[논문]Vector and Thickness Based Learning Augmentation Method for Efficiently Collecting Concrete Crack Images

Jong-Hyun Kim

doi:10.9708/jksci.2023.28.04.065

Vector and Thickness Based Learning Augmentation Method for Efficiently Collecting Concrete Crack Images 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.28 no.4, 2023년, pp.65 - 73

Jong-Hyun Kim (College of Software and Convergence (Dept. of Design Technology), Inha University)

초록
AI-Helper

본 논문에서는 콘크리트 균열 이미지 데이터셋을 효율적으로 얻기 위한 합성곱 신경망 네트워크 학습 기반의 데이터 증강기법을 제안한다. 실제 콘크리트 균열 이미지는 정형화된 형태가 없고 복잡한 패턴을 지니고 있어 얻기 어려울 뿐만 아니라, 데이터를 확보할 때 위험한 상황에 노출될 우려가 있다. 이러한 상황에 노출된 데이터셋 수집 문제를 본 논문에서는 벡터와 두께 기반의 데이터 증강 기법을 통해 비용과 시간적 측면에서 효율적으로 해결한다. 또한 제안한 방법을 효율성을 입증하고자 U-Net기반의 균열 검출을 통해 다양한 장면에서 실험을 진행했고, IoU 정확도로 측정했을 때 모든 장면에서 성능이 향상되었다. 콘크리트 균열 데이터를 증강하지 않았을 경우 잘못 예측된 경우의 비율이 약 25%였으나, 우리의 방법을 통해 데이터 증강을 했을 경우 잘못 예측된 비율이 3%까지 감소하였다.

Abstract ▼ AI-Helper

In this paper, we propose a data augmentation method based on CNN(Convolutional Neural Network) learning for efficiently obtaining concrete crack image datasets. Real concrete crack images are not only difficult to obtain due to their unstructured shape and complex patterns, but also may be exposed to dangerous situations when acquiring data. In this paper, we solve the problem of collecting datasets exposed to such situations efficiently in terms of cost and time by using vector and thickness-based data augmentation techniques. To demonstrate the effectiveness of the proposed method, experiments were conducted in various scenes using U-Net-based crack detection, and the performance was improved in all scenes when measured by IoU accuracy. When the concrete crack data was not augmented, the percentage of incorrect predictions was about 25%, but when the data was augmented by our method, the percentage of incorrect predictions was reduced to 3%.

주제어

표/그림 (15)

그림 Fig. 1. Images after data augmentation : (a) original image, (b) horizontal flip, (c) rotation, (d) horizontal shift.
그림 Fig. 2. Enhanced details of crack with CNN : (a) input data, (b) output data.
그림 Fig. 3. Crack vector with skeleton and corner set : (a) input data, (b) skeleton extraction, (c) corner extraction, (d) edge with corners.
그림 Fig. 4. Neural network architecture[40].
그림 Fig. 5. Contour approximation : (a) input data, (b) contour image, (c) contour image with ε=0.005.
그림 Fig. 6. Neural Network Architecture with our method.
그림 Fig. 7. Various crack data generated with our method.
그림 Fig. 8. Quadtree construction.
그림 Fig. 9. Classification as full density(FD) and emptry density(ED) according to the presence or absence of density : (a) input data, (b) patch split, (c) classification of FD(red) and ED(others).
그림 Fig. 10. Overview of generating the quadtree containing path-state values, while ED=empty density and FD=full density.
그림 Fig. 11. Example of quadtree nodes for collecting crack patches (dotted red line : final dataset).
그림 Fig. 12. Test results with our method (Scene 1).
그림 Fig. 13. Test results with our method (Scene 2).
그림 Fig. 14. Test results with our method (Scene 3).
그림 Fig. 15. Test results with our method (Scene 4).

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 균열 데이터 증강 과정을 네트워크 학습을 기반으로 풀어냈으며 균열의 방향과 두께를 디테일하게 학습함으로써 다양한 패턴으로 가상의 균열 데이터를 생성할 수 있는 프레임워크를 제안했다. 또한 증강된 데이터를 이용하여 실제 균열 감지의 정확성이 향상되었음을 실험을 통해 보여주었다.
본 논문에서는 흔들림으로 인한 균열 사진에서도 균열이 안정적으로 추출되는지 실험을 진행한다. Fig.
본 연구의 결과들을 만들기 위해 실험한 환경은 Intel Core i7-7700K CPU, 32GB RAM, Geforce GTX 1080Ti GPU가 탑재된 컴퓨터를 이용하였다. 본 연구에서는 균열의 방향과 두께, 패턴을 학습하여 데이터 증강을 효율적으로 생성할 수 있는 새로운 기법을 제안했다. 본 논문에서는 제안한 방법의 효율성과 정확성을 실험하기 위해 3가지 시나리오를 통해 검증한다.

제안 방법

모든 자식 노드의 상태 값이 같으면 삭제되며, 상태가 ED인 노드에는 네트워크 훈련이 필요하지 않다. FD인 경우 네트워크 학습을 한 번에 적용하는 것이 아닌 필요한 데이터만 구별한 자식 노드에 대해서 적용하는 것이 더 빠르기 때문에 본 논문은 이러한 방식을 통해 학습을 진행한다. 루트 노드에 도달할 때까지 이 과정을 반복하면 모든 노드에 상태 값이 할당된 트리가 생성된다.
8 참조). 균열은 전체 공간에 비해서 차지하는 비율이 작기 때문에 본 논문에서는 쿼드트리를 이용하여 데이터의 크기를 줄인다.
업샘플링 배수가 커질수록 결과가 향상되었고, 잔차 이미지를 사용하여 3채널 학습의 색상 문제를 해결하였다. 마지막으로 균열 패턴의 디테일이 고려된 결과를 얻기 위해 벡터 증강 과정을 거친 탄성왜곡 데이터를 입력 데이터로 사용하였고, 이로부터 네트워크를 학습시켜 결과를 얻는다. 하지만 이러한 방법은 균열의 두께는 고려하지 않고 방향만을 고려하여 학습했기 때문에 다양한 두께와 균열을 온전히 학습할 수 없다.
본 논문에서 제안하는 알고리즘에서는 1) 균열 패턴을 추출하는 CNN과 2) 균열 형태를 변형하는 탄성 변형 기법을 활용한다. 균열은 정형화된 형태가 없기 때문에 모든 균열 패턴을 알 수 없으며 시점에 따라 형태가 달라지므로 이를 학습하여 실제 균열 데이터의 특징을 고려한 메타데이터를 만들어야한다.
본 연구에서는 균열의 방향과 두께, 패턴을 학습하여 데이터 증강을 효율적으로 생성할 수 있는 새로운 기법을 제안했다. 본 논문에서는 제안한 방법의 효율성과 정확성을 실험하기 위해 3가지 시나리오를 통해 검증한다.
본 논문에서는 CNN을 기반으로 한 U-Net모델을 활용하여 균열 검출을 진행하였다. 전처리 과정에서 균열과 마스크 데이터셋을 U-Net을 통해 학습하고 테스트단계에서 실제 균열 이미지를 입력으로 균열 영역을 감지를 실험했다.

대상 데이터

6은 컨투어 기반으로 추출된 균열의 두께를 이용하여 학습한 인공 신경망이다. 네트워크 모델은 앞에서 설명한 방식을 이용했으며 입력 데이터로는 균열의 두께와 방향을 고려한 데이터를 사용한다. Fig.
본 논문에서 보여주는 결과는 800×600 크기의 균열 이미지를 사용했으며, 개발환경은 파이참과 아나콘다를 이용했으며, 텐서 플로우, 케라스 등의 라이브러리를 이용하였다.
본 논문에서 제안한 방식을 이용하여 실제 균열 감지 테스트를 했을 때 정확도가 향상되었음을 확인하였다. 본 연구에서는 DeepCrack에서 제공한 데이터를 증강하여 총 3,000장을 사용했으며, 모든 데이터는 균열 유무에 따라 마스크 처리하어 학습, 테스트, 유효성(Validation) 비율을 6:2:2로 나눠서 사용한다.
본 연구의 결과들을 만들기 위해 실험한 환경은 Intel Core i7-7700K CPU, 32GB RAM, Geforce GTX 1080Ti GPU가 탑재된 컴퓨터를 이용하였다. 본 연구에서는 균열의 방향과 두께, 패턴을 학습하여 데이터 증강을 효율적으로 생성할 수 있는 새로운 기법을 제안했다.

데이터처리

평가. 평가를 위한 지표는 Mean IoU(Intersection over union)을 사용했으며, 딥러닝 모델이 예측한 결과와 실제 값 사이의 교집합과 합집합 비율을 측정하여 모델을 평가했다. 일반적으로 IoU는 값이 0.

이론/모형

최근에 딥러닝을 활용하여 이미지 정보를 학습하여 특징을 자동 추출하는 연구가 꾸준히 진행되고 있다. 본 논문에서는 CNN을 기반으로 한 U-Net모델을 활용하여 균열 검출을 진행하였다. 전처리 과정에서 균열과 마스크 데이터셋을 U-Net을 통해 학습하고 테스트단계에서 실제 균열 이미지를 입력으로 균열 영역을 감지를 실험했다.
균열의 두께 학습. 본 논문에서는 균열의 두께를 측정하기 위해 컨투어 근사(Contour approximation) 방식을 이용하여 형태를 분석한다. 컨투어는 동일한 색 또는 동일한 픽셀을 가지고 있는 영역의 경계선 정보이며, 일반적으로 물체의 윤곽선이나 외형을 파악하는데 사용된다.
균열에서 기울기가 심하게 변하는 두 에지의 교차점인 코너를 추출하고, 이를 활용하여 균열의 벡터를 계산하는 과정이다. 여기서 사용한 코너는 Shi-Tomashi 코너 감지법을 사용한다. Fig.

성능/효과

14c는 데이터 증강 후 감지 결과이다. 데이터 증강을 하지 않은 결과에서는 상단에 노이즈가 나타났지만, 데이터 증강을 통해 균열 감지된 결과에서는 상단의 노이즈가 감소하고 정확도가 향상된 것을 확인했다.
5 미만이면 잘못된 감지(FP)라고 정의된다. 데이터를 증강하지 않았을 경우 잘못 예측된 경우의 비율이 약 25%였으나, 본 논문에서 제안한 방법을 이용하여 10배 이상 균열 데이터 증강을 통해 3%까지 감소시킬 수 있었으며, IoU의 정확도를 측정했을 때 0.58에서 0.93으로 향상되었다.
본 논문에서는 균열 데이터 증강 과정을 네트워크 학습을 기반으로 풀어냈으며 균열의 방향과 두께를 디테일하게 학습함으로써 다양한 패턴으로 가상의 균열 데이터를 생성할 수 있는 프레임워크를 제안했다. 또한 증강된 데이터를 이용하여 실제 균열 감지의 정확성이 향상되었음을 실험을 통해 보여주었다. 제안한 방법은 콘크리트 재질에서 표현되는 균열에 활용했지만, 다양한 재질 균열에도 확장 및 적용이 가능할 것으로 기대한다.
4 참조). 벡터 기반의 학습 이미지를 활용하여 26개의 레이어, 3배 업샘플링, 잔차 이미지를 기반으로 네트워크 학습했을 때 최적의 결과를 얻을 수 있었다. 업샘플링 배수가 커질수록 결과가 향상되었고, 잔차 이미지를 사용하여 3채널 학습의 색상 문제를 해결하였다.
11 참조), 이 데이터셋은 네트워크 학습에 사용된다. 본 논문에서 실험한 결과, 전체적으로 37.5%로 데이터를 압축함으로써 메모리 효율성을 개선시켰다.
균열은 정형화된 형태가 없기 때문에 모든 균열 패턴을 알 수 없으며 시점에 따라 형태가 달라지므로 이를 학습하여 실제 균열 데이터의 특징을 고려한 메타데이터를 만들어야한다. 본 논문에서 제안한 방식을 이용하여 실제 균열 감지 테스트를 했을 때 정확도가 향상되었음을 확인하였다. 본 연구에서는 DeepCrack에서 제공한 데이터를 증강하여 총 3,000장을 사용했으며, 모든 데이터는 균열 유무에 따라 마스크 처리하어 학습, 테스트, 유효성(Validation) 비율을 6:2:2로 나눠서 사용한다.
벡터 기반의 학습 이미지를 활용하여 26개의 레이어, 3배 업샘플링, 잔차 이미지를 기반으로 네트워크 학습했을 때 최적의 결과를 얻을 수 있었다. 업샘플링 배수가 커질수록 결과가 향상되었고, 잔차 이미지를 사용하여 3채널 학습의 색상 문제를 해결하였다. 마지막으로 균열 패턴의 디테일이 고려된 결과를 얻기 위해 벡터 증강 과정을 거친 탄성왜곡 데이터를 입력 데이터로 사용하였고, 이로부터 네트워크를 학습시켜 결과를 얻는다.

후속연구

또한 증강된 데이터를 이용하여 실제 균열 감지의 정확성이 향상되었음을 실험을 통해 보여주었다. 제안한 방법은 콘크리트 재질에서 표현되는 균열에 활용했지만, 다양한 재질 균열에도 확장 및 적용이 가능할 것으로 기대한다. 향후 연구에서는 재질의 특성을 고려하여 균열의 위험성을 자동으로 감지하고 평가할 수 있는 방법에 대해 연구할 계획이다.
제안한 방법은 콘크리트 재질에서 표현되는 균열에 활용했지만, 다양한 재질 균열에도 확장 및 적용이 가능할 것으로 기대한다. 향후 연구에서는 재질의 특성을 고려하여 균열의 위험성을 자동으로 감지하고 평가할 수 있는 방법에 대해 연구할 계획이다.

참고문헌 (40)

Wang, Xiaodong, Pingjian Liu, Yixuan Sun, and Wenqi Wang. "Study on breaking concrete structures by pulse power technology." Buildings 12, no. 3 (2022): 274. DOI: 10.3390/buildings12030274？

상세보기
Aggelis, Dimitrios G., Ninel Alver, and Hwa Kian Chai. "Health monitoring of civil infrastructure and materials." The Scientific World Journal 2014 (2014). DOI: 10.1155/2014/435238？

상세보기
Kim, In-Ho, Haemin Jeon, Seung-Chan Baek, Won-Hwa Hong, and Hyung-Jo Jung. "Application of crack identification techniques for an aging concrete bridge inspection using an unmanned aerial vehicle." Sensors 18, no. 6 (2018): 1881. DOI: 10.3390/s18061881？

상세보기
Liu, Tingjin, Honghao Huang, and Yubing Yang. "Crack detection of reinforced concrete member using Rayleigh-based distributed optic fiber strain sensing system." Advances in Civil Engineering 2020 (2020). DOI: 10.1155/2020/8312487？

상세보기
Yamaguchi, Tomoyuki, Shingo Nakamura, Ryo Saegusa, and Shuji Hashimoto. "Image-based crack detection for real concrete surfaces." IEEJ Transactions on Electrical and Electronic Engineering 3, no. 1 (2008): 128-135. DOI: 10.1002/tee.20244？

상세보기
Tsai, Yi-Chang, Vivek Kaul, and Russell M. Mersereau. "Critical assessment of pavement distress segmentation methods." Journal of transportation engineering 136, no. 1 (2010): 11-19. DOI: 10.1061/(ASCE)TE.1943-5436.0000051？

상세보기
Zhang, Dejin, Qingquan Li, Ying Chen, Min Cao, Li He, and Bailing Zhang. "An efficient and reliable coarse-to-fine approach for asphalt pavement crack detection." Image and Vision Computing 57 (2017): 130-146. DOI: 10.1016/j.imavis.2016.11.018？

상세보기
Ayenu-Prah, Albert, and Nii Attoh-Okine. "Evaluating pavement cracks with bidimensional empirical mode decomposition." EURASIP Journal on Advances in Signal Processing 2008 (2008): 1-7. DOI: 10.1155/2008/861701？
Subirats, Peggy, Jean Dumoulin, Vincent Legeay, and Dominique Barba. "Automation of pavement surface crack detection using the continuous wavelet transform." In 2006 International Conference on Image Processing, pp. 3037-3040. IEEE, 2006. DOI: 10.1109/ICIP.2006.313007？
Ying, Leslie, and Ezzatollah Salari. "Beamlet transform-based technique for pavement crack detection and classification." Computer-Aided Civil and Infrastructure Engineering 25, no. 8 (2010): 572-580. DOI: 10.1111/j.1467-8667.2010.00674.x？

상세보기
Hizukuri, Akiyoshi, and Takeshi Nagata. "Development of a classification method for a crack on a pavement surface images using machine learning." In Thirteenth International Conference on Quality Control by Artificial Vision 2017, vol. 10338, pp. 148-154. SPIE, 2017. DOI: 10.1117/12.2266911？
Acharjya, Pinaki Pratim, and Ritaban Das. "Study and comparison of different edge detectors for image segmentation." Global Journal of Computer Science and Technology 12, no. F13 (2012): 29-32.？
Graps, Amara. "An introduction to wavelets." IEEE computational science and engineering 2, no. 2 (1995): 50-61.？

상세보기
Zhang, Lei, Fan Yang, Yimin Daniel Zhang, and Ying Julie Zhu. "Road crack detection using deep convolutional neural network." In 2016 IEEE international conference on image processing (ICIP), pp. 3708-3712. IEEE, 2016. DOI: 10.1109/ICIP.2016.7533052？
Pauly, Leo, D. Hogg, R. Fuentes, and H. Peel. "Deeper networks for pavement crack detection." In Proceedings of the 34th ISARC, pp. 479-485. IAARC, 2017. DOI: 10.22260/ISARC2017/0066？
Maeda, Hiroya, Yoshihide Sekimoto, Toshikazu Seto, Takehiro Kashiyama, and Hiroshi Omata. "Road damage detection using deep neural networks with images captured through a smartphone." arXiv preprint arXiv:1801.09454 (2018). DOI: 10.1111/mice.12387？

상세보기
Xu, Hongyan, Xiu Su, Yi Wang, Huaiyu Cai, Kerang Cui, and Xiaodong Chen. "Automatic bridge crack detection using a convolutional neural network." Applied Sciences 9, no. 14 (2019): 2867. DOI: 10.3390/app9142867？

상세보기
Li, Yadan, Zhenqi Han, Haoyu Xu, Lizhuang Liu, Xiaoqiang Li, and Keke Zhang. "YOLOv3-lite: A lightweight crack detection network for aircraft structure based on depthwise separable convolutions." Applied Sciences 9, no. 18 (2019): 3781. DOI: 10.3390/app9183781？

상세보기
Tong, Zheng, Jie Gao, and Haitao Zhang. "Recognition, location, measurement, and 3D reconstruction of concealed cracks using convolutional neural networks." Construction and Building Materials 146 (2017): 775-787. DOI: 10.1016/j.conbuildmat.2017.04.097？

상세보기
Yang, Xincong, Heng Li, Yantao Yu, Xiaochun Luo, Ting Huang, and Xu Yang. "Automatic pixel-level crack detection and measurement using fully convolutional network." Computer-Aided Civil and Infrastructure Engineering 33, no. 12 (2018): 1090-1109. DOI: 10.1111/mice.12412？

상세보기
Zhu, Jinsong, and Jinbo Song. "An intelligent classification model for surface defects on cement concrete bridges." Applied Sciences 10, no. 3 (2020): 972. DOI: 10.3390/app10030972？

상세보기
Lin, Tsung-Yi, Piotr Dollar, Ross Girshick, Kaiming He, Bharath Hariharan, and Serge Belongie. "Feature pyramid networks for object detection." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2117-2125. 2017. DOI: 10.1109/CVPR.2017.106？
Deng, Lu, Hong-Hu Chu, Peng Shi, Wei Wang, and Xuan Kong. "Region-based CNN method with deformable modules for visually classifying concrete cracks." Applied sciences 10, no. 7 (2020): 2528. DOI: 10.3390/app10072528？

상세보기
Ren, Shaoqing, Kaiming He, Ross Girshick, and Jian Sun. "Faster r-cnn: Towards real-time object detection with region proposal networks." Advances in neural information processing systems 28 (2015).？
Dai, Jifeng, Yi Li, Kaiming He, and Jian Sun. "R-fcn: Object detection via region-based fully convolutional networks." Advances in neural information processing systems 29 (2016).？
Oh, Heekuck, Norman W. Garrick, and Luke EK Achenie. "Segmentation algorithm using iterative clipping for processing noisy pavement images." In Imaging Technologies: Techniques and Applications in Civil Engineering. Second International ConferenceEngineering Foundation; and Imaging Technologies Committee of the Technical Council on Computer Practices, American Society of Civil Engineers. 1998.？
Li, Qingquan, and Xianglong Liu. "Novel approach to pavement image segmentation based on neighboring difference histogram method." In 2008 Congress on Image and Signal Processing, vol. 2, pp. 792-796. IEEE, 2008. DOI: 10.1109/CISP.2008.13？
Zhou, Jian, Peisen S. Huang, and Fu-Pen Chiang. "Wavelet-based pavement distress detection and evaluation." Optical Engineering 45, no. 2 (2006): 027007-027007. DOI: 10.1117/1.2172917？

상세보기
Wu, Shuguang, and Yaokui Liu. "A segment algorithm for crack dection." In 2012 IEEE Symposium on Electrical & Electronics Engineering (EEESYM), pp. 674-677. IEEE, 2012. DOI: 10.1109/EEESym.2012.6258749？
Li, Qingquan, Qin Zou, Daqiang Zhang, and Qingzhou Mao. "FoSA: F* seed-growing approach for crack-line detection from pavement images." Image and Vision Computing 29, no. 12 (2011): 861-872. DOI: 10.1016/j.imavis.2011.10.003？

상세보기
Zou, Q., Cao, Y., Li, Q., Mao, Q. and Wang, S., 2012. CrackTree: Automatic crack detection from pavement images. Pattern Recognition Letters, 33(3), pp.227-238. DOI: 10.1016/j.patrec.2011.11.004？

상세보기
Roli, Fabio. "Measure of texture anisotropy for crack detection on textured surfaces." Electronics Letters 32, no. 14 (1996): 1274-1275.？

상세보기
Nguyen, Tien Sy, Stephane Begot, Florent Duculty, and Manuel Avila. "Free-form anisotropy: A new method for crack detection on pavement surface images." In 2011 18th IEEE International Conference on Image Processing, pp. 1069-1072. IEEE, 2011. DOI: 10.1109/ICIP.2011.6115610？
Xu, Wei, Zhenmin Tang, Jun Zhou, and Jundi Ding. "Pavement crack detection based on saliency and statistical features." In 2013 IEEE International Conference on Image Processing, pp. 4093-4097. IEEE, 2013. DOI: 10.1109/ICIP.2013.6738843？
Hu, Yong, and Chun-xia Zhao. "A novel LBP based methods for pavement crack detection." Journal of pattern Recognition research 5, no. 1 (2010): 140-147.DOI: 10.13176/11.167？
Zhang, Wenyu, Zhenjiang Zhang, Dapeng Qi, and Yun Liu. "Automatic crack detection and classification method for subway tunnel safety monitoring." Sensors 14, no. 10 (2014): 19307-19328. DOI: 10.3390/s141019307？

상세보기
Li, Shengyuan, and Xuefeng Zhao. "Image-based concrete crack detection using convolutional neural network and exhaustive search technique." Advances in Civil Engineering 2019 (2019). DOI: 10.1155/2019/6520620？

상세보기
Dorafshan, Sattar, Robert J. Thomas, and Marc Maguire. "SDNET2018: An annotated image dataset for non-contact concrete crack detection using deep convolutional neural networks." Data in brief 21 (2018): 1664-1668. DOI: 10.1016/j.dib.2018.11.015？

상세보기
Perez, Luis, and Jason Wang. "The effectiveness of data augmentation in image classification using deep learning." arXiv preprint arXiv:1712.04621 (2017).？
Kim, Jong-Hyun. "Vector-Based Data Augmentation and Network Learning for Efficient Crack Data Collection." Journal of the Korea Computer Graphics Society 28, no. 2 (2022): 1-9. DOI: 10.15701/kcgs.2022.28.2.1

원문보기 상세보기

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