[논문]딥러닝 기반 연기추출을 위한 구름 데이터셋의 전이학습에 대한 연구

김지용; 곽태홍; 김용일

doi:10.7780/kjrs.2022.38.5.2.4

딥러닝 기반 연기추출을 위한 구름 데이터셋의 전이학습에 대한 연구
A Study on Transferring Cloud Dataset for Smoke Extraction Based on Deep Learning 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.2, 2022년, pp.695 - 706

김지용 (서울대학교 스마트도시공학) , 곽태홍 (서울대학교 스마트도시공학) , 김용일 (서울대학교 스마트도시공학)

초록
AI-Helper

중, 고해상도 광학위성은 산불발생지역의 탐지에 대해 그 효용성이 입증되었다. 그러나 산불과 함께 발생하는 연기는 지표에 입사하는 가시광선을 산란시키므로 산불발생지역의 모니터링에 방해가 되며 따라서 연기를 사전에 추출하는 기술이 필요하다. 딥러닝 기술은 연기추출의 정확도를 향상시킬 수 있으나, 학습용 데이터셋의 부족으로 인해 적용에 한계가 있다. 반면에 연기와 유사하게 가시광선을 산란시키는 성질을 지닌 구름은 현재까지 다량의 학습용 데이터셋이 축적되었다. 본 연구는 딥러닝을 활용하여 연기추출을 고도화하는 것이 그 목적이며, 그 과정에서 데이터셋의 부족에 따른 연기추출의 한계점을 구름을 활용한 전이학습으로 해결했다. 전이학습의 효율성 확인을 위해 본 연구에서는 Landsat-8 위성영상을 기반으로 연기추출 학습용 데이터셋을 소규모로 제작한 후, 공공 구름 데이터셋을 활용하여 전이학습을 적용하기 전과 후의 연기추출 성능을 비교하였다. 그 결과 가시광선 파장대역 뿐만이 아니라 근적외선(NIR)과 단파장 적외선(SWIR) 영역에도 전이학습시 성능이 뚜렷하게 향상됨을 확인할 수 있었다. 본 연구결과를 통해서 연기추출의 데이터셋의 부족을 해결할 수 있을 것으로 보이며, 더 나아가 연기추출의 고도화를 통해서 산불발생지역의 모니터링에 이점을 제시할 수 있을 것이다.

Abstract ▼ AI-Helper

Medium and high-resolution optical satellites have proven their effectiveness in detecting wildfire areas. However, smoke plumes generated by wildfire scatter visible light incidents on the surface, thereby interrupting accurate monitoring of the area where wildfire occurs. Therefore, a technology to extract smoke in advance is required. Deep learning technology is expected to improve the accuracy of smoke extraction, but the lack of training datasets limits the application. However, for clouds, which have a similar property of scattering visible light, a large amount of training datasets has been accumulated. The purpose of this study is to develop a smoke extraction technique using deep learning, and the limits due to the lack of datasets were overcome by using a cloud dataset on transfer learning. To check the effectiveness of transfer learning, a small-scale smoke extraction training set was made, and the smoke extraction performance was compared before and after applying transfer learning using a public cloud dataset. As a result, not only the performance in the visible light wavelength band was enhanced but also in the near infrared (NIR) and short-wave infrared (SWIR). Through the results of this study, it is expected that the lack of datasets, which is a critical limit for using deep learning on smoke extraction, can be solved, and therefore, through the advancement of smoke extraction technology, it will be possible to present an advantage in monitoring wildfires.

주제어

표/그림 (13)

그림 Fig. 1. The flowchart of transfer learning.
그림 Fig. 2. Model structure.
그림 Fig. 3. Image sites.
표 Table 1. The spatial resolution of bands in Landsat-8 OLI/TIRS satellite
그림 Fig. 4. Image and label pairs: (a) Images, (b) Labels.
표 Table 2. Image metadata
표 Table 3. Comparison of cloud and smoke dataset
표 Table 4. Hyperparameter values
표 Table 5. Confusion matrix
표 Table 6. Pre-train result
그림 Fig. 5. Result images. (a), (b): Original R, G, B composite cloud image and label pair. (c), (d), (e): Pretrain result images. (f), (g): Original R, G, B composite smoke image and label pair. (h), (i), (j): Result images before applying transfer learning. (l), (m), (n): Result images after applying transfer learning. (k): Result image after applying transfer learning, using ImageNet as a pretrain dataset. Each used (c), (h), (l) R, G, B (d), (i), (m) R, G, B, NIR (e), (j), (n) R, G, B, SWIR-2 as an input.
표 Table 7. Transfer result
그림 Fig. 6. Cloud and smoke images on different bands: (a) cloud, (b) smoke.

AI 본문요약
AI-Helper

문제 정의

본 연구는 산불 모니터링을 위한 전처리 과정의 일환으로 딥러닝 기반의 연기 추출 기술을 구현하고자 하였다. 구체적으로 다량의 데이터셋이 존재하는 구름 데이터셋을 이용한 전이학습(transfer learning)을 이용하여 연기추출을 위한 학습용 공공 데이터셋의 부재를 극복할 수 있는지 분석하고자 하였으며, 이를 위해서 전이학습 적용 전, 후의 연기추출 성능을 각각 비교하였다.
본 연구에서는 딥러닝을 활용한 연기추출 고도화의 한계점인 학습용 데이터셋의 부족을 해결하기 위해서 구름추출 학습용 공공 데이터셋을 이용하였다. 해당 데이터셋을 모델에 사전학습한 후 연기 데이터셋을 학습하여 연기추출로 수렴시키는 전이학습을 이용했으며, 전이학습을 적용한 전후를 비교하여 구름을 활용한 전이학습이 연기추출에 효율적인지를 확인하였다.

제안 방법

따라서 ImageNet을 이용하여 전이학습을 진행할 경우 구름과 연기객체의 유사성과 관계없이 단순한 데이터셋의 증가로 인한 성능향상을 확인할 수 있다. ImageNet은 그러나 구름 데이터셋과는 다르게 픽셀 단위가 아닌 영상 전체를 분류하는 목적의 데이터셋 이므로 전이학습 과정에서 마지막 분류를 담당하는 완전연결계층(fullyconnected layer)를 제거한 후, 모델의 나머지 부분을 연기객체의 특성을 추출하도록 전이하였다.
또한 다섯장의 캘리포니아 사례에 한 장의 2019년 시베리아 연기영상이 추가되었는데, 이는 해당영상에 나타난 연기객체의 경계면이 뚜렷하여 모델의 레퍼런스로 사용하기 위해서이다. 각각의 영상들은 ENVI 소프트웨어로 옮겨졌으며, R, G, B 파장대역과 SWIR-2 파장대역을 비교하여 연기객체를 확인하고 직접 라벨링을 진행하였다. 그 결과 Fig.
본 연구는 산불 모니터링을 위한 전처리 과정의 일환으로 딥러닝 기반의 연기 추출 기술을 구현하고자 하였다. 구체적으로 다량의 데이터셋이 존재하는 구름 데이터셋을 이용한 전이학습(transfer learning)을 이용하여 연기추출을 위한 학습용 공공 데이터셋의 부재를 극복할 수 있는지 분석하고자 하였으며, 이를 위해서 전이학습 적용 전, 후의 연기추출 성능을 각각 비교하였다.
938 이상으로 높게 나타났다. 데이터셋과 모델의 목적 자체는 Cloud-Net과 동일하지만, 본 연구에서는 데이터셋과 투입데이터의 크기, 그리고 모델자체의 구조를 변경하였다. 그럼에도 불구하고 높은 구름 추출 성능을 보여주었으며 이를 기반으로 전이학습에 사용할 수 있었다.
실제로 전이학습 전에는 연기객체로 분류되었던 수계가 전이학습 후에는 올바르게 분류된 것을 확인할 수 있다. 또한 R, G, B 파장대역에 대해서 구름 데이터셋이 아닌 ImageNet을 이용하여 전이학습을 추가로 진행하였다. 이는 랜덤 데이터셋을 이용한 사전학습을 통해서 데이터 수의 단순증가가 연기추출 성능 향상에 미치는 영향을 확인하기 위함이다.
해당 데이터셋을 모델에 사전학습한 후 연기 데이터셋을 학습하여 연기추출로 수렴시키는 전이학습을 이용했으며, 전이학습을 적용한 전후를 비교하여 구름을 활용한 전이학습이 연기추출에 효율적인지를 확인하였다. 또한 이때 가시광선 대역과 이에 NIR, SWIR-2를 각각 추가한 파장대역 조합을 사용하여 파장대역과 추출성능 간의 관계성을 검토하였다. 실험 결과 다음과 같은 결론을 도출할 수 있었다.
비교군은 총 세가지로, 연기 데이터셋 만으로 학습된 모델과 구름 데이터셋으로 사전학습을 진행 후, 전이학습을 통해 연기 데이터셋으로 학습을 진행시킨 모델, 그리고 ImageNet을 이용하여 사전학습을 진행 후, 전이학습을 통해 연기 데이터셋으로 학습을 진행시킨 모델이다. 먼저 구름 데이터셋으로 사전학습을 진행시킨 모델은 각 픽셀에 대해서 구름이 존재하는지 여부를 0과 1로 나타내도록 학습시켰다. 즉 사전학습 모델은 구름을 픽셀 단위로 이진분류하며, 연기 데이터셋의 추가학습을 통해서 구름객체의 특성을 추출하는 부분이 연기객체의 특성을 추출하도록 전이되었다.
즉 사전학습 과정에서 데이터셋의 단순증가가 성능 향상에 영향을 미칠 수 있으며 사전학습을 적용한 연기추출과 사전학습을 적용하지 않은 연기추출의 성능비교 타당성에 의문을 제기할 수 있다. 이를 해결하기 위해서 구름 데이터셋을 이용한 전이학습 외에도 ImageNet을 이용한 전이학습을 추가로 진행하였다. ImageNet은 ImageNet large scale visual recognition challenge (ILSVRC) 2012년에 사용된 데이터셋으로 1,281,167장의 학습 데이터와 50,000장의 검증 데이터, 그리고 100,000장의 평가 데이터를 포함한다.
영상 취득 이후 사전학습에 적용하기 위해서 두 가지의 전처리과정을 거쳤다. 첫 번째로 구름 데이터셋 파장대역 조합을 조정했으며, 두 번째로 영상을 분할하고 데이터셋을 정제했다. 먼저 파장대역 조합의 조정을 위해서 다음과 같은 추가영상 취득과정을 거쳤다.
본 연구에서는 딥러닝을 활용한 연기추출 고도화의 한계점인 학습용 데이터셋의 부족을 해결하기 위해서 구름추출 학습용 공공 데이터셋을 이용하였다. 해당 데이터셋을 모델에 사전학습한 후 연기 데이터셋을 학습하여 연기추출로 수렴시키는 전이학습을 이용했으며, 전이학습을 적용한 전후를 비교하여 구름을 활용한 전이학습이 연기추출에 효율적인지를 확인하였다. 또한 이때 가시광선 대역과 이에 NIR, SWIR-2를 각각 추가한 파장대역 조합을 사용하여 파장대역과 추출성능 간의 관계성을 검토하였다.
또한 에폭 역시 100으로 하향 조정되었는데, 이는 전이학습을 적용할 경우가 적용하지 않았을 경우보다 더 빠르게 수렴하여 동일한 에폭을 설정 시 과적합 될 가능성이 있기 때문이다. 해당 학습률과 에폭을 적용하여 모델에 구름 및 ImageNet을 사전학습한 후, 연기 데이터셋을 추가로 학습시켜 전이학습을 구현하였다.

대상 데이터

4와 같은 6장의 영상, 라벨쌍을 얻었다. 6장의 영상 중에서 5장은 학습과 검증에 사용되었으며, Fig. 4의 마지막 영상은 학습 결과물 평가에 사용되었다.
이때 73장의 영상 중에서 62장이 북아메리카 영상이었고, 그린란드 8장, 남아메리카 3장이었다. 73장의 영상 중에서 66장은 학습용으로, 7장을 검증용으로 사용하였다.
이를 해결하기 위해서 구름 데이터셋을 이용한 전이학습 외에도 ImageNet을 이용한 전이학습을 추가로 진행하였다. ImageNet은 ImageNet large scale visual recognition challenge (ILSVRC) 2012년에 사용된 데이터셋으로 1,281,167장의 학습 데이터와 50,000장의 검증 데이터, 그리고 100,000장의 평가 데이터를 포함한다. ImageNet은 computer vision (CV) 분야에 기반한 데이터셋이지만, 원격탐사 분야에서도 사전학습을 위한 데이터셋으로 범용성 있게 사용된다.
특히 2018년 이후로 기후변화로 인하여 가뭄이 심화되고 있으며 거의 매년 초대형 산불이 발생하고 있다. 본 연구에서는 캘리포니아의 산불 사례 중 2018년과 2021년의 사례를 참고하였다. 2018년 사례에서는 두 개, 2021년 사례에서는 세 개의 영상을 취득하였다.
4로 나타냈으며, 각각의 영상에 대응하는 메타데이터는 Table 2와 같다. 취득은 United States geological survey (USGS)의 EarthExplorer을 통해서 Landsat-8 OLI/TIRS의 Level-1 영상을 취득하였다. 연기영상 중에서 구름을 포함한 영상은 배제되었으며, 화면 전체가 연기로 덮여 있거나 연기의 양이 너무 적어 라벨링이 무의미한 영상 역시 배제되었다.

이론/모형

따라서 TP는 예측값이 참이고 실제값도 참인 픽셀의 수를 의미하며, FP는 예측값은 참이지만 실제값은 거짓인 픽셀의 수를 나타낸다. 본 연구에서 사용한 평가지표들은 정밀도 (precision), 재현도(recall), f1-score이며 Table 5의 오차행렬에 기반하여 생성된 지표이다.
연기영상들은 캘리포니아 산불사례를 통해서 취득하였다. 캘리포니아는 북아메리카의 서부에 위치하여 지중해성 기후를 띈다.
해당 파라미터들은 구름추출의 사전학습 및 전이학습을 적용하지 않은 연기추출에 사용되었다. 활성함수는 rectified linear unit (ReLU)을 사용하였으며, 최적화 함수(optimizer)은 Adam으로 설정하였다. 학습률(learning rate)은 0.

성능/효과

1) 모든 파장대역의 조합에서 구름 데이터셋을 활용한 전이학습은 연기추출에 효과적이다.
2) 전이학습 없이 단일모델로 구름 및 연기추출 시 R, G, B 파장대역에 SWIR-2 파장대역을 추가로 활용하는 것이 가장 효과적이다.
3) 전이학습을 적용 시 R, G, B 파장대역만 활용했을 때 가장 효과적이다.
001, 배치 크기는 7, 에폭(epoch)은 300으로 경험적으로 설정하였다. 결과물은 모든 에폭을 지난 후 검증 데이터셋으로 모델을 평가하여 가장 낮은 손실함수를 가진 모델을 채택하였다. 모델 투입 후 결과물은 픽셀 단위로 시그모이드(sigmoid) 함수를 이용하여 0~1값으로 옮겨졌으며, 임계값을 0.
따라서 USGS의 EarthExplorer을 이용하여 각각의 학습용 영상에 대응하는 SWIR-2 영상을 추가로 취득하였으며, SWIR-2 파장대의 취득이 불가능한 영상은 제외되었다. 그 결과 총 73장의 SWIR-2 영상을 취득했으며 해당 영상은 기존 구름 데이터셋에 합쳐졌다. 이때 73장의 영상 중에서 62장이 북아메리카 영상이었고, 그린란드 8장, 남아메리카 3장이었다.
데이터셋과 모델의 목적 자체는 Cloud-Net과 동일하지만, 본 연구에서는 데이터셋과 투입데이터의 크기, 그리고 모델자체의 구조를 변경하였다. 그럼에도 불구하고 높은 구름 추출 성능을 보여주었으며 이를 기반으로 전이학습에 사용할 수 있었다. R, G, B와 R, G, B, NIR 파장대역을 투입했을 경우에는 0.
ImageNet은 computer vision (CV) 분야에 기반한 데이터셋이지만, 원격탐사 분야에서도 사전학습을 위한 데이터셋으로 범용성 있게 사용된다. 따라서 ImageNet을 이용하여 전이학습을 진행할 경우 구름과 연기객체의 유사성과 관계없이 단순한 데이터셋의 증가로 인한 성능향상을 확인할 수 있다. ImageNet은 그러나 구름 데이터셋과는 다르게 픽셀 단위가 아닌 영상 전체를 분류하는 목적의 데이터셋 이므로 전이학습 과정에서 마지막 분류를 담당하는 완전연결계층(fullyconnected layer)를 제거한 후, 모델의 나머지 부분을 연기객체의 특성을 추출하도록 전이하였다.
839인 구름 데이터셋에 비해서 저조한 성능을 보였다. 따라서 데이터셋의 단순증가로 인한 성능향상은 분명히 존재하나 구름 데이터셋을 활용한 성능향상에 비해서 그 정도가 미미함을 확인할 수 있었다.
이런 차이점으로 인해 R, G, B 파장대역에서는 전이학습이 큰 효과를 보였으나, R, G, B에 NIR과 SWIR-2를 추가한 파장대역의 조합에서는 전이학습이 효과를 보이지 못했다. 또한 단일 모델에서 구름과 연기를 추출할 때 SWIR-2 파장대역을 사용하는 것이 두 경우 모두 추출성능을 향상시켰음에도 불구하고 전이학습을 적용한 모델에서는 SWIR-2 파장대역의 추가로 성능이 하락하였다.
마찬가지로 영상 중앙 좌측부의 호수 역시 세 경우 모두 연기로 잘못 탐지했다. 수계 오탐지의 원인 판별을 위해 연기 데이터셋을 재검토한 결과 학습 패치들 중 수계를 포함한 패치가 없음을 확인했다. 즉 데이터셋 수량의 부족으로 인해서 모델이 수계를 비롯한 다양한 특징들을 학습하지 못했으며 연기추출의 정확도에 영향을 끼쳤다.
연기추출 성능이 크게 향상된 R, G, B 파장대역의 조합과는 달리 R, G, B, NIR과 R, G, B, SWIR-2 파장대역의 조합은 각각 0.785에서 0.824로, 0.798에서 0.824로 증가했는데 이는 R, G, B에 비해서 성능의 향상폭이 적었으며, 전이학습 후의 F1-score은 오히려 둘 다 0.824로 0.839인 R, G, B보다 낮았다. 이는 파장대역이 증가할수록 연기와 구름객체의 차이가 커지는 점에서 기인한다.
먼저 구름 데이터셋으로 사전학습을 진행시킨 모델은 각 픽셀에 대해서 구름이 존재하는지 여부를 0과 1로 나타내도록 학습시켰다. 즉 사전학습 모델은 구름을 픽셀 단위로 이진분류하며, 연기 데이터셋의 추가학습을 통해서 구름객체의 특성을 추출하는 부분이 연기객체의 특성을 추출하도록 전이되었다.

후속연구

따라서 라벨생성 과정에서 구름 데이터셋과 동일한 기준으로 연기객체의 존재 여부를 제시할 수 있는 척도가 요구되며 본 연구의 방법론은 해당부분을 명확하게 함으로써 개선할 수 있는 여지가 존재한다. 그럼에도 불구하고 본 연구는 기존의 연기 데이터셋의 부족을 구름 데이터셋의 전이학습을 통해 해결하였다는 차별점이 있으며, 이러한 연기추출의 고도화를 통해서 재난재해, 그 중에서도 산불발생지역의 모니터링에 기여할 수 있을 것이다.
또한 생성된 라벨 역시 얼만큼의 불분명한 객체를 포함했는지 주관적으로 판단하기 때문에 결국엔 학습과 평가가 일관성이 떨어지게 되는 한계가 있다. 따라서 라벨생성 과정에서 구름 데이터셋과 동일한 기준으로 연기객체의 존재 여부를 제시할 수 있는 척도가 요구되며 본 연구의 방법론은 해당부분을 명확하게 함으로써 개선할 수 있는 여지가 존재한다. 그럼에도 불구하고 본 연구는 기존의 연기 데이터셋의 부족을 구름 데이터셋의 전이학습을 통해 해결하였다는 차별점이 있으며, 이러한 연기추출의 고도화를 통해서 재난재해, 그 중에서도 산불발생지역의 모니터링에 기여할 수 있을 것이다.

참고문헌 (16)

Hughes, M.J. and R. Kennedy, 2019. High-quality cloud masking of Landsat 8 imagery using convolutional neural networks, Remote Sensing, 11(21): 2591. https://doi.org/10.3390/rs11212591

상세보기
Irons, J.R., J.L. Dwyer, and J.A. Barsi, 2012. The next Landsat satellite: The Landsat Data Continuity Mission, Remote Sensing of Environment, 122: 11-21. https://doi.org/10.1016/j.rse.2011.08.026

상세보기
Khan, S., K. Muhammad, T. Hussain, J.D. Ser, F. Cuzzolin, S. Bhattacharyya, Z. Akhtar, and V.H.C. de Albuquerque, 2021. DeepSmoke: Deep learning model for smoke detection and segmentation in outdoor environments, Expert Systems with Applications, 182: 115125. https://doi.org/10.1016/j.eswa.2021.115125

상세보기
Li, X., J. Wang, W. Song, J. Ma, L. Telesca, and Y. Zhang, 2014. Automatic smoke detection in MODIS satellite data based on k-means clustering and Fisher linear discrimination, Photogrammetric Engineering and Remote Sensing, 80(10): 971-982. https://doi.org/10.14358/PERS.80.10.971.

상세보기
Li, X., W. Song, L. Lian, and X. Wei, 2015. Forest fire smoke detection using back-propagation neural network based on MODIS data, Remote Sensing, 7(4): 4473-4498. https://doi.org/10.3390/rs70404473

상세보기
Li, Z., A. Khananian, R. H. Fraser, and J. Cihlar, 2001. Automatic detection of fire smoke using artificial neural networks and threshold approaches applied to AVHRR imagery, IEEE Transactions on Geoscience and Remote Sensing, 39(9): 1859. https://doi.org/10.1109/36.951076

상세보기
Long, J., E. Shelhamer, and T. Darrell, 2015. Fully convolutional networks for semantic segmentation, arXiv preprint arXiv:1411.4038. https://doi.org/10.48550/arXiv.1411.4038
Mohajerani, S. and P. Saeedi, 2019. Cloud-Net: An endto-end cloud detection algorithm for Landsat 8 imagery, arXiv preprint arXiv:1901.10077. https://doi.org/10.48550/arXiv.1901.10077
Mommert, M., M. Sigel, M. Neuhausler, L. Scheibenreif, and D. Borth, 2020. Characterization of industrial smoke plumes from remote sensing data, arXiv preprint arXiv:2011.11344. https://doi.org/10.48550/arXiv.2011.11344
Ronneberger, O., P. Fischer, and T. Brox, 2015. U-Net: convolutional networks for biomedical image segmentation, In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (eds), Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015, Springer, Cham, Switzerland, pp. 234-241. https://doi.org/10.1007/978-3-319-24574-4_28
Wang, A.X., C. Tran, N. Desai, D. Lobell, and S. Ermon, 2018. Deep transfer learning for crop yield prediction with remote sensing data, Proc. of the 1st ACM SIGCAS Conference on Computing and Sustainable Societies, Menlo Park and San Jose, CA, Jun. 20-22, vol. 50, pp. 1-5. https://doi.org/10.1145/3209811.3212707
Wang, Z., P. Yang, H. Liang, C. Zheng, J. Yin, Y. Tian, and W. Cui, 2021. Semantic segmentation and analysis on sensitive parameters of forest fire smoke using Smoke-Unet and Landsat-8 imagery, Remote Sensing, 14(1): 45. https://doi.org/10.3390/rs14010045

상세보기
Wen, J. and M. Burke, 2021. Wildfire smoke plume segmentation using geostationary satellite imagery, arXiv preprint arXiv:2109.01637. https://doi.org/10.48550/arXiv.2109.01637
Xie, M., N. Jean, M. Burke, D. Lobell, and S. Ermon, 2016. Transfer learning from deep features for remote sensing and poverty mapping, arXiv preprint arXiv:1510.00098. https://doi.org/10.48550/arXiv.1510.00098
Xie, Y., J.J. Qu, X. Xiong, X. Hao, N. Che, and W. Sommers, 2007. Smoke plume detection in the eastern United States using MODIS, International Journal of Remote Sensing, 28(10): 2367-2374. https://doi.org/10.1080/01431160701236795

상세보기
Yuan, F., L. Zhang, X. Xia, B. Wan, Q. Huang, and X. Li, 2019. Deep smoke segmentation, Neurocomputing, 357: 248-260. https://doi.org/10.48550/arXiv.1809.00774

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