초록 ▼

연구개발 목표 및 내용 최종 목표
최종 목표
1. 공인재감 확보 및 국제적 재감교환 체계 확립
2. 목재 수종별 표면이미지와 해부학적 현미경 이미지 데이터베이스 구축
3. 목재 수종식별 자동화 기술 개발
4. 목재수종 판별 시간 단축: 목재수종 자동식별 시스템의 현장 적용

전체내용
정확하고 신속한 목재 수종식별은 당면한 국가적 과제가 되었다. 하지만 현재 우리나라에는 자체적으로 보유하고 목재 수종식별을 위한 기본적인 자원(재감, 현미경슬라이드, 목재 해부학/식별 전문가, 연구인력, 목재에

연구개발 목표 및 내용 최종 목표
최종 목표
1. 공인재감 확보 및 국제적 재감교환 체계 확립
2. 목재 수종별 표면이미지와 해부학적 현미경 이미지 데이터베이스 구축
3. 목재 수종식별 자동화 기술 개발
4. 목재수종 판별 시간 단축: 목재수종 자동식별 시스템의 현장 적용

전체내용
정확하고 신속한 목재 수종식별은 당면한 국가적 과제가 되었다. 하지만 현재 우리나라에는 자체적으로 보유하고 목재 수종식별을 위한 기본적인 자원(재감, 현미경슬라이드, 목재 해부학/식별 전문가, 연구인력, 목재에 대한 해부학적 연구성과 등)이 부족한 상황이다. 목재 수종식별을 위한 기초자료 및 재료의 확보는 장기적인 계획을 가지고 지속적으로 노력해야 가능하다. 따라서 이렇게 제한적인 자원을 가지고도 정확하고 신속한 목재 수종식별을 수행하기 위한 기술적인 대안이 함께 필요하다.

본 연구의 핵심 목표는 실제 목재 교역 과정에서 신속하고 정확한 실물 확인(목재수종식별)에 필요한 목재수종 자동식별 시스템을 구축을 위한 기술적 기반 마련, 실제 현장에서 사용가능한 프로토타입 장치 개발, 참조(표준) 이미지 데이터베이스 구축, 참조 데이터베이스 구축의 기반이 되는 공인재감 및 현미경슬라이드를 확보하는 것이다.

- [조사영역] 기초자료 및 재감 확보
목재의 형태적 특징을 이용한 수종식별을 위해서는 수종별 식별특징 코드 목록(목재 해부학적 특징을 조사하여 특정한 분류 체계에 따라 부여된 코드에 맞추어 목록화된 결과)이 반드시 필요하다. 목재식별용 특징 코드 목록을 생성하기 위해서는 수종명, 식별자, 벌채 위치 등의 상세하고 정확한 정보를 가진 재감이 필요하다. 이런 재감을 이용하여 특정 수종의 목재로부터 다양한 특성(육안적 특징, 현미경적 특징, 물리적 특성, 화학적 특성 등)을 조사한다. 한 수종에 대해 많은 수의 시편을 조사하고 교차검토를 통해 목재 수종식별에 이용할 수 있는 목재 수종 식별특징 코드 목록을 만들 수 있다.

본 연구에서는 목재 수종식별 과정에서 필수적이며 가장 기본적인 참조 재료인 재감을 확보하는 체계를 개발하고 이를 이용하여 다수의 국산 수종 공인재감을 제작하였다. 공인재감은 정확한 수종명, 식별자, 수목 상태의 지리적 위치와 같은 재감의 출처와 정체를 정확하게 알 수 있는 목재블록을 말한다.

공인재감의 제작과 함께 현미경적 특징을 조사할 수 있도록 해주는 현미경슬라이드(영구슬라이드)도 함께 제작하였다. 이 현미경슬라이드는 수종별 현미경적 식별 특징을 자세하게 조사하는데 이용된다. 예전에는 목재 해부학/식별 전문가가 직접 현미경 슬라이드를 이용하여 수종별로 해부학적 특징을 조사하였지만, 본 연구에서는 현미경 슬라이드 목재 주요 3단면 박편의 대부분의 영역을 수백 배 수준으로 이미징하여 미세한 현미경적 식별 특징을 관찰할 수 있으면서도 다수의 해부학적 특징을 확인할 수 있다.

이렇게 만들어진 목재 해부학 특징 대면적이미지들은 전문가가 직접 현미경슬라이드를 이용하지 않고도 컴퓨터를 이용해서 해부학적 특징을 조사할 수 있다. 수종별 대면적 현미경이미지들은 국내 및 세계 각 국의 목재식별 전문가들에게 제공되어 상세조사 및 교차검토에 이용될 수 있다.

이 대면적이미지들은 목재의 해부학적 특징 자동 검출을 위한 인공지능 모델의 훈련에도 사용된다. 목재의 해부학적 특징 자동검출 인공지능 모델의 훈련에는 해부학적 특징별로 다수의 어노테이션(annotation)이 제공되어야 한다. 대면적이미지가 없다면 해부학적 특징별로 충분한 수의 이미지를 확보하기 위해 다량의 현미경슬라이드를 이용하여 장시간의 현미경 이미지 획득 작업을 해야 한다. 반면 대면적이미지는 전동화된 슬라이드스캐너와 같은 장비를 이용하면 비교적 단시간에 많은 수의 대면적이미지를 확보할 수 있고, 이렇게 확보된 어노테이션에 적합한 영역을 골라서 모을 수 있다.

목재수종별 식별코드 목록은 일단 기존 연구 및 조사 결과를 바탕으로 구축이 가능하다. Insidewood와 같은 세계 최대의 수종별 해부학적 특징을 코드로 제공 웹서비스에서 기존의 조사 결과를 확보하고, 이를 목재 수종식별에 이용한다. 이렇게 조사된 목재수종 식별코드 목록은 인공지능 훈련에 사용되는 어노테이션용 이미지들 확보할 때 어떤 수종의 이미지를 사용해야 할지 판단할 수 있는 중요한 참고자료이다.
상기한 과정을 통해 확보한 기초자료 및 재료들은 수종별 참조 (표준) 목재 식별특징 코드 목록, 참조 (표준) 식별특징 이미지 데이터베이스, 수종별 목재의 표면/투과현미경 이미지 데이터베이스를 구축하는데 이용되고, 장기적으로 정확한 목재 수종식별에 활용될 것이다.

- [개발영역] 목재수종 자동식별 기술 개발
목재수종 자동식별 기술은 이미지를 다루는 인공지능 기술인 합성곱신경망을 기반으로 하는 이미지의 분류, 객체검출 모델 또는 이미지 분할 모델을 이용한다.

이미지 분류를 이용하는 목재 수종식별은 식별 과정 중에 생성되는 목재의 표면/투과현미경 이미지와 수종별 이미지와의 유사성이 높은 참조 이미지가 속한 목재 수종을 판별하는 인공지능 기법이다. 반면 객체검출용 인공지능 모델은 제공된 이미지 안에서 목재의 해부학적 특징 영역을 찾아 사각형 영역으로 표시해 준다. 객체검출 기법을 사용하면 제공되는 이미지가 어떤 수종에 속하는지는 알 수 없고, 대신 어떤 해부학적/식별적 특징이 있는지를 알 수 있다.

따라서 객체검출 기법을 이용하는 경우에는 목재의 3단면 이미지를 여러 배율에서 찍은 다수의 이미지를 이용하여, 현미경슬라이드나 목재표면에서 관찰되는 식별특징코드 목록을 생성하고, 이렇게 생성된 식별 특징목록을 이미 조사되어 있는 참조 (표준) 목재 식별특징 코드 목록과 비교 분석하여 수종 후보를 결정하였다.

목재수종 자동식별 기술 개발을 위해서는 적절한 인공지능 모델의 선택과 훈련에 사용할 데이터 확보 방안이 필요하다. 이미지 분류 방식을 이용한 목재수종 자동식별에는 식별 가능한 모든 수종들에 대해 수종 당 천여 장 이상의 이미지가 필요하다. 이미지들은 수종명이 정확한 다수의 벌채목의 다양한 위치에서 제작한 재감이나 목재블록에서 획득한 것이어야 한다. 따라서 실제로 정확한 수종식별의 가능한 이미지 분류용 인공지능 모델을 훈련하는 것은 우리나라와 같이 참조할 공인재감이 많지 않은 상황에 적용하는데 적합하지 않다.

객체검출을 이용한 목재수종 자동식별은 자동으로 조사된 목재의 해부학적/식별적 특징에 근거한 식별법이므로 어노테이션에 사용할 이미지를 확보해야 한다. 객체검출용 인공지능 모델의 훈련에는 해부학적 특징 당 수백 개 이상의 어노테이션이 요구된다. 수종 당 수천 장의 이미지를 필요로하는 이미지 분류용 인공지능 모델을 이용하는 것보다 목재의 해부학적 특징별로 수백 개 수준의 어노테이션용 이미지를 확보하는 것이 우리나라 상황에 더 적합하다. 이에 근거하여 본 연구에서는 이미지 분류모델이 아닌 객체검출 모델을 이용한 목재수종 자동식별 기술을 개발하였다.

충분한 수의 식별적 특징 검출을 위해서는 목재의 3단면별로 다수의 이미지가 필요하다. 신속하고 정확한 목재 수종식별을 위해서는 이미지 획득 과정과 이어지는 해부학적 특징 자동검출 과정이 자동화될 필요가 있다. 이미지 획득의 자동화는 전동현미경을 이용하여 달성할 수 있으며, 전동현미경을 이용하여 획득된 현미경이미지를 훈련된 객체검출용 인공지능 모델을 이용하여 목재의 해부학적 특징 코드를 추출하는 시스템을 구축할 수 있다. 본 연구에서는 목재의 해부학적 특징 검출용 인공지능 모델과 전동현미경을 개발하였고, 이를 이용하여 목재수종 자동조사 시스템(프로토타입)을 개발하였다.

목재수종 자동식별 시스템의 성능에 영향을 미치는 가장 중요한 요소는 목재의 해부학적 특징 검출용 인공지능 모델의 성능이다. 인공지능 모델의 성능은 모델 자체의 성능과 훈련에 사용한 어노테이션의 품질에 따라 달라진다. 어노테이션은 교사학습(supervised learning)에서 정답을 제공해주는 단계이므로 정확한 어노테이션을 위해 목재 해부학/식별 전문가의 감독 하에 어노테이션을 수행하였다. 또한 해부학적 특징별로 관찰에 적절한 배율이 다르기 때문에 모든 해부학적 특징을 한꺼번에 훈련시킬 수 없다. 따라서 목재의 해부학적 특징들을 적절한 그룹으로 나누어 훈련시킬 필요가 있다. 이렇게 어노테이션 그룹을 나누고 여러 개의 인공지능 모델을 훈련하였다.

목재의 해부학적 특징 검출용 인공지능 모델을 이용하여 수집된 목재의 현미경이미지에서 목재 식별특징 코드를 수집하여 코드목록을 생성하였다. 수집된 목재의 식별특징 코드목록을 참조 (표준) 목재 식별특징 코드 목록과 비교 분석하여 수종 목록을 생성하였다.

목재수종 자동식별 시스템을 이용하여 식별 코드를 추출하는 과정에서 검출된 식별특징의 이미지가 함께 저장된다. 모든 이미지에 대한 검출 작업이 완료되면 추출된 이미지와 결정된 식별코드를 이용하여 식별 과정 및 결과 보고서를 생성한다.

현 시점에서 목재의 해부학적인 특징만을 이용한 수종식별 방법은 속(genus) 수준까지는 정확한 식별이 가능하다. 종(species) 수준으로 정확한 식별을 하기 위해서는 NIR, DART TOFMS, DNA 분석, 안정성동위원소(stable isotope) 분석과 같은 추가적인 방법을 이용할 필요가 있다. 안정성동위원소법은 원산지 판별에 특화된 방법이며, 목재가 생산되는 지역의 동위원소 정보가 필요하므로 수입 수종에 대한 참조데이터베이스를 확보하는 것이 매우 어렵다. NIR, DART, DNA 분석법은 종 수준까지 식별이 가능한 방법이지만, 수종별로 참조 데이터베이스에 포함시킬 수종의 수를 확장하는 것이 어렵다. 이에 참조 데이터베이스 구축을 위한 시료 준비와 분석에 소요되는 시간과 비용 등의 요소를 파악해 본 결과 NIR, DART TOFMS 방법이 우리나라에서 개발 활용하기 적합한 방법으로 판단되었다.

두 가지 분석방법은 목재 수종식별 전체 과정에서 다른 지점에 적합할 것으로 판단되었다. 우선 NIR 분석법은 시편 제작과 측정이 간편하고, 휴대용 장비를 사용할 수 있다는 장점이 있다. 또한 목재의 해부학적인 특징을 이용한 수종 식별 방법과의 연계, 통합이 가능하다. NIR 분광분석법을 이용한 수종 판별은 참조 데이터베이스가 구축된 제한적인 수의 수종에 대해 해부학적 특징을 이용한 수종 식별법과 상호보완적으로 사용이 가능하다. NIR 분광분석법은 근적외선 광원의 파장별 흡광도 분포가 목재를 구성하는 고분자의 종류, 구조, 양, 결합 상태, 포함된 부가적인 화합물 등의 정보를 수종별 특성이므로 수종별로 흡광도 분포가 다르게 나타난다는 현상을 이용한다. 따라서, 목재 수종식별에 NIR 분광분석법을 적용하고자 할 때 수종별로 다수의 공인된 목재 재감을 확보하는 것이 매우 중요하다.

우리나라에서 NIR 분광분석법을 적용하는데 가장 어려운 일은 참조 데이터베이스 구축을 위한 공인재감을 확보하는 것이다. 또한 신속하고 사용하기 편리한 수종 판별은 주로 수입되는 목재가 주요 대상이므로 충분한 수의 수종별 공인재감을 확보하는데 더 큰 어려움이 있다. 따라서, NIR 분광분석법은 목재 생산국에서 생성한 참조 데이터베이스와 참조 데이터베이스를 구축할 때 사용한 NIR 분광측정법(장비, 측정 조건, 시편 준비방법 등)을 교역 참여 국가와 공유할 수 있는 국제적 협력이 필요하다.

DART법은 이온 소스를 이용하여 시료에서 분리한 입자상 물질들의 질량별 분포를 측정하기 때문에 NIR 분광분석법과는 다른 정보를 얻을 수 있다. 목재에서 발견되는 추출물의 종류와 양은 수목의 종류와 생장 환경에 따라 달라진다. DART법은 수종별 추출물의 종류 및 함량의 질량별 분포를 수종별 특성으로 삼는다. DART는 질량분석법 중에 분석을 위한 목재 시편 준비가 가장 용이한 방법이다.

본 연구에서는 국내 수종에 대한 공인재감 제작 체계를 마련하고, 이 체계에 따라 공인재감을 제작하였다. 제작 과정 중에 NIR, DART 방법에 공통으로 사용 가능한 시편제작법을 개발하여, 동일한 수종의 공인재감과 NIR-DART 측정용 시편을 모두 확보하였다. 공인재감은 수목이 생장한 지역 정보도 가지고 있으므로, 다른 지역에서 생장한 동일한 수종을 대상으로 원산지 판별 시험이 가능하다.

DART법을 수입 목재의 원산지 판별에 적용하려면 참조 데이터베이스를 구축이 필요한데, 이를 위한 수종별 공인재감을 확보하는 것이 매우 어렵다. 이 방법 또한 목재생산국에서 생성한 참조 데이터베이스와 측정프로토콜을 교역에 참여하는 국가가 이용할 수 있도록 국가간 협력이 필요하다.

연구개발 성과
1. 공인재감 제작 (공인재감 총 1,756점: 침엽수재 413점, 활엽수재 1,343점)
- 공인재감 수집 체계 확립: 수목 벌채, 제재, 건조, 재감제작(보관용 재감, 현미경슬라이드 제작용 블록 제작)
- 공인재감 수집 체계를 통한 공인재감 확보

2. 현미경슬라이드 제작
- 공인재감에서 1,081개: 침엽수재 11종 216개, 활엽수재 37종 865개
- 일반재감에서 2,109개: 침엽수재 54종 1118개, 활엽수재 56종 991개
- 상업수종 재감에서 371개: 침엽수재 1종 14개, 활엽수재 29종 357개

3. 목재 수종식별을 위한 데이터베이스 구축
- 재감, 현미경 슬라이드, 이미지 정보 관리 데이터베이스
- 목재의 수종별 현미경 이미지 데이터베이스
- 재감 정보 확인 및 관리를 위한 웹서비스
- 목재의 현미경적 특징 조사 웹서비스: 현미경슬라이드 디지털 트윈

4. 식별 관련 참조 자료
- 목재식별을 위한 IAWA 현미경적 특징 목록(번역서)
- 수종별 식별 특징 목록 데이터베이스: 목재수종 자동식별 시스템에서 이용
- 목재의 현미경적 특징 이미지: 인공지능 모델 훈련용, 목재식별 현미경적 특징 표준이미지
- 인공지능 훈련용 목재의 해부학적 특징 이미지 사양: 횡단면(목재블록 표면; 실체, 반사), 방사 및 접선(박편 현미경슬라이드, 투과)
- 표면이미징용 시편 제작법: 횡단면 표면이미징을 위한 순차적 샌딩법

5. 목재수종 해부학적 특징 조사 기술
- 목재의 현미경적 특징 자동검출용 인공지능 모델: 침엽수재용, 활엽수재용
- 전동현미경 기반 목재의 현미경적 특징 자동조사 시스템
- 목재수종 자동식별 체계 및 플랫폼(프로토타입)
- 객체검출 기술을 이용한 해부학적 특징 코드 추출 모듈
- 이미지 분할 기술을 이용한 정량적 식별특징 조사 방법

6. 목재식별 특징 조사용 현미경 기술 개발
- 전동현미경 하드웨어(프로토타입)
- 전동현미경 제어용 운용 소프트웨어
- 연속 이미징 반사현미경 시스템(프로토타입)

7. 목재 식별 특징 조사용 시편 제작방법 개발
- 복합특성(multimodal) 측정 시편 제작법: 반사, 투과, 형광현미경 이미징용, 근적외선 측정용 시편 동시 제작
- DART TOFMS, NIR 측정용 공용 시편 제작

8. 원산지 판별 기술 시험
- 국내 상황에 적합한 원산지 판별용 장비 구축 및 기초 실험 수행
- DART TOFMS 기술의 목재 원산지 판별 기술 시험
- 근적외선(NIR) 기술의 목재 원산지 판별 기술 시험

연구개발성과 활용계획 및 기대 효과
1. 공인재감 제작 체계를 활용하여 지속적으로 공인재감을 확보하여 수종별 참조 자료의 기초 확립
2. 재감, 현미경슬라이드, 이미지 데이터베이스는 웹서비스와 연계하여 재감관리, 수종별 해부학적 특징 조사, 목재 해부학 및 식별 전문가 양성을 위한 교육자료로 활용 가능
3. 고배율, 대면적이미지의 목재의 현미경적 특징 조사 웹서비스 제공: 디지털 트윈
4. 목재식별을 위한 IAWA 현미경적 특징 목록 번역서: 목재 수종식별 전문가 교육 및 목재의 해부학적 구조 어노테이션 전문가 양성에 기본 교재로 활용
5. 수종별 식별 특징 목록 데이터베이스: 목재 수종식별 국제협력의 매개로 활용
6. 공인재감, 현미경 슬라이드, 이미지 데이터베이스는 향후 목재 수종식별 표준 제정, 수종별 신규 특징 조사, 목재 수종식별과 관련한 국제 교류에 활용
7. 표면이미징용 시편 제작법: 신속한 시편의 준비를 통해 수종식별 시간 단축
8. 목재수종 자동식별 기술: 객체검출 기술을 기반으로 수종별 해부학적인 특징을 추출하여 식별을 수행하는 시스템임. 사람이 정한 식별 표준에 따른 결과를 바탕으로 식별 결과를 도출하므로, 인공지능에 의한 식별 결과에 대해 전문가들이 식별 결과와 과정의 적합성을 판단할 수 있음. 향후 현장에서 실제로 사용 가능한 목재수종 자동식별 시스템의 기반으로 활용될 것임.
9. 전동현미경 및 운용소프트웨어: 목재의 수종별 해부학적 특징 자동검출을 위해 필요한 대량의 이미지 획득 작업에 활용.
10. 목재 식별특징 조사용 시편 제작법: 동일한 시편에서 목재의 화학적, 형태적 정보와 같은 복합특성 측정 가능.

(출처 : 요약문 3p)

목차 Contents

• 표지 ... 1
• 요 약 문 ... 3
• 목차 ... 8
• 표목차 ... 11
• 그림목차 ... 12
• 1. 연구개발과제의 개요 ... 14
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 17
• 2.1 식별용 기초자료 준비: 공인재감, 현미경슬라이드, 식별특징 코드 목록 ... 17
• 2.1.1 공인재감(Certified Reference Woods) 및 표준재감(Standard Reference Woods) ... 17
• 2.1.2 참조 (표준) 목재 식별특징 코드 목록 ... 18
• 2.1.3 참조용 목재 식별특징 이미지 ... 23
• 2.1.4 참조용 목재 분광데이터 ... 24
• 2.1.5 표준 제정 및 관리 체계: 목재수종 식별표준 제정 작업반 ... 24
• 2.2 목재 재감 및 이미지 데이터베이스 설계 및 구조 ... 25
• 2.2.1 데이터베이스 개요 ... 25
• 2.2.2 데이터베이스 시스템 환경 ... 25
• 2.2.3 데이터베이스 설계 ... 26
• 2.2.4 데이터베이스 테이블 구성 ... 27
• 2.2.5 Web Server 디렉토리 구성 ... 31
• 2.3 웹을 통한 목재 재감 및 이미지 DB 관리 및 정보 검색: 목재 재감 DB 관리 ... 32
• 2.3.1 웹을 통한 목재 대면적 현미경이미지 조사 ... 32
• 2.3.2 목재 재감 DB 관리 웹사이트 ... 32
• 2.4 연구개발 방법 ... 33
• 2.4.1 실험 방법 및 실험법 개발 ... 33
• 2.5 연구개발 결과 ... 41
• 2.5.1 재감 및 현미경슬라이드 제작 현황 ... 41
• 2.5.2 이미지 획득 ... 43
• 2.5.3 딥러닝 훈련용 목재블록 표면이미지 및 슬라이드의 현미경 이미지 준비 ... 55
• 2.5.4 식별 성능 평가 방법 ... 56
• 2.5.5 참조 (표준) 식별특징 코드 추출 모듈 ... 59
• 2.5.6 목재수종 자동식별을 위한 핵심 모델 개발 및 시험 ... 64
• 2.5.7 원산지 판별법 시험 ... 89
• 2.5.8 현미경 이미지 자동수집을 위한 전동현미경의 제작과 목재수종 자동식별 시험 ... 94
• 3. 연구개발과제의 수행 결과 및 목표 달성 정도 ... 103
• 1) 연구수행 결과 ... 103
• (1) 정성적 연구개발성과 ... 103
• (2) 정량적 연구개발성과 ... 103
• (3) 세부 정량적 연구개발성과 ... 104
• (4) 계획하지 않은 성과 및 관련 분야 기여사항 ... 105
• 2) 목표 달성 수준 ... 105
• 4. 목표 미달 시 원인분석 ... 106
• 1) 목표 미달 원인(사유) 자체분석 내용 ... 106
• 2) 자체 보완활동 ... 106
• 3) 연구개발 과정의 성실성 ... 107
• 5. 연구개발성과의 관련 분야에 대한 기여 정도 ... 108
• 6. 연구개발성과의 관리 및 활용 계획 ... 108
• 부록 ... 110
• 부록 1. 공인재감 제작 및 이미징 현황 ... 111
• 부록 2. 영구슬라이드 제작 현황 ... 112
• 부록 3. 표면이미지 확보 재감 목록 ... 115
• 부록 4. 대면적이미지가 생성된 수종 목록 ... 123
• 부록 5. 이미지 분류 방식 수종식별 인공지능 훈련에 사용된 이미지세트의 구성 ... 134
• 부록 6. 평판형 스캐너 이미지(일부만 게재) ... 138
• 부록 7. 실체현미경 이미지(일부만 게재) ... 148
• 부록 8. 투과광학현미경 대면적이미지(원본 20x/0.8 렌즈 사용, 일부만 게재) ... 165
• 부록 9. 침엽수재의 현미경적 식별특징 검출 결과(일부만 게재) ... 182
• 부록 10. 활엽수재의 현미경적 식별특징 검출 결과(일부만 게재) ... 199
• 부록 11. 활엽수재 횡단면 상의 관공 검출 결과(일부한 게재) ... 206
• 부록 12. 이미지분할 기법을 이용한 침엽수재 횡단면 식별특징 분석 ... 211
• 부록 13. 침엽수재 접선단면 상 방사조직의 이미지분할 ... 216
• 부록 14. 참나무류 횡단면 상 관공 및 타일로시스의 이미지분할 ... 222
• 부록 15. 목재의 식별특징 자동검출 프로그램으로 생성된 보고서(일부만 게재) ... 230
• 끝페이지 ... 250