[논문]UAV와 딥러닝을 활용한 야적퇴비 탐지 및 관리등급 산정

박미소; 김흥민; 김영민; 박수호; 김탁영; 장선웅

doi:10.7780/kjrs.2024.40.1.4

[국내논문] UAV와 딥러닝을 활용한 야적퇴비 탐지 및 관리등급 산정
Detection and Grading of Compost Heap Using UAV and Deep Learning

대한원격탐사학회지 = Korean journal of remote sensing, v.40 no.1, 2024년, pp.33 - 43

박미소 ((주)아이렘기술개발 기업부설연구소) , 김흥민 ((주)아이렘기술개발 기업부설연구소) , 김영민 ((주)아이렘기술개발 기업부설연구소) , 박수호 ((주)아이렘기술개발 기업부설연구소) , 김탁영 ((주)아이렘기술개발 원격탐사팀) , 장선웅 ((주)아이렘기술개발)

초록
AI-Helper

본 연구는 비점오염원 중 하나인 야적퇴비의 효율적인 탐지를 위해 You Only Look Once (YOLO)v8 모델과 DeepLabv3+ 모델의 적용 가능성을 평가하였다. 무인항공기(Unmanned Aerial Vehicle, UAV)를 이용하여 수집된 고해상도 영상을 바탕으로, 두 모델의 정량적 및 정성적 성능을 비교 분석하였다. 정량적 평가에서 YOLOv8 모델은 다양한 지표에서 우수한 성능을 나타내며, 특히 야적퇴비의 덮개 유무를 정확하게 식별할 수 있는 능력을 보였다. 이러한 결과는 YOLOv8 모델이 야적퇴비의 정밀한 탐지 및 분류에 효과적임을 시사하며, 이를 바탕으로 야적퇴비의 관리 등급을 산정하고 비점오염원 관리에 기여할 수 있는 새로운 접근 방법을 제공한다. 본 연구는 UAV와 딥러닝 기술을 활용한 야적퇴비 탐지 및 관리가 기존 현장 조사 방식의 한계를 극복하며 정확하고 효율적인 비점오염원 관리 전략 수립 및 수계환경 보호에 기여할 것으로 기대된다.

Abstract ▼ AI-Helper

This research assessed the applicability of the You Only Look Once (YOLO)v8 and DeepLabv3+ models for the effective detection of compost heaps, identified as a significant source of non-point source pollution. Utilizing high-resolution imagery acquired through Unmanned Aerial Vehicles(UAVs), the study conducted a comprehensive comparison and analysis of the quantitative and qualitative performances. In the quantitative evaluation, the YOLOv8 model demonstrated superior performance across various metrics, particularly in its ability to accurately distinguish the presence or absence of covers on compost heaps. These outcomes imply that the YOLOv8 model is highly effective in the precise detection and classification of compost heaps, thereby providing a novel approach for assessing the management grades of compost heaps and contributing to non-point source pollution management. This study suggests that utilizing UAVs and deep learning technologies for detecting and managing compost heaps can address the constraints linked to traditional field survey methods, thereby facilitating the establishment of accurate and effective non-point source pollution management strategies, and contributing to the safeguarding of aquatic environments.

주제어

표/그림 (11)

그림 Fig. 1. Flowchart for data collection for detection of compost heap.
그림 Fig. 2. Architecture of YOLOv8.
그림 Fig. 3. Architecture of DeepLabv3+.
표 Table 1. Confusion matrix
표 Table 2. Comprehensive management criteria for composted manure
그림 Fig. 4. Qualitative comparison of detected results for covered compost heap class. The top row shows the YOLOv8 detected compost heaps, while the bottom row displays the DeepLabv3+ detection results. (a) shows a compost heap identified within the 'Compost_C' class, marked in pink by both models. (b) similarly depicts a compost heap classified under the 'Compost_C' category, with the detection area marked in pink by both models. (c) continues with the detection of another compost heap as part of the 'Compost_C' class, with the area of interest marked in pink by both models. (d) contrasts with YOLOv8's detection of the compost heap strictly as the 'Compost_C' class, marked in pink, as DeepLabv3+ detects certain areas not as 'Compost_C' but as 'Compost', marked in red.
표 Table 3. Quantitative performance comparison between YOLOv8 and DeepLabv3+
그림 Fig. 5. Qualitative comparison of detected results for uncovered compost heap class. The top row shows the YOLOv8 detected compost heaps, while the bottom row displays the DeepLabv3+ detection results. (a) shows a compost heap classified as the 'Compost' class, marked in red by both models. (b) similarly depicts a compost heap identified under the 'Compost' category, with the detection area marked in red by both models. (c) continues with the detection of another compost heap as part of the 'Compost' class, with the area of interest marked in red by both models. (d) follows the same pattern, with the compost heap being detected as a 'Compost'class and marked in red by both models.
그림 Fig. 6. Qualitative comparison of detected results for mixed compost heap class. The top row shows the YOLOv8 detected compost heaps, while the bottom row displays the DeepLabv3+ detection results. (a) displays a mixed compost heap where YOLOv8 and DeepLabv3+ both identify areas classified as 'Compost' in red, and areas classified as 'Compost_C' in pink. (b) similarly depicts a mixed compost heap, with both models marking 'Compost' class areas in red and 'Compost_C' class areas in pink. (c) continues with another mixed compost heap, where both YOLOv8 and DeepLabv3+ mark the 'Compost' class detections in red and the 'Compost_C' class detections in pink. (d) concludes with a mixed compost heap, showcasing both models' ability to detect and distinguish between 'Compost' class areas, marked in red, and 'Compost_C' class areas, marked in pink.
그림 Fig. 7. Example classification results of compost heaps by human and YOLOv8 model. Top row - Example compost heaps classified by a human expert. Bottom row - Example detection and grading results by the YOLOv8 model. (a) Example of a 'Good' compost heap marked in blue. (b) Example of an 'Bad' compost heap marked in red. (c) Example of an 'Poor' compost heap marked in green.
표 Table 4. Summary of management grades assigned by the model versus actual compost heap counts and accuracy by grade

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 정량적 및 정성적 평가 결과를 바탕으로 YOLOv8 모델을 활용하여 야적퇴비의 관리등급을 자동으로 산출하고 이에 대한 적용 가능성을 평가하고자 하였다. 등급 산정에 활용된 테스트 데이터셋은 다양한 환경 조건에서 수집된 야적퇴비 사례를 포함하며, 모델의 범용성과 정밀도를 평가하기 위한 목적으로 구성하였다. 모델에 의해 산출된 등급을 검증하기 위해 테스트 데이터셋에 대해 사전에 분류한 등급 사이의 일치도를 분석하였다.
본 연구에서는 UAV 영상 및 딥러닝 기반의 세그멘테이션(Segmentation) 모델을 활용하여 야적퇴비를 탐지하고자 하였다. 세그멘테이션은 픽셀 단위로 각 이미지에 대한 레이블을 예측하는 방식으로 야적퇴비의 경계, 윤곽을 정확하고 세밀하게 탐지할 수 있다.
본 연구에서는 야적퇴비 탐지를 위한 YOLOv8과 DeepLabv3+ 모델의 성능을 비교 분석하여, 현장 적용 가능성과 관리 기준 설정에 대한 이들 모델의 기여도를 평가하였다. UAV를 통해 수집된 고해상도 이미지 데이터를 활용한 실험 결과, YOLOv8 모델이 정량적 및 정성적 분석 모두에서 상대적으로 우수한 성능을 보임을 확인하였다.
본 연구에서는 야적퇴비의 탐지뿐만 아니라 관리 등급의 분류를 통해 각 야적퇴비에 대한 관리 우선순위를 파악할 수 있는 정보를 제공하고자 하였다. 이를 위해 정량적 및 정성적 평가로 선정된 최적의 딥러닝 모델을 활용하여 야적퇴비의 관리등급을 자동으로 산출하였다.
본 연구에서는 정량적 및 정성적 평가 결과를 바탕으로 YOLOv8 모델을 활용하여 야적퇴비의 관리등급을 자동으로 산출하고 이에 대한 적용 가능성을 평가하고자 하였다. 등급 산정에 활용된 테스트 데이터셋은 다양한 환경 조건에서 수집된 야적퇴비 사례를 포함하며, 모델의 범용성과 정밀도를 평가하기 위한 목적으로 구성하였다.
따라서 본 연구에서는 UAV와 딥러닝을 활용하여 야적퇴비를 탐지하고, You Only Look Once (YOLO)v8 모델과 DeepLabv3+ 모델의 탐지 성능을 비교하였다. 최적의 모델을 선정하여 비점오염원으로 작용할 가능성이 높은 야적퇴비 객체를 신속하게 탐색하고 야적퇴비 관리의 우선순위를 설정하기 위한 관리 전략을 제공하고자 한다.

제안 방법

YOLOv8은 넓은 지역을 대상으로 신속하고 정확한 탐지가 요구되는 UAV 영상 처리에 매우 적합하며 DeepLabv3+는 형태가 불규칙하고 배경이 복잡한 객체의 정밀한 식별에 유리하다. 두 모델을 비교함으로써 야적퇴비 탐지와 관리등급 산정에 최적화된 모델을 선정하고자 하였다.
따라서, 야적퇴비의 분포와 상태 파악은 강우 전 사전 예방을 통한 피해 최소화를 위해 필수적이다. 따라서 본 연구에서는 UAV와 딥러닝을 활용하여 야적퇴비를 탐지하고, You Only Look Once (YOLO)v8 모델과 DeepLabv3+ 모델의 탐지 성능을 비교하였다. 최적의 모델을 선정하여 비점오염원으로 작용할 가능성이 높은 야적퇴비 객체를 신속하게 탐색하고 야적퇴비 관리의 우선순위를 설정하기 위한 관리 전략을 제공하고자 한다.
이 과정에서 모델이 생성한 추론 이미지를 통해 실제 야적퇴비의 위치와 형태를 정확하게 반영하는지를 시각적으로 검토한다. 또한 각 모델이 야적퇴비의 덮개 유무, 주변 환경과의 구분 등 세부적인 특성을 어떻게 인식하는지를 분석한다.
본 연구에서는 야적퇴비의 덮개의 유무에 따라 덮개가 있는 야적퇴비를 ‘Compost_C’로, 덮개가 없는 야적퇴비는 ‘Compost’로 구분하여 라벨링을 수행하였다
촬영 고도가 높을수록 넓은 지역을 커버할 수 있지만, 야적퇴비의 세부 정보를 식별하기 위해서는 일정 수준 이상의 해상도가 필요하다. 본 연구에서는 야적퇴비의 상세한 특징을 포착할 수 있는 동시에, 넓은 지역을 효과적으로 커버할 수 있도록 지상 표본 거리(Ground Sample Distance, GSD)를 약 3.2 cm로 설정하고 이에 대해 적절한 촬영고도를 계산하였다. 취득한 UAV 영상은 왜곡이나 변형 없이 일관된 형태를 사용해 정확하고 통일된 패턴을 학습하기 위해 모델 영상처리 소프트웨어 Pix4D를 사용하여 정사영상으로 제작하였다.
야적퇴비 탐지에 적합한 모델을 선정하기 위하여, 본 연구는 여러 성능 지표들을 기반으로 한 정량적 비교 분석을 실시하였다. 모델의 성능 평가는 혼동 행렬(Confusion Matrix)을 기반으로 수행되었다.
정성적 비교는 모델이 야적퇴비의 경계를 얼마나 세밀하게 파악하고 실제로 야적퇴비를 탐지할 수 있는지에 중점을 두었다. 이 과정에서 모델이 생성한 추론 이미지를 통해 실제 야적퇴비의 위치와 형태를 정확하게 반영하는지를 시각적으로 검토한다. 또한 각 모델이 야적퇴비의 덮개 유무, 주변 환경과의 구분 등 세부적인 특성을 어떻게 인식하는지를 분석한다.
본 연구에서는 야적퇴비의 탐지뿐만 아니라 관리 등급의 분류를 통해 각 야적퇴비에 대한 관리 우선순위를 파악할 수 있는 정보를 제공하고자 하였다. 이를 위해 정량적 및 정성적 평가로 선정된 최적의 딥러닝 모델을 활용하여 야적퇴비의 관리등급을 자동으로 산출하였다. 탐지된 야적퇴비 객체들은 바운딩 박스를 기준으로 그룹화되며, 이후 관리 기준과 내부 클래스의 구성 및 비율을 분석하여 ‘양호(Good)’, ‘미흡(Poor)’, ‘부적절(Bad)’의 세 가지 등급으로 분류된다(Table 2).
정량적 평가 방법에 이어 모델의 정성적 성능 비교를 수행하고 야적퇴비 탐지의 적합성을 평가하였다. 정성적 비교는 모델이 야적퇴비의 경계를 얼마나 세밀하게 파악하고 실제로 야적퇴비를 탐지할 수 있는지에 중점을 두었다.
세그멘테이션은 픽셀 단위로 각 이미지에 대한 레이블을 예측하는 방식으로 야적퇴비의 경계, 윤곽을 정확하고 세밀하게 탐지할 수 있다. 최근 딥러닝 기반의 객체 탐지 및 세그멘테이션 모델 중 많이 활용되고 있는 YOLOv8과 DeepLabv3+를 활용하여 두 모델 간의 성능을 비교하고자 하였다. YOLOv8은 넓은 지역을 대상으로 신속하고 정확한 탐지가 요구되는 UAV 영상 처리에 매우 적합하며 DeepLabv3+는 형태가 불규칙하고 배경이 복잡한 객체의 정밀한 식별에 유리하다.

대상 데이터

YOLOv8-seg 모델과 DeepLabv3+ 모델을 활용하여 추론한 결과를 비교하기 위해 세 가지 유형의 테스트 데이터를 구성하였다. 각 유형은 야적퇴비의 환경적 영향 및 관리 기준에 따라 덮개가 있는 야적퇴비(Compost_C) 이미지셋, 덮개가 없는 야적퇴비(Compost) 이미지 셋 그리고 두 클래스가 함께 나타나는 혼합 이미지셋으로 나누었다.
이를 통해 산출된 Accuracy는 모델이 야적퇴비 객체에 대하여 산출한 등급이 실제 등급과 얼마나 일치하는지를 나타낸다. 모델은 테스트 데이터 셋 내 야적퇴비 중 49개에 대하여 양호 등급을 부여하였다. 사전에 양호 등급으로 분류한 야적퇴비는 44개로, 모델이 일정 개수를 과대추정하고 있음을 알 수 있다.
1에 제시하였다. 연구에 활용하기 위한 UAV 영상은 총 1,612장으로, 2023년 5월부터 2023년 12월까지 영남과 호남 일대에서 수집하였다. 해당 지역은 강을 기준으로 축사가 밀집되어 있어 야적퇴비로 인한 수계 오염의 위험이 높은 지역이다.
해당 지역은 강을 기준으로 축사가 밀집되어 있어 야적퇴비로 인한 수계 오염의 위험이 높은 지역이다. 촬영 장비로는 DJI 사의 회전익 UAV인 Phantom 4 Pro V2.0과 Mavic 2 Pro를 사용하였다. 두 기종 모두 2,000만 화소 이상의 고해상도 카메라를 탑재하고 있어 정밀한 이미지 데이터 수집에 적합하다.
2 cm로 설정하고 이에 대해 적절한 촬영고도를 계산하였다. 취득한 UAV 영상은 왜곡이나 변형 없이 일관된 형태를 사용해 정확하고 통일된 패턴을 학습하기 위해 모델 영상처리 소프트웨어 Pix4D를 사용하여 정사영상으로 제작하였다. 정사영상은 UAV 촬영 시 각도, 지형의 높이, 카메라 렌즈 등으로 발생할 수 있는 왜곡을 제거하고 영상 내 픽셀이 실제 지리적 위치를 반영하도록 한다.

데이터처리

등급 산정에 활용된 테스트 데이터셋은 다양한 환경 조건에서 수집된 야적퇴비 사례를 포함하며, 모델의 범용성과 정밀도를 평가하기 위한 목적으로 구성하였다. 모델에 의해 산출된 등급을 검증하기 위해 테스트 데이터셋에 대해 사전에 분류한 등급 사이의 일치도를 분석하였다. 모델의 야적퇴비 등급 산정은 Fig.
각 유형은 야적퇴비의 환경적 영향 및 관리 기준에 따라 덮개가 있는 야적퇴비(Compost_C) 이미지셋, 덮개가 없는 야적퇴비(Compost) 이미지 셋 그리고 두 클래스가 함께 나타나는 혼합 이미지셋으로 나누었다. 이를 바탕으로 YOLOv8-seg 모델과 DeepLabv3+ 모델의 탐지 및 분류 능력을 시각적으로 비교하였다(Figs. 4–6).

이론/모형

YOLOv8 모델은 Ultralytics 사에서 2023년에 공개한 실시간 객체 탐지 모델(Real Time Object Detection Model)이다. YOLOv8은 Ultralytics사에서 앞서 공개한 YOLOv5의 Backbone Network보다 효율적인 구조를 채택하여 추론 정확도와 속도를 개선하였으며, Acnchor Free Detection 기술을 채용하여 연산 과정을 단순화 시켰다. YOLOv8은 본래 초당 30장 이상의 이미지를 탐지할 수 있는 실시간 객체 탐지를 위해 개발되었으나 최근에는 Head Network의 일부 레이어를 수정하여 인스턴스 세그멘테이션(Instance Segmentation),이미지 분류(Image Classification), 포즈 추정(Pose Estimation)에도 활용할 수 있도록 개선되었다.
야적퇴비 탐지에 적합한 모델을 선정하기 위하여, 본 연구는 여러 성능 지표들을 기반으로 한 정량적 비교 분석을 실시하였다. 모델의 성능 평가는 혼동 행렬(Confusion Matrix)을 기반으로 수행되었다. 혼돈 행렬은 모델의 예측값과 실제값의 비교를 통해 True Positive (TP), False Positive (FP), True Negative (TN) 그리고 False Negative (FN)의 값을 계산한다.
본 연구에서는 DeepLabv3+ 모델에 ResNet을 Backbone Network로 활용하였다. ResNet은 깊은 합성곱 신경망(Deep Convolutional Neural Network, DCNN)의 한 형태로 이미지에서 고수준의 특징을 추출할 수 있다.
본 연구에서는 YOLOv8의 Head Network를 교체하여 인스턴스 세그멘테이션 모델로 활용하였으며, 이를 통해 이미지 내에서 야적퇴비 영역을 탐지하였다. 이때, 인스턴스 세그멘테이션은 이미지 내에서 대상물을 픽셀단위로 분류하는 이미지 분할 작업의 일종이다.
UAV 영상 처리 후, 모델 학습을 위한 라벨링(Labelling) 작업을 수행하였다. 야적퇴비 객체에 대한 라벨링은 오픈 소스 도구인 Labelme를 사용하여 폴리곤(Polygon) 방식으로 수행하였다. 폴리곤 라벨링은 각 객체의 경계를 다각형으로 정의하여, 야적퇴비와 같이 비정형적이거나 불규칙한 형태의 객체를 보다 정확하게 표현할 수 있게 한다.
야적퇴비 탐지 모델의 적합성을 평가하기 위하여 YOLOv8 모델과 DeepLabv3+ 모델을 사용하여 학습을 진행하고 정량적인 성능을 비교하였으며, 성능 지표로 Accuracy, Precision, Recall, F1-Score 그리고 mIoU를 활용하였다(Table 3).

성능/효과

(2021)은 UAV를 이용하여 야적퇴비의 야적퇴비의 관리 상태 및 적재량 변화를 분석하였다. UAV를 이용한 야적퇴비의 측정은 육상 현장조사와 비교하여 93.24%의 높은 정확도를 나타냈다. UAV 영상에 인공지능 기술을 접목하여 야적퇴비를 자동으로 탐지하고 분석하고자 하는 연구도 수행되었다.
본 연구에서는 야적퇴비 탐지를 위한 YOLOv8과 DeepLabv3+ 모델의 성능을 비교 분석하여, 현장 적용 가능성과 관리 기준 설정에 대한 이들 모델의 기여도를 평가하였다. UAV를 통해 수집된 고해상도 이미지 데이터를 활용한 실험 결과, YOLOv8 모델이 정량적 및 정성적 분석 모두에서 상대적으로 우수한 성능을 보임을 확인하였다. 이는 YOLOv8이 야적퇴비의 탐지와 분류, 특히 덮개의 유무와 같은 세밀한 특징을 정확하게 식별하는 데 더 효과적임을 시사한다.
UAV와 인공지능 기술을 활용한 야적퇴비 탐지 및 모니터링은 기존의 현장조사 방식의 한계점을 보완하고 탐지의 정확성과 효율성을 향상시켰다. 그러나 야적퇴비 존재에 대한 단순 탐지 시도에 그쳐 관리에 필요한 정보 제공에는 한계가 있다.
(2019)은 UAV를 활용하여 농촌지역 야적퇴비의 관리 상태 및 적재량 변화를 모니터링하였다. 그 결과, UAV를 이용한 정기적인 모니터링은 육상 조사에 비해 시간과 비용을 절감할 수 있고, 보다 정확한 야적퇴비 관리가 가능함을 확인하였다.
F1-Score는 Precision과 Recall 사이의 균형을 의미하며, YOLOv8은 낮은 Recall에도 불구하고 상당히 높은 F1-Score를 보였다. 이는 모델이 야적퇴비에 대한 미탐지와 오탐지를 비교적 효과적으로 관리하고 있음을 시사한다.
정량적 평가 결과, YOLOv8 모델은 Accuracy가 0.931, Precision은 0.912, Recall은 0.746, F1-Score는 0.875 그리고 mIoU는 0.808로 나타났다. 반면, DeepLabv3+ 모델은 Accuracy가 0.

후속연구

또한 미흡 등급에 해당하는 복합적인 야적퇴비 객체가 모델 학습에 있어 충분히 다양하지 않아 이러한 특성을 일반화하는데 필요한 정보를 반영하지 못한 것으로 판단된다. 따라서 모델이 다양한 미흡 상태의 야적퇴비의 특성을 반영할 수 있도록 학습 데이터의 추가적인 구축이 필요할 것으로 보인다.
복잡성이 증가할수록 모델이 배경과 야적퇴비를 명확하게 구분하고 여러 클래스의 특성이 혼합된 상태를 정확히 분류하는 것에 어려움이 발생한다. 또한 미흡 등급에 해당하는 복합적인 야적퇴비 객체가 모델 학습에 있어 충분히 다양하지 않아 이러한 특성을 일반화하는데 필요한 정보를 반영하지 못한 것으로 판단된다. 따라서 모델이 다양한 미흡 상태의 야적퇴비의 특성을 반영할 수 있도록 학습 데이터의 추가적인 구축이 필요할 것으로 보인다.
이러한 시스템은 특히 비점오염원 관리와 같은 환경 보호 분야에서 중요한 역할을 할 수 있으며, 효율적인 자원 관리와 환경 오염 방지를 위한 체계적인 접근 방식을 제공한다. 또한, YOLOv8 모델의 멀티 태스크 접근 방식은 복잡한 환경 조건에서도 높은 정확도로 야적퇴비를 탐지하고 분류할 수 있는 능력을 시사하며, 이는 환경 모니터링 및 관리에 기여할 수 있을 것으로 기대된다.
또한, 본 연구는 YOLOv8 모델을 이용한 야적퇴비의 관리 등급 산정의 타당성을 평가하였으며, 배경의 복잡성과 다양성을 고려한 추가 학습 데이터 구축을 통해 모델의 일반화 능력과 성능을 개선할 필요가 있음을 확인하였다. 이와 같이 덮개의 유무를 포함한 다양한 요소를 분석하여 관리등급을 산출함으로써, 신속하고 효율적인 의사 결정 지원이 가능할 것으로 여겨진다.
또한, 본 연구는 YOLOv8 모델을 이용한 야적퇴비의 관리 등급 산정의 타당성을 평가하였으며, 배경의 복잡성과 다양성을 고려한 추가 학습 데이터 구축을 통해 모델의 일반화 능력과 성능을 개선할 필요가 있음을 확인하였다. 이와 같이 덮개의 유무를 포함한 다양한 요소를 분석하여 관리등급을 산출함으로써, 신속하고 효율적인 의사 결정 지원이 가능할 것으로 여겨진다. 뿐만 아니라 UAV 기반 이미지 분석을 통한 야적퇴비 관리 시스템의 현장 적용 가능성을 크게 강조한다.
향후 연구에서는 배경의 복잡성 및 다양성, 배경과 객체의 유사성을 고려한 추가 학습 데이터 구축을 통해 모델의 성능을 개선하고, ‘미흡’ 등급 야적퇴비의 정확한 탐지 및 분류 능력 향상에 초점을 맞추어 다양한 환경에서의 탐지 안정성을 확보할 필요가 있다.

참고문헌 (20)

Ahn, K. H., Ryu, H. D., and Kim, Y., 2015. Systematic review on？management of livestock wastes for improving water quality.？Journal of Korean Society on Water Environment, 31(5), 576-582.？https://doi.org/10.15681/KSWE.2015.31.5.576

원문보기 상세보기
Chen, L. C., Zhu, Y., Papandreou, G., Schroff, F., and Adam, H., 2018.？Encoder-decoder with atrous separable convolution for semantic？image segmentation. arXiv preprint arXiv:1802.02611. https://doi.org/10.48550/arXiv.1802.02611
Choe, J. S., and Lee, J. M., 2016. Standards and technological trends in？nonpoint pollution reduction facilities. Korea Water Resources？Association, 49(6), 83-88.
He, K., Gkioxari, G., Dollar, P., and Girshick, R., 2017. Mask R-CNN.？arXiv preprint arXiv:1703.06870. https://doi.org/10.48550/arXiv.1703.06870
Im, J. Y., Kang, C. W., and Gil, K. I., 2021. Applicability on wetland？for management of NPS in organic matter and nutrients from？agriculture and livestock farm area.Journal of Wetlands Research,？23(4), 372-380. https://doi.org/10.17663/JWR.2021.23.4.372

원문보기 상세보기
Jeon, J. H., Cha, D. K., Choi, D., and Kim, T. D., 2013. Spatial analysis？of nonpoint source pollutant loading from the Imha Dam？watershed using L-THIA. Journal of the Korean Society of？Agricultural Engineers, 55(1), 17-29. https://doi.org/10.5389/KSAE.2013.55.1.017

원문보기 상세보기
Jung, K. W., Jang, J. H., Kim, H. C., and Yoon, C. G., 2006. Analysis？of land use and pollutant source effect on water quality？characteristics of the watershed. Korean Journal of Ecology and？Environment, 39(1), 41-51.
Kim, D. W., Jang, M. J., and Han, I. S., 2014. Determination of focused？control pollutant source by analysis of pollutant delivery？characteristics in unit watershed upper Paldang Lake. Korean？Society of Environmental Engineering, 36(5), 367-377. https://doi.org/10.4491/KSEE.2014.36.5.367

원문보기 상세보기
Kim, H. M., Bak, S. H., Yoon, H. J., and Jang, S. W., 2021. Accuracy？evaluation of open-air compost volume calculation using？unmanned aerial vehicle. The Journal of the Korean Institute of？Electronic Communication Sciences, 16(3), 541-550. https://doi.org/10.13067/jkiecs.2021.16.3.541

원문보기 상세보기
Kim, N.K., Park, M. S.,Jeong, M.J., Hwang, D. H., andYoon, H.J., 2021.？A study on field compost detection by using unmanned aerial？vehicle image and semantic segmentation technique based deep？learning. Korean Journal of Remote Sensing, 37(3), 367-378.？https://doi.org/10.7780/kjrs.2021.37.3.1

원문보기 상세보기
Kim, Y. T., Woo, N. C., Lee, K. S., and Song, Y. G., 2005. Seasonal？variation of surface water quality in a catchment contaminated？by NO3-N. Journal of Soil and Groundwater Environment, 10(2),？20-27.
Kwon, H. G., Kim, G. H., Kim, S. H., Shin, S. M., Shin, D. S., and Im, T.？H., 2018. A study on the management of nonpoint pollution？source by precipitation monitoring by tributary in Gumho？River. Journal of the Korean Society for Hazard Mitigation, 18(3),？331-341. https://doi.org/10.9798/KOSHAM.2018.18.3.331

상세보기
Lee, S. I., Shin, M. H., Jeon, J. H., Park, B. K., Lee, J. M., Won, C. H., and？Choi, J. D., 2015. Effect of NPS loadings from livestock on small？watersheds.Journal of the Korean Society of Agricultural Engineers,？57(2), 27-36. https://doi.org/10.5389/KSAE.2015.57.2.027

원문보기 상세보기
Lee, S. Y., Lee, E. J., and Son, H. K., 2008. Determination of nonpoint？pollutant unit loads in toll-gate of highway. Journal of Wetlands？Research, 10(1), 69-75.
Park, G. U., Park,K. H., Moon, B. H., and Song, B. G., 2019. Monitoring？of non-point pollutant sources: Management status and load？change of composting in a rural area based on UAV. Journal of？the Korean Association of Geographic Information Studies, 22(2),？1-14. https://doi.org/10.11108/kagis.2019.22.2.001

원문보기 상세보기
Park, G. U., Park, K. H., and Song, B. G., 2021. Spatio-temporal change？monitoring of outside manure piles using unmanned aerial？vehicle images. Drones, 5(1), 1. https://doi.org/10.3390/drones5010001

상세보기
Park, H. S., Yoon, S. W., Chung, S. W., and Hwang, H. S., 2016. Effect of？pollutants control measures in So-oak watershed on the control？of algae growth in Daecheong reservoir.Journal of Environmental？Impact Assessment, 25(4), 248-260. https://doi.org/10.14249/EIA.2016.25.4.248

원문보기 상세보기
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A., 2016. You Only？Look Once: Unified, real-time object detection. In Proceedings of？the 2016 IEEE Conference on Computer Vision and Pattern？Recognition (CVPR), Las Vegas, NV, USA, June 27-30, pp. 1-9.？https://doi.org/10.1109/CVPR.2016.91
Shin, M. H., Won, C. H., Park, W. J., Choi, Y. H., Jang, J. R., Lim, K. J.,？and Choi, J. D., 2011. Analysis of the reduction effect on NPS？pollution loads by surface cover application. Journal of the？Korean Society of Agricultural Engineers, 53(4), 29-37. https://doi.org/10.5389/KSAE.2011.53.4.029

원문보기 상세보기
Song, B. G., and Park,K. H., 2021.Comparison of outdoor compost pile？detection using unmanned aerial vehicle images and various？machine learning techniques. Drones, 5(2), 31. https://doi.org/10.3390/drones5020031

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