[논문]고해상도 원격탐사 영상을 이용한 YOLOv5기반 굴뚝 탐지

윤영웅; 정형섭; 이원진

doi:10.7780/kjrs.2022.38.6.2.9

고해상도 원격탐사 영상을 이용한 YOLOv5기반 굴뚝 탐지
YOLOv5-based Chimney Detection Using High Resolution Remote Sensing Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.2, 2022년, pp.1677 - 1689

윤영웅 (서울시립대학교 공간정보공학과) , 정형섭 (서울시립대학교 공간정보공학과) , 이원진 (국립환경과학원 환경위성센터)

초록
AI-Helper

대기오염은 동식물의 건강에 장·단기적으로 해로운 영향을 미치는 사회적 문제이다. 굴뚝은 대기를 오염시키는 대기오염물질의 주배출원으로 그 위치와 종류를 탐지하고 모니터링할 필요가 있다. 대기오염물질을 배출하는 굴뚝이 위치한 발전소 및 산업단지는 접근성이 많이 떨어지고 부지가 넓어 직접 모니터링하기에는 비용적, 시간적으로 비효율적이다. 따라서 최근에는 원격탐사 자료를 이용하여 굴뚝을 탐지하는 연구가 수행되고 있다. 본 연구에서는 중국 베이징, 톈진 허베이 성에 위치한 발전소를 대상으로 구축된 BUAA-FFPP60 오픈 데이터 세트를 활용하여 YOLOv5기반의 굴뚝 탐지 모델을 제작하였다. 탐지 모델의 성능을 향상시키기 위하여 데이터 분할과 데이터 증강기법을 적용하였으며, 최적의 모델 제작을 위한 학습 전략을 세웠다. 학습이 완료된 모델은 precision, recall과 같은 각종 지표를 통해 성능을 확인하였으며, 최종적으로 동일한 데이터 세트를 사용한 기존 연구와의 비교를 통해 모델의 성능을 평가하였다.

Abstract ▼ AI-Helper

Air pollution is social issue that has long-term and short-term harmful effect on the health of animals, plants, and environments. Chimneys are the primary source of air pollutants that pollute the atmosphere, so their location and type must be detected and monitored. Power plants and industrial complexes where chimneys emit air pollutants, are much less accessible and have a large site, making direct monitoring cost-inefficient and time-inefficient. As a result, research on detecting chimneys using remote sensing data has recently been conducted. In this study, YOLOv5-based chimney detection model was generated using BUAA-FFPP60 open dataset create for power plants in Hebei Province, Tianjin, and Beijing, China. To improve the detection model's performance, data split and data augmentation techniques were used, and a training strategy was developed for optimal model generation. The model's performance was confirmed using various indicators such as precision and recall, and the model's performance was finally evaluated by comparing it to existing studies using the same dataset.

주제어

표/그림 (14)

그림 Fig. 1. Study area of this study: (a) location of Hebei province, Tianjin, Beijing and (b) source of air pollutant emissions.
그림 Fig. 2. BUAA-FFPP60 dataset.
그림 Fig. 3. The flowchart of data processing.
그림 Fig. 4. Augmented images: (a) random rotation, (b) random flip, (c) blur, (d) random brightness, (e) random gamma, (f) togray, (g) CLAHE, and (h) image compression.
표 Table 1. Usage of data
그림 Fig. 5. Sample images of mosaic augmentation.
그림 Fig. 6. Architecture of YOLOv5.
표 Table 2. Confusion matrix
표 Table 3. Hyperparameter values
그림 Fig. 7. Result images: (a-e) test images and inference result images.
그림 Fig. 8. Result Images: (a-b) power plants located in Shandong province and (c-d) chimneys located in South Korea.
표 Table 4. Results of performance evaluation
그림 Fig. 9. Precision-recall curve.
표 Table 5. Comparison of performance

AI 본문요약
AI-Helper

문제 정의

본 연구는 고해상도 원격탐사 영상을 사용하여 YOLOv5 기반의 굴뚝 탐지 모델을 구축하고 그 성능을 확인하였다. 굴뚝 탐지 모델을 학습하기 위해 사용한 데이터 세트는 우리나라 대기환경오염에 상당히 영향을 미치는 중국의 발전·산업단지를 대상으로 취득된 1m급 고해상도 원격탐사 영상으로 종류 및 작동여부에 따라 4개의 클래스로 굴뚝을 구분하고 있다.
제작한 모델의 일반화 성능을 확인하기 위해서 연구지역 외의 다른 지역에서 취득한 굴뚝 영상을 탐지해 보았다. 다른 지역의 영상은 사용 데이터와 동일하게 Google Earth에서 취득하였으며, (1) 연구지역 인근이면 서 발전소 및 산업단지가 많이 위치해 있어 대기오염물질 배출이 많이 발생하는 중국 산둥 성의 발전소와 (2) 국내 발전소의 영상을 사용하였다.

제안 방법

다음으로 흐림 효과는 영상에 흐림 필터링을 적용시켜 영상을 변형시키는 기법으로, 본 연구에서는 중간값 필터링을 통해 영상에 흐림 효과를 적용하였다. 무작위 밝기 변화는 영상의 밝기와 대비를 조정, 무작위 감마 변화는 영상의 감마 값을 조정하여 영상을 변형시키는 기법이다.
데이터 증강은 총 8개의 기법을 통해 수행되었으며 각각 무작위 회전, 무작위 반전, 흐림 효과, 무작위 밝기변화, 무작위 감마 변화, 흑백 변화, Contrast Limited Adaptive Histogram Equalization (CLAHE), 영상 압축이다(Fig. 4).
이러한 기법들은 데이터의 값을 조작하여 변형시키는 기법으로 자칫 잘못하면 데이터의 특징과 전혀 맞지 않는 값이 입력될 수 있다는 위험성이 존재한다. 따라서 본 연구에서는 다양한 증강 기법을 테스트하고 적절한 기법을 선택하여 적용하였다.
BUAA-FFPP60 데이터 세트는 훈련 데이터와 평가 데이터로 나누어져 구축되어 있으나, 평가 데이터를 훈련 시 검증 데이터로 사용하게 되면 데이터의 독립성에 영향을 줄 수 있으므로 318장의 원본데이터에 해당하는 데이터 중 검증 데이터를 따로 분할하였다. 따라서 학습 및 가중치 업데이트에 사용되는 훈련데이터, 학습과정에서 모델을 검증하는 검증데이터, 그리고 최종적으로 학습된 모델의 성능을 평가하기 위해서만 사용하는 평가데이터로 데이터셋을 분할하였으며, 각 데이터셋은 서로 중복되지 않도록 하였다. 각 데이터의 용도는 Table 1에서 확인할 수 있다.
또한, 동일 데이터 세트를 활용하여 다른 객체탐지 모델을 기반으로 굴뚝을 탐지한 타 연구와의 비교를 수행하였다(Table 5). 비교 결과 본 연구에서 사용한 YOLOv5 기반의 굴뚝 탐지 모델이 굴뚝의 종류, 작동여부와 상관없이 모든 클래스에서 성능이 향상한 것을 확인할 수 있었으며 전체 클래스의 mAP를 비교하였을 때, 기존 최상 결과 대비 0.
모델의 성능 향상 및 강건성 증대를 위해 데이터 분할 및 9종의 데이터 증강 기법을 적용하였으며, YOLOv5 모델은 가장 복잡한 구조를 가지는 YOLOv5x 모델을 사용하였다. 또한, 최적의 모델을 제작하기 위한 학습 전략을 세워 학습을 수행하였고 평가 데이터를 활용하여 제작된 모델을 확인하였다. 그 결과 육안으로 보았을 때도 굴뚝을 상당히 잘 찾는 모습을 볼 수 있었으며 성능 지표상으로도 0.
3의 흐름에 따라 수행되었다. 먼저 앞서 설명하였던 BUAA-FFPP60 데이터 세트를 데이터 분할을 통해 독립된 훈련, 검증, 평가 데이터로 분할하고 훈련 데이터에 대해 데이터 증강 기법을 적용하여 데이터의 양을 증가시켜주었다. 이렇게 전처리가 완료된 훈련 데이터 및 검증 데이터와 최적의 학습전략을 통해 YOLOv5기반 굴뚝 탐지 모델을 학습하고, 평가 데이터를 통해 모델의 성능을 평가하였다.
YOLOv5의 경우 모델의 복잡성 및 크기에 따라 Nano, Small, Medium, Large, Xlarge로 나누어 제공된다. 본 연구에서 사용된 데이터 세트의 크기가 크지 않으며 모니터링을 위해서는 무엇보다 정확성이 가장 중요하다고 판단하였기 때문에 속도는 다소 느리지만 정확성이 가장 높은 YOLOv5x (Xlarge) 모델을 사용하여 굴뚝 탐지 모델을 학습하였다.
또한, x축을 recall, y축을 precision으로 하며 threshold를 변화시키면서 두 값을 도시하는 precision-recall curve를 생성하여 그래프 밑 면적 즉, 모델의 average precision (AP)를 계산하여 성능을 확인하였다. 생성된 평가 지표는 동일 데이터 세트를 사용한 타 연구의 결과와 비교하였으며 추가로 제작된 굴뚝 탐지 모델의 범용성을 확인하기 위하여 연구지역 이외의 지역에서 취득한 영상을 추론해보았다.
먼저 앞서 설명하였던 BUAA-FFPP60 데이터 세트를 데이터 분할을 통해 독립된 훈련, 검증, 평가 데이터로 분할하고 훈련 데이터에 대해 데이터 증강 기법을 적용하여 데이터의 양을 증가시켜주었다. 이렇게 전처리가 완료된 훈련 데이터 및 검증 데이터와 최적의 학습전략을 통해 YOLOv5기반 굴뚝 탐지 모델을 학습하고, 평가 데이터를 통해 모델의 성능을 평가하였다. 최종적으로 제작된 굴뚝 탐지 모델을 동일한 데이터 세트를 사용한 기존의 연구 결과와 비교함으로써 연구를 마무리하였다.

대상 데이터

본격적으로 굴뚝 탐지 모델을 제작하기에 앞서 모델의 원활한 학습과 강건함을 위하여 데이터 분할을 수행하였다. BUAA-FFPP60 데이터 세트는 훈련 데이터와 평가 데이터로 나누어져 구축되어 있으나, 평가 데이터를 훈련 시 검증 데이터로 사용하게 되면 데이터의 독립성에 영향을 줄 수 있으므로 318장의 원본데이터에 해당하는 데이터 중 검증 데이터를 따로 분할하였다. 따라서 학습 및 가중치 업데이트에 사용되는 훈련데이터, 학습과정에서 모델을 검증하는 검증데이터, 그리고 최종적으로 학습된 모델의 성능을 평가하기 위해서만 사용하는 평가데이터로 데이터셋을 분할하였으며, 각 데이터셋은 서로 중복되지 않도록 하였다.
굴뚝 탐지 모델을 학습하기 위해 사용한 데이터 세트는 우리나라 대기환경오염에 상당히 영향을 미치는 중국의 발전·산업단지를 대상으로 취득된 1m급 고해상도 원격탐사 영상으로 종류 및 작동여부에 따라 4개의 클래스로 굴뚝을 구분하고 있다
제작한 모델의 일반화 성능을 확인하기 위해서 연구지역 외의 다른 지역에서 취득한 굴뚝 영상을 탐지해 보았다. 다른 지역의 영상은 사용 데이터와 동일하게 Google Earth에서 취득하였으며, (1) 연구지역 인근이면 서 발전소 및 산업단지가 많이 위치해 있어 대기오염물질 배출이 많이 발생하는 중국 산둥 성의 발전소와 (2) 국내 발전소의 영상을 사용하였다.
본 연구에서는 중국 베이징, 톈진, 허베이 성을 대상으로 구축된 굴뚝 데이터 세트를 활용하여 YOLOv5기반의 굴뚝 탐지 모델을 제작하였다. 모델의 성능 향상 및 강건성 증대를 위해 데이터 분할 및 9종의 데이터 증강 기법을 적용하였으며, YOLOv5 모델은 가장 복잡한 구조를 가지는 YOLOv5x 모델을 사용하였다.

데이터처리

본 연구에서는 Table 2와 같이 confusion matrix를 생성하여 딥러닝 모델의 성능을 평가하기 위한 지표인 precision, recall을 계산하였으며, 두 값의 조화 평균인 F1 score를 구하여 성능을 평가하였다. 또한, x축을 recall, y축을 precision으로 하며 threshold를 변화시키면서 두 값을 도시하는 precision-recall curve를 생성하여 그래프 밑 면적 즉, 모델의 average precision (AP)를 계산하여 성능을 확인하였다. 생성된 평가 지표는 동일 데이터 세트를 사용한 타 연구의 결과와 비교하였으며 추가로 제작된 굴뚝 탐지 모델의 범용성을 확인하기 위하여 연구지역 이외의 지역에서 취득한 영상을 추론해보았다.
평가 데이터를 활용하여 학습이 완료된 모델의 성능을 평가하였다. 본 연구에서는 Table 2와 같이 confusion matrix를 생성하여 딥러닝 모델의 성능을 평가하기 위한 지표인 precision, recall을 계산하였으며, 두 값의 조화 평균인 F1 score를 구하여 성능을 평가하였다. 또한, x축을 recall, y축을 precision으로 하며 threshold를 변화시키면서 두 값을 도시하는 precision-recall curve를 생성하여 그래프 밑 면적 즉, 모델의 average precision (AP)를 계산하여 성능을 확인하였다.
굴뚝 탐지모델의 성능을 향상시키기 위하여 데이터 분할 및 다양한 데이터 증강 기법이 적용되었으며, 모델의 성능은 precision, recall, mean Average Precision (mAP)와 같은 평가지표와 Precision-recall curve를 생성하여 평가하였다. 생성한 평가지표를 동일한 데이터 세트를 사용한 기존 연구의 결과와의 비교하여 모델의 성능을 최종적으로 평가하였다.
평가 데이터를 활용하여 학습이 완료된 모델의 성능을 평가하였다. 본 연구에서는 Table 2와 같이 confusion matrix를 생성하여 딥러닝 모델의 성능을 평가하기 위한 지표인 precision, recall을 계산하였으며, 두 값의 조화 평균인 F1 score를 구하여 성능을 평가하였다.

이론/모형

굴뚝 탐지 모델의 성능을 평가하기 위해 모델의 confusion matrix를 생성하였고, 클래스별로 precision, recall을 계산하였다. 좀 더 정확한 모델의 성능을 구하기 위해 precision과 recall의 조화평균인 F1 score를 구하여 모델의 성능을 확인하였고 그 결과 작동하고 있지 않은 응축탑의 F1 score가 0.
굴뚝 탐지 모델을 학습하기 위해 사용한 데이터 세트는 우리나라 대기환경오염에 상당히 영향을 미치는 중국의 발전·산업단지를 대상으로 취득된 1m급 고해상도 원격탐사 영상으로 종류 및 작동여부에 따라 4개의 클래스로 굴뚝을 구분하고 있다. 굴뚝 탐지모델의 성능을 향상시키기 위하여 데이터 분할 및 다양한 데이터 증강 기법이 적용되었으며, 모델의 성능은 precision, recall, mean Average Precision (mAP)와 같은 평가지표와 Precision-recall curve를 생성하여 평가하였다. 생성한 평가지표를 동일한 데이터 세트를 사용한 기존 연구의 결과와의 비교하여 모델의 성능을 최종적으로 평가하였다.
본 연구에서는 중국 베이징, 톈진, 허베이 성을 대상으로 구축된 굴뚝 데이터 세트를 활용하여 YOLOv5기반의 굴뚝 탐지 모델을 제작하였다. 모델의 성능 향상 및 강건성 증대를 위해 데이터 분할 및 9종의 데이터 증강 기법을 적용하였으며, YOLOv5 모델은 가장 복잡한 구조를 가지는 YOLOv5x 모델을 사용하였다. 또한, 최적의 모델을 제작하기 위한 학습 전략을 세워 학습을 수행하였고 평가 데이터를 활용하여 제작된 모델을 확인하였다.

성능/효과

또한, 최적의 모델을 제작하기 위한 학습 전략을 세워 학습을 수행하였고 평가 데이터를 활용하여 제작된 모델을 확인하였다. 그 결과 육안으로 보았을 때도 굴뚝을 상당히 잘 찾는 모습을 볼 수 있었으며 성능 지표상으로도 0.873의 높은 분류 정확도를 보였다. 추가로 연구지역 외의 지역에서 취득한 데이터를 제작한 모델을 통해 추론해 본 결과 전혀 다른 지역임에도 불구하고 굴뚝이 잘 탐지되는 것을 확인할 수 있었으며, 이를 통해 모델의 일반화 성능 역시 우수하다는 것을 알 수 있었다.
추가로 연구지역 외의 지역에서 취득한 데이터를 제작한 모델을 통해 추론해 본 결과 전혀 다른 지역임에도 불구하고 굴뚝이 잘 탐지되는 것을 확인할 수 있었으며, 이를 통해 모델의 일반화 성능 역시 우수하다는 것을 알 수 있었다. 마지막으로 동일한 데이터 세트를 사용한 기존 연구와의 비교를 통해 모델의 성능을 다시 한번 평가하였고 본 연구에서 사용한 YOLOv5 모델이 가장 우수하다는 결론을 얻을 수 있었다. 이러한 연구결과는 원격탐사 자료를 활용하여 국내외 대기오염 배출원을 모니터링하는 연구에 도움이 될 것으로 기대된다.
또한, 동일 데이터 세트를 활용하여 다른 객체탐지 모델을 기반으로 굴뚝을 탐지한 타 연구와의 비교를 수행하였다(Table 5). 비교 결과 본 연구에서 사용한 YOLOv5 기반의 굴뚝 탐지 모델이 굴뚝의 종류, 작동여부와 상관없이 모든 클래스에서 성능이 향상한 것을 확인할 수 있었으며 전체 클래스의 mAP를 비교하였을 때, 기존 최상 결과 대비 0.049만큼 성능이 향상되었다.
굴뚝 탐지 모델의 성능을 평가하기 위해 모델의 confusion matrix를 생성하였고, 클래스별로 precision, recall을 계산하였다. 좀 더 정확한 모델의 성능을 구하기 위해 precision과 recall의 조화평균인 F1 score를 구하여 모델의 성능을 확인하였고 그 결과 작동하고 있지 않은 응축탑의 F1 score가 0.968로 가장 높았으며, 작동하고 있지 않는 굴뚝이 0.755로 가장 낮았다. 또한, 전체 모델의 F1 score가 0.
873의 높은 분류 정확도를 보였다. 추가로 연구지역 외의 지역에서 취득한 데이터를 제작한 모델을 통해 추론해 본 결과 전혀 다른 지역임에도 불구하고 굴뚝이 잘 탐지되는 것을 확인할 수 있었으며, 이를 통해 모델의 일반화 성능 역시 우수하다는 것을 알 수 있었다. 마지막으로 동일한 데이터 세트를 사용한 기존 연구와의 비교를 통해 모델의 성능을 다시 한번 평가하였고 본 연구에서 사용한 YOLOv5 모델이 가장 우수하다는 결론을 얻을 수 있었다.

후속연구

8(c, d)를 보면 비록 모든 굴뚝을 탐지하지는 못하였으나 탐지한 굴뚝의 경우 50% 이상의 높은 confidence를 보였다. 이러한 결과를 통해 본 연구에서 제작한 모델이 연구 지역에만 국한된 성능을 보이는 모델이 아닌 어느정도 범용성을 가지고 있다는 것을 확인할 수 있었으며, 이는 추후 더욱 방대하고 다양한 데이터를 사용하여 모델을 제작하였을 때 성능을 높이기에 유리하다.
마지막으로 동일한 데이터 세트를 사용한 기존 연구와의 비교를 통해 모델의 성능을 다시 한번 평가하였고 본 연구에서 사용한 YOLOv5 모델이 가장 우수하다는 결론을 얻을 수 있었다. 이러한 연구결과는 원격탐사 자료를 활용하여 국내외 대기오염 배출원을 모니터링하는 연구에 도움이 될 것으로 기대된다.

참고문헌 (35)

Baek, W.K. and H.S. Jung, 2021. Performance comparison of oil spill and ship classification from x-band dual-and single-polarized sar image using support vector machine, random forest, and deep neural network, Remote Sensing, 13(16): 3203. https://doi.org/10.3390/rs13163203

상세보기
Brunekreef, B. and S. T. Holgate, 2002. Air pollution and health, The Lancet, 360(9341): 1233-1242. https://doi.org/10.1016/S0140-6736(02)11274-8

상세보기
Borhani, F. and A. Noorpoor, 2020. Measurement of air pollution emissions from chimneys of production units moisture insulation (Isogam) Delijan, Journal of Environmental Science and Technology, 21(12): 57-71. https://doi.org/10.22034/JEST.2020.25934.3488
Chang, A., Y. Eo, S. Kim, Y. Kim, and Y. Kim, 2011. Canopy-cover thematic-map generation for Military Map products using remote sensing data in inaccessible areas, Landscape and Ecological Engineering, 7(2): 263-274. https://doi.org/10.1007/s11355-010-0132-1

상세보기
Christenson, E. and M. Serre, 2015. Using remote sensing to calculate plant available nitrogen needed by crops on swine factory farm sprayfields in North Carolina, Proc. of SPIE Remote Sensing for Agriculture, Ecosystems, and Hydrology XVII, Toulouse, France, Sep. 21-24, vol. 9637, pp. 22-28. https://doi.org/10.1117/12.2195434
Dadboud, F., V. Patel, V. Mehta, M. Bolic, and I. Mantegh, 2021. Single-Stage UAV Detection and Classification with YOLOV5: Mosaic Data Augmentation and PANet, Proc. of 2021 IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Nov. 16-19, pp. 1-8. https://doi.org/10.1109/AVSS52988.2021.9663841
Diakogiannis, F.I., F. Waldner, P. Caccetta, and C. Wu, 2020. ResUNet-a: A deep learning framework for semantic segmentation of remotely sensed data, ISPRS Journal of Photogrammetry and Remote Sensing, 162: 94-114. https://doi.org/10.1016/j.isprsjprs.2020.01.013

상세보기
Han, C., G. Li, Y. Ding, F. Yan, and L. Bai, 2020. Chimney detection based on faster R-CNN and spatial analysis methods in high resolution remote sensing images, Sensors, 20(16): 4353. https://doi.org/10.3390/s20164353

상세보기
Han, X., K. Choi, S. Bae, and H. Kwon, 2020. Relationship between chimney emissions and air pollutants near coal-fired power plants, ISEE Conference Abstracts, vol. 2020, no. 1. https://doi.org/10.1289/isee.2020.virtual.p-1033
He, S. and L. Schomaker, 2019. DeepOtsu: Document enhancement and binarization using iterative deep learning, Pattern Recognition, 91: 379-390. https://doi.org/10.1016/j.patcog.2019.01.025

상세보기
Huang, W., H. Wang, and Y. Wei, 2018. Endogenous or exogenous? examining trans-boundary air pollution by using the air quality index (aqi): A case study of 30 provinces and autonomous regions in china, Sustainability, 10(11): 4220. https://doi.org/10.3390/su10114220

상세보기
Jacobson, M. Z., 2009. Review of solutions to global warming, air pollution, and energy security, Energy & Environmental Science, 2(2): 148-173. https://doi.org/10.1039/B809990C

상세보기
Jang. S.W., J.M. Baek, and M.S. Kang, 2021. A Combined Approach of Classification and Regression for Oriented Object Detection of Missiles, The Journal of Korean Institute of Electromagnetic Engineering and Science, 32(12): 1099-1107 (in Korean with English abstract). https://doi.org/10.5515/KJKIEES.2021.32.12.1099

상세보기
Jiang, P., Y. Chen, Y. Geng, W. Dong, B. Xue, B. Xu, and W. Li, 2013. Analysis of the co-benefits of climate change mitigation and air pollution reduction in China, Journal of Cleaner Production, 58: 130-137. https://doi.org/10.1016/j.jclepro.2013.07.042

상세보기
Jung, H.S. and S. Lee, 2019. Special issue on machine learning techniques applied to geoscience information system and remote sensing, Applied Sciences, 9(12): 2446. https://doi.org/10.3390/app9122446

상세보기
Kampa, M. and E. Castanas, 2008. Human health effects of air pollution, Environmental Pollution, 151(2): 362-367. https://doi.org/10.1016/j.envpol.2007.06.012

상세보기
Kim, H. J., Q. Zhang, and Y. Sun, 2020. Measurement report: Characterization of severe spring haze episodes and influences of long-range transport in the Seoul metropolitan area in March 2019, Atmospheric Chemistry and Physics, 20(19): 11527-11550. https://doi.org/10.5194/acp-20-11527-2020

상세보기
Lei, Y., Q. Zhang, C. Nielsen, and K. He, 2011. An inventory of primary air pollutants and CO 2 emissions from cement production in China, 1990-2020, Atmospheric Environment, 45(1): 147-154. https://doi.org/10.1016/j.atmosenv.2010.09.034

상세보기
Li, Y., Y.H. Chiu, and L.C. Lu, 2018. Energy and AQI performance of 31 cities in China, Energy Policy, 122: 194-202. https://doi.org/10.1016/j.enpol.2018.07.037

상세보기
Lu, H., A. Yue, H. Chen, and R. Long, 2018. Could smog pollution lead to the migration of local skilled workers? Evidence from the Jing-Jin-Ji region in China, Resources, Conservation and Recycling, 130: 177-187. https://doi.org/10.1016/j.resconrec.2017.11.024

상세보기
Martin, M.J., D.E. Singh, J.C. Mourino, F.F. Rivera, R. Doallo, and J.D. Bruguera, 2003. High performance air pollution modeling for a power plant environment, Parallel Computing, 29(11-12): 1763-1790. https://doi.org/10.1016/j.parco.2003.05.018

상세보기
Mele, M. and C. Magazzino, 2020. A machine learning analysis of the relationship among iron and steel industries, air pollution, and economic growth in China, Journal of Cleaner Production, 277: 123293. https://doi.org/10.1016/j.jclepro.2020.123293

상세보기
Pal, S., E. Ebrahimi, A. Zulfiqar, Y. Fu, V. Zhang, S. Migacz, D. Nellans, and P. Gupta, 2019. Optimizing multi-GPU parallelization strategies for deep learning training, IEEE Micro, 39(5): 91-101. https://doi.org/10.1109/mm.2019.2935967

상세보기
Rajarathnam, U., V. Athalye, S. Ragavan, S. Maithel, D. Lalchandani, S. Kumar, E. Baum, C. Weyant, and T. Bond, 2014. Assessment of air pollutant emissions from brick kilns, Atmospheric Environment, 98: 549-553. https://doi.org/10.1016/j.atmosenv.2014.08.075

상세보기
Redmon, J., S. Divvala, R. Girshick, and A. Farhadi, 2016. You only look once: Unified, real-time object detection, Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, Jun. 27-30, pp. 779-788. https://doi.org/10.1109/cvpr.2016.91
Shankar, K., Y. Zhang, Y. Liu, L. Wu, and C. H. Chen, 2020. Hyperparameter tuning deep learning for diabetic retinopathy fundus image classification, IEEE Access, 8: 118164-118173. https://doi.org/10.1109/ACCESS.2020.3005152

상세보기
Sportisse, B., 2007. A review of current issues in air pollution modeling and simulation, Computational Geosciences, 11(2): 159-181. https://doi.org/10.1007/s10596-006-9036-4

상세보기
Tang, L., X. Xue, J. Qu, Z. Mi, X. Bo, X. Chang, S. Wang, S. Li, W. Cui, and G. Dong, 2020. Air pollution emissions from Chinese power plants based on the continuous emission monitoring systems network, Scientific Data, 7(1): 1-10. https://doi.org/10.1038/s41597-020-00665-1

상세보기
Wan, D.J., Z.X. Han, J.S. Yang, G.L. Yang, and X.Q. Liu, 2016. Heavy metal pollution in settled dust associated with different urban functional areas in a heavily air-polluted city in North China, International Journal of Environmental Research and Public Health, 13(11): 1119. https://doi.org/10.3390/ijerph13111119

상세보기
Wei, W., X. Wang, H. Zhu, J. Li, S. Zhou, Z. Zou, and J.S. Li, 2017. Carbon emissions of urban power grid in Jing-Jin-Ji region: Characteristics and influential factors, Journal of Cleaner Production, 168: 428-440. https://doi.org/10.1016/j.jclepro.2017.09.015

상세보기
Woo, J.H., C. Bu, J. Kim, Y.S. Ghim, and Y. Kim, 2018. Analysis of regional and inter-annual changes of air pollutants emissions in China, Journal of Korean Society for Atmospheric Environment, 34(1): 87-100 (in Korean with English abstract). https://doi.org/10.5572/KOSAE.2018.34.1.087

원문보기 상세보기
Wu, W., H. Liu, L. Li, Y. Long, X. Wang, Z. Wang, J. Li, and Y. Chang, 2021. Application of local fully Convolutional Neural Network combined with YOLO v5 algorithm in small target detection of remote sensing image, PLoS One, 16(10): e0259283. https://doi.org/10.1371/journal.pone.0259283

상세보기
Yao, Y., Z. Jiang, H. Zhang, B. Cai, G. Meng, and D. Zuo, 2017. Chimney and condensing tower detection based on faster R-CNN in high resolution remote sensing images, Proc. of 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Fort Worth, TX, USA, Jul. 23-28, pp. 3329-3332. https://doi.org/10.1109/igarss.2017.8127710
Zeng, Y., Y. Cao, X. Qiao, B.C. Seyler, and Y. Tang, 2019. Air pollution reduction in China: Recent success but great challenge for the future, Science of the Total Environment, 663: 329-337. https://doi.org/10.1016/j.scitotenv.2019.01.262

상세보기
Zhang, H. and Q. Deng, 2019. Deep learning based fossil-fuel power plant monitoring in high resolution remote sensing images: A comparative study, Remote Sensing, 11(9): 1117. https://doi.org/10.1016/j.scitotenv.2019.01.262

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