘 찾아내었으나 균열의 형상 추정에서는 낮은 성능을 보임을 나타낸다. 마지막으로 인스턴스 세분화 모델은 재현율 94%, 정밀도 84%로 균열의 위치뿐만 아니라 균열의 형상 추정도 매우 정확하게 할 수 있음을 나타낸다.
Table 3은 40장의 이미지에 대하여 4장에서 서술한 수정된 정밀도와 재현율을 계산한 결과이다. 먼저 영상 분류 모델은 실험에 사용된 40장의 이미지에 대하여 89%의 재현율과 68%의 비교적 낮은 정밀도를 보였다. 이는 넓은 영역을 탐지하는 모델의 특성상, 실제 균열을 탐지해내는 성능인 재현율은 높은 대신 정확하게 탐지하는 능력인 정밀도가 낮게 나타났음을 알 수 있다.
이는 우선 물체 탐지모델에 의해 균열의 영역을 경계 상자의 형태로 획득한 뒤 상자 내부에서 픽셀 단위로 균열의 형상을 추출하므로, 형태 세분화 모델보다 픽셀 단위로 분류해야 하는 영역이 작아지기 때문이다. 인스턴스 세분화 모델이 물체탐지 모델과 물체 세분화 모델이 결합된 형태이기 때문에 비교적 구현이 어렵지만, 더 정교한 균열 탐지 성능을 보이는 것을 확인할 수 있다. 본 단락의 정성적인 모델별 균열 탐지 결과 비교는 Table 2에 정리되어 있다.
2) 40장의 이미지에 대해 인스턴스 세분화 모델이 가장 높은 수준의 재현율(94%)과 정밀도(84%)를 보여주었다. 특히 균열의 위치를 경계 상자의 형태로 선탐지 후 형상을 세분화하는 모델의 특성으로 인해, 균열의 형상을 매우 근사하여 탐지할 수 있음을 보였다.
영상에 활용하는 딥러닝 모델은 물체 분류 모델에서 시작되어 물체 탐지 모델, 형태 세분화 모델 등 다양한 유형으로 진화되었으며, 그에 발맞추어 균열 탐지에도 다양한 딥러닝 유형의 모델들이 활용되었다. 활용결과를 개별적으로 살펴보면, 개발된 모두는 균열 탐지에 충분한 성능을 보이는 것처럼 보인다. 좀 더 정밀한 유형별 성능 비교를 위하여, 본 연구에서는 네 가지 유형(물체 분류 모델, 물체 탐지 모델, 형태 세분화 모델,인스턴스 세분화 모델)의 딥러닝 모델 중 대표적인 모델(ResNet-101, Faster R-CNN, DeepLab, Mask R-CNN)을 동일한 이미지 데이터셋을 이용하여 학습하고, 40장의 동일한 테스트 데이터에 대해 균열탐지 성능을 비교평가하였다.

후속연구

5) 본 결과는 균열 폭이 적정한 해상도(2-3픽셀 이상)를 갖는 이미지에 대해 획득한 결과로서, 좋은 탐지 결과를 얻기 위해서는 근접촬영이나 줌렌즈를 활용한 촬영을 통해 고해상도 이미지를 획득할 필요가 있다. 또한, 균열 폭 및 길이의 정량화를 위해서는 촬영거리를 계측하여 픽셀 길이를 실제 길이로 변환하여야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 연구에서 서술하는 균열이란 무엇인가?	균열은 콘크리트에서 발생하는 가장 대표적 손상 유형으로 구조물 성능 감소로 인한 안전성 저하, 수분 침투에 의한 철근 부식, 외관 해침으로 인한 불안감 유발 등의 원인이 된다. 콘크리트 구조물에서 균열의 관리를 위해서는 정기적인 육안검사를 통해 균열의 위치,폭, 길이와 같은 정보를 취득하고 이를 외관조사망도등의 정보화된 형태로 관리하여야 한다.
	대형 구조물에서 균열의 관리가 어려운 이유는 무엇인가?	콘크리트 구조물에서 균열의 관리를 위해서는 정기적인 육안검사를 통해 균열의 위치,폭, 길이와 같은 정보를 취득하고 이를 외관조사망도등의 정보화된 형태로 관리하여야 한다. 그러나 일반적으로 건설 구조물들은 규모가 크고 접근성이 높지 않아 육안검사를 이용한 구조물의 손상 탐지에 많은비용과 시간이 요구되고 있는 실정이다.
	콘크리트 구조물에서 균열의 관리를 위해 필요한 것은 무엇인가?	균열은 콘크리트에서 발생하는 가장 대표적 손상 유형으로 구조물 성능 감소로 인한 안전성 저하, 수분 침투에 의한 철근 부식, 외관 해침으로 인한 불안감 유발 등의 원인이 된다. 콘크리트 구조물에서 균열의 관리를 위해서는 정기적인 육안검사를 통해 균열의 위치,폭, 길이와 같은 정보를 취득하고 이를 외관조사망도등의 정보화된 형태로 관리하여야 한다. 그러나 일반적으로 건설 구조물들은 규모가 크고 접근성이 높지 않아 육안검사를 이용한 구조물의 손상 탐지에 많은비용과 시간이 요구되고 있는 실정이다.

참고문헌 (21)

K. Jang et al., "Deep Learning-Based Autonomous Concrete Crack Evaluation through Hybrid Image Scanning", Structural Health Monitoring, Vol. 18, No. 5-6, pp. 1722-1737, 2019.

상세보기
C. V. Dung and D. A. Le, "Autonomous Concrete Crack Detection Using Deep Fully Convolutional Neural Network", Automation in Construction, Vol. 99, pp. 52-58, 2019.

상세보기
J. Schmidhuber, "Deep Learning in Neural Networks: An Overview", Neural Networks, Vol. 61, Elsevier Ltd, pp. 85-117, 2015.

상세보기
Y. LeCun et al., "Gradient-Based Learning Applied to Document Recognition", Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2323, 1998.

상세보기
K. Fukushima, "Neocognitron: A Self-Organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position", Biological Cybernetics, Vol. 36, No. 4, Springer-Verlag, pp. 193-202, 1980.

상세보기
A. Krizhevsky et al., "ImageNet Classification with Deep Convolutional Neural Networks", Advances In Neural Information Processing Systems, pp. 1-9, 2012.
K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition", International Conference on Learning Representations (ICRL), pp. 1-14, 2015.
K. He et al., "Deep Residual Learning for Image Recognition", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016.
S. Ren et al., "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 39, No. 6, pp. 1137-1149, 2017.

상세보기
W. Liu et al., "SSD: Single Shot Multibox Detector", European Conference on Computer Vision, Vol. 9905 LNCS, pp. 21-37, 2016.
J. Redmon et al., "You Only Look Once: Unified, Real-Time Object Detection", Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 779-788, 2016.
V. Badrinarayanan et al., "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 39, No. 12, pp. 2481-2495, 2017.

상세보기
L. C. Chen et al., "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 40, No. 4, pp. 834-848, 2018.

상세보기
O. Ronneberger et al., "U-Net: Convolutional Networks for Biomedical Image Segmentation", International Conference on Medical Image Computing and Computer-Assisted Intervention, Vol. 9351, pp. 234-241, 2015.
K. He et al., "Mask R-CNN", Proceedings of the IEEE International Conference on Computer Vision, pp. 2961-2969, 2017.
T. Y. Lin et al., Microsoft COCO: Common Objects in Context, 2014.
R. Girshick et al., "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation", The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 580-587, 2014.
J. R. R. Uijlings et al., "Selective Search for Object Recognition", International Journal of Computer Vision, Vol. 104, No. 2, Springer US, pp. 154-1571, 2013, doi: 10.1007/s11263-013-0620-5.

상세보기
R. Girshick, "Fast R-CNN", Proceedings of the IEEE International Conference on Computer Vision, pp. 1440-1448, 2015.
J. Huang et al., "Speed/Accuracy Trade-Offs for Modern Convolutional Object Detectors", The IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp. 7310-7311, 2017.
GitHub - Waspinator/Pycococreator: Helper Functions to Create COCO Datasets. https://github.com/waspinator/pycococreator. Accessed 8 Aug. 2019.

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