[논문]딥러닝 기법을 이용한 농업용저수지 CCTV 영상 기반의 수위계측 방법 개발

주동혁; 이상현; 최규훈; 유승환; 나라; 김하영; 오창조; 윤광식

doi:10.5389/ksae.2023.65.1.015

딥러닝 기법을 이용한 농업용저수지 CCTV 영상 기반의 수위계측 방법 개발
Development of Methodology for Measuring Water Level in Agricultural Water Reservoir through Deep Learning anlaysis of CCTV Images 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.65 no.1, 2023년, pp.15 - 26

주동혁 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agriculture, Chonnam National University) , 이상현 (Department of Agricultural and Rural Engineering, Chungbuk National University) , 최규훈 (Department of Rural and Bio-Systems Engineering, Chonnam National University) , 유승환 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agriculture, Chonnam National University) , 나라 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agriculture, Chonnam National University) , 김하영 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agriculture, Chonnam National University) , 오창조 (Research Planning Office, Rural Research Institute, KRC) , 윤광식 (Department of Rural and Bio-Systems Engineering & BK21 Education and Research Unit for Climate-smart Reclaimed-Tideland Agricultur)

Abstract ▼ AI-Helper

This study aimed to evaluate the performance of water level classification from CCTV images in agricultural facilities such as reservoirs. Recently, the CCTV system, widely used for facility monitor or disaster detection, can automatically detect and identify people and objects from the images by developing new technologies such as a deep learning system. Accordingly, we applied the ResNet-50 deep learning system based on Convolutional Neural Network and analyzed the water level of the agricultural reservoir from CCTV images obtained from TOMS (Total Operation Management System) of the Korea Rural Community Corporation. As a result, the accuracy of water level detection was improved by excluding night and rainfall CCTV images and applying measures. For example, the error rate significantly decreased from 24.39 % to 1.43 % in the Bakseok reservoir. We believe that the utilization of CCTVs should be further improved when calculating the amount of water supply and establishing a supply plan according to the integrated water management policy.

주제어

표/그림 (14)

그림 Fig. 1 Flowchart of this study
그림 Fig. 2 Traditional CNN architecture
표 Table 1 Specification of target reservoirs
그림 Fig. 3 Reservoir location
표 Table 2 Details in the CCTV image storage systems by study reservoirs
표 Table 3 Number of input images processed for deep learning by water storage rates
그림 Fig. 4 Samples of CCTV images in case of maximum (left) and minimum (right) water level
표 Table 4 Number of test dataset for deep learning by water storage rates
그림 Fig. 5 Exaples of images filtered in the setup of datasets
표 Table 5 Average error rate and Classification performance by reservoir
그림 Fig. 6 Error images deletion process for re-learning
표 Table 6 Average error rate performance improvement
그림 Fig. 7 An example of images simultaneously taken at different viewpoints
그림 Fig. 8 An example of image improvement with image process techniques

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 충북지역의 5개 저수지에 설치된 1시간 단위 CCTV 영상자료를 한국농어촌공사 용수시설통합운영관리시스템 (TOMS)에서 수집하여 수리시설 운영에 기본이 되는 수위를 인식하였다. 수위계측의 자료 특성상 분류 및 검증에 있어 인력 및 시간이 많이 소요되며, 목자판과 같은 수위표가 없는 저수지가 다양하게 존재하여 일괄적으로 적용하기 어려운 점을 고려하여 딥러닝 알고리즘 모델 중 이미지 및 비디오 분야에서 흔히 사용되는 CNN (Convolutional Neural Network)을 활용하여 수위별 분류성능을 평가하고, 이를 통해 평균 에러율 개선방안 및 영상자료를 활용한 수위분석 과정의 보완사항을 도출해보고자 하였다.
특히, 실시간 관리를 위한 CCTV의 효용성을 확장하여 시설물 관리에 중요한 정보를 추출하는 방법을 개발함으로서 향후 실시간 정보추출 시스템 개발을 위한 기초모듈로서 본 연구의 의의가 있다. 특히, 본 연구에서는 CCTV 영상의 불확실성 개선을 위한 오류해석 부분을 포함함으로써 본 연구결과의 활용성을 높이고자 하였다. 예를 들어, 충북지역 5개 저수지의 경우 오류 이미지 (안개, 야간 및 강우 영상 등)에 의해 수위 분류 성능이 저하되는 현상을 발견하여 오류 이미지를 제외하여 분류 성능을 높이는 과정을 진행하였다.

제안 방법

CCTV 영상을 통한 수위추출 기법을 개발하기 위해 TOMS에 저장된 이미지를 활용하였으며, 전이학습을 통해 사전에 학습된 모델 (AlexNet, GoogleNet, ResNet 등)을 적용 후 분류된 수위 정보를 추출하였다. 대표적인 모델로 Caffe기반 알렉스넷은 ImageNet에서 정확도 84.
본 연구에서는 CNN 딥러닝 네트워크 중 ResNet-50을 적용하여 CCTV영상 정보를 통한 저수위 추정 기술을 개발하였고, 농촌용수종합정보시스템 (RAWRIS)의 저수율을 활용하여 검증하였다. 본 연구에서는 단순히 딥러닝 방법을 적용한다는 것이 아닌 다양한 딥러닝 방법 중 CCTV 이미지 분석에 적합한 딥러닝 방법을 분석하고, 이를 적용한 후 수위 분류 성능 및 CCTV 제어기술과 이미지 처리기술의 개선방안까지 제시한다는 점에서 기존의 딥러닝 분석 연구와는 차별성이 있다.
본 연구에서는 CNN 딥러닝 네트워크 중 ResNet-50을 적용하여 CCTV영상 정보를 통한 저수위 추정 기술을 개발하였고, 농촌용수종합정보시스템 (RAWRIS)의 저수율을 활용하여 검증하였다. 본 연구에서는 단순히 딥러닝 방법을 적용한다는 것이 아닌 다양한 딥러닝 방법 중 CCTV 이미지 분석에 적합한 딥러닝 방법을 분석하고, 이를 적용한 후 수위 분류 성능 및 CCTV 제어기술과 이미지 처리기술의 개선방안까지 제시한다는 점에서 기존의 딥러닝 분석 연구와는 차별성이 있다. 특히, 위성영상 이미지 또는 드론 영상 이미지가 아닌 시설물 관리에 주로 사용되는 CCTV 영상 이미지를 활용하였다는 점과 대표적인 농업용 수리시설인 농업용 저수지를 적용하였다는 점에서 농공분야의 발전에 기여할 것으로 판단된다.
본 연구에서는 스트리밍 서버의 부하를 최소화하면서 영상 저장이 가능한 직접 수집방안으로 이미지를 저장하였으며, 10분 1회, 1시간 1회 등의 이미지 저장 테스트와 데이터 수집량에 따라 과금이 발생하는 구조를 고려하여 충북지역 5개 저수지의 1시간 단위 영상을 저장하였다. Table 1, 2는 각각 연구대상지의 위치 및 제원과 연구지역별 이미지 저장 현황을 나타내었다.
본 연구에서는 충북지역의 5개 저수지에 설치된 1시간 단위 CCTV 영상자료를 한국농어촌공사 용수시설통합운영관리시스템 (TOMS)에서 수집하여 수리시설 운영에 기본이 되는 수위를 인식하였다. 수위계측의 자료 특성상 분류 및 검증에 있어 인력 및 시간이 많이 소요되며, 목자판과 같은 수위표가 없는 저수지가 다양하게 존재하여 일괄적으로 적용하기 어려운 점을 고려하여 딥러닝 알고리즘 모델 중 이미지 및 비디오 분야에서 흔히 사용되는 CNN (Convolutional Neural Network)을 활용하여 수위별 분류성능을 평가하고, 이를 통해 평균 에러율 개선방안 및 영상자료를 활용한 수위분석 과정의 보완사항을 도출해보고자 하였다.
본 연구에서는 한국농어촌공사 용수시설통합운영관리시스템 (TOMS)을 통해 획득한 충북 지역의 5개 저수지를 대상으로 구축된 CCTV 영상정보를 데이터 전처리한 후 CNN 중 ResNet-50 네트워크를 적용하여 특성 추출⋅최적화 학습을 진행하였고, 테스트 데이터 세트 (Test dataset)를 통해 예측 및 시각화하여 학습 모델의 수위별 분류 성능을 평가하였으며, 평균 에러율 분석을 통해 향후 CCTV 제어기술 및 이미지 처리기술에 대해 개선방안을 제시하였다

대상 데이터

본 연구에서 영상취득지점의 수위데이터는 농업용 수리시설에 관련된 다양한 계측정보를 저장하고 있으며, 사용자가 용이하게 조회 및 저장이 가능한 한국농어촌공사 농촌용수종합정보시스템 (RAWRIS, Rural Agricultural Water Resource Information System)을 통해 획득하였으며, 수집된 수위데이터는 각 10분 데이터로 저장하여 DB를 구축하여 검증자료로써 활용하였다.

데이터처리

앞서 1차로 진행된 딥러닝 영상분석의 경우 오류 영상을 포함하여 분석이 시행되었으며, 실제 시스템 구축 시 오류를 최소화하는 측면에서 (야간, 안개, 강우, 이미지 저장 오류, 역광 등)을 제외하여 동일한 영상분석을 시행하였으며, 동일지점에 대한 평균 오류율 개선 효과를 검증하였다.

이론/모형

, 2019). 이에 본 연구에서는 다양한 CNN 중에서 ResNet-50 모델을 적용하여 CCTV 영상분류를 수행하였다.

성능/효과

CCTV 저장 정보를 기반으로 수집되는 영상은 평균 약 10∼20% 정도 오류를 가지고 있는 것으로 확인되었으며, 이는 저수율 5% 단위 변화를 기준으로 보았을 때 큰 오류의 범위라고 할 수 있으며, 박석 저수지의 경우, 오류 영상을 제외한 수위분석의 평균에러율은 24.39%에서 1.43%로 이미지 처리 후 분류 성능이 초기에 비해 상당히 증가하는 것을 확인하였다
현장에서 운영 중인 CCTV 시스템의 영상분석을 위한 시스템 구축을 위해서는 신규 설치와 더불어 기존 CCTV 시스템의 교체도 필요하지만, 예산확보 등의 문제점으로 인하여 현실적으로 매우 어려운 상황에 있다. 따라서 용도별 CCTV 시스템 호환성을 확보하고 영상관리 서버를 활용하여 이미지를 저장하는 것이 가장 효과적인 방안이라고 할 수 있다. CCTV 영상정보의 저장 방법은 크게 두 가지 방안으로 나누어진다.
특히 기존에 분류된 영상 자료 중에 야간 영상, 저장 오류, 강우 영상 등을 제외하고 새로운 학습데이터를 구성하여 동일한 영상분석 절차를 시행하였을 때, 박석저수지의 경우 평균에러율이 24.39%에서 1.43%로 개선된 것으로 분석되었다. 하지만 저수율 85%의 경우 오류영상을 제외하였음에도 불구하고 예측클래스에서 14.

후속연구

그러나 1년 동안 1시간 단위의 저수율별 영상자료를 분석하였기 때문에 다양한 저수율에서의 입력자료가 부족하였고, 따라서 본 연구의 모델이 다양한 규모의 범용적으로 적용가능한지에 대해서는 추가적인 연구가 필요하다. 특히, 본 연구에서 제시하는 CCTV 영상을 통한 수위정보 추출결과의 정확도를 높이기 위해서는 오류가 최소화된 학습용 데이터 (이미지)와 수위별로 학습가능한 충분한 양의 자료이며, 이를 위해서는 CCTV의 제어기술의 개선을 통한 명확한 수위자료의 수집 및 동일 수위표의 도입을 통한 자연환경의 오류를 최소화하는 방안이 필요하다.
이와 같은 한계점에도 불구하고 본 연구는 CCTV 영상정보와 딥러닝 기술의 개선을 통해 수위계측을 위한 인력 및 시간절감에 기여할 수 있을 뿐 아니라, 실시간 관리를 위한 기술을 실시간 정보추출이라는 기술로서 영역을 확장하는데 기여할 것으로 기대된다. 나아가 보다 정확한 물관리를 위한 물관리 시설 정보화 시스템 구축을 위한 요소기술로서 활용된 것으로 기대된다.
43%로 이미지 처리 후 분류 성능이 초기에 비해 상당히 증가하는 것을 확인하였다. 따라서 본 연구는 수위계 및 인력에 의한 수위계측에서 오는 불확실성과 시간 절감 등을 해소하는 방법론으로써 제안할 수 있으며, 특히, 목자판과 같은 수위표가 없는 저수지에서도 일괄적으로 적용가능할 것으로 사료된다.
이러한 상황의 경우에는 이미지 처리기법을 통해 해상도가 높은 영상을 생성하여 수위별 영상을 획득하여 분류 성능의 정확도를 높일 필요성이 있다. 또한 향후 고도화된 이미지 처리기법을 적용하여 안개, 폭우 등의 자연환경에 대한 오류를 최소화하기 위한 기술 개발도 필요하며, 이를 통해 더욱 신뢰할 수 있는 영상정보 획득과 분석을 제공할 것으로 기대된다. Fig.
본 연구에서는 용수시설통합운영관리시스템 (TOMS)의 저장된 저수지 전경을 촬영한 CCTV 영상을 통해 시설 전체의 정보를 얻을 수 있었지만, 수위변동 이미지가 상대적으로 너무 작게 나타나 실제 수위 변동이 이미지만으로 분류되지 않는 문제가 있었으며, 이는 세밀한 저수위 분류에 한계를 가지고 있다. 그렇기에 CCTV를 원격으로 제어하여 수위가 명확히 구분된 영상을 획득하는 것이 가장 좋은 방안이라고 할 수 있지만, 제어가 불가능한 경우에는 저수지 전경표시 영상의 여수토 부분을 확대하는 방안도 존재한다.
이와 같은 한계점에도 불구하고 본 연구는 CCTV 영상정보와 딥러닝 기술의 개선을 통해 수위계측을 위한 인력 및 시간절감에 기여할 수 있을 뿐 아니라, 실시간 관리를 위한 기술을 실시간 정보추출이라는 기술로서 영역을 확장하는데 기여할 것으로 기대된다. 나아가 보다 정확한 물관리를 위한 물관리 시설 정보화 시스템 구축을 위한 요소기술로서 활용된 것으로 기대된다.
그러나 1년 동안 1시간 단위의 저수율별 영상자료를 분석하였기 때문에 다양한 저수율에서의 입력자료가 부족하였고, 따라서 본 연구의 모델이 다양한 규모의 범용적으로 적용가능한지에 대해서는 추가적인 연구가 필요하다. 특히, 본 연구에서 제시하는 CCTV 영상을 통한 수위정보 추출결과의 정확도를 높이기 위해서는 오류가 최소화된 학습용 데이터 (이미지)와 수위별로 학습가능한 충분한 양의 자료이며, 이를 위해서는 CCTV의 제어기술의 개선을 통한 명확한 수위자료의 수집 및 동일 수위표의 도입을 통한 자연환경의 오류를 최소화하는 방안이 필요하다.
본 연구에서는 단순히 딥러닝 방법을 적용한다는 것이 아닌 다양한 딥러닝 방법 중 CCTV 이미지 분석에 적합한 딥러닝 방법을 분석하고, 이를 적용한 후 수위 분류 성능 및 CCTV 제어기술과 이미지 처리기술의 개선방안까지 제시한다는 점에서 기존의 딥러닝 분석 연구와는 차별성이 있다. 특히, 위성영상 이미지 또는 드론 영상 이미지가 아닌 시설물 관리에 주로 사용되는 CCTV 영상 이미지를 활용하였다는 점과 대표적인 농업용 수리시설인 농업용 저수지를 적용하였다는 점에서 농공분야의 발전에 기여할 것으로 판단된다. 특히, 실시간 관리를 위한 CCTV의 효용성을 확장하여 시설물 관리에 중요한 정보를 추출하는 방법을 개발함으로서 향후 실시간 정보추출 시스템 개발을 위한 기초모듈로서 본 연구의 의의가 있다.
하지만 목동저수지의 경우 80%∼90% 까지의 수집된 영상이 3∼8장으로 일부 구간의 학습이 제외되었다. 특히, 저수율별로 수집된 영상자료의 양이 불균형한 부분은 저수지 및 기상 특성에 의한 것으로 판단되며, 다른 저수율에 비해 특히 자료의 양이 적은 저수율의 경우에는 분류 성능이 낮은 값을 보이며, 이는 향후 장기간의 데이터 구축을 통해 해결가능할 것으로 분석된다. 테스트 데이터 세트는 각 저수율별로 무작위 영상자료 및 자료의 분포개수를 선정하여 구성하였으며, 다른 저수율에 비해 자료의 양이 적은 저수율에 대해서는 학습이 불가능하다고 판단되어 제외하였다.
평균 에러율 개선 결과에서 볼 수 있듯이 CCTV 영상 자료를 활용한 딥러닝 영상분석을 위해 가장 선행되어야 하는 것은 충분한 학습데이터라고 말할 수 있으며, 특히 오류 이미지(야간, 안개, 저장 오류 등)가 최소화된 영상 자료가 필요하다. 그러나 현재 한국농어촌공사에 설치된 CCTV의 대부분이 시설감시를 목적으로 설치되어 영상분석을 위해서는 부적합한 상태에 있다.
(2014)은 현장에 적합한 지능형 CCTV 영상 기반의 자동수위감지 알고리즘 개발과 자동 수위감지 사전경고 시스템을 구축하였으며, CCTV 기종별 자동 수위감지 알고리즘의 성능을 평가하였다. 하지만 이 연구는 하천을 대상으로 하였으며, 농업용 저수지와 같이 관개기에 의해 수위변화가 큰 사상을 고려하는 데에 한계가 있다. Kim et al.
그러나 현재 한국농어촌공사에 설치된 CCTV의 대부분이 시설감시를 목적으로 설치되어 영상분석을 위해서는 부적합한 상태에 있다. 향후 고도화된 CCTV 영상자료 딥러닝 분석을 위해서는 짧은 간격 및 다수의 영상자료 확보와 오류 이미지를 최소화할 수 있는 프로시저의 독립적 운영, 야간 영상 촬영 시 조명을 설치하는 방안 등이 고려되어야 한다. 특히 수로부의 경우, Fig.

참고문헌 (21)

Bruhn, A., J. Weickert, C. Feddern, T. Kohlberger, and C.？Schnorr, 2003. Real-time optic flow computation with？variational methods. Computer Analysis of Images and？Patterns, Groningen, The Netherlands, Aug. 25-Aug. 27,？LNCS 2756, 222-229. doi:10.1007/978-3-540-45179-2_28

상세보기
Cengil, E., A. Cinar and E. Ozbay, 2017. Image？classification with caffe deep learning framework. 2017？International Conference on Computer Science and？Engineering (UBMK), 440-444, doi:10.1109/UBMK.2017.8093433.
Ko, K. E., and K. B. Sim, 2017. Trend of object recognition？and detection technology using deep learning. Journal of the？Institute of Control, Robotics and Systems, 23(3): 17-24. (in？Korean).
Hwang, U., J. S. Yoo, and J. C. Jeong, 2013. Computer？Vision based Water-level Detection. Proceedings of the？Korean Society of Broadcast Engineers Conference,？303-306. (in Korean).
Hong, S. W., Y. G. Park, and H. C. Lee, 2014. Experimental？and Analytical Study on the Water Level Detection and？Early Warning System with Intelligent CCTV. Journal of？the Korea Society of Disaster Information, 10(1): 105-115.？(in Korean). doi:10.15683/kosd.2014.10.1.105.

원문보기 상세보기
Mukti, I. Z., and D. Biswas, 2019. Transfer Learning Based？Plant Diseases Detection Using ResNet50. 4th International？Conference on Electrical Information and Communication？Technology (EICT), 1-6, doi:10.1109/EICT48899.2019.906？8805.
Torres, J., 2016. First Contact with Tensorflow (Haeseon？Park, Trans.), Hanbit Media, Inc., 117.
Korea Rural Community Corporation (KRC). 2020. Water？level analysis using cctv video informations. (in Korean).
Kim, O. J., J. W. Lee, J. Y. Park, and M. H. Cho, 2020.？A Study on the Improvement of Image-Based Water Level？Detection Algorithm Using the Region growing. Korean？Journal of Remote Sensing, 36(5-4): 1245-1254. (in？Korean). doi:10.7780/kjrs.2020.36.5.4.9.

원문보기 상세보기
Kim, N. W., S. C. Son, M. S. Lee, G. H. Min, and B. T. Lee, 2015. Active Water-Level and Distance Measurement？Algorithmusing Light Beam Pattern. Journal of the？Institute of Electronics and Information Engineers, 52(4):？156-163. (in Korean). doi:10.5573/ieie.2015.52.4.156.

원문보기 상세보기
Kim, J. D., Y. G. Han, and H. S. Hahn, 2010. Image-based？Water Level Measurement Method Adapting to Ruler's？Surface Condition. Journal of the Korea Society of？Computer and Information, 15(9): 67-76. (in Korean).？doi:10.9708/jksci.2010.15.9.067.

원문보기 상세보기
Lee, N. J., and K. K. Yu, 2017. A Novel Method to？Measure River Water Stage by Using Spatio-Temporal？Image Analyses. Journal of the Korea Society of Hazerd？Mitigation, 17(2): 461-469. (in Korean). doi:10.9798/KOSHAM.2017.17.2.461.

상세보기
Lee, J. M., 2014. The importance of safety management？and subsequent damage management of agricultural？production infrastructure in response to changes. Magazine？of the Korean Society of Agricultural Engineers, 56(3):？38-46. (in Korean).
Lee, E. H., J. Y. Nam, and B. C. Ko, 2015. Speed-limit？Sign Recognition Using Convolutional Neural Network？Based on Random Forest. Journal of Broadcast Engineering,？20(6): 938-949. (in Korean). doi:10.5909/JBE.2015.20.6.938.

원문보기 상세보기
National Disaster Management Research Institute (NDMI),？2012. The practical study of flood forecasting and warning？system with auto water level detection process using？intellingent CCTV. (in Korean).
Seo, M. B., C. J. Lee, and D. G. Kim, 2013. A Water？Surface Detection Method by Correlation Analysis of？Watermark Images with Time Interval. Journal of the？Korea Academia-Industrial Cooperation Society, 14(1):？470-477. (in Korean). doi:10.5762/KAIS.2013.14.1.470.

원문보기 상세보기
Saito, A., and M. Iwahashi, 2006. Water level detection？algorithm based on synchronous frame addition and？filtering. Proceedings of the 19th Workshop on Circuits and？Systems in Karuizawa, 525-530. (in Japanese).
Takagi, Y., H. Mori, A. Tsujikawa, T. Saito, and K.？Karube, 2000. The geometrical and optical analysis？concerning the feature of the water surface interface of an？inclined plate which is used the water level measuring. J.？of EICA, 4(4): 9-18. (in Japanese).
Kim, T. W., H. S. Moon, and J. H. Kim, 2020. The Study？on CNN based Helicopter Type Classification Model.？Journal of Institute of Control, Robotics and Systems,？26(6): 479-486. (in Korean). doi:10.5302/J.ICROS.2020.20.0017.

상세보기
Wei, Y., and Y. Zhang, 2016. Effective Waterline？Detection of Unmanned Surface Vehicles Based on Optical？Images. Sensors, 16(10). (in Chinese) doi:10.3390/s16101590.

상세보기
Yu, J., and H. Hahn, 2010. Remote detection and？monitoring of a water level using narrow band channel.？Journal of Information Science and Engineering, 26(1):？71-82. (in Korean). doi:10.6688/JISE.2010.26.1.6.

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