[논문]철도 궤도의 이상상황 예방을 위한 영상처리와 딥러닝을 융합한 지능형 철도 레일 탐지 알고리즘

정주호; 김다현; 김철수; 오염덕; 안준호

doi:10.7472/jksii.2020.21.4.109

철도 궤도의 이상상황 예방을 위한 영상처리와 딥러닝을 융합한 지능형 철도 레일 탐지 알고리즘
Intelligent Railway Detection Algorithm Fusing Image Processing and Deep Learning for the Prevent of Unusual Events 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.4, 2020년, pp.109 - 116

정주호 (Dept. of Software, Korea National University of Transportation) , 김다현 (Dept. of Software, Korea National University of Transportation) , 김철수 (Dept. of Railway Vehicle System Engineering, Korea National University of Transportation) , 오염덕 (Dept. of Software, Korea National University of Transportation) , 안준호 (Dept. of Software, Korea National University of Transportation)

초록
AI-Helper

고속철도의 출현과 함께 철도는 국내외에서 자주 사용하는 교통수단 중 하나이다. 또한, 환경적인 측면에서도 다른 교통수단에 비해 이산화탄소 배출량도 적은 편이며 에너지 효율성은 높다. 철도에 관한 관심이 높아질 수록 철도의 안전과 관련된 문제는 중요한 관심사 중 하나이다. 그 중 시각적 이상현상은 철도 앞에 동물이나 사람 등 다양한 장애물이 갑자기 나타나 사고가 발생한다. 이러한 사고들을 예방하기 위해 철도 레일을 탐지하는 것은 기본적으로 탐지해야하는 영역 중 하나이다. 철도에 설치된 카메라를 통해 영상을 수집할 수 있으며 철도 레일 탐지 방법은 전통적인 방식과 딥러닝 알고리즘을 이용한 방식이 있다. 전통적인 방식은 레일 주변의 다양한 노이즈로 인해 정확한 탐지가 어려우며 딥러닝 알고리즘을 이용하면 정확도 높게 탐지할 수 있으며 두 알고리즘을 융합하여 정확한 철도 레일을 탐지한다. 제안하는 알고리즘은 수집한 데이터를 기반으로 철도 레일 탐지에 대한 정확도를 판단한다.

Abstract ▼ AI-Helper

With the advent of high-speed railways, railways are one of the most frequently used means of transportation at home and abroad. In addition, in terms of environment, carbon dioxide emissions are lower and energy efficiency is higher than other transportation. As the interest in railways increases, the issue related to railway safety is one of the important concerns. Among them, visual abnormalities occur when various obstacles such as animals and people suddenly appear in front of the railroad. To prevent these accidents, detecting rail tracks is one of the areas that must basically be detected. Images can be collected through cameras installed on railways, and the method of detecting railway rails has a traditional method and a method using deep learning algorithm. The traditional method is difficult to detect accurately due to the various noise around the rail, and using the deep learning algorithm, it can detect accurately, and it combines the two algorithms to detect the exact rail. The proposed algorithm determines the accuracy of railway rail detection based on the data collected.

주제어

표/그림 (13)

그림 (그림 1) 전통적인 방식의 순서도 (Figure 1) Flowchart for the traditional method
그림 (그림 2) YOLO v3 SPP의 구조 (Figure 2) Architecture of YOLO v3 SPP
그림 (그림 3) 융합 알고리즘의 구조 (Figure 3) Architecture of Fusion Algorithm
그림 (그림 4) canny edge detector의 결과 (Figure 4) A detection result of canny edge detector
그림 (그림 5) 전통적인 방식을 이용한 철도 레일 탐지 결과 (Figure 5) A result of railway detection using traditional method
표 (표 1) 전통적인 방식의 결과 (Table 1) A result of traditional method
표 (표 2) YOLO v3 SPP의 결과 (Table 2) A result of YOLO v3 SPP
그림 (그림 6) YOLO v3 SPP를 이용한 철도 레일 탐지 결과 (Figure 6) A result of railway detection using YOLO v3 SPP
그림 (그림 7) YOLO v3 SPP를 이용한 철도 레일 오탐지 결과 (Figure 7) A false result of railway detection using YOLO v3 SPP
그림 (그림 8) 융합 알고리즘을 이용한 canny edge detector 결과 (Figure 8) A result of canny edge detector using fusion algorithm
그림 (그림 9) 융합 알고리즘을 이용한 철도 레일 탐지 결과 (Figure 9) A result of railway detection using fusion algorithm
표 (표 3) 융합 알고리즘의 결과 (Table 3) A result of fusion algorithm
그림 (그림 10) 전통적인 방식, 딥러닝 알고리즘, 융합 알고리즘 결과 비교 (Figure 10) Compare the results of traditional method, deep learning algorithm and fusion algorithm

AI 본문요약
AI-Helper

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

문제 정의

융합 알고리즘을 이용한 Canny edge의 결과는 그림 8과 같다. 기존에 Canny edge를 적용하고 이미지의 Height를 기준으로 ROI 영역을 추출한 그림 4에 비해, YOLO v3 SPP 알고리즘을 통해 왼쪽과 오른쪽 철도 레일 영역을 탐지하고 나머지 영역에 존재하는 Edge를 모두 제거하여 철도 레일을 탐지하는데 있어서 발생될 수 있는 노이즈를 최대한 줄이는 것을 목표로 했다. 노이즈가 제거된 Edge를 기반으로 철도 레일을 탐지한 결과는 그림 9와 같다.
본 연구에서는 철도 레일을 탐지하기 위하여 유튜브를 통해 영상 데이터를 수집하여 분석했다. 모든 실험에 사용된 데이터는 좋은 날씨 환경에서 기차에 카메라를 설치하여 수집된 영상에서 추출했고 검증 데이터 325장의 이미지를 기반으로 각 알고리즘의 성능을 비교했다.
본 연구에서는 철도의 시각적 이상현상을 예방하기 위해 가장 기본이 되는 철도 레일을 탐지했다. 철도 레일을 탐지하기 위하여 전통적인 방식과 딥러닝 알고리즘을 사용하여 탐지했다.
그래서, 두 알고리즘을 융합한 융합 알고리즘을 이용하여 기존의 전통적인 방식보다 높은 정확도로 철도 레일을 탐지한다. 철도 레일을 탐지하기 위한 전통적인 방식, 딥러닝 알고리즘과 융합 알고리즘에 대해 설명하고 각 알고리즘의 철도 레일 탐지 결과 및 평가를 통해 성능을 확인하고자 한다.

제안 방법

하지만, 본 연구에서 사용하는 딥러닝 알고리즘은 Bounding box를 통해 물체를 탐지하기 때문에 철도 레일의 유무만 판단할 수 있다. 그래서, 두 알고리즘을 융합한 융합 알고리즘을 이용하여 기존의 전통적인 방식보다 높은 정확도로 철도 레일을 탐지한다. 철도 레일을 탐지하기 위한 전통적인 방식, 딥러닝 알고리즘과 융합 알고리즘에 대해 설명하고 각 알고리즘의 철도 레일 탐지 결과 및 평가를 통해 성능을 확인하고자 한다.
1 Stage object detection 알고리즘 중 YOLO v3 SPP 알고리즘을 사용하여 빠른 수행 속도와 준수한 정확도를 유지할 수 있다. 수행 속도는 느리지만 높은 정확도로 탐지할 수 있는 2 Stage object detection 알고리즘들도 존재하지만, 본 연구에서는 추후에 제한된 컴퓨팅 자원에서도 활용 될 수 있도록 1 Stage object detection 알고리즘을 사용했다. 또한, YOLO v3알고리즘은 기본적인 네트워크 구조뿐만 아니라 Tiny, Slim 등 다양한 모듈을 추가하여 성능 및 실행 속도를 개선시킨 구조[15]들이 많이 존재한다.
딥러닝 알고리즘은 Object detection을 수행하기 때문에 철도 레일의 유무만 판단할수 있다. 우리는 이를 효과적으로 융합한 융합 알고리즘을 제안했다. 융합 알고리즘은 딥러닝 알고리즘을 통해 탐지한 철도 레일의 좌표 정보를 기반으로 전통적인 방식에서 탐지한 불필요한 Edge를 모두 제거하여 철도 레일을 탐지할 수 있도록 했다.
우리는 이를 효과적으로 융합한 융합 알고리즘을 제안했다. 융합 알고리즘은 딥러닝 알고리즘을 통해 탐지한 철도 레일의 좌표 정보를 기반으로 전통적인 방식에서 탐지한 불필요한 Edge를 모두 제거하여 철도 레일을 탐지할 수 있도록 했다. 이를 통해, 높은 정확도로 철도 레일을 탐지할 수 있었다.
본 연구에서는 철도 레일을 탐지하기 위해 전통적인 방식과 딥러닝 알고리즘을 융합한 융합 알고리즘을 제안하며 융합 알고리즘의 구조는 그림 3과 같다. 전통적인 방식을 이용하여 Edge를 탐지한 후, ROI 영역을 추출할 땐 이미지의 Height를 기준으로 철도 레일 위의 배경을 제거했다. 하지만, 융합 알고리즘에서는 철도 레일 주변의 노이즈를 제거하기 위하여 YOLO v3 SPP 알고리즘을 통해 탐지한 왼쪽과 오른쪽 철도 레일의 영역을 제외한 나머지 edge를 모두 제거하여 철도 레일의 탐지 정확도를 높이고자 했다.
철도 레일을 효과적으로 탐지하는 것은 철도의 시각적 이상 현상을 예방하기 위해 기본적으로 탐지해야 하는 영역이다. 전통적인 방식을 통해 edge를 추출 할 경우, 철도 레일 주변의 다양한 노이즈까지 탐지될 수 있기 때문에 이를 효과적으로 제거할 수 있도록, 딥러닝 알고리즘인 YOLO v3 SPP 알고리즘을 Transfer learning 기법을 통해 왼쪽과 오른쪽 차선을 탐지하는 모델을 학습했다. 학습한 모델이 왼쪽과 오른쪽 철도 레일을 탐지하게 되면 Edge를 추출한 후에 철도 레일 영역을 제외한 나머지 Edge를 모두 제거하여 철도 레일을 효과적으로 탐지할 수 있도록 하는 융합 알고리즘을 통해 전통적인 방식보다 높은 정확도로 철도 레일을 탐지할 수 있으며 그림 10을 통해 각 알고리즘의 성능을 비교할 수 있다.
변환된 이미지를 기반으로 철도 레일을 탐지하기 위해 Sliding window search 기법을 이용하며 Window 안에 탐지되는 Edge 픽셀의 갯수가 지정한 Threshold 이상일 경우 철도 레일이 존재하는 영역이라고 판단한다. 탐지된 철도 레일의 영역들은 레일 Fitting 및 Smoothing 과정을 거쳐 각각 왼쪽과 오른쪽 레일을 추출하고 정상적으로 탐지했는지 확인하기 위해 원본 이미지에 탐지한 철도 레일에 색을 칠하여 시각적으로 확인 하고자 했다.
전통적인 방식을 이용하여 Edge를 탐지한 후, ROI 영역을 추출할 땐 이미지의 Height를 기준으로 철도 레일 위의 배경을 제거했다. 하지만, 융합 알고리즘에서는 철도 레일 주변의 노이즈를 제거하기 위하여 YOLO v3 SPP 알고리즘을 통해 탐지한 왼쪽과 오른쪽 철도 레일의 영역을 제외한 나머지 edge를 모두 제거하여 철도 레일의 탐지 정확도를 높이고자 했다. 우선, Transfer learning 기법[16]으로 학습된 YOLO v3 SPP 알고리즘 모델을 이용하여 왼쪽과 오른쪽 철도 레일을 탐지한다.

대상 데이터

본 연구에서는 철도 레일을 탐지하기 위하여 유튜브를 통해 영상 데이터를 수집하여 분석했다. 모든 실험에 사용된 데이터는 좋은 날씨 환경에서 기차에 카메라를 설치하여 수집된 영상에서 추출했고 검증 데이터 325장의 이미지를 기반으로 각 알고리즘의 성능을 비교했다. 전통적인 방식을 통해 철도 레일을 탐지한 실험의 결과는 표 1과 같다.
융합 알고리즘을 이용하여 철도 레일을 탐지한 결과는 표 3과 같다. 철도 레일을 정상적으로 탐지한 이미지는 288장, 오 탐지한 이미지는 37장이다. 전통적인 방식만 이용해서 철도 레일을 탐지하는 것보다 융합 알고리즘을 통해 철도 레일 주변의 노이즈를 제거하는 것이 정확도의 개선이 있었음을 알 수 있었다.
표 2를 통해 확인한 결과 왼쪽과 오른쪽 철도 레일에 대한 탐지는 높은 정확도로 탐지해내고 있음을 확인할 수 있었다. 화창한 날씨 환경에서 YOLO v3 SPP 알고리즘을 이용하여 Transfer learning을 통해 왼쪽과 오른쪽 철도 레일을 탐지하는 모델을 학습했고 학습에 사용된 가중치는 Darknet53.conv.74 파일을 사용했고 Epoch은 1000번을 학습했으며 네트워크의 Input size는 608 x 608을 사용했다. YOLO v3 SPP 알고리즘을 이용하여 탐지한 결과는 그림 6과 같다.

이론/모형

대표적으로, 1차 미분 방식 중 Sobel이 많이 사용되며 모든 방향의 Edge를 추출할 수 있다는 장점이 있다. 2차 미분 연산 방식은 Canny가 많이 사용되며 노이즈로 인해 잘못된 Edge를 계산하는 것을 방지하기 위해 개발되었고 Canny edge detector가 이미지의 Edge를 잘 탐지하기 때문에 이 기법을 사용했다. 그 다음, 배경 등 다른 노이즈를 줄이기 위하여 ROI 영역을 지정했고 이미지의 y축을 기준으로 영역을 지정하여 레일 윗부분의 배경 및 물체들을 고려하지 않는다.
본 연구에서는 Canny edge[4, 5]를 사용한 전통적인 방식을 통해 철도 레일을 탐지한다. 하지만, 철도 레일은 다양한 환경에 설치되어 있으며 Edge는 주변 노이즈에 취약하기 때문에 정확한 철도 레일의 위치를 탐지하기 어렵다.
철도 레일을 탐지하기 위한 전통적인 방식은 철도 레일 주변의 다양한 노이즈 때문에 탐지에 많은 영향을 받는다. 본 연구에서는 다양한 환경에서 높은 정확도로 철도 레일을 탐지하기 위해 딥러닝 알고리즘을 사용하며 연구에서 사용한 네트워크 구조는 그림 2와 같다. 1 Stage object detection 알고리즘 중 YOLO v3 SPP 알고리즘을 사용하여 빠른 수행 속도와 준수한 정확도를 유지할 수 있다.
또한, YOLO v3알고리즘은 기본적인 네트워크 구조뿐만 아니라 Tiny, Slim 등 다양한 모듈을 추가하여 성능 및 실행 속도를 개선시킨 구조[15]들이 많이 존재한다. 본 연구에서는 정확도를 조금 더 높인 SPP 모듈을 추가한 YOLO v3 SPP 알고리즘을 사용했다.
하지만, 융합 알고리즘에서는 철도 레일 주변의 노이즈를 제거하기 위하여 YOLO v3 SPP 알고리즘을 통해 탐지한 왼쪽과 오른쪽 철도 레일의 영역을 제외한 나머지 edge를 모두 제거하여 철도 레일의 탐지 정확도를 높이고자 했다. 우선, Transfer learning 기법[16]으로 학습된 YOLO v3 SPP 알고리즘 모델을 이용하여 왼쪽과 오른쪽 철도 레일을 탐지한다. 정상적으로 탐지 되면 Bounding box의 Xmin, Ymin, Xmax, Ymax 의 좌표를 추출할 수 있다.
전통적인 방식의 전체적인 과정은 그림 1과 같다. 원본 이미지를 입력받고 이미지의 왜곡을 보정하며 이미지의 Features를 추출하기 위해 Canny edge detector를 사용한다. 이미지에서 Edge를 추출하기 위한 다양한 알고리즘이 존재하며 1차 미분 방식과 2차 미분 방식의 기법들이 사용된다.
하지만, 철도 레일은 다양한 환경에 설치되어 있으며 Edge는 주변 노이즈에 취약하기 때문에 정확한 철도 레일의 위치를 탐지하기 어렵다. 이를 극복하고 정확한 철도 레일을 탐지하기 위해 딥러닝 알고리즘[12, 13, 14, 15] 사용하여 철도 레일을 탐지한다. 하지만, 본 연구에서 사용하는 딥러닝 알고리즘은 Bounding box를 통해 물체를 탐지하기 때문에 철도 레일의 유무만 판단할 수 있다.
4개의 좌표를 이용하여 Edge를 적용한 이미지에 왼쪽과 오른쪽 철도 레일의 영역을 제외한 나머지 Edge를 모두 제거한다. 이를 적용한 이미지를 이용하여 Brid eye view 형태로 이미지를 변환 후 Sliding window search 기법을 사용하여 철도 레일을 탐지하게 된다. 이는 전통적인 방식보다 철도 레일 주변의 노이즈를 제거하기 때문에 효율적으로 탐지할 수 있다.
82이며 철도 레일을 정상적으로 탐지한 이미지는 268장이며 철도 레일 영역을 벗어나 오 탐지한 이미지는 57장이다. 전통적인 방식을 통해 Canny edge detector를 이용하여 Edge detection한 결과는 그림 4와 같으며 Canny edge를 적용하기 전에 Gaussian blur를 적용했다. Gausian blur를 적용한 이유는 blur 기법을 통해 1차적으로 노이즈를 제거하기 위함이다.
본 연구에서는 철도의 시각적 이상현상을 예방하기 위해 가장 기본이 되는 철도 레일을 탐지했다. 철도 레일을 탐지하기 위하여 전통적인 방식과 딥러닝 알고리즘을 사용하여 탐지했다. 전통적인 방식은 철도 레일 주변에서 발생될 수 있는 노이즈에 취약하며 정상적으로 철도 레일을 탐지하기 어려웠다.

성능/효과

본 연구에서는 다양한 환경에서 높은 정확도로 철도 레일을 탐지하기 위해 딥러닝 알고리즘을 사용하며 연구에서 사용한 네트워크 구조는 그림 2와 같다. 1 Stage object detection 알고리즘 중 YOLO v3 SPP 알고리즘을 사용하여 빠른 수행 속도와 준수한 정확도를 유지할 수 있다. 수행 속도는 느리지만 높은 정확도로 탐지할 수 있는 2 Stage object detection 알고리즘들도 존재하지만, 본 연구에서는 추후에 제한된 컴퓨팅 자원에서도 활용 될 수 있도록 1 Stage object detection 알고리즘을 사용했다.
융합 알고리즘은 딥러닝 알고리즘을 통해 탐지한 철도 레일의 좌표 정보를 기반으로 전통적인 방식에서 탐지한 불필요한 Edge를 모두 제거하여 철도 레일을 탐지할 수 있도록 했다. 이를 통해, 높은 정확도로 철도 레일을 탐지할 수 있었다. 추후에는 철도 레일 뿐만 아니라 다양한 시각적 이상현상들을 탐지할 수 있는 알고리즘과 다양한 센서들을 융합하여 철도의 다양한 분야에서 활용될 수 있도록 할 예정이다.
철도 레일을 정상적으로 탐지한 이미지는 288장, 오 탐지한 이미지는 37장이다. 전통적인 방식만 이용해서 철도 레일을 탐지하는 것보다 융합 알고리즘을 통해 철도 레일 주변의 노이즈를 제거하는 것이 정확도의 개선이 있었음을 알 수 있었다. 융합 알고리즘을 이용한 Canny edge의 결과는 그림 8과 같다.
표 2를 통해 확인한 결과 왼쪽과 오른쪽 철도 레일에 대한 탐지는 높은 정확도로 탐지해내고 있음을 확인할 수 있었다. 화창한 날씨 환경에서 YOLO v3 SPP 알고리즘을 이용하여 Transfer learning을 통해 왼쪽과 오른쪽 철도 레일을 탐지하는 모델을 학습했고 학습에 사용된 가중치는 Darknet53.

후속연구

이를 통해, 높은 정확도로 철도 레일을 탐지할 수 있었다. 추후에는 철도 레일 뿐만 아니라 다양한 시각적 이상현상들을 탐지할 수 있는 알고리즘과 다양한 센서들을 융합하여 철도의 다양한 분야에서 활용될 수 있도록 할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	철도 레일 탐지 방법의 전통적인 방식이 정확한 탐지가 어려운 원인은 무엇인가?	철도 레일을 탐지하기 위한 전통적인 방식은 철도 레일 주변의 다양한 노이즈 때문에 탐지에 많은 영향을 받는다. 본 연구에서는 다양한 환경에서 높은 정확도로 철도 레일을 탐지하기 위해 딥러닝 알고리즘을 사용하며 연구에서 사용한 네트워크 구조는 그림 2와 같다.
	철도가 대량수송이 가능하여 단위 수송 비용이 낮은 이유는 무엇인가?	그 이유는 다른 교통수단과 비교 했을 때 안전성과 정시성이 우수하기 때문이다. 일반적인 여객열차는 한 량에 좌석이 70석 규모이며 6~8량 또는 10~20량 단위로 수송되기 때문에 대량 수송이 가능하여 단위 수송 비용이 낮다는 장점[1]이 있다. 또한, 환경적인 측면에서 교통수단에 따른 이산화탄소 배출량이 주요 관심사이다.
	고속철도의 출현과 함께 철도가 국내외에서 자주 사용하는 교통수단 중 하나가 된 이유는 무엇인가?	고속철도의 출현과 함께 철도는 국내외에서 자주 사용하는 교통수단 중 하나이다. 그 이유는 다른 교통수단과 비교 했을 때 안전성과 정시성이 우수하기 때문이다. 일반적인 여객열차는 한 량에 좌석이 70석 규모이며 6~8량 또는 10~20량 단위로 수송되기 때문에 대량 수송이 가능하여 단위 수송 비용이 낮다는 장점[1]이 있다.

참고문헌 (16)

Statistics Korea, "Statistical Information Report for Users of Korea Railroad Statistics", 2017. http://kostat.go.kr/portal/korea/kor_pi/8/6/2/index.board?bmoderead&aSeq365757
Y. Lee, D. Moon, J, Yoo, "A Comparative Study on Policy of Modal Shift for Enhancing of Eco-friendly Rail Freight Transportation", The Korean Society for Railway Spring conference, pp. 2438-2441, 2008 https://www.koreascience.or.kr/article/CFKO200821041235034.j
Railsafety, "Five-Year Railway Accident Analysis Report", 2019. https://www.railsafety.or.kr/
M. Karakose, O. Yaman, M. Baygin, K. Murat, and E. Akin, "A New Computer Vision Based Method for Rail Track Detection and Fault Diagnosis in Railways", International Journal of Mechanical Engineering and Robotics Research, Vol. 6 No. 1, pp. 2-3, 2017. https://doi.org/10.18178/ijmerr.6.1.22-27
E. Pali, K. Mathe, L. Tamas, L. Busoniu, "Railway track following with the AR.Drone using vanishing point detection", 2014 IEEE International Conference on Automation, Quality and Testing, Robotics, pp. 4-5, 2014. https://doi.org/10.1109/AQTR.2014.6857870
C. Tastimur, M. Karakose, E. Akin, "A Vision Based Condition Monitoring Approach for Rail Switch and Level Crossing using Hierarchical SVM in Railways", International Journal of Applied Mathematics, Electronics and Computers, pp. 3-6, 2016. https://doi.org/10.18100/ijamec.270634
Z. Teng, F. Liu, B. Zhang, "Visual railway detection by superpixel based intracellular decisions", Multimed Tools Appl Vol. 75, pp. 2473-2486, 2016. https://doi.org/10.1007/s11042-015-2654-x

상세보기
S. Yella, R. G. Nyberg, B. Payvar, M. Dougherty, N. K. Gupta, "Machine Vision Approach for Automating Vegetation Detection on Railway Tracks", Journal of Intelligent Systems, Vol. 22, No. 2, pp. 179-196, 2013. https://doi.org/10.1515/jisys-2013-0017

상세보기
M. A. Selver, E. Y. Zoral, B. Belenlioglu, S. Dogan, "Predictive modeling for monocular vision based rail track extraction", 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics, pp. 1-6, 2017. https://doi.org/10.1109/CISP-BMEI.2017.8301928
S. Mittal, D. Rao, "Vision Based Railway Track Monitoring Using Deep Learning", arXiv, pp. 1-6, 2017. https://https://arxiv.org/abs/1711.06423
H. Wu, W. C. Siu, "Real time railway extraction by angle alignment measure", IEEE International Conference on Image Processing, pp. 1-5, 2015. https://doi.org/10.1109/ICIP.2015.7351670
Joseph Redmon, Ali Farhadi, "YOLOv3: an Incremental Improvement", arXiv, pp. 1-6, 2018. https://arxiv.org/abs/1804.02767
Zhanchao Huang, Jianlin Wang, "DC-SPP-YOLO: Dense Connection and Spatial Pyramid Pooling Based YOLO for Object Detection", arXiv, pp. 1-23, 2019. https://arxiv.org/abs/1903.08589
K. He, X. Zhang, S. Ren, J. Sun, "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition", European Conference on Computer Vision, Vol. 8691, pp. 346-361, 2014. https://doi.org/10.1007/978-3-319-10578-9_23
P. Zhang, Y. Zhong, X. Li, "SlimeYOLOv3: Narrower, Faster and Better for Reail-Time UAV", IEEE/CVF International Conference on Computer Vision Workshop, pp. 37-45, 2019. https://doi.org/10.1109/ICCVW.2019.00011
C. Tan, F. Sun, T. Kong, W. Zhang, C. Yang, C. Liu, "A Surbey on Deep Transfer Learning. Machine Learning", International Conference on Artificial Neural Networks, pp. 270-279, 2018. https://doi.org/10.1007/978-3-030-01424-7_27

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