[논문]시설물 상태평가를 위한 파운데이션 모델 기반 2-Step 시설물 손상 분석

박현수; 김휘영; 정동기

doi:10.7780/kjrs.2023.39.5.1.13

[국내논문] 시설물 상태평가를 위한 파운데이션 모델 기반 2-Step 시설물 손상 분석
2-Step Structural Damage Analysis Based on Foundation Model for Structural Condition Assessment 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.621 - 635

박현수 ((주)이노팸 인공지능팀) , 김휘영 ((주)이노팸 공간정보팀) , 정동기 ((주)이노팸)

초록
AI-Helper

시설물 상태평가는 시설물의 사용성을 평가하고, 진단 주기를 결정하는 중요한 과정이다. 현재 수행되고 있는 인력 기반 방법은 안전, 효율, 객관성에 대한 문제를 안고 있어 이를 개선하기 위해 영상을 이용한 딥러닝(deep learning) 기반의 연구가 수행되고 있다. 그러나 시설물 손상 데이터는 발견하기 어려워 다량의 시설물 손상 학습 데이터를 구축하기 어렵고, 이는 딥러닝 기반 상태평가에 한계로 작용한다. 본 연구에서는 영상 기반 시설물 상태평가의 학습 데이터 부족으로 인한 어려움을 개선하기 위해 파운데이션 모델(foundation model) 기반 2-step 시설물 손상 분석을 제시한다. 시설물 상태평가의 요소를 객체화와 정량화로 세분화하고, 정량화 단계에서 영상 분할(segmentation) 파운데이션 모델을 적용하였다. 본 연구의 방법은 기존 영상 분할 방법 대비 10% 포인트 이상 높은 mean intersection over union을 나타냈고, 특히 철근 노출의 경우에는 40% 포인트 이상의 성능 개선을 보였다. 본 연구의 방법이 학습 데이터 구축이 어려운 도메인에 성능 개선을 가져올 것이라 기대한다.

Abstract ▼ AI-Helper

The assessment of structural condition is a crucial process for evaluating its usability and determining the diagnostic cycle. The currently employed manpower-based methods suffer from issues related to safety, efficiency, and objectivity. To address these concerns, research based on deep learning using images is being conducted. However, acquiring structural damage data is challenging, making it difficult to construct a substantial amount of training data, thus limiting the effectiveness of deep learning-based condition assessment. In this study, we propose a foundation model-based 2-step structural damage analysis to overcome the lack of training data in image-based structural condition assessments. We subdivided the elements of structural condition assessment into instantiation and quantification. In the quantification step, we applied a foundation model for image segmentation. Our method demonstrated a 10%-point increase in mean intersection over union compared to conventional image segmentation techniques, with a notable 40%-point improvement in the case of rebar exposure. We anticipate that our proposed approach will enhance performance in domains where acquiring training data is challenging.

주제어

표/그림 (18)

그림 Fig. 1. Overall framework of structural condition assessment.
그림 Fig. 2. Structure of VFNet (Zhang et al., 2021).
그림 Fig. 3. Structure of SAM (Kirillov et al., 2023).
그림 Fig. 4. Workflow of building a training dataset.
그림 Fig. 5. Sample images of open dataset.
표 Table 1. Detailed information of open dataset
그림 Fig. 6. Sample images of labeling changes.
그림 Fig. 7. Experiment configuration.
표 Table 2. Detailed information of the training dataset
표 Table 3. Hyperparameter of object detection
표 Table 4. Quantitative results of object detection
그림 Fig. 8. Qualitative results of object detection. (a) Detection results of crack and spalling. (b) Detection results of spalling and rebar exposure.
표 Table 5. Analysis of the detection ratio of rebar exposure
그림 Fig. 9. Less-than-50% overlap of predicted rebar exposure bounding box with ground truth.
표 Table 6. Hyperparameter of segmentation
그림 Fig. 10. Qualitative results of segmentation. (a) Segmentation results of spalling and rebar exposure. (b) Segmentation results containing crack.
표 Table 7. Quantitative results of segmentation
그림 Fig. 10. Continued

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 기존 인력기반 시설물 상태평가 방법의 어려움을 개선하기 위해 파운데이션 모델 기반 2-step 시설물 손상 분석 방법을 제안하였다. 첫 번째 단계에서는 비교적 데이터 학습 구축이 편리하고 수집하기 용이한 객체 탐지 모델을 이용해 손상을 객체화하고, 두 번째 단계에서는 파운데이션 모델을 이용해 별도의 학습 없이 영상 분할을 수행했다.
본 연구에서는 시설물 상태평가를 위한 딥러닝 기반 손상 분석에서 학습 데이터 부족 문제를 극복하기 위해 파운데이션 모델 기반 2-step 방법을 제안한다. 객체 탐지를 수행해 손상을 객체화하고, 탐지 결과를 SAM에 프롬프트로 입력하여 손상을 정량화 한다.

제안 방법

첫 번째 단계에서는 비교적 데이터 학습 구축이 편리하고 수집하기 용이한 객체 탐지 모델을 이용해 손상을 객체화하고, 두 번째 단계에서는 파운데이션 모델을 이용해 별도의 학습 없이 영상 분할을 수행했다. 객체화 단계에서 VFNet 모델을 사용하여 시설물 손상의 위치와 클래스 정보를 제공하였으며, 정량화 단계에서 SAM을 사용하여 시설물 손상의 정도를 판단하기 위한 근거 자료를 생성하였다.
특히, 시설물의 손상을 정확하게 탐지하는 것은 안전에 직접적인 영향을 미치기 때문에 AP와 recall 지표가 중요하다. 따라서 균열, 박락 그리고 철근노출에 대한 각각의 AP/recall과 이들의 mean average precision (mAP)/mean recall (mRecall) 값을 통해 모델의 전체 성능을 종합적으로 평가하였다.
가위 손잡이에 대해 포인트를 프롬프트로 입력할 경우 하나의 손잡이에 대한 마스크, 두 쪽 모두에 대한 마스크, 혹은 가위 전체에 대해 마스크가 생성된다. 박스나 텍스트와 같은 다른 프롬프트에 대해서도 같은 결과를 얻을 수 있고, 본 연구에서는 박스에 대한 프롬프트에 대해 가장 높은 스코어를 갖는 마스크를 이용한다.
정량화 과정에서는 시설물 손상의 정도와 범위에 중점을 두어 분할 성능을 평가하였다. 의미론적 분할 모델과 SAM을 비교한 결과, SAM은 의미론적 분할 모델에 비해 높은 정량적 지표(IoU, recall)와 더 우수한 정성적 시각화 결과를 보였다.
본 연구에서는 기존 인력기반 시설물 상태평가 방법의 어려움을 개선하기 위해 파운데이션 모델 기반 2-step 시설물 손상 분석 방법을 제안하였다. 첫 번째 단계에서는 비교적 데이터 학습 구축이 편리하고 수집하기 용이한 객체 탐지 모델을 이용해 손상을 객체화하고, 두 번째 단계에서는 파운데이션 모델을 이용해 별도의 학습 없이 영상 분할을 수행했다. 객체화 단계에서 VFNet 모델을 사용하여 시설물 손상의 위치와 클래스 정보를 제공하였으며, 정량화 단계에서 SAM을 사용하여 시설물 손상의 정도를 판단하기 위한 근거 자료를 생성하였다.

대상 데이터

AI-Hub의 ‘건물 균열 탐지이미지 데이터셋’은 균열, 박리, 백태/누수, 철근 노출, 강재 손상, 도장 손상 등의 손상을 포함하고 있으며 이중 콘크리트 손상과 관련된 1,300 장의 사진을 이용했다
첫 번째 단계는 손상 영역의 검출을 위한 객체화 과정으로 객체 탐지 모델의 성능을 평가하였다. 객체 탐지 모델로는 ResNeXt 101을 백본(backbone)으로 사용하는 VFNet 모델을 선택하였다. 배치 크기는 4로 설정하였고 stochastic gradient descent를 optimizer로 사용하였다.
번짐이 심한 사진은 손상의 세부 특징이 뚜렷하게 나타나지 않고, 노이즈가 많은 사진은 왜곡된 손상 정보를 제공할 수 있다. 기존 7,305장에서 부적합 사진 제거를 통해 4,847장을 제거하고 2,458장이 남았다.
Table 2는 데이터셋 A와 B에 대해 나타낸다. 데이터셋 A는 바운딩 박스 형태이고 사진은 2,458 장이다. 레이블링 된 객체는 균열 3,806개, 박락은 4,670개, 철근 노출은 1,191개다.
레이블링 된 객체는 균열 3,806개, 박락은 4,670개, 철근 노출은 1,191개다. 데이터셋 B는 폴리곤(polygon) 형태이고, 의미론적 분할에 적합하지 않은 사진을 제외하여 총 1,362 장으로 구성된다. 레이블링된 객체는 균열 2,308개, 박락은 2,460개, 철근 노출은 1,525개다.
데이터셋 A는 바운딩 박스 형태이고 사진은 2,458 장이다. 레이블링 된 객체는 균열 3,806개, 박락은 4,670개, 철근 노출은 1,191개다. 데이터셋 B는 폴리곤(polygon) 형태이고, 의미론적 분할에 적합하지 않은 사진을 제외하여 총 1,362 장으로 구성된다.
데이터셋 B는 폴리곤(polygon) 형태이고, 의미론적 분할에 적합하지 않은 사진을 제외하여 총 1,362 장으로 구성된다. 레이블링된 객체는 균열 2,308개, 박락은 2,460개, 철근 노출은 1,525개다.
데이터 구축은 수집과 전처리로 나뉜다. 먼저 4개의 오픈 데이터셋에서 다양한 유형의 시설물 손상 데이터를 수집하였다. 수집 데이터에서 불필요한 데이터를 삭제하고 학습 데이터를 다시 레이블링하여 연구 목적에 적합한 데이터셋을 구축했다.
배치 크기는 4로 설정하였고 stochastic gradient descent를 optimizer로 사용하였다. 모델은 총 48 에폭(epoch) 동안 학습되었으며, 데이터셋 A를 8:2 비율로 분할하여 학습과 평가를 진행했다.
객체 탐지는 영상 내의 관심 객체를 탐지해 객체의 종류를 분류하고, 그 위치를 바운딩 박스(bounding box)로 표현하는 태스크이다. 본 연구에서는 객체 탐지를 사용해 시설물의 손상을 객체화하고, 향후 정량화에 입력 데이터로 이용한다.

데이터처리

의미론적 분할은 DeepLabV3+ (ResNet101), OCRNet(HRNetV2p-W48), Segformer (MiT-B5) 모델을 사용하였으며, SAM은 Vit-H SAM 모델을 기반으로 하였다. 3가지 의미론적 분할 모델은 동일한 하이퍼파라미터(hyperparameter) 설정하에(Table 6) 데이터셋 B (Table 2)를 8:2 비율로 학습 및 평가하였다. 반면, SAM은 추가 학습 없이 데이터셋 B의 평가 데이터로만 평가되었다.
이 과정은 후속 단계인 정량화에 필요한 영역 및 클래스 정보를 제공하는 역할을 한다. 객체 탐지 모델로 VFNet을 사용하였고(Table 3), 데이터셋 A를 8:2 비율로 분할하여 학습과 평가를 진행하였다(Table 2). VFNet 모델의 성능은 AP와 recall 지표를 통해 평가되었다.
정량적 지표와 정성적 결과를 통해 성능을 평가하였다. 객체 탐지의 정량적 지표는 average precision (AP)와 recall로, 분할의 정량적 지표는 intersection over union (IoU)와 recall로 평가하였다. 손상을 탐지하는 못하는 것보다 과하게 탐지하는 것이 시설물 관리에서 더욱 효용이 높기 때문에 recall을 중점적으로 확인했다.
시설물 손상 탐지의 2-step 방법 중 두 번째 단계인 정량화 과정의 분할 성능을 중점적으로 평가하였다. 이 단계에서는 시설물 손상의 정도와 범위를 평가하는 데 중점을 둔다.
시설물 손상 탐지의 2-step 방법 중 첫 단계인 객체화 과정의 객체 탐지 성능을 중점적으로 평가하였다. 이 과정은 후속 단계인 정량화에 필요한 영역 및 클래스 정보를 제공하는 역할을 한다.
시설물 손상의 정량적 평가 이후, 해당 결과를 시각적으로도 명확하게 이해할 수 있도록 정성적 평가를 진행하였다. Fig.
이 단계에서는 시설물 손상의 정도와 범위를 평가하는 데 중점을 둔다. 의미론적 분할과 SAM의 성능을 비교한다. 의미론적 분할은 DeepLabV3+ (ResNet101), OCRNet(HRNetV2p-W48), Segformer (MiT-B5) 모델을 사용하였으며, SAM은 Vit-H SAM 모델을 기반으로 하였다.
분할 모델의 성능은 IoU와 recall 지표를 통해 평가되었다. 이러한 지표들은 픽셀 수준에서의 예측 정확도와 재현율을 나타내며 균열, 박락, 철근 노출 세 가지 클래스에 대한 성능 그리고 mean intersection over union (mIoU)/mRecall 값을 통해 모델의 종합적 성능을 평가하였다.
정량적 지표와 정성적 결과를 통해 성능을 평가하였다. 객체 탐지의 정량적 지표는 average precision (AP)와 recall로, 분할의 정량적 지표는 intersection over union (IoU)와 recall로 평가하였다.
7). 첫 번째 단계는 손상 영역의 검출을 위한 객체화 과정으로 객체 탐지 모델의 성능을 평가하였다. 객체 탐지 모델로는 ResNeXt 101을 백본(backbone)으로 사용하는 VFNet 모델을 선택하였다.

이론/모형

객체 탐지 모델로 VFNet을 사용하였고(Table 3), 데이터셋 A를 8:2 비율로 분할하여 학습과 평가를 진행하였다(Table 2). VFNet 모델의 성능은 AP와 recall 지표를 통해 평가되었다. AP는 정밀도와 재현율을 종합적으로 고려한 탐지 성능을 나타내며, 본 실험에서는 IoU 임계값이 0.
두 방법 모두 이미지 내의 객체를 픽셀 수준에서 분류하는 공통점을 가지고 있다. 본 연구에서는 손상 정량화를 위해 분할을 수행하고, 이를 위해 컴퓨터 비전 분할 태스크 기반 파운데이션 모델인 SAM을 이용한다. 첫 번째 과정인 객체화를 통해 추출한 바운딩 박스 내의 영상을 입력 데이터로 하여 바운딩 박스 내의 손상을 분할한다.
반면, SAM은 추가 학습 없이 데이터셋 B의 평가 데이터로만 평가되었다. 분할 모델의 성능은 IoU와 recall 지표를 통해 평가되었다. 이러한 지표들은 픽셀 수준에서의 예측 정확도와 재현율을 나타내며 균열, 박락, 철근 노출 세 가지 클래스에 대한 성능 그리고 mean intersection over union (mIoU)/mRecall 값을 통해 모델의 종합적 성능을 평가하였다.
의미론적 분할과 SAM의 성능을 비교한다. 의미론적 분할은 DeepLabV3+ (ResNet101), OCRNet(HRNetV2p-W48), Segformer (MiT-B5) 모델을 사용하였으며, SAM은 Vit-H SAM 모델을 기반으로 하였다. 3가지 의미론적 분할 모델은 동일한 하이퍼파라미터(hyperparameter) 설정하에(Table 6) 데이터셋 B (Table 2)를 8:2 비율로 학습 및 평가하였다.

성능/효과

SAM을 사용한 본 연구의 방법은 추가 학습 없이 기존의 딥러닝 모델인 의미론적 분할 모델 대비 10% 포인트 이상 높은 mIoU를 나타냈으며, 특히 철근 노출에서 40% 포인트 이상의 성능 개선을 보였다. 면적형 객체(박락, 철근 노출)에 대해 높은 성능을 보였으나, 선형객체인 균열에 대해서는 상대적으로 낮은 성능을 나타냈다.
이러한 결과는 SAM이 IoU와 recall에서 보인 성능과 일치한다. 박락과 철근 노출은 면적 형태의 객체로 분류될 수 있으며, SAM이 이러한 형태의 시설물 손상에 대해 높은 성능을 나타냄을 확인하였다.
정량화 과정에서는 시설물 손상의 정도와 범위에 중점을 두어 분할 성능을 평가하였다. 의미론적 분할 모델과 SAM을 비교한 결과, SAM은 의미론적 분할 모델에 비해 높은 정량적 지표(IoU, recall)와 더 우수한 정성적 시각화 결과를 보였다. 추가적인 데이터 학습 없이도 SAM이 뛰어난 분할 성능을 발휘함으로써 파운데이션 모델로서의 적합성을 입증하였다.
의미론적 분할 모델과 SAM을 비교한 결과, SAM은 의미론적 분할 모델에 비해 높은 정량적 지표(IoU, recall)와 더 우수한 정성적 시각화 결과를 보였다. 추가적인 데이터 학습 없이도 SAM이 뛰어난 분할 성능을 발휘함으로써 파운데이션 모델로서의 적합성을 입증하였다. 특히, 박락과 철근 노출에 대해 우수한 분할 성능을 보여주었다.
객체화 과정은 정량적 및 정성적 평가를 통해 높은 탐지 성능을 보였다. 특히 AP와 recall에서 철근 노출의 성능이 상대적으로 낮았으나, 실제 탐지에서는 후속 단계에 대한 적절한 손상 영역을 제공함을 확인하였다. 또한, 모델은 복합 손상 상황에서도 높은 성능을 보여주었다.

후속연구

면적형 객체(박락, 철근 노출)에 대해 높은 성능을 보였으나, 선형객체인 균열에 대해서는 상대적으로 낮은 성능을 나타냈다. 본 연구의 방법은 학습 데이터를 구축하기 어려운 도메인에서 높은 성능 개선을 가져올 것으로 기대된다. 향후 연구에서는 SAM의 미세 조정(fine tuning)과 선형객체 데이터에 대한 전이학습(transfer learning)을 통해 선형 객체에 대한 탐지 성능을 더욱 향상시키는 방법을 모색하고, 다양한 시설물과 환경에서의 적용 가능성을 탐구할 예정이다.
본 연구의 방법은 학습 데이터를 구축하기 어려운 도메인에서 높은 성능 개선을 가져올 것으로 기대된다. 향후 연구에서는 SAM의 미세 조정(fine tuning)과 선형객체 데이터에 대한 전이학습(transfer learning)을 통해 선형 객체에 대한 탐지 성능을 더욱 향상시키는 방법을 모색하고, 다양한 시설물과 환경에서의 적용 가능성을 탐구할 예정이다.
이러한 성능은 정량화 과정에서의 위치 추정 기준을 충족시키는 것으로 판단된다. 후속 절에서는 객체화 결과를 입력 데이터로 프롬프트 하여 정량화 과정에서 분할 성능 분석을 확인해본다.

참고문헌 (23)

Alipour, M., Harris, D. K., and Miller, G. R., 2019.？Robust pixel-level crack detection using deep？fully convolutional neural networks. Journal of？Computing in Civil Engineering, 33(6), 04019040.？https://doi.org/10.1061/(ASCE)CP.1943-5487.0000854

상세보기
Bang, S., Park, S., Kim, H., and Kim, H., 2019. Encoder-decoder network for pixel-level road crack detection？in black-box images. Computer-Aided Civil and？Infrastructure Engineering, 34(8), 713-727. https://doi.org/10.1111/mice.12440

상세보기
Beckman, G. H., Polyzois, D., and Cha, Y. J., 2019.？Deep learning-based automatic volumetric damage？quantification using depth camera. Automation？in Construction, 99, 114-124. https://doi.org/10.1016/j.autcon.2018.12.006

상세보기
Bommasani, R., Hudson, D. A., Adeli, E., Altman,？R., Arora, S., von Arx, S. et al., 2021. On the？opportunities and risks of foundation models.？arXiv preprint arXiv:2108.07258. https://doi.org/10.48550/arXiv.2108.07258
Chen, L. C., Zhu, Y., Papandreou, G., Schroff, F., and？Adam, H., 2018. Encoder-decoder with atrous？separable convolution for semantic image segmentation. In Proceedings of the 2018 European？Conference on Computer Vision (ECCV), Munich,？Germany, Sept. 8-14, pp. 833-851. https://doi.org/10.1007/978-3-030-01234-2_49
Facility Safety Division, 2022. Guidelines for safety？and maintenance of facilities, etc. Ministry of？Land, Infrastructure and Transport.
Gao, X., Jian, M., Hu, M., Tanniru, M., and Li, S., 2019.？Faster multi-defect detection system in shield？tunnel using combination of FCN and faster？RCNN. Advances in Structural Engineering,？22(13), 2907-2921. https://doi.org/10.1177/1369433219849829

상세보기
Huthwohl, P., Lu, R., and Brilakis, I., 2019. Multi-classifier for reinforced concrete bridge defects.？Automation in Construction, 105, 102824. https://doi.org/10.1016/j.autcon.2019.04.019

상세보기
Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C.,？Gustafson, L. et al., 2023. Segment anything.？arXiv preprint arXiv:2304.02643. https://doi.org/10.48550/arXiv.2304.02643
Korea Authority of Land & Infrastructure Safety, 2021.？Implement safety and maintenance of facilities？Detailed instructions (Safety inspection/diagnosis).？Ministry of Land, Infrastructure and Transport.
Li, S., Zhao, X., and Zhou, G., 2019. Automatic pixel-level multiple damage detection of concrete structure？using fully convolutional network. Computer-Aided Civil and Infrastructure Engineering, 34(7),？616-634. https://doi.org/10.1111/mice.12433

상세보기
Liu, J., Huang, Y., Zou, Q., Tian, M., Wang, S., Zhao,？X. et al., 2019. Learning visual similarity for？inspecting defective railway fasteners. IEEE？Sensors Journal, 19(16), 6844-6857. https://doi.org/10.1109/JSEN.2019.2911015

상세보기
Meta AI, 2023. SA-1B dataset. Available online: https://ai.meta.com/datasets/segment-anything (accessed？on Sept. 27, 2023).
Mundt, M., Majumder, S., Murali, S., Panetsos, P., and？Ramesh, V., 2019. Meta-learning convolutional？neural architectures for multi-target concrete defect？classification with the concrete defect bridge？image dataset. In Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern？Recognition (CVPR), Long Beach, CA, USA, June？15-20, pp. 11188-11197. https://doi.org/10.1109/CVPR.2019.01145
National Information Society Agency AI Hub, 2020.？Building crack detection image dataset. Available？online: https://aihub.or.kr/aihubdata/data/view.do?currMenu115&topMenu100&aihubDataSerealm&dataSetSn162 (accessed on Sept. 27,？2023).
Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh,？G., Agarwal, S. et al., 2021. Learning transferable？visual models from natural language supervision.？In Proceedings of the 2021 38th International？Conference on Machine Learning, Virtual, July？18-24, pp. 8748-8763.
Roboflow, 2022. Damage dataset computer vision project.？Available online: https://universe.roboflow.com/new-workspace-hk52d/damage_dataset (accessed？on Sept. 27, 2023).
Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez, J.？M., and Luo, P., 2021. SegFormer: Simple and？efficient design for semantic segmentation with？transformers. Advances in Neural Information？Processing Systems, 34, 12077-12090.
Yeum, C. M., and Dyke, S. J., 2015. Vision-based automated？crack detection for bridge inspection. Computer-Aided Civil and Infrastructure Engineering, 30(10),？759-770. https://doi.org/10.1111/mice.12141

상세보기
Yuan, Y., Chen, X., and Wang, J., 2020. Object-contextual？representations for semantic segmentation. In:？Vedaldi, A., Bischof, H., Brox, T., Frahm, J. M.？(eds.), Computer vision - ECCV 2020, Springer,？pp. 173-190. https://doi.org/10.1007/978-3-030-58539-6_11
Zhang, H., Wang, Y., Dayoub, F., and Sunderhauf, N., 2021. Varifocalnet: An IoU-aware dense object？detector. In Proceedings of the 2021 IEEE/CVF？Conference on Computer Vision and Pattern？Recognition (CVPR), Nashville, TN, USA, June？20-25, pp. 8514-8523.
Zhang, J., Qian, S., and Tan, C., 2022. Automated？bridge surface crack detection and segmentation？using computer vision-based deep learning model.？Engineering Applications of Artificial Intelligence,？115, 105225. https://doi.org/10.1016/j.engappai.2022.105225

상세보기
Zhang, Y., Sun, X., Loh, K. J., Su, W., Xue, Z., and Zhao,？X., 2020. Autonomous bolt loosening detection？using deep learning. Structural Health Monitoring,？19(1), 105-122. https://doi.org/10.1177/1475921719837509

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