[논문]무인기 기반 RGB 영상 활용 U-Net을 이용한 수수 재배지 분할

박기수; 유찬석; 강예성; 김은리; 정종찬; 박진기

doi:10.7780/kjrs.2023.39.5.1.5

무인기 기반 RGB 영상 활용 U-Net을 이용한 수수 재배지 분할
Sorghum Field Segmentation with U-Net from UAV RGB 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.521 - 535

박기수 (경상국립대학교 농업생명과학대학 바이오시스템공학과) , 유찬석 (경상국립대학교 농업생명과학대학 생물산업기계공학과) , 강예성 (경상국립대학교 농업생명과학대학 바이오시스템공학과) , 김은리 (경상국립대학교 농업생명과학대학 바이오시스템공학과) , 정종찬 (경상국립대학교 농업생명과학대학 바이오시스템공학과) , 박진기 (국립식량과학원 남부작물부)

초록
AI-Helper

논·밭 전환 시 수수(sorghum bicolor L. Moench)는 뛰어난 내습성으로 콩과 함께 안정적인 생산이 가능하여 국내 식량작물의 자급률 향상과 쌀 수급 불균형 문제를 해결할 수 있을 것으로 기대되는 작물이다. 그러나 수량 추정을 위한 재배면적과 같은 기본적인 통계조사는 많은 인력을 투입하여도 오래 걸리는 전통적인 조사 방식으로 인해 잘 이루어 지지 않고 있다. 이에 따라 본 연구에서는 무인기 기반 RGB 영상에 U-Net을 적용하여 수수 재배지 비파괴적 분할가능성을 확인하였다. 2022년에 7월 28일, 8월 13일, 8월 25일에 각각 영상이 취득되었다. 각 영상취득 날짜에서 512 × 512 영상크기로 훈련데이터셋 6,000장과 검증데이터셋 1,000장으로 나누어 학습을 진행하였으며 수수 농경지(sorghum), 벼와 콩 농경지(others)와 비 농경지(background)로 구성된 세 개 클래스와 수수 농경지와 배경(others+background)으로 구성된 두 개 클래스 기반으로 분류모델을 개발하였다. 모든 취득 날짜에서 세 개 클래스 기반 모델에서는 수수 재배지 분류 정확도가 0.91 이상으로 나타났지만 8월 데이터셋의 others 클래스에서 학습 혼동이 일어났다. 대조적으로 두 개 클래스 기반 모델에서는 8월 데이터셋의 안정적인 학습과 함께 모든 클래스에서 0.95 이상의 정확도를 나타내었다. 결과적으로 8월에 두개클래스 기반 모델을 현장에 재현하는 것이 수수 재배지 분류를 통한 재배면적 산출에 유리할 것으로 판단된다.

Abstract ▼ AI-Helper

When converting rice fields into fields,sorghum (sorghum bicolor L. Moench) has excellent moisture resistance, enabling stable production along with soybeans. Therefore, it is a crop that is expected to improve the self-sufficiency rate of domestic food crops and solve the rice supply-demand imbalance problem. However, there is a lack of fundamental statistics,such as cultivation fields required for estimating yields, due to the traditional survey method, which takes a long time even with a large manpower. In this study, U-Net was applied to RGB images based on unmanned aerial vehicle to confirm the possibility of non-destructive segmentation of sorghum cultivation fields. RGB images were acquired on July 28, August 13, and August 25, 2022. On each image acquisition date, datasets were divided into 6,000 training datasets and 1,000 validation datasets with a size of 512 × 512 images. Classification models were developed based on three classes consisting of Sorghum fields(sorghum), rice and soybean fields(others), and non-agricultural fields(background), and two classes consisting of sorghum and non-sorghum (others+background). The classification accuracy of sorghum cultivation fields was higher than 0.91 in the three class-based models at all acquisition dates, but learning confusion occurred in the other classes in the August dataset. In contrast, the two-class-based model showed an accuracy of 0.95 or better in all classes, with stable learning on the August dataset. As a result, two class-based models in August will be advantageous for calculating the cultivation fields of sorghum.

주제어

표/그림 (19)

그림 Fig. 1. Study area.
표 Table 1. Specification of RGB image sensor
그림 Fig. 2. Flight path map.
표 Table 2. Flight condition
표 Table 3. Meteorological information in acquisition date and the number of RGB images
그림 Fig. 3. Raw and annotated 8,000 × 8,000 pixels images (July 28).
그림 Fig. 4. U-Net architecture (Ronneberger et al., 2015).
표 Table 4. Training performance of three class-based models using the U-Net algorithm
표 Table 5. Confusion matrix of three class-based model
그림 Fig. 5. Graphs of the three class-based models: (a) July 28, (b) August 13, and (c) August 25.
그림 Fig. 6. Reasons for confusion between others and background classes (August 13 and 25): (a) soybean plants located within the background class, (b) overgrown weeds within the bean cultivation fields, and (c) poorly managed cultivation fields.
그림 Fig. 7. Visualization results of the three class-based models where the predicted probabilities for the sorghumsorghum class are below 0.5, transformed as follows: 0 to 255 and 0.5 to 0.
그림 Fig. 8. Visualization results of the three class-based models where the predicted probabilities for the othersothers class are below 0.5, transformed as follows: 0 to 255, and 0.5 to 0.
그림 Fig. 9. Graphs of the two class-based model: (a) July 28, (b) August 13, and (c) August 25.
표 Table 6. Training performance of two class-based model using U-Net algorithm
표 Table 7. Confusion matrix of two class-based model
그림 Fig. 10. Visualization results of two class-based model, depicting instances where the predicted probabilities for the sorghum class are below 0.5, with values transformed as follows: 0 to 25 and 0.5 to 0.
표 Table 8. Classification evaluation metrics of three classes and two class-based model
표 Table 9. The number and ratio of pixels depending on three and two classes combination

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 선행된 연구에 관련하여 특정 작물인 수수를 대상으로 연구를 수행하였으며, 수수의 주산지에서 취득한 무인기 기반 RGB 영상에 U-Net을 적용하여 국내에서 전통적인 방식으로 수량 조사가 어려운 수수의 수량성을 비파괴적으로 추정하기 위해 수수의 재배지 분할 가능성을 검토하였다.

제안 방법

본 연구에서는 Pix 4D Mapper (Pix4D S.A., Swiss)를 사용하여 RGB 영상 7월 28일에 1,049장, 8월 13일에 1,046장과 8월 25일에 990장을 각각 하나의 영상으로 접합한 후 Python 3.8.16 (Python Software Foundation, USA)을 이용하여 동일한 위치에 수수가 포함된 각 날짜 별 전체영상들을 학습을 위해 최대 사이즈 영상(8,000 × 8,000) 7장으로 분할하였다
위 문제를 해결하기 위해 background와 others를 하나의 클래스로 합친 후 수수 클래스와 분류하기 위해 손실함수를 이진 교차 엔트로피로 사용하여 모델을 개발하였다. 그 결과 모든 날짜의 모델에서 정확도 0.
딥러닝 모델의 경우 학습 영상이 먼저 입력되고 정답 영상 데이터와 예측 결과에 따라 모델 내 아키텍처의 파라미터가 조정된다. 이를 위해 사용한 학습 지표의 경우 혼동 행렬 기반 정확도(Accuracy), 다이스 계수(Dice_coeffciency)와 손실함수로 범주형 교차 엔트로피 손실(categorical cross-entropy loss) 및 이진 교차 엔트로피 손실(binary cross-entropy loss) 두 가지로 각각 지정하였다.

대상 데이터

16 (Python Software Foundation, USA)을 이용하여 동일한 위치에 수수가 포함된 각 날짜 별 전체영상들을 학습을 위해 최대 사이즈 영상(8,000 × 8,000) 7장으로 분할하였다. 그 후 Label-Studio (Heartext Inc., USA)를 이용하여 수수 농경지(sorghum), 수수가 아닌 농경지(others)와 농경지가 아닌 영역(background)으로 annotation 작업을 진행하였고 각각의 레이어를 정합하여 정답 영상 데이터를 생성하였다(Fig. 2).
8 ha로 2022년 6월 20일에 파종하여 9월 26일에 수확되었다. 무인기에 RGB 영상센서를 탑재하여 성장 2단계(30 to 60 day after seeding (DAS))인 7월 28일(38 DAS)과 8월 13일(53 DAS), 성장 3단계(60 to 90 DAS)인 8월 25일(65 DAS)에 총 3회 영상을 취득하였다.
1). 벼(약 5.7 ha)와 콩(약 1.2 ha)이 재배되고 있는 지역으로 수수의 품종은 소담찰이며 재배면적은 1.8 ha로 2022년 6월 20일에 파종하여 9월 26일에 수확되었다. 무인기에 RGB 영상센서를 탑재하여 성장 2단계(30 to 60 day after seeding (DAS))인 7월 28일(38 DAS)과 8월 13일(53 DAS), 성장 3단계(60 to 90 DAS)인 8월 25일(65 DAS)에 총 3회 영상을 취득하였다.
본 연구는 경상북도 안동시 남후면 고상리의 약 25 ha 농경지(36°30′20.3″N, 128°36′27.6″E, 130 m of sea level)를 대상으로 진행되었다(Fig

이론/모형

해당 평가 지표를 통해 모델의 예측 능력과 신뢰성을 평가하여 얼마나 잘 일반화되어 있는지 평가하고 타 모델과의 최종 성능 비교를 위해 혼동행렬 기반의 intersection over union (IoU), F1 Score, Kappa (Cohen’s kappa)를 사용하였다.

성능/효과

세 개 클래스 기반 모델과 동일한 방법으로 시각화 하였을 때(Fig. 9), 수수 농경지의 외곽에 존재하는 잡초, 생육 부진에 따른 빈 공간으로 인해 학습에 혼동이 발생하는 것임을 확인하였다. 따라서 수수의 재배면적을 보다 정확하게 파악하는 데 잡초, 생육부진 등의 영향이 큰 7월 28일과 같은 개화기를 포함한 이전의 생육 단계에서는 재배면적을 산출하기에 유리하지 않다고 판단되었다.
위 문제를 해결하기 위해 background와 others를 하나의 클래스로 합친 후 수수 클래스와 분류하기 위해 손실함수를 이진 교차 엔트로피로 사용하여 모델을 개발하였다. 그 결과 모든 날짜의 모델에서 정확도 0.953 이상, 다이스계수 0.947 이상, 손실함수 0.142 미만의 성능을 취득하였고(Table 6), 혼동행렬을 비교했을 때도(Table 7), background와 others 클래스 간 학습 혼동으로 인한 비 정상적으로 높은 손실 함수 문제가 해소된 것을 확인할 수 있다. 그러나 두 개 클래스 기반 분류 모델 그래프를 확인하였을 때(Fig.
991로 모델의 분류 및 일반화 성능이 뛰어나다는 것을 다시 확인할 수 있었다. 다음으로 높은 성능을 보인 8월 28일 모델에서도 IoU가 0.985, F1 Score가 0.992, Kappa가 0.984로 데이터셋의 품질 문제로 인해 학습이 적절히 이루어지지 않은 7월 28일 모델을 제외한 모든 모델들이 수수 재배지를 분류하기에 적합하다고 판단되었다.
826으로 가장 낮은 성능을 나타내었으며, 각 클래스의 비율을 확인했을 때(Table 9), 타 클래스에 비해 sorghum 클래스의 픽셀수가 많은 불균형한 데이터셋으로 인해 sorghum 클래스 분류에 낮은 성능을, others 클래스 분류에 과하게 높은 성능을 나타내었다는 것을 확인할 수 있다. 두 개 클래스 기반 분류 모델의 경우 모든 날짜의 모델에서 각 클래스의 비율의 차이가 미미하여 각 클래스에 대해 신뢰할 수 있는 일반화 성능을 나타내었고, 그 중 최고 성능을 나타낸 8월 13일 모델의 IoU는 0.991로 실제 면적과 예측 면적의 비율이 거의 동일하였고, F1 Score는 0.996으로 실제 수수 재배지를 정밀하게 예측하였다. 또한 Kappa가 0.
수수 재배지 분류만을 목표로 한다면 클래스 개수와 상관없이 7월 28일을 제외한 모든 모델이 다 적합할 수 있으나, 학습 및 검증단계에서 others 클래스에서 발생하는 학습 혼동 없이 높은 일관성으로 모델의 복잡성을 줄인 두 개 클래스 기반 분류모델이 더욱 안정적으로 현장에 재현될 것이라고 여겨졌다. 따라서 성장 2 단계(30 to 60 DAS)인 8월 중기와 후기에 두 개 클래스 기반 모델을 사용하는 것이 보다 정밀하게 수수의 재배면적 정보 산출과 함께 수량을 추정하는 것이 가능할 것이라고 판단된다.
해당 연구에서는 평가지표에 따라 모델의 결과를 나타내었을 때(Table 8), 세 개 클래스 기반 분류 모델의 경우 8월 25일이 IoU가 0.857, F1 Score가 0.923, Kappa가 0.826으로 가장 낮은 성능을 나타내었으며, 각 클래스의 비율을 확인했을 때(Table 9), 타 클래스에 비해 sorghum 클래스의 픽셀수가 많은 불균형한 데이터셋으로 인해 sorghum 클래스 분류에 낮은 성능을, others 클래스 분류에 과하게 높은 성능을 나타내었다는 것을 확인할 수 있다. 두 개 클래스 기반 분류 모델의 경우 모든 날짜의 모델에서 각 클래스의 비율의 차이가 미미하여 각 클래스에 대해 신뢰할 수 있는 일반화 성능을 나타내었고, 그 중 최고 성능을 나타낸 8월 13일 모델의 IoU는 0.

후속연구

수수 재배지 분류만을 목표로 한다면 클래스 개수와 상관없이 7월 28일을 제외한 모든 모델이 다 적합할 수 있으나, 학습 및 검증단계에서 others 클래스에서 발생하는 학습 혼동 없이 높은 일관성으로 모델의 복잡성을 줄인 두 개 클래스 기반 분류모델이 더욱 안정적으로 현장에 재현될 것이라고 여겨졌다. 따라서 성장 2 단계(30 to 60 DAS)인 8월 중기와 후기에 두 개 클래스 기반 모델을 사용하는 것이 보다 정밀하게 수수의 재배면적 정보 산출과 함께 수량을 추정하는 것이 가능할 것이라고 판단된다.

참고문헌 (30)

Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A.,？Duan, Y., Al-Shamma, O. et al., 2021. Review？of deep learning: Concepts, CNN architectures,？challenges, applications, future directions. Journal？of Big Data, 8(1), 53. https://doi.org/10.1186/s40537-021-00444-8

상세보기
Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov,？A., and Zagoruyko, S., 2020. End-to-end object？detection with transformers. arXiv preprint arXiv:2005.12872. https://doi.org/10.48550/arXiv.2005.12872
David, E., Daubige, G., Joudelat, F., Burger, P., Comar,？A., de Solan, B. et al., 2021. Plant detection and？counting from high-resolution RGB images acquired？from UAVs: Comparison between deep-learning？and handcrafted methods with application to maize,？sugar beet, and sunflower. bioRxiv, 2021, 441631.？https://doi.org/10.1101/2021.04.27.441631
Du, Z., Yang, J., Ou, C., and Zhang, T., 2019. Smallholder？crop area mapped with a semantic segmentation？deep learning method. Remote Sensing, 11(7), 888. https://doi.org/10.3390/RS11070888

상세보기
Dykes, L., Rooney, L. W., Waniska, R. D., and Rooney,？W. L., 2005. Phenolic compounds and antioxidant？activity of sorghum grains of varying genotypes.？Journal of Agricultural and Food Chemistry, 53(17),？6813-6818. https://doi.org/10.1021/jf050419e

상세보기
Garcia, S., Fernandez, A., Luengo, J., and Herrera,？F., 2009. A study of statistical techniques and？performance measures for genetics-based machine？learning: Accuracy and interpretability. Soft？Computing, 13(10), 959-977. https://doi.org/10.1007/s00500-008-0392-y

상세보기
Garcia-Martinez, H., Flores-Magdaleno, H., Khalil-Gardezi, A., Ascencio-Hernandez, R., TijerinaChavez, L., Vazquez-Pena, M. A. et al., 2020.？Digital count of corn plants using images taken？by unmanned aerial vehicles and cross correlation？of templates. Agronomy, 10(4), 469. https://doi.org/10.3390/agronomy10040469

상세보기
Ha, Y. D., and Lee, S. P., 2001. Characteristics of proteins？in Italian millet, sorghum and common meillet.？Korean Journal of Food Preservation, 8(2), 187-192.
Kingma, D. P., and Ba, J., 2014. Adam: A method for？stochastic optimization. arXiv preprint arXiv:1412.6980. https://doi.org/10.48550/arXiv.1412.6980
Korean Agricultural Marketing Information Service, 2023. Retail price information: Food crops. Available？online: https://www.kamis.or.kr/customer/price/nature/catalogue.do?actionyearly&yyyy2023&countycode&itemcategorycode100&convert_kg_ynN&convert_kg_ynN (accessed on Aug.？17, 2023).
Korean Statistical Information Service, 2022. Agricultural？production census: Cereal production. Available？online: https://kosis.kr/statHtml/statHtml.do?orgId101&tblIdDT_1ET0024&conn_pathI2 (accessed on Aug. 17, 2023).
Lin, Z., and Guo, W., 2020. Sorghum panicle detection？and counting using unmanned aerial system images？and deep learning. Frontiers in Plant Science, 11, 534853. https://doi.org/10.3389/fpls.2020.534853

상세보기
Liu, T., Li, R., Zhong, X., Jiang, M., Jin, X., Zhou, P.？et al., 2018. Estimates of rice lodging using indices？derived from UAV visible and thermal infrared？images. Agricultural and Forest Meteorology, 252,？144-154. https://doi.org/10.1016/j.agrformet.2018.01.021

상세보기
Marsalis, M. A., Angadi, S. V., and Contreras-Govea, F.？E., 2010. Dry matter yield and nutritive value of？corn, forage sorghum, and BMR forage sorghum？at different plant populations and nitrogen rates.？Field Crops Research, 116(1-2), 52-57. https://doi.org/10.1016/j.fcr.2009.11.009

상세보기
Milletari, F., Navab, N., and Ahmadi, S. A., 2016.？V-net: Fully convolutional neural networks for？volumetric medical image segmentation. In？Proceedings of the 2016 Fourth International？Conference on 3D Vision (3DV), Stanford, CA,？USA, Oct. 25-28, pp. 565-571. https://doi.org/10.1109/3DV.2016.79
Na, S. I., Park, C. W., So, K. H., Ahn, H. Y., and Lee,？K. D., 2018. Application method of unmanned？aerial vehicle for crop monitoring in Korea. Korean？Journal of Remote Sensing, 34(5), 829-846.？https://doi.org/10.7780/kjrs.2018.34.5.10

원문보기 상세보기
National Institute of Crop Science, 2016. Key research？accomplishments: Effect of sloping rice field？culvert drainage for stable crop production.？Available online: http://www.nics.go.kr/bbs/view.do?m100000126&bbsIdresearch&bbsSn202912 (accessed on Aug. 17, 2023).
National Institute of Crop Science, 2019. Key research？accomplishments: Recommendation of crop-specific varieties for stable production of field？crops in paddy cultivation. Available online:？http://www.nics.go.kr/bbs/view.do?m100000126&bbsIdresearch&bbsSn463112 (accessed on？Aug. 17, 2023).
Park, M. J., Ryu, C. S., Kang, Y. S., Song, H. Y.,？Baek, H. C., Park, K. S. et al., 2022. Sorghum？panicle detection using YOLOv5 based on RGB？image acquired by UAV system. Korean Journal？of Agricultural and Forest Meteorology, 24(4),？295-304. https://doi.org/10.5532/KJAFM.2022.24.4.295

원문보기 상세보기
Prechelt, L., 1998. Early stopping - But when?. In: Orr,？G. B., Muller, K. R. (eds.), Neural networks: Tricks？of the trade, Springer, pp. 55-69. https://doi.org/10.1007/3-540-49430-8_3
Randelovic, P., Ðordevic, V., Milic, S., Balesevic-Tubic,？S., Petrovic, K., Miladinovic, J. et al., 2020.？Prediction of soybean plant density using a？machine learning model and vegetation indices？extracted from RGB images taken with a UAV.？Agronomy, 10(8), 1108. https://doi.org/10.3390/agronomy10081108

상세보기
Ronneberger, O., Fischer, P., and Brox, T., 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, pp. 234-241. https://doi.org/10.1007/978-3-319-24574-4_28
Rural Development Administraion, 2019. Rural local news.？Available online: https://www.rda.go.kr:2360/board/board.do?boardIdfarmlcltinfo&dataNo100000753233&modeupdateCnt (accessed on Aug. 22, 2023).
Rural Development Administraion, 2021. Manual for？agricultural field observation and image processing？using drones. Available online: https://lib.rda.go.kr/search/searchDetail.do?ctrl000000638380&lsMenu3010 (accessed on Aug. 22, 2023).
Stehr, N. J., 2015. Drones: The newest technology for？precision agriculture. Natural Sciences Education,？44(1), 89-91. https://doi.org/10.4195/nse2015.04.0772

상세보기
Sutskever, I., Martens, J., Dahl, G., and Hinton, G., 2013. On the importance of initialization and？momentum in deep learning. In Proceedings of？the 30th International Conference on Machine？Learning, Atlanta, GA, USA, June 17-19, pp.？1139-1147. https://proceedings.mlr.press/v28/sutskever13.html
Tack, J., Lingenfelser, J., and Jagadish, S. V. K., 2017.？Disaggregating sorghum yield reductions under？warming scenarios exposes narrow genetic diversity？in US breeding programs. Proceedings of the？National Academy of Sciences, 114(35), 9296-9301. https://doi.org/10.1073/pnas.1706383114

상세보기
Zeiler, M. D., and Fergus, R., 2014. Visualizing and？understanding convolutional networks. In: Fleet,？D., Pajdla, T., Schiele, B., Tuytelaars, T. (eds.),？Computer vision - ECCV 2014, Springer, pp. 818-833. https://doi.org/10.1007/978-3-319-10590-1_53

상세보기
Zhang, L., Niu, Y., Zhang, H., Han, W., Li, G., Tang, J.？et al., 2019. Maize canopy temperature extracted？from UAV thermal and RGB imagery and its？application in water stress monitoring. Frontiers？in Plant Science, 10, 1270. https://doi.org/10.3389/fpls.2019.01270

상세보기
Zhao, X., Yuan, Y., Song, M., Ding, Y., Lin, F., Liang,？D. et al., 2019. Use of unmanned aerial vehicle？imagery and deep learning UNet to extract rice？lodging. Sensors, 19(18), 3859. https://doi.org/10.3390/s19183859

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