[논문]엣지 디바이스에서의 딥러닝 기반 차량 인식 및 속도 추정을 통한 스마트 횡단보도 시스템의 설계 및 구현

장선혜; 조희은; 정진우

doi:10.6109/jkiice.2020.24.4.467

엣지 디바이스에서의 딥러닝 기반 차량 인식 및 속도 추정을 통한 스마트 횡단보도 시스템의 설계 및 구현
Design and Implementation of A Smart Crosswalk System based on Vehicle Detection and Speed Estimation using Deep Learning on Edge Devices 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.4, 2020년, pp.467 - 473

장선혜 (Department of Computer Engineering, Kumoh National Institute of Technology) , 조희은 (Department of Computer Engineering, Kumoh National Institute of Technology) , 정진우 (Department of Computer Engineering, Kumoh National Institute of Technology)

초록
AI-Helper

최근 우리나라의 자동차 보급률이 증가함에 따라 교통사고 발생 건수 또한 증가하고 있다. 특히, 차량간 사고뿐만 아니라 횡단보도 근처에서의 인명 사고 또한 증가하고 있어 횡단보도 교통안전에 대한 주의가 더욱 요구되고 있다. 본 논문에서는 NVIDIA Jetson Nano급의 엣지 디바이스를 이용하여 횡단보도에 접근하는 차량을 인식하고 속도를 추정함으로써 횡단보도 주위 안전 상태를 예측하는 시스템을 제안한다. 딥러닝 기반 차량 위치 인식을 통하여 얻은 정보들을 바탕으로 다양한 기계 학습 기법을 학습시켜 차량 속도에 따른 위험 정도를 예측한다. 마지막으로, 실제 주행 영상을 이용한 실험 및 웹 시뮬레이션을 통해 제안하는 시스템의 성능과 활용 가능성을 검증하였다.

Abstract ▼ AI-Helper

Recently, the number of traffic accidents has also increased with the increase in the penetration rate of cars in Korea. In particular, not only inter-vehicle accidents but also human accidents near crosswalks are increasing, so that more attention to traffic safety around crosswalks are required. In this paper, we propose a system for predicting the safety level around the crosswalk by recognizing an approaching vehicle and estimating the speed of the vehicle using NVIDIA Jetson Nano-class edge devices. To this end, various machine learning models are trained with the information obtained from deep learning-based vehicle detection to predict the degree of risk according to the speed of an approaching vehicle. Finally, based on experiments using actual driving images and web simulation, the performance and the feasibility of the proposed system are validated.

주제어

표/그림 (11)

그림 Fig. 1 System architecture
그림 Fig. 2 Hardware setup
그림 Fig. 3 The flow of algorithm
그림 Fig. 4 Information of detected objects
그림 Fig. 5 Examples of object detection on Jetson Nano
그림 Fig. 6 Examples of data augmentation
그림 Fig. 7 Comparison of accuracy between methods
그림 Fig. 8 Accuracy of the best method (position only)
그림 Fig. 9 Confusion matrix of SVM
그림 Fig. 10 Confusion matrix of LDA
그림 Fig. 11 Web simulator

AI 본문요약
AI-Helper

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

문제 정의

자동차 속도의 위험 예측을 위한 모델로는 SVM, Decision Tree (DT), Random Forest (RF), KNN, Logistic regression classifier (LR), Multi Layer Perceptron (MLP), AdaBoost, Naive-Bayes (GNB), LDA을 사용하였다. 또한, 각각의 모델을 학습시키기 위한 특징 벡터들을 다음과 같이 세 가지 그룹으로 재구성하여 사용된 특징에 따른 모델들의 정확도의 차이를 분석하고자 하였다: 1) 객체의 위치 정보만을 활용, 2) 객체의 넓이 정보만을 활용, 3) 객체의 위치 및 넓이 정보들을 모두 활용. 안전 수준 분류를 위한 학습을 위하여 각 주행속도에 따라 안전 수준의 영상 367개, 주의 수준의 영상 391 개, 경고 수준의 영상 386개의 클립을 활용하였으며, 10-fold cross validation을 통하여 정확도 성능을 평가하였다.
본 논문에서는 객체 인식을 위한 SSD-MobileNet V2 기반 디텍터를 이용하여 엣지 디바이스에서 횡단보도에 접근하는 차량을 인식하고 시간 별 차량 인식 결과를 특징 벡터로 사용하는 기계학습 알고리즘들을 활용하여 횡단보도 위험도를 분류하기 위한 방법을 제안하였다. 또한, 실제 차량 주행 영상을 이용한 실험 및 시뮬레이터 기반 시나리오를 통하여 제안하는 시스템의 실무활용 가능성을 확인하였다.
본 연구에서 제안하는 시스템의 성능 평가를 위하여 각 속도 구간에 따른 자동차 주행 영상을 촬영하였다. 주행 영상 촬영은 운전자 한 명과 촬영자 두 명으로 구성된 팀을 통하여 약 1시간 가량 이루어졌으며 촬영된 주행 영상은 각각 10~20초 사이의 길이로 구성되었다.
본 연구에서는 횡단보도에 접근하는 차량의 위치 변화를 모니터링 하여 차량 속도에 따른 위험 정도를 예측한 후, 횡단보도에 설치된 LED 등의 발광 장비를 통해 횡단보도 내 구간별 위험 정도를 제공하는 스마트 횡단보도 시스템을 제안한다. 접근하는 차량의 인식 및 속도 측정을 위해 NVIDIA Jetson Nano급의 엣지 컴퓨팅 환경에서 딥러닝 기반 객체 인식 기술을 사용하여 주행 차량의 위치 변화 정보 등을 추출하고 기계 학습 기반 분류자를 사용하여 위험 정도를 예측한다.
나타내고 있다. 본 연구의 현 단계에서는 실제 횡단보도에 고휘도 LED 설치가 불가능하여 웹 시뮬레이터를 통하여 활용 방안을 제시한다. 웹 시뮬레이터에서는 각 차선별로 입력되는 차량 주행 영상으로부터 차량 객체를 인식하고 그에 따른 안전 수준을 예측한다.

제안 방법

네트워크 구조이다. 객체의 후보영역 추출을 위한 별도의 네트워크 트레이닝이 필요했던 기존의 방법들과는 달리 객체 후보 영역을 생성하기 위한 region proposal network을 사용하지 않아 실시간성을 확보하였으며 여러가지 스케일의 feature map을 추출하여 객체 인식을 시도함으로써 객체의 크기에 보다 강인한 성능을 제공한다. 본 연구에서는 그림 3의 Object detection network 층에 해당하는 SSD 네트워크 구조를 활용한다.
본 논문에서는 접근하는 차량의 속도에 따라 횡단보도 안전상태를 안전, 주위, 경고의 3단계로 구분하였으며 실험을 통하여 접근 차량 속도에 따른 안전 상태 분류 정확도를 측정하였다. 또한, 웹 시뮬레이터를 통하여 제안하는 시스템의 활용 방안에 대하여 서술하였다.
접근하는 차량의 인식 및 속도 측정을 위해 NVIDIA Jetson Nano급의 엣지 컴퓨팅 환경에서 딥러닝 기반 객체 인식 기술을 사용하여 주행 차량의 위치 변화 정보 등을 추출하고 기계 학습 기반 분류자를 사용하여 위험 정도를 예측한다. 본 논문에서는 접근하는 차량의 속도에 따라 횡단보도 안전상태를 안전, 주위, 경고의 3단계로 구분하였으며 실험을 통하여 접근 차량 속도에 따른 안전 상태 분류 정확도를 측정하였다. 또한, 웹 시뮬레이터를 통하여 제안하는 시스템의 활용 방안에 대하여 서술하였다.
객체의 후보영역 추출을 위한 별도의 네트워크 트레이닝이 필요했던 기존의 방법들과는 달리 객체 후보 영역을 생성하기 위한 region proposal network을 사용하지 않아 실시간성을 확보하였으며 여러가지 스케일의 feature map을 추출하여 객체 인식을 시도함으로써 객체의 크기에 보다 강인한 성능을 제공한다. 본 연구에서는 그림 3의 Object detection network 층에 해당하는 SSD 네트워크 구조를 활용한다. SSD 알고리즘은 feature extraction 성능이 우수한 일반적인 CNN 알고리즘 (예: VGG19 등)의 특정 레이어를 입력으로 받아 컨볼루션을 수행하며 다양한 스케일 (38x38, 19x19, 10x10, 5x5, 3×3, 1x1)의 feature map을 객체 검출 및 인식에 활용한다.
또한, residual bottleneck layer의 prediction layer에서는 non-linearity (ReLu)를 적용하지 않음으로 정보 손실을 최소화하였다. 본 연구에서는 엣지 디바이스에서의 객체 인식이 요구되므로 SSD 구조에 MobileNet-V2의 feature extraction과 separable convolution이 합성된 SSD-MobileNet-V2 구조를 활용하였다.
추출된 특징 벡터는 분류를 위한 기계학습 알고리즘인 SVM, Decision Tree, Random Forest, KNN, Logistic regression classifier, MLP, AdaBoost, Naive-Bayes, LDA 알고리즘의 입력으로 활용된다. 본 연구에서는 주행 차량의 접근 속도에 따라 횡단보도의 차선 별/구간 별 안전 상태를 ‘안전 (10km 이하)’, ‘위험 (10~20km)’, ‘경고 (30km 이상)’로 분류한다. 최종적으로, 제안 시스템을 통하여 분류된 안전 정보를 횡단 보도에 설치되어 있는 제어 시스템에 전달하고 횡단보도의 각 구간에 대한 안전 정보를 발광 장치를 이용하여 보행자에게 효과적으로 제공한다.
실험 장소에서 안전상의 이유로 장시간 반복 촬영이 불가능하였기 때문에 각 속도별로 획득한 데이터를 바탕으로 데이터 오그멘테이션을 수행하였다. 차량의 주행 영상이므로 회전이나 스케일 변화는 수행할 수 없었으며 그림 6과 같이 조도 등의 변화를 주어 샘플의 수를 증가시켰다.
주행도로를 촬영할 수 있는 일반 웹캠을 장착한 엣지 컴퓨팅 디바이스 (NVIDIA Jetson Nano)가 횡단보도에 장착되며 횡단보도에 접근하는 차량을 인식하게 된다. 엣지 디바이스 내부에 설정된 주기에 따라 차량을 인식하여 인식 정보를 획득하며 차량의 속도 차에 따른 프레임별 차량 인식 정보의 차이를 바탕으로 횡단보도 주위의 안정 상태를 분류한다. 그림 2는 본 연구에서 활용된 엣지 컴퓨팅 디바이스와 웹캠의 구성을 나타내고 있다.
MobileNet-V2 는 이와 같이 많은 양의 연산과 메모리가 필요한 네트워크의 경량화를 통하여 상대적으로 적은 파라미터와 연산만으로도 이미지 분류, 객체 인식 및 시맨틱 세그멘테이션 태스크를 효과적으로 수행할 수 있도록 개선한 구조이다. 이를 위하여 일반적인 컨볼루션 연산을 대체할 수 있는 depth-wise separable convolution 연산이 활용되었으며 residual bottleneck 구조가 메모리 효율성을 확보할 수 있는 inverted residual bottleneck 구조로 대체되었다. 또한, residual bottleneck layer의 prediction layer에서는 non-linearity (ReLu)를 적용하지 않음으로 정보 손실을 최소화하였다.
시스템을 제안한다. 접근하는 차량의 인식 및 속도 측정을 위해 NVIDIA Jetson Nano급의 엣지 컴퓨팅 환경에서 딥러닝 기반 객체 인식 기술을 사용하여 주행 차량의 위치 변화 정보 등을 추출하고 기계 학습 기반 분류자를 사용하여 위험 정도를 예측한다. 본 논문에서는 접근하는 차량의 속도에 따라 횡단보도 안전상태를 안전, 주위, 경고의 3단계로 구분하였으며 실험을 통하여 접근 차량 속도에 따른 안전 상태 분류 정확도를 측정하였다.
촬영하였다. 주행 영상 촬영은 운전자 한 명과 촬영자 두 명으로 구성된 팀을 통하여 약 1시간 가량 이루어졌으며 촬영된 주행 영상은 각각 10~20초 사이의 길이로 구성되었다. 촬영된 동영상을 분석하기 위한 장비로 NVIDIA의 Jetson Nano 보드가 사용되었다.
있다. 카메라를 통하여 촬영된 도로 자동차 주행 영상이 입력으로 주어지면 객체 인식을 위하여 학습되어 있는 SSD-MobileNet V2 네트워크를 통하여 영상 내 차량에 대한 객체 인식을 수행한다. 각 영상으로부터 객체 인식의 결과는 사각형 형태의 바운딩 박스로 표기되며 차량을 제외한 객체 인식 결과는 제거하여 활용한다.

대상 데이터

그림 2는 본 연구에서 활용된 엣지 컴퓨팅 디바이스와 웹캠의 구성을 나타내고 있다. 엣지 컴퓨팅 디바이스는 NVIDIA 사의 GPU가 장착된 보드 중 가장 작은 크기와 비용이 소모되는 Jetson Nano 보드가 활용되었으며 영상 인식을 위해서는 일반 성능의 웹캠인 Logitech C₉₂0 카메라가 사용되었다.

데이터처리

또한, 각각의 모델을 학습시키기 위한 특징 벡터들을 다음과 같이 세 가지 그룹으로 재구성하여 사용된 특징에 따른 모델들의 정확도의 차이를 분석하고자 하였다: 1) 객체의 위치 정보만을 활용, 2) 객체의 넓이 정보만을 활용, 3) 객체의 위치 및 넓이 정보들을 모두 활용. 안전 수준 분류를 위한 학습을 위하여 각 주행속도에 따라 안전 수준의 영상 367개, 주의 수준의 영상 391 개, 경고 수준의 영상 386개의 클립을 활용하였으며, 10-fold cross validation을 통하여 정확도 성능을 평가하였다. 다음은 알고리즘별 주요 파라미터의 최적 세팅을 나타내고 있다.

이론/모형

소형의 GPU가 탑재된 머신으로서 전력공급이 원활하게 이루어질 경우 별도의 고성능 장치나 네트워크 지연없이 횡단보도에 설치하여 이미지 분석 및 추론을 수행할 수 있다. Jetson Nano 보드에서 자동차 객체 인식을 수행하기 위하여 TensorRT 최적화가 수행되어 있는 Jetson-inference DetectNet 패키지를 사용하였다. 또한, 자동차 클래스에 대한 네트워크 가중치가 Microsoft COCO 모델을 통하여 이미 학습되어 있는 SSD-MobileNet-V2 모델을 활용하였다.
Jetson Nano 보드에서 자동차 객체 인식을 수행하기 위하여 TensorRT 최적화가 수행되어 있는 Jetson-inference DetectNet 패키지를 사용하였다. 또한, 자동차 클래스에 대한 네트워크 가중치가 Microsoft COCO 모델을 통하여 이미 학습되어 있는 SSD-MobileNet-V2 모델을 활용하였다. 그림 5는 Jetson Nano 보드 상에서 자동차 주행 영상에 대한 자동차 객체 인식 및 로컬라이제이션을 수행하여 바운딩 박스를 추출한 결과이다.
차량의 주행 영상이므로 회전이나 스케일 변화는 수행할 수 없었으며 그림 6과 같이 조도 등의 변화를 주어 샘플의 수를 증가시켰다. 자동차 속도의 위험 예측을 위한 모델로는 SVM, Decision Tree (DT), Random Forest (RF), KNN, Logistic regression classifier (LR), Multi Layer Perceptron (MLP), AdaBoost, Naive-Bayes (GNB), LDA을 사용하였다. 또한, 각각의 모델을 학습시키기 위한 특징 벡터들을 다음과 같이 세 가지 그룹으로 재구성하여 사용된 특징에 따른 모델들의 정확도의 차이를 분석하고자 하였다: 1) 객체의 위치 정보만을 활용, 2) 객체의 넓이 정보만을 활용, 3) 객체의 위치 및 넓이 정보들을 모두 활용.
추출된 특징 벡터는 분류를 위한 기계학습 알고리즘인 SVM, Decision Tree, Random Forest, KNN, Logistic regression classifier, MLP, AdaBoost, Naive-Bayes, LDA 알고리즘의 입력으로 활용된다. 본 연구에서는 주행 차량의 접근 속도에 따라 횡단보도의 차선 별/구간 별 안전 상태를 ‘안전 (10km 이하)’, ‘위험 (10~20km)’, ‘경고 (30km 이상)’로 분류한다.

성능/효과

또한, 실제 차량 주행 영상을 이용한 실험 및 시뮬레이터 기반 시나리오를 통하여 제안하는 시스템의 실무활용 가능성을 확인하였다. 향후 연구로서 온보드 추론에 보다 효율적인 경량화 및 실제 횡단보도에서의 사용자 테스트를 수행할 예정이다.
7%를 차지했다 [2]. 스마트폰 이용에 따른 보행자 교통사고는 일반 횡단보도상에서의 보행자 교통사고와는 달리 10대와 20대가 많은 피해를 입는 것으로 나타났다. 이와 같이 지속적으로 증가하는 횡단보도 주위에서의 보행자 교통사고를 적극적으로 예방하기 위해서는 보다 적극적인 사고 예방 노력과 대책이 필요한 상황이다.
본 연구에서는 주행 차량의 접근 속도에 따라 횡단보도의 차선 별/구간 별 안전 상태를 ‘안전 (10km 이하)’, ‘위험 (10~20km)’, ‘경고 (30km 이상)’로 분류한다. 최종적으로, 제안 시스템을 통하여 분류된 안전 정보를 횡단 보도에 설치되어 있는 제어 시스템에 전달하고 횡단보도의 각 구간에 대한 안전 정보를 발광 장치를 이용하여 보행자에게 효과적으로 제공한다.
평균적으로 객체의 넓이 정보만을 활용한 경우 평균 80%의 분류 정확도를 보였으며 Naive-bayes 모델이나 LDA 모델은 약 68%의 정확도를 보여 기타 모델들에 비하여 더욱 낮은 수준의 분류 성능을 보여주었다. 반면, 위치 정보가 포함되거나 위치 정보만을 활용할 경우, 모델들의 정확도가 전반적으로 상승함을 확인할 수 있다.

후속연구

향후 연구로서 온보드 추론에 보다 효율적인 경량화 및 실제 횡단보도에서의 사용자 테스트를 수행할 예정이다. 또한, 다수의 차량이 통행중인 상황에 대하여 안전상태를 인지할 수 있도록 추가적인 연구를 진행하고자 한다.
예를 들어, 10km/h 이하의 저속으로 접근하는 차량 영상에 대해서는 해당 차선에 녹색 점등을 통하여 안전 상황임을 표기하고, 20~30km/h 사이의 속도로 접근하는 경우, 황색 점등을 통해 보행자에게 경고할 수 있다. 이를 통하여 운전자 및 보행자에게 직관적으로 횡단보도 주위의 안전 상황을 제공할 수 있을 것으로 기대한다.
또한, 실제 차량 주행 영상을 이용한 실험 및 시뮬레이터 기반 시나리오를 통하여 제안하는 시스템의 실무활용 가능성을 확인하였다. 향후 연구로서 온보드 추론에 보다 효율적인 경량화 및 실제 횡단보도에서의 사용자 테스트를 수행할 예정이다. 또한, 다수의 차량이 통행중인 상황에 대하여 안전상태를 인지할 수 있도록 추가적인 연구를 진행하고자 한다.

참고문헌 (17)

Yonhap News Agency. 157 pedestrian traffic accident patients per day: seven out of ten crosswalks [Internet]. Available : https://www.yna.co.kr/view/AKR20180227095200017
Dong-A ILBO. 62% of traffic fatalities on foot are 'smombie' [Internet]. Available : http://www.donga.com/news/article/all/20180517/90136145
A. Kurniawan, A. Ramadlan and E. M. Yuniarno, "Speed Monitoring for Multiple Vehicle Using Closed Circuit Television (CCTV) Camera," in Proceeding of the IEEE International Conference on Computer Engineering, Network and Intelligent Multimedia (CENIM), pp.88-93, 2018.
J. H. Kim, D. K. Shin, J. K. Kim, C. H. Kwon, and H. R. Byun, "Optical Flow Based Vehicle Counting and Speed Estimation in CCTV Videos," Journal of Broadcast Engineering, vol.22, no.4, pp.448-461, Jul. 2017

원문보기 상세보기
J. H. Kim, D. H. Kim, and W. S. Lee, "Real-time Measurement of Traffic Speed and Volume Based on CCTV Videos," in Proceeding of the KIIT Summer Conference, pp. 107-110, 2018
N. H. Cho, S. Z. Byun, M. K. Lee, and Y. H. Kim, "Implementation of Pedestrian Crosswalk Monitoring System for Accident Prevention," The Journal of Korean Institute of Information Technology, vol. 14, no.4, pp. 45-50, Apr. 2016.

상세보기
K. P. Kim, E. J. Do, and Y. S. Bae, "AI crosswalk system for safety of pedestrian", in Proceeding of Korean Institute of Information Technology Conference, pp. 1683-1685, 2016.
W. Czajewski and M. Iwanowski, "Vision-based vehicle speed measurement method," in Proceeding of the International Conference on Computer Vision and Graphics pp. 308-315, 2010.
A. Dehghani and A. Pourmohammad, "Single camera vehicles speed measurement," in Proceeding of the 8th Iranian Conference on Machine Vision and Image Processing (MVIP), pp.190-193, 2013.
C. H. Xiao and N. H. C. Yung, "A novel algorithm for estimating vehicle speed from two consecutive images," in Proceeding of the IEEE Workshop on Applications of Computer Vision (WACV), pp. 12-12, 2007.
H. Zhiwei, L. Yuanyuan, and Y. Xueyi, "Models of vehicle speeds measurement with a single camera", in Proceeding of the International Conference on Computational Intelligence and Security, pp. 283-286, 2007.
D. C. Luvizon, B. T. Nassu, and R. Minetto, "A VideoBased System for Vehicle Speed Measurement in Urban Roadways," IEEE Transactions on Intelligent Transportation Systems, vol.18, no.6, pp. 1393-1404, Sep. 2016.

상세보기
C. Y. Cho, H. K. Yim, and M.. J. Lee, "Development of ICT-based road safety integrated facilities for pedestrian crossing," Journal of the Korea Academica-Industrial cooperatino Society, vol.18, no.12, pp. 93-99, Jun. 2017.
S. H. Ku, J. Y. Jang, E. H. Jung, E. S. Choi, and D. H. Lee, "Integrated Crosswalk Pedestrian Safety System with Smartphone Application," in Proceedings of the Korean Institute of Information Technology Conference, pp. 349-350. 2019.
G. B. Kim and B. K. Kim, "Using Arduino crossing the sidewalk safety systems," in Proceeding of the Korean Institute of Information Technology Conference, pp. 361-362, 2015.
S. J. Bae, H. J. Choi, and G. M. Jeong, "YOLO Model FPS Enhancement Method for Determining Human Facial Expression based on NVIDIA Jetson TX1," Journal of Korea Institute of Information, Electronics, and Communication Technology, vol.12, no.5, pp. 467-474. 2019.
D. Y. Chun, J. W. Choi, and H. Kim, "Two-Context CNN Inference with TensorRT," in Proceeding of the Institute of Electronics and Information Engineers Fall Conference, pp. 460-461, 2019.

저자의 다른 논문 :

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