[논문]실외 경비 환경에서 강인한 객체 검출 및 추적을 위한 실외 멀티 모달 센서 기반 학습용 데이터베이스 구축

노동기; 양원근; 엄태영; 이재광; 김형록; 백승민

doi:10.9717/kmms.2020.23.8.1006

[국내논문] 실외 경비 환경에서 강인한 객체 검출 및 추적을 위한 실외 멀티 모달 센서 기반 학습용 데이터베이스 구축
Multi Modal Sensor Training Dataset for the Robust Object Detection and Tracking in Outdoor Surveillance (MMO (Multi Modal Outdoor) Dataset) 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.8, 2020년, pp.1006 - 1018

노동기 (Advanced Robotics Lab. LG Electronics Inc.) , 양원근 (Advanced Robotics Lab. LG Electronics Inc.) , 엄태영 (Korea Institute of Robotics & Technology Convergence) , 이재광 (Advanced Robotics Lab. LG Electronics Inc.) , 김형록 (Advanced Robotics Lab. LG Electronics Inc.) , 백승민 (Advanced Robotics Lab. LG Electronics Inc.)

Abstract ▼ AI-Helper

Dataset is getting more import to develop a learning based algorithm. Quality of the algorithm definitely depends on dataset. So we introduce new dataset over 200 thousands images which are fully labeled multi modal sensor data. Proposed dataset was designed and constructed for researchers who want to develop detection, tracking, and action classification in outdoor environment for surveillance scenarios. The dataset includes various images and multi modal sensor data under different weather and lighting condition. Therefor, we hope it will be very helpful to develop more robust algorithm for systems equipped with difference kinds of sensors in outdoor application. Case studies with the proposed dataset are also discussed in this paper.

Keyword

표/그림 (19)

그림 Fig. 1. Multi-modal sensor based intelligent systems for outdoor security robot.
그림 Fig. 2. Configuration of Multi Modal Sensor Module.
그림 Fig. 3. Description of Synchronized Dataset: Realsense (RGB, Depth, IR), Thermal Camera, Night Vision Camera, 3D LiDAR, GPS
그림 Fig. 4. Example of Dataset.
표 Table 1. Scenario and Action Type
그림 Fig. 5. XML : Annotation of multi modal sensor data for detection and tracking.
그림 Fig. 6. Configuration Dataset.
그림 Fig. 7. Result of Pixel Labeling Red Color on the left image is pixel labeling.
그림 Fig. 8. UCF 11 Dataset.
그림 Fig. 9. VGG based LSTM Network.
그림 Fig. 10. MMO Dataset on various environments for ac-tion classification
표 Table 2. The performance for our algorithm using data-set
그림 Fig. 11. Multi modal dataset : (Top-Left) RGB(D435) (Top-middle) IR (Top-Right) Depth (Bottom-Left) Night Vision (Bottom-middle) Thermal (Bottom-Right) RGB(Global Shutter)
그림 Fig. 12. Action classification using RGB with Depth(Left) and thermal Image(Right) (Left) Rain Condition, (Right) Night Condition.
그림 Fig. 13. RefineDet with anchor refine module to use multi modal data.
그림 Fig. 14. Detection Result with multi modal sensor data in night.
그림 Fig. 15. Tracking Result for OTB 100 Dataset.
그림 Fig. 16. Evaluation for tracking performance.
그림 Fig. 17. Tracking result with multi modal data in night.

AI 본문요약
AI-Helper

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

문제 정의

본 논문의 연구도 실외 경비 로봇에 관한 연구로 경비 시 대처해야 하는 다양한 이상 상황을 인식하는 알고리즘을 개발하는 과제이다. 본 연구는 정보통신기획평가원(IITP)에서 지원받아 2017년부터 진행되고 있고 해당 과제 진행 시 수집한 학습 및 평가용 데이터베이스를 본 논문을 통해 공개하고자 한다.
본 논문의 연구도 실외 경비 로봇에 관한 연구로 경비 시 대처해야 하는 다양한 이상 상황을 인식하는 알고리즘을 개발하는 과제이다. 본 연구는 정보통신기획평가원(IITP)에서 지원받아 2017년부터 진행되고 있고 해당 과제 진행 시 수집한 학습 및 평가용 데이터베이스를 본 논문을 통해 공개하고자 한다. 참고로 본 연구는 악천후 등의 다양한 상황에서 동작 가능한 실외 경비 로봇의 정보분석 플랫폼을 개발하는 연구이다.
본 연구는 정보통신기획평가원(IITP)에서 지원받아 2017년부터 진행되고 있고 해당 과제 진행 시 수집한 학습 및 평가용 데이터베이스를 본 논문을 통해 공개하고자 한다. 참고로 본 연구는 악천후 등의 다양한 상황에서 동작 가능한 실외 경비 로봇의 정보분석 플랫폼을 개발하는 연구이다. 실외 로봇 애플리케이션의 경우 실내보다 강인하고 안정적인 알고리즘이 필요하다.
본 연구는 포항 안전로봇 실증단지와 광주광역시 나노 산단 일대에서 진행되었으며, 이 지역에서 다양한 환경과 경비 시나리오에 대해 멀티모달 센서 데이터를 수집, 정리하였고, 알고리즘 개발과 실증을 진행하였다. 특히 일반적인 상황의 데이터셋 뿐만 아니라 야간이나 우천 상황에서의 데이터를 다수 확보하였다.
다음 장에서 데이터셋의 구성과 특징에 관해서 설명하고, 이 데이터를 획득한 센서에 대해 간단히 기술한다. 그리고 데이터셋을 활용하여 개발하고 검증할 수 있는 다양한 알고리즘과 이에 관해 서술한다. 마지막으로 동 데이터셋으로 개발된 알고리즘을 무인 경비 정보 분석 플랫폼에 활용된 예로 결론을 맺는다.
본 논문에서는 실외 무인 경비 로봇 플랫폼을 개발하는 과정에서 획득한 다양한 상황의 실외 데이터셋의 구성과 수집 방법에 관해 설명하고 이를 공개하고자 한다. 해당 데이터는 약 3년 동안 여러 가지 시행착오를 통해 구축한 상태이고, 공개되는 모든 데이터는 Annotation이 되어있다.

가설 설정

각 센서의 데이터는 독일의 도로 표지판 데이터셋과 (GTSRB) 같이 개별적인 Raw 데이터 형태로 구성되어 있고, rosbag 형태로 제공하지 않는다. [2] 각 센서 간 데이터 간 동기화 정보는 파일명으로 제공한다. 파일명이 같으면 동일 시간에 획득한 데이터로 간주한다.

제안 방법

본 연구는 포항 안전로봇 실증단지와 광주광역시 나노 산단 일대에서 진행되었으며, 이 지역에서 다양한 환경과 경비 시나리오에 대해 멀티모달 센서 데이터를 수집, 정리하였고, 알고리즘 개발과 실증을 진행하였다. 특히 일반적인 상황의 데이터셋 뿐만 아니라 야간이나 우천 상황에서의 데이터를 다수 확보하였다. 대상은 주로 무인 경비 시나리오와 연관성이 큰 사람과 차량에 대한 데이터셋을 확보하였고, 전체 데이터셋 크기는 Labeling 된 데이터 기준으로 약 30만 장 이상을 확보하였다.
이동형 에이전트는 진동 영향을 최소화하기 위해 흡진기를(Damper) 모듈 하단에 설치하였고, LiDAR 센서의 경우는 로봇과 강체(Rigid Body)로 결합하였다. [1] 로봇의 형태는 센서 모듈과 상관없이 변형할 수 있으나, 본 논문의 부록(Appendix)에 공개하는 데이터셋을 획득한 로봇 형태를 첨부하였다.
이동형 에이전트는 진동 영향을 최소화하기 위해 흡진기를(Damper) 모듈 하단에 설치하였고, LiDAR 센서의 경우는 로봇과 강체(Rigid Body)로 결합하였다. [1] 로봇의 형태는 센서 모듈과 상관없이 변형할 수 있으나, 본 논문의 부록(Appendix)에 공개하는 데이터셋을 획득한 로봇 형태를 첨부하였다. 데이터셋의 구성은 Fig.
이 네트워크 구조를 활용하여 KITTI[5] 등의 기존 데이터셋에 대해서도 검출 성능을 확인하였다. 해당 네트워크는 이동 로봇에서 온라인으로 처리해야 하는 제약조건을 만족하기 위해 anchor refine module을 활용하여 고속화를 구현되었고, 백본(Backbone) 네트워크도 ResNet34를 활용하여 경량화하였다. 사전학습용 데이터로는 COCO[7]와 VOC[8] 데이터를 활용하였다.
추적 성공률은 참값(Ground Truth)의 영역과(Bounding Box) 객체 추적으로 나온 영역과(Bounding Box) 겹치지 않는 영역의 픽셀(Pixel) 수로 판단하였다. Fig.
추적하는 방법은 객체 검출과 마찬가지로 서울대학교 PI Lab.에서 Tracking-by-Detection 개념으로 낮은 연산량으로 멀티모달 데이터를 사용하는 방법을 제안하였고 이를 확인해보았다. 본 논문에서는 추적(Tracking)을 진행하는 각 장면(Scene)별로 참값(Ground Truth)에 해당하는 경계 영역(Bounding Box)을 제공하므로 Fig.

대상 데이터

특히 일반적인 상황의 데이터셋 뿐만 아니라 야간이나 우천 상황에서의 데이터를 다수 확보하였다. 대상은 주로 무인 경비 시나리오와 연관성이 큰 사람과 차량에 대한 데이터셋을 확보하였고, 전체 데이터셋 크기는 Labeling 된 데이터 기준으로 약 30만 장 이상을 확보하였다. 해당 데이터를 활용하여 일반 환경이 아닌 다양한 악천후 환경에서 사람과 차량의 검출 및 추적 알고리즘을 개발 및 테스트하여 유용한 결과를 얻는 것이 가능하다.
본 논문에서 제안하는 데이터셋은 실외 무인 경비 로봇을 위한 지능형 정보분석 시스템을 기반으로 취득되었다. 시스템은 모바일 로봇인 이동형 에이전트와 고정형 에이전트로 구성되어 있고 에이전트에서 들어오는 정보를 지능분석 플랫폼에서 해석하여 이상 상황을 인식하게 된다.
본 논문에서 제안하는 데이터셋은 실외 무인 경비 로봇을 위한 지능형 정보분석 시스템을 기반으로 취득되었다. 시스템은 모바일 로봇인 이동형 에이전트와 고정형 에이전트로 구성되어 있고 에이전트에서 들어오는 정보를 지능분석 플랫폼에서 해석하여 이상 상황을 인식하게 된다. 지능분석 플랫폼의 모듈 구성은 다음과 같다.
결론적으로 데이터셋은 RGB 영상 데이터, Depth 데이터, IR 영상 데이터, 열(Thermal) 영상 데이터, 나이트 비젼 카메라(Night Vision Camera) 데이터, 3D LiDAR 데이터로 구성되어 있다. 각 데이터의 획득 시간은 동기화되어 있다.
각 데이터의 획득 시간은 동기화되어 있다. 인텔의 D435 센서를 활용하여 RGB, IR, Depth 영상을 획득하였고, 영상 획득 시 센서에서 획득한 IMU 데이터도 본 데이터셋에서 기본적으로 제공된다. Fig.
제공되는 데이터셋 중 객체 검출(Detection) 및 추적(Tracking) 데이터셋은 다수의 객체가 있는 데이터셋이고, 행동 분류용 데이터셋은 단일 객체에 대해서 제공된다. 경비 로봇의 경비 상황에서 볼 수 있는 다양한 상황에 대해 데이터셋을 구성하였고, 특히 행동 분류에 대해서는 정상과 이상 상황에 대해 15개의(Table 1 참조) 시나리오로 분류하여 데이터를 수집하고 정리하였다. 멀티 모달 센서 데이터의 특장점을 활용하기 위하여 일반적인 환경 데이터 외에도 밤, 우천, 폭우 등의 데이터를 추가로 구성하였다.
경비 로봇의 경비 상황에서 볼 수 있는 다양한 상황에 대해 데이터셋을 구성하였고, 특히 행동 분류에 대해서는 정상과 이상 상황에 대해 15개의(Table 1 참조) 시나리오로 분류하여 데이터를 수집하고 정리하였다. 멀티 모달 센서 데이터의 특장점을 활용하기 위하여 일반적인 환경 데이터 외에도 밤, 우천, 폭우 등의 데이터를 추가로 구성하였다. 데이터셋에 등장하는 사람은 남녀 전문 배우 각각 2명을 포함하여 10명 이상의 인원으로 구성하였다.
멀티 모달 센서 데이터의 특장점을 활용하기 위하여 일반적인 환경 데이터 외에도 밤, 우천, 폭우 등의 데이터를 추가로 구성하였다. 데이터셋에 등장하는 사람은 남녀 전문 배우 각각 2명을 포함하여 10명 이상의 인원으로 구성하였다. 설명한 내용에 대한 정보는 아래 Fig.
무인 경비 로봇 입장에서의 정상 상황과 이상 상황으로 분류하고 각 상황에 대한 행동(Action Type)을 Table 1과 같이 정의하였다. 각 시나리오에 대해 15회 이상 촬영을 진행하였다.
동일한 환경에 대해서도 행동 분류용 데이터셋은 Fig. 11과 같이 6종의 영상, 3D LiDAR 그리고 IMU 데이터로 구성되어 있다.
특히 차량에 대한 부분은 KITTI [5] 데이터셋과 Cityscapes Dataset [6] 이 유명하다. 연구용 데이터 셋으로는 MDP 주/야간, OTB 데이터셋 등도 함께 활용하고 있다. 소개한 데이터셋들은 Reference 평가를 진행하기 위해 매우 좋은 데이터셋이고 OTB의 경우 Motion Blur에 대한 강인성을 확인하는 데 매우 유용하게 사용할 수 있는 장점이 있다.
해당 네트워크는 이동 로봇에서 온라인으로 처리해야 하는 제약조건을 만족하기 위해 anchor refine module을 활용하여 고속화를 구현되었고, 백본(Backbone) 네트워크도 ResNet34를 활용하여 경량화하였다. 사전학습용 데이터로는 COCO[7]와 VOC[8] 데이터를 활용하였다.

데이터처리

제안된 네크워크는 RefineDet을 활용하여 RGB 외 영상을 사용할 수 있다[9]. 이 네트워크 구조를 활용하여 KITTI[5] 등의 기존 데이터셋에 대해서도 검출 성능을 확인하였다. 해당 네트워크는 이동 로봇에서 온라인으로 처리해야 하는 제약조건을 만족하기 위해 anchor refine module을 활용하여 고속화를 구현되었고, 백본(Backbone) 네트워크도 ResNet34를 활용하여 경량화하였다.

이론/모형

13과 같은 구조의 딥러닝 네트워크를 사용하였다. 제안된 네크워크는 RefineDet을 활용하여 RGB 외 영상을 사용할 수 있다[9]. 이 네트워크 구조를 활용하여 KITTI[5] 등의 기존 데이터셋에 대해서도 검출 성능을 확인하였다.

성능/효과

대상은 주로 무인 경비 시나리오와 연관성이 큰 사람과 차량에 대한 데이터셋을 확보하였고, 전체 데이터셋 크기는 Labeling 된 데이터 기준으로 약 30만 장 이상을 확보하였다. 해당 데이터를 활용하여 일반 환경이 아닌 다양한 악천후 환경에서 사람과 차량의 검출 및 추적 알고리즘을 개발 및 테스트하여 유용한 결과를 얻는 것이 가능하다.
제안하는 데이터셋으로 행동 분류 및 사람을 검출한 결과 Fig. 12과 같이 야간 상황에서 RGB 뿐만 아니라 열영상(Thermal Image)을 활용할 수 있음을 확인하였다.
소개한 데이터셋들은 Reference 평가를 진행하기 위해 매우 좋은 데이터셋이고 OTB의 경우 Motion Blur에 대한 강인성을 확인하는 데 매우 유용하게 사용할 수 있는 장점이 있다. 결론적으로 해당 데이터셋들은 정량 평가를 위해 유용하게 사용할 수 있는 데이터셋이지만 현실적으로 무인 경비 로봇에 적용되었을 때 동일한 성능이 나온다는 것은 보장할 수 없다. 또한, 주로 RGB 영상과 스테레오(Stereo) 카메라 영상이 주를 이루고 있어 다양한 환경에서 강인하게 검출 및 추적 성능을 확보하는 것에 한계가 있다.
14과 같이 확인하였다. 다 개체(Multi-Object) 상황의 야간 영상에서도 무인 경비 대상인 사람에 대한 검출이 문제없이 됨을 확인할 수 있었다.
추적 성공률은 참값(Ground Truth)의 영역과(Bounding Box) 객체 추적으로 나온 영역과(Bounding Box) 겹치지 않는 영역의 픽셀(Pixel) 수로 판단하였다. Fig. 16과 같이 겹치는 영역의 Pixel 차이가 기준인 20 Pixel 이하로 어긋날 경우만 추적 성공으로 판단하였고, OTB 100의 경우 약 87.5% 정확도를 확보할 수 있음을 확인하였다.
물론 VOC[5] 데이터도 사전학습(Pre-training)용으로는 사용할 수 있다. 본 논문에서 제안한 해당 데이터셋은 KITTI[5], Cityscapes[6], COCO[7], 등과 같은 공개 DB와 비교 시 실외 경비에 특화된 다양한 형태의 데이터를 사용할 수 있다는 장점이 있으며, 실제 연구/개발되고 있는 딥러닝 네트워크를 활용하여 검증해본 결과 연구/개발에 문제없이 사용 가능할 것으로 검증되었다. 많은 시간과 자원을 투입하여 제안된 데이터셋을 구축하였으며, 본 과제의 알고리즘 개발 과정에서 데이터의 학습 성능은 충분히 검증되었다.
본 논문에서 제안한 해당 데이터셋은 KITTI[5], Cityscapes[6], COCO[7], 등과 같은 공개 DB와 비교 시 실외 경비에 특화된 다양한 형태의 데이터를 사용할 수 있다는 장점이 있으며, 실제 연구/개발되고 있는 딥러닝 네트워크를 활용하여 검증해본 결과 연구/개발에 문제없이 사용 가능할 것으로 검증되었다. 많은 시간과 자원을 투입하여 제안된 데이터셋을 구축하였으며, 본 과제의 알고리즘 개발 과정에서 데이터의 학습 성능은 충분히 검증되었다. 향후 실외 경비 상황에 대한 더 많은 시나리오에 대해 데이터셋을 확장하고 발전시킬 예정이다.
마지막으로 본 논문에서 제안한 데이터셋은 한국로봇융합연구원(KIRO)에서 관리하고 있고, 다운로드는 부록(Appendix)에서 안내한 방법으로 할 수 있다.
예를 들어 우천 상황이나 야간 상황에서는 RGB 외에도 다양한 특성을 가진 센서를 사용하는 것이 상식적으로 좋으나, 현재 공개된 KITTI[5], Cityscapes[6] 등의 데이터로는 다양한 악천후 시나리오를 테스트하기 어렵다. 본 논문에서 제안하는 데이터는 기본적으로 로봇 기준의 시점에서 촬영되었고, 다양한 상황과 환경에서 촬영되었기 때문에 지능형 경비 로봇의 객체 검출 및 추적 알고리즘 개발에는 의미 있는 학습 성능을 확보할 수 있다.

후속연구

그리고 데이터셋을 활용하여 개발하고 검증할 수 있는 다양한 알고리즘과 이에 관해 서술한다. 마지막으로 동 데이터셋으로 개발된 알고리즘을 무인 경비 정보 분석 플랫폼에 활용된 예로 결론을 맺는다.
따라서 본 논문에서 제안하는 “MMO Dataset”은 Fig. 10과 같이 다양한 악천후 환경에 대한 행동 분류 연구용 데이터셋을 제안한다.
많은 시간과 자원을 투입하여 제안된 데이터셋을 구축하였으며, 본 과제의 알고리즘 개발 과정에서 데이터의 학습 성능은 충분히 검증되었다. 향후 실외 경비 상황에 대한 더 많은 시나리오에 대해 데이터셋을 확장하고 발전시킬 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 논문에서 제안하는 데이터셋은 무엇을 기반으로 취득되었는가?	본 논문에서 제안하는 데이터셋은 실외 무인 경비 로봇을 위한 지능형 정보분석 시스템을 기반으로 취득되었다. 시스템은 모바일 로봇인 이동형 에이전트와 고정형 에이전트로 구성되어 있고 에이전트에서 들어오는 정보를 지능분석 플랫폼에서 해석하여 이상 상황을 인식하게 된다.
	과거에는 공장 자동화 로봇이 로봇 시장의 주를 이뤘으나 최근에는 어떤가?	과거에는 공장 자동화 로봇이 로봇 시장의 주를 이루었다면 최근에 가정용 또는 상업용 서비스 로봇 시장이 점차 확대되고 있다. 서비스 로봇 시장도 과거 가정용 청소 로봇에 국한되어 있었다면 현재는 안내, 서빙 등을 포함한 다양한 분야로 확대되고 있다.
	다양한 상황에서 동일한 성능을 내려면 상황이 바뀌더라도 주변 상황을 인식할 수 있는 센서 시스템과 이에 맞는 알고리즘이 주요한 요소라고 본 이유는?	참고로 본 연구는 악천후 등의 다양한 상황에서 동작 가능한 실외 경비 로봇의 정보분석 플랫폼을 개발하는 연구이다. 실외 로봇 애플리케이션의 경우 실내보다 강인하고 안정적인 알고리즘이 필요하다. 이를 위해서는 조명, 날씨 등의 환경 변화가 다양하게 발생할 수 있으므로 각 상황에서도 안정적이고 강건하게 동작할 수 있는 학습 방법이 필수적이다. 따라서 다양한 상황에서 동일한 성능을 내려면 상황이 바뀌더라도 주변 상황을 인식할 수 있는 센서 시스템과 이에 맞는 알고리즘이 주요한 요소이다.

참고문헌 (9)

T. Uhm, J. Park, J. Lee, G. Bae, and Y. Choi, “Multi-modal Sensor System and Database for Human Detection and Activity Learning of Robot in Outdoor,” Journal of Korea Multimedia Society, Vol. 21, No. 12, pp. 1459-1466, 2018.
J. Stallkamp, M. Schlipsing, J. Salmen, and C. Igel, "Man vs. Computer: Benchmarking Machine Learning Algorithms for Traffic Sign Recognition," Journal of Neural Networks, Vol. 32, pp. 323-332, 2012.

상세보기
M.D. Rodriguez, J. Ahmed, and M. Shah, "Action MACH: A Spatio-temporal Maximum Average Correlation Height Filter for Action Recognition," Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-8, 2008.
K. Soomro and A.R. Zamir, "Action Recognition in Realistic Sports Videos," Computer Vision in Sports, Springer International Publishing in New York, NY 10036, 2014.
A. Geiger, P. Lenz, C. Stiller, and R. Urtasun, "Vision Meets Robotics: The KITTI Dataset," International Journal of Robotics Research, Vol. 32, No. 11, pp 1231-1237, 2013.

상세보기
M. Cordts, M. Omran, S. Ramos, T. Rehfeld, M. Enzweiler, R. Benenson, et al., "The Cityscapes Dataset for Semantic Urban Scene Understanding," Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition, pp. 3213-3223, 2016.
T.Y. Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, et al., "Microsoft COCO: Common Objects in Context," Proceedings of the 2014 European Conference on Computer Vision, pp. 740-755, 2014.
M. Everingham, S.M.A. Eslami, L.V. Gool, C.K.I. Williams, J. Winn, and A. Zisserman, "The Pascal Visual Object Classes Challenge: A Retrospective," International Journal of Computer Vision, Vol 111, No. 1, pp. 98-136, 2015.

상세보기
S. Zhang, L. Wen, X. Bian, Z. Lei, and S.Z. Li, "Single-shot Refinement Neural Network for Object Detection," Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition, pp. 4203-4212, 2018.

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