[논문]자동 균열 조사기법의 정확도 평가를 위한 조사선 기반의 지표 제안

김진언; 송재준

doi:10.7474/tus.2019.29.4.230

[국내논문] 자동 균열 조사기법의 정확도 평가를 위한 조사선 기반의 지표 제안
Scanline Based Metric for Evaluating the Accuracy of Automatic Fracture Survey Methods 원문보기

터널과 지하공간: 한국암반공학회지 = Tunnel and underground space, v.29 no.4, 2019년, pp.230 - 242

김진언 (서울대학교 에너지시스템공학부) , 송재준 (서울대학교 에너지시스템공학부)

초록
AI-Helper

신속한 암반 및 암석 균열 조사를 위해서는 자동화된 조사기법이 필요하다. 그러나 자동 조사기법의 균열 지도가 수동으로 조사한 것과 얼마나 일치하는지 표기하는 단일 지표가 없어서 그 정확도를 평가하는데 어려움이 있다. 따라서 본 연구에서는 균열 지도 간의 일치도를 단일 값으로 표현하는 조사선 교차 일치도 (Scanline Intersection Similarity, SIS)라는 지표를 새롭게 제안하였다. 제안된 지표는 두 균열 지도의 균열 빈도를 다수의 조사선 상에서 비교하여 이들 간의 기하학적 일치도를 도출한다. 해당 지표의 적용성을 검토하기 위해 컴퓨터 비전 (Computer Vision) 분야에서 널리 사용하는 일치도 지표인 Intersection Over Union (IoU)과 비교분석하였다. IoU는 균열의 미시적 형태 차이를 과대평가하는 반면에, 제안된 지표의 경우 미시적 형태 차이보다 경사와 같은 거시적 형태 차이를 더 민감하게 반영하였다. 따라서 균열의 거시적 형태가 중요한 암반 공학적 관점에서, 제안된 지표가 IoU 보다 균열 지도의 일치도 지표로써 적합하였다. 더 나아가 제안된 지표를 딥러닝(Deep Learning)을 이용한 균열 조사기법에 적용해본 결과, 해당 기법의 정확도가 조사선 교차 일치도로 0.674 임을 확인하였다.

Abstract ▼ AI-Helper

While various automatic rock fracture survey methods have been researched, the evaluation of the accuracy of these methods raises issues due to the absence of a metric which fully expresses the similarity between automatic and manual fracture maps. Therefore, this paper proposes a geometry similarity metric which is especially designed to determine the overall similarity of fracture maps and to evaluate the accuracy of rock fracture survey methods by a single number. The proposed metric, Scanline Intersection Similarity (SIS), is derived by conducting a large number of scanline surveys upon two fracture maps using Python code. By comparing the frequency of intersections over a large number of scanlines, SIS is able to express the overall similarity between two fracture maps. The proposed metric was compared with Intersection Over Union (IoU) which is a widely used evaluation metric in computer vision. Results showed that IoU is inappropriate for evaluating the geometry similarity of fracture maps because it is overly sensitive to minor geometry differences of thin elongated objects. The proposed metric, on the other hand, reflected macro-geometry differences rather than micro-geometry differences, showing good agreement with human perception. The metric was further applied to evaluate the accuracy of a deep learning-based automatic fracture surveying method which resulted as 0.674 (SIS). However, the proposed metric is currently limited to 2D fracture maps and requires comparison with rock joint parameters such as RQD.

주제어

표/그림 (12)

그림 Fig. 1. Investigation of different number of scanlines
그림 Fig. 2. Unwanted or missing intersections due to digitalization (Different color implies different lines)
$Fig. 3. Definition of intersections Blue and red indicates the fracture and scanline, respectively. Green indicates a 3x3 buffer.$ 그림 Fig. 3. Definition of intersections Blue and red indicates the fracture and scanline, respectively. Green indicates a 3x3 buffer.
그림 Fig. 4. Setting random scanlines by selecting two random points at the edge. Circles indicate the candidate points. Lines are examples of scanlines
그림 Fig. 5. Heat map of frequency of scanlines passing a pixel (Brighter color implies higher frequency)
그림 Fig. 6. Fracture maps with different number of average intersections
그림 Fig. 7. Average intersection counts according to sub-spacing
$Fig. 8. SIS and IoU values for simple fractures$ 그림 Fig. 8. SIS and IoU values for simple fractures
$Fig. 9. SIS and IoU values for multiple fractures$ 그림 Fig. 9. SIS and IoU values for multiple fractures
$Fig. 10. SIS values for deep learning-based fracture mapping method$ 그림 Fig. 10. SIS values for deep learning-based fracture mapping method
$Fig. 10. SIS values for deep learning-based fracture mapping method (Continued)$ 그림 Fig. 10. SIS values for deep learning-based fracture mapping method (Continued)
$Fig. 10. SIS values for deep learning-based fracture mapping method (Continued)$ 그림 Fig. 10. SIS values for deep learning-based fracture mapping method (Continued)

AI 본문요약
AI-Helper

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

문제 정의

균열 지도 경계상에서 조사선의 끝점을 무작위로 선정하여 최대한 편향되지 않게 균열 빈도를 비교하고자 하였다. 그러나 Fig.
본 연구에서는 자동 균열 조사기법의 정확도를 단일 지표로 표현하는 조사선 교차 일치도(Scanline Intersection Similarity, SIS)라는 새로운 지표를 제안하였다. 이 지표는 자동 조사기법의 균열 지도와 수동 조사기법의 균열 지도, 두 균열 지도의 균열 빈도 를 다수의 조사선 상에서 비교하여 자동 조사기법의 정확도를 평가한다.
본 연구에서는 자동 균열 조사기법의 정확도를 평가하는 통합 지표를 새롭게 제안하였다. ‘조사선 교차 일치도’라 명명한 이 지표는 동일 조사선 상의 균열 빈도를 비교하여, 식 (1)과 식 (2)를 통해 두 균열 지도 간의 일치도를 산출한다.

제안 방법

2절에서 제안한 조사선 교차 일치도를 간단한 형태의 균열 지도 모델에 적용하여 그 적용성을 검토하였다. 제안 지표와의 비교를 위해 컴퓨터 비전 분야의 일치도 지표인 Intersection Over Union(IoU)도 동일한 균열 지도 모델에 적용하였다.
8은두 지표를 이용하여 균열이 한 개 있는 균열 지도 모델의 일치도를 평가한 것이다. 균열의 각도가 5도, 10도 그리고 15도 차이가 나는 경우와 균열의 위치가 60 픽셀과 120 픽셀 차이 나는 경우의 균열 지도 일치도를 평가하였다. 그 결과, 5도, 10도 그리 고 15도 차이에 대해 조사선 교차 일치도는 각각 0.
균열 지도의 전반적인 기하학적 일치도를 반영하기 위해 5120개의 조사선상에서 균열 빈도를 비교하였으며 이를 Python 코드를 이용하여 컴퓨터 알고리즘으로 구현하였다. 그 과정에서 3x3 영역을 이용하여 조사선과 균열 사이의 교점을 정의하였으며 편향 없이 조사선을 설정하기 위해 균열 지도 경계에서 조사선 끝점을 무작위로 선택하였다. 그리고 정규화를 위해 균열 지도를 하위-영역으로 나눠서 식 (2)를 통해 제안한 지표를 최종 산출하였다.
, 2018)의 정확도를 평가해보았다. 딥러닝 균열 조사의 균열 지도와 사람이 직접 조사한 균열 지도로 이루어진 18쌍의 균열 지도에 대해 조사선 교차 일치도를 산출하였다. 각 균열 지도 쌍과 그에 해 당하는 조사선 교차 일치도 값을 Fig.
제안한 지표는 무수히 많은 조사선 상에서 균열 빈도를 비교하기 때문에 컴퓨터를 이용한 계산이 필요하다. 본 연구에서는 1024x1024 픽셀 크기의 균열 지도에 대해, 제안한 지표를 자동으로 계산하는 컴퓨터 알고리즘을 Python 언어를 이용하여 구현하였다.
많은 수의 조사선 상에서 균열 빈도를 비교하면 전반적인 기하학적 일치도를 평가할 수 있으며 지표 값이 조사선의 배치와 상관없이 일정하게 도출된다. 본 연구에서는 5,120개의 조사선에 대해 균열 빈도를 비교하여 조사선 교차 일치도를 산출하였다.
제안된 지표를 도출할 때는, 사각형 균열 지도에서 4개의 경계 중 조사선과 만날 2개의 경계를 무작위로 선택한 후 각 경계에서 조사선의 끝점이 될 점을 하나씩 무작위로 선택하여 편향되지 않게 조사선을 설정하였다. 본 연구에서는 이와 같은 조사선 설정 방 식을 1024x1024 픽셀 크기의 디지털 균열 지도에 적용하였다. 서로 다른 두 경계에서 점을 하나씩 선택하여 조사선을 설정하면, 1024x1024 크기의 균열 지도상에서 총 6,279,174(=6x1023x1023) 종류의 조사선이 도출 가능하다.
이와 같은 가장자리-편향을 해소하기 위해, 조사선의 양 끝을 일정 확률로 제거(drop-out)하였다. 본 연구에서는, 균열 지도 크기의 1/16에 해당하는 64개의 픽셀을, 조사선의 양 끝에 서 1/3의 확률로 제거하였다. Fig.
본 연구에서는 자동 균열 조사기법의 정확도를 단일 지표로 표현하는 조사선 교차 일치도(Scanline Intersection Similarity, SIS)라는 새로운 지표를 제안하였다. 이 지표는 자동 조사기법의 균열 지도와 수동 조사기법의 균열 지도, 두 균열 지도의 균열 빈도 를 다수의 조사선 상에서 비교하여 자동 조사기법의 정확도를 평가한다. 이때 지표 산출 과정에서 많은 수의 조사선 샘플링을 수행 해야하기 때문에 지표 산출 과정을 컴퓨터상에서 구현하였다.
이 지표는 자동 조사기법의 균열 지도와 수동 조사기법의 균열 지도, 두 균열 지도의 균열 빈도 를 다수의 조사선 상에서 비교하여 자동 조사기법의 정확도를 평가한다. 이때 지표 산출 과정에서 많은 수의 조사선 샘플링을 수행 해야하기 때문에 지표 산출 과정을 컴퓨터상에서 구현하였다.
조사선들이 중심부의 픽셀에 비해 가장자리의 픽셀을 더높은 빈도로 가로지른 것을 확인할 수 있다. 이와 같은 가장자리-편향을 해소하기 위해, 조사선의 양 끝을 일정 확률로 제거(drop-out)하였다. 본 연구에서는, 균열 지도 크기의 1/16에 해당하는 64개의 픽셀을, 조사선의 양 끝에 서 1/3의 확률로 제거하였다.
따라서 기존의 수동 조사기법을 자동화하는 컴퓨터 기반 조사기법이 다양하게 연구되었다. 제안된 자동 조사기법들은 주로 광학 시스템과 컴퓨터 기반 알고리즘을 이용하여 암반 및 암석 표면을 디지털화한 후, 디지털화한 표면으로부터 균열 지도를 추출하여 수동으로 이뤄지는 조사과정을 자동화하고자 한다(Lemy and Hadjigeorgiou, 2003, Deb et al., 2008, Ferrero et al., 2009, Li et al., 2016, Mohebbi et al., 2016, Hyun et al. 2019).
제안된 지표를 도출할 때는, 사각형 균열 지도에서 4개의 경계 중 조사선과 만날 2개의 경계를 무작위로 선택한 후 각 경계에서 조사선의 끝점이 될 점을 하나씩 무작위로 선택하여 편향되지 않게 조사선을 설정하였다. 본 연구에서는 이와 같은 조사선 설정 방 식을 1024x1024 픽셀 크기의 디지털 균열 지도에 적용하였다.
제안하는 지표는 균열 지도를 여러 하위-영역으로 나눠서 식 (1)의 값을 산출한 뒤, 이 값들을 각 하위-영역의 균열 픽셀 수에 대해 가중 평균함으로써 균열 개수에 대한 정규화를 하였다.
이와 같이 균열 지도의 기하학적인 차이에 따라 균열 빈도가 차이 나는 조사선 샘플링(scanline sampling)의 성질이 제안하는 일치도 지표의 핵심 개념이다. 제안하는 지표는 자동 조사기법의 균열 지도와 수동 조사기법의 균열 지도의 균열 빈도를 여러 조사선 상에서 비교하여 두 균열 지도가 얼마나 일치하는지 평가한다. 제안하는 지표가 조사선과 균열의 교차점 개수에 기반을 둔 것에 착안하여, 지표를 조사선 교차 일치도(Scanline Intersection Similarity, SIS) 라고 명명하였다.
27이다. 제안하는 지표를 산출하기 위해선 이 두 쌍의 균열 지도를 여러 하위-영역으로 나눠야 하는데, 하위-영역의 크기는 각 하위-영역에서 조사선을 그었을 때 평균 균열 빈 도가 1과 3 사이가 되도록 설정하였다. 이 기준에 따르면, Fig.
제안한 지표의 정확한 구현을 위해, 교점을 조사선 위의 픽셀과 균열 픽셀을 둘러싸는 3x3 영역 사이의 위치 관계를 이용하여 정의하였다. 조사선 위의 픽셀 중에서 다음 두 가지 조건을 모두 만족시키는 픽셀을 교점으로 정의하였다.

대상 데이터

128개의 픽셀 중에서 조사선의 끝점을 선택하면 가능한 모든 조사선 종류가 98,304(=6x128x128)개로 감소한다. 98,304개의 조사선 중에서 5,120개의 조사선을 무작위로 선택하여 제안한 지표를 추정 및 도출하였다.
그러나 6백만 개의 조사선에 해당하는 지표 값을 추정하기 위해서는 이에 상응하는 많은 양의 조사선을 여전히 조사해야 한다. 따라서 본 연구에서는 Fig. 4처럼 경계에 있는 1,023개의 픽셀 중에서 한 픽셀을 무작위로 선택하기보다는, 8개마다 하나씩 있는 128개의 픽셀 중에서 무작위로 픽셀을 선택하였다. 128개의 픽셀 중에서 조사선의 끝점을 선택하면 가능한 모든 조사선 종류가 98,304(=6x128x128)개로 감소한다.
23이 된다. 하위-영역에서 조사하는 조사선 개수는 총합이 5,120개가 되도록 2x2 하위-영역에서는 각각 1,280(=5120/4)개, 4x4 하위-영역에서는 각각 320(=5120/16)개의 조사선을 조사하였다.

데이터처리

‘조사선 교차 일치도’라 명명한 이 지표는 동일 조사선 상의 균열 빈도를 비교하여, 식 (1)과 식 (2)를 통해 두 균열 지도 간의 일치도를 산출한다. 균열 지도의 전반적인 기하학적 일치도를 반영하기 위해 5120개의 조사선상에서 균열 빈도를 비교하였으며 이를 Python 코드를 이용하여 컴퓨터 알고리즘으로 구현하였다. 그 과정에서 3x3 영역을 이용하여 조사선과 균열 사이의 교점을 정의하였으며 편향 없이 조사선을 설정하기 위해 균열 지도 경계에서 조사선 끝점을 무작위로 선택하였다.
제안한 지표를 이용하여 딥러닝 기반 균열 조사기법(Byun et al., 2018)의 정확도를 평가해보았다. 딥러닝 균열 조사의 균열 지도와 사람이 직접 조사한 균열 지도로 이루어진 18쌍의 균열 지도에 대해 조사선 교차 일치도를 산출하였다.

이론/모형

적용성 검토를 위해 제안한 지표를 IoU와 함께 여러 균열 지도 모델에 적용하였다. 그 결과, IoU는 균열 지도의 일치도를 표현하는데 한계를 보였으며 조사선 교차 일치도는 인간의 인지에 부합하게 일치도를 표현하였다.
2절에서 제안한 조사선 교차 일치도를 간단한 형태의 균열 지도 모델에 적용하여 그 적용성을 검토하였다. 제안 지표와의 비교를 위해 컴퓨터 비전 분야의 일치도 지표인 Intersection Over Union(IoU)도 동일한 균열 지도 모델에 적용하였다.

성능/효과

Fig. 5(a)에 비해 조사선이 균열 지도를 균일하게 조사한다는 것을 확인할 수 있다.
4처럼 경계에 있는 1,023개의 픽셀 중에서 한 픽셀을 무작위로 선택하기보다는, 8개마다 하나씩 있는 128개의 픽셀 중에서 무작위로 픽셀을 선택하였다. 128개의 픽셀 중에서 조사선의 끝점을 선택하면 가능한 모든 조사선 종류가 98,304(=6x128x128)개로 감소한다. 98,304개의 조사선 중에서 5,120개의 조사선을 무작위로 선택하여 제안한 지표를 추정 및 도출하였다.
9에서, 이와 같은 차이를 뚜렷하게 확인할 수 있었다. IoU는 0번 균열 지도와 비교했을 때 1번 균열 지도와 4번 균열 지도 중에서 4번 균열 지도가 더 일치한다고 평가한 반면에, 조사선 교차 일치도는 인간의 인지에 부합하게 1번 균열 지도가 더 일치한다는 평가를 하였다. 모델링한 균열 지도 외에도 딥러닝 기반의 균열 지도에 제안한 지표를 적용하여, 딥러닝 기반 자동 조사기법의 정확도가 조사선 교차 일치도로 0.
이를 통해 조사선 교차 일치도가 균열의 미세한 형태 차이에 비해 균열의 거시적인 형태 차이에 더 민감하다는 것을 확인할 수 있다. IoU의 경우 반대로 1번 균열 지도에 대해 0.560을, 2번 균열 지도에 대해 0.427을 산출하여 균 열의 각도 차이가 있는 1번 균열 지도가 균열의 형태 차이가 있는 2번 균열 지도보다 0번 균열 지도와 잘 일치한다고 판단하였다. 이 는 IoU가 균열의 거시적인 형태 차이에 비해 균열의 미세한 형태에 더 민감하다는 것을 보여준다.
균열의 각도가 5도, 10도 그리고 15도 차이가 나는 경우와 균열의 위치가 60 픽셀과 120 픽셀 차이 나는 경우의 균열 지도 일치도를 평가하였다. 그 결과, 5도, 10도 그리 고 15도 차이에 대해 조사선 교차 일치도는 각각 0.923, 0.838 그리고 0.712가 산출되었으며 IoU는 각각 0.121, 0.057 그리고 0.037이 산출되었다. 균열의 위치가 60 픽셀과 120 픽셀 차이 나는 경우는, 조사선 교차 일치도는 각각 0.
적용성 검토를 위해 제안한 지표를 IoU와 함께 여러 균열 지도 모델에 적용하였다. 그 결과, IoU는 균열 지도의 일치도를 표현하는데 한계를 보였으며 조사선 교차 일치도는 인간의 인지에 부합하게 일치도를 표현하였다. Fig.
이 는 IoU가 균열의 거시적인 형태 차이에 비해 균열의 미세한 형태에 더 민감하다는 것을 보여준다. 또한 1~3번 균열 지도가 0번 균열 지도와 미세하게 불일치하는 것임에도 불구하고 IoU 전반적으로 일치도를 낮게 평가한 것으로 보아 IoU가 균열의 기하학적 차이 를 과대평가한다는 것 또한 확인할 수 있다.
IoU는 0번 균열 지도와 비교했을 때 1번 균열 지도와 4번 균열 지도 중에서 4번 균열 지도가 더 일치한다고 평가한 반면에, 조사선 교차 일치도는 인간의 인지에 부합하게 1번 균열 지도가 더 일치한다는 평가를 하였다. 모델링한 균열 지도 외에도 딥러닝 기반의 균열 지도에 제안한 지표를 적용하여, 딥러닝 기반 자동 조사기법의 정확도가 조사선 교차 일치도로 0.674에 해당 함을 확인하였다.
769가 산출되었다. 이를 통해 조사선 교차 일치도가 균열의 미세한 형태 차이에 비해 균열의 거시적인 형태 차이에 더 민감하다는 것을 확인할 수 있다. IoU의 경우 반대로 1번 균열 지도에 대해 0.
9(a)에서 확인했듯이 조사선 교차 일치도는 균열의 거시적인 형태 차이에 민감하기 때문에 1~3번 균열 지도가 4번 균열 지도보다 0번 균열 지도와 더 일치한다는 결과를 도출한다. 이를 통해 조사선 교차 일치도가 인간이 판단하는 균열 지도 일치도와 부합하며 더 나아가 자동 균열 조사기법의 정확도 지표로써 적합하다는 것을 확인할 수 있다. 0번 균열 지도와 5번 균열 지도의 조사 교차점 일치도는 0.
제안하는 지표는 자동 조사기법의 균열 지도와 수동 조사기법의 균열 지도의 균열 빈도를 여러 조사선 상에서 비교하여 두 균열 지도가 얼마나 일치하는지 평가한다. 제안하는 지표가 조사선과 균열의 교차점 개수에 기반을 둔 것에 착안하여, 지표를 조사선 교차 일치도(Scanline Intersection Similarity, SIS) 라고 명명하였다.
제안한 지표를 산출 할 때 조사선의 개수에 해당하는 n값이 매우 중요하다. 만일 Fig.
3번 균열 지도는 0번 균열 지도에서 균열의 각도와 형태 모두 수정한 것이다. 조사선 교차 일치도를 이에 적용해본 결과, 형태를 수정한 2번 균열 지도에 대해 0.793이 산출되었으며 각도를 수정한 1번 균열 지 도에 대해서는 0.769가 산출되었다. 이를 통해 조사선 교차 일치도가 균열의 미세한 형태 차이에 비해 균열의 거시적인 형태 차이에 더 민감하다는 것을 확인할 수 있다.
일반적으로 1번 균열 지도가 4번 균열 지도보다 0번 균열 지도와 더 일치한다고 볼 수 있다. 조사선 교차 일치도의 경우, 인간의 인지에 부합하게 1 번 균열 지도가 0.769로 4번 균열 지도의 0.709 보다 더 일치한다는 결과가 나온 반면에, IoU의 경우 4번 균열 지도가 0.695로 1번 균열 지도보다 4번 균열 지도가 더 일치한다는 상반되는 결과가 나왔다. 이와 같은 결과는, Fig.

후속연구

본 연구에서 제안한 조사선 교차 일치도를 이용하여 자동 균열 조사기법의 정확도를 단일 숫자로 표현할 수 있으며, 이를 통해 균열 조사기법 간의 객관적이며 손쉬운 비교가 가능할 것으로 기대된다. 그러나 제안한 지표는 평면 균열 지도에 한정되어 있어서 3차원 균열 지도에 적용할 수 있도록 확장이 필요하며 추후 RQD와 같은 다른 균열 인자들과의 비교분석을 필요로 한다.
본 연구에서 제안한 조사선 교차 일치도를 이용하여 자동 균열 조사기법의 정확도를 단일 숫자로 표현할 수 있으며, 이를 통해 균열 조사기법 간의 객관적이며 손쉬운 비교가 가능할 것으로 기대된다. 그러나 제안한 지표는 평면 균열 지도에 한정되어 있어서 3차원 균열 지도에 적용할 수 있도록 확장이 필요하며 추후 RQD와 같은 다른 균열 인자들과의 비교분석을 필요로 한다.
제안한 지표는 무수히 많은 조사선 상에서 균열 빈도를 비교하기 때문에 컴퓨터를 이용한 계산이 필요하다. 본 연구에서는 1024x1024 픽셀 크기의 균열 지도에 대해, 제안한 지표를 자동으로 계산하는 컴퓨터 알고리즘을 Python 언어를 이용하여 구현하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	조사선 교차 일치도의 장점은 무엇인가?	본 연구에서 제안한 조사선 교차 일치도를 이용하여 자동 균열 조사기법의 정확도를 단일 숫자로 표현할 수 있으며, 이를 통해 균열 조사기법 간의 객관적이며 손쉬운 비교가 가능할 것으로 기대된다. 그러나 제안한 지표는 평면 균열 지도에 한정되어 있어서 3차원 균열 지도에 적용할 수 있도록 확장이 필요하며 추후 RQD와 같은 다른 균열 인자들과의 비교분석을 필요로 한다.
	조사선 교차 일치도란 무엇인가?	그러나 자동 조사기법의 균열 지도가 수동으로 조사한 것과 얼마나 일치하는지 표기하는 단일 지표가 없어서 그 정확도를 평가하는데 어려움이 있다. 따라서 본 연구에서는 균열 지도 간의 일치도를 단일 값으로 표현하는 조사선 교차 일치도 (Scanline Intersection Similarity, SIS)라는 지표를 새롭게 제안하였다. 제안된 지표는 두 균열 지도의 균열 빈도를 다수의 조사선 상에서 비교하여 이들 간의 기하학적 일치도를 도출한다.
	자동 조사기법의 균열 지도 사용 시 한계점은 무엇인가?	, 2016). 그러나 RQD, 절리 길이, 절리 간격 등은 균열의 방향과 모양에 대한 정보를 담 지 못하기 때문에 균열 지도 간 일치도를 온전히 표현하지 못한다는 한계점이 있다. RQD, 절리 길이 그리고 절리 간격이 표현하지 못하는 절리의 방향에 대한 정보는 경사와 경사 방향으로 표기할 수 있지만(Han and Song, 2007, Ferrero et al.

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