[논문]딥 러닝과 파노라마 영상 스티칭 기법을 이용한 송전선 늘어짐 모니터링 시스템

박은수; 김승환; 이상순; 류은석

doi:10.5909/jbe.2020.25.1.13

딥 러닝과 파노라마 영상 스티칭 기법을 이용한 송전선 늘어짐 모니터링 시스템
The Power Line Deflection Monitoring System using Panoramic Video Stitching and Deep Learning 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.1, 2020년, pp.13 - 24

박은수 (성균관대학교 컴퓨터교육과) , 김승환 (성균관대학교 컴퓨터교육과) , 이상순 (가천대학교 컴퓨터공학과) , 류은석 (성균관대학교 컴퓨터교육과)

초록
AI-Helper

한국에는 전력 분배를 위하여 약 9백만 개의 전신주와 1.3백만 킬로미터의 송전선이 있다. 이러한 많은 전력 설비의 유지보수를 위해서는 많은 인력과 시간이 소요된다. 최근 인공지능을 사용한 여러 고장진단 기술들이 연구되어 오고 있기 때문에 본 논문에서는 송전선의 여러 요인으로 인한 늘어짐을 감지하기 위해 기존의 현장에서의 검증 방법이 아닌 카메라 시스템으로 촬영한 영상에서의 인공 지능 기술을 활용한 송전선 늘어짐 감지 시스템을 제안한다. 제안하는 시스템은 (i) 객체 탐지 시스템을 이용한 송전탑 감지 (ii) 동영상 촬영 데이터의 화질 저하 문제를 해결하기 위한 히스토그램 평활화 기법 (iii) 송전선 전체를 파악하기 위한 파노라마 영상 스티칭(iv) 송전선 탐지 알고리즘 적용 후 파노라마 영상 스티칭 기술을 이용한 늘어짐 판단 과정으로 진행된다. 본 논문에서는 각각의 과정들에 대한 설명 및 실험 결과를 보인다.

Abstract ▼ AI-Helper

There are about nine million power line poles and 1.3 million kilometers of the power line for electric power distribution in Korea. Maintenance of such a large number of electric power facilities requires a lot of manpower and time. Recently, various fault diagnosis techniques using artificial intelligence have been studied. Therefore, in this paper, proposes a power line deflection detect system using artificial intelligence and computer vision technology in images taken by vision system. The proposed system proceeds as follows. (i) Detection of transmission tower using object detection system (ii) Histogram equalization technique to solve the degradation in image quality problem of video data (iii) In general, since the distance between two transmission towers is long, a panoramic video stitching process is performed to grasp the entire power line (iv) Detecting deflection using computer vision technology after applying power line detection algorithm This paper explain and experiment about each process.

주제어

표/그림 (13)

그림 그림 1. 제안하는 딥러닝과 파노라마 영상 스티칭을 이용한 송전선 늘어짐 모니터링 시스템 Fig. 1. Proposed power line deflection monitoring system using deep learning and panoramic video stitching
그림 그림 2. 파노라마 영상 스티칭 과정 Fig. 2. Panoramic video stitching process
그림 그림 3. 히스토그램 평활화 방법 비교: (a) 원본 이미지 (b) 명암 대비를 제한한 지역 히스토그램 평활화 이미지 (c) 명암 대비를 제한하지 않은 지역 히스토그램 평활화 이미지 Fig. 3. Compare histogram equalization methods:　(a) Original image (b) Local histogram equalization image using limited contrast (c) Local histogram equalization image using unlimited contrast
그림 그림 4. 각도 검출을 사용한 송전선 모니터링 시스템 알고리즘 Fig. 4. Power line monitoring system using angle detection flow chart
그림 그림 5. 파노라마 영상 스티칭 후처리 과정: (a) 여백이 존재하는 이미지 (b) 후처리된 이미지 Fig. 5. Panoramic video stitching postprocessing: (a) Image with margins (b) Postprocessed image
그림 그림 6. 영상 선명화 작업: (a) 원본 이미지 (b) CLAHE 기술을 적용한 이미지 Fig. 6. Image sharpening processing: (a) Original image (b) Image using CLAHE
그림 그림 7. 엣지 추출 기법을 통한 송전선 감지: (a), (d) 원본 이미지 (b), (e) Canny edge 알고리즘 적용 (c), (f) 허프 변환 적용 Fig. 7. Power line detection using edge extraction technique: (a), (d) Original image (b), (e) Image using canny edge (c), (f) Image using hough transform
그림 그림 8. 라인 템플릿 기반 송전선 탐지 알고리즘 Fig. 8. Power line detection algorithm based on line template
그림 그림 9. 송전선 영상 전처리 후 각도 검출 기법: (a) Original Image (b) CLAHE를 적용한 이미지 (c) 제안한 방법으로 전선을 탐지 후, 0으로 마스크 한 이미지로 옮기고 양측의 최상단 점과 최하단점을 탐지한 이미지 (d) 그림 (c)에서 구한 각 점의 좌표와 아크 코사인을 사용하여 송전선 늘어짐의 각도 검출한 이미지 Fig. 9. Angle detection technique after power line image preprocessing: (a) Original image (b) Image using CLAHE, (c) Detecting wires by the proposed method and then moving to masked image with 0, image that detected the top and bottom of both sides (d) Angle detection of the power line deflection using the coordinates and arccosine of each point obtained in (c)
표 표 1. COCO 데이터셋을 사용한 모델 성능 비교 Table 1. Model performance comparison using COCO dataset
표 표 2. 커스텀 데이터 셋을 이용한 epoch 별 송전탑 감지 성능 비교 Table 2. Comparison of detection performance of transmission tower by epoch using custom dataset
그림 그림 10. 이동차량을 통한 송전선 영상 캡쳐 후 파노라마 영상 스티칭 실험 결과 Fig. 10. Experimental result of panorama video stitching
그림 그림 11. 딥 러닝과 컴퓨터 비전 기술을 이용한 송전선 늘어짐 모니터링 시스템 실험 결과 (a), (b) 송전선이 1 줄일 경우 실험 (c) 송전선이 2줄일 경우 실험 Fig. 11. Experimental results of power line deflect monitoring system using deep running and computer vision technology (a), (b) Experimental result with 1 power line (c) Experimental result with 2 power lines

AI 본문요약
AI-Helper

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

문제 정의

송전선은 얇고 길기 때문에 효과적으로 검출하기 위해서 전처리과정이 필요하다. 본 논문에서 히스토그램 평활화 기법을 적용하여 송전선의 선명도를 높인다. 이때 송전선은 검은색이라는 가정하에서 진행되었다.
본 논문에서는 그림 1과 같은 송전선 늘어짐 감지 시스템을 제안한다. 이동하는 카메라 시스템을 이용하여 영상을 촬영하고 전선의 늘어짐을 감지하는 방법을 사용한다.

가설 설정

본 논문에서 히스토그램 평활화 기법을 적용하여 송전선의 선명도를 높인다. 이때 송전선은 검은색이라는 가정하에서 진행되었다. 히스토그램 평활화 기법 중 CLAHE를 적용하였고, 결과는 그림 6과 같다.

제안 방법

본 논문에서는 속도와 mAP를 모두 비교 분석한 결과 성능이 제안하는 시스템에 가장 적합한 YOLOv3-320을 사용한다. COCO dataset에 송전탑 클래스가 없으므로 본 논문에서 YOLO의 송전탑 이미지 학습은 구글 이미지 검색 산출물들을 활용하여 수행한다. 또한 표 2는 YOLO를 학습한 epoch에 따른 가중치로 송전탑 객체가 존재하는 이미지를 테스트한 결과이다.
또한 파노라마 영상 스티칭의 효율을 높이기 위하여 사용하는 카메라 시스템에 탑재되어 있는 속도 측정 센서에서 취득한 속도 데이터를 사용한다. 그리고 이미지 간의 공통 특징점을 추출하여 파노라마 이미지를 만들어서 하나의 카메라로 얻을 수 있는 정보의 한계를 극복하고, 제안하는 방법을 이용하여 송전선을 추출 및 늘어짐 진단을 할 수 있다.
그림 7과 같이 송전선이 아닌 불필요한 모든 엣지를 감지하였다. 그림 7의 방법들은 제안하는 시스템의 목적과는 다르기 때문에 본 논문에서 송전선만을 감지하는 알고리즘을 제안한다.
사용한 데이터 셋은 구글 스트리트뷰에서 직접 캡처하여 제작한 데이터 셋으로 총 13장을 테스트하였다. 본 논문에서 시스템의 자동화를 위하여 이미지의 중간지점에서부터 아래로 내려오면서 임의 임계 값으로 지정한 검은색 픽셀을 찾고, 송전선 검출 알고리즘을 시작한다. 검출 종료 후, 각도를 계산하면 그림 11의 (a), (b) 와 같이 각도를 얻을 수 있으며, 그림 11의 (c) 와 같이 여러 개의 송전선을 동시에 검출할 수 있다.
블록현상을 줄이기 위하여 명암 대비를 제한하는 Contrast limited adaptive histogram equalization (CLAHE)이 제안되었다^[26]. 본 논문에서는 CLAHE 기법을 사용하여 영상의 화질을 향상시켜 파노라마와 송전선 추적을 용이하게 한다.
본 논문에서는 이동하는 차량 및 드론 등에 탑재된 카메라 시스템을 통하여 송전탑을 딥 러닝으로 인식하고, 영상을 촬영한다. 또한 파노라마 영상 스티칭의 효율을 높이기 위하여 사용하는 카메라 시스템에 탑재되어 있는 속도 측정 센서에서 취득한 속도 데이터를 사용한다.
SURF 알고리즘은 Hessian detector를 기반으로 적분 영상과 Fast-Hessian detector를 사용하여 연산 속도를 높였다. 영상 간 공통 특징점을 찾아낸 후 이미지 투시 변환을 통해 공통 특징점을 매칭한다. 마지막으로 이미지 변환을 하며 생기는 변화된 이미지를 디스플레이 환경에 맞게 조절하는 과정을 수행한다.
본 논문에서는 그림 1과 같은 송전선 늘어짐 감지 시스템을 제안한다. 이동하는 카메라 시스템을 이용하여 영상을 촬영하고 전선의 늘어짐을 감지하는 방법을 사용한다. 카메라 시스템 (e.
그리고 지역적으로 밝기를 개선할 수 없기 때문에 명암 대비가 감소하거나 화질이 훼손된다^[24][25]. 이를 개선하기 위하여 지역 히스토그램 평활화를 사용한다. 지역 히스토그램 평활화는 영상을 서브 블록으로 나누고 블록마다 히스토그램 평활화를 적용한다.
이 과정에 대한 산출물은 전체적인 송전선의 정보를 가진 한 장의 파노라마 이미지다. 전처리 과정을 거친 파노라마 이미지에 송전선 감지 알고리즘을 사용하여 전선을 추출한 후 이미지 변환 기술 등을 사용하여 송전선의 늘어짐을 판단한다.
제안하는 송전선 탐지 알고리즘은 일반적인 고압 송전선이 검은색이라는 것을 이용하며, 아래와 같은 순서로 진행된다.
제안하는 시스템에서 실시간 객체 감지가 가능한 객체 인식 모델을 이용하여 송전탑을 감지 후 동영상 촬영을 시작한다. 이후 첫 번째 송전탑이 사라지고, 두 번째 송전탑이 감지되면 동영상 촬영을 종료 후 저장한다.
참고문헌[4]는 라인 템플릿을 사용하였다. 해당 연구는 고압 송전선은 일반적으로 검은색이라는 가정하에 진행된 연구로, 송전선을 추출할 이미지의 송전선에 마우스 클릭을 수행하면 클릭 지점에서 여러 각도로 라인 템플릿이 구현된다. 해당 템플릿 (직선)의 위치를 지나는 영상의 그레이 스케일 값의 평균값을 스코어로 하며 가장 낮은 값의 템플릿을 송전선으로 채택한다.

대상 데이터

또한 표 2는 YOLO를 학습한 epoch에 따른 가중치로 송전탑 객체가 존재하는 이미지를 테스트한 결과이다. 데이터 셋은 총 131개의 이미지 파일로 구성되어 있으며 9:1 비율로 트레이닝 셋과 테스트 셋으로 나누었다. 모델의 실제 검증을 위하여 테스트 셋으로만 비교 분석하였으며, 13개의 파일 중 9개 파일만 명시하였다.
본 논문에서는 이동하는 차량 및 드론 등에 탑재된 카메라 시스템을 통하여 송전탑을 딥 러닝으로 인식하고, 영상을 촬영한다. 또한 파노라마 영상 스티칭의 효율을 높이기 위하여 사용하는 카메라 시스템에 탑재되어 있는 속도 측정 센서에서 취득한 속도 데이터를 사용한다. 그리고 이미지 간의 공통 특징점을 추출하여 파노라마 이미지를 만들어서 하나의 카메라로 얻을 수 있는 정보의 한계를 극복하고, 제안하는 방법을 이용하여 송전선을 추출 및 늘어짐 진단을 할 수 있다.
자료는 참고문헌[32]에 명시되어 있으며 그중 가장 진보된 모델들을 가져온 것이다. 본 논문에서는 속도와 mAP를 모두 비교 분석한 결과 성능이 제안하는 시스템에 가장 적합한 YOLOv3-320을 사용한다. COCO dataset에 송전탑 클래스가 없으므로 본 논문에서 YOLO의 송전탑 이미지 학습은 구글 이미지 검색 산출물들을 활용하여 수행한다.
본 논문에서 설명 및 실험한 과정들을 모두 진행하였을 때 그림 11과 같은 실험 결과를 얻을 수 있다. 사용한 데이터 셋은 구글 스트리트뷰에서 직접 캡처하여 제작한 데이터 셋으로 총 13장을 테스트하였다. 본 논문에서 시스템의 자동화를 위하여 이미지의 중간지점에서부터 아래로 내려오면서 임의 임계 값으로 지정한 검은색 픽셀을 찾고, 송전선 검출 알고리즘을 시작한다.

데이터처리

데이터 셋은 총 131개의 이미지 파일로 구성되어 있으며 9:1 비율로 트레이닝 셋과 테스트 셋으로 나누었다. 모델의 실제 검증을 위하여 테스트 셋으로만 비교 분석하였으며, 13개의 파일 중 9개 파일만 명시하였다. 이때 객체 인식의 평균 런타임은 0.

이론/모형

이를 개선한 알고리즘이 SURF 알고리즘이다. SURF 알고리즘은 Hessian detector를 기반으로 적분 영상과 Fast-Hessian detector를 사용하여 연산 속도를 높였다. 영상 간 공통 특징점을 찾아낸 후 이미지 투시 변환을 통해 공통 특징점을 매칭한다.
그 후 이웃 영상 간의 색차 보정을 통하여 영상 간의 차이를 줄이고, 특징점을 추출하는 알고리즘인 SIFT[18], SURF[19] 등을 사용하여 공통 특징점을 찾아낸다.
본 논문에서 파노라마 영상 스티칭 기법은 다중 이미지 스티칭이 가능한 참고문헌 [34]를 이용하였다. 참고문헌[34]는 레지스트레이션 부분과 컴포지션 부분으로 나누어져 있다.
본 논문에서는 송전선을 검출해야 하기 때문에 참고문헌[4]를 참고하였다. 참고문헌[4]는 라인 템플릿을 사용하였다.
제안하는 시스템에서 트리거 역할을 하는 송전탑 감지를 위하여 본 논문에서는 객체 탐지 딥 러닝 모델을 사용한다. 표 1은 COCO Dataset으로 학습시킨 모델들과 그 모델들의 Mean average precision (mAP) 그리고 Frames per second (FPS)를 나타낸 것이다.
본 논문에서는 송전선을 검출해야 하기 때문에 참고문헌[4]를 참고하였다. 참고문헌[4]는 라인 템플릿을 사용하였다. 해당 연구는 고압 송전선은 일반적으로 검은색이라는 가정하에 진행된 연구로, 송전선을 추출할 이미지의 송전선에 마우스 클릭을 수행하면 클릭 지점에서 여러 각도로 라인 템플릿이 구현된다.
이때 송전선은 검은색이라는 가정하에서 진행되었다. 히스토그램 평활화 기법 중 CLAHE를 적용하였고, 결과는 그림 6과 같다. 그림 6에서 송전선이 선명해진 것을 확인할 수 있다.

성능/효과

(1) 송전선의 탐색을 위해, 이미지의 중앙부터 탐색하며 지정된 임계 값을 넘지 않는 검은색 픽셀을 감지한다. 이때 임계 값은 20 픽셀값으로 설정하였다.
(3) 생성된 라인 템플릿에서 90° 방향으로 직선을 생성하고, -90° 방향까지 -θ만큼 직선의 기울기를 변경한다.
Percentage, N, RN은 각각 객체 인식 정확도, 감지된 객체 수, 실제 객체 수이다. 데이터 셋이 부족하여 매우 정확한 정확도가 산출되지 않았지만, 1500 epoch에서 사용할 수 있을 만한 정확도가 산출되었다.
본 논문에서 제안하는 송전선 늘어짐 감지 시스템은 값비싼 장비를 사용하지 않고, 컴퓨터 비전 기술을 사용하여, 무수히 많은 송전선의 유지 보수에 소요되는 인력, 비용 낭비를 줄일 수 있다. 그러나 현재 송전선의 늘어짐 여부 관련한 데이터 셋을 구하는 데 한계가 있으므로, 추후에 더 많은 데이터 셋들이 공개가 된다면, 본 논문의 연구를 통하여 더 효과적인 송전선 유지 보수 시스템에 관한 연구가 이루어질 것이다.
그림 10은 송전탑 사이 이미지를 5분할 한 것으로 각 영상 간 겹치는 영역이 존재한다. 분할된 이미지로 파노라마 영상 스티칭 기법을 실험해본 결과, 배경이 하늘과 같은 특징이 거의 없는 환경에서도 파노라마 영상 스티칭 기술이 잘 적용된 것을 확인할 수 있다. 파노라마 영상 스티칭 및 후처리 런타임은 평균 2.

후속연구

본 논문에서 제안하는 송전선 늘어짐 감지 시스템은 값비싼 장비를 사용하지 않고, 컴퓨터 비전 기술을 사용하여, 무수히 많은 송전선의 유지 보수에 소요되는 인력, 비용 낭비를 줄일 수 있다. 그러나 현재 송전선의 늘어짐 여부 관련한 데이터 셋을 구하는 데 한계가 있으므로, 추후에 더 많은 데이터 셋들이 공개가 된다면, 본 논문의 연구를 통하여 더 효과적인 송전선 유지 보수 시스템에 관한 연구가 이루어질 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	고압 전선들의 유지보수가 필수적인 이유는 무엇인가?	이에 따라 태양광 등의 대체 에너지로 인해 전력 에너지 공급이 증가하면, 여러 외부 요인 및 내부 요인에 의해 선로에 과부하(overload)가 발생할 위험이 높아질 것으로 예상된다[2]. 선로에 과부하가 발생하게 되면 고압 전선의 장력이 약해져 늘어질 수 있으며, 이는 통행 차량 또는 통행인에게 위협을 가할 뿐만 아니라 전기 전송 효율도 크게 떨어트린다. 따라서 고압 전선들의 유지보수는 필수적이다.
	정부의 ‘신재생에너지기술개발 및 보급 확산 프로그램’을 통해 무엇을 지원하였는가?	정부의 ‘신재생에너지기술개발 및 보급 확산 프로그램’을 통해 신재생에너지기술개발에 대한 투자, 그리고 신재생에너지에 대한 발전 차액을 지원하였으며 이를 기초로 한국의 신재생에너지기술 개발이 시작되었다[1]. 이에 따라 태양광 등의 대체 에너지로 인해 전력 에너지 공급이 증가하면, 여러 외부 요인 및 내부 요인에 의해 선로에 과부하(overload)가 발생할 위험이 높아질 것으로 예상된다[2].
	한국전력공사가 2019년에 발표한 한국전력통계에 따르면, 한국 배전 설비 기준 몇개의 지지물과 몇 키로미터의 전선이 존재하는가?	따라서 고압 전선들의 유지보수는 필수적이다. 한국전력공사가 2019년에 발표한 한국전력통계에 따르면 한국 배전 설비 기준 약 42,577개의 지지물 (supporter) 및 약 215,988 킬로미터의 전선이 존재하므로 유지보수에 큰 노력과 시간이 소요된다[3]. 앞서 언급한 바와 같이 막대한 양의 설비를 모두 사람이 직접 눈으로 확인하는 것은 사실상 불가능하므로, 모니터링 시스템을 도입하여 점검한다.

참고문헌 (36)

H. T. Lim and S. Kim, "The Socio-technical Constituency behind New & Renewable Energy Technology Development in a Latecomer: The Case study of New & Renewable Technology Program of Korea," Journal of Energy Engineering, Vol.20, No.4, pp.267-277, 2011

원문보기 상세보기
S. Y. Hyun, M. H. Choi, S. H. Bae, and J. S. Ryoo, "A study on the Interconnect Protection of Distributed Generators between Distribution System," The Korean Institute of Electrical Engineers (KIEE) pp.551-552, 2015.
No. 86 (2016) Korea Electric Power Statistics, Korea Electric Power Corporation, 100-101, 2017
E. S. Cho and K. Kim, "The power line tracking system using image processing algorithm," Institute of Control, Robotics and Systems, pp.739-744, 2011.
A. K. Jardine, D. Lin and D. Banjevic, "A review on machinery diagnostics and prognostics implementing condition-based maintenance," Mechanical Systems and Signal Processing , Vol.20, No.7, pp.1483-1510, 2006

상세보기
S. Kim and S. Lee, "Deep Learning in Mechanical Engineering," The Korean Society of Mechanical Engineers, pp.103-104, 2017.
B. A. Paya, I. I. Esat, and M. N. M. Badi, "ARTIFICIAL NEURAL NETWORK BASED FAULT DIAGNOSTICS OF ROTATING MACHINERY USING WAVELET TRANSFORMS AS A PREPROCESSOR," Mechanical Systems and Signal Processing, Vol.11, No.5, pp. 751-765, 1997.

상세보기
T. M. Khoshgoftaar and D. L. Lanning, "A Neural Network Approach for Early Detection of Program Modules Having High Risk in the Maintenance Phase," Journal of Systems and Software, Vol.29, pp.85-91, 1995.

상세보기
E. Park, S. Kim, J. Jeong and E-S Ryu, "Overview of AI-based Fault Detection and Diagnostics," The Korean Institute of Broadcast and Media Engineers, pp.235-237, 2018
J. Redmon, S. Divvala, R. Girshick and A. Farhadi " You Only Look Once: Unified, Real-Time Object Detection," The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.779-788, 2016
D. Kim and J. Choi, "View Interpolation Algorithm, for Continuously Changing Viewpoints in the Multi-panorama Based Navigation," IEIE Journal (SP), Vol.40, pp.141-148, 2003
S. Kim, K. Kim and W. Woo, "Multiple Camera Calibration for Panoramic 3D Virtual Environment," IEIE Journal (CI), Vol.41, pp.137-148, 2004
C. Xie, X. Zhang, H. Yang, and Z. Gao, "Video Stitching Based on Optical Flow," IEEE International Symposium on Broadband Multimedia Systems and Broadcasting (BMSB), pp.1-5, 2018
M. T. Ibrahim, R. Hafiz, M. M. Khan, Y. Cho and J. Cha, "Automatic Reference Selection for Parametric Color Correction Schemes for Panoramic Video Stitching," Advances in Visual Computing. ISVC, Vol.7431, pp.492-501, 2012
H. Guo, S. Liu, T. He, S. Zhu, B. Zeng and M. Gabbouj, "Joint Video Stitching and Stabilization From Moving Cameras," IEEE Transactions on Image Processing, Vol.25, 5491-5503, 2016

상세보기
E. Saban, I. Mostafa, K. Ayman and R. Mahmoud, "Improved optimal seam selection blending for fast video stitching of videos captured from freely moving devices," Proceedings - International Conference on Image Processing, ICIP, pp.1481-1484, 2011
W. Xu, "Panoramic Video Stitching," PhD thesis, University of Colorado, Boulder Boulder, 1-1-2012.
D. G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal of Computer Vision, Vol.60, pp.91-110, 2004

상세보기
H. Bay, T. Tuytelaars and L. V. Gool, "SURF: Speeded Up Robust Features. Computer Vision and Image Understanding,", Computer Vision and Image Understanding, Vol.110, pp.346-359, 2008

상세보기
Y-T. Kim, "Contrast enhancement using brightness preserving bi-histogram equalization," IEEE Transactions on Consumer Electronics, Vol.43, pp.1-8, 1997

상세보기
S. Chen and A. R. Ramli, "Contrast Enhancement using Recursive Mean-Separate Histogram Equalization for Scalable Brightness Preservation," IEEE Transactions on Consumer Electronics, Vol.49, pp.1301-1309, 2003

상세보기
Y. Wang, Q. Chen and B. M. Zhang, "Image Enhancement based on Equal Area Dualistic sub-Image Histogram Equalization Method," IEEE Transaction on Consumer Electronics, Vol.45, pp.68-75, 1999

상세보기
K. S. Sim, C. P. Tso and Y. Y. Tan, "Recursive sub-image histogram equalization applied to gray scale images," Pattern Recognition Letters, Vol.28, pp.1209-1221, 2007

상세보기
R. C. Gonzalez and P. Wintz, "Digital Image Processing," Addison-Wesley Publishing Company 2009.
J. Y. Kim, L. S. Kim and S. H. Hwang, "An Advanced Contrast Enhancement using Partially Overlapped Sub-Block Histogram Equalization," IEEE Circuits and Systems for Video Technology, Vol.11, pp.475-484, 2001

상세보기
K. Zuiderveld, "Contrast Limited Adaptive Histogram Equalization. Graphics Gems IV," Academic Press Professional, Inc., pp.474-485, 1994
C. H. Park, K. Choi and I. Lee, "Lane Extraction through UAV Mapping and Its Accuracy Assessment," Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.34, pp.11-19, 2016

원문보기 상세보기
J. S. Lee, H. S. Kim and J. B. Park, "Multi-lane Detection and Driving Lane Information Extraction Algorithm Using Inverse Perspective Mapping," The Korean Institute of Electrical Engineers (KIEE), pp.257-258, 2016
S. H. Park and Y. G. Kim, "A Study of Detecting Curved Lane by Hough Transform for Autonomous Driving," Korean Institute of Information Scientists and Engineers, pp.2104-2106, 2017
J. M. Choi and C. Kim, "Interval Hough Transform for Prominent Line Detection" Journal of Korea Multimedia Society, Vol.16, pp.1288-1296, 2013

원문보기 상세보기
W. G. Jeon and B. G. Choi, "A Study on the Automatic Detection of Railroad Power Lines Using LiDAR Data and RANSAC Algorithm," Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.31, pp.331-339, 2013

원문보기 상세보기
YOLO: Real-Time Object Detection. https://pjreddie.com/darknet/yolo/ (accessed Mar. 31, 2019).
Y. H. Lee, J. H. Park and Y. Kim, "Comparative Analysis of the Performance of SIFT and SURF," Journal of the Semiconductor & Display Technology, Vol.12, pp.59-63, 2013
M. Brown and D. G. Lowe, "Automatic Panoramic Image Stitching using Invariant Features," International Journal of Computer Vision, Vol.74, pp.59-73, 2007

상세보기
R. Shaoging, H. Kaiming, G. Ross and S. Jian, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", Advances in Neural Information Processing Systems (NIPS), Vol. 28, 2015
VaFRIC (Variable Frame-Rate Imperial College) Dataset, https://www.doc.ic.ac.uk/-ahanda/VaFRIC/index.html (accessed Jul. 1, 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