[논문]관개용수로 CCTV 이미지를 이용한 CNN 딥러닝 이미지 모델 적용

김귀훈; 김마가; 윤푸른; 방재홍; 명우호; 최진용; 최규훈

doi:10.5389/ksae.2022.64.3.063

관개용수로 CCTV 이미지를 이용한 CNN 딥러닝 이미지 모델 적용
Application of CCTV Image and Semantic Segmentation Model for Water Level Estimation of Irrigation Channel 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.64 no.3, 2022년, pp.63 - 73

김귀훈 (Department of Rural Systems Engineering, Seoul National University) , 김마가 (Department of Rural Systems Engineering, Seoul National University) , 윤푸른 (Department of Rural Systems Engineering, Seoul National University) , 방재홍 (Department of Rural Systems Engineering, Seoul National University) , 명우호 (Rural Research Institute, Korea Rural Community Corporation) , 최진용 (Department of Rural Systems Engineering, Research Institute of Agriculture and Life Sciences, Globel Smart Farm Convergence Major, Seoul National University) , 최규훈 (WeDB Company)

Abstract ▼ AI-Helper

A more accurate understanding of the irrigation water supply is necessary for efficient agricultural water management. Although we measure water levels in an irrigation canal using ultrasonic water level gauges, some errors occur due to malfunctions or the surrounding environment. This study aims to apply CNN (Convolutional Neural Network) Deep-learning-based image classification and segmentation models to the irrigation canal's CCTV (Closed-Circuit Television) images. The CCTV images were acquired from the irrigation canal of the agricultural reservoir in Cheorwon-gun, Gangwon-do. We used the ResNet-50 model for the image classification model and the U-Net model for the image segmentation model. Using the Natural Breaks algorithm, we divided water level data into 2, 4, and 8 groups for image classification models. The classification models of 2, 4, and 8 groups showed the accuracy of 1.000, 0.987, and 0.634, respectively. The image segmentation model showed a Dice score of 0.998 and predicted water levels showed R2 of 0.97 and MAE (Mean Absolute Error) of 0.02 m. The image classification models can be applied to the automatic gate-controller at four divisions of water levels. Also, the image segmentation model results can be applied to the alternative measurement for ultrasonic water gauges. We expect that the results of this study can provide a more scientific and efficient approach for agricultural water management.

주제어

표/그림 (14)

그림 Fig. 1 The flowchart of developed models in this study
그림 Fig. 2 Sample images of the experimental site
그림 Fig. 3 Confusion matrix of the image classification model
그림 Fig. 4 Example images of the segmentation model
그림 Fig. 5 Time-series and histogram graph of water level data
그림 Fig. 6 Loss and accuracy graphs of each image classification model
표 Table 1 Loss and accuracy values for each classification model
표 Table 2 Results of the two-group image classification model
그림 Fig. 7 Loss and Dice score of the image segmentation model
표 Table 3 Results of the four-group image classification model
표 Table 4 Results of the eight-group image classification model
그림 Fig. 8 Result images of the image segmentation model
표 Table 5 Loss and Dice score values for the segmentation model
그림 Fig. 9 First-order regressed line and scatter plot for water level estimation

AI 본문요약
AI-Helper

문제 정의

이에 본 연구는 CCTV 영상에서 수위 영상을 추출하고, 이미지 분류 모델을 적용하여 수로 수위 모니터링을 위한 적정 분류 개수를 제시하고, 이미지 분리 모델을 적용하여 수면 자료를 추출한 후 이를 이용한 수로의 수위 산정을 위한 정확성 평가를 목적으로 한다.

가설 설정

이미지 파일은 최초 1280 × 720 × 3 크기의 RGB로 PNG 파일 형태로 얻어졌으며, 총 1,564 개의 이미지를 이용하였다. 각 이미지가 촬영된 시각과 동일한 시각에 초음파 수위계를 이용해 수위 값을 측정하였고, 이 값을 이미지의 참값으로 가정하여 두 가지 모델을 구축하였다.

제안 방법

본 연구에서는 이미지 분류 모델 중 ResNet-50을 이용하였다. ResNet-50 모델은 ImageNet의 1,000개 그림을 분류하도록 개발되었기 때문에 본 연구에서는 기존 ResNet-50 모델의 마지막 FC (Fully Connected) layer에 Dense layer를 추가하여 분류하려는 그룹의 개수를 정할 수 있도록 하였다. ResNet-50 모델은 Tensorflow의 Keras에 있는 Application 모듈을 이용 하였으며, 학습되는 매개변수의 수는 25,585,594개이며, 고정된 매개변수 53,120개와 더하면 총 25,638,714개의 매개변수를 가진다.
04 m를 기준으로 분류하였다. 각 그룹을 기준에 맞게 나눠준 후 각 그룹에 해당하는 자료를 학습, 검증, 테스트 비율인 7:1:2로 랜덤하게 구분하였고, 자료를 구축한 후 모델의 학습을 진행하였다. Fig.
본 연구에서는 학습된 모델과 테스트 원본이미지를 이용하여 얻은 결과이미지로부터 수로의 수위를 산정하였는데, 이를 위해 정답이미지와 수위 사이의 상관성을 분석하였다. 이를 위해 33개의 정답이미지에 임의의 직선을 그어 수면 픽셀의 개수와 수위 값 사이에 피어슨 상관계수 (Pearson’s correlation coefficient)를 계산하였고, 상관계수 값이 가장 큰 직선을 선택하여 결과이미지의 수위 환산에 적용하였다.
이미지 분리 모델은 배치 (batch)의 크기를 16으로 설정하여 학습하였으며, 에포크가 10에 도달하기 전에도 손실과 다이스 점수가 충분히 우수하였다. 에포크 수가 증가함에도 초반에 수렴한 다이스 점수, 손실 값과 큰 차이를 보이지 않지만, 검증의 손실 값이 일부 튀는 모습을 보였기 때문에 본 연구에서는 에포크 200에서의 가중치 값으로 모델을 구성하였다. 이때 학습, 검증의 다이스 점수, 손실 값과 테스트 이미지 314개를 이용하여 얻은 다이스 점수의 평균값은 Table 6과 같다.
7 (b)는 학습과 검증의 다이스 점수 (Dice score) 값을 에포크에 따라 나타내고 있다. 이미지 분리 모델은 배치 (batch)의 크기를 16으로 설정하여 학습하였으며, 에포크가 10에 도달하기 전에도 손실과 다이스 점수가 충분히 우수하였다. 에포크 수가 증가함에도 초반에 수렴한 다이스 점수, 손실 값과 큰 차이를 보이지 않지만, 검증의 손실 값이 일부 튀는 모습을 보였기 때문에 본 연구에서는 에포크 200에서의 가중치 값으로 모델을 구성하였다.

대상 데이터

본 연구는 2020년도 정부 (과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (No. 2017R1E1A1A01077413).
ResNet-50 모델은 ImageNet의 1,000개 그림을 분류하도록 개발되었기 때문에 본 연구에서는 기존 ResNet-50 모델의 마지막 FC (Fully Connected) layer에 Dense layer를 추가하여 분류하려는 그룹의 개수를 정할 수 있도록 하였다. ResNet-50 모델은 Tensorflow의 Keras에 있는 Application 모듈을 이용 하였으며, 학습되는 매개변수의 수는 25,585,594개이며, 고정된 매개변수 53,120개와 더하면 총 25,638,714개의 매개변수를 가진다.
10 m 수위의 사진은 그룹 2로 분류하여 학습을 진행하였다. 또한, 전체 자료 1,564개 중 70%인 1,094개를 학습에 사용하였고, 10%인 156개를 검증에 사용하고, 20%인 314개를 이용하여 테스트에 사용하였다.
모델 구동은 2019년 출시된 64-bit 윈도우 10 체제의 컴퓨터를 이용하였으며, 하드웨어는 2.40 GHz의 인텔 (R) Xeon (R) CPU, 32 GB RAM, NVIDIA의 513 MHz Clock Quadro RTX 5000 GPU를 탑재하고 있다. 프로그래밍 언어는 파이썬 3.
본 연구는 강원도 철원군에 위치한 하갈 4호 방수문 CCTV 영상에서 이미지 영상을 추출하였으며, CNN 딥러닝 기반의 이미지 분류, 이미지 분리 모델에 대한 적용성을 평가하였다.
본 연구에서는 한국농어촌공사 강원도본부 철원지사에서 관리하는 하갈 4호 방수문 수로의 CCTV 이미지를 이용하였으며, 2021년 6월 2일부터 7월 6일까지 10분 단위로 저장하였다. 해당 기간 중 누락 된 자료가 있어 최종적으로 1,564개의 자료를 이용하였으며, 각 이미지에 대응되는 수위 값은 기존 초음파 수위계에서 측정된 값을 참값으로 가정하여 적용하였다.
원본이미지는 CCTV를 통해 얻은 이미지 파일을 모델의 입력 크기인 256×256×3으로 조정 (resize) 해준 것이고, 정답 이미지는 상용 프로그램을 이용하여 만들어낸 어노테이션(annotation) 이미지이며, 결과 이미지는 학습된 이미지 분리 모델로부터 출력된 결과 이미지 파일로, 그림에서 흰색 부분은 검출된 수면을 나타낸다. 실험 대상지구의 이미지 1,564개는 0.01 m 단위로 수위가 측정되었으며, 0.66 m와 1.10 m 사이에 총 33개의 수위를 가지고 있어 정답이미지는 이에 상응하는 33개를 생성하였다. 이후 1,564개의 원본이미지는 33개의 정답이미지 중 각 수위에 해당하는 정답이미지를 짝지어 학습 (train), 검증 (validation), 테스트 (test) 과정에 사용된다.
이미지 파일은 최초 1280 × 720 × 3 크기의 RGB로 PNG 파일 형태로 얻어졌으며, 총 1,564 개의 이미지를 이용하였다
본 연구에서는 한국농어촌공사 강원도본부 철원지사에서 관리하는 하갈 4호 방수문 수로의 CCTV 이미지를 이용하였으며, 2021년 6월 2일부터 7월 6일까지 10분 단위로 저장하였다. 해당 기간 중 누락 된 자료가 있어 최종적으로 1,564개의 자료를 이용하였으며, 각 이미지에 대응되는 수위 값은 기존 초음파 수위계에서 측정된 값을 참값으로 가정하여 적용하였다. 1,564개의 이미지는 최소 0.

데이터처리

이를 위해 33개의 정답이미지에 임의의 직선을 그어 수면 픽셀의 개수와 수위 값 사이에 피어슨 상관계수 (Pearson’s correlation coefficient)를 계산하였고, 상관계수 값이 가장 큰 직선을 선택하여 결과이미지의 수위 환산에 적용하였다. 선택된 직선의 수면 픽셀 개수와 수위 값 사이에 1차 회귀식이 유도되며, 수면 픽셀 개수는 1차 회귀식을 거쳐 m 단위의 수위 값을 반환하고, 모의된 수위 값은 초음파 수위계로 관측된 값과 결정계수를 계산하여 모델의 성능을 최종적으로 평가하였다.
이를 위해 33개의 정답이미지에 임의의 직선을 그어 수면 픽셀의 개수와 수위 값 사이에 피어슨 상관계수 (Pearson’s correlation coefficient)를 계산하였고, 상관계수 값이 가장 큰 직선을 선택하여 결과이미지의 수위 환산에 적용하였다

이론/모형

이미지 분리는 이미지 내에 있는 물체들을 의미 있는 단위로 분할 해내는 것으로, 여러 종류의 물체들을 깔끔하게 분할 해내는 것이 이미지 분리의 목적이라고 할 수 있으며, 본 연구에서는 Ronneberger et al. (2015)에 의해 제안된 U-Net을 적용하였다.
5 (a)와 (b)에서는 2개 그룹으로 나눈 기준값을 점선으로 나타내고 있다. 그룹 분류를 위해서는 Jenks의 자연분류법 (Natural Breaks)을 이용하였는데, 이 방법은 각각의 그룹 내의 분산은 최소화하고, 그룹 간의 분산은 최대화해주는 알고리즘이다.
본 연구에서는 이미지 분류 (image classification) 모델과 이미지 분리 (image segmentation) 모델을 이용하여 관개용수로의 CCTV 이미지를 분석하고자 하였다. 이미지 분류는 사람이 판단하여 라벨링 된 각 사진을 이용해서 학습하며 최종적으로 원하는 사진의 라벨링 주소를 찾는 방법론이며, ResNet 계열이 가장 정확도가 높은 것으로 알려져 있고 보편적으로 사용되어 이를 적용하였다.
본 연구에서는 이미지 분류 모델 중 ResNet-50을 이용하였다. ResNet-50 모델은 ImageNet의 1,000개 그림을 분류하도록 개발되었기 때문에 본 연구에서는 기존 ResNet-50 모델의 마지막 FC (Fully Connected) layer에 Dense layer를 추가하여 분류하려는 그룹의 개수를 정할 수 있도록 하였다.
본 연구에서는 이미지 분리 모델을 구성하기 위하여 ResNet-50을 기간 (backbone)으로 U-Net 모델을 구성하였다. Fig.
이미지 분류 모델에서는 Jenks 자연분류법을 이용하여 2, 4, 8개의 그룹으로 분류한 후 모델을 학습하였다. 2개 그룹 모델의 경우 1.
3에서 각 True Positive의 경우 실제 참값을 참으로 예측한 정답이며, False Positive는 실제 거짓인 값을 참으로 예측한 오답, False Negative는 실제 참값을 거짓으로 예측한 오답, True Negative는 실제 거짓인 값을 거짓으로 예측한 정답이다. 이미지 분류 모델에서는 네 가지 경우를 이용하여 정밀도 (Precision), 재현율 (Recall), 정확도 (Accuracy) 등을 계산하여 사용할 수 있으며, 본 연구에서는 전체 경우에서 실제 참값을 참으로, 실제 거짓인 값을 거짓으로 예측한 비율인 정확도를 평가지표로 이용하였다.
이미지 분리 모델의 평가지표는 관련 분야에서 가장 널리 사용되는 지표 중 하나인 다이스 점수 (Dice score)를 이용하였으며, 이 지표는 정밀도 (precision)과 재현율 (recall)의 조화 평균으로 값을 계산한다. 결과 이미지는 정답 이미지를 이용하여 평가하였으며, 관련 식은 아래와 같다.

성능/효과

634의 정확도 값을 보였다. 8개 그룹 분류 모델에서는 실제 그룹 2, 3, 4, 5인 이미지들이 대부분 그룹 3으로 분류되는 결과를 보였으며, 실제 그룹 6인 이미지는 모두 다른 그룹으로 분류되는 결과를 보였다. 이로 인해 2, 4개 분류 모델들과는 다르게 낮은 정확도를 보였으며, 분류 그룹 개수가 많아질수록 정확도가 확연하게 낮아지는 것을 알 수 있다.
본 연구에서는 CNN 딥러닝 기반의 이미지 분석 모델 중 두 가지인 이미지 분류, 이미지 분리 모델을 적용하였는 바, 이미지 분류 모델의 경우 향후 자동용수관리 시스템을 적용하였을 때 수문의 개폐를 결정하는 알고리즘으로 적용하는 것이 충분히 가능할 것으로 보인다. 또한, 이미지 분리 모델의 경우 기존의 초음파 수위계의 수위측정에 대한 보조적인 수단으로 활용이 가능할 것으로 보이며, 특히 식생, 자연환경 등으로 인한 기존 수위계의 오작동에 대한 대안으로 적용한다면 농업용수 모니터링과 관리에 충분히 활용할 수 있을 것으로 기대된다.
원격탐사나 자율주행 분야에서는 추출하는 대상의 종류가 많아 본 연구의 결과와 동일 선상에서 비교하기는 무리가 있으나, 의공학 분야 중 한 종류의 대상을 추출하는 연구와 비교하였을 때 본 연구의 이미지 분리 모델은 우수한 성능을 보였다. 다이스 점수 0.

후속연구

또한, 이미지 분리 모델의 경우 기존의 초음파 수위계의 수위측정에 대한 보조적인 수단으로 활용이 가능할 것으로 보이며, 특히 식생, 자연환경 등으로 인한 기존 수위계의 오작동에 대한 대안으로 적용한다면 농업용수 모니터링과 관리에 충분히 활용할 수 있을 것으로 기대된다. 다만 다른 대상지구의 이미지를 이용한 추가적인 적용성 연구가 필요할 것으로 보이지만, 대상지구 범용적인 이미지 분리 모델 개발을 통해 적용성을 더 높일 수 있을 것으로 기대된다.
본 연구에서는 CNN 딥러닝 기반의 이미지 분석 모델 중 두 가지인 이미지 분류, 이미지 분리 모델을 적용하였는 바, 이미지 분류 모델의 경우 향후 자동용수관리 시스템을 적용하였을 때 수문의 개폐를 결정하는 알고리즘으로 적용하는 것이 충분히 가능할 것으로 보인다. 또한, 이미지 분리 모델의 경우 기존의 초음파 수위계의 수위측정에 대한 보조적인 수단으로 활용이 가능할 것으로 보이며, 특히 식생, 자연환경 등으로 인한 기존 수위계의 오작동에 대한 대안으로 적용한다면 농업용수 모니터링과 관리에 충분히 활용할 수 있을 것으로 기대된다. 다만 다른 대상지구의 이미지를 이용한 추가적인 적용성 연구가 필요할 것으로 보이지만, 대상지구 범용적인 이미지 분리 모델 개발을 통해 적용성을 더 높일 수 있을 것으로 기대된다.
향후 이미지 분류 모델을 이용하여 수문을 조작하는 것이 가능하다면 2개 그룹과 4개 그룹 모델을 적용하는 것은 충분히 적용 가능할 것으로 판단된다. 하지만 8개 그룹 모델의 경우 낮은 정확도를 보여 수문 조작에 적용하기 위해서는 분류 그룹의 개수를 줄이거나 모델의 성능을 향상할 수 있는 추가 연구가 필요할 것으로 사료된다.
634의 정확도를 보였다. 향후 이미지 분류 모델을 이용하여 수문을 조작하는 것이 가능하다면 2개 그룹과 4개 그룹 모델을 적용하는 것은 충분히 적용 가능할 것으로 판단된다. 하지만 8개 그룹 모델의 경우 낮은 정확도를 보여 수문 조작에 적용하기 위해서는 분류 그룹의 개수를 줄이거나 모델의 성능을 향상할 수 있는 추가 연구가 필요할 것으로 사료된다.

참고문헌 (21)

Bang, J., J. Y. Choi, P. Yoon, C. J. Oh, S. J. Maeng, S. J. Bae, M. W. Jang, T. Jang, and M. S. Park, 2021. Assessing irrigation water supply from agricultural reservoir using automatic water level data of irrigation canal. Journal of the Korean Society of Agricultural Engineers 63(1): 27-35. doi:10.5389/KSAE.2021.63.1.027. (in Korean).

원문보기 상세보기
Cao, Y., C. Huo, N. Xu, X. Zhang, S. Xiang, and C. Pan, 2022. HENet: head-level ensemble network for very high resolution remote sensing images semantic segmentation. IEEE Geoscience and Remote Sensing Letters 19: 1-5. doi:2.1109/LGRS.2022.3147857.

상세보기
Chau dhary, P., S. D'Aronco, M. Moy de Virty, J. P. Leitao, and J. D. Wegner, 2019. Flood-water level estimation from social media images. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences IV-2/W5. doi:10.5194.isprs-annals-IV-2-W5-5-2019.
Cheong, T. S., 2018. Development of automatic flow measurement technology to enhance disaster-safety codes for small stream, 98-101. Jung-gu, Ulsan: National Disaster Management Research Institute (in Korean).
Cui, B., X. Chen, and Y. Lu, 2020. Semantic segmentation of remote sensing images using atransfer learning and deep convolutional neural network with dense connection. IEEE Access 8: 116744-116755. doi:10.1109/ACCESS.2020.3003914.

상세보기
He, K., X. Zhang, S. Ren, and J. Sun, 2015. Deep residual learning for image recognition. arXiv: 1512.03385v1.
Hong, E. M., W. H. Nam, J. Y. Choi, and J. T. Kim, 2014. Evaluation of water supply adequacy using real-time water level monitoring system in paddy irrigation canals. Journal of the Korean Society of Agricultural Engineers 56(4): 1-8. doi:10.5389/KSAE.2014.56.4.001. (in Korean).

원문보기 상세보기
Hua, Y., D. Marcos, L. Mou, X. X. Zhu, and D. Tuia, 2021. Semantic segmentation of remote sensing images with sparse annotations. arXiv: 2101.03492 [cs.CV].
Kim, K. J., S. K. Choi, S. K. Lee, S. W. Park, and W. T. Ahn, 2019. Accuracy improvement of water level measuring method using stereo CCTV system. Crisisonomy 15(4): 83-93. doi:10.14251/crisisonomy.2019.15.4.83. (in Korean).

상세보기
Kim, S. J., H. J. Kwon, I. J. Kim, and P. S. Kim, 2016. Economical design of water level monitoring network for agricultural water quantification. Journal of the Korean Society of Agricultural Engineers 68(5): 19-28. doi:10.5389/KSAE.2016.58.5.019. (in Korean).

원문보기 상세보기
Kingma, D. P., and J. Ba, 2014. Adam: a method for stochastic optimization. arXiv:1412.6980v9.
Mique E. Jr, and A. Malicdem, 2020. Deep residual U-Net based lung image segmentation for lung disease detection. 2020 IOP Conference Series: Materials Science and Engineering 803: 012004. doi:10.1088/1757-899X/803/1/012004.

상세보기
Maehara, H., M. Nagase, and K. Taira, 2016. Water level measurement from CCTV camera images using water gauge images taken at the time of low water level. Journal of the Japan Society of Photogrammetry and Remote Sensing 55(1): 66-68. doi:10.4287/jsprs.55.66. (in Japanese).

상세보기
Maehara, H., M. Nagase, M. Kuchi, T. Suzuki, and K. Taira, 2019. A deep-learning based water-level measurement method from CCTV camera images. Journal of the Japan Society of Photogrammetry and Remote Sensing 58(1): 28-33. doi:10.4287/jsprs.58.28. (in Japanese).

상세보기
Lee, J., J. Noh, M. Kang, and H. Shin, 2020. Evaluation of the irrigation water supply of agricultural reservoir based on measurement information from irrigation canal. Journal of the Korean Society of Agricultural Engineers 62(6): 63-72. doi:10.5389/KSAE.2021.62.6.063. (in Korean).
Li, J., F. Jiang, J. Yang, B. Kong, M. Gogate, K. Dashtipour, and A. Hussain, 2021. Lane-DeepLab: Lane semantic segmentation in automatic driving scenarios for high-definition maps. Neurocomputing 465: 15-25. doi:10.1016/j.neucom.2021.08.105.

상세보기
Lin, Y. T., Y. C. Lin, and J. Y. Han, 2018. Automatic water-level detection using single-camera images with varied poses. Measurement 127: 167-174. doi:10.1016/j.measurement.2018.05.100.

상세보기
Lopez-Fuentes L., C. Rossi, and H. Skinnemoen, 2017. River segmentation for flood monitoring. 2017 IEEE International Conference on Big Data, 3760-3763. doi:10.1109/BigData.2017.8258373.
Singh V. K., H. A. Rashwan, M. Abder-Nasser, M. Sarker, M. Kamal, F. Akram, P. Nidhi, S. Romani, and D. Puig, 2019. An efficient solution for breast tumor segmentation and classification in ultrasound images using deep adversarial learning. arXiv: 1907.00887v1 [eess.IV].
Vianna P., R. Farias, W. C. de Albuquerque Pereira, 2021. U-Net and SegNet performances on lesion segmentation of breast ultrasonography images. Research on Biomedical Engineering 37: 171-179. doi:10.1007/s42600-021-00137-4.

상세보기
Yuan X., J. Shi, and L. Gu, 2021. A review of deep learning methods for semantic segmentation of remote sensing imagery. Expert Systems with Applications 169: 114417. doi:10.1016/j/eswa/2020.114417.

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