[논문]드론 스트리밍 영상 이미지 분석을 통한 실시간 산불 탐지 시스템

Yoosin Kim

doi:10.12673/jant.2023.27.5.685

[국내논문] 드론 스트리밍 영상 이미지 분석을 통한 실시간 산불 탐지 시스템
Forest Fire Detection System using Drone Streaming Images 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.27 no.5, 2023년, pp.685 - 689

Yoosin Kim (AirDeep Inc.)

Abstract ▼ AI-Helper

The proposed system in the study aims to detect forest fires in real-time stream data received from the drone-camera. Recently, the number of wildfires has been increasing, and also the large scaled wildfires are frequent more and more. In order to prevent forest fire damage, many experiments using the drone camera and vision analysis are actively conducted, however there were many challenges, such as network speed, pre-processing, and model performance, to detect forest fires from real-time streaming data of the flying drone. Therefore, this study applied image data processing works to capture five good image frames for vision analysis from whole streaming data and then developed the object detection model based on YOLO_v2. As the result, the classification model performance of forest fire images reached upto 93% of accuracy, and the field test for the model verification detected the forest fire with about 70% accuracy.

Keyword

표/그림 (6)

그림 그림 1. 산불 이미지 Fig. 1. Forest fire images
그림 그림 2. 산불 이미지와 탐지결과 비교 Fig. 2. Forest fire detection results
표 표 1. 산불 이미지 탐지 정확 Table. 1. Result of forest-fire image detection
그림 그림 3. 드론 영상 실시간 산불탐지 시스템 구성 Fig. 3. Drone camera forest-fire detection system
그림 그림 4. 드론 촬영 영상의 실시간 산불 탐지 결과 Fig. 4. Real-time cases of forest-fire detection
표 표 2. 드론 촬영 영상의 산불 탐지 정확도 Table. 2. Result of real-time forest-fire detection

AI 본문요약
AI-Helper

문제 정의

그러나 다수의 연구들이 산불 이미지의 비전 분석 알고리즘 개발에 초점이 맞추어져 있어 실제 화재 상황에서 산불 조기 탐지를 위해 드론이 보내주는 스트리밍 영상을 실시간으로 분석하면서 산불을 감시하는 동영상 프레임 이미지 처리와 산불 탐지 성능 이슈가 제기되고 있다. 그러므로 본 연구는 드론에서 보내는 영상을 실시간으로 처리하여 산에서 발생한 불과 연기를 조기에 탐지하고 화재로 오인될 수 요소의 오탐지률을 줄이는 드론 스트리밍 산불 탐지 시스템을 제안하였다.
본 연구는 산불 감시를 위해 드론에서 촬영된 이미지를 실시간으로 분석하여 화재 여부를 분류할 수 있는 드론 산불 탐지 시스템을 개발하고 실증 테스트를 통해 산불 탐지 모델의 성능을 평가하였다. 산불 탐지 모델은 객체 인식 알고리즘 YOLO v2를 사용하여 구현하였으며, 실증 테스트를 통해 드론이 보내는 영상에서 산불을 조기탐지하면서 단풍, 석양, 구름 등과 같은 오탐지에 대한 비율을 줄일 수 있는지에 대한 분석을 진행했다.

제안 방법

그리고 YOLO v2 모델 학습에 앞서 수집된 이미지 데이터를 Train/Test 셋을 90:10 비율로 나누었다. 해당 작업에서 Test 데이터에 산불 이미지가 많이 들어가는 등 하나의 특정한 클래스가 과도하게 들어가는 것을 막고자 각각 산불 이미지, 산불로 오탐지될 수 있는 이미지의 구성 비율을 50:50로 정해 분리했다.
그리고 YOLO v2 모델 학습에 앞서 수집된 이미지 데이터를 Train/Test 셋을 90:10 비율로 나누었다. 해당 작업에서 Test 데이터에 산불 이미지가 많이 들어가는 등 하나의 특정한 클래스가 과도하게 들어가는 것을 막고자 각각 산불 이미지, 산불로 오탐지될 수 있는 이미지의 구성 비율을 50:50로 정해 분리했다. Train 데이터는 YOLO v2 모델의 특징에 따라 이미지를 재조정(resize)하지 않고 학습시키는데 필요한 라벨링 과정을 진행했다.
YOLO v2의 코드를 일부분 수정하여 오탐지로 오인될 수 있는 이미지와 해당 이미지가 가진 xml 파일도 학습 데이터로 인식하게 만들어 산불 탐지 모델 학습에 사용했다. 하이퍼파라미터(epoch, optimizer 등)을 수정해가면서 최적의 산불 탐지 모델을 학습하고 분류 성능을 테스트했다.
산불 조기 탐지를 위해 감시 드론에서 촬영된 이미지를 분석하여 화재 여부를 분류할 수 있는 최적의 산불 탐지 알고리즘을 개발하고 모델 성능을 평가하였다. 테스트에 사용한 데이터는 모델 학습 전에 분리한 Test set 이미지 중 랜덤하게 200장을사용했다.
테스트에 사용한 데이터는 모델 학습 전에 분리한 Test set 이미지 중 랜덤하게 200장을사용했다. YOLO 모델 성능 점검을 위해 입력 이미지의 그리드 셀에서 탐지되는 오브젝트를 화재로 분류할 확률임계값(Threshold)는 0.4로 지정했고, 실제 경계 박스와 예측경계 박스의 합집합 면적 대비 교집합 면적의 비율을 의미하는 IOU(Intersection Over Union) 값도 0.4로 지정하여 실제 박스와 예측한 박스의 겹치는 비율이 0.4 이상 일 때만 화재로 인식하도록 설정하여 분류 성능을 테스트하였다. 테스트 결과, 산불과 산불이 아닌 것을 탐지하는 정확도(Accuracy)는 0.
이렇게 수집된 이미지 데이터를 활용해 개발된 산불 탐지 알고리즘은 드론이 실제 비행중에 촬영하고 송출하는 스트리밍 영상데이터를 실시간으로 분석하여 산불을 정확하게 탐지할 수 있도록 실증 테스트 환경을 구축하고 산불 탐지 성능을 확인하였다.
이를 해결하기 위해 그림3에서처럼 드론이 보낸 실시간 영상을 산불탐지 시스템의 미들웨어 서버를 통해 동영상 자료를 개별 이미지 프레임 단위로 먼저 변환한 후 초당 다섯 프레임의 영상이미지를 선별하여 해상도를 1920x1080 수준으로 조정하였다. 이렇게 선별된 이미지를 산불탐지 모델로 전달하여 화재 여부를 분류하도록 하였다.
실증 테스트에서는 드론을 약 5분간 실제 비행 하면서 화재 현장과 주위 산악 현장을 실사 카메라로 촬영하였고 이 영상을 실시간으로 산불 탐지 시스템으로 전송하고 탐지 결과를 확인하였다. 실증 영상에서 육안으로 보았을 때 산불에서 나오는 연기라고 판단할 수 있는 부분이 43개 프레임이었으나, 산불 탐지모델은 표2에서 보는 바와 같이 41개 프레임만을 산불로 탐지하였다.
본 연구는 산불 감시를 위해 드론에서 촬영된 이미지를 실시간으로 분석하여 화재 여부를 분류할 수 있는 드론 산불 탐지 시스템을 개발하고 실증 테스트를 통해 산불 탐지 모델의 성능을 평가하였다. 산불 탐지 모델은 객체 인식 알고리즘 YOLO v2를 사용하여 구현하였으며, 실증 테스트를 통해 드론이 보내는 영상에서 산불을 조기탐지하면서 단풍, 석양, 구름 등과 같은 오탐지에 대한 비율을 줄일 수 있는지에 대한 분석을 진행했다.
이러한 결과는 YOLO를 사용하여 산불 조기 탐지에 활용하려고 할 때 하나의 해결 방안으로 제시해줄 수 있을 것이다. 둘째, 드론의 실시간 촬영에서 나타나는 다양한 상황에서도 정확한 산불 탐지를 가능하게 하는 시스템을 구현하고 실증하였다. 산불로 오인될 수 있는 다양한 요소들을 산불 이미지와 함께 학습시켜서 불과 연기를 정확히 탐지하면서 유사한 이미지를 오탐하지 않도록 모델을 적용하였다.
둘째, 드론의 실시간 촬영에서 나타나는 다양한 상황에서도 정확한 산불 탐지를 가능하게 하는 시스템을 구현하고 실증하였다. 산불로 오인될 수 있는 다양한 요소들을 산불 이미지와 함께 학습시켜서 불과 연기를 정확히 탐지하면서 유사한 이미지를 오탐하지 않도록 모델을 적용하였다. 또한 산림지역에서 드론을 이용한 실시간 영상을 수집/처리/분석하여 산불을 조기 탐지 할 수 있음을 실증테스트를 통해 확인하였다.

대상 데이터

산불 탐지 모델 개발에 사용될 이미지는 드론 비행 중에 촬영한 영상과 최대한 유사한 사진 이미지를 대상으로 수집했으며, 그림 1과 같이 실제 산에 화재가 발생한 사진과 화재가 없는 일반적인 산의 경치를 담고 있는 사진들로 구성하였다.
산불 사진은 인터넷에 제공되는 공개용 사진과 영상 자료를 크롤링하여 수집했으며 일반적인 사진에서도 가급적 화재로 오탐 할 수 있는 요소들, 가령 실제 화염(불과 연기)과 유사한 단풍, 빨간 지붕, 석양, 빨간 꽃, 도시 불빛, 구름, 안개, 공장 연기 등이 담기 사진을 주로 수집했다. 이렇게 수집된 이미지 개수는 총 4278개로 산불 이미지는 약 1850개, 산불로 오인될 수 있는 이미지는 약 2430개이며 해당 데이터를 가지고 학습을 진행했다.
산불 사진은 인터넷에 제공되는 공개용 사진과 영상 자료를 크롤링하여 수집했으며 일반적인 사진에서도 가급적 화재로 오탐 할 수 있는 요소들, 가령 실제 화염(불과 연기)과 유사한 단풍, 빨간 지붕, 석양, 빨간 꽃, 도시 불빛, 구름, 안개, 공장 연기 등이 담기 사진을 주로 수집했다. 이렇게 수집된 이미지 개수는 총 4278개로 산불 이미지는 약 1850개, 산불로 오인될 수 있는 이미지는 약 2430개이며 해당 데이터를 가지고 학습을 진행했다.
해당 작업에서 Test 데이터에 산불 이미지가 많이 들어가는 등 하나의 특정한 클래스가 과도하게 들어가는 것을 막고자 각각 산불 이미지, 산불로 오탐지될 수 있는 이미지의 구성 비율을 50:50로 정해 분리했다. Train 데이터는 YOLO v2 모델의 특징에 따라 이미지를 재조정(resize)하지 않고 학습시키는데 필요한 라벨링 과정을 진행했다. 라벨링저장 형태는 한 이미지당 하나의 xml 파일로 만들었으며 폴더형태도 이미지 폴더와 annotation 폴더로 나누어서 구성했다.
산불 탐지 모델은 Python 기반 환경에서 Tensorflow를 활용하여 구현했다. YOLO v2의 코드를 일부분 수정하여 오탐지로 오인될 수 있는 이미지와 해당 이미지가 가진 xml 파일도 학습 데이터로 인식하게 만들어 산불 탐지 모델 학습에 사용했다. 하이퍼파라미터(epoch, optimizer 등)을 수정해가면서 최적의 산불 탐지 모델을 학습하고 분류 성능을 테스트했다.
산불 조기 탐지를 위해 감시 드론에서 촬영된 이미지를 분석하여 화재 여부를 분류할 수 있는 최적의 산불 탐지 알고리즘을 개발하고 모델 성능을 평가하였다. 테스트에 사용한 데이터는 모델 학습 전에 분리한 Test set 이미지 중 랜덤하게 200장을사용했다. YOLO 모델 성능 점검을 위해 입력 이미지의 그리드 셀에서 탐지되는 오브젝트를 화재로 분류할 확률임계값(Threshold)는 0.
3-2 실시간 드론 영상 탐지 실험

실증 테스트를 수행하기 위해 실제 산불 발생 시 유사한 환경인 경기도 포천의 모의산불 실험장에서 불을 피워 불과 연기가 일어나는 곳과 아닌 곳을 동시에 촬영하여 영상 데이터를 실시간 송출하고 산불을 탐지하였다. 보통 실사 카메라의 경우 초당 24프레임 이상의 이미지를 전송하는데 이를 모두 산불 탐지 알고리즘에 입력변수로 활용할 경우 모델이 정상가동되지 못하는 경우가 발생한다.
실증 테스트에서는 드론을 약 5분간 실제 비행 하면서 화재 현장과 주위 산악 현장을 실사 카메라로 촬영하였고 이 영상을 실시간으로 산불 탐지 시스템으로 전송하고 탐지 결과를 확인하였다. 실증 영상에서 육안으로 보았을 때 산불에서 나오는 연기라고 판단할 수 있는 부분이 43개 프레임이었으나, 산불 탐지모델은 표2에서 보는 바와 같이 41개 프레임만을 산불로 탐지하였다.
산불탐지 시스템에서 선별된 41개 프레임의 화재 이미지 중에서 30프레임은 실제 불에서 나오는 연기를 정확하게 탐지하였으나 오탐된 나머지 11프레임의 경우 아래 그림 4에서와 같이 실험환경 주변의 빨간 지붕, 회색 건물로 불과 연기와 유사하게 보일 수 있는 요소들이 존재하여 오탐이 발생하였다. 또한 육안으로 확인되는 2개 프레임에 대해서는 산불탐지 시스템이 탐지 자체를 못하는 미탐 상황이 발생하였다.

데이터처리

라벨링저장 형태는 한 이미지당 하나의 xml 파일로 만들었으며 폴더형태도 이미지 폴더와 annotation 폴더로 나누어서 구성했다. 라벨링 과정에서 산불 이미지의 경우, LabelImg 프로그램을 사용하여 bounding box 위치와 라벨링 작업을 진행했다. 특히 작은 불씨와 연기를 인식하여 산불 조기 탐지가 될 수 있게 만들고자 bounding box를 큰 사이즈가 아닌 작거나 중간 사이즈로 진행했다.

이론/모형

산불 탐지 모델은 Python 기반 환경에서 Tensorflow를 활용하여 구현했다. YOLO v2의 코드를 일부분 수정하여 오탐지로 오인될 수 있는 이미지와 해당 이미지가 가진 xml 파일도 학습 데이터로 인식하게 만들어 산불 탐지 모델 학습에 사용했다.
객체 인식 성능 평가 척도로는 혼동행렬(Confusion Matrix)을 통해 계산되는 정확도, 재현율, 정밀도, F1-score, 총 4가지의 척도를 기본적으로 사용하였고 실시간 촬영 영상에서는 프레임별 화재 탐지 분류 정확도로 성능을 평가하였다. 참고로 정확도(Accuracy)는 전체 테스트 데이터에서 예측한 결과가 실제 정답인 데이터로 나눠서 나타나는 값이며 정확하게 예측한 비율을 나타낸다.

성능/효과

4 이상 일 때만 화재로 인식하도록 설정하여 분류 성능을 테스트하였다. 테스트 결과, 산불과 산불이 아닌 것을 탐지하는 정확도(Accuracy)는 0.93, 재현율(Recall)는 약 0.93, 정밀도는(Precision)는 약 0.95, F1-score는 약0.94의 결과가 나왔다.
실제 테스트 이미지에서 탐지된 결과를 보게 되면 그림 2와 같이 산불의 경우, 불이 존재하는 대부분의 영역을 탐지하는 것을 볼 수 있었고 작은 불씨까지 인식했으며 연기의 경우는 불 근처에 있는 곳을 인식하거나 그 위의 영역을 탐지하는 모습을 볼수 있다. 그리고산불로 오탐지될 수있다고 생각한 단풍, 구름 등의 경우, 불이나 연기로 탐지되지 않는 겻을 확인할 수 있었다.
또한 육안으로 확인되는 2개 프레임에 대해서는 산불탐지 시스템이 탐지 자체를 못하는 미탐 상황이 발생하였다. 결과적으로 이는 실제 산불이 발생하는 화재현장이 산악 지대로서 드론과 산불탐지시스템간의 무선통신 환경에 장애가 시스템 구현에 가장 큰 장애가 되었다. 또한 이를 해결하기 위해 드론에서 실시간으로 전송되는 초당 24프레임의 고해상도 이미지를 실시간으로 전처리하는 과정에서의 영상 이미지 프레임 선별과 해상도 조정 등 현실적인 시스템 가동을 위한 제약사항들로 인한 성능 저하가 발생하였다.
연구 결과, 산불 이미지를 통한 테스트에서는 F1-score가 약 94%인 모델을 개발해낼 수 있었고 발화 초기의 작은 불씨부터 화재가 상당히 진척된 큰 불과 화재주의의 연기까지 잘 인식하여 탐지하는 것을 확인하였다. 또한 단풍, 구름 등의 요소들이 불과 연기로 인식되지 않도록 학습하여 이로 인한 오탐확률을 낮출 수 있었다.
또한 단풍, 구름 등의 요소들이 불과 연기로 인식되지 않도록 학습하여 이로 인한 오탐확률을 낮출 수 있었다. 그러나 이후에진행된 실증 테스트에서는 실제 드론이 비행하여 모의 산불을 촬영하는 영상을 실시간으로 전송/처리/분석하여 산불을 탐지하였으나 산불탐지 알고리즘의 정확도가 약 70%로 낮아지는 결과를 확인하였다. 이는 실제 산불이 발생하는 화재현장이 산악 지대로서 드론과 산불탐지시스템간의 무선통신 환경에 장애가 발생하기도 하고 실시간으로 전송되는 스트리밍 데이터가 초당 30프레임의 고해상도 이미지로 전달되어 이를 실시간으로 분석하기 위해 전처리하는 과정에서 영상 이미지 프레임 선별과 해상도 조정 등 현실적인 운용을 위한 제약사항들로 인한 성능 저하가 발생하였다.
그러나 이후에진행된 실증 테스트에서는 실제 드론이 비행하여 모의 산불을 촬영하는 영상을 실시간으로 전송/처리/분석하여 산불을 탐지하였으나 산불탐지 알고리즘의 정확도가 약 70%로 낮아지는 결과를 확인하였다. 이는 실제 산불이 발생하는 화재현장이 산악 지대로서 드론과 산불탐지시스템간의 무선통신 환경에 장애가 발생하기도 하고 실시간으로 전송되는 스트리밍 데이터가 초당 30프레임의 고해상도 이미지로 전달되어 이를 실시간으로 분석하기 위해 전처리하는 과정에서 영상 이미지 프레임 선별과 해상도 조정 등 현실적인 운용을 위한 제약사항들로 인한 성능 저하가 발생하였다.
본 연구의 시사점은 첫째, YOLO 알고리즘을 활용한 산불의 조기탐지의 가능성을 확인하였다. 기존 연구에서 YOLO v2는 탐지하는 물체의 크기가 작으면 탐지률이 낮다는 결과가 있었는데 본 연구에서는 bounding box를 크게 하지 않았을 때 YOLO v2가 작은 불씨를 잡아내는 것을 확인할 수 있었다.
본 연구의 시사점은 첫째, YOLO 알고리즘을 활용한 산불의 조기탐지의 가능성을 확인하였다. 기존 연구에서 YOLO v2는 탐지하는 물체의 크기가 작으면 탐지률이 낮다는 결과가 있었는데 본 연구에서는 bounding box를 크게 하지 않았을 때 YOLO v2가 작은 불씨를 잡아내는 것을 확인할 수 있었다. 이러한 결과는 YOLO를 사용하여 산불 조기 탐지에 활용하려고 할 때 하나의 해결 방안으로 제시해줄 수 있을 것이다.
산불로 오인될 수 있는 다양한 요소들을 산불 이미지와 함께 학습시켜서 불과 연기를 정확히 탐지하면서 유사한 이미지를 오탐하지 않도록 모델을 적용하였다. 또한 산림지역에서 드론을 이용한 실시간 영상을 수집/처리/분석하여 산불을 조기 탐지 할 수 있음을 실증테스트를 통해 확인하였다.
무엇보다도, 드론의 산불 실증 테스트 과정에서 발견된 실제 환경에서의 산불 탐지 성능 제하문제를 개선해야 한다. 연구실의 고성능 컴퓨터에서는 97%의 화재탐지 분류성능이 야외에서 진행된 실증 환경에서는 70%로 떨어졌는데 이는 드론 카메라에서 촬영된 영상이 실시간으로 무선통신망을 거쳐 산불탐지 시스템으로 전송되어 처리/분석/탐지되는 과정에서 산불탐지 성능이 저하되는 현실적 문제가 발생되었다. 이를 보완하기 위해서는 드론의 비행 성능을 해치지 않으면서 구동이 가능한 임베디드 탐지모듈을 드론에 장착하거나 스트리밍 영상 처리 성능을 향상시키는 후속 연구들이 필요하다.

후속연구

기존 연구에서 YOLO v2는 탐지하는 물체의 크기가 작으면 탐지률이 낮다는 결과가 있었는데 본 연구에서는 bounding box를 크게 하지 않았을 때 YOLO v2가 작은 불씨를 잡아내는 것을 확인할 수 있었다. 이러한 결과는 YOLO를 사용하여 산불 조기 탐지에 활용하려고 할 때 하나의 해결 방안으로 제시해줄 수 있을 것이다. 둘째, 드론의 실시간 촬영에서 나타나는 다양한 상황에서도 정확한 산불 탐지를 가능하게 하는 시스템을 구현하고 실증하였다.
연구실의 고성능 컴퓨터에서는 97%의 화재탐지 분류성능이 야외에서 진행된 실증 환경에서는 70%로 떨어졌는데 이는 드론 카메라에서 촬영된 영상이 실시간으로 무선통신망을 거쳐 산불탐지 시스템으로 전송되어 처리/분석/탐지되는 과정에서 산불탐지 성능이 저하되는 현실적 문제가 발생되었다. 이를 보완하기 위해서는 드론의 비행 성능을 해치지 않으면서 구동이 가능한 임베디드 탐지모듈을 드론에 장착하거나 스트리밍 영상 처리 성능을 향상시키는 후속 연구들이 필요하다.

참고문헌 (11)

Dennison, P.E., Brewer, S.C., Arnold, J.D., and Moritz,？M.A., "Large wildfire trends in the western United States,？1984-2011," Geophysical Research Letters, Volume 41,？Issue 8, pp.2928-2933, 2014.
Cruz, H. Eckert, M., Meneses, J., and Martine, J. F,？"Efficient Forest Fire Detection Index for Application in？Unmanned Aerial Systems(UASs)," Sensors, Vol 16, Issue 6,？pp. 893, 2006.
Allison, R. S., Johnston, J. M., Craig, G., and Jennings, S.,？"Airborne Optical and Thermal Remote Sensing for Wildfire？Detection and Monitoring," Sensors, Vol 16, Issue 8, pp.？1310, 2016.

상세보기
Alkhatib, A. A., "A review on forest fire detection？techniques," International Journal of Distributed Sensor？Network, Vol 10, 2014.
Sherstiuk, V., Zharikova, M., and Soko, I., "Forest？Fire-fighting monitoring system based on UAV team and？remote sensing," 2018 IEEE 38th International Conference？on Electronics and Nanotechnology, pp.663-668, 2018.
Viseras, A., Marchal, J., Schaab, M., Pages, J., and Estivill,？L. "Wildfire Monitoring and Hotspots Detection with Aerial？Robots: Measurement Campaign and First Results," 2019？IEEE International Symposium on Safety, Security, and？Rescue Robotics, pp.102-103, 2019.？https://doi.org/10.1109/SSRR.2019.8848961.
Zhang, Q. X., Lin, G. H., Zhang, Y.M., Xu, G., and Wang,？J. J., "Wildland Forest Fire Smoke Detection Based on Faster？R-CNN using Synthetic Smoke Images," Procedia？engineering, Vol 211, pp. 441-446, 2018.
Lee, Y. H., and Kim, Y., "Comparison of CNN and YOLO？for Object Detection," Journal of the semiconductor &？display technology, 19(1), pp.85-92, 2020.
Goyal, S., Shagill, M. D., Kaur, A., Vohra, H., and Singh,？A., "A YOLO based Technique for Early Forest Fire？Detection," International Journal of Innovative Technology？and Exploring Engineering (IJITEE), Vol 9, Issue 6,？pp.1357-1362, 2020.
Saponara, S., Elhanashi, A., and Gagliardi, A., "Real-time？video fire/smoke detection based on CNN in antifire？surveillance systems," Journal of Real-Time Image？Processing, 18(3), pp. 889-900, 2021.

상세보기
Redmon, J., and Farhadi, A., "YOLO9000: better, faster,？stronger," 2017 IEEE conference on computer vision and？pattern recognition, pp.7263-7271, 2017.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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