[논문]재난조사 특수차량과 드론의 다중센서 자료융합을 통한 재난 긴급 맵핑의 활용성 평가

김성삼; 박제성; 신동윤; 유수홍; 손홍규

doi:10.7780/kjrs.2019.35.5.2.8

[국내논문] 재난조사 특수차량과 드론의 다중센서 자료융합을 통한 재난 긴급 맵핑의 활용성 평가
Applicability Assessment of Disaster Rapid Mapping: Focused on Fusion of Multi-sensing Data Derived from UAVs and Disaster Investigation Vehicle 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.5 pt.2, 2019년, pp.841 - 850

김성삼 (국립재난안전연구원 재난원인조사실) , 박제성 (국립재난안전연구원 재난원인조사실) , 신동윤 (국립재난안전연구원 재난원인조사실) , 유수홍 (연세대학교 건설환경공학과) , 손홍규 (연세대학교 건설환경공학과)

초록
AI-Helper

본 논문은 상업용 소형 드론의 드론 맵핑 기하 정확도 평가와 지상 LiDAR와 드론 점군 자료의 융합을 통하여 재난 긴급 맵핑 적용성에 관한 연구이다. 기존의 드론 맵핑 절차와 카메라 검정과 광속조정법으로 카메라 모델을 최적화한 드론 맵핑 간의 위치 오차를 비교 분석한 결과, 평면 위치오차는 2~3 m에서 약 0.11~0.28 m 수준으로, 수직 위치오차는 2.85 m에서 0.45 m 수준으로 위치결정 정확도가 향상되었다. 아울러, 드론 맵핑과정에서 누락되기 쉬운 점군 자료의 측면정보를 지상 LiDAR 점군자료와 융합을 통해 보완할 수 있도록 두 점군 자료간 정합을 위한 개선된 좌표계 변환 모델을 제시하여 연구 대상지내 이종 점군 자료를 최대 오차 0.07 m 이내로 정합하였다. 본 논문에서의 재난현장에서의 드론 기반의 긴급 맵핑과 재난 현장정보를 보다 정밀하게 구축하기 위한 점군 자료융합에 관한 연구 성과는 향후 국가 재난안전 관리 현업에 일조할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

The purpose of this study is to strengthen the capability of rapid mapping for disaster through improving the positioning accuracy of mapping and fusion of multi-sensing point cloud data derived from Unmanned Aerial Vehicles (UAVs) and disaster investigation vehicle. The positioning accuracy was evaluated for two procedures of drone mapping with Agisoft PhotoScan: 1) general geo-referencing by self-calibration, 2) proposed geo-referencing with optimized camera model by using fixed accurate Interior Orientation Parameters (IOPs) derived from indoor camera calibration test and bundle adjustment. The analysis result of positioning accuracy showed that positioning RMS error was improved 2~3 m to 0.11~0.28 m in horizontal and 2.85 m to 0.45 m in vertical accuracy, respectively. In addition, proposed data fusion approach of multi-sensing point cloud with the constraints of the height showed that the point matching error was greatly reduced under about 0.07 m. Accordingly, our proposed data fusion approach will enable us to generate effectively and timelinessly ortho-imagery and high-resolution three dimensional geographic data for national disaster management in the future.

주제어

표/그림 (15)

표 Table 1. On-board sensors of investigation vehicle of NDMI
표 Table 2. Specifications of DJI Zenmuse X5
그림 Fig. 1. Calibration Sheet and Plate photographing for camera calibration.
그림 Fig. 2. GCP targets deployment and GNSS surveying in the study area (NDMI site).
표 Table 3. IOPs derived from Camera calibration of Zenmuse X5
표 Table 4. Coordinates of GCPs and check points measured with RTK GNSS
그림 Fig. 3. GCP targets on aerial photos (a) at 80 m, (b) at 100 m, and (c) at 120 m flight height captured by Inspire 1.
그림 Fig. 4. (a) Matching points locations for point cloud co-registration, (b) and (c) 3D building model obtained from Terrestrial LiDAR in study site.
그림 Fig. 5. Drone mapping procedure using PhotoScan: (a) general procedure, (b) proposed procedure in this study.
표 Table 5. Accuracy assessment: geo-referencing by self-calibration and proposed procedure
그림 Fig. 6. Outputs derived from drone mapping: (a) 3D point cloud, (b) DSM, and (c) ortho-image of study site.
그림 Fig. 7. Point clouds derived from (a) drone mapping with air view, (b) drone mapping with side view, and (c) Terrestrial LiDAR.
그림 Fig. 8. Matching points for registration between Terrestrial LiDAR and drone mapping (a) at road surface(b) at the edge of the building.
그림 Fig. 9. Registration results using transformation equation of 7-parameter similarity, with height constraints.
표 Table 6. Registration RMS error occurred according to transformation equations

AI 본문요약
AI-Helper

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

문제 정의

드론은 공간정보를 신속하게 구축할 수 있는 맵핑 플랫폼이나, 드론 맵핑 과정에서 수직 촬영으로 인해 누락된 점군 자료의 측면정보를 지상 LiDAR 점군자료와의 이종센서 통합을 통해 보완함으로써 향후 재난사고 조사현장의 고정밀 3차원 공간정보를 보다 정밀하게 수집·구축하기 위한 효과적인 방안을 제시하고자 한다.
본 연구에서는 상업용 소형 드론과 재난사고 원인조사 특수차량을 활용하여 재난사고 현장의 정보를 신속하게 취득하기 위하여 다양한 촬영 조건에서 드론 맵핑의 기하 정확도를 평가하였다. 드론은 공간정보를 신속하게 구축할 수 있는 맵핑 플랫폼이나, 드론 맵핑 과정에서 수직 촬영으로 인해 누락된 점군 자료의 측면정보를 지상 LiDAR 점군자료와의 이종센서 통합을 통해 보완함으로써 향후 재난사고 조사현장의 고정밀 3차원 공간정보를 보다 정밀하게 수집·구축하기 위한 효과적인 방안을 제시하고자 한다.
본 연구에서는 드론 맵핑의 기하정확도 평가를 위해DJI사의 드론 운용 앱과 Pix4D Capture 드론 맵핑 앱을 이용하여 다양한 비행고도에서 항공사진을 취득하도록 비행계획을 수립하였다. Inspire 1으로 촬영된 항공사진의 메타데이터(EXchangeable Image File, EXIF)에는 사진 파일의 크기, 촬영 일시, 조리개, ISO, 카메라 모델명등 기본 정보와 촬영 당시의 초점 거리(focal length), 드론에 탑재된 GNSS의 위·경도 좌표, 비행고도, 자세각(roll, pitch, yaw) 정보 등이 기록된다.
본 연구에서는 상업용 소형 드론과 재난사고 원인조사 특수차량을 활용하여 재난사고 현장의 정보를 신속하게 취득하기 위하여 다양한 촬영 조건에서 드론 맵핑의 기하 정확도를 평가하였다. 드론은 공간정보를 신속하게 구축할 수 있는 맵핑 플랫폼이나, 드론 맵핑 과정에서 수직 촬영으로 인해 누락된 점군 자료의 측면정보를 지상 LiDAR 점군자료와의 이종센서 통합을 통해 보완함으로써 향후 재난사고 조사현장의 고정밀 3차원 공간정보를 보다 정밀하게 수집·구축하기 위한 효과적인 방안을 제시하고자 한다.

제안 방법

드론 맵핑의 결과물로서 비행 고도에 따라 연구 대상지 내 3차원 점군 자료가 약 2~3천만 점이 생성되었고 (Fig. 6(a)), 항공사진의 RGB 정보를 가진 점군 자료를 활용하여 3차원 수치지형모델을 가시화하였다. 이 점군자료에서 메쉬 또는 불규칙 삼각망(Triangulated IrregularNetwork,TIN)형태의 3차원 수치지형모델(Digital SurfaceModel, Digital Terrain Model) 제작이 가능하다(Fig.
또한, 실험실에서 계산된 카메라 내부표정요소를 카메라 모델 최적화 단계에서 반영할 수 있도록 PhotoScan의 드론 맵핑 스크립트를 수정하였으며, 촬영 고도별로 생성된 정사영상 상의 검사점에 대한 위치 정확도를 비교·분석하였다. 다음 단계로 재난사고 현장에서 지상 LiDAR 자료와 드론 센싱 자료의 통합을 위하여 대상지 내 자연 지형지물 정합점을 선정하고, 좌표 변환 모델식을 적용하여 드론 점군 자료의 좌표계를 기준으로 지상 LiDAR 자료를 등록하여 이종 점군 자료를 통합하였다. 이 과정에서 본래 좌표계의 형태를 보전하면서 변환이 가능한 통상적인 7-parameter similarity transformation 좌표 변환 모델식을 적용하였다(Cho et al.
6(b)). 드론 맵핑의 최종 산출물로서 비행고도에 따라 0.04~0.06 m 해상도를 가진 정사영상을 제작하였다(Fig. 6(c)).
1). 드론 촬영 사진에서 검정색 박스와 하얀색 박스간 경계점들을 추출(Table 3, 좌측 사진)한 후, 카메라 렌즈의 왜곡량을 산출하였다.
부지 내 건물, 녹지, 주차장 등 식별이 용이한 다양한 형태의 지형지물이 존재하고 있고, 부지가 남쪽 하단의 도로면과 북쪽의 부지 상단 간 확연한 고저차를 갖는 경사면에 위치하면서도 건물과 주차장 부지에 넓은 평탄지를 갖고 있어 지상기준점 설치와 선점이 유리한 지형 구조를 갖는 특징이 있다. 드론 항공촬영 전 기하모델 정확도 평가를 위한 기준점 측량을 위해 27개의 정방형 대공표지를 연구원 전체 부지 내 일정 간격으로 배치하였으며, 지상기준점 측량은 약 1 cm 정밀도를 갖는 RTK GNSS 측량을 수행하여 27개 기준점(16 GCPs, 11 CPs)에 대한 동부원점 Transverse Mercator(TM) 좌표를 취득하였다(Fig. 2, Table 4).
또한, 실험실에서 계산된 카메라 내부표정요소를 카메라 모델 최적화 단계에서 반영할 수 있도록 PhotoScan의 드론 맵핑 스크립트를 수정하였으며, 촬영 고도별로 생성된 정사영상 상의 검사점에 대한 위치 정확도를 비교·분석하였다.
또한, 주파수 통신 링크를 통해 재난 현장을 항공에서 모니터링하고 드론 맵핑을 수행할 수 있도록 조사용 드론과 조사차량을 연계·운용할 수 있도록 개발하였다.
, 2013). 본 논문에서는 드론 맵핑 정확도 개선을 위해 사전 카메라 검정을 통한 내부표정요소의 결정과 광속조정법(bundle adjustment)을 통해 외부표정요소를 반복 조정하여 카메라 모델을 최적화함으로써 드론 맵핑의 위치결정 정확도를 향상하는 방식을 제안하였다(Fig. 5).
본 연구에서는 소형 드론의 드론 맵핑성과 정확도를 향상하기 위하여 카메라 검정을 통한 왜곡 보정과 Agisoft사 PhotoScan의 카메라 모델 최적화 과정에서 카메라 검정 결과를 반영하여 기존 자료처리 기법간의 드론 맵핑 기하정확도를 서로 비교·분석하였다.
07 m 이내로 정합할 수 있었다. 이로써, 특수차량의 지상 LiDAR 자료와 드론 센싱 자료간의 융합을 통해 향후 재난사고 조사현장의 고정밀 3차원 공간정보를 신속하게 수집·구축하는 방안을 제시하였다. 본 연구 성과를 이용하여 재난사고 현장에서의 신속한 공간정보의 구축과 긴급 맵핑을 통해 국가 재난안전 관리 현업에 일조할 수 있을 것으로 기대된다.
이를 위해 항공 촬영전 드론에 탑재된 비측량용 카메라의 검정을 통해 카메라 내부표정요소(Interior Orientation parameters, IOPs)를 산출하였다. 이후, 대상지내 자연 지형지물과 대공표지를 이용한 16개 기준점과 11개 검사점(check points,CPs)에 대해 VirtualReferenceStation(VRS) GNSS 측량으로 절대 좌표를 취득하였다.
9(a)). 이를 해소하고자 두 좌표계간 축적이 동일하고, 수직 성분은 회전이 없다는 조건을 좌표 변환 모델식에 반영하여 두 자료 간 발생 오차를 최소화하였다. 이 때, 수직 방향에서의 이동량(ΔZ)은 평균 고도값으로 부여하였다.
이를 위해 항공 촬영전 드론에 탑재된 비측량용 카메라의 검정을 통해 카메라 내부표정요소(Interior Orientation parameters, IOPs)를 산출하였다. 이후, 대상지내 자연 지형지물과 대공표지를 이용한 16개 기준점과 11개 검사점(check points,CPs)에 대해 VirtualReferenceStation(VRS) GNSS 측량으로 절대 좌표를 취득하였다. 또한, 실험실에서 계산된 카메라 내부표정요소를 카메라 모델 최적화 단계에서 반영할 수 있도록 PhotoScan의 드론 맵핑 스크립트를 수정하였으며, 촬영 고도별로 생성된 정사영상 상의 검사점에 대한 위치 정확도를 비교·분석하였다.
지상 LiDAR 자료는 상대 좌표계, 드론맵핑 점군 자료는 동부 원점의 TM 직교좌표계로 취득되었으며, 지도상에서의 가시화를 위해 이종 점군 자료간의 직각좌표계 변환은 드론 맵핑 점군자료를 기준으로 7-parameter similarity transformation과 경험적인 변환계수 제약조건 모델을 통해 지상 LiDAR 좌표계를 변환하여 두 점군 자료를 통합하였다. 7-parameter similarity transformation에 의한 좌표 변환 결과, X축 방향의 위치오차가 최대 1 m로 확인되었으며, 이로 인해 점군 자료 간 부정합이 현저하게 발생하였다(Fig.
현장에서 수집된 다양한 자료는 Long Term Evolution(LTE) 무선 통신을 통해 연구원의 재난상황관리시스템인 “Smart Big Board(SBB)”에 전송·표출할 수 있도록 설계하였다.

대상 데이터

DJI Inspire1를 이용하여 연구원 부지를 대상으로 종·횡종복도 65%, 비행고도 80 m에서 항공사진 142매, 100 m는 69매, 120 m에서는 53매를 각각 취득하였고, 지상의 총 촬영면적은40,402 m2였다.
DJI Inspire1를 이용하여 연구원 부지를 대상으로 종·횡종복도 65%, 비행고도 80 m에서 항공사진 142매, 100 m는 69매, 120 m에서는 53매를 각각 취득하였고, 지상의 총 촬영면적은40,402 m2였다. Fig. 3은 비행고도 80 m, 100 m, 120 m에서 각각 촬영한 연구원 항공사진으로, 80 m에서는 최소 1점에서 최대 8점의 대공표지가, 100 m에서는 최대 10점, 120 m에서는 최대 12점이 포함된 항공사진을 취득하였다. Fig.
국립재난안전연구원의 특수조사 차량에 탑재된RIEGL의 지상 LiDAR 시스템은 어안렌즈 카메라, VZ2000 스캐너, GNSS/INS, 스캐너 마운트로 구성되어 있으며, 스캐너로부터 최대 반경 2 km, 수직방향 0 ~ 100°,수평방향으로 0 ~ 360° 범위에서 5 mm 정밀도로 초당40만 점군 자료를 취득할 수 있다. 본 연구 대상지 내 17개 스캐너 관측점에서 총 93,813,845점 자료를 취득하였으며, 17개 점군 자료 간 등록오차는 0.03 m였다(Fig. 4).
본 연구 대상지는 울산광역시 중구에 위치한 국립재난안전연구원 청사동 부지를 선정하였다. 부지 내 건물, 녹지, 주차장 등 식별이 용이한 다양한 형태의 지형지물이 존재하고 있고, 부지가 남쪽 하단의 도로면과 북쪽의 부지 상단 간 확연한 고저차를 갖는 경사면에 위치하면서도 건물과 주차장 부지에 넓은 평탄지를 갖고 있어 지상기준점 설치와 선점이 유리한 지형 구조를 갖는 특징이 있다.
카메라 내부표정 요소는 사진 좌표계 상의 주점의 위치(x₀, y₀), 카메라 초점거리(f), 카메라 렌즈의 왜곡량(K₁, K₂, P₁, P₂) 등을 계산한다. 본 연구에서는 드론항공촬영에 앞서 Inspire 1에 zenmuse X5 카메라 전원을켠 상태에서 검정판(calibration sheet)과 체커보드를 촬영하였다(Fig. 1). 드론 촬영 사진에서 검정색 박스와 하얀색 박스간 경계점들을 추출(Table 3, 좌측 사진)한 후, 카메라 렌즈의 왜곡량을 산출하였다.

데이터처리

드론 맵핑을 위한 일반적인 PhotoScan 자료처리 절차와 본 논문에서 제안한 드론 맵핑 방식간의 정확도를 서로 비교·분석하였다.

이론/모형

다음 단계로 재난사고 현장에서 지상 LiDAR 자료와 드론 센싱 자료의 통합을 위하여 대상지 내 자연 지형지물 정합점을 선정하고, 좌표 변환 모델식을 적용하여 드론 점군 자료의 좌표계를 기준으로 지상 LiDAR 자료를 등록하여 이종 점군 자료를 통합하였다. 이 과정에서 본래 좌표계의 형태를 보전하면서 변환이 가능한 통상적인 7-parameter similarity transformation 좌표 변환 모델식을 적용하였다(Cho et al., 2008).
국립재난안전연구원은 고정익·회전익 드론, 고정익과 회전익 드론 특성을 모두 갖춘 하이브리드 드론, 실내조사용 짐볼 드론 등 재난사고 원인조사 현업에 다양한 드론을 운용하고 있다. 재난지역 긴급 맵핑을 위해 본 연구에서는 DJI사의 소형 드론인 Inspire 1을 이용하였다. DJI Inspire 1은 4K급 비디오 영상과 고해상 항공사진을 촬영할 수 있는 Zenmuse X5 광학 카메라가 탑재되어 있다.

성능/효과

지상 LiDAR 자료는 상대 좌표계, 드론맵핑 점군 자료는 동부 원점의 TM 직교좌표계로 취득되었으며, 지도상에서의 가시화를 위해 이종 점군 자료간의 직각좌표계 변환은 드론 맵핑 점군자료를 기준으로 7-parameter similarity transformation과 경험적인 변환계수 제약조건 모델을 통해 지상 LiDAR 좌표계를 변환하여 두 점군 자료를 통합하였다. 7-parameter similarity transformation에 의한 좌표 변환 결과, X축 방향의 위치오차가 최대 1 m로 확인되었으며, 이로 인해 점군 자료 간 부정합이 현저하게 발생하였다(Fig. 9(a)).
기존 드론 맵핑 방식과 논문에서 제안 방식으로 수행된 각 비행고도별 위치 오차는 Table 5와 같다. 기존의 방식에서 약 2~3 m로 발생하던 평면 위치오차는 본 논문에서 제안한 방식에서는 약 0.11~0.28 m로, 수직 위치오차는 2.85 m에서 0.45 m까지 정확도가 향상되었다. 또한, 비행 고도별로 기존 방식과 본 연구에서 제안한 방식에 의한 결과, 기존 방식에서는 비행고도 80 m는 약2.
드론 맵핑의 결과물로서 비행 고도에 따라 연구 대상지 내 3차원 점군 자료가 약 2~3천만 점이 생성되었고 (Fig. 6(a)), 항공사진의 RGB 정보를 가진 점군 자료를 활용하여 3차원 수치지형모델을 가시화하였다.
45 m까지 정확도가 향상되었다. 또한, 비행 고도별로 기존 방식과 본 연구에서 제안한 방식에 의한 결과, 기존 방식에서는 비행고도 80 m는 약2.9 m, 100 m에서 약 2.5 m, 120 m에서 약 2.4 m가 발생하였다. 본 논문의 맵핑 방식 적용 결과, 80 m 고도에서 0.
4 m가 발생하였다. 본 논문의 맵핑 방식 적용 결과, 80 m 고도에서 0.4m, 100 m 고도에서 0.3 m, 120 m에서 0.2 m로, 드론 맵핑정확도가 cm 수준으로 개선되었다. 실험에 사용된 DJIInspire 1의 경우, 호버링 비행모드에서 탑재된 GNSS 위치 정확도가 평면 2.
45 m 수준으로 위치결정 정확도가 개선되었다. 아울러, 드론 맵핑 과정에서 수직 촬영으로 인해 누락된 측면 정보를 지상 LiDAR 점군 자료간 융합을 통한 보완할 수 있도록 두 점군 자료 정합을 위한 개선된 좌표계 변환 모델을 제안하였고, 최대 오차를 0.07 m 이내로 정합할 수 있었다. 이로써, 특수차량의 지상 LiDAR 자료와 드론 센싱 자료간의 융합을 통해 향후 재난사고 조사현장의 고정밀 3차원 공간정보를 신속하게 수집·구축하는 방안을 제시하였다.
일반적인 드론 맵핑 기법과 카메라 검정과 광속조정법으로 카메라 모델을 최적화한 드론 맵핑 기법간의 위치 오차를 비교·분석한 결과, 평면오차는 2 ~ 3 m에서 약 0.11 ~ 0.28 m 수준으로, 수직 오차는 2.85 m에서 0.45 m 수준으로 위치결정 정확도가 개선되었다.
평균 고도값 조정을 통한 변환 모델식을 적용한 결과, 기존 7-parameter similarity transformation와 비교했을 때 Fig. 9(b)에서 보는 바와 같이 최대 오차가 약 0.07 m 이내로 두 점군 자료를 정합되었음을 확인할 수 있었다(Table 6).

후속연구

이로써, 특수차량의 지상 LiDAR 자료와 드론 센싱 자료간의 융합을 통해 향후 재난사고 조사현장의 고정밀 3차원 공간정보를 신속하게 수집·구축하는 방안을 제시하였다. 본 연구 성과를 이용하여 재난사고 현장에서의 신속한 공간정보의 구축과 긴급 맵핑을 통해 국가 재난안전 관리 현업에 일조할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	3차원 지형정보를 생성하기 위한 핵심적인 기술은 무엇인가	, 2019). 드론에 탑재된 Global Navigation Satellite System(GNSS)/Inertial Navigation System(INS), 자이로 센서, 가속계, 기압계 등 다양한 센싱 자료의 융합은 무인항공사진측량을 통해 신속하게 3차원 지형정보를 생성하는 데 핵심적인 기술로 인식되고 있다. 드론의 카메라 노출시간과 GNSS 시간의 동기화를 통한 정밀한 지오태깅(geo-tagging) 기술은 드론 항공사진의 촬영 당시의 카메라 위치와 자세정보를 활용하여 무인항공사진측량 과정에서 카메라 모델을 추정, 반복적인 조정과정을 통해 드론 맵핑 결과물의 위치정확도를 향상하는 데 일조하고 있다(Rehak et al.
	재난조사 특수차량은 재난조사 현업에서 어떠한 역할을 하는가	국립재난안전연구원에서는 재난사고 전후 피해조사 지역에 대한 고정밀 3차원 LiDAR 자료를 취득하기 위해 RIEGL사의 VZ-2000을 탑재한 재난조사 특수차량을 2015년 개발하였다. 특수조사 차량에 탑재된 RIEGL VZ-2000은 LiDAR 스캐너와 GNSS/INS 센서를 모듈화한 이동형 맵핑 체계(Mobile Mapping System, MMS)로, 행정안전부의 급경사지 관리 실태점검, 노후도로 노면파임(pothole) 자료 수집, 붕괴현장 보존을 위한 3차원 지형모델 수집 등 재난조사 현업에 활발히 활용되고 있다. 특수차량과 함께 드론은 재난사고 현장조사의 핵심 장비로 재난 현장의 고해상 영상지도 제작과 3차원 지형공간 정보 생성을 통해 재난 원인분석과 재난 현장의 보존을 위한 아카이브 구축에 핵심적인 역할을 하고 있다.
	카메라 렌즈 검정(camera calibration)이란 무엇인가	카메라 렌즈 검정(camera calibration)은 카메라의 내부표정 요소를 계산하는 과정으로, 비측량용 카메라를 측량 목적으로 사용하고자 할 때 무인항공사진측량의 산출물의 정확도 개선을 위해 수행되는 사전 자료처리 과정이다. 카메라 내부표정 요소는 사진 좌표계 상의 주점의 위치(x0, y0), 카메라 초점거리(f), 카메라 렌즈의 왜곡량(K1, K2, P1, P2) 등을 계산한다.

참고문헌 (9)

Cho, J. K., Y. S. Choi, J. H. Kwon, and B. M. Lee, 2008. A study on the Accuracy Analysis of the World Geodetic System Transformation for GIS Base Map and Database, Journal of Korean Society for Geospatial Information Science, 16(3): 79-85.
Kim, S. S., B. G. Song, S. B. Cho, and H. S. Kim, 2019, Applicability of Drone Mapping for Natural Disaster Damage Investigation, Journal of Korean Society for Geospatial Information Science, 27(2): 13-21.
Kim, S. S., S. H. Yoo, J. S. Park, S. B. Cho, and T. H. Kim, 2018. Rapid Disaster Mapping through Data Integration from UAVs and Multi-sensors Mounted on Investigation Platforms of NDMI, Korea, Proc. of 2018 Geoinformation For Disaster Management (Gi4DM), Istanbul, Turkey, Mar. 18-21, vol. XLII-3/W4, pp. 291-294.
Lee, J. O. and S. M. Sung, 2018. Assessment of Positioning Accuracy of UAV Photogrammetry based on RTK-GPS, Journal of the Korea Academia-Industrial Cooperation Society, 19(4): 63-68.
Mian, O., J. Lutes, G. Lipa, J. J. Hutton, E. Gavelle, and S. Borghini, 2015. Direct Geo-referencing on Small Unmanned Aerial Platforms for Improved Reliability and Accuracy of Mapping Without the Need for Ground Control Points, Proc. of 2015 International Conference on Unmanned Aerial Vehicles in Geomatics(UAV-g), Toronto, Canada, Aug. 30-Sep. 2, vol. XL-1/W4, pp. 397-402.
Rehak, M., R. Mibillard, and J. Skaloud, 2013. A Micro-UAV with the Capability of Direct Georeferencing, Proc. of 2013 International Conference on Unmanned Aerial Vehicles in Geomatics(UAV-g), Rostock, Germany, Sep. 4-6, vol. XL-1/W2, pp. 317-323.
Turner, D., A. Lucieer, and L. Wallace, 2013. Direct Geo-referencing of Ultrahigh-Resolution UAV Imagery, IEEE Transaction on Geoscience and Remote Sensing, 52(5): 2738-2745.
Verhoenven, G., 2011. Taking computer Vision Aloft-Archaeological Three-dimensional Reconstructions from Aerial Photographs with Photoscan, Archaeological Prospection, 18(1): 67-73.

상세보기
Zeng, H. and Q. Yi, 2012. Simple and Efficient Direct Solution to Absolute Orientation, In: Deng, W. (ed.), Future Control and Automation, Lecture Notes in Electrical Engineering, Springer, Berlin, Heidelberg, Germany, vol. 173, pp. 19-25.

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