[논문]증강현실 기술을 통한 건설 현장에서의 공정 정보 활용도 제고 방안

이용주; 김진영; 박만우

doi:10.13161/kibim.2020.10.4.060

증강현실 기술을 통한 건설 현장에서의 공정 정보 활용도 제고 방안
Augmented Reality Framework for Efficient Access to Schedule Information on Construction Sites 원문보기

Journal of KIBIM = 한국BIM학회논문집, v.10 no.4, 2020년, pp.60 - 69

이용주 (명지대학교 토목환경공학과) , 김진영 (명지대학교 토목환경공학과) , (명지대학교 토목환경공학과) , 박만우 (명지대학교 토목환경공학과)

Abstract ▼ AI-Helper

Allowing on-site workers to access information of the construction process can enable task control, data integration, material and resource control. However, in the current practice of the construction industry, the existing methods and scope is quite limited, leading to inefficient management during the construction process. In this research, by adopting cutting edge technologies such as Augmented Reality(AR), digital twins, deep learning and computer vision with wearable AR devices, the authors proposed an AR visualization framework made of virtual components to help on-site workers to obtain information of the construction process with ease of use. Also, this paper investigates wearable AR devices and object detection algorithms, which are critical factors in the proposed framework, to test their suitability.

주제어

표/그림 (16)

그림 Figure 1. Examples of commercial AR solutions(ART+COM STUDIOS, 2013; Souza, 2019; Trimble, 2020)
그림 Figure 2. AR Visualization Framework of Virtual Component from Digital Twin for On-Site Worker
그림 Figure 3. Examples of AR Visualization
표 Table 1. Comparison of wearable AR devices
그림 Figure 4. Precision (a) and Recall (b)
그림 Figure 5. (a) YOLOv3 Network architecture (b) Component of prediction feature map (Redmon & Farhadi, 2018)
표 Table 2. Comparison of detection algorithm (Redmon & Farhadi, 2018)
그림 Figure 6. Data A (video) and Data labeling example
그림 Figure 7. Examples of Data B
그림 Figure 8. Sample image of Data C
표 Table 3. Composition of Data set
그림 Figure 9. First train loss graph chart
그림 Figure 10. Second train loss graph chart
그림 Figure 11. Sample image of test result
표 Table 4. Test result of Excavator
표 Table 5. Test result of Dump Truck

AI 본문요약
AI-Helper

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

문제 정의

하지만 기존의 선행 연구들과 상용 솔루션들은 대부분 프로젝트 관리 및 의사 결정 등의 프로젝트 관리 목적에 적합하게 발전되어 왔기 때문에 현장 작업자가 사용하기에는 부족한 부분들이 존재하고, 현장 작업자의 정보 활용 목적으로 개발된 솔루션들도 제공되는 정보의 범위에 한계가 있다. 따라서, 건설 현장에서 현장 작업자의 공정 정보 활용도 제고를 위해 디지털 트윈 모델 기반의 AR 시각화 기술을 개발하고자 한다. 이를 위해서 건설 현장의 구조물 및 자원(인력, 장비, 자재 등)에 대한 센싱 데이터를 활용할 것이며 웨어러블 AR 기기와 사용자의 상호작용을 통해 디지털 트윈의 다양한 정보를 기반으로 사용자가 열람하고자 하는 정보를 시각화할 수 있는 방법을 개발하고자 한다.
이에 앞서, 기존 관련 연구들과 상용 솔루션들을 확인할 필요가 있다. 따라서, 본 연구에서는 디지털 트윈 플랫폼의 AR 시각화에 대한 기존 연구들과 상용 솔루션들을 비교하여 본 연구 목적에 적합한 디지털 트윈 플랫폼 기반 AR 시각화 기술의 프레임워크를 제시한다. 또한, 해당 과정에서 핵심이 되는 건설 현장의 구조물 및 자원에 대한 센싱 방법들을 소개하고, 이를 비교하여 본 연구에 가장 적합한 센싱 방법을 확인한다.
특히 규모가 크고 다양한 데이터가 생성되는 건설 분야에서는 준공부터 유지관리까지의 모든 생애주기에 걸쳐 디지털 트윈을 이용한 연계관리의 실현으로 공정 개선과 의사 결정에 있어서 그 효과를 극대화시킬수 있을 것으로 예상된다. 본 연구에서는 스마트 건설 플랫폼 기반 건설 현장 작업자용 AR 장치 개발에 앞서 해당 기술의 전체적인 프레임워크를 제시하고, 이에 필요한 상용 장비들과 기술들의 연구 개발에 대한 적합성을 확인해보고자 한다.
본 연구의 목적은 건설 현장 작업자의 공정 정보 활용도 제고를 위한 디지털 트윈과 웨어러블 AR 기기 연계에 대해 전체적인 프레임워크를 제시하고, 이에 필요한 상용 장비들과 기존 기술들의 적용 가능성을 확인해보는 것이다. 먼저, 스마트 건설 플랫폼의 디지털 트윈과 현장 작업자가 서로 상호작용을 통해 정보를 활용할 수 있도록 디지털 트윈 기반 AR 시각화 기술의 프레임워크를 제시했으며 이에 필요한 AR 기기, 특히 웨어러블 AR 기기들을 비교하여 개발 목적에 적합한 AR 기기들을 확인했다.
스마트 건설 기술 개발 사업은 스마트 건설 디지털 플랫폼 및 디지털 트윈 기반 관리 기술을 개발하여 건설 전단계에 걸쳐 생성되는 정보를 디지털화하여 건설 생산성과 안전성을 향상시키는것이 목표이다. 하지만 기존의 선행 연구들과 상용 솔루션들은 대부분 프로젝트 관리 및 의사 결정 등의 프로젝트 관리 목적에 적합하게 발전되어 왔기 때문에 현장 작업자가 사용하기에는 부족한 부분들이 존재하고, 현장 작업자의 정보 활용 목적으로 개발된 솔루션들도 제공되는 정보의 범위에 한계가 있다.
시중에 나와 있는 웨어러블 AR 기기의 종류가 상당히 많은 편이긴 하지만 대부분은 엔터테인먼트 목적으로 출시된 제품들이기 때문에 본 연구의 목적에는 적합하지 않다. 본 연구에 맞는 웨어러블 AR 기기는 소프트웨어 개발을 위한 SDK나 API가 제공될 필요가 있다.
따라서, 건설 현장에서 현장 작업자의 공정 정보 활용도 제고를 위해 디지털 트윈 모델 기반의 AR 시각화 기술을 개발하고자 한다. 이를 위해서 건설 현장의 구조물 및 자원(인력, 장비, 자재 등)에 대한 센싱 데이터를 활용할 것이며 웨어러블 AR 기기와 사용자의 상호작용을 통해 디지털 트윈의 다양한 정보를 기반으로 사용자가 열람하고자 하는 정보를 시각화할 수 있는 방법을 개발하고자 한다. 이에 앞서, 기존 관련 연구들과 상용 솔루션들을 확인할 필요가 있다.
현재는 ‘Digital twin’이라는 용어로 정립된 이 개념은 현실의 물리적 사물을 가상의 공간에 투영한 가상의 모델을 뜻한다. 현실 세계의 물리적 사물의 변화를 가상 세계의 디지털 트윈에 반영, 디지털 트윈의 변화 또한 물리적 사물에 반영될 수 있도록 하여 가상 세계를 통해 현실 세계를 시뮬레이션하고, 분석하고, 관리하기 위한 목적이다(Barricelli et al., 2019). 이러한 디지털 트윈 기술은 주로 제품 생산 분야에서 연구가 진행되어왔으며 시뮬레이션을 통해 생산물의 생애주기를 예측하거나, 생산물의 거동 특성 등을 파악하고, 제품 설계 및 생산 관리 등의 목적으로 사용되었다(Tuegel et al.

가설 설정

통해 이루어진다. 따라서, 건설 현장의 각종 데이터를 수집하는 과정 또한 웨어러블 AR 기기에서 이루어지는 것이 효율적일 것이다. 다양한 웨어러블 AR 기기들이 존재하지만 모든 제품들은 기본적으로 카메라를 탑재하고 있다.

제안 방법

굴삭기의 객체 경계 박스(이하 레이블링 박스)의 크기는 310×200, 덤프트럭의 레이블링 박스의 크기는 310×145이다. K-means clustering를 통해 앵커 박스의 크기를 48×96, 93×70, 69× 104, 98×78, 111×73, 102×86, 101×104, 123×100, 104×119으로 결정하였으며, 101×104, 123×100, 104×119의 크기를 가진 앵커 박스는 Scale 1에서 98×78, 111×73, 102×86의 크기를 가진 앵커 박스는 Scale 2에서 48×96, 93×70, 69×104의 크기를 가진 앵커 박스는 Scale 3에서 사용한다.
시간의 평균값이다. YOLOv3는 다른 네트워크에 비해 mAP 성능의 차이는 다소 낮지만, Faster R-CNN과 SSD 네트워크와 비교해 객체 인식을 하기 위한 연산 시간이 매우 짧기 때문에 실시간으로 객체 인식해야 하는 연구 목적상 YOLOv3를 사용하여 객체 인식을 해보고자 한다.
데이터 융합을 통해 가공된 사용자 데이터는 디지털 트윈 플랫폼에 전달되고, 이 정보를 토대로 디지털 트윈 모델에서 해당하는 정보를 탐색한다. 정보는 공정, 안전, 시뮬레이션에 대한 정보가 될 수도 있으며 복잡한 3D 모델이 될 수도 있으며 어떠한 형태로든 사용자에게 시각화될 수 있다.
따라서, 본 연구에서는 디지털 트윈 플랫폼의 AR 시각화에 대한 기존 연구들과 상용 솔루션들을 비교하여 본 연구 목적에 적합한 디지털 트윈 플랫폼 기반 AR 시각화 기술의 프레임워크를 제시한다. 또한, 해당 과정에서 핵심이 되는 건설 현장의 구조물 및 자원에 대한 센싱 방법들을 소개하고, 이를 비교하여 본 연구에 가장 적합한 센싱 방법을 확인한다.
적용 가능성을 확인해보는 것이다. 먼저, 스마트 건설 플랫폼의 디지털 트윈과 현장 작업자가 서로 상호작용을 통해 정보를 활용할 수 있도록 디지털 트윈 기반 AR 시각화 기술의 프레임워크를 제시했으며 이에 필요한 AR 기기, 특히 웨어러블 AR 기기들을 비교하여 개발 목적에 적합한 AR 기기들을 확인했다. 또한, 제시한 프레임워크의 데이터 처리 단계에서 중요한 역할을 하게 될 객체 인식 방법으로 영상 기반의 객체 인식 방법들을 소개했고, 본 연구의 목적에 가장 적합하다고 판단된 딥러닝 기반의 YOLOv3 네트워크를 사용하여 객체 인식을 수행해봄으로써 사용 가능성을 확인했다.
본 연구에서 제시하고자 하는 방법에서 마커는 건설 자재처럼 규격이 정해진 건설 현장 객체들을 빠르게 인식하는데 활용되거나 AR 시각화 단계에서 3D 모델의 정확한 위치를 특정하는 앵커(Anchor)로 사용된다.
본 연구에서 제안하는 기술은 AR 기기 특히 웨어러블 AR 기기를 통해 이루어진다. 따라서, 건설 현장의 각종 데이터를 수집하는 과정 또한 웨어러블 AR 기기에서 이루어지는 것이 효율적일 것이다.
전반에 큰 불편함이 없어야 한다. 상용 웨어러블 AR 기기 중 본 연구 목적에 가장 적합한 기기를 찾기 위해 현재 시판 중인 후보 기기들을 비교 검토했다.
앞서 3.3.2에서 설명한 객체 인식을 위해서 본 연구에서는 AR 기기에서 획득한 건설 현장의 영상 데이터로부터 객체의 위치 정보와 해당 객체가 무엇인지를 분류하기 위한 기술로 딥러닝 기반의 객체 인식 알고리즘을 적용하고자 한다. 더 나아가 디지털 트윈 모델과 연계하여 사용자에게 Figure 2의 Information과 같이 다양한 정보를 제공할 수 있을 것이다.

대상 데이터

이후 Table 3의 데이터 A와 같이 분류된 사진의 20%(굴삭기 사진 8, 784개, 덤프트럭 사진 6, 943개)는 네트워크의 오버피팅상태를 확인할 테스트 세트(testing set)로 활용하고, 나머지 60% 는 학습 세트(training set)로 20%는 네트워크를 검증하기 위한 검증 세트(validation set)로 나눠 오버피팅 현상을 방지한다. 굴삭기의 객체 경계 박스(이하 레이블링 박스)의 크기는 310×200, 덤프트럭의 레이블링 박스의 크기는 310×145이다. K-means clustering를 통해 앵커 박스의 크기를 48×96, 93×70, 69× 104, 98×78, 111×73, 102×86, 101×104, 123×100, 104×119으로 결정하였으며, 101×104, 123×100, 104×119의 크기를 가진 앵커 박스는 Scale 1에서 98×78, 111×73, 102×86의 크기를 가진 앵커 박스는 Scale 2에서 48×96, 93×70, 69×104의 크기를 가진 앵커 박스는 Scale 3에서 사용한다.
두 번째로 사용한 데이터는 Figure 7과 같이 다양한 각도와 형태로 촬영된 굴삭기, 덤프트럭 사진이다(이하 데이터 B). 총 2, 850 개의 사진을 사용하며, 장비 객체는 굴삭기 사진 2, 000개, 덤프트럭 사진 2, 700개로 분류한다.
0 버전을 사용했다. 본 연구에서 사용한 데이터는 Table 3과 같이 총 3가지이다. 첫 번째로 사용한 데이터는 Figure 6과 같이 현장 시공 영상으로 네트워크 학습에 사용한 데이터이다(이하 데이터 A).
데이터 수집 단계에서 획득한 영상 데이터로부터 찾아내고자 하는 객체의 영상 좌표를 계산하고 해당 객체가 무엇인지를 분류해내는 기술이다. 본 연구에서는 건설 인력, 건설 장비, 건설자재가 인식 대상이다. 영상 기반 객체 인식 알고리즘은 상당히 다양한 방법들이 있다.
세 번째로 사용한 데이터는 데이터 A와 데이터 B로 학습한 네트워크를 실험하기 위한 영상 데이터로 Figure 8과 같이 현장 시공 영상이다(이하 데이터 C). 해당 영상은 길이 3분, 해상도 1280 ×720, 프레임 속도 30 fps, 굴삭기의 크기는 400×230, 덤프트럭의 크기는 375×140이다.
본 연구에서 사용한 데이터는 Table 3과 같이 총 3가지이다. 첫 번째로 사용한 데이터는 Figure 6과 같이 현장 시공 영상으로 네트워크 학습에 사용한 데이터이다(이하 데이터 A). 해당 영상은 해상도 1280×720, 길이 1시간 20분, 프레임 속도 10 fps을 가지고 있으며, Figure 6과 같이 각 사진 데이터마다 객체를 레이블링하여 굴삭기 사진 43, 924개와 덤프트럭 사진 34, 643개로 분류한다.
두 번째로 사용한 데이터는 Figure 7과 같이 다양한 각도와 형태로 촬영된 굴삭기, 덤프트럭 사진이다(이하 데이터 B). 총 2, 850 개의 사진을 사용하며, 장비 객체는 굴삭기 사진 2, 000개, 덤프트럭 사진 2, 700개로 분류한다. 이후 Table 3의 데이터 B와 같이 분류된 사진의 80%(굴삭기 사진 1, 600개, 덤프트럭 사진 2, 160 개)는 학습 세트로 20%는 검증 세트로 나눠 네트워크의 오버피팅 현상을 방지한다.
영상이다(이하 데이터 C). 해당 영상은 길이 3분, 해상도 1280 ×720, 프레임 속도 30 fps, 굴삭기의 크기는 400×230, 덤프트럭의 크기는 375×140이다. 데이터 C는 홀로렌즈 카메라의 해상도와 프레임 속도가 같기 때문에 YOLOv3가 해당 영상의 해상도와 프레임 속도에도 빠른 연산 시간이 나온다면, 홀로렌즈에서 실시간 객체 인식으로 YOLOv3를 활용할 수 있을 것이다.
첫 번째로 사용한 데이터는 Figure 6과 같이 현장 시공 영상으로 네트워크 학습에 사용한 데이터이다(이하 데이터 A). 해당 영상은 해상도 1280×720, 길이 1시간 20분, 프레임 속도 10 fps을 가지고 있으며, Figure 6과 같이 각 사진 데이터마다 객체를 레이블링하여 굴삭기 사진 43, 924개와 덤프트럭 사진 34, 643개로 분류한다. 이후 Table 3의 데이터 A와 같이 분류된 사진의 20%(굴삭기 사진 8, 784개, 덤프트럭 사진 6, 943개)는 네트워크의 오버피팅상태를 확인할 테스트 세트(testing set)로 활용하고, 나머지 60% 는 학습 세트(training set)로 20%는 네트워크를 검증하기 위한 검증 세트(validation set)로 나눠 오버피팅 현상을 방지한다.

이론/모형

영상 기반 객체 인식 알고리즘은 상당히 다양한 방법들이 있다. 본 연구에서는 최근 관련 연구 분야에서 많이 사용되고 있는 딥러닝 기반의 객체 인식 알고리즘을 적용했다. 딥러닝 기반의 객체 인식 알고리즘은 기존의 이미지 프로세싱 방식의 객체 인식 방법들과 비교하여 속도가 빠르면서도 정확한 편이다.

성능/효과

2016년에는 Microsoft 의 Hololens(이하 홀로렌즈)가 출시되면서 홀로그래픽 AR 컨텐츠를 제공할 수 있게 되었고, 이를 통해 웨어러블 AR을 통한 3D 모델의 접근성이 향상되었다. 이를 통해 Figure 1의 (d)처럼 웨어러블 AR 기기를 통해 3D 모델을 확인하고, 장비를 착용한 사용자끼리 해당 경험을 공유하는 것이 가능해졌다. 하지만, 대부분의 소프트웨어가 3D 모델을 확인하는 정도에 그쳤으며, 의사 결정 및 프로젝트 관리의 목적으로 개발되어 현장 작업자가 사용하기에는 적합하지 않다.
때문에, 데이터 C로 네트워크의 성능을 실험하고자 한다. 데이터 A로 훈련된 네트워크를 데이터 C로 실험한 결과 굴삭기와 덤프트럭의 정밀도는 모두 100%로 사진에서 객체를 인식할 때 실제로 해당 class로 판별할 확률이 높은 것을 보여준다. 하지만 굴삭기의 재현율 96.
53%로 네트워크가 덤프트럭을 인식할 확률이 매우 떨어진다. 데이터 A와 데이터 C의 건설 장비의 크기가 1.3~1.4배 차이 나기 때문에 실험할 때 앵커 박스의 크기를 1.5배 키워 데이터 C의 덤프트럭이 앵커 박스 안에 들어갈 수 있게 초 매개변수를 변경하여 실험을 진행하였지만, 굴삭기의 재현율 99.2%, 덤프트럭의 재현율 44.4%로 낮은 성능을 보여줬다. 본 연구에서 정밀도는 재현율보다 더욱 중요한 성능 지표인 것은 사실이지만 너무 낮은 재현율은 객체 인식을 통해 얻는 데이터의 양 자체를 제한하기 때문에 일정 수준 이상의 재현율을 확보할 필요가 있다.
먼저, 스마트 건설 플랫폼의 디지털 트윈과 현장 작업자가 서로 상호작용을 통해 정보를 활용할 수 있도록 디지털 트윈 기반 AR 시각화 기술의 프레임워크를 제시했으며 이에 필요한 AR 기기, 특히 웨어러블 AR 기기들을 비교하여 개발 목적에 적합한 AR 기기들을 확인했다. 또한, 제시한 프레임워크의 데이터 처리 단계에서 중요한 역할을 하게 될 객체 인식 방법으로 영상 기반의 객체 인식 방법들을 소개했고, 본 연구의 목적에 가장 적합하다고 판단된 딥러닝 기반의 YOLOv3 네트워크를 사용하여 객체 인식을 수행해봄으로써 사용 가능성을 확인했다. 하지만, 본 연구에서 객체 인식이 가능한 범위는 건설 장비 2종(굴삭기, 덤프트럭)으로 제한되어 있다.
데이터 B로 훈련된 네트워크의 실험 역시 데이터 A의 실험과 동일하게 진행했다. 실험 결과 굴삭기, 덤프트럭의 정밀도는 각각 100%, 96.97%와 굴삭기, 덤프트럭의 재현율은 각각 99.80%, 89.42%로 1차 네트워크 학습 결과와 비교하여 덤프트럭의 정밀도는 3.1%p 낮아지고 재현율은 53.9%p 상승했다. 정밀도가 낮아지긴 했으나 그에 비해 다소 높은 재현율의 상승을 확인할 수 있다.
실험 결과는 Table 4, 5과 같이 나왔으며 데이터 A의 학습 세트로 훈련된 네트워크를 데이터 A의 테스트 세트로 실험 결과 굴삭기와 덤프트럭의 정밀도와 재현율 모두 100%로 네트워크의 성능이 높은 것을 볼 수 있다. 하지만 데이터 A의 학습 세트와 테스트 세트는 같은 영상에서 나눴기 때문에 데이터가 유사하여 네트워크의 성능을 확신할 수 없다.

후속연구

본 연구의 목적에는 적합하지 않다. 본 연구에 맞는 웨어러블 AR 기기는 소프트웨어 개발을 위한 SDK나 API가 제공될 필요가 있다. 이러한 목적에 맞는 웨어러블 AR 기기는 총 세 가지로 압축할 수 있었으며 Google의 Glass Enterprise Edition 2(이하 구글 글래스), Microsoft의 Hololens 2(이하 홀로렌즈), Thirdeye 의 X2 MR(이하 X2)이 해당된다.
4%로 낮은 성능을 보여줬다. 본 연구에서 정밀도는 재현율보다 더욱 중요한 성능 지표인 것은 사실이지만 너무 낮은 재현율은 객체 인식을 통해 얻는 데이터의 양 자체를 제한하기 때문에 일정 수준 이상의 재현율을 확보할 필요가 있다. 재현율 저하의 원인으로 덤프트럭의 학습 데이터와 테스트 데이터의 차이에서 비롯된 것으로 예상된다.
, 2018). 이러한 디지털 트윈기술을 건설 분야에 적용하여 BIM(3D 모델), 스케쥴 정보, 공정정보, 시뮬레이션 정보 등이 통합된 종합 정보 플랫폼으로 활용함으로써 다양한 정보에 대한 접근성을 확보하고, 웨어러블 AR 기기를 통해 디지털 트윈에 대한 현장 작업자의 정보 활용도를 제고할 수 있을 것으로 기대한다.
건설기계 부품 연구원에 따르면 건설 장비로 분류되는 것은 총 27종이며 건설 장비뿐만 아니라 건설 인력, 자재 등 다양한 객체를 인식할 수 있어야 하는 만큼 여러 종류의 건설 장비 사진 데이터를 선별하고 확장시켜 나아갈 필요가 있다. 이를 위해 객체 인식 대상을 명확하게 설정하여 구분하고 충분한 데이터를 수집 및 네트워크에 학습하여 다양한 건설 현장 객체를 인식할 수 있는 수준이 된다면 데이터 융합 과정을 통해 디지털 트윈과의 연계에 적합한 형태로 데이터를 가공할 수 있어야 할 것이다.

참고문헌 (20)

ART+COM STUDIOS (2013). Augmented reality, https://artcom.de/en/?resea rch_focusaugmented-reality (Dec. 28. 2020).
Azuma, R. T. (1997). A Survey of Augmented Reality. PRESENCE: Virtual and Augmented Reality, 6(4), pp. 355-385.

상세보기
Azuma, R., Lee, J. W., Jiang, B., Park, J., You, S., Neumann, U. (1999). Tracking in unprepared environments for augmented reality systems. Computers & Graphics, 23, pp. 787-793. https://doi.org/10.1016/S0097-8493(99)00104-1

상세보기
Barricelli, B. R., Casiraghi, E., Fogli, D. (2019). A Survey on Digital Twin: Definitions, Characteristics, Applications and Design Implications. IEEE Access, 7, 167653-167671, doi: 10.1109/ACCESS.2019.2953499

상세보기
Chatzopoulos, D., Bermejo, C., Huang, Z., Hui, P. (2017). Mobile Augmented Reality Survey: From Where We Are to Where We go. IEEE Access, 5, pp. 6917-6950.

상세보기
Dunston, P. S., Wang, X. (2005). Mixed Reality-Based Visualization Interfaces for Architecture, Engineering, and Construction Industry. Journal of Construction Engineering & Management, 131(12), pp. 1301-1309.

상세보기
Hanna, M. G., Ahmed, I., Nine, J., Shyam, P., Pantanowitz, L. (2018). Augmented Reality Technology Using Microsoft HoloLens in Anatomic Pathology. Archives of Pathology & Laboratory Medicine, 142, pp. 638-644.

상세보기
Hochhalter, J. D., Leser, W. P., Newman, J. A., Glaessgen, E. H., Gupta, V. K., Yamakov, V., Cornell, S. R., Willard, S. A., Heber, G. (2014). Coupling Damage-Sensing Particles to the Digitial Twin Concept. NASA Center for AeroSpace Information
Khajavi, S. H., Motlagh, N. H., Jaribion, A., Werner, L. C., Holmstrom, J. (2019). Digital Twin: Vision, Benefits, Boundaries, and Creation for Buildings. IEEE Access 7, 147406-147419. https://doi.org/10.1109/ACCESS.2019.2946515

상세보기
Li, X., Yi, W., Chi, H. L., Wang, X., Chan, A. P. C. (2018). A critical review of virtual and augmented reality (VR/AR) applications in construction safety. Automation in Construction, 86, pp.150-162.

상세보기
Lim, K. Y. H., Pai, Z., Chen, C. H. (2020). A state-of-the-art survey of Digital Twin: techniques, engineering product lifecycle management and business innovation perspectives. Journal of Intelligent Manufacturing, 31, pp. 1313-1337. https://doi.org/10.1007/s10845-019-01512-w

상세보기
Liu, L., Ouyang, W., Wang, X., Fieguth, P., Chen, J., Liu, X., Pietikinen, M. (2020). Deep learning for generic object detection: A survey. International journal of computer vision, 128(2), pp. 261-318.

상세보기
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., Berg, A. C. (2016). Ssd: Single shot multibox detector. In European conference on computer vision, pp. 21-37.
Redmon, J., Farhadi, A. (2018). Yolov3: An incremental improvement, https://arxiv.org/abs/1804.02767 (Sep. 03. 2020).
Ren, S., He, K., Girshick, R., Sun, J. (2015). Faster r-cnn: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems, pp. 91-99.
Robert, G. W., Evans, A., Dodson, A. H., Denby, B., Cooper, S., Hollands, R. (2002). The Use of Augmented Reality, GPS and INS for Subsurface Data Visualisation. FIG XXII International Congress, Washington, D.C. USA, April 19-26 2002
Souza, E. (2019). 9 Augmented reality technologies for architecture and construction, https://www.archdaily.com/914501/9-augmented-reality-technologies-forarchitecture-and-construction (Dec. 28. 2020).
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F. (2018). Digital twin-driven product design, manufacturing and service with big data. International Journal of Advanced Manufacturing Technology, 94, pp. 3563-3576. https://doi.org/10.1007/s00170-017-0233-1

상세보기
Trimble (2019). Trimble connect for HoloLens, https://mixedreality.trimble.com (Dec. 28. 2020).
Tuegel, E. J., Ingraffea, A. R., Eason, T. G., Spottswood, S. M. (2011). Reengineering Aircraft Structural Life Prediction Using a Digital Twin. International Journal of Aerospace Engineering, 2011, doi:10.1155/2011/154798

상세보기

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