[논문]액티브 러닝을 활용한 영상기반 건설현장 물체 자동 인식 프레임워크

김진우; 지석호; 서준오

doi:10.12652/ksce.2019.39.5.0631

[국내논문] 액티브 러닝을 활용한 영상기반 건설현장 물체 자동 인식 프레임워크
Automated Vision-based Construction Object Detection Using Active Learning 원문보기

대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.39 no.5, 2019년, pp.631 - 636

김진우 (서울대학교 건설환경종합연구소) , 지석호 (서울대학교 건설환경공학부) , 서준오 (홍콩이공대학)

초록
AI-Helper

최근 많은 연구자들이 대규모 현장에 투입된 건설자원의 유형과 위치를 자동 파악하는 영상분석기술을 활발히 개발하고 있다. 하지만 기존의 방법들은 인식하고자 하는 건설 물체(작업자, 중장비, 자재 등)를 학습용 이미지 데이터에 표시하는 Labeling 작업을 요구하고 이에 불필요한 시간과 노력이 낭비된다는 한계가 있다. 이러한 한계를 보완하기 위해서 본 연구는 액티브 러닝을 활용한 영상기반 건설현장 물체 자동 인식 프레임 워크를 제안함을 목표로 한다. 개발 프레임워크 검증을 목적으로 건설분야 Benchmark 데이터셋을 이용하여 실제 실험을 진행하였다. 그 결과, 액티브 러닝을 통해 학습한 모델은 다양한 특성을 지닌 건설물체를 성공적으로 인식할 수 있었고, 기존의 학습 DB 구축 방식과 비교할 때 더 적은 데이터 수와 반복학습 횟수로도 높은 성능을 가지는 영상분석모델을 개발할 수 있었다. 결과적으로 기존에 요구되던 학습 DB 구축을 위한 Labeling 작업을 줄일 뿐만 아니라 총 시간과 비용을 최소화할 수 있다.

Abstract ▼ AI-Helper

Over the last decade, many researchers have investigated a number of vision-based construction object detection algorithms for the purpose of construction site monitoring. However, previous methods require the ground truth labeling, which is a process of manually marking types and locations of target objects from training image data, and thus a large amount of time and effort is being wasted. To address this drawback, this paper proposes a vision-based construction object detection framework that employs an active learning technique while reducing manual labeling efforts. For the validation, the research team performed experiments using an open construction benchmark dataset. The results showed that the method was able to successfully detect construction objects that have various visual characteristics, and also indicated that it is possible to develop the high performance of an object detection model using smaller amount of training data and less iterative training steps compared to the previous approaches. The findings of this study can be used to reduce the manual labeling processes and minimize the time and costs required to build a training database.

Keyword

표/그림 (4)

그림 Fig. 1. Active Learning Framework for Construction Object Detection
그림 Fig. 2. Example of Image Data Labeling using Labelimg Software
그림 Fig. 3. Examples of Construction Object Detection
그림 Fig. 4. Performance of Object Detection Model according to the Number of Training Image Data

AI 본문요약
AI-Helper

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

문제 정의

보다 구체적으로, 인식하고자 하는 건설 물체의 유형과 위치를 학습용 이미지 데이터에 표시하는 Labeling 작업을 일일이 진행해야 하고, 이는 수많은 시간과 노력을 요구한다. 이러한 한계를 보완하기 위해서 본 연구는 학습 데이터 Labeling 작업을 최소화할 수 있는 액티브 러닝(Active Learning)을 활용한 영상기반 건설현장 물체 자동 인식 프레임워크를 제안함을 목표로 한다.
이처럼 많은 연구들이 진행되었지만 기존의 방법들은 데이터 Labeling 및 학습 DB 구축을 위해 굉장히 많은 시간과 비용을 요구하고 이로 인해 건설현장 물체를 자동으로 인식하는 데 한계가 있다. 따라서 본 연구는 학습 데이터 Labeling 작업을 최소화 할 수 있는 액티브 러닝을 활용한 영상기반 건설현장 물체 자동 인식 프레임워크를 제안함을 목표로 한다.
본 단계는 액티브 러닝의 핵심과정으로 Unlabeled 학습 데이터에 대한 모델 예측값의 불확실성을 평가하는 것이 목적이다. 이를 위해 먼저 랜덤 샘플링(Random Sampling)을 통해 전체 Unlabeled 이미지 데이터 중 일부 데이터를 추출한다.
본 연구는 학습 DB 구축에 불필요하게 낭비되는 시간과 노력을 최소화하기 위해서 액티브 러닝을 활용한 영상기반 건설현장 물체 자동 인식 프레임워크를 제안하였다. 개발 프레임워크의 성능 평가및 검증을 목적으로 건설분야 Benchmark 데이터셋을 이용하여 실제 실험을 진행하였다.
본 단계의 목적은 Labeling된 이미지 데이터를 활용하여 딥러닝 기반 물체 인식 모델을 학습하고 그 성능을 평가하는 것이다. 특히, 본 연구에서는 Ren et al.

제안 방법

본 프레임워크는 총 3단계로 (1) Unlabeled 데이터의 불확실성 평가, (2) 학습 데이터 선정 및 Labeling, (3) 딥러닝 기반 물체 인식 모델 학습 및 평가로 구성되며(Fig. 1), 단계별 세부내용은 다음과 같다.
본 단계는 액티브 러닝의 핵심과정으로 Unlabeled 학습 데이터에 대한 모델 예측값의 불확실성을 평가하는 것이 목적이다. 이를 위해 먼저 랜덤 샘플링(Random Sampling)을 통해 전체 Unlabeled 이미지 데이터 중 일부 데이터를 추출한다. 추출된 이미지 데이터에 학습된 물체 인식 모델을 적용하고 예측결과의 신뢰도를 계산한 뒤, Eq.
앞 단계의 결과를 토대로 모델의 불확실성(엔트로피의 총합)이 가장 높은 이미지 데이터 N개를 선정하고, 사용자는 LabelImg 소프트웨어를 사용하여 선정된 학습용 이미지 데이터의 Labeling 작업을 수행한다(Fig. 2). 이미지 1장당 Labeling 작업을 수행하는데 평균 약 2분의 시간이 요구되며, 건설분야의 Benchmark dataset (약 430장)의 경우 총 860분 가량이 소요되었다.
특히, 본 연구에서는 Ren et al.(2017)에서 설계한 Faster Region-proposal Convolutional Neural Network (Faster R-CNN) 딥러닝 모델을 건설현장 물체 인식에 맞춤 개발하였다. 해당 모델을 학습하기 위해서 Stochastic Gradient Descent 최적화 알고리즘을 이용하였고 1회당 100번의 학습을 진행하였다.
(2017)에서 설계한 Faster Region-proposal Convolutional Neural Network (Faster R-CNN) 딥러닝 모델을 건설현장 물체 인식에 맞춤 개발하였다. 해당 모델을 학습하기 위해서 Stochastic Gradient Descent 최적화 알고리즘을 이용하였고 1회당 100번의 학습을 진행하였다. 최종적으로 학습된 모델의 성능을 평가하였고 그 성능이 수렴할 때까지 3-1, 3-2, 3-3단계를 반복 진행하였다.
해당 모델을 학습하기 위해서 Stochastic Gradient Descent 최적화 알고리즘을 이용하였고 1회당 100번의 학습을 진행하였다. 최종적으로 학습된 모델의 성능을 평가하였고 그 성능이 수렴할 때까지 3-1, 3-2, 3-3단계를 반복 진행하였다.

대상 데이터

제안한 프레임워크를 검증하기 위해서 Kim et al.(2018b)가 구축한 건설분야의 Benchmark 데이터셋을 이용하여 실험을 수행하였다. 해당 데이터셋은 5개의 건설장비(굴삭기, 덤프트럭, 믹서트럭, 로더, 롤러)에 관한 것이며, 본 연구에서는 총 430개의 이미지 데이터를 활용하였다.
본 연구는 학습 DB 구축에 불필요하게 낭비되는 시간과 노력을 최소화하기 위해서 액티브 러닝을 활용한 영상기반 건설현장 물체 자동 인식 프레임워크를 제안하였다. 개발 프레임워크의 성능 평가및 검증을 목적으로 건설분야 Benchmark 데이터셋을 이용하여 실제 실험을 진행하였다. 실험 결과, 액티브 러닝을 통해 학습한 모델은 다양한 특성을 지닌 건설물체를 성공적으로 인식할 수있었다.
(2018b)가 구축한 건설분야의 Benchmark 데이터셋을 이용하여 실험을 수행하였다. 해당 데이터셋은 5개의 건설장비(굴삭기, 덤프트럭, 믹서트럭, 로더, 롤러)에 관한 것이며, 본 연구에서는 총 430개의 이미지 데이터를 활용하였다. 특히, 본 연구에서는 기존의 경험 법칙(Rule-of-thumb)에 따라 300개(70 %)를 Unlabeled 학습 데이터, 130개(30%)를 평가 데이터로 활용하였다.
해당 데이터셋은 5개의 건설장비(굴삭기, 덤프트럭, 믹서트럭, 로더, 롤러)에 관한 것이며, 본 연구에서는 총 430개의 이미지 데이터를 활용하였다. 특히, 본 연구에서는 기존의 경험 법칙(Rule-of-thumb)에 따라 300개(70 %)를 Unlabeled 학습 데이터, 130개(30%)를 평가 데이터로 활용하였다. 또한, 초기 영상분석모델을 형성하기 위해서 Google TensorFlow에서 제공하는 기학습된 Faster R-CNN을 활용하였다.

데이터처리

또한, 액티브 러닝의 영향을 살펴보기 위해 기존의 방식대로 영상분석모델을 추가 구축하였고 그 실험 결과를 비교·분석하였다. Fig.

이론/모형

특히, 본 연구에서는 기존의 경험 법칙(Rule-of-thumb)에 따라 300개(70 %)를 Unlabeled 학습 데이터, 130개(30%)를 평가 데이터로 활용하였다. 또한, 초기 영상분석모델을 형성하기 위해서 Google TensorFlow에서 제공하는 기학습된 Faster R-CNN을 활용하였다.

성능/효과

3은 액티브 러닝을 활용한 건설물체 인식 결과 예시를 보여준다. 그림에서 볼 수 있듯이 본 연구에서 제안한 방법은 굴삭기, 덤프트럭, 믹서트럭, 로더, 롤러 등 다양한 건설물체를 성공적으로 인식할 수 있었다. 건설장비별 성능을 살펴보면 믹서트럭 90.
그림에서 볼 수 있듯이 본 연구에서 제안한 방법은 굴삭기, 덤프트럭, 믹서트럭, 로더, 롤러 등 다양한 건설물체를 성공적으로 인식할 수 있었다. 건설장비별 성능을 살펴보면 믹서트럭 90.1 %, 로더 84.5 %, 덤프트럭 77.7 %, 롤러 74.5 %, 굴삭기 73.2 % 순으로 나타났다. 보다 구체적으로, 본 연구모델은 덤프트럭의 일부만 이미지 데이터에 나타난 경우에도 인식을 효과적으로 진행하였고 카메라로부터 멀리 존재하여 그 크기가 작은 믹서트럭도 탐지할 수 있었다.
2 % 순으로 나타났다. 보다 구체적으로, 본 연구모델은 덤프트럭의 일부만 이미지 데이터에 나타난 경우에도 인식을 효과적으로 진행하였고 카메라로부터 멀리 존재하여 그 크기가 작은 믹서트럭도 탐지할 수 있었다. 뿐만 아니라 영상분석의 본질적인 한계점이었던 서로 다른 물체가 다양한 각도에서 촬영되어 그 시각적 특성(형태등)이 변화하더라도 잘 인식하는 것을 볼 수 있다.
4는 학습 데이터 수에 따른 물체 인식 모델의 성능 변화를 나타낸다. 학습 데이터 수가 동일한 조건에서는 기존 방식(Random Learning)보다 본 연구에서 제안한 학습방법(Active Learning)을 사용할 경우 모델의 성능이 높은 것을 알 수 있다. 또한, 모델의 최종 정확도를 살펴보면 기존 방식으로는 약 74%에 머물렀던 반면 액티브 러닝을 진행할 경우 81%까지 성능을 향상할 수 있었다.
학습 데이터 수가 동일한 조건에서는 기존 방식(Random Learning)보다 본 연구에서 제안한 학습방법(Active Learning)을 사용할 경우 모델의 성능이 높은 것을 알 수 있다. 또한, 모델의 최종 정확도를 살펴보면 기존 방식으로는 약 74%에 머물렀던 반면 액티브 러닝을 진행할 경우 81%까지 성능을 향상할 수 있었다.
개발 프레임워크의 성능 평가및 검증을 목적으로 건설분야 Benchmark 데이터셋을 이용하여 실제 실험을 진행하였다. 실험 결과, 액티브 러닝을 통해 학습한 모델은 다양한 특성을 지닌 건설물체를 성공적으로 인식할 수있었다. 특히, 기존의 학습 DB 구축 방식으로는 모델의 최대 성능이 74%였던 반면 액티브 러닝을 진행할 경우 81%까지 성능을 향상할 수 있었다.
실험 결과, 액티브 러닝을 통해 학습한 모델은 다양한 특성을 지닌 건설물체를 성공적으로 인식할 수있었다. 특히, 기존의 학습 DB 구축 방식으로는 모델의 최대 성능이 74%였던 반면 액티브 러닝을 진행할 경우 81%까지 성능을 향상할 수 있었다. 이는 본 연구결과를 통해 훨씬 더 적은 데이터 수와 반복학습 횟수로도 높은 성능을 가지는 영상분석모델을 개발할 수 있음을 의미하며, 결과적으로 기존에 학습 DB 구축에 요구되는 Labeling 작업을 줄일 뿐만 아니라 총 시간과 비용을 절감 할 수 있었다.
특히, 기존의 학습 DB 구축 방식으로는 모델의 최대 성능이 74%였던 반면 액티브 러닝을 진행할 경우 81%까지 성능을 향상할 수 있었다. 이는 본 연구결과를 통해 훨씬 더 적은 데이터 수와 반복학습 횟수로도 높은 성능을 가지는 영상분석모델을 개발할 수 있음을 의미하며, 결과적으로 기존에 학습 DB 구축에 요구되는 Labeling 작업을 줄일 뿐만 아니라 총 시간과 비용을 절감 할 수 있었다. 향후 연구로는, 모델 성능의 수렴속도 또는 학습시간을 기존 방법과 비교하고 액티브 러닝을 건설현장 물체 인식뿐만 아니라 정지, 이동 등 건설자원의 개별적인 행동과 작업을 파악하는 문제에 적용해볼 수 있다.
향후 연구로는, 모델 성능의 수렴속도 또는 학습시간을 기존 방법과 비교하고 액티브 러닝을 건설현장 물체 인식뿐만 아니라 정지, 이동 등 건설자원의 개별적인 행동과 작업을 파악하는 문제에 적용해볼 수 있다. 또한, Hyperparameter 최적화 등을 통해 알고리즘의 성능을 향상할 수 있다.

후속연구

향후 연구로는, 모델 성능의 수렴속도 또는 학습시간을 기존 방법과 비교하고 액티브 러닝을 건설현장 물체 인식뿐만 아니라 정지, 이동 등 건설자원의 개별적인 행동과 작업을 파악하는 문제에 적용해볼 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	액티브 러닝이란 무엇인가?	액티브 러닝은 대표적인 반지도학습(Semi-supervised Learning) 기법 중 하나이며, 수많은 학습 데이터 중 가장 유의미한 데이터를 우선적으로 선별하고 학습하여 분석 모델의 성능을 점진적으로 최대화하는 과정이다(Chung, 2018). 정보이론(Information Theory)에서 자주 사용되는 엔트로피(Entropy)를 Eq.
	IoT센서를 부착하는 것이 아닌 영상기반 건설현장 물체 인식 시스템을 이용하게 된 이유는?	대표적으로, Global Positioning Systems,Radio Frequency Identification, Ultra-Wideband 등의 Internetof-Things (IoT) 센서를 건설자원에 직접 부착하고 위치 데이터를 취득하는 시스템이 도입되었다. 하지만 IoT 센서를 현장에 투입된 수많은 건설자원에 모두 부착하는 것이 어렵다는 문제가 있어, 최근에는 Closed Circuit Television (CCTV) 카메라를 현장에 설치하고 수집되는 영상 데이터로부터 건설자원의 위치를 파악하는 영상기반 건설현장 물체 인식 시스템을 적용하고 있다. 영상기반 시스템은 IoT센서를 건설자원에 부착할 필요가 없고 카메라 한 대로 다수의 건설자원을 모니터링할 수 있을 뿐만 아니라, 2016년부터 건설현장 CCTV 설치 및 운용계획 수립이 법제화됨에 따라 영상기반 시스템에 대한 관심이 높아지고 있다(Korea Construction Technology Promotion Act, 2016).
	액티브 러닝을 활용한 영상기반 건설현장 물체자동 인식 프레임워크의 장점은?	특히, 기존의 학습 DB 구축 방식으로는 모델의 최대 성능이 74 %였던 반면 액티브 러닝을 진행할 경우 81 %까지 성능을 향상할 수 있었다. 이는 본 연구결과를 통해 훨씬 더 적은 데이터수와 반복학습 횟수로도 높은 성능을 가지는 영상분석 모델을 개발할 수 있음을 의미하며, 결과적으로 기존에 학습 DB 구축에 요구되는 Labeling 작업을 줄일 뿐만 아니라 총 시간과 비용을 절감할 수 있었다. 향후 연구로는, 모델 성능의 수렴 속도 또는 학습시간을 기존 방법과 비교하고 액티브 러닝을 건설현장 물체 인식뿐만 아니라 정지, 이동 등 건설자원의 개별적인 행동과 작업을 파악하는 문제에 적용해볼 수 있다.

참고문헌 (32)

Azar, E. R. and McCabe, B. (2012a). "Automated visual recognition of dump trucks in construction videos." Journal of Computing in Civil Engineering, Vol. 26, No. 6, pp. 769-781.

상세보기
Azar, E. R. and McCabe, B. (2012b). "Part based model and spatial-temporal reasoning to recognize hydraulic excavators in construction images and videos." Automation in Construction, Vol. 24, pp. 194-202.

상세보기
Azar, E. R., Dickinson, S. and McCabe, B. (2013). "Server-Customer interaction tracker: computer vision-based system to estimate dirt-loading cycles." Journal of Construction Engineering and Management, Vol. 139, No. 7, pp. 785-794.

상세보기
Cai, J., Zhang, Y. and Cai, H. (2019). "Two-step long short-term memory method for identifying construction activities through positional and attentional cues." Automation in Construction, Vol. 106, p. 102886.

상세보기
Chi, S. and Caldas, C. H. (2011). "Automated object identification using optical video cameras on construction sites." Computer-Aided Civil and Infrastructure Engineering, Vol. 26, No. 5, pp. 368-380.

상세보기
Chi, S. and Caldas, C. H. (2012). "Image-based safety assessment: automated spatial safety risk identification of earthmoving and surface mining activities." Journal of Construction Engineering and Management, Vol. 138, No. 3, pp. 341-351.

상세보기
Chi, S., Caldas, C. H. and Kim, D. Y. (2009). "A methodology for object identification and tracking in construction based on spatial modeling and image matching techniques." Computer-Aided Civil and Infrastructure Engineering, Vol. 24, No. 3, pp. 199-211.

상세보기
Chung, S. (2018). Bridge damage factor recognition from inspection reports using active recurrent neural network, Master Thesis, Seoul National University.
Fang, W., Ding, L., Zhong, B., Love, P. E. D. and Luo, H. (2018). "Automated detection of workers and heavy equipment on construction sites: A convolutional neural network approach." Advanced Engineering Informatics, Vol. 37, pp. 139-149.

상세보기
Golparvar-Fard, M., Heydarian, A. and Niebles, J. C. (2013). "Vision-based action recognition of earthmoving equipment using spatio-temporal features and support vector machine classifiers." Advanced Engineering Informatics, Vol. 27, No. 4, pp. 652-663.

상세보기
Gong, J. and Caldas, C. H. (2010). "Computer vision-based video interpretation model for automated productivity analysis of construction operations." Journal of Computing in Civil Engineering, Vol. 24, No. 3, pp. 252-263.

상세보기
Han, S. U., Achar, M., Lee, S. H. and Pena-Mora, F. (2013). "Empirical assessment of a RGB-D sensor on motion capture and action recognition for construction worker monitoring." Visualization in Engineering, Vol. 1, No. 1, pp. 1-13.

상세보기
Han, S. U., Lee, S. H. and Pena-mora, F. (2014). "Vision-based detection of unsafe actions of a construction worker: case study of ladder climbing." Journal of Computing in Civil Engineering, Vol. 27, No. 6, pp. 635-644.
Kim, H. J., Kim, H. K., Hong, Y. W. and Byun, H. R. (2018b). "Detecting construction equipment using a region-based fully convolutional network and transfer learning." Journal of Computing in Civil Engineering, Vol. 32, No. 2, p. 04017082.

상세보기
Kim, H. J., Kim, K. N. and Kim, H. K. (2016). "Vision-based object-centric safety assessment using fuzzy inference: monitoring struck-by accidents with moving objects." Journal of Computing in Civil Engineering, Vol. 30, No. 4, p. 04015075.

상세보기
Kim, J. W. and Chi, S. H. (2017). "Adaptive detector and tracker on constrution sites using functional integration and online learning." Journal of Computing in Civil Engineering, Vol. 31, No. 5, p. 04017026.

상세보기
Kim, J. W. and Chi, S. H. (2019). "Action recognition of earthmoving excavators based on sequential pattern analysis of visual features and operation cycles." Automation in Construction, Vol. 104, pp. 255-264.

상세보기
Kim, J. W., Chi, S. H. and Seo, J. W. (2018a). "Interaction analysis for vision-based activity identification of earthmoving excavators and dump trucks." Automation in Construction, Vol. 87, pp. 297-308.

상세보기
Kim, J., Ham, Y. J., Chung, Y. H. and Chi, S. H. (2019). "Systematic camera placement framework for operation-level visual monitoring on construction jobsites." Journal of Construction Engineering and Management, Vol. 145, No. 4, p. 04019019.

상세보기
Korea Construction Technology Promotion Act (2016). Enforcement decree article 98 and 99, statutes of the Republic of Korea.
Luo, X., Li, H., Cao, D., Dai, F., Seo, J. and Lee, S. (2018). "Recognizing diverse construction activities in site images via relevance networks of construction-related objects detected by convolutional neural networks." Journal of Computing in Civil Engineering, Vol. 32, No. 3, p. 04018012.

상세보기
Memarzadeh, M., Golparvar-Fard, M. and Niebles, J. C. (2013). "Automated 2D detection of construction equipment and workers from site video streams using histograms of oriented gradients and colors." Automation in Construction, Vol. 32, pp. 24-37.

상세보기
Park, M. W. and Brilakis, I. (2012). "Construction worker detection in video frames for initializing vision trackers." Automation in Construction, Vol. 28, pp. 15-25.

상세보기
Park, M. W. and Brilakis, I. (2016). "Continuous localization of construction workers via integration of detection and tracking." Automation in Construction, Vol. 72, pp. 129-142.

상세보기
Park, M. W., Elsafty, N. and Zhu, Z. (2015). "Hardhat-wearing detection for enhancing on-site safety of construction workers." Journal of Construction Engineering and Management, Vol. 141, No. 9, p. 04015024.

상세보기
Ren, S., He, K., Girshick, R. and Sun, J. (2017). "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.

상세보기
Settles, B. (2010). Active learning literature survey. Computer Science Technical Report 1648, University of Wisconsin-Madison.
Soltani, M. M., Zhu, Z. and Hammad, A. (2017). "Skeleton estimation of excavator by detecting its parts." Automation in Construction, Vol. 82, pp. 1-15.

상세보기
Son, H. J., Choi, H. C., Seong, H. W. and Kim, C. W. (2019). "Detection of construction workers under varying poses and changing background in image sequences via very deep residual networks." Automation in Construction, Vol. 99, pp. 27-38.

상세보기
Yang, J., Vela, P., Teizer, J. and Shi, Z. (2014). "Vision-based tower crane tracking for understanding construction activity." Journal of Computing in Civil Engineering, Vol. 28, No. 1, pp. 103-112.

상세보기
Zhu, Z., Ren, X. and Chen, Z. (2016). "Visual tracking of construction jobsite workforce and equipment with particle filtering." Journal of Computing in Civil Engineering, Vol. 30, No. 6, pp. 1-15.
Zou, J. and Kim, H. (2007). "Using hue, saturation, and value color space for hydraulic excavator idle time analysis." Journal of Computing in Civil Engineering, Vol. 21, No. 4, pp. 238-246.

상세보기

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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