Overview

Dataset statistics

Number of variables16
Number of observations2044
Missing cells0
Missing cells (%)0.0%
Duplicate rows0
Duplicate rows (%)0.0%
Total size in memory257.6 KiB
Average record size in memory129.1 B

Variable types

Text13
Numeric1
DateTime2

Dataset

Description국가연구개발사업을 통해 창출된 소프트웨어 성과에 대한 기술상세정보(기술/개발/품질/제품)입니다. 관리항목 : SW개요, 경쟁력, 등록특허 및 표준, 기술이전 실적 및 방법, 개발목표, 타겟고객 및 시장, 세부구성기술, 개발기간 및 소요공수, 개발환경, 적용표준, 개발관리 및 적용방법론, 테스트 기준, 테스트 방법, 인증현황, 제품명 및 구성, 주요기능, 제품 특장점, 사용환경, 제품관리정책, 부속자료
Author정보통신산업진흥원
URLhttps://www.data.go.kr/data/15040396/fileData.do

Alerts

과제고유번호 is highly skewed (γ1 = 22.61426093)Skewed
자산코드 has unique valuesUnique

Reproduction

Analysis started2023-12-12 09:58:40.814413
Analysis finished2023-12-12 09:58:49.176756
Duration8.36 seconds
Software versionydata-profiling vv4.5.1
Download configurationconfig.json

Variables

자산코드
Text

UNIQUE 

Distinct2044
Distinct (%)100.0%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:49.397470image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length13
Median length13
Mean length13
Min length13

Characters and Unicode

Total characters26572
Distinct characters15
Distinct categories3 ?
Distinct scripts2 ?
Distinct blocks1 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique2044 ?
Unique (%)100.0%

Sample

1st rowASSET_0009015
2nd rowASSET_0009012
3rd rowASSET_0009010
4th rowASSET_0009008
5th rowASSET_0009004
ValueCountFrequency (%)
asset_0009015 1
 
< 0.1%
asset_0006875 1
 
< 0.1%
asset_0006853 1
 
< 0.1%
asset_0006855 1
 
< 0.1%
asset_0006857 1
 
< 0.1%
asset_0006858 1
 
< 0.1%
asset_0006861 1
 
< 0.1%
asset_0006862 1
 
< 0.1%
asset_0006864 1
 
< 0.1%
asset_0006865 1
 
< 0.1%
Other values (2034) 2034
99.5%
2023-12-12T18:58:49.885387image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
0 6734
25.3%
S 4088
15.4%
A 2044
 
7.7%
E 2044
 
7.7%
T 2044
 
7.7%
_ 2044
 
7.7%
8 1297
 
4.9%
7 1278
 
4.8%
6 1176
 
4.4%
5 819
 
3.1%
Other values (5) 3004
11.3%

Most occurring categories

ValueCountFrequency (%)
Decimal Number 14308
53.8%
Uppercase Letter 10220
38.5%
Connector Punctuation 2044
 
7.7%

Most frequent character per category

Decimal Number
ValueCountFrequency (%)
0 6734
47.1%
8 1297
 
9.1%
7 1278
 
8.9%
6 1176
 
8.2%
5 819
 
5.7%
9 664
 
4.6%
4 598
 
4.2%
3 593
 
4.1%
2 576
 
4.0%
1 573
 
4.0%
Uppercase Letter
ValueCountFrequency (%)
S 4088
40.0%
A 2044
20.0%
E 2044
20.0%
T 2044
20.0%
Connector Punctuation
ValueCountFrequency (%)
_ 2044
100.0%

Most occurring scripts

ValueCountFrequency (%)
Common 16352
61.5%
Latin 10220
38.5%

Most frequent character per script

Common
ValueCountFrequency (%)
0 6734
41.2%
_ 2044
 
12.5%
8 1297
 
7.9%
7 1278
 
7.8%
6 1176
 
7.2%
5 819
 
5.0%
9 664
 
4.1%
4 598
 
3.7%
3 593
 
3.6%
2 576
 
3.5%
Latin
ValueCountFrequency (%)
S 4088
40.0%
A 2044
20.0%
E 2044
20.0%
T 2044
20.0%

Most occurring blocks

ValueCountFrequency (%)
ASCII 26572
100.0%

Most frequent character per block

ASCII
ValueCountFrequency (%)
0 6734
25.3%
S 4088
15.4%
A 2044
 
7.7%
E 2044
 
7.7%
T 2044
 
7.7%
_ 2044
 
7.7%
8 1297
 
4.9%
7 1278
 
4.8%
6 1176
 
4.4%
5 819
 
3.1%
Other values (5) 3004
11.3%

자산명
Text

Distinct2043
Distinct (%)> 99.9%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:50.309483image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length173
Median length98
Mean length31.616928
Min length2

Characters and Unicode

Total characters64625
Distinct characters746
Distinct categories13 ?
Distinct scripts3 ?
Distinct blocks4 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique2042 ?
Unique (%)99.9%

Sample

1st row전국단위 위험도 및 회복력 평가결과 기반 맞춤형 솔루션 검색모듈
2nd rowCalmato ASM 실시간 차량모델 기반 자동긴급제동 제어로직
3rd rowRGB(알지비) 카메라 입력 기반 Human(휴먼) Pose(포즈) Estimation(에스티메이션) 모듈
4th row허가형 블록체인의 태그 기반 스마트 컨트랙트 중개 시스템
5th row교통정보 추출 소프트웨어
ValueCountFrequency (%)
프로그램 477
 
3.5%
기반 329
 
2.4%
위한 269
 
2.0%
시스템 219
 
1.6%
및 215
 
1.6%
데이터 173
 
1.3%
소프트웨어 165
 
1.2%
이용한 139
 
1.0%
모듈 98
 
0.7%
관리 73
 
0.5%
Other values (5334) 11480
84.2%
2023-12-12T18:58:50.962858image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
11639
 
18.0%
이 1235
 
1.9%
e 1066
 
1.6%
스 879
 
1.4%
a 843
 
1.3%
프 838
 
1.3%
o 835
 
1.3%
기 834
 
1.3%
i 787
 
1.2%
r 779
 
1.2%
Other values (736) 44890
69.5%

Most occurring categories

ValueCountFrequency (%)
Other Letter 36808
57.0%
Space Separator 11640
 
18.0%
Lowercase Letter 9010
 
13.9%
Uppercase Letter 4546
 
7.0%
Open Punctuation 756
 
1.2%
Close Punctuation 756
 
1.2%
Decimal Number 540
 
0.8%
Dash Punctuation 247
 
0.4%
Other Punctuation 244
 
0.4%
Connector Punctuation 64
 
0.1%
Other values (3) 14
 
< 0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 1235
 
3.4%
스 879
 
2.4%
프 838
 
2.3%
기 834
 
2.3%
로 765
 
2.1%
시 764
 
2.1%
한 612
 
1.7%
그 582
 
1.6%
터 534
 
1.5%
리 533
 
1.4%
Other values (656) 29232
79.4%
Lowercase Letter
ValueCountFrequency (%)
e 1066
11.8%
a 843
9.4%
o 835
9.3%
i 787
 
8.7%
r 779
 
8.6%
t 752
 
8.3%
n 727
 
8.1%
l 436
 
4.8%
s 384
 
4.3%
c 314
 
3.5%
Other values (16) 2087
23.2%
Uppercase Letter
ValueCountFrequency (%)
S 511
 
11.2%
A 377
 
8.3%
C 340
 
7.5%
I 300
 
6.6%
P 290
 
6.4%
T 278
 
6.1%
R 267
 
5.9%
M 264
 
5.8%
D 256
 
5.6%
E 208
 
4.6%
Other values (16) 1455
32.0%
Decimal Number
ValueCountFrequency (%)
0 171
31.7%
1 115
21.3%
2 111
20.6%
3 83
15.4%
6 24
 
4.4%
5 17
 
3.1%
4 11
 
2.0%
8 4
 
0.7%
7 3
 
0.6%
9 1
 
0.2%
Other Punctuation
ValueCountFrequency (%)
. 155
63.5%
, 58
 
23.8%
: 18
 
7.4%
· 7
 
2.9%
& 5
 
2.0%
* 1
 
0.4%
Other Symbol
ValueCountFrequency (%)
° 2
50.0%
™ 1
25.0%
㈜ 1
25.0%
Space Separator
ValueCountFrequency (%)
11639
> 99.9%
　 1
 
< 0.1%
Close Punctuation
ValueCountFrequency (%)
) 755
99.9%
] 1
 
0.1%
Open Punctuation
ValueCountFrequency (%)
( 756
100.0%
Dash Punctuation
ValueCountFrequency (%)
- 247
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 64
100.0%
Math Symbol
ValueCountFrequency (%)
+ 9
100.0%
Format
ValueCountFrequency (%)
­ 1
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 36809
57.0%
Common 14260
 
22.1%
Latin 13556
 
21.0%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 1235
 
3.4%
스 879
 
2.4%
프 838
 
2.3%
기 834
 
2.3%
로 765
 
2.1%
시 764
 
2.1%
한 612
 
1.7%
그 582
 
1.6%
터 534
 
1.5%
리 533
 
1.4%
Other values (657) 29233
79.4%
Latin
ValueCountFrequency (%)
e 1066
 
7.9%
a 843
 
6.2%
o 835
 
6.2%
i 787
 
5.8%
r 779
 
5.7%
t 752
 
5.5%
n 727
 
5.4%
S 511
 
3.8%
l 436
 
3.2%
s 384
 
2.8%
Other values (42) 6436
47.5%
Common
ValueCountFrequency (%)
11639
81.6%
( 756
 
5.3%
) 755
 
5.3%
- 247
 
1.7%
0 171
 
1.2%
. 155
 
1.1%
1 115
 
0.8%
2 111
 
0.8%
3 83
 
0.6%
_ 64
 
0.4%
Other values (17) 164
 
1.2%

Most occurring blocks

ValueCountFrequency (%)
Hangul 36808
57.0%
ASCII 27804
43.0%
None 12
 
< 0.1%
Letterlike Symbols 1
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
11639
41.9%
e 1066
 
3.8%
a 843
 
3.0%
o 835
 
3.0%
i 787
 
2.8%
r 779
 
2.8%
( 756
 
2.7%
) 755
 
2.7%
t 752
 
2.7%
n 727
 
2.6%
Other values (64) 8865
31.9%
Hangul
ValueCountFrequency (%)
이 1235
 
3.4%
스 879
 
2.4%
프 838
 
2.3%
기 834
 
2.3%
로 765
 
2.1%
시 764
 
2.1%
한 612
 
1.7%
그 582
 
1.6%
터 534
 
1.5%
리 533
 
1.4%
Other values (656) 29232
79.4%
None
ValueCountFrequency (%)
· 7
58.3%
° 2
 
16.7%
­ 1
 
8.3%
　 1
 
8.3%
㈜ 1
 
8.3%
Letterlike Symbols
ValueCountFrequency (%)
™ 1
100.0%

자산소개설명
Text

Distinct2037
Distinct (%)99.7%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:51.398521image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1003
Median length667
Mean length411.79892
Min length14

Characters and Unicode

Total characters841717
Distinct characters1165
Distinct categories17 ?
Distinct scripts5 ?
Distinct blocks13 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique2030 ?
Unique (%)99.3%

Sample

1st row도시재생지역 중 재난에 취약한 지역을 계획함에 있어 전국단위 위험도,회복력 분석결과와 세부지역 위험도 및 회복력 평가 등급에 따라 필요한 부분과 검토대상 기술의 분류를 자동으로 지원하는 검색모듈로 정부부처는 예산배정 근거 및 의사결정 검토에 활용하고, 지자체는 (공공)도시재생협의체 등 의사결정 시 적정 기술 도입목록 검토에 활용하며, 민간기업은 소규모 쇠퇴지역 내 설치 가능한 재난지원제품의 기술개발과 홍보채널로 활용하기 위한 회복력 평가결과 기반 맞춤형 솔루션 검색모듈 입니다.본 프로그램은 도시재생용역분야 중 재난상황에 따라 솔루션 검색을 지원하기 위해 솔루션들을 회복력 평가등급 결과에 따라 지역별 필요항목을 도출하고 이를 자동 검색하도록 지원하는 모듈입니다. 기존 사업대상지 중심의 검색기능에서 전국단위 위험도와 회복력 정보를 기준으로 검색하는 기능을 추가 하여 지자체 검토가능성을 확대하고자 하였습니다.
2nd row개발배경 : Calmato 차량에 AEB 기능 설계필요성 : 전방주시태만 등의 운전자의 과실로 인한 사고가 연간 80% 이상임. 자동긴급제동 기능인 AEB가 탑재되면 사고의 위험도를 크게 줄일 수 있음. 기술의 개념 : 카메라+레이더 센서로 전방정보를 센싱하여 차량의 제동을 제어함. 적용분야 : Calmato AEB
3rd rowRGB 카메라를 이용하여 Human의 3DPose Data를 Estimation 하는 기술.사람이 취한 자세를 인식하는 기술을 “휴먼 포즈 에스티메이션(Human Pose Estimation)”이라고 한다.전통적인 자세 인식 방법은 사람에게 센서와 같은 다양한 장비를 부착하고 측정한다. 움직임을 실시간으로 정교하게 파악할 수 있지만 높은 비용이 들어가기도 하고 실생활에서 항상 장비를 착용하는 것이 아니어서 연구실 또는 한정된 영역에서만 가능한 방법이다. 이를 해결하기 위해 하나의 webcam 이용한 딥러닝 기반 포즈 에스티메이션 기법을 두입 필요한다.딥러닝 이용한 포즈 에스티메이션은, 먼저 다층 인공신경망을 이용하여 인체의 각 keypoint(joint) 위치 좌표를 예측한 다음, keypoints 간의 공간적 위치 관계를 구하고 사람 skeleton을 예측한다.딥러닝을 이용한 다수 사람 3차원 포스 추출하는 최신 기술 중 주요한 기술은 다음과 같다. 대부분 실시간 동작하기 힘들거나 다수의 사람들이 서로 가려지는 경우에는 3차원 포스 추출하기 힘들다는 문제를 존재한다.본 기술에서 사용하는 딥러닝 네트워크 구조는 다음 그림과 같다. 이미지를 입력하면 module1은 2D 포즈 히트맵과 Affinity 벡터를 출력하고, 그 결과를 module2에 입력하고 3D 포즈의 ORPM을 출력한다.
4th row- 블록체인은 디지털 거래에 있어서 데이터 투명성을 제공하는 기술로 각광받고 있음 - 블록체인에서 디지털 거래를 가능케 하는 핵심적인 요소는 스마트 컨트랙트임- 스마트 컨트랙트는 블록체인 플랫폼에서 디지털 거래를 실현시키는 거래의 특징, 규칙을 정의하고 있는 코드 파일임 - 블록체인 플랫폼의 경우에는 스마트 컨트랙트의 공유를 지원하고, 스마트 컨트랙트의 재사용 및 체계적인 관리를 지원하는 것이 필요함 - 블록체인 스마트 컨트랙트를 공유하고, 재사용할 수 있는 스마트 컨트랙트 중개 기술(소프트웨어)을 개발함
5th row데이터의 연계기술은 돌발상황으로 인한 특정 데이터 수집원의 비반복적 교통정보 단절 시 도로 시스템 피해 기간 및 규모의 최소화를 위해서도 필수적인 요소이다. VDS를 통해서 수집되는 텍스트 정보와 CCTV의 영상정보는 서로 다른 형태로 이루어져 데이터의 통합이 어려운 상황이며 현재 VDS, RSE, CCTV, Radar, Ridar 그리고 개별 차량에서 수집되는 데이터를 모을 수 있는 환경이 구축되어 있지 않다. 이러한 한계를 극복하기 위해 다양한 수집원의 데이터를 연계하여 교통정보 수집 인프라가 부족한 구간의 교통정보를 생성하는 기술이 필요하다.미가공 수집 데이터에서 검지 센서별 객체 데이터를 추출하고, 추출 결과를 파일로 저장한다.- 데이터베이스 쿼리 기능- 미가공 수집 데이터에서 검지 센서별 객체 진입 진출 정보 추출 기능- 추출 데이터 CSV 저장 기능- 수집 데이터 중 오류 데이터 제외 기능- 추출 진행 로그 파일 저장 기능
ValueCountFrequency (%)
및 2799
 
1.5%
수 2358
 
1.3%
2193
 
1.2%
본 1185
 
0.6%
위한 1081
 
0.6%
있는 983
 
0.5%
데이터 975
 
0.5%
통해 937
 
0.5%
대한 845
 
0.4%
데이터를 819
 
0.4%
Other values (42747) 174276
92.5%
2023-12-12T18:58:52.016035image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
188968
 
22.5%
이 15481
 
1.8%
하 13803
 
1.6%
기 10995
 
1.3%
의 10986
 
1.3%
로 10840
 
1.3%
을 10547
 
1.3%
에 9840
 
1.2%
는 9292
 
1.1%
를 8914
 
1.1%
Other values (1155) 552051
65.6%

Most occurring categories

ValueCountFrequency (%)
Other Letter 539436
64.1%
Space Separator 188968
 
22.5%
Lowercase Letter 52512
 
6.2%
Uppercase Letter 25856
 
3.1%
Other Punctuation 16499
 
2.0%
Decimal Number 5390
 
0.6%
Dash Punctuation 5272
 
0.6%
Close Punctuation 3381
 
0.4%
Open Punctuation 3213
 
0.4%
Math Symbol 407
 
< 0.1%
Other values (7) 783
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 15481
 
2.9%
하 13803
 
2.6%
기 10995
 
2.0%
의 10986
 
2.0%
로 10840
 
2.0%
을 10547
 
2.0%
에 9840
 
1.8%
는 9292
 
1.7%
를 8914
 
1.7%
한 8275
 
1.5%
Other values (1018) 430463
79.8%
Lowercase Letter
ValueCountFrequency (%)
e 6055
11.5%
o 4825
 
9.2%
a 4696
 
8.9%
i 4470
 
8.5%
t 4250
 
8.1%
n 4134
 
7.9%
r 3916
 
7.5%
l 2721
 
5.2%
s 2477
 
4.7%
c 1982
 
3.8%
Other values (23) 12986
24.7%
Uppercase Letter
ValueCountFrequency (%)
S 2777
 
10.7%
C 1954
 
7.6%
I 1926
 
7.4%
A 1881
 
7.3%
D 1717
 
6.6%
P 1684
 
6.5%
M 1493
 
5.8%
T 1377
 
5.3%
R 1288
 
5.0%
G 1075
 
4.2%
Other values (18) 8684
33.6%
Other Punctuation
ValueCountFrequency (%)
, 7586
46.0%
. 7187
43.6%
: 916
 
5.6%
· 198
 
1.2%
* 192
 
1.2%
' 149
 
0.9%
" 99
 
0.6%
% 82
 
0.5%
; 46
 
0.3%
& 28
 
0.2%
Other values (5) 16
 
0.1%
Other Symbol
ValueCountFrequency (%)
● 142
42.6%
○ 134
40.2%
■ 21
 
6.3%
° 11
 
3.3%
□ 9
 
2.7%
▶ 6
 
1.8%
◆ 4
 
1.2%
㈜ 3
 
0.9%
℃ 1
 
0.3%
㎝ 1
 
0.3%
Math Symbol
ValueCountFrequency (%)
> 136
33.4%
< 90
22.1%
~ 71
17.4%
+ 71
17.4%
= 20
 
4.9%
→ 9
 
2.2%
| 4
 
1.0%
← 2
 
0.5%
∼ 2
 
0.5%
± 1
 
0.2%
Decimal Number
ValueCountFrequency (%)
2 1169
21.7%
1 1073
19.9%
0 907
16.8%
3 829
15.4%
4 372
 
6.9%
5 351
 
6.5%
6 264
 
4.9%
8 166
 
3.1%
7 143
 
2.7%
9 116
 
2.2%
Other Number
ValueCountFrequency (%)
② 6
25.0%
① 6
25.0%
③ 6
25.0%
④ 2
 
8.3%
⑤ 2
 
8.3%
² 1
 
4.2%
⑥ 1
 
4.2%
Close Punctuation
ValueCountFrequency (%)
) 3137
92.8%
] 239
 
7.1%
） 3
 
0.1%
】 1
 
< 0.1%
」 1
 
< 0.1%
Open Punctuation
ValueCountFrequency (%)
( 2962
92.2%
[ 246
 
7.7%
【 2
 
0.1%
（ 2
 
0.1%
「 1
 
< 0.1%
Modifier Symbol
ValueCountFrequency (%)
^ 5
50.0%
` 3
30.0%
˚ 2
 
20.0%
Dash Punctuation
ValueCountFrequency (%)
- 5271
> 99.9%
― 1
 
< 0.1%
Initial Punctuation
ValueCountFrequency (%)
‘ 107
75.4%
“ 35
 
24.6%
Final Punctuation
ValueCountFrequency (%)
’ 104
80.0%
” 26
 
20.0%
Space Separator
ValueCountFrequency (%)
188968
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 133
100.0%
Format
ValueCountFrequency (%)
­ 11
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 539423
64.1%
Common 223910
26.6%
Latin 78358
 
9.3%
Han 16
 
< 0.1%
Greek 10
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 15481
 
2.9%
하 13803
 
2.6%
기 10995
 
2.0%
의 10986
 
2.0%
로 10840
 
2.0%
을 10547
 
2.0%
에 9840
 
1.8%
는 9292
 
1.7%
를 8914
 
1.7%
한 8275
 
1.5%
Other values (1009) 430450
79.8%
Common
ValueCountFrequency (%)
188968
84.4%
, 7586
 
3.4%
. 7187
 
3.2%
- 5271
 
2.4%
) 3137
 
1.4%
( 2962
 
1.3%
2 1169
 
0.5%
1 1073
 
0.5%
: 916
 
0.4%
0 907
 
0.4%
Other values (65) 4734
 
2.1%
Latin
ValueCountFrequency (%)
e 6055
 
7.7%
o 4825
 
6.2%
a 4696
 
6.0%
i 4470
 
5.7%
t 4250
 
5.4%
n 4134
 
5.3%
r 3916
 
5.0%
S 2777
 
3.5%
l 2721
 
3.5%
s 2477
 
3.2%
Other values (44) 38037
48.5%
Han
ValueCountFrequency (%)
社 4
25.0%
新 2
12.5%
異 2
12.5%
種 2
12.5%
傳 1
 
6.2%
播 1
 
6.2%
前 1
 
6.2%
後 1
 
6.2%
內 1
 
6.2%
非 1
 
6.2%
Greek
ValueCountFrequency (%)
μ 2
20.0%
ω 2
20.0%
σ 2
20.0%
λ 1
10.0%
α 1
10.0%
Δ 1
10.0%
β 1
10.0%

Most occurring blocks

ValueCountFrequency (%)
Hangul 538516
64.0%
ASCII 301391
35.8%
Compat Jamo 904
 
0.1%
Geometric Shapes 317
 
< 0.1%
Punctuation 283
 
< 0.1%
None 249
 
< 0.1%
Enclosed Alphanum 23
 
< 0.1%
CJK 16
 
< 0.1%
Arrows 11
 
< 0.1%
Modifier Letters 2
 
< 0.1%
Other values (3) 5
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
188968
62.7%
, 7586
 
2.5%
. 7187
 
2.4%
e 6055
 
2.0%
- 5271
 
1.7%
o 4825
 
1.6%
a 4696
 
1.6%
i 4470
 
1.5%
t 4250
 
1.4%
n 4134
 
1.4%
Other values (78) 63949
 
21.2%
Hangul
ValueCountFrequency (%)
이 15481
 
2.9%
하 13803
 
2.6%
기 10995
 
2.0%
의 10986
 
2.0%
로 10840
 
2.0%
을 10547
 
2.0%
에 9840
 
1.8%
는 9292
 
1.7%
를 8914
 
1.7%
한 8275
 
1.5%
Other values (1003) 429543
79.8%
Compat Jamo
ValueCountFrequency (%)
ㆍ 821
90.8%
ㅇ 65
 
7.2%
ㅁ 14
 
1.5%
ㄴ 3
 
0.3%
ㅏ 1
 
0.1%
None
ValueCountFrequency (%)
· 198
79.5%
­ 11
 
4.4%
° 11
 
4.4%
㈜ 3
 
1.2%
） 3
 
1.2%
μ 2
 
0.8%
ω 2
 
0.8%
【 2
 
0.8%
（ 2
 
0.8%
σ 2
 
0.8%
Other values (13) 13
 
5.2%
Geometric Shapes
ValueCountFrequency (%)
● 142
44.8%
○ 134
42.3%
■ 21
 
6.6%
□ 9
 
2.8%
▶ 6
 
1.9%
◆ 4
 
1.3%
▷ 1
 
0.3%
Punctuation
ValueCountFrequency (%)
‘ 107
37.8%
’ 104
36.7%
“ 35
 
12.4%
” 26
 
9.2%
※ 10
 
3.5%
― 1
 
0.4%
Arrows
ValueCountFrequency (%)
→ 9
81.8%
← 2
 
18.2%
Enclosed Alphanum
ValueCountFrequency (%)
② 6
26.1%
① 6
26.1%
③ 6
26.1%
④ 2
 
8.7%
⑤ 2
 
8.7%
⑥ 1
 
4.3%
CJK
ValueCountFrequency (%)
社 4
25.0%
新 2
12.5%
異 2
12.5%
種 2
12.5%
傳 1
 
6.2%
播 1
 
6.2%
前 1
 
6.2%
後 1
 
6.2%
內 1
 
6.2%
非 1
 
6.2%
Modifier Letters
ValueCountFrequency (%)
˚ 2
100.0%
Math Operators
ValueCountFrequency (%)
∼ 2
100.0%
Letterlike Symbols
ValueCountFrequency (%)
℃ 1
100.0%
CJK Compat
ValueCountFrequency (%)
㎝ 1
50.0%
㎡ 1
50.0%

과제고유번호
Real number (ℝ)

SKEWED 

Distinct978
Distinct (%)47.8%
Missing0
Missing (%)0.0%
Infinite0
Infinite (%)0.0%
Mean1.622073 × 109
Minimum1.0750008 × 109
Maximum9.9910076 × 109
Zeros0
Zeros (%)0.0%
Negative0
Negative (%)0.0%
Memory size18.1 KiB
2023-12-12T18:58:52.206912image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Quantile statistics

Minimum1.0750008 × 109
5-th percentile1.3453057 × 109
Q11.6150101 × 109
median1.7110654 × 109
Q31.7111171 × 109
95-th percentile1.7111387 × 109
Maximum9.9910076 × 109
Range8.9160068 × 109
Interquartile range (IQR)96106972

Descriptive statistics

Standard deviation2.3198824 × 108
Coefficient of variation (CV)0.1430196
Kurtosis829.18819
Mean1.622073 × 109
Median Absolute Deviation (MAD)69316
Skewness22.614261
Sum3.3155173 × 1012
Variance5.3818545 × 1016
MonotonicityNot monotonic
2023-12-12T18:58:52.377627image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
Histogram with fixed size bins (bins=50)
ValueCountFrequency (%)
1711074132 27
 
1.3%
1711116343 22
 
1.1%
1711126132 18
 
0.9%
1711065257 18
 
0.9%
1711125911 16
 
0.8%
1711126301 15
 
0.7%
1615009859 14
 
0.7%
1615011317 12
 
0.6%
1711108633 12
 
0.6%
1711094437 11
 
0.5%
Other values (968) 1879
91.9%
ValueCountFrequency (%)
1075000801 1
 
< 0.1%
1075000839 1
 
< 0.1%
1075000861 2
0.1%
1075000927 1
 
< 0.1%
1075000980 3
0.1%
1075001089 2
0.1%
1075001127 3
0.1%
1075001130 2
0.1%
1075001160 1
 
< 0.1%
1075001168 1
 
< 0.1%
ValueCountFrequency (%)
9991007634 1
 
< 0.1%
1781000003 1
 
< 0.1%
1761001861 3
0.1%
1761000380 1
 
< 0.1%
1741000710 1
 
< 0.1%
1711174427 1
 
< 0.1%
1711172187 1
 
< 0.1%
1711163268 1
 
< 0.1%
1711160618 1
 
< 0.1%
1711160598 2
0.1%

회사명
Text

Distinct350
Distinct (%)17.1%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:52.693345image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length18
Median length15
Mean length9.3713307
Min length2

Characters and Unicode

Total characters19155
Distinct characters305
Distinct categories6 ?
Distinct scripts3 ?
Distinct blocks2 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique140 ?
Unique (%)6.8%

Sample

1st row주식회사 맵인어스
2nd row한국자동차연구원
3rd row피씨엔
4th row부산대학교산학협력단
5th row하나텍시스템
ValueCountFrequency (%)
산학협력단 680
23.6%
성균관대학교 168
 
5.8%
서울대학교 146
 
5.1%
주식회사 138
 
4.8%
세종대학교산학협력단 127
 
4.4%
한양대학교 70
 
2.4%
고려대학교 53
 
1.8%
포항공과대학교 51
 
1.8%
한국과학기술원 43
 
1.5%
한국전자통신연구원 40
 
1.4%
Other values (343) 1364
47.4%
2023-12-12T18:58:53.184796image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
학 1964
 
10.3%
교 983
 
5.1%
대 979
 
5.1%
산 971
 
5.1%
단 952
 
5.0%
력 926
 
4.8%
협 916
 
4.8%
836
 
4.4%
주 655
 
3.4%
( 443
 
2.3%
Other values (295) 9530
49.8%

Most occurring categories

ValueCountFrequency (%)
Other Letter 17416
90.9%
Space Separator 836
 
4.4%
Open Punctuation 443
 
2.3%
Close Punctuation 443
 
2.3%
Uppercase Letter 11
 
0.1%
Decimal Number 6
 
< 0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
학 1964
 
11.3%
교 983
 
5.6%
대 979
 
5.6%
산 971
 
5.6%
단 952
 
5.5%
력 926
 
5.3%
협 916
 
5.3%
주 655
 
3.8%
이 372
 
2.1%
한 331
 
1.9%
Other values (281) 8367
48.0%
Uppercase Letter
ValueCountFrequency (%)
S 2
18.2%
K 2
18.2%
E 1
9.1%
D 1
9.1%
G 1
9.1%
C 1
9.1%
W 1
9.1%
A 1
9.1%
I 1
9.1%
Decimal Number
ValueCountFrequency (%)
2 3
50.0%
1 3
50.0%
Space Separator
ValueCountFrequency (%)
836
100.0%
Open Punctuation
ValueCountFrequency (%)
( 443
100.0%
Close Punctuation
ValueCountFrequency (%)
) 443
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 17416
90.9%
Common 1728
 
9.0%
Latin 11
 
0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
학 1964
 
11.3%
교 983
 
5.6%
대 979
 
5.6%
산 971
 
5.6%
단 952
 
5.5%
력 926
 
5.3%
협 916
 
5.3%
주 655
 
3.8%
이 372
 
2.1%
한 331
 
1.9%
Other values (281) 8367
48.0%
Latin
ValueCountFrequency (%)
S 2
18.2%
K 2
18.2%
E 1
9.1%
D 1
9.1%
G 1
9.1%
C 1
9.1%
W 1
9.1%
A 1
9.1%
I 1
9.1%
Common
ValueCountFrequency (%)
836
48.4%
( 443
25.6%
) 443
25.6%
2 3
 
0.2%
1 3
 
0.2%

Most occurring blocks

ValueCountFrequency (%)
Hangul 17416
90.9%
ASCII 1739
 
9.1%

Most frequent character per block

Hangul
ValueCountFrequency (%)
학 1964
 
11.3%
교 983
 
5.6%
대 979
 
5.6%
산 971
 
5.6%
단 952
 
5.5%
력 926
 
5.3%
협 916
 
5.3%
주 655
 
3.8%
이 372
 
2.1%
한 331
 
1.9%
Other values (281) 8367
48.0%
ASCII
ValueCountFrequency (%)
836
48.1%
( 443
25.5%
) 443
25.5%
2 3
 
0.2%
1 3
 
0.2%
S 2
 
0.1%
K 2
 
0.1%
E 1
 
0.1%
D 1
 
0.1%
G 1
 
0.1%
Other values (4) 4
 
0.2%

기술명
Text

Distinct2039
Distinct (%)99.8%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:53.642236image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length173
Median length98
Mean length31.447162
Min length2

Characters and Unicode

Total characters64278
Distinct characters745
Distinct categories13 ?
Distinct scripts3 ?
Distinct blocks4 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique2034 ?
Unique (%)99.5%

Sample

1st row전국단위 위험도 및 회복력 평가결과 기반 맞춤형 솔루션 검색모듈
2nd rowCalmato ASM 실시간 차량모델 기반 자동긴급제동 제어로직
3rd rowRGB(알지비) 카메라 입력 기반 Human(휴먼) Pose(포즈) Estimation(에스티메이션) 모듈
4th row허가형 블록체인의 태그 기반 스마트 컨트랙트 중개 시스템
5th row교통정보 추출 소프트웨어
ValueCountFrequency (%)
프로그램 479
 
3.5%
기반 326
 
2.4%
위한 267
 
2.0%
시스템 220
 
1.6%
및 214
 
1.6%
데이터 174
 
1.3%
소프트웨어 164
 
1.2%
이용한 142
 
1.0%
모듈 98
 
0.7%
관리 73
 
0.5%
Other values (5314) 11429
84.1%
2023-12-12T18:58:54.240561image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
11587
 
18.0%
이 1224
 
1.9%
e 1051
 
1.6%
스 870
 
1.4%
a 840
 
1.3%
프 836
 
1.3%
기 830
 
1.3%
o 815
 
1.3%
i 776
 
1.2%
r 769
 
1.2%
Other values (735) 44680
69.5%

Most occurring categories

ValueCountFrequency (%)
Other Letter 36683
57.1%
Space Separator 11588
 
18.0%
Lowercase Letter 8875
 
13.8%
Uppercase Letter 4543
 
7.1%
Open Punctuation 745
 
1.2%
Close Punctuation 743
 
1.2%
Decimal Number 537
 
0.8%
Dash Punctuation 245
 
0.4%
Other Punctuation 240
 
0.4%
Connector Punctuation 66
 
0.1%
Other values (3) 13
 
< 0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 1224
 
3.3%
스 870
 
2.4%
프 836
 
2.3%
기 830
 
2.3%
시 764
 
2.1%
로 763
 
2.1%
한 615
 
1.7%
그 584
 
1.6%
터 534
 
1.5%
리 532
 
1.5%
Other values (654) 29131
79.4%
Lowercase Letter
ValueCountFrequency (%)
e 1051
11.8%
a 840
9.5%
o 815
 
9.2%
i 776
 
8.7%
r 769
 
8.7%
t 741
 
8.3%
n 717
 
8.1%
l 427
 
4.8%
s 377
 
4.2%
c 309
 
3.5%
Other values (16) 2053
23.1%
Uppercase Letter
ValueCountFrequency (%)
S 507
 
11.2%
A 373
 
8.2%
C 338
 
7.4%
I 299
 
6.6%
P 293
 
6.4%
T 281
 
6.2%
R 266
 
5.9%
M 264
 
5.8%
D 255
 
5.6%
E 209
 
4.6%
Other values (16) 1458
32.1%
Decimal Number
ValueCountFrequency (%)
0 170
31.7%
1 114
21.2%
2 110
20.5%
3 83
15.5%
6 24
 
4.5%
5 17
 
3.2%
4 11
 
2.0%
8 4
 
0.7%
7 3
 
0.6%
9 1
 
0.2%
Other Punctuation
ValueCountFrequency (%)
. 153
63.7%
, 56
 
23.3%
: 18
 
7.5%
· 7
 
2.9%
& 5
 
2.1%
* 1
 
0.4%
Other Symbol
ValueCountFrequency (%)
° 2
50.0%
™ 1
25.0%
㈜ 1
25.0%
Space Separator
ValueCountFrequency (%)
11587
> 99.9%
　 1
 
< 0.1%
Open Punctuation
ValueCountFrequency (%)
( 744
99.9%
[ 1
 
0.1%
Close Punctuation
ValueCountFrequency (%)
) 742
99.9%
] 1
 
0.1%
Dash Punctuation
ValueCountFrequency (%)
- 245
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 66
100.0%
Math Symbol
ValueCountFrequency (%)
+ 8
100.0%
Format
ValueCountFrequency (%)
­ 1
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 36684
57.1%
Common 14176
 
22.1%
Latin 13418
 
20.9%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 1224
 
3.3%
스 870
 
2.4%
프 836
 
2.3%
기 830
 
2.3%
시 764
 
2.1%
로 763
 
2.1%
한 615
 
1.7%
그 584
 
1.6%
터 534
 
1.5%
리 532
 
1.5%
Other values (655) 29132
79.4%
Latin
ValueCountFrequency (%)
e 1051
 
7.8%
a 840
 
6.3%
o 815
 
6.1%
i 776
 
5.8%
r 769
 
5.7%
t 741
 
5.5%
n 717
 
5.3%
S 507
 
3.8%
l 427
 
3.2%
s 377
 
2.8%
Other values (42) 6398
47.7%
Common
ValueCountFrequency (%)
11587
81.7%
( 744
 
5.2%
) 742
 
5.2%
- 245
 
1.7%
0 170
 
1.2%
. 153
 
1.1%
1 114
 
0.8%
2 110
 
0.8%
3 83
 
0.6%
_ 66
 
0.5%
Other values (18) 162
 
1.1%

Most occurring blocks

ValueCountFrequency (%)
Hangul 36683
57.1%
ASCII 27582
42.9%
None 12
 
< 0.1%
Letterlike Symbols 1
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
11587
42.0%
e 1051
 
3.8%
a 840
 
3.0%
o 815
 
3.0%
i 776
 
2.8%
r 769
 
2.8%
( 744
 
2.7%
) 742
 
2.7%
t 741
 
2.7%
n 717
 
2.6%
Other values (65) 8800
31.9%
Hangul
ValueCountFrequency (%)
이 1224
 
3.3%
스 870
 
2.4%
프 836
 
2.3%
기 830
 
2.3%
시 764
 
2.1%
로 763
 
2.1%
한 615
 
1.7%
그 584
 
1.6%
터 534
 
1.5%
리 532
 
1.5%
Other values (654) 29131
79.4%
None
ValueCountFrequency (%)
· 7
58.3%
° 2
 
16.7%
㈜ 1
 
8.3%
­ 1
 
8.3%
　 1
 
8.3%
Letterlike Symbols
ValueCountFrequency (%)
™ 1
100.0%

개발시작일
Date

Distinct402
Distinct (%)19.7%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
Minimum2007-03-01 00:00:00
Maximum2022-09-01 00:00:00
2023-12-12T18:58:54.415991image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
2023-12-12T18:58:54.573342image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
Histogram with fixed size bins (bins=50)

개발종료일
Date

Distinct574
Distinct (%)28.1%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
Minimum2015-08-27 00:00:00
Maximum2026-12-31 00:00:00
2023-12-12T18:58:54.721754image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
2023-12-12T18:58:54.876070image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
Histogram with fixed size bins (bins=50)

기술개요
Text

Distinct2042
Distinct (%)99.9%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:55.289119image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length670
Mean length434.11791
Min length88

Characters and Unicode

Total characters887337
Distinct characters1145
Distinct categories16 ?
Distinct scripts5 ?
Distinct blocks12 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique2040 ?
Unique (%)99.8%

Sample

1st rowㆍ도시재생지역 중 재난에 취약한 지역을 계획함에 있어 전국단위 위험도,회복력 분석결과와 세부지역 위험도 및 회복력 평가 등급에 따라 필요한 부분과 검토대상 기술의 분류를 자동으로 지원하는 검색모듈로 정부부처는 예산배정 근거 및 의사결정 검토에 활용하고, 지자체는 (공공)도시재생협의체 등 의사결정 시 적정 기술 도입목록 검토에 활용하며, 민간기업은 소규모 쇠퇴지역 내 설치 가능한 재난지원제품의 기술개발과 홍보채널로 활용하기 위한 회복력 평가결과 기반 맞춤형 솔루션 검색모듈ㆍ본 프로그램은 도시재생용역분야 중 재난상황에 따라 솔루션 검색을 지원하기 위해 솔루션들을 회복력 평가등급 결과에 따라 지역별 필요항목을 도출하고 이를 자동 검색하도록 지원하는 모듈ㆍ기존 사업대상지 중심의 검색기능에서 전국단위 위험도와 회복력 정보를 기준으로 검색하는 기능을 추가 하여 지자체 검토가능성을 확대하고자 함[참고 그림 : 전국단위 위험도 맞춤형 솔루션 모듈]
2nd rowㆍ개발배경 : Calmato 차량에 AEB 기능 설계ㆍ필요성 : 전방주시태만 등의 운전자의 과실로 인한 사고가 연간 80% 이상임. 자동긴급제동 기능인 AEB가 탑재되면 사고의 위험도를 크게 줄일 수 있음ㆍ기술의 개념 : 카메라+레이더 센서로 전방정보를 센싱하여 차량의 제동을 제어함ㆍ적용분야 : Calmato AEB[참고 그림 : 클립보드-1]
3rd rowRGB 카메라를 이용하여 Human의 3DPose Data를 Estimation 하는 기술ㆍ사람이 취한 자세를 인식하는 기술을 “휴먼 포즈 에스티메이션(Human Pose Estimation)”이라고 함ㆍ전통적인 자세 인식 방법은 사람에게 센서와 같은 다양한 장비를 부착하고 측정한다. 움직임을 실시간으로 정교하게 파악할 수 있지만 높은 비용이 들어가기도 하고 실생활에서 항상 장비를 착용하는 것이 아니어서 연구실 또는 한정된 영역에서만 가능한 방법임ㆍ이를 해결하기 위해 하나의 webcam 이용한 딥러닝 기반 포즈 에스티메이션 기법을 두입 필요함ㆍ딥러닝 이용한 포즈 에스티메이션은, 먼저 다층 인공신경망을 이용하여 인체의 각 keypoint(joint) 위치 좌표를 예측한 다음, keypoints 간의 공간적 위치 관계를 구하고 사람 skeleton을 예측함ㆍ딥러닝을 이용한 다수 사람 3차원 포스 추출하는 최신 기술 중 주요한 기술은 다음과 같다. 대부분 실시간 동작하기 힘들거나 다수의 사람들이 서로 가려지는 경우에는 3차원 포스 추출하기 힘들다는 문제를 존재함ㆍ본 기술에서 사용하는 딥러닝 네트워크 구조는 다음 그림과 같다. 이미지를 입력하면 module1은 2D 포즈 히트맵과 Affinity 벡터를 출력하고, 그 결과를 module2에 입력하고 3D 포즈의 ORPM을 출력함[참고 그림 : 물리적동일공간동시접속자수구조도]
4th rowㆍ블록체인은 디지털 거래에 있어서 데이터 투명성을 제공하는 기술로 각광받고 있음 ㆍ블록체인에서 디지털 거래를 가능케 하는 핵심적인 요소는 스마트 컨트랙트임ㆍ스마트 컨트랙트는 블록체인 플랫폼에서 디지털 거래를 실현시키는 거래의 특징, 규칙을 정의하고 있는 코드 파일임 ㆍ블록체인 플랫폼의 경우에는 스마트 컨트랙트의 공유를 지원하고, 스마트 컨트랙트의 재사용 및 체계적인 관리를 지원하는 것이 필요함 ㆍ블록체인 스마트 컨트랙트를 공유하고, 재사용할 수 있는 스마트 컨트랙트 중개 기술(소프트웨어)을 개발함 [참고 그림 : tag_based]
5th rowㆍ데이터의 연계기술은 돌발상황으로 인한 특정 데이터 수집원의 비반복적 교통정보 단절 시 도로 시스템 피해 기간 및 규모의 최소화를 위해서도 필수적인 요소임ㆍVDS를 통해서 수집되는 텍스트 정보와 CCTV의 영상정보는 서로 다른 형태로 이루어져 데이터의 통합이 어려운 상황이며 현재 VDS, RSE, CCTV, Radar, Ridar 그리고 개별 차량에서 수집되는 데이터를 모을 수 있는 환경이 구축되어 있지 않음ㆍ이러한 한계를 극복하기 위해 다양한 수집원의 데이터를 연계하여 교통정보 수집 인프라가 부족한 구간의 교통정보를 생성하는 기술이 필요함ㆍ미가공 수집 데이터에서 검지 센서별 객체 데이터를 추출하고, 추출 결과를 파일로 저장함 - 데이터베이스 쿼리 기능 - 미가공 수집 데이터에서 검지 센서별 객체 진입 진출 정보 추출 기능 - 추출 데이터 CSV 저장 기능 - 수집 데이터 중 오류 데이터 제외 기능 - 추출 진행 로그 파일 저장 기능[참고 그림 : 연구내용]
ValueCountFrequency (%)
5264
 
2.7%
그림 2984
 
1.5%
및 2843
 
1.5%
수 2374
 
1.2%
위한 1091
 
0.6%
있는 989
 
0.5%
데이터 969
 
0.5%
통해 940
 
0.5%
대한 851
 
0.4%
데이터를 818
 
0.4%
Other values (46831) 175236
90.2%
2023-12-12T18:58:56.235169image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
194787
 
22.0%
이 15405
 
1.7%
하 13556
 
1.5%
기 11412
 
1.3%
의 11063
 
1.2%
로 11062
 
1.2%
을 10591
 
1.2%
에 9877
 
1.1%
는 9317
 
1.0%
를 8945
 
1.0%
Other values (1135) 591322
66.6%

Most occurring categories

ValueCountFrequency (%)
Other Letter 567947
64.0%
Space Separator 194787
 
22.0%
Lowercase Letter 59125
 
6.7%
Uppercase Letter 27902
 
3.1%
Other Punctuation 13844
 
1.6%
Decimal Number 7006
 
0.8%
Close Punctuation 6052
 
0.7%
Open Punctuation 5994
 
0.7%
Dash Punctuation 3342
 
0.4%
Connector Punctuation 819
 
0.1%
Other values (6) 519
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 15405
 
2.7%
하 13556
 
2.4%
기 11412
 
2.0%
의 11063
 
1.9%
로 11062
 
1.9%
을 10591
 
1.9%
에 9877
 
1.7%
는 9317
 
1.6%
를 8945
 
1.6%
ㆍ 8270
 
1.5%
Other values (1013) 458449
80.7%
Lowercase Letter
ValueCountFrequency (%)
e 6870
11.6%
a 5290
 
8.9%
o 5089
 
8.6%
i 5080
 
8.6%
t 4771
 
8.1%
n 4520
 
7.6%
r 4379
 
7.4%
l 3032
 
5.1%
s 2916
 
4.9%
c 2232
 
3.8%
Other values (20) 14946
25.3%
Uppercase Letter
ValueCountFrequency (%)
S 3034
 
10.9%
C 2115
 
7.6%
I 2107
 
7.6%
A 2034
 
7.3%
D 1829
 
6.6%
P 1799
 
6.4%
M 1624
 
5.8%
T 1514
 
5.4%
R 1384
 
5.0%
G 1127
 
4.0%
Other values (17) 9335
33.5%
Other Punctuation
ValueCountFrequency (%)
, 7549
54.5%
: 3687
26.6%
. 2095
 
15.1%
' 142
 
1.0%
· 126
 
0.9%
" 89
 
0.6%
% 82
 
0.6%
; 28
 
0.2%
& 27
 
0.2%
* 11
 
0.1%
Other values (5) 8
 
0.1%
Decimal Number
ValueCountFrequency (%)
1 1592
22.7%
2 1468
21.0%
0 1364
19.5%
3 922
13.2%
4 430
 
6.1%
5 409
 
5.8%
6 304
 
4.3%
8 202
 
2.9%
7 176
 
2.5%
9 139
 
2.0%
Math Symbol
ValueCountFrequency (%)
~ 71
35.0%
+ 57
28.1%
> 32
15.8%
= 17
 
8.4%
< 13
 
6.4%
| 4
 
2.0%
→ 4
 
2.0%
∼ 2
 
1.0%
← 2
 
1.0%
± 1
 
0.5%
Other Number
ValueCountFrequency (%)
② 2
22.2%
① 2
22.2%
③ 2
22.2%
⑤ 1
11.1%
④ 1
11.1%
² 1
11.1%
Other Symbol
ValueCountFrequency (%)
° 11
64.7%
㈜ 3
 
17.6%
℃ 1
 
5.9%
㎝ 1
 
5.9%
㎡ 1
 
5.9%
Open Punctuation
ValueCountFrequency (%)
[ 3031
50.6%
( 2960
49.4%
（ 2
 
< 0.1%
「 1
 
< 0.1%
Close Punctuation
ValueCountFrequency (%)
) 3028
50.0%
] 3021
49.9%
） 2
 
< 0.1%
」 1
 
< 0.1%
Modifier Symbol
ValueCountFrequency (%)
^ 5
50.0%
` 3
30.0%
˚ 2
 
20.0%
Dash Punctuation
ValueCountFrequency (%)
- 3341
> 99.9%
― 1
 
< 0.1%
Initial Punctuation
ValueCountFrequency (%)
‘ 112
76.7%
“ 34
 
23.3%
Final Punctuation
ValueCountFrequency (%)
’ 109
81.3%
” 25
 
18.7%
Space Separator
ValueCountFrequency (%)
194787
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 819
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 567935
64.0%
Common 232360
26.2%
Latin 87022
 
9.8%
Han 15
 
< 0.1%
Greek 5
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 15405
 
2.7%
하 13556
 
2.4%
기 11412
 
2.0%
의 11063
 
1.9%
로 11062
 
1.9%
을 10591
 
1.9%
에 9877
 
1.7%
는 9317
 
1.6%
를 8945
 
1.6%
ㆍ 8270
 
1.5%
Other values (1005) 458437
80.7%
Common
ValueCountFrequency (%)
194787
83.8%
, 7549
 
3.2%
: 3687
 
1.6%
- 3341
 
1.4%
[ 3031
 
1.3%
) 3028
 
1.3%
] 3021
 
1.3%
( 2960
 
1.3%
. 2095
 
0.9%
1 1592
 
0.7%
Other values (54) 7269
 
3.1%
Latin
ValueCountFrequency (%)
e 6870
 
7.9%
a 5290
 
6.1%
o 5089
 
5.8%
i 5080
 
5.8%
t 4771
 
5.5%
n 4520
 
5.2%
r 4379
 
5.0%
S 3034
 
3.5%
l 3032
 
3.5%
s 2916
 
3.4%
Other values (44) 42041
48.3%
Han
ValueCountFrequency (%)
社 4
26.7%
新 2
13.3%
異 2
13.3%
種 2
13.3%
播 1
 
6.7%
傳 1
 
6.7%
內 1
 
6.7%
中 1
 
6.7%
非 1
 
6.7%
Greek
ValueCountFrequency (%)
μ 2
40.0%
σ 2
40.0%
λ 1
20.0%

Most occurring blocks

ValueCountFrequency (%)
Hangul 559661
63.1%
ASCII 318931
35.9%
Compat Jamo 8271
 
0.9%
Punctuation 281
 
< 0.1%
None 157
 
< 0.1%
CJK 15
 
< 0.1%
Enclosed Alphanum 8
 
< 0.1%
Arrows 6
 
< 0.1%
Modifier Letters 2
 
< 0.1%
Math Operators 2
 
< 0.1%
Other values (2) 3
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
194787
61.1%
, 7549
 
2.4%
e 6870
 
2.2%
a 5290
 
1.7%
o 5089
 
1.6%
i 5080
 
1.6%
t 4771
 
1.5%
n 4520
 
1.4%
r 4379
 
1.4%
: 3687
 
1.2%
Other values (79) 76909
 
24.1%
Hangul
ValueCountFrequency (%)
이 15405
 
2.8%
하 13556
 
2.4%
기 11412
 
2.0%
의 11063
 
2.0%
로 11062
 
2.0%
을 10591
 
1.9%
에 9877
 
1.8%
는 9317
 
1.7%
를 8945
 
1.6%
고 7881
 
1.4%
Other values (1002) 450552
80.5%
Compat Jamo
ValueCountFrequency (%)
ㆍ 8270
> 99.9%
ㅏ 1
 
< 0.1%
None
ValueCountFrequency (%)
· 126
80.3%
° 11
 
7.0%
㈜ 3
 
1.9%
μ 2
 
1.3%
σ 2
 
1.3%
（ 2
 
1.3%
） 2
 
1.3%
æ 1
 
0.6%
Ｘ 1
 
0.6%
± 1
 
0.6%
Other values (6) 6
 
3.8%
Punctuation
ValueCountFrequency (%)
‘ 112
39.9%
’ 109
38.8%
“ 34
 
12.1%
” 25
 
8.9%
― 1
 
0.4%
CJK
ValueCountFrequency (%)
社 4
26.7%
新 2
13.3%
異 2
13.3%
種 2
13.3%
播 1
 
6.7%
傳 1
 
6.7%
內 1
 
6.7%
中 1
 
6.7%
非 1
 
6.7%
Arrows
ValueCountFrequency (%)
→ 4
66.7%
← 2
33.3%
Modifier Letters
ValueCountFrequency (%)
˚ 2
100.0%
Enclosed Alphanum
ValueCountFrequency (%)
② 2
25.0%
① 2
25.0%
③ 2
25.0%
⑤ 1
12.5%
④ 1
12.5%
Math Operators
ValueCountFrequency (%)
∼ 2
100.0%
Letterlike Symbols
ValueCountFrequency (%)
℃ 1
100.0%
CJK Compat
ValueCountFrequency (%)
㎝ 1
50.0%
㎡ 1
50.0%

경쟁력
Text

Distinct1978
Distinct (%)96.8%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:56.677544image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length597
Mean length362.60274
Min length63

Characters and Unicode

Total characters741160
Distinct characters1117
Distinct categories17 ?
Distinct scripts5 ?
Distinct blocks10 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique1940 ?
Unique (%)94.9%

Sample

1st rowㆍ도시재생 사업지구는 소규모의 쇠퇴한 도시지역이라는 특수성이 존재하며, 재난상황과 연계하여 적용가능한 솔루션 검색이 어려운 것이 현실임ㆍ이에 도시재생 지역특성을 전국단위 평가된 위험도,회복력 평가결과를 바탕으로 우선 적용해야 하는 범위에 포함되는 솔루션만이 검색도록 하는 추천기술과 이를 사용자가 자유롭게 배치운영할 수 있도록 지원하는 계획지원 모듈을 기반으로 개발되어 향후 이용자의 검색 및 기술도입 만족도를 높일 수 있을 것으로 기대됨
2nd rowㆍCalmato 차량에는 AEB 기능이 없음ㆍCalmato 차량에 맞게 튜닝한 AEB 제어 알고리즘ㆍAEB 제동 시행 시 전방차량 또는 보행자와 충돌 없음을 기준으로 함ㆍ특징 : Calmato 차량의 자동긴급제동ㆍ대표기능 : 운전자가 제동이 필요한 긴급한 상황을 인지 못하여도 자동으로 제동을 수행함
3rd rowㆍ기존의 고가의 Depth 카메라를 이용한 pose data 예측 대비 저가의 webcam을 이용하여 AI model 이용하여 Human 3D Pose Estimaion 할 수 있음ㆍ기존 pose estimation 기술은 single person에만 적용이 가능하였지만 본 기술은 multi person에 적용 가능함ㆍ시각화가 쉽고 보다 복잡한 경우에 적용하기 좋다. 예를 본 기술은 강체 즉 Human이 서로 겹쳐 있어도 각 겹쳐 있는 부분의 estimation이 가능함
4th rowㆍ스마트 컨트랙트와 관련 국내 특허(등록번호:1021196110000)로 스마트 컨트랙트의 분류장치 및 분류 방법이 제시되었음 ㆍ이 특허의 경우에는 질의트리 응답을 고려하여 스마트 컨트랙트를 분류하고 있음 ㆍ본 기술(소프트웨어)는 스마트 컨트랙트의 정보를 Annotation 기반의 해석이 가능하도록 태그로 분석 및 저장하도록 함 ㆍ이를 통해 태그의 정보(저자 이름, 지원하는 플랫폼, asset의 구조 등) 에 기반한 스마트 컨트랙트의 다양한 분류를 지원할 수 있음 ㆍ단순히 스마트 컨트랙트를 분류하는 것이 아니라, 태그를 기반으로 스마트 컨트랙트의 검색을 지원함 ㆍ또한 검색한 스마트 컨트랙트를 재사용하여 수정 및 이를 블록체인 플랫폼에 배치하여 동작하도록 지원함
5th rowㆍ교통정보 추출 소프트웨어는 다종 교통정보 수집 소프트웨어를 통해 수집된 검지 센서별 미가공 교통정보 데이터에서 구간별 차량 데이터를 추출하여 구간 내 진입 진출 객체 정보를 생성함ㆍ각기 다른 항목으로 데이터베이스에 저장되어 있는 각 센서별 교통정보 데이터는 스캔 시점의 전체 검지 차량 데이터로 구성되어 있으며, 중복된 차량 데이터에서 차량 ID의 생성 소멸 시각을 구분해 미시교통정보생성에 필요한 차량 ID별 진입, 진출 시각을 추출함ㆍ데이터의 신뢰성을 위해 센서 오검지 또는 통신 오류로 인한 진입 진출 비매칭 차량 데이터의 제외 처리, 항목별 유효 데이터 필터링 등의 기능을 내장하고 있음ㆍ또한, 대량의 데이터 처리에 소요되는 시간을 최소화하기 위해 일 데이터를 시간별로 분리하여 병렬 처리 하며, 추출한 차량 정보는 확인이 용이한 CSV 형태로 제공됨
ValueCountFrequency (%)
수 2925
 
1.8%
2325
 
1.4%
및 2194
 
1.3%
있는 924
 
0.6%
통해 835
 
0.5%
대한 821
 
0.5%
있음 720
 
0.4%
데이터 664
 
0.4%
위한 634
 
0.4%
본 566
 
0.3%
Other values (40968) 153325
92.4%
2023-12-12T18:58:57.331068image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
166500
 
22.5%
이 13468
 
1.8%
하 10841
 
1.5%
기 10039
 
1.4%
의 9602
 
1.3%
을 9282
 
1.3%
에 9153
 
1.2%
로 9075
 
1.2%
ㆍ 8056
 
1.1%
는 7519
 
1.0%
Other values (1107) 487625
65.8%

Most occurring categories

ValueCountFrequency (%)
Other Letter 483852
65.3%
Space Separator 166501
 
22.5%
Lowercase Letter 44016
 
5.9%
Uppercase Letter 23057
 
3.1%
Other Punctuation 9350
 
1.3%
Decimal Number 6660
 
0.9%
Dash Punctuation 2731
 
0.4%
Close Punctuation 2263
 
0.3%
Open Punctuation 2227
 
0.3%
Math Symbol 155
 
< 0.1%
Other values (7) 348
 
< 0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 13468
 
2.8%
하 10841
 
2.2%
기 10039
 
2.1%
의 9602
 
2.0%
을 9282
 
1.9%
에 9153
 
1.9%
로 9075
 
1.9%
ㆍ 8056
 
1.7%
는 7519
 
1.6%
가 7182
 
1.5%
Other values (995) 389635
80.5%
Lowercase Letter
ValueCountFrequency (%)
e 5253
11.9%
a 3893
 
8.8%
o 3738
 
8.5%
i 3588
 
8.2%
t 3581
 
8.1%
n 3388
 
7.7%
r 3308
 
7.5%
l 2165
 
4.9%
s 2113
 
4.8%
c 1767
 
4.0%
Other values (18) 11222
25.5%
Uppercase Letter
ValueCountFrequency (%)
S 2265
 
9.8%
C 1997
 
8.7%
P 1856
 
8.0%
A 1691
 
7.3%
I 1689
 
7.3%
M 1316
 
5.7%
T 1258
 
5.5%
D 1215
 
5.3%
R 1046
 
4.5%
G 875
 
3.8%
Other values (16) 7849
34.0%
Other Punctuation
ValueCountFrequency (%)
, 6525
69.8%
. 1531
 
16.4%
: 678
 
7.3%
% 226
 
2.4%
· 128
 
1.4%
' 121
 
1.3%
& 45
 
0.5%
" 36
 
0.4%
* 27
 
0.3%
; 22
 
0.2%
Other values (3) 11
 
0.1%
Decimal Number
ValueCountFrequency (%)
1 1313
19.7%
2 1269
19.1%
0 1245
18.7%
3 674
10.1%
5 452
 
6.8%
4 416
 
6.2%
6 398
 
6.0%
8 328
 
4.9%
9 312
 
4.7%
7 253
 
3.8%
Math Symbol
ValueCountFrequency (%)
~ 64
41.3%
+ 40
25.8%
> 28
18.1%
→ 11
 
7.1%
= 6
 
3.9%
< 4
 
2.6%
≤ 1
 
0.6%
⇒ 1
 
0.6%
Other Number
ValueCountFrequency (%)
⑤ 1
20.0%
④ 1
20.0%
③ 1
20.0%
② 1
20.0%
① 1
20.0%
Close Punctuation
ValueCountFrequency (%)
) 1907
84.3%
] 353
 
15.6%
」 2
 
0.1%
} 1
 
< 0.1%
Open Punctuation
ValueCountFrequency (%)
( 1869
83.9%
[ 355
 
15.9%
「 2
 
0.1%
{ 1
 
< 0.1%
Other Symbol
ValueCountFrequency (%)
㈜ 13
68.4%
° 4
 
21.1%
™ 2
 
10.5%
Space Separator
ValueCountFrequency (%)
166500
> 99.9%
　 1
 
< 0.1%
Final Punctuation
ValueCountFrequency (%)
’ 47
59.5%
” 32
40.5%
Initial Punctuation
ValueCountFrequency (%)
‘ 42
55.3%
“ 34
44.7%
Modifier Symbol
ValueCountFrequency (%)
` 9
75.0%
^ 3
 
25.0%
Dash Punctuation
ValueCountFrequency (%)
- 2731
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 141
100.0%
Format
ValueCountFrequency (%)
­ 16
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 483851
65.3%
Common 190222
 
25.7%
Latin 67070
 
9.0%
Han 13
 
< 0.1%
Greek 4
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 13468
 
2.8%
하 10841
 
2.2%
기 10039
 
2.1%
의 9602
 
2.0%
을 9282
 
1.9%
에 9153
 
1.9%
로 9075
 
1.9%
ㆍ 8056
 
1.7%
는 7519
 
1.6%
가 7182
 
1.5%
Other values (987) 389634
80.5%
Common
ValueCountFrequency (%)
166500
87.5%
, 6525
 
3.4%
- 2731
 
1.4%
) 1907
 
1.0%
( 1869
 
1.0%
. 1531
 
0.8%
1 1313
 
0.7%
2 1269
 
0.7%
0 1245
 
0.7%
: 678
 
0.4%
Other values (47) 4654
 
2.4%
Latin
ValueCountFrequency (%)
e 5253
 
7.8%
a 3893
 
5.8%
o 3738
 
5.6%
i 3588
 
5.3%
t 3581
 
5.3%
n 3388
 
5.1%
r 3308
 
4.9%
S 2265
 
3.4%
l 2165
 
3.2%
s 2113
 
3.2%
Other values (43) 33778
50.4%
Han
ValueCountFrequency (%)
社 6
46.2%
播 1
 
7.7%
傳 1
 
7.7%
高 1
 
7.7%
本 1
 
7.7%
異 1
 
7.7%
旣 1
 
7.7%
種 1
 
7.7%
Greek
ValueCountFrequency (%)
σ 3
75.0%
β 1
 
25.0%

Most occurring blocks

ValueCountFrequency (%)
Hangul 475782
64.2%
ASCII 256963
34.7%
Compat Jamo 8056
 
1.1%
None 171
 
< 0.1%
Punctuation 155
 
< 0.1%
CJK 13
 
< 0.1%
Arrows 12
 
< 0.1%
Enclosed Alphanum 5
 
< 0.1%
Letterlike Symbols 2
 
< 0.1%
Math Operators 1
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
166500
64.8%
, 6525
 
2.5%
e 5253
 
2.0%
a 3893
 
1.5%
o 3738
 
1.5%
i 3588
 
1.4%
t 3581
 
1.4%
n 3388
 
1.3%
r 3308
 
1.3%
- 2731
 
1.1%
Other values (80) 54458
 
21.2%
Hangul
ValueCountFrequency (%)
이 13468
 
2.8%
하 10841
 
2.3%
기 10039
 
2.1%
의 9602
 
2.0%
을 9282
 
2.0%
에 9153
 
1.9%
로 9075
 
1.9%
는 7519
 
1.6%
가 7182
 
1.5%
한 7049
 
1.5%
Other values (985) 382572
80.4%
Compat Jamo
ValueCountFrequency (%)
ㆍ 8056
100.0%
None
ValueCountFrequency (%)
· 128
74.9%
­ 16
 
9.4%
㈜ 13
 
7.6%
° 4
 
2.3%
σ 3
 
1.8%
「 2
 
1.2%
」 2
 
1.2%
β 1
 
0.6%
º 1
 
0.6%
　 1
 
0.6%
Punctuation
ValueCountFrequency (%)
’ 47
30.3%
‘ 42
27.1%
“ 34
21.9%
” 32
20.6%
Arrows
ValueCountFrequency (%)
→ 11
91.7%
⇒ 1
 
8.3%
CJK
ValueCountFrequency (%)
社 6
46.2%
播 1
 
7.7%
傳 1
 
7.7%
高 1
 
7.7%
本 1
 
7.7%
異 1
 
7.7%
旣 1
 
7.7%
種 1
 
7.7%
Letterlike Symbols
ValueCountFrequency (%)
™ 2
100.0%
Math Operators
ValueCountFrequency (%)
≤ 1
100.0%
Enclosed Alphanum
ValueCountFrequency (%)
⑤ 1
20.0%
④ 1
20.0%
③ 1
20.0%
② 1
20.0%
① 1
20.0%

개발목표
Text

Distinct1953
Distinct (%)95.5%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:57.800874image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length423
Mean length193.79207
Min length14

Characters and Unicode

Total characters396111
Distinct characters1019
Distinct categories17 ?
Distinct scripts5 ?
Distinct blocks10 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique1903 ?
Unique (%)93.1%

Sample

1st rowㆍ도시재생 사업지구의 획일화된 지원계획 수립이 아닌 지역특성을 고려한 맞춤형 기술적용이 가능하도록하며, 회복력 평가결과를 활용하여 효과가 높은 제품의 우선 추천으로 기술 선택 효율성 증대(기존대비 30%향상-평균 기술검토기간 1개월에서 1주일이내로 단축)
2nd rowㆍ주요 성능목표 : 실제 차량에 적용가능성을 확인하기 위해 차량과 정합성을 맞춘 Calmato 실시간 모델을 대상으로 AEB의 제동성을 확인함. 정량적으로는 충돌이 없고, 5m 이내에 상대거리를 남겨놓고 제동하는것을 목표로 함ㆍ품질목표 : CCRs, CCRm, CPFA, CPNC 시나리오 상 제동 후 최소 상대거리를 측정함
3rd rowㆍ물리적 동일 공간에서의 동시 접속자수 - 5명ㆍwebcam을 1대를 이용하여 동시에 Human 3D Pose Estimation 하는 정략지표를 말함
4th rowㆍ블록체인 플랫폼의 거래를 수행하는 스마트 컨트랙트의 공유 및 재사용 지원
5th row교통정보 음영구간 정보 생성을 위한 다종 교통정보 수집장치 개발 및 데이터베이스 구축ㆍ다양한 데이터 수집 가능한 DB 구축ㆍVDS, RSE, 차량 내 수집 정보 및 CCTV, Radar, Lidar를 통해 추출된 미시 교통정보 데이터가 저장될 수 있는 환경 구축
ValueCountFrequency (%)
2589
 
2.9%
및 1684
 
1.9%
수 943
 
1.0%
개발 814
 
0.9%
데이터 654
 
0.7%
위한 593
 
0.7%
목표로 465
 
0.5%
함 388
 
0.4%
통해 386
 
0.4%
있는 381
 
0.4%
Other values (24694) 81211
90.1%
2023-12-12T18:58:58.515300image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
90887
 
22.9%
이 6945
 
1.8%
ㆍ 5522
 
1.4%
하 5070
 
1.3%
의 4834
 
1.2%
기 4754
 
1.2%
을 4554
 
1.1%
로 4336
 
1.1%
정 3800
 
1.0%
에 3625
 
0.9%
Other values (1009) 261784
66.1%

Most occurring categories

ValueCountFrequency (%)
Other Letter 251272
63.4%
Space Separator 90890
 
22.9%
Lowercase Letter 23129
 
5.8%
Uppercase Letter 12992
 
3.3%
Decimal Number 6133
 
1.5%
Other Punctuation 5814
 
1.5%
Dash Punctuation 2421
 
0.6%
Close Punctuation 1537
 
0.4%
Open Punctuation 1510
 
0.4%
Math Symbol 191
 
< 0.1%
Other values (7) 222
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 6945
 
2.8%
ㆍ 5522
 
2.2%
하 5070
 
2.0%
의 4834
 
1.9%
기 4754
 
1.9%
을 4554
 
1.8%
로 4336
 
1.7%
정 3800
 
1.5%
에 3625
 
1.4%
를 3571
 
1.4%
Other values (893) 204261
81.3%
Lowercase Letter
ValueCountFrequency (%)
e 2914
12.6%
a 1986
 
8.6%
t 1910
 
8.3%
o 1885
 
8.1%
i 1870
 
8.1%
n 1739
 
7.5%
r 1716
 
7.4%
l 1123
 
4.9%
s 1085
 
4.7%
c 1003
 
4.3%
Other values (19) 5898
25.5%
Uppercase Letter
ValueCountFrequency (%)
S 1526
 
11.7%
I 942
 
7.3%
P 921
 
7.1%
A 884
 
6.8%
C 872
 
6.7%
D 807
 
6.2%
M 703
 
5.4%
R 636
 
4.9%
T 594
 
4.6%
U 569
 
4.4%
Other values (16) 4538
34.9%
Other Punctuation
ValueCountFrequency (%)
, 3184
54.8%
: 1169
 
20.1%
. 659
 
11.3%
% 598
 
10.3%
" 56
 
1.0%
' 43
 
0.7%
& 38
 
0.7%
· 33
 
0.6%
; 11
 
0.2%
* 9
 
0.2%
Other values (4) 14
 
0.2%
Decimal Number
ValueCountFrequency (%)
0 1836
29.9%
1 1084
17.7%
2 857
14.0%
3 596
 
9.7%
5 524
 
8.5%
9 341
 
5.6%
4 292
 
4.8%
8 257
 
4.2%
6 188
 
3.1%
7 158
 
2.6%
Other Symbol
ValueCountFrequency (%)
㎜ 15
41.7%
° 12
33.3%
㎞ 3
 
8.3%
℃ 2
 
5.6%
㎑ 1
 
2.8%
㎐ 1
 
2.8%
㎛ 1
 
2.8%
㎟ 1
 
2.8%
Math Symbol
ValueCountFrequency (%)
~ 72
37.7%
> 31
16.2%
= 27
 
14.1%
+ 26
 
13.6%
± 20
 
10.5%
< 14
 
7.3%
× 1
 
0.5%
Other Number
ValueCountFrequency (%)
① 6
30.0%
② 6
30.0%
③ 4
20.0%
④ 2
 
10.0%
⑤ 1
 
5.0%
⑥ 1
 
5.0%
Close Punctuation
ValueCountFrequency (%)
) 1314
85.5%
] 218
 
14.2%
』 5
 
0.3%
Open Punctuation
ValueCountFrequency (%)
( 1287
85.2%
[ 218
 
14.4%
『 5
 
0.3%
Space Separator
ValueCountFrequency (%)
90887
> 99.9%
　 3
 
< 0.1%
Initial Punctuation
ValueCountFrequency (%)
‘ 16
53.3%
“ 14
46.7%
Final Punctuation
ValueCountFrequency (%)
” 14
50.0%
’ 14
50.0%
Dash Punctuation
ValueCountFrequency (%)
- 2421
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 101
100.0%
Format
ValueCountFrequency (%)
­ 5
100.0%
Modifier Symbol
ValueCountFrequency (%)
˚ 2
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 251271
63.4%
Common 108718
27.4%
Latin 36117
 
9.1%
Greek 4
 
< 0.1%
Han 1
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 6945
 
2.8%
ㆍ 5522
 
2.2%
하 5070
 
2.0%
의 4834
 
1.9%
기 4754
 
1.9%
을 4554
 
1.8%
로 4336
 
1.7%
정 3800
 
1.5%
에 3625
 
1.4%
를 3571
 
1.4%
Other values (892) 204260
81.3%
Common
ValueCountFrequency (%)
90887
83.6%
, 3184
 
2.9%
- 2421
 
2.2%
0 1836
 
1.7%
) 1314
 
1.2%
( 1287
 
1.2%
: 1169
 
1.1%
1 1084
 
1.0%
2 857
 
0.8%
. 659
 
0.6%
Other values (51) 4020
 
3.7%
Latin
ValueCountFrequency (%)
e 2914
 
8.1%
a 1986
 
5.5%
t 1910
 
5.3%
o 1885
 
5.2%
i 1870
 
5.2%
n 1739
 
4.8%
r 1716
 
4.8%
S 1526
 
4.2%
l 1123
 
3.1%
s 1085
 
3.0%
Other values (43) 18363
50.8%
Greek
ValueCountFrequency (%)
β 2
50.0%
μ 2
50.0%
Han
ValueCountFrequency (%)
內 1
100.0%

Most occurring blocks

ValueCountFrequency (%)
Hangul 245744
62.0%
ASCII 144644
36.5%
Compat Jamo 5527
 
1.4%
None 90
 
< 0.1%
Punctuation 59
 
< 0.1%
CJK Compat 22
 
< 0.1%
Enclosed Alphanum 20
 
< 0.1%
Modifier Letters 2
 
< 0.1%
Letterlike Symbols 2
 
< 0.1%
CJK 1
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
90887
62.8%
, 3184
 
2.2%
e 2914
 
2.0%
- 2421
 
1.7%
a 1986
 
1.4%
t 1910
 
1.3%
o 1885
 
1.3%
i 1870
 
1.3%
0 1836
 
1.3%
n 1739
 
1.2%
Other values (76) 34012
 
23.5%
Hangul
ValueCountFrequency (%)
이 6945
 
2.8%
하 5070
 
2.1%
의 4834
 
2.0%
기 4754
 
1.9%
을 4554
 
1.9%
로 4336
 
1.8%
정 3800
 
1.5%
에 3625
 
1.5%
를 3571
 
1.5%
시 3310
 
1.3%
Other values (887) 200945
81.8%
Compat Jamo
ValueCountFrequency (%)
ㆍ 5522
99.9%
ㅏ 2
 
< 0.1%
ㅁ 1
 
< 0.1%
ㄹ 1
 
< 0.1%
ㅎ 1
 
< 0.1%
None
ValueCountFrequency (%)
· 33
36.7%
± 20
22.2%
° 12
 
13.3%
』 5
 
5.6%
『 5
 
5.6%
­ 5
 
5.6%
　 3
 
3.3%
β 2
 
2.2%
μ 2
 
2.2%
ø 2
 
2.2%
Punctuation
ValueCountFrequency (%)
‘ 16
27.1%
“ 14
23.7%
” 14
23.7%
’ 14
23.7%
※ 1
 
1.7%
CJK Compat
ValueCountFrequency (%)
㎜ 15
68.2%
㎞ 3
 
13.6%
㎑ 1
 
4.5%
㎐ 1
 
4.5%
㎛ 1
 
4.5%
㎟ 1
 
4.5%
Enclosed Alphanum
ValueCountFrequency (%)
① 6
30.0%
② 6
30.0%
③ 4
20.0%
④ 2
 
10.0%
⑤ 1
 
5.0%
⑥ 1
 
5.0%
Modifier Letters
ValueCountFrequency (%)
˚ 2
100.0%
Letterlike Symbols
ValueCountFrequency (%)
℃ 2
100.0%
CJK
ValueCountFrequency (%)
內 1
100.0%

타겟고객및시장
Text

Distinct1768
Distinct (%)86.5%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:58.867604image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length513
Mean length186.61155
Min length6

Characters and Unicode

Total characters381434
Distinct characters974
Distinct categories17 ?
Distinct scripts4 ?
Distinct blocks10 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique1615 ?
Unique (%)79.0%

Sample

1st rowㆍ정부부처: 예산배정 근거 및 의사결정 검토 활용ㆍ지자체 : (공공)도시재생협의체 등 의사결정시 적정 기술 도입목록 검토 및 효과시뮬레이션 활용(지원기구)기술설명자료 활용ㆍ민간기업 : 소규모 쇠퇴지역내 설치 가능한 재난지원제품의 기술개발과 홍보채널 활용 등 사용자 특성을 고려하여 시장과 활용방법을 다각화함ㆍ검색기능에 대한 부분은 다양한 사업체가 존재하나 도시재생 및 쇠퇴지역에 대한 재난특성을 고려한 제품(솔루션)제공 기술은 현재 존재하지 않음으로 이에 대한 경쟁관계는 존재하지 않으며, 본 연구결과에서 제공 알고리즘을 개발하여 기술화를 진행함
2nd rowㆍCalmato사, Calmato AEB 제어로직을 사용하는 기업 및 기관
3rd rowㆍ해당 기술을 이용하면 무용이나 체육 등을 메타버스 환경에서 커리귤럼을 진행 할 수 있음ㆍ교육 메타버스 시장에서 움직임을 기반으로 하는 커리큘럼에서 사용 할 수 있음
4th rowㆍ삼정KPMG경영연구소는 국내 블록체인 시장 규모가 2024년가지 7677억원을 넘어설 것으로 전망함 ㆍMarketsandMarkets의 자료에 따르면 글로벌 블록체인 시장의 애플리케이션 공급자는 연평균 79.1% 씩 성장할 것으로 전망함 ㆍ본 기술(소프트웨어)은 블록체인 서비스 및 애플리케이션을 개발하는 기관, 기업체를 대상으로 함
5th rowㆍ정부 해외시장 진출 지원사업 및 해외지역 전문가 양성과정을 통한 해외시장 진출ㆍ알리바바, 타오바오, 위쳇 등 온라인 플랫폼 및 클라우드펀딩을 통한 해외시장 진출ㆍ영국 및 중미지역 FTA 전문가 양성과정을 통한 해외시장 진출ㆍ글로벌 도로 인프라분야는 향후 약 20여년 간 지속적으로 연평균 1.8% 가량 증가할 것으로 전망됨ㆍ전 세계 차량 통신 인프라 시장 규모는 연평균 35.2% 성장하여 2025년에는 약 158억 달러에 이를 것으로 전망됨[참고 그림 : 글로벌 시장 규모]
ValueCountFrequency (%)
및 1880
 
2.1%
1754
 
2.0%
수 1018
 
1.2%
등 573
 
0.7%
시장 489
 
0.6%
것으로 481
 
0.5%
있는 435
 
0.5%
있음 421
 
0.5%
대한 391
 
0.4%
하는 386
 
0.4%
Other values (21502) 79887
91.1%
2023-12-12T18:58:59.495347image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
87591
 
23.0%
이 5891
 
1.5%
기 5608
 
1.5%
ㆍ 4817
 
1.3%
, 4793
 
1.3%
하 4724
 
1.2%
로 4615
 
1.2%
에 4291
 
1.1%
의 4260
 
1.1%
는 4032
 
1.1%
Other values (964) 250812
65.8%

Most occurring categories

ValueCountFrequency (%)
Other Letter 253531
66.5%
Space Separator 87597
 
23.0%
Lowercase Letter 11191
 
2.9%
Uppercase Letter 9324
 
2.4%
Decimal Number 8078
 
2.1%
Other Punctuation 7038
 
1.8%
Dash Punctuation 1549
 
0.4%
Close Punctuation 1362
 
0.4%
Open Punctuation 1358
 
0.4%
Final Punctuation 112
 
< 0.1%
Other values (7) 294
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 5891
 
2.3%
기 5608
 
2.2%
ㆍ 4817
 
1.9%
하 4724
 
1.9%
로 4615
 
1.8%
에 4291
 
1.7%
의 4260
 
1.7%
는 4032
 
1.6%
시 3985
 
1.6%
을 3677
 
1.5%
Other values (863) 207631
81.9%
Lowercase Letter
ValueCountFrequency (%)
e 1373
12.3%
a 1076
9.6%
o 1023
 
9.1%
t 939
 
8.4%
i 890
 
8.0%
r 846
 
7.6%
n 761
 
6.8%
s 599
 
5.4%
l 598
 
5.3%
c 432
 
3.9%
Other values (16) 2654
23.7%
Uppercase Letter
ValueCountFrequency (%)
S 1041
 
11.2%
I 890
 
9.5%
A 777
 
8.3%
C 744
 
8.0%
T 628
 
6.7%
M 528
 
5.7%
R 509
 
5.5%
D 479
 
5.1%
P 470
 
5.0%
E 385
 
4.1%
Other values (16) 2873
30.8%
Other Punctuation
ValueCountFrequency (%)
, 4793
68.1%
. 833
 
11.8%
: 785
 
11.2%
% 378
 
5.4%
& 73
 
1.0%
· 67
 
1.0%
' 63
 
0.9%
" 21
 
0.3%
; 11
 
0.2%
* 8
 
0.1%
Other values (2) 6
 
0.1%
Decimal Number
ValueCountFrequency (%)
2 1874
23.2%
0 1789
22.1%
1 1283
15.9%
3 653
 
8.1%
5 603
 
7.5%
4 434
 
5.4%
6 423
 
5.2%
8 398
 
4.9%
7 316
 
3.9%
9 305
 
3.8%
Math Symbol
ValueCountFrequency (%)
~ 62
57.4%
→ 14
 
13.0%
+ 11
 
10.2%
> 11
 
10.2%
< 5
 
4.6%
= 3
 
2.8%
∼ 2
 
1.9%
Other Symbol
ValueCountFrequency (%)
㈜ 10
47.6%
™ 8
38.1%
㎡ 2
 
9.5%
® 1
 
4.8%
Space Separator
ValueCountFrequency (%)
87591
> 99.9%
　 6
 
< 0.1%
Dash Punctuation
ValueCountFrequency (%)
- 1544
99.7%
－ 5
 
0.3%
Close Punctuation
ValueCountFrequency (%)
) 1172
86.0%
] 190
 
14.0%
Open Punctuation
ValueCountFrequency (%)
( 1167
85.9%
[ 191
 
14.1%
Final Punctuation
ValueCountFrequency (%)
’ 58
51.8%
” 54
48.2%
Initial Punctuation
ValueCountFrequency (%)
‘ 56
51.4%
“ 53
48.6%
Connector Punctuation
ValueCountFrequency (%)
_ 31
100.0%
Modifier Symbol
ValueCountFrequency (%)
` 15
100.0%
Currency Symbol
ValueCountFrequency (%)
$ 8
100.0%
Format
ValueCountFrequency (%)
­ 2
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 253524
66.5%
Common 107378
28.2%
Latin 20515
 
5.4%
Han 17
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 5891
 
2.3%
기 5608
 
2.2%
ㆍ 4817
 
1.9%
하 4724
 
1.9%
로 4615
 
1.8%
에 4291
 
1.7%
의 4260
 
1.7%
는 4032
 
1.6%
시 3985
 
1.6%
을 3677
 
1.5%
Other values (855) 207624
81.9%
Latin
ValueCountFrequency (%)
e 1373
 
6.7%
a 1076
 
5.2%
S 1041
 
5.1%
o 1023
 
5.0%
t 939
 
4.6%
I 890
 
4.3%
i 890
 
4.3%
r 846
 
4.1%
A 777
 
3.8%
n 761
 
3.7%
Other values (42) 10899
53.1%
Common
ValueCountFrequency (%)
87591
81.6%
, 4793
 
4.5%
2 1874
 
1.7%
0 1789
 
1.7%
- 1544
 
1.4%
1 1283
 
1.2%
) 1172
 
1.1%
( 1167
 
1.1%
. 833
 
0.8%
: 785
 
0.7%
Other values (38) 4547
 
4.2%
Han
ValueCountFrequency (%)
社 5
29.4%
月 5
29.4%
軍 1
 
5.9%
旣 1
 
5.9%
新 1
 
5.9%
矢 1
 
5.9%
所 1
 
5.9%
究 1
 
5.9%
野 1
 
5.9%

Most occurring blocks

ValueCountFrequency (%)
Hangul 248697
65.2%
ASCII 127560
33.4%
Compat Jamo 4817
 
1.3%
Punctuation 226
 
0.1%
None 91
 
< 0.1%
CJK 17
 
< 0.1%
Arrows 14
 
< 0.1%
Letterlike Symbols 8
 
< 0.1%
CJK Compat 2
 
< 0.1%
Math Operators 2
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
87591
68.7%
, 4793
 
3.8%
2 1874
 
1.5%
0 1789
 
1.4%
- 1544
 
1.2%
e 1373
 
1.1%
1 1283
 
1.0%
) 1172
 
0.9%
( 1167
 
0.9%
a 1076
 
0.8%
Other values (76) 23898
 
18.7%
Hangul
ValueCountFrequency (%)
이 5891
 
2.4%
기 5608
 
2.3%
하 4724
 
1.9%
로 4615
 
1.9%
에 4291
 
1.7%
의 4260
 
1.7%
는 4032
 
1.6%
시 3985
 
1.6%
을 3677
 
1.5%
고 3286
 
1.3%
Other values (853) 204328
82.2%
Compat Jamo
ValueCountFrequency (%)
ㆍ 4817
100.0%
None
ValueCountFrequency (%)
· 67
73.6%
㈜ 10
 
11.0%
　 6
 
6.6%
－ 5
 
5.5%
­ 2
 
2.2%
® 1
 
1.1%
Punctuation
ValueCountFrequency (%)
’ 58
25.7%
‘ 56
24.8%
” 54
23.9%
“ 53
23.5%
※ 5
 
2.2%
Arrows
ValueCountFrequency (%)
→ 14
100.0%
Letterlike Symbols
ValueCountFrequency (%)
™ 8
100.0%
CJK
ValueCountFrequency (%)
社 5
29.4%
月 5
29.4%
軍 1
 
5.9%
旣 1
 
5.9%
新 1
 
5.9%
矢 1
 
5.9%
所 1
 
5.9%
究 1
 
5.9%
野 1
 
5.9%
CJK Compat
ValueCountFrequency (%)
㎡ 2
100.0%
Math Operators
ValueCountFrequency (%)
∼ 2
100.0%

세부구성기술
Text

Distinct2032
Distinct (%)99.4%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:58:59.872067image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length723
Mean length507.78963
Min length16

Characters and Unicode

Total characters1037922
Distinct characters1166
Distinct categories18 ?
Distinct scripts4 ?
Distinct blocks11 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique2022 ?
Unique (%)98.9%

Sample

1st row주요기능ㆍ회복력 평가결과 검색 및 표출 모듈 - 전국단위 위험도 및 회복력 분석결과 또는 사업대상지 상세분석결과를 구분하여 검색 및 정보표출 - 전국단위 정보는 행정동 구분으로 정보를 표출하고 사업대상지 상세분석검색결과는 상세지표기준으로 정보를 표출 - 표출된 정보는 표 형식으로 1차 제공하고 스파이더 차트를 활용하여 정보를 가시화 지원ㆍ평가결과 활용 솔루션 검색 모듈 - 입력된 회복력 평가 등급을 기준으로 (1~5등급) 개선하고자 하는 범위(등급기준)를 지정하여 검색하고자 하는 솔루션의 범위를 지정하고 검색함 - 회복력과 위험도 검색을 구분하여 한가지 지표결과만을 검색할 수 있거나 두가지 조건(회복력,위험도)을 모두 포함하여 검색하는 방식으로 검색함 ㆍ회복력 평가결과 기반 솔루션 정보 계획모듈 - 회복력 평가결과에 따라 검색된 솔루션 정보를 기반으로 GIS상에 기술을 이동 배치하여 계획도면과 예산상황을 시뮬레이션 해 볼 수 있는 기능을 제공함 - 표출된 기능은 위성영상, 커뮤니티매핑 연계정보(주민의견정보 포인트), 전국단위 위험도, 회복력 지도정보를 레이어로 구성하여 제공함사용방법ㆍ평가결과 기반 솔루션 검색모듈은 전국 단위 분석결과를 활용하여 우선 적용하고자 하는 범위의 솔루션을 제공하는 모듈로써, 지역별 위험도, 회복력 평가정보를 기준으로 활용함ㆍ평가결과 검색 및 표출 모듈 - 1) 전국단위 행정구역 또는 사업대상지역 중 검색하고자 하는 지역을 우선 검색함 - 2) 검색된 지역에 대해 보고자 하는 재난유형(폭우, 폭염, 폭설, 강품, 지진붕괴, 화재폭발)을 선택하여 등급을 확인함 - 3) 등급확인시 표형식과 스파이더 차트 방식을 활용하여 사용자 친화적 정보가시화를 지원함ㆍ평가결과 활용 솔루션 검색모듈 - 1) 검색된 지역의 등급 중 기술검토를 하고자 하는 범위(등급값)를 지정함 - 2) 지정된 등급값의 하위값은 모두 기술검색되어 계획모듈로 전달됨ㆍ위험도, 회복력 평가결과 기반 솔루션 정보 계획모듈 - 1) 검색된 기술을 스크롤 바로 확인하고 필요기술을 클릭하여 GIS 지도
2nd rowㆍSCALEXIO의 ASM 차량모델과 Micro-AutoBox의 AEB 제어로직을 CAN 통신으로 연동하여 실시간 제어로직 설계 완료동작원리 : ㆍ1. SCALEXIO에 탑재된 Calmato ASM 차량모델을 구동함ㆍ2. Micro-AutoBox에 탑재된 AEB 제어로직을 구동함ㆍ3. CCRs, CCRm, CPFA, CPNC 의 테스트 시나리오를 적용해 가며 AEB가 적절하게 제동하는지 확인함ㆍ내부구조 : CAN통신 환경, TTC 계산 로직, TTC를 이용한 AEB 제동 로직 ㆍ대표적인 기능 : 전방에 충돌위험이 있는 차량 또는 사람을 인지했을 때, AEB 알고리즘이 동작하여 긴급제동을 수행함
3rd rowㆍ2D pose detection ai model Architecture(2D Pose ai model 아키텍처)ㆍ3D Pose detection ai model Architecture(3D Pose ai model 아키텍처)workflow 설명ㆍ1.Input_reader.py 파일 workflow 설명 - 1-1. webcam을 통한 이미지 입력 - 1-2. 사용자가 원하는 inoput device 선택 옵션ㆍ2.inference_engine_pytorch.py 파일 workflow 설명 - 2-1. Human Estimation AI 모델 import - 2-2. AI Model 구조 정의 - 2-3. with_mobilenet.py 파일 로딩해서 사용 - 2-4. AI Modle에 훈련된 weight 추가 - 2-5. load_state.py 파일 로딩해서 사용ㆍ3.parse_poses.py 파일 workflow 설명 - 3.1. estimation model로 raw로 출력된 데이터들을 19개의 joint 데이터로 변환 - 3.2. pose.py” and legacy_pose_extractor.py 를 로딩해서 사용 - 3.3. 2D Pose data 와 3D Pose data를 출력ㆍ4.draw.py 파일 workflow 설명 - 4.1. 예측된 Pose Data Visual 모형으로 출력 - 4.2. Canvas_3D 출력창에 3D 스켈레톤 출력 - 4.3. Pose 윈도우 창에 2D 스켈레톤 출력
4th row본 기술(소프트웨어)는 스마트 컨트랙트의 공유, 재사용을 지원하기 위한 기술임 ㆍ이를 위한 주요 아키텍처 요소로 스마트 컨트랙트 관리 시스템, 대시보드, 브로커 시스템이 결합됨ㆍ스마트 컨트랙트 관리 시스템은 스마트 컨트랙트의 공유를 지원함 ㆍ대시보드는 공유되는 스마트 컨트랙트와 사용자 간의 인터페이스 역할을 담당ㆍ브로커 시스템은 블록체인 네트워크와 연동을 수행함 이에 대한 세부 주요 기능을 요약하면 아래와 같음 ㆍ태그 기반으로 스마트 컨트랙트 사용자 정보, 구성 정보, asset 정보 관리 ㆍ스마트 컨트랙트 CRUD 지원 ㆍ블록체인 네트워크에 스마트 컨트랙트 설치 지원 ㆍ대시보드를 활용한 스마트 컨트랙트 관리 지원[참고 그림 : imp_1][참고 그림 : imp_2]
5th rowㆍ다종 교통정보 수집장치는 다양한 교통정보 수집장치(CCTV, Radar, LiDAR, VDS, 기타 등)로부터 교통 정보를 수집함ㆍ수집된 교통정보 데이터는 다종 교통정보 수집장치의 내부 DB에 저장할 수 있음ㆍ수집된 교통정보는 아래 상황과 같은 비정상 교통 데이터를 구분할 수 있어야 함 - 교통량은 존재하는데 속도 혹은 점유율이 존재하지 않는 경우 - 속도 혹은 점유율이 존재하는데 교통량이 존재하지 않는 경우 - 교통량 속도 점유율이 한계치를 벗어나는 경우ㆍ다종 교통정보 수집장치의 정상 동작 여부를 판단함 - 교통정보 수집장치로부터 주기적인 교통정보 수집 및 Heartbeat 정보 송 수신 - 일정 시간 이상 해당 정보 미수신시 장비 이상 동작 판단ㆍ다종 교통정보 수집장치의 교통정보 DB는 아래와 같이 구성됨 - 교통정보 수집장치 종류 - 교통정보 수집 시간 - 교통정보 내용 (차로, 교통량, 속도 등)ㆍ다종 교통정보 수집장치의 교통정보 수집장치 DB는 아래와 같이 구성됨 - 교통정보 수집장치 종류 - 교통정보 수집 주기 - 교통정보 수집장치 동작 상태 - 교통정보 수집장치 통신 단절 이력
ValueCountFrequency (%)
9103
 
4.1%
및 2863
 
1.3%
수 2094
 
0.9%
데이터 1342
 
0.6%
기능 1188
 
0.5%
통해 1131
 
0.5%
그림 1109
 
0.5%
데이터를 919
 
0.4%
대한 917
 
0.4%
정보를 856
 
0.4%
Other values (53902) 202733
90.4%
2023-12-12T18:59:00.501378image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
230653
 
22.2%
이 16312
 
1.6%
e 14539
 
1.4%
하 12570
 
1.2%
로 12174
 
1.2%
기 11840
 
1.1%
의 11345
 
1.1%
ㆍ 11291
 
1.1%
을 11166
 
1.1%
를 10416
 
1.0%
Other values (1156) 695616
67.0%

Most occurring categories

ValueCountFrequency (%)
Other Letter 597075
57.5%
Space Separator 230660
 
22.2%
Lowercase Letter 117741
 
11.3%
Uppercase Letter 43159
 
4.2%
Other Punctuation 18311
 
1.8%
Decimal Number 9934
 
1.0%
Dash Punctuation 8194
 
0.8%
Close Punctuation 5178
 
0.5%
Open Punctuation 5061
 
0.5%
Connector Punctuation 1510
 
0.1%
Other values (8) 1099
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 16312
 
2.7%
하 12570
 
2.1%
로 12174
 
2.0%
기 11840
 
2.0%
의 11345
 
1.9%
ㆍ 11291
 
1.9%
을 11166
 
1.9%
를 10416
 
1.7%
에 10112
 
1.7%
는 8857
 
1.5%
Other values (1025) 480992
80.6%
Lowercase Letter
ValueCountFrequency (%)
e 14539
12.3%
t 10350
 
8.8%
a 10055
 
8.5%
o 9448
 
8.0%
i 9088
 
7.7%
r 9012
 
7.7%
n 8740
 
7.4%
s 5953
 
5.1%
l 5608
 
4.8%
c 4832
 
4.1%
Other values (23) 30116
25.6%
Uppercase Letter
ValueCountFrequency (%)
S 4182
 
9.7%
C 3322
 
7.7%
P 3206
 
7.4%
D 3133
 
7.3%
I 2867
 
6.6%
A 2745
 
6.4%
M 2573
 
6.0%
T 2352
 
5.4%
R 2123
 
4.9%
E 1696
 
3.9%
Other values (17) 14960
34.7%
Other Punctuation
ValueCountFrequency (%)
, 10250
56.0%
: 3595
 
19.6%
. 3461
 
18.9%
' 370
 
2.0%
* 126
 
0.7%
" 124
 
0.7%
% 104
 
0.6%
& 92
 
0.5%
· 56
 
0.3%
# 50
 
0.3%
Other values (7) 83
 
0.5%
Math Symbol
ValueCountFrequency (%)
> 169
28.5%
+ 128
21.5%
= 120
20.2%
~ 103
17.3%
< 25
 
4.2%
→ 17
 
2.9%
× 13
 
2.2%
| 11
 
1.9%
± 5
 
0.8%
～ 1
 
0.2%
Other values (2) 2
 
0.3%
Decimal Number
ValueCountFrequency (%)
1 2170
21.8%
2 1880
18.9%
0 1784
18.0%
3 1405
14.1%
4 714
 
7.2%
5 673
 
6.8%
6 444
 
4.5%
8 365
 
3.7%
9 253
 
2.5%
7 246
 
2.5%
Other Number
ValueCountFrequency (%)
② 11
28.9%
① 10
26.3%
③ 7
18.4%
④ 5
13.2%
⑤ 3
 
7.9%
⑥ 2
 
5.3%
Other Symbol
ValueCountFrequency (%)
° 5
45.5%
㈜ 3
27.3%
™ 1
 
9.1%
㎥ 1
 
9.1%
㎑ 1
 
9.1%
Close Punctuation
ValueCountFrequency (%)
) 3863
74.6%
] 1290
 
24.9%
} 24
 
0.5%
」 1
 
< 0.1%
Open Punctuation
ValueCountFrequency (%)
( 3735
73.8%
[ 1300
 
25.7%
{ 25
 
0.5%
「 1
 
< 0.1%
Space Separator
ValueCountFrequency (%)
230653
> 99.9%
　 7
 
< 0.1%
Dash Punctuation
ValueCountFrequency (%)
- 8175
99.8%
－ 19
 
0.2%
Initial Punctuation
ValueCountFrequency (%)
“ 136
62.7%
‘ 81
37.3%
Final Punctuation
ValueCountFrequency (%)
” 129
58.1%
’ 93
41.9%
Modifier Symbol
ValueCountFrequency (%)
˚ 3
75.0%
^ 1
 
25.0%
Connector Punctuation
ValueCountFrequency (%)
_ 1510
100.0%
Currency Symbol
ValueCountFrequency (%)
$ 8
100.0%
Format
ValueCountFrequency (%)
­ 5
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 597074
57.5%
Common 279944
27.0%
Latin 160880
 
15.5%
Greek 24
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 16312
 
2.7%
하 12570
 
2.1%
로 12174
 
2.0%
기 11840
 
2.0%
의 11345
 
1.9%
ㆍ 11291
 
1.9%
을 11166
 
1.9%
를 10416
 
1.7%
에 10112
 
1.7%
는 8857
 
1.5%
Other values (1025) 480991
80.6%
Common
ValueCountFrequency (%)
230653
82.4%
, 10250
 
3.7%
- 8175
 
2.9%
) 3863
 
1.4%
( 3735
 
1.3%
: 3595
 
1.3%
. 3461
 
1.2%
1 2170
 
0.8%
2 1880
 
0.7%
0 1784
 
0.6%
Other values (60) 10378
 
3.7%
Latin
ValueCountFrequency (%)
e 14539
 
9.0%
t 10350
 
6.4%
a 10055
 
6.2%
o 9448
 
5.9%
i 9088
 
5.6%
r 9012
 
5.6%
n 8740
 
5.4%
s 5953
 
3.7%
l 5608
 
3.5%
c 4832
 
3.0%
Other values (43) 73255
45.5%
Greek
ValueCountFrequency (%)
σ 9
37.5%
ω 4
16.7%
β 3
 
12.5%
θ 3
 
12.5%
μ 2
 
8.3%
α 1
 
4.2%
Δ 1
 
4.2%
λ 1
 
4.2%

Most occurring blocks

ValueCountFrequency (%)
Hangul 585777
56.4%
ASCII 440181
42.4%
Compat Jamo 11294
 
1.1%
Punctuation 462
 
< 0.1%
None 145
 
< 0.1%
Enclosed Alphanum 38
 
< 0.1%
Arrows 17
 
< 0.1%
Modifier Letters 3
 
< 0.1%
Math Operators 2
 
< 0.1%
CJK Compat 2
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
230653
52.4%
e 14539
 
3.3%
t 10350
 
2.4%
, 10250
 
2.3%
a 10055
 
2.3%
o 9448
 
2.1%
i 9088
 
2.1%
r 9012
 
2.0%
n 8740
 
2.0%
- 8175
 
1.9%
Other values (82) 119871
27.2%
Hangul
ValueCountFrequency (%)
이 16312
 
2.8%
하 12570
 
2.1%
로 12174
 
2.1%
기 11840
 
2.0%
의 11345
 
1.9%
을 11166
 
1.9%
를 10416
 
1.8%
에 10112
 
1.7%
는 8857
 
1.5%
정 8571
 
1.5%
Other values (1020) 472414
80.6%
Compat Jamo
ValueCountFrequency (%)
ㆍ 11291
> 99.9%
ㅜ 1
 
< 0.1%
ㅇ 1
 
< 0.1%
ㅣ 1
 
< 0.1%
Punctuation
ValueCountFrequency (%)
“ 136
29.4%
” 129
27.9%
’ 93
20.1%
‘ 81
17.5%
※ 18
 
3.9%
… 5
 
1.1%
None
ValueCountFrequency (%)
· 56
38.6%
－ 19
 
13.1%
× 13
 
9.0%
σ 9
 
6.2%
　 7
 
4.8%
° 5
 
3.4%
­ 5
 
3.4%
± 5
 
3.4%
º 4
 
2.8%
ω 4
 
2.8%
Other values (11) 18
 
12.4%
Arrows
ValueCountFrequency (%)
→ 17
100.0%
Enclosed Alphanum
ValueCountFrequency (%)
② 11
28.9%
① 10
26.3%
③ 7
18.4%
④ 5
13.2%
⑤ 3
 
7.9%
⑥ 2
 
5.3%
Modifier Letters
ValueCountFrequency (%)
˚ 3
100.0%
Letterlike Symbols
ValueCountFrequency (%)
™ 1
100.0%
Math Operators
ValueCountFrequency (%)
≥ 1
50.0%
∇ 1
50.0%
CJK Compat
ValueCountFrequency (%)
㎥ 1
50.0%
㎑ 1
50.0%

개발환경
Text

Distinct1756
Distinct (%)85.9%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:59:00.854212image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length473
Mean length169.11204
Min length3

Characters and Unicode

Total characters345665
Distinct characters803
Distinct categories15 ?
Distinct scripts5 ?
Distinct blocks9 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique1594 ?
Unique (%)78.0%

Sample

1st row개발장비ㆍHW : Intel Xeon Silver 4208 8C 2.10 GHzㆍSW : Windows NT, Windows 10, Ubuntu, Fedora, CentOS, Redhat개발자 장비 ㆍHW : Inter(R) Core(TM) i7-7700 CPU @ 3.60GHz 3.60GHzㆍSW : Windows NT, Windows 10, Ubuntu, Fedora, CentOS, Redhat, Eclipseㆍ추가 활용 프로그램 : tomcatㆍ개발언어(사용언어) : JAVA, JSP
2nd rowㆍPC(windows7), MATLAB, Micro-AutoBox build 환경
3rd rowCPUㆍintel core7 12700K(12th)ㆍRAMㆍDDR4 - 32GㆍHDD SSDㆍ980 M2 NVMe 1TBOSㆍWINDOW 10ㆍPYTHON MODULEㆍCLINET(PYTHON MODULE)ㆍNetwork기타 SWㆍPYTHON 3.6, PYTORCH 환경
4th rowㆍ사용 OS: macOS Monterey ㆍ사용 언어: Golang, TypeScript ㆍ필요 프로그램: Node.js, Elasticsearch, Docker
5th rowㆍ사용 기종 : IBM-PC 호환기종ㆍ사용 OS : Windows 7, Windows 8, Windows 10ㆍ사용 언어 : C++ㆍ규모 : 3,211,264 Byte
ValueCountFrequency (%)
6081
 
9.7%
windows 684
 
1.1%
및 520
 
0.8%
c 425
 
0.7%
환경 396
 
0.6%
언어 388
 
0.6%
python 367
 
0.6%
10 365
 
0.6%
intel 355
 
0.6%
os 346
 
0.6%
Other values (13980) 52894
84.2%
2023-12-12T18:59:01.344438image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
64870
 
18.8%
o 7910
 
2.3%
e 7861
 
2.3%
ㆍ 7847
 
2.3%
n 7275
 
2.1%
t 6631
 
1.9%
i 6609
 
1.9%
a 5689
 
1.6%
r 5632
 
1.6%
: 5451
 
1.6%
Other values (793) 219890
63.6%

Most occurring categories

ValueCountFrequency (%)
Other Letter 112462
32.5%
Lowercase Letter 81982
23.7%
Space Separator 64902
18.8%
Uppercase Letter 43343
 
12.5%
Decimal Number 19664
 
5.7%
Other Punctuation 14282
 
4.1%
Dash Punctuation 3670
 
1.1%
Close Punctuation 1951
 
0.6%
Open Punctuation 1914
 
0.6%
Math Symbol 1189
 
0.3%
Other values (5) 306
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
ㆍ 7847
 
7.0%
이 3239
 
2.9%
어 2679
 
2.4%
개 2426
 
2.2%
로 2379
 
2.1%
발 2337
 
2.1%
용 2174
 
1.9%
사 2166
 
1.9%
하 1996
 
1.8%
에 1724
 
1.5%
Other values (689) 83495
74.2%
Lowercase Letter
ValueCountFrequency (%)
o 7910
 
9.6%
e 7861
 
9.6%
n 7275
 
8.9%
t 6631
 
8.1%
i 6609
 
8.1%
a 5689
 
6.9%
r 5632
 
6.9%
s 4179
 
5.1%
l 3563
 
4.3%
u 3310
 
4.0%
Other values (17) 23323
28.4%
Uppercase Letter
ValueCountFrequency (%)
S 4281
 
9.9%
C 3577
 
8.3%
P 3230
 
7.5%
A 2737
 
6.3%
M 2514
 
5.8%
W 2467
 
5.7%
G 2301
 
5.3%
D 2243
 
5.2%
I 2146
 
5.0%
O 1906
 
4.4%
Other values (16) 15941
36.8%
Other Punctuation
ValueCountFrequency (%)
: 5451
38.2%
, 4333
30.3%
. 3932
27.5%
# 180
 
1.3%
* 142
 
1.0%
@ 131
 
0.9%
& 43
 
0.3%
' 27
 
0.2%
" 15
 
0.1%
; 13
 
0.1%
Other values (4) 15
 
0.1%
Decimal Number
ValueCountFrequency (%)
0 4404
22.4%
1 3707
18.9%
2 2478
12.6%
4 1629
 
8.3%
3 1626
 
8.3%
6 1589
 
8.1%
8 1328
 
6.8%
7 1306
 
6.6%
5 1031
 
5.2%
9 566
 
2.9%
Math Symbol
ValueCountFrequency (%)
+ 767
64.5%
= 366
30.8%
> 28
 
2.4%
~ 24
 
2.0%
→ 3
 
0.3%
↔ 1
 
0.1%
Close Punctuation
ValueCountFrequency (%)
) 1827
93.6%
] 117
 
6.0%
} 6
 
0.3%
） 1
 
0.1%
Open Punctuation
ValueCountFrequency (%)
( 1792
93.6%
[ 116
 
6.1%
{ 6
 
0.3%
Other Symbol
ValueCountFrequency (%)
® 41
91.1%
™ 2
 
4.4%
㈜ 2
 
4.4%
Other Number
ValueCountFrequency (%)
① 1
33.3%
② 1
33.3%
③ 1
33.3%
Space Separator
ValueCountFrequency (%)
64870
> 99.9%
　 32
 
< 0.1%
Initial Punctuation
ValueCountFrequency (%)
‘ 12
52.2%
“ 11
47.8%
Final Punctuation
ValueCountFrequency (%)
” 12
52.2%
’ 11
47.8%
Dash Punctuation
ValueCountFrequency (%)
- 3670
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 212
100.0%

Most occurring scripts

ValueCountFrequency (%)
Latin 125323
36.3%
Hangul 112459
32.5%
Common 107876
31.2%
Han 5
 
< 0.1%
Greek 2
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
ㆍ 7847
 
7.0%
이 3239
 
2.9%
어 2679
 
2.4%
개 2426
 
2.2%
로 2379
 
2.1%
발 2337
 
2.1%
용 2174
 
1.9%
사 2166
 
1.9%
하 1996
 
1.8%
에 1724
 
1.5%
Other values (689) 83492
74.2%
Latin
ValueCountFrequency (%)
o 7910
 
6.3%
e 7861
 
6.3%
n 7275
 
5.8%
t 6631
 
5.3%
i 6609
 
5.3%
a 5689
 
4.5%
r 5632
 
4.5%
S 4281
 
3.4%
s 4179
 
3.3%
C 3577
 
2.9%
Other values (42) 65679
52.4%
Common
ValueCountFrequency (%)
64870
60.1%
: 5451
 
5.1%
0 4404
 
4.1%
, 4333
 
4.0%
. 3932
 
3.6%
1 3707
 
3.4%
- 3670
 
3.4%
2 2478
 
2.3%
) 1827
 
1.7%
( 1792
 
1.7%
Other values (40) 11412
 
10.6%
Han
ValueCountFrequency (%)
社 5
100.0%
Greek
ValueCountFrequency (%)
μ 2
100.0%

Most occurring blocks

ValueCountFrequency (%)
ASCII 233065
67.4%
Hangul 104610
30.3%
Compat Jamo 7847
 
2.3%
None 81
 
< 0.1%
Punctuation 48
 
< 0.1%
CJK 5
 
< 0.1%
Arrows 4
 
< 0.1%
Enclosed Alphanum 3
 
< 0.1%
Letterlike Symbols 2
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
64870
27.8%
o 7910
 
3.4%
e 7861
 
3.4%
n 7275
 
3.1%
t 6631
 
2.8%
i 6609
 
2.8%
a 5689
 
2.4%
r 5632
 
2.4%
: 5451
 
2.3%
0 4404
 
1.9%
Other values (77) 110733
47.5%
Compat Jamo
ValueCountFrequency (%)
ㆍ 7847
100.0%
Hangul
ValueCountFrequency (%)
이 3239
 
3.1%
어 2679
 
2.6%
개 2426
 
2.3%
로 2379
 
2.3%
발 2337
 
2.2%
용 2174
 
2.1%
사 2166
 
2.1%
하 1996
 
1.9%
에 1724
 
1.6%
기 1670
 
1.6%
Other values (687) 81820
78.2%
None
ValueCountFrequency (%)
® 41
50.6%
　 32
39.5%
· 3
 
3.7%
μ 2
 
2.5%
㈜ 2
 
2.5%
） 1
 
1.2%
Punctuation
ValueCountFrequency (%)
‘ 12
25.0%
” 12
25.0%
“ 11
22.9%
’ 11
22.9%
… 2
 
4.2%
CJK
ValueCountFrequency (%)
社 5
100.0%
Arrows
ValueCountFrequency (%)
→ 3
75.0%
↔ 1
 
25.0%
Letterlike Symbols
ValueCountFrequency (%)
™ 2
100.0%
Enclosed Alphanum
ValueCountFrequency (%)
① 1
33.3%
② 1
33.3%
③ 1
33.3%

테스트기준
Text

Distinct1885
Distinct (%)92.2%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:59:01.747850image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length485.5
Mean length190.74413
Min length8

Characters and Unicode

Total characters389881
Distinct characters1008
Distinct categories18 ?
Distinct scripts5 ?
Distinct blocks13 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique1801 ?
Unique (%)88.1%

Sample

1st rowㆍ기능구현안정성 테스트 : 분류검색창의 분류선택에 따른 카테고리 연동 여부( 기준 : 작동유무)ㆍ입력기능 테스트 : 설정된 입력조건에 따른 입력가능 여부( 기준 : 체크박스작동, 입력가능여부)ㆍ등록기능 테스트 : 입력기능에 따라 입력된 정보 등록시 리스트 추출 여부(기준 : 솔루션리스트 등록여부)ㆍ수정삭제기능 테스트 : 등록기능에 따라 등록된 정보 수정 및 삭제 여부(기준 : 정보수정 및 삭제여부)
2nd rowㆍAEB 제동 시행 시 전방차량 또는 보행자와 충돌 없음
3rd rowㆍ공인인증을 통하여 webcam 1대로 동시에 입력되는 사람수 대비 측정되는 사람수를 측정하여 정량적 지표로 사용
4th rowㆍ스마트 컨트랙트 공유와 재사용의 효율성 평가를 위하여 검색 성능과 대시보드 성능 평가를 수행함
5th rowㆍ다종교통정보 수집장치와 CCTV Radar LiDAR 교통정보 수집장치와 통신 연결ㆍ다종교통정보 수집장치 수집 프로그램에서 각 교통정보 수집장치로부터 교통 정보 수집ㆍ수집된 교통정보를 DB에 저장[참고 그림 : 시험환경]
ValueCountFrequency (%)
4199
 
4.8%
테스트 1024
 
1.2%
및 989
 
1.1%
확인 660
 
0.8%
데이터 630
 
0.7%
수 480
 
0.6%
그림 390
 
0.4%
대한 388
 
0.4%
기능 353
 
0.4%
성능 350
 
0.4%
Other values (23254) 77221
89.1%
2023-12-12T18:59:02.337481image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
89683
 
23.0%
이 7063
 
1.8%
ㆍ 5853
 
1.5%
의 4270
 
1.1%
로 3973
 
1.0%
하 3971
 
1.0%
기 3896
 
1.0%
스 3857
 
1.0%
정 3832
 
1.0%
에 3729
 
1.0%
Other values (998) 259754
66.6%

Most occurring categories

ValueCountFrequency (%)
Other Letter 228567
58.6%
Space Separator 89690
 
23.0%
Lowercase Letter 30094
 
7.7%
Uppercase Letter 14107
 
3.6%
Decimal Number 10964
 
2.8%
Other Punctuation 8293
 
2.1%
Dash Punctuation 2812
 
0.7%
Close Punctuation 2206
 
0.6%
Open Punctuation 2176
 
0.6%
Math Symbol 570
 
0.1%
Other values (8) 402
 
0.1%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 7063
 
3.1%
ㆍ 5853
 
2.6%
의 4270
 
1.9%
로 3973
 
1.7%
하 3971
 
1.7%
기 3896
 
1.7%
스 3857
 
1.7%
정 3832
 
1.7%
에 3729
 
1.6%
시 3332
 
1.5%
Other values (866) 184791
80.8%
Lowercase Letter
ValueCountFrequency (%)
e 3653
12.1%
a 2616
 
8.7%
t 2487
 
8.3%
i 2412
 
8.0%
o 2398
 
8.0%
r 2224
 
7.4%
n 2041
 
6.8%
s 1791
 
6.0%
l 1425
 
4.7%
c 1404
 
4.7%
Other values (20) 7643
25.4%
Uppercase Letter
ValueCountFrequency (%)
S 1489
 
10.6%
A 1125
 
8.0%
P 1108
 
7.9%
C 974
 
6.9%
I 887
 
6.3%
T 795
 
5.6%
R 782
 
5.5%
D 736
 
5.2%
M 735
 
5.2%
B 608
 
4.3%
Other values (17) 4868
34.5%
Other Punctuation
ValueCountFrequency (%)
, 3024
36.5%
: 2374
28.6%
. 1483
17.9%
% 1109
 
13.4%
* 84
 
1.0%
' 66
 
0.8%
@ 62
 
0.7%
" 27
 
0.3%
& 21
 
0.3%
· 20
 
0.2%
Other values (6) 23
 
0.3%
Math Symbol
ValueCountFrequency (%)
= 153
26.8%
> 126
22.1%
~ 110
19.3%
+ 67
11.8%
| 37
 
6.5%
± 21
 
3.7%
< 19
 
3.3%
→ 15
 
2.6%
∑ 5
 
0.9%
× 5
 
0.9%
Other values (6) 12
 
2.1%
Decimal Number
ValueCountFrequency (%)
0 3241
29.6%
1 2042
18.6%
2 1213
 
11.1%
5 932
 
8.5%
3 884
 
8.1%
9 724
 
6.6%
4 527
 
4.8%
8 518
 
4.7%
7 446
 
4.1%
6 437
 
4.0%
Other Symbol
ValueCountFrequency (%)
㎜ 14
30.4%
℃ 12
26.1%
° 8
17.4%
㈜ 4
 
8.7%
㎟ 2
 
4.3%
® 2
 
4.3%
㎐ 2
 
4.3%
㎑ 2
 
4.3%
Other Number
ValueCountFrequency (%)
² 5
55.6%
① 1
 
11.1%
② 1
 
11.1%
③ 1
 
11.1%
④ 1
 
11.1%
Close Punctuation
ValueCountFrequency (%)
) 1769
80.2%
] 432
 
19.6%
} 3
 
0.1%
） 2
 
0.1%
Open Punctuation
ValueCountFrequency (%)
( 1738
79.9%
[ 432
 
19.9%
（ 3
 
0.1%
{ 3
 
0.1%
Space Separator
ValueCountFrequency (%)
89683
> 99.9%
　 7
 
< 0.1%
Initial Punctuation
ValueCountFrequency (%)
‘ 36
63.2%
“ 21
36.8%
Final Punctuation
ValueCountFrequency (%)
’ 34
60.7%
” 22
39.3%
Modifier Symbol
ValueCountFrequency (%)
^ 9
60.0%
˚ 6
40.0%
Dash Punctuation
ValueCountFrequency (%)
- 2812
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 216
100.0%
Format
ValueCountFrequency (%)
­ 2
100.0%
Letter Number
ValueCountFrequency (%)
ⅱ 1
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 228568
58.6%
Common 117108
30.0%
Latin 44194
 
11.3%
Greek 8
 
< 0.1%
Han 3
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 7063
 
3.1%
ㆍ 5853
 
2.6%
의 4270
 
1.9%
로 3973
 
1.7%
하 3971
 
1.7%
기 3896
 
1.7%
스 3857
 
1.7%
정 3832
 
1.7%
에 3729
 
1.6%
시 3332
 
1.5%
Other values (864) 184792
80.8%
Common
ValueCountFrequency (%)
89683
76.6%
0 3241
 
2.8%
, 3024
 
2.6%
- 2812
 
2.4%
: 2374
 
2.0%
1 2042
 
1.7%
) 1769
 
1.5%
( 1738
 
1.5%
. 1483
 
1.3%
2 1213
 
1.0%
Other values (63) 7729
 
6.6%
Latin
ValueCountFrequency (%)
e 3653
 
8.3%
a 2616
 
5.9%
t 2487
 
5.6%
i 2412
 
5.5%
o 2398
 
5.4%
r 2224
 
5.0%
n 2041
 
4.6%
s 1791
 
4.1%
S 1489
 
3.4%
l 1425
 
3.2%
Other values (44) 21658
49.0%
Greek
ValueCountFrequency (%)
θ 3
37.5%
β 3
37.5%
σ 1
 
12.5%
μ 1
 
12.5%
Han
ValueCountFrequency (%)
社 1
33.3%
害 1
33.3%
危 1
33.3%

Most occurring blocks

ValueCountFrequency (%)
Hangul 222710
57.1%
ASCII 161034
41.3%
Compat Jamo 5854
 
1.5%
Punctuation 117
 
< 0.1%
None 89
 
< 0.1%
CJK Compat 20
 
< 0.1%
Arrows 18
 
< 0.1%
Math Operators 13
 
< 0.1%
Letterlike Symbols 12
 
< 0.1%
Modifier Letters 6
 
< 0.1%
Other values (3) 8
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
89683
55.7%
e 3653
 
2.3%
0 3241
 
2.0%
, 3024
 
1.9%
- 2812
 
1.7%
a 2616
 
1.6%
t 2487
 
1.5%
i 2412
 
1.5%
o 2398
 
1.5%
: 2374
 
1.5%
Other values (81) 46334
28.8%
Hangul
ValueCountFrequency (%)
이 7063
 
3.2%
의 4270
 
1.9%
로 3973
 
1.8%
하 3971
 
1.8%
기 3896
 
1.7%
스 3857
 
1.7%
정 3832
 
1.7%
에 3729
 
1.7%
시 3332
 
1.5%
을 3319
 
1.5%
Other values (861) 181468
81.5%
Compat Jamo
ValueCountFrequency (%)
ㆍ 5853
> 99.9%
ㄹ 1
 
< 0.1%
Punctuation
ValueCountFrequency (%)
‘ 36
30.8%
’ 34
29.1%
” 22
18.8%
“ 21
17.9%
… 2
 
1.7%
※ 2
 
1.7%
None
ValueCountFrequency (%)
± 21
23.6%
· 20
22.5%
° 8
 
9.0%
　 7
 
7.9%
² 5
 
5.6%
× 5
 
5.6%
㈜ 4
 
4.5%
（ 3
 
3.4%
θ 3
 
3.4%
β 3
 
3.4%
Other values (7) 10
11.2%
Arrows
ValueCountFrequency (%)
→ 15
83.3%
⇒ 3
 
16.7%
CJK Compat
ValueCountFrequency (%)
㎜ 14
70.0%
㎟ 2
 
10.0%
㎐ 2
 
10.0%
㎑ 2
 
10.0%
Letterlike Symbols
ValueCountFrequency (%)
℃ 12
100.0%
Modifier Letters
ValueCountFrequency (%)
˚ 6
100.0%
Math Operators
ValueCountFrequency (%)
∑ 5
38.5%
≥ 3
23.1%
∪ 2
 
15.4%
≤ 2
 
15.4%
∩ 1
 
7.7%
CJK
ValueCountFrequency (%)
社 1
33.3%
害 1
33.3%
危 1
33.3%
Number Forms
ValueCountFrequency (%)
ⅱ 1
100.0%
Enclosed Alphanum
ValueCountFrequency (%)
① 1
25.0%
② 1
25.0%
③ 1
25.0%
④ 1
25.0%

테스트방법
Text

Distinct1911
Distinct (%)93.5%
Missing0
Missing (%)0.0%
Memory size16.1 KiB
2023-12-12T18:59:02.797735image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Length

Max length1024
Median length585
Mean length280.50147
Min length10

Characters and Unicode

Total characters573345
Distinct characters1040
Distinct categories18 ?
Distinct scripts5 ?
Distinct blocks12 ?
The Unicode Standard assigns character properties to each code point, which can be used to analyse textual variables.

Unique

Unique1830 ?
Unique (%)89.5%

Sample

1st row단위테스트 시험(개발자)ㆍ어플리케이션 소프트웨어의 원시코드를 대상으로 시험케이스에 의한 기능수행 여부를 시험ㆍ1) 웹접근→2) 전국지역 중 자치구 정보 검색 →3) 자치구지역에 적용된 회복력 평가등급 정보 연동 여부 확인→ 지역별 등급정보 확인→5)등급별 솔루션 정보 제공기능 검색 →6) 솔루션 정보제공 기능 배치 기능 이상여부 확인 등 과정을 수행함에 있어 기능오류가 없는지를 테스트함통합테스트 시험(분석 설계자)ㆍ개별모듈간 연결이 제대로 이뤄지는지 기능수행여부 시험ㆍ1) 웹접근→2) 자치구정보 검색 →3) 자치구 지역에 적용된 회복력 평가등급 정보 연동 여부 확인→ 지역별 등급정보 확인→5)등급별 솔루션 정보 제공기능 검색 →6) 솔루션 정보제공 기능 배치 기능 이상여부 확인 등 과정을 수행함에 있어 기능오류가 없는지를 테스트함
2nd rowㆍ1. SCALEXIO에 탑재된 Calmato ASM 차량모델을 구동함ㆍ2. Micro-AutoBox에 탑재된 AEB 제어로직을 구동함ㆍ3. CCRs, CCRm, CPFA, CPNC 각 시나리오를 실행하며 AEB의 성능을 확인함
3rd rowㆍ물리적 동일 공간에서의 동시 참여자 수 - 1대의 카메라로 동시에 콘텐츠 참여 가능한 최대 인원수 측정
4th rowㆍ검색 성능을 평가하기 위하여 13,059개 json documents를 가지고 태그 기반, Kibana 샘플 데이터 구조로 Fetch Time을 측정함 - *Fetch time은 검색을 통해 문서 결과 반환시까지 시간을 측정한 것임 - *테스트 수행시 Tag 기반 4537ms, Kibana 샘플 데이터 6887ms로 측정됨 ㆍ대시보드 성능을 평가하기 위하여 Gitlab 코드뷰와 Load Time을 비교함 - *Gitlab 코드뷰의 Load Time 1004ms, 대시보드 652ms로 측정됨
5th rowㆍ다종교통정보 수집장치가 교통정보를 수집하는 센서 종류 확인ㆍCCTV RaDAR LiDAR 교통정보 수집센서로부터 교통 정보를 수신하는지 확인ㆍ수집한 교통정보가 각 센서별 DB에 정상적으로 저장되는지 확인
ValueCountFrequency (%)
5916
 
4.8%
테스트 1465
 
1.2%
및 1327
 
1.1%
확인 967
 
0.8%
데이터 904
 
0.7%
그림 727
 
0.6%
후 658
 
0.5%
통해 637
 
0.5%
수 598
 
0.5%
결과 494
 
0.4%
Other values (30577) 108497
88.8%
2023-12-12T18:59:03.401137image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Most occurring characters

ValueCountFrequency (%)
126444
 
22.1%
이 8949
 
1.6%
ㆍ 7911
 
1.4%
e 7619
 
1.3%
스 6341
 
1.1%
하 6260
 
1.1%
로 5849
 
1.0%
t 5673
 
1.0%
의 5594
 
1.0%
에 5567
 
1.0%
Other values (1030) 387138
67.5%

Most occurring categories

ValueCountFrequency (%)
Other Letter 317824
55.4%
Space Separator 126445
 
22.1%
Lowercase Letter 64244
 
11.2%
Uppercase Letter 24897
 
4.3%
Decimal Number 14037
 
2.4%
Other Punctuation 11075
 
1.9%
Dash Punctuation 4916
 
0.9%
Close Punctuation 3632
 
0.6%
Open Punctuation 3447
 
0.6%
Math Symbol 1217
 
0.2%
Other values (8) 1611
 
0.3%

Most frequent character per category

Other Letter
ValueCountFrequency (%)
이 8949
 
2.8%
ㆍ 7911
 
2.5%
스 6341
 
2.0%
하 6260
 
2.0%
로 5849
 
1.8%
의 5594
 
1.8%
에 5567
 
1.8%
을 5562
 
1.8%
트 5305
 
1.7%
를 5260
 
1.7%
Other values (907) 255226
80.3%
Lowercase Letter
ValueCountFrequency (%)
e 7619
11.9%
t 5673
 
8.8%
o 5197
 
8.1%
a 4977
 
7.7%
i 4872
 
7.6%
r 4623
 
7.2%
n 4547
 
7.1%
s 3667
 
5.7%
l 2994
 
4.7%
c 2567
 
4.0%
Other values (19) 17508
27.3%
Uppercase Letter
ValueCountFrequency (%)
S 2538
 
10.2%
P 1939
 
7.8%
C 1800
 
7.2%
T 1777
 
7.1%
A 1727
 
6.9%
I 1508
 
6.1%
M 1386
 
5.6%
D 1383
 
5.6%
R 1202
 
4.8%
E 934
 
3.8%
Other values (17) 8703
35.0%
Other Punctuation
ValueCountFrequency (%)
, 4311
38.9%
. 2923
26.4%
: 2695
24.3%
' 322
 
2.9%
% 312
 
2.8%
" 126
 
1.1%
* 111
 
1.0%
& 52
 
0.5%
; 50
 
0.5%
\ 45
 
0.4%
Other values (5) 128
 
1.2%
Math Symbol
ValueCountFrequency (%)
= 639
52.5%
> 174
 
14.3%
+ 126
 
10.4%
→ 108
 
8.9%
~ 103
 
8.5%
< 23
 
1.9%
± 20
 
1.6%
× 12
 
1.0%
| 8
 
0.7%
∑ 2
 
0.2%
Other values (2) 2
 
0.2%
Decimal Number
ValueCountFrequency (%)
0 3422
24.4%
1 3021
21.5%
2 1999
14.2%
3 1236
 
8.8%
5 966
 
6.9%
4 923
 
6.6%
6 759
 
5.4%
8 656
 
4.7%
7 567
 
4.0%
9 488
 
3.5%
Other Number
ValueCountFrequency (%)
① 7
31.8%
② 6
27.3%
③ 4
18.2%
④ 2
 
9.1%
⑦ 1
 
4.5%
⑥ 1
 
4.5%
⑤ 1
 
4.5%
Other Symbol
ValueCountFrequency (%)
° 19
65.5%
℃ 5
 
17.2%
㈜ 3
 
10.3%
㎜ 2
 
6.9%
Close Punctuation
ValueCountFrequency (%)
) 2670
73.5%
] 922
 
25.4%
} 40
 
1.1%
Open Punctuation
ValueCountFrequency (%)
( 2478
71.9%
[ 929
 
27.0%
{ 40
 
1.2%
Modifier Symbol
ValueCountFrequency (%)
^ 8
72.7%
` 2
 
18.2%
˚ 1
 
9.1%
Space Separator
ValueCountFrequency (%)
126444
> 99.9%
　 1
 
< 0.1%
Initial Punctuation
ValueCountFrequency (%)
‘ 97
56.7%
“ 74
43.3%
Final Punctuation
ValueCountFrequency (%)
’ 94
56.6%
” 72
43.4%
Dash Punctuation
ValueCountFrequency (%)
- 4916
100.0%
Connector Punctuation
ValueCountFrequency (%)
_ 1188
100.0%
Currency Symbol
ValueCountFrequency (%)
$ 15
100.0%
Format
ValueCountFrequency (%)
­ 9
100.0%

Most occurring scripts

ValueCountFrequency (%)
Hangul 317826
55.4%
Common 166377
29.0%
Latin 89137
 
15.5%
Greek 4
 
< 0.1%
Han 1
 
< 0.1%

Most frequent character per script

Hangul
ValueCountFrequency (%)
이 8949
 
2.8%
ㆍ 7911
 
2.5%
스 6341
 
2.0%
하 6260
 
2.0%
로 5849
 
1.8%
의 5594
 
1.8%
에 5567
 
1.8%
을 5562
 
1.8%
트 5305
 
1.7%
를 5260
 
1.7%
Other values (907) 255228
80.3%
Common
ValueCountFrequency (%)
126444
76.0%
- 4916
 
3.0%
, 4311
 
2.6%
0 3422
 
2.1%
1 3021
 
1.8%
. 2923
 
1.8%
: 2695
 
1.6%
) 2670
 
1.6%
( 2478
 
1.5%
2 1999
 
1.2%
Other values (56) 11498
 
6.9%
Latin
ValueCountFrequency (%)
e 7619
 
8.5%
t 5673
 
6.4%
o 5197
 
5.8%
a 4977
 
5.6%
i 4872
 
5.5%
r 4623
 
5.2%
n 4547
 
5.1%
s 3667
 
4.1%
l 2994
 
3.4%
c 2567
 
2.9%
Other values (43) 42401
47.6%
Greek
ValueCountFrequency (%)
δ 2
50.0%
Ω 1
25.0%
σ 1
25.0%
Han
ValueCountFrequency (%)
社 1
100.0%

Most occurring blocks

ValueCountFrequency (%)
Hangul 309912
54.1%
ASCII 254933
44.5%
Compat Jamo 7911
 
1.4%
Punctuation 337
 
0.1%
Arrows 109
 
< 0.1%
None 108
 
< 0.1%
Enclosed Alphanum 22
 
< 0.1%
Letterlike Symbols 6
 
< 0.1%
Math Operators 3
 
< 0.1%
CJK Compat 2
 
< 0.1%
Other values (2) 2
 
< 0.1%

Most frequent character per block

ASCII
ValueCountFrequency (%)
126444
49.6%
e 7619
 
3.0%
t 5673
 
2.2%
o 5197
 
2.0%
a 4977
 
2.0%
- 4916
 
1.9%
i 4872
 
1.9%
r 4623
 
1.8%
n 4547
 
1.8%
, 4311
 
1.7%
Other values (83) 81754
32.1%
Hangul
ValueCountFrequency (%)
이 8949
 
2.9%
스 6341
 
2.0%
하 6260
 
2.0%
로 5849
 
1.9%
의 5594
 
1.8%
에 5567
 
1.8%
을 5562
 
1.8%
트 5305
 
1.7%
를 5260
 
1.7%
시 4957
 
1.6%
Other values (905) 250268
80.8%
Compat Jamo
ValueCountFrequency (%)
ㆍ 7911
100.0%
Arrows
ValueCountFrequency (%)
→ 108
99.1%
↔ 1
 
0.9%
Punctuation
ValueCountFrequency (%)
‘ 97
28.8%
’ 94
27.9%
“ 74
22.0%
” 72
21.4%
None
ValueCountFrequency (%)
· 36
33.3%
± 20
18.5%
° 19
17.6%
× 12
 
11.1%
­ 9
 
8.3%
： 3
 
2.8%
㈜ 3
 
2.8%
ø 2
 
1.9%
δ 2
 
1.9%
　 1
 
0.9%
Enclosed Alphanum
ValueCountFrequency (%)
① 7
31.8%
② 6
27.3%
③ 4
18.2%
④ 2
 
9.1%
⑦ 1
 
4.5%
⑥ 1
 
4.5%
⑤ 1
 
4.5%
Letterlike Symbols
ValueCountFrequency (%)
℃ 5
83.3%
Ω 1
 
16.7%
CJK Compat
ValueCountFrequency (%)
㎜ 2
100.0%
Math Operators
ValueCountFrequency (%)
∑ 2
66.7%
∏ 1
33.3%
Modifier Letters
ValueCountFrequency (%)
˚ 1
100.0%
CJK
ValueCountFrequency (%)
社 1
100.0%

Interactions

2023-12-12T18:58:48.672302image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/

Missing values

2023-12-12T18:58:48.818075image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
A simple visualization of nullity by column.
2023-12-12T18:58:49.062491image/svg+xmlMatplotlib v3.7.2, https://matplotlib.org/
Nullity matrix is a data-dense display which lets you quickly visually pick out patterns in data completion.

Sample

자산코드자산명자산소개설명과제고유번호회사명기술명개발시작일개발종료일기술개요경쟁력개발목표타겟고객및시장세부구성기술개발환경테스트기준테스트방법
0ASSET_0009015전국단위 위험도 및 회복력 평가결과 기반 맞춤형 솔루션 검색모듈도시재생지역 중 재난에 취약한 지역을 계획함에 있어 전국단위 위험도,회복력 분석결과와 세부지역 위험도 및 회복력 평가 등급에 따라 필요한 부분과 검토대상 기술의 분류를 자동으로 지원하는 검색모듈로 정부부처는 예산배정 근거 및 의사결정 검토에 활용하고, 지자체는 (공공)도시재생협의체 등 의사결정 시 적정 기술 도입목록 검토에 활용하며, 민간기업은 소규모 쇠퇴지역 내 설치 가능한 재난지원제품의 기술개발과 홍보채널로 활용하기 위한 회복력 평가결과 기반 맞춤형 솔루션 검색모듈 입니다.본 프로그램은 도시재생용역분야 중 재난상황에 따라 솔루션 검색을 지원하기 위해 솔루션들을 회복력 평가등급 결과에 따라 지역별 필요항목을 도출하고 이를 자동 검색하도록 지원하는 모듈입니다. 기존 사업대상지 중심의 검색기능에서 전국단위 위험도와 회복력 정보를 기준으로 검색하는 기능을 추가 하여 지자체 검토가능성을 확대하고자 하였습니다.1615012834주식회사 맵인어스전국단위 위험도 및 회복력 평가결과 기반 맞춤형 솔루션 검색모듈2022-01-012022-10-17ㆍ도시재생지역 중 재난에 취약한 지역을 계획함에 있어 전국단위 위험도,회복력 분석결과와 세부지역 위험도 및 회복력 평가 등급에 따라 필요한 부분과 검토대상 기술의 분류를 자동으로 지원하는 검색모듈로 정부부처는 예산배정 근거 및 의사결정 검토에 활용하고, 지자체는 (공공)도시재생협의체 등 의사결정 시 적정 기술 도입목록 검토에 활용하며, 민간기업은 소규모 쇠퇴지역 내 설치 가능한 재난지원제품의 기술개발과 홍보채널로 활용하기 위한 회복력 평가결과 기반 맞춤형 솔루션 검색모듈ㆍ본 프로그램은 도시재생용역분야 중 재난상황에 따라 솔루션 검색을 지원하기 위해 솔루션들을 회복력 평가등급 결과에 따라 지역별 필요항목을 도출하고 이를 자동 검색하도록 지원하는 모듈ㆍ기존 사업대상지 중심의 검색기능에서 전국단위 위험도와 회복력 정보를 기준으로 검색하는 기능을 추가 하여 지자체 검토가능성을 확대하고자 함[참고 그림 : 전국단위 위험도 맞춤형 솔루션 모듈]ㆍ도시재생 사업지구는 소규모의 쇠퇴한 도시지역이라는 특수성이 존재하며, 재난상황과 연계하여 적용가능한 솔루션 검색이 어려운 것이 현실임ㆍ이에 도시재생 지역특성을 전국단위 평가된 위험도,회복력 평가결과를 바탕으로 우선 적용해야 하는 범위에 포함되는 솔루션만이 검색도록 하는 추천기술과 이를 사용자가 자유롭게 배치운영할 수 있도록 지원하는 계획지원 모듈을 기반으로 개발되어 향후 이용자의 검색 및 기술도입 만족도를 높일 수 있을 것으로 기대됨ㆍ도시재생 사업지구의 획일화된 지원계획 수립이 아닌 지역특성을 고려한 맞춤형 기술적용이 가능하도록하며, 회복력 평가결과를 활용하여 효과가 높은 제품의 우선 추천으로 기술 선택 효율성 증대(기존대비 30%향상-평균 기술검토기간 1개월에서 1주일이내로 단축)ㆍ정부부처: 예산배정 근거 및 의사결정 검토 활용ㆍ지자체 : (공공)도시재생협의체 등 의사결정시 적정 기술 도입목록 검토 및 효과시뮬레이션 활용(지원기구)기술설명자료 활용ㆍ민간기업 : 소규모 쇠퇴지역내 설치 가능한 재난지원제품의 기술개발과 홍보채널 활용 등 사용자 특성을 고려하여 시장과 활용방법을 다각화함ㆍ검색기능에 대한 부분은 다양한 사업체가 존재하나 도시재생 및 쇠퇴지역에 대한 재난특성을 고려한 제품(솔루션)제공 기술은 현재 존재하지 않음으로 이에 대한 경쟁관계는 존재하지 않으며, 본 연구결과에서 제공 알고리즘을 개발하여 기술화를 진행함주요기능ㆍ회복력 평가결과 검색 및 표출 모듈 - 전국단위 위험도 및 회복력 분석결과 또는 사업대상지 상세분석결과를 구분하여 검색 및 정보표출 - 전국단위 정보는 행정동 구분으로 정보를 표출하고 사업대상지 상세분석검색결과는 상세지표기준으로 정보를 표출 - 표출된 정보는 표 형식으로 1차 제공하고 스파이더 차트를 활용하여 정보를 가시화 지원ㆍ평가결과 활용 솔루션 검색 모듈 - 입력된 회복력 평가 등급을 기준으로 (1~5등급) 개선하고자 하는 범위(등급기준)를 지정하여 검색하고자 하는 솔루션의 범위를 지정하고 검색함 - 회복력과 위험도 검색을 구분하여 한가지 지표결과만을 검색할 수 있거나 두가지 조건(회복력,위험도)을 모두 포함하여 검색하는 방식으로 검색함 ㆍ회복력 평가결과 기반 솔루션 정보 계획모듈 - 회복력 평가결과에 따라 검색된 솔루션 정보를 기반으로 GIS상에 기술을 이동 배치하여 계획도면과 예산상황을 시뮬레이션 해 볼 수 있는 기능을 제공함 - 표출된 기능은 위성영상, 커뮤니티매핑 연계정보(주민의견정보 포인트), 전국단위 위험도, 회복력 지도정보를 레이어로 구성하여 제공함사용방법ㆍ평가결과 기반 솔루션 검색모듈은 전국 단위 분석결과를 활용하여 우선 적용하고자 하는 범위의 솔루션을 제공하는 모듈로써, 지역별 위험도, 회복력 평가정보를 기준으로 활용함ㆍ평가결과 검색 및 표출 모듈 - 1) 전국단위 행정구역 또는 사업대상지역 중 검색하고자 하는 지역을 우선 검색함 - 2) 검색된 지역에 대해 보고자 하는 재난유형(폭우, 폭염, 폭설, 강품, 지진붕괴, 화재폭발)을 선택하여 등급을 확인함 - 3) 등급확인시 표형식과 스파이더 차트 방식을 활용하여 사용자 친화적 정보가시화를 지원함ㆍ평가결과 활용 솔루션 검색모듈 - 1) 검색된 지역의 등급 중 기술검토를 하고자 하는 범위(등급값)를 지정함 - 2) 지정된 등급값의 하위값은 모두 기술검색되어 계획모듈로 전달됨ㆍ위험도, 회복력 평가결과 기반 솔루션 정보 계획모듈 - 1) 검색된 기술을 스크롤 바로 확인하고 필요기술을 클릭하여 GIS 지도개발장비ㆍHW : Intel Xeon Silver 4208 8C 2.10 GHzㆍSW : Windows NT, Windows 10, Ubuntu, Fedora, CentOS, Redhat개발자 장비 ㆍHW : Inter(R) Core(TM) i7-7700 CPU @ 3.60GHz 3.60GHzㆍSW : Windows NT, Windows 10, Ubuntu, Fedora, CentOS, Redhat, Eclipseㆍ추가 활용 프로그램 : tomcatㆍ개발언어(사용언어) : JAVA, JSPㆍ기능구현안정성 테스트 : 분류검색창의 분류선택에 따른 카테고리 연동 여부( 기준 : 작동유무)ㆍ입력기능 테스트 : 설정된 입력조건에 따른 입력가능 여부( 기준 : 체크박스작동, 입력가능여부)ㆍ등록기능 테스트 : 입력기능에 따라 입력된 정보 등록시 리스트 추출 여부(기준 : 솔루션리스트 등록여부)ㆍ수정삭제기능 테스트 : 등록기능에 따라 등록된 정보 수정 및 삭제 여부(기준 : 정보수정 및 삭제여부)단위테스트 시험(개발자)ㆍ어플리케이션 소프트웨어의 원시코드를 대상으로 시험케이스에 의한 기능수행 여부를 시험ㆍ1) 웹접근→2) 전국지역 중 자치구 정보 검색 →3) 자치구지역에 적용된 회복력 평가등급 정보 연동 여부 확인→ 지역별 등급정보 확인→5)등급별 솔루션 정보 제공기능 검색 →6) 솔루션 정보제공 기능 배치 기능 이상여부 확인 등 과정을 수행함에 있어 기능오류가 없는지를 테스트함통합테스트 시험(분석 설계자)ㆍ개별모듈간 연결이 제대로 이뤄지는지 기능수행여부 시험ㆍ1) 웹접근→2) 자치구정보 검색 →3) 자치구 지역에 적용된 회복력 평가등급 정보 연동 여부 확인→ 지역별 등급정보 확인→5)등급별 솔루션 정보 제공기능 검색 →6) 솔루션 정보제공 기능 배치 기능 이상여부 확인 등 과정을 수행함에 있어 기능오류가 없는지를 테스트함
1ASSET_0009012Calmato ASM 실시간 차량모델 기반 자동긴급제동 제어로직개발배경 : Calmato 차량에 AEB 기능 설계필요성 : 전방주시태만 등의 운전자의 과실로 인한 사고가 연간 80% 이상임. 자동긴급제동 기능인 AEB가 탑재되면 사고의 위험도를 크게 줄일 수 있음. 기술의 개념 : 카메라+레이더 센서로 전방정보를 센싱하여 차량의 제동을 제어함. 적용분야 : Calmato AEB1415177534한국자동차연구원Calmato ASM 실시간 차량모델 기반 자동긴급제동 제어로직2022-01-012022-10-15ㆍ개발배경 : Calmato 차량에 AEB 기능 설계ㆍ필요성 : 전방주시태만 등의 운전자의 과실로 인한 사고가 연간 80% 이상임. 자동긴급제동 기능인 AEB가 탑재되면 사고의 위험도를 크게 줄일 수 있음ㆍ기술의 개념 : 카메라+레이더 센서로 전방정보를 센싱하여 차량의 제동을 제어함ㆍ적용분야 : Calmato AEB[참고 그림 : 클립보드-1]ㆍCalmato 차량에는 AEB 기능이 없음ㆍCalmato 차량에 맞게 튜닝한 AEB 제어 알고리즘ㆍAEB 제동 시행 시 전방차량 또는 보행자와 충돌 없음을 기준으로 함ㆍ특징 : Calmato 차량의 자동긴급제동ㆍ대표기능 : 운전자가 제동이 필요한 긴급한 상황을 인지 못하여도 자동으로 제동을 수행함ㆍ주요 성능목표 : 실제 차량에 적용가능성을 확인하기 위해 차량과 정합성을 맞춘 Calmato 실시간 모델을 대상으로 AEB의 제동성을 확인함. 정량적으로는 충돌이 없고, 5m 이내에 상대거리를 남겨놓고 제동하는것을 목표로 함ㆍ품질목표 : CCRs, CCRm, CPFA, CPNC 시나리오 상 제동 후 최소 상대거리를 측정함ㆍCalmato사, Calmato AEB 제어로직을 사용하는 기업 및 기관ㆍSCALEXIO의 ASM 차량모델과 Micro-AutoBox의 AEB 제어로직을 CAN 통신으로 연동하여 실시간 제어로직 설계 완료동작원리 : ㆍ1. SCALEXIO에 탑재된 Calmato ASM 차량모델을 구동함ㆍ2. Micro-AutoBox에 탑재된 AEB 제어로직을 구동함ㆍ3. CCRs, CCRm, CPFA, CPNC 의 테스트 시나리오를 적용해 가며 AEB가 적절하게 제동하는지 확인함ㆍ내부구조 : CAN통신 환경, TTC 계산 로직, TTC를 이용한 AEB 제동 로직 ㆍ대표적인 기능 : 전방에 충돌위험이 있는 차량 또는 사람을 인지했을 때, AEB 알고리즘이 동작하여 긴급제동을 수행함ㆍPC(windows7), MATLAB, Micro-AutoBox build 환경ㆍAEB 제동 시행 시 전방차량 또는 보행자와 충돌 없음ㆍ1. SCALEXIO에 탑재된 Calmato ASM 차량모델을 구동함ㆍ2. Micro-AutoBox에 탑재된 AEB 제어로직을 구동함ㆍ3. CCRs, CCRm, CPFA, CPNC 각 시나리오를 실행하며 AEB의 성능을 확인함
2ASSET_0009010RGB(알지비) 카메라 입력 기반 Human(휴먼) Pose(포즈) Estimation(에스티메이션) 모듈RGB 카메라를 이용하여 Human의 3DPose Data를 Estimation 하는 기술.사람이 취한 자세를 인식하는 기술을 “휴먼 포즈 에스티메이션(Human Pose Estimation)”이라고 한다.전통적인 자세 인식 방법은 사람에게 센서와 같은 다양한 장비를 부착하고 측정한다. 움직임을 실시간으로 정교하게 파악할 수 있지만 높은 비용이 들어가기도 하고 실생활에서 항상 장비를 착용하는 것이 아니어서 연구실 또는 한정된 영역에서만 가능한 방법이다. 이를 해결하기 위해 하나의 webcam 이용한 딥러닝 기반 포즈 에스티메이션 기법을 두입 필요한다.딥러닝 이용한 포즈 에스티메이션은, 먼저 다층 인공신경망을 이용하여 인체의 각 keypoint(joint) 위치 좌표를 예측한 다음, keypoints 간의 공간적 위치 관계를 구하고 사람 skeleton을 예측한다.딥러닝을 이용한 다수 사람 3차원 포스 추출하는 최신 기술 중 주요한 기술은 다음과 같다. 대부분 실시간 동작하기 힘들거나 다수의 사람들이 서로 가려지는 경우에는 3차원 포스 추출하기 힘들다는 문제를 존재한다.본 기술에서 사용하는 딥러닝 네트워크 구조는 다음 그림과 같다. 이미지를 입력하면 module1은 2D 포즈 히트맵과 Affinity 벡터를 출력하고, 그 결과를 module2에 입력하고 3D 포즈의 ORPM을 출력한다.1711160618피씨엔RGB(알지비) 카메라 입력 기반 Human(휴먼) Pose(포즈) Estimation(에스티메이션) 모듈2022-04-012022-12-31RGB 카메라를 이용하여 Human의 3DPose Data를 Estimation 하는 기술ㆍ사람이 취한 자세를 인식하는 기술을 “휴먼 포즈 에스티메이션(Human Pose Estimation)”이라고 함ㆍ전통적인 자세 인식 방법은 사람에게 센서와 같은 다양한 장비를 부착하고 측정한다. 움직임을 실시간으로 정교하게 파악할 수 있지만 높은 비용이 들어가기도 하고 실생활에서 항상 장비를 착용하는 것이 아니어서 연구실 또는 한정된 영역에서만 가능한 방법임ㆍ이를 해결하기 위해 하나의 webcam 이용한 딥러닝 기반 포즈 에스티메이션 기법을 두입 필요함ㆍ딥러닝 이용한 포즈 에스티메이션은, 먼저 다층 인공신경망을 이용하여 인체의 각 keypoint(joint) 위치 좌표를 예측한 다음, keypoints 간의 공간적 위치 관계를 구하고 사람 skeleton을 예측함ㆍ딥러닝을 이용한 다수 사람 3차원 포스 추출하는 최신 기술 중 주요한 기술은 다음과 같다. 대부분 실시간 동작하기 힘들거나 다수의 사람들이 서로 가려지는 경우에는 3차원 포스 추출하기 힘들다는 문제를 존재함ㆍ본 기술에서 사용하는 딥러닝 네트워크 구조는 다음 그림과 같다. 이미지를 입력하면 module1은 2D 포즈 히트맵과 Affinity 벡터를 출력하고, 그 결과를 module2에 입력하고 3D 포즈의 ORPM을 출력함[참고 그림 : 물리적동일공간동시접속자수구조도]ㆍ기존의 고가의 Depth 카메라를 이용한 pose data 예측 대비 저가의 webcam을 이용하여 AI model 이용하여 Human 3D Pose Estimaion 할 수 있음ㆍ기존 pose estimation 기술은 single person에만 적용이 가능하였지만 본 기술은 multi person에 적용 가능함ㆍ시각화가 쉽고 보다 복잡한 경우에 적용하기 좋다. 예를 본 기술은 강체 즉 Human이 서로 겹쳐 있어도 각 겹쳐 있는 부분의 estimation이 가능함ㆍ물리적 동일 공간에서의 동시 접속자수 - 5명ㆍwebcam을 1대를 이용하여 동시에 Human 3D Pose Estimation 하는 정략지표를 말함ㆍ해당 기술을 이용하면 무용이나 체육 등을 메타버스 환경에서 커리귤럼을 진행 할 수 있음ㆍ교육 메타버스 시장에서 움직임을 기반으로 하는 커리큘럼에서 사용 할 수 있음ㆍ2D pose detection ai model Architecture(2D Pose ai model 아키텍처)ㆍ3D Pose detection ai model Architecture(3D Pose ai model 아키텍처)workflow 설명ㆍ1.Input_reader.py 파일 workflow 설명 - 1-1. webcam을 통한 이미지 입력 - 1-2. 사용자가 원하는 inoput device 선택 옵션ㆍ2.inference_engine_pytorch.py 파일 workflow 설명 - 2-1. Human Estimation AI 모델 import - 2-2. AI Model 구조 정의 - 2-3. with_mobilenet.py 파일 로딩해서 사용 - 2-4. AI Modle에 훈련된 weight 추가 - 2-5. load_state.py 파일 로딩해서 사용ㆍ3.parse_poses.py 파일 workflow 설명 - 3.1. estimation model로 raw로 출력된 데이터들을 19개의 joint 데이터로 변환 - 3.2. pose.py” and legacy_pose_extractor.py 를 로딩해서 사용 - 3.3. 2D Pose data 와 3D Pose data를 출력ㆍ4.draw.py 파일 workflow 설명 - 4.1. 예측된 Pose Data Visual 모형으로 출력 - 4.2. Canvas_3D 출력창에 3D 스켈레톤 출력 - 4.3. Pose 윈도우 창에 2D 스켈레톤 출력CPUㆍintel core7 12700K(12th)ㆍRAMㆍDDR4 - 32GㆍHDD SSDㆍ980 M2 NVMe 1TBOSㆍWINDOW 10ㆍPYTHON MODULEㆍCLINET(PYTHON MODULE)ㆍNetwork기타 SWㆍPYTHON 3.6, PYTORCH 환경ㆍ공인인증을 통하여 webcam 1대로 동시에 입력되는 사람수 대비 측정되는 사람수를 측정하여 정량적 지표로 사용ㆍ물리적 동일 공간에서의 동시 참여자 수 - 1대의 카메라로 동시에 콘텐츠 참여 가능한 최대 인원수 측정
3ASSET_0009008허가형 블록체인의 태그 기반 스마트 컨트랙트 중개 시스템- 블록체인은 디지털 거래에 있어서 데이터 투명성을 제공하는 기술로 각광받고 있음 - 블록체인에서 디지털 거래를 가능케 하는 핵심적인 요소는 스마트 컨트랙트임- 스마트 컨트랙트는 블록체인 플랫폼에서 디지털 거래를 실현시키는 거래의 특징, 규칙을 정의하고 있는 코드 파일임 - 블록체인 플랫폼의 경우에는 스마트 컨트랙트의 공유를 지원하고, 스마트 컨트랙트의 재사용 및 체계적인 관리를 지원하는 것이 필요함 - 블록체인 스마트 컨트랙트를 공유하고, 재사용할 수 있는 스마트 컨트랙트 중개 기술(소프트웨어)을 개발함1711160306부산대학교산학협력단허가형 블록체인의 태그 기반 스마트 컨트랙트 중개 시스템2022-01-032022-07-04ㆍ블록체인은 디지털 거래에 있어서 데이터 투명성을 제공하는 기술로 각광받고 있음 ㆍ블록체인에서 디지털 거래를 가능케 하는 핵심적인 요소는 스마트 컨트랙트임ㆍ스마트 컨트랙트는 블록체인 플랫폼에서 디지털 거래를 실현시키는 거래의 특징, 규칙을 정의하고 있는 코드 파일임 ㆍ블록체인 플랫폼의 경우에는 스마트 컨트랙트의 공유를 지원하고, 스마트 컨트랙트의 재사용 및 체계적인 관리를 지원하는 것이 필요함 ㆍ블록체인 스마트 컨트랙트를 공유하고, 재사용할 수 있는 스마트 컨트랙트 중개 기술(소프트웨어)을 개발함 [참고 그림 : tag_based]ㆍ스마트 컨트랙트와 관련 국내 특허(등록번호:1021196110000)로 스마트 컨트랙트의 분류장치 및 분류 방법이 제시되었음 ㆍ이 특허의 경우에는 질의트리 응답을 고려하여 스마트 컨트랙트를 분류하고 있음 ㆍ본 기술(소프트웨어)는 스마트 컨트랙트의 정보를 Annotation 기반의 해석이 가능하도록 태그로 분석 및 저장하도록 함 ㆍ이를 통해 태그의 정보(저자 이름, 지원하는 플랫폼, asset의 구조 등) 에 기반한 스마트 컨트랙트의 다양한 분류를 지원할 수 있음 ㆍ단순히 스마트 컨트랙트를 분류하는 것이 아니라, 태그를 기반으로 스마트 컨트랙트의 검색을 지원함 ㆍ또한 검색한 스마트 컨트랙트를 재사용하여 수정 및 이를 블록체인 플랫폼에 배치하여 동작하도록 지원함ㆍ블록체인 플랫폼의 거래를 수행하는 스마트 컨트랙트의 공유 및 재사용 지원ㆍ삼정KPMG경영연구소는 국내 블록체인 시장 규모가 2024년가지 7677억원을 넘어설 것으로 전망함 ㆍMarketsandMarkets의 자료에 따르면 글로벌 블록체인 시장의 애플리케이션 공급자는 연평균 79.1% 씩 성장할 것으로 전망함 ㆍ본 기술(소프트웨어)은 블록체인 서비스 및 애플리케이션을 개발하는 기관, 기업체를 대상으로 함본 기술(소프트웨어)는 스마트 컨트랙트의 공유, 재사용을 지원하기 위한 기술임 ㆍ이를 위한 주요 아키텍처 요소로 스마트 컨트랙트 관리 시스템, 대시보드, 브로커 시스템이 결합됨ㆍ스마트 컨트랙트 관리 시스템은 스마트 컨트랙트의 공유를 지원함 ㆍ대시보드는 공유되는 스마트 컨트랙트와 사용자 간의 인터페이스 역할을 담당ㆍ브로커 시스템은 블록체인 네트워크와 연동을 수행함 이에 대한 세부 주요 기능을 요약하면 아래와 같음 ㆍ태그 기반으로 스마트 컨트랙트 사용자 정보, 구성 정보, asset 정보 관리 ㆍ스마트 컨트랙트 CRUD 지원 ㆍ블록체인 네트워크에 스마트 컨트랙트 설치 지원 ㆍ대시보드를 활용한 스마트 컨트랙트 관리 지원[참고 그림 : imp_1][참고 그림 : imp_2]ㆍ사용 OS: macOS Monterey ㆍ사용 언어: Golang, TypeScript ㆍ필요 프로그램: Node.js, Elasticsearch, Dockerㆍ스마트 컨트랙트 공유와 재사용의 효율성 평가를 위하여 검색 성능과 대시보드 성능 평가를 수행함ㆍ검색 성능을 평가하기 위하여 13,059개 json documents를 가지고 태그 기반, Kibana 샘플 데이터 구조로 Fetch Time을 측정함 - *Fetch time은 검색을 통해 문서 결과 반환시까지 시간을 측정한 것임 - *테스트 수행시 Tag 기반 4537ms, Kibana 샘플 데이터 6887ms로 측정됨 ㆍ대시보드 성능을 평가하기 위하여 Gitlab 코드뷰와 Load Time을 비교함 - *Gitlab 코드뷰의 Load Time 1004ms, 대시보드 652ms로 측정됨
4ASSET_0009004교통정보 추출 소프트웨어데이터의 연계기술은 돌발상황으로 인한 특정 데이터 수집원의 비반복적 교통정보 단절 시 도로 시스템 피해 기간 및 규모의 최소화를 위해서도 필수적인 요소이다. VDS를 통해서 수집되는 텍스트 정보와 CCTV의 영상정보는 서로 다른 형태로 이루어져 데이터의 통합이 어려운 상황이며 현재 VDS, RSE, CCTV, Radar, Ridar 그리고 개별 차량에서 수집되는 데이터를 모을 수 있는 환경이 구축되어 있지 않다. 이러한 한계를 극복하기 위해 다양한 수집원의 데이터를 연계하여 교통정보 수집 인프라가 부족한 구간의 교통정보를 생성하는 기술이 필요하다.미가공 수집 데이터에서 검지 센서별 객체 데이터를 추출하고, 추출 결과를 파일로 저장한다.- 데이터베이스 쿼리 기능- 미가공 수집 데이터에서 검지 센서별 객체 진입 진출 정보 추출 기능- 추출 데이터 CSV 저장 기능- 수집 데이터 중 오류 데이터 제외 기능- 추출 진행 로그 파일 저장 기능1325164010하나텍시스템교통정보 추출 소프트웨어2022-01-012022-10-19ㆍ데이터의 연계기술은 돌발상황으로 인한 특정 데이터 수집원의 비반복적 교통정보 단절 시 도로 시스템 피해 기간 및 규모의 최소화를 위해서도 필수적인 요소임ㆍVDS를 통해서 수집되는 텍스트 정보와 CCTV의 영상정보는 서로 다른 형태로 이루어져 데이터의 통합이 어려운 상황이며 현재 VDS, RSE, CCTV, Radar, Ridar 그리고 개별 차량에서 수집되는 데이터를 모을 수 있는 환경이 구축되어 있지 않음ㆍ이러한 한계를 극복하기 위해 다양한 수집원의 데이터를 연계하여 교통정보 수집 인프라가 부족한 구간의 교통정보를 생성하는 기술이 필요함ㆍ미가공 수집 데이터에서 검지 센서별 객체 데이터를 추출하고, 추출 결과를 파일로 저장함 - 데이터베이스 쿼리 기능 - 미가공 수집 데이터에서 검지 센서별 객체 진입 진출 정보 추출 기능 - 추출 데이터 CSV 저장 기능 - 수집 데이터 중 오류 데이터 제외 기능 - 추출 진행 로그 파일 저장 기능[참고 그림 : 연구내용]ㆍ교통정보 추출 소프트웨어는 다종 교통정보 수집 소프트웨어를 통해 수집된 검지 센서별 미가공 교통정보 데이터에서 구간별 차량 데이터를 추출하여 구간 내 진입 진출 객체 정보를 생성함ㆍ각기 다른 항목으로 데이터베이스에 저장되어 있는 각 센서별 교통정보 데이터는 스캔 시점의 전체 검지 차량 데이터로 구성되어 있으며, 중복된 차량 데이터에서 차량 ID의 생성 소멸 시각을 구분해 미시교통정보생성에 필요한 차량 ID별 진입, 진출 시각을 추출함ㆍ데이터의 신뢰성을 위해 센서 오검지 또는 통신 오류로 인한 진입 진출 비매칭 차량 데이터의 제외 처리, 항목별 유효 데이터 필터링 등의 기능을 내장하고 있음ㆍ또한, 대량의 데이터 처리에 소요되는 시간을 최소화하기 위해 일 데이터를 시간별로 분리하여 병렬 처리 하며, 추출한 차량 정보는 확인이 용이한 CSV 형태로 제공됨교통정보 음영구간 정보 생성을 위한 다종 교통정보 수집장치 개발 및 데이터베이스 구축ㆍ다양한 데이터 수집 가능한 DB 구축ㆍVDS, RSE, 차량 내 수집 정보 및 CCTV, Radar, Lidar를 통해 추출된 미시 교통정보 데이터가 저장될 수 있는 환경 구축ㆍ정부 해외시장 진출 지원사업 및 해외지역 전문가 양성과정을 통한 해외시장 진출ㆍ알리바바, 타오바오, 위쳇 등 온라인 플랫폼 및 클라우드펀딩을 통한 해외시장 진출ㆍ영국 및 중미지역 FTA 전문가 양성과정을 통한 해외시장 진출ㆍ글로벌 도로 인프라분야는 향후 약 20여년 간 지속적으로 연평균 1.8% 가량 증가할 것으로 전망됨ㆍ전 세계 차량 통신 인프라 시장 규모는 연평균 35.2% 성장하여 2025년에는 약 158억 달러에 이를 것으로 전망됨[참고 그림 : 글로벌 시장 규모]ㆍ다종 교통정보 수집장치는 다양한 교통정보 수집장치(CCTV, Radar, LiDAR, VDS, 기타 등)로부터 교통 정보를 수집함ㆍ수집된 교통정보 데이터는 다종 교통정보 수집장치의 내부 DB에 저장할 수 있음ㆍ수집된 교통정보는 아래 상황과 같은 비정상 교통 데이터를 구분할 수 있어야 함 - 교통량은 존재하는데 속도 혹은 점유율이 존재하지 않는 경우 - 속도 혹은 점유율이 존재하는데 교통량이 존재하지 않는 경우 - 교통량 속도 점유율이 한계치를 벗어나는 경우ㆍ다종 교통정보 수집장치의 정상 동작 여부를 판단함 - 교통정보 수집장치로부터 주기적인 교통정보 수집 및 Heartbeat 정보 송 수신 - 일정 시간 이상 해당 정보 미수신시 장비 이상 동작 판단ㆍ다종 교통정보 수집장치의 교통정보 DB는 아래와 같이 구성됨 - 교통정보 수집장치 종류 - 교통정보 수집 시간 - 교통정보 내용 (차로, 교통량, 속도 등)ㆍ다종 교통정보 수집장치의 교통정보 수집장치 DB는 아래와 같이 구성됨 - 교통정보 수집장치 종류 - 교통정보 수집 주기 - 교통정보 수집장치 동작 상태 - 교통정보 수집장치 통신 단절 이력ㆍ사용 기종 : IBM-PC 호환기종ㆍ사용 OS : Windows 7, Windows 8, Windows 10ㆍ사용 언어 : C++ㆍ규모 : 3,211,264 Byteㆍ다종교통정보 수집장치와 CCTV Radar LiDAR 교통정보 수집장치와 통신 연결ㆍ다종교통정보 수집장치 수집 프로그램에서 각 교통정보 수집장치로부터 교통 정보 수집ㆍ수집된 교통정보를 DB에 저장[참고 그림 : 시험환경]ㆍ다종교통정보 수집장치가 교통정보를 수집하는 센서 종류 확인ㆍCCTV RaDAR LiDAR 교통정보 수집센서로부터 교통 정보를 수신하는지 확인ㆍ수집한 교통정보가 각 센서별 DB에 정상적으로 저장되는지 확인
5ASSET_0009003다종 교통정보 수집 소프트웨어자율협력주행 환경에서 시스템을 효율적으로 운영 및 관리하기 위해서는 도심에서의 교통혼잡, 돌발상황 등이 발생할 때에 교통 흐름을 실시간으로 관리하는 시스템이 필요하다. 실시간 교통 제어시스템의 구현에는 교통정보 수집 인프라가 설치되어있지 않은 구간에서도 상시로 상세한 수준의 정보 수집이 요구된다. 다종 교통정보 수집 소프트웨어는 검지 센서별 미가공 수집 데이터를 저장하고, 환경 및 함체 정보를 관리한다.- CCTV RaDAR LiDAR 차량 VDS의 차량 검지 정보를 수신하고, 데이터베이스화 하는 기능- 검지 센서 데이터 수집 오류 발생 시 검지 센서 전원 관리를 통한 수집 재개 기능- 기 구축 장비 데이터 수집을 위한 네트워크 패킷 캡쳐 기능- 원시 통신 데이터 및 운영 로그 파일 저장 기능- 다종 교통정보 수집장치 리소스 상태 모니터링 기능- 환경감시장치 통신 제어 및 상태정보 표출 기능- 전원원격제어장치 통신 제어 및 상태정보 표출 기능1325164010하나텍시스템다종 교통정보 수집 소프트웨어2022-01-012022-10-19ㆍ자율협력주행 환경에서 시스템을 효율적으로 운영 및 관리하기 위해서는 도심에서의 교통혼잡, 돌발상황 등이 발생할 때에 교통 흐름을 실시간으로 관리하는 시스템이 필요함ㆍ실시간 교통 제어시스템의 구현에는 교통정보 수집 인프라가 설치되어있지 않은 구간에서도 상시로 상세한 수준의 정보 수집이 요구됨ㆍ다종 교통정보 수집 소프트웨어는 검지 센서별 미가공 수집 데이터를 저장하고, 환경 및 함체 정보를 관리함 - CCTV RaDAR LiDAR 차량 VDS의 차량 검지 정보를 수신하고, 데이터베이스화 하는 기능 - 검지 센서 데이터 수집 오류 발생 시 검지 센서 전원 관리를 통한 수집 재개 기능 - 기 구축 장비 데이터 수집을 위한 네트워크 패킷 캡쳐 기능 - 원시 통신 데이터 및 운영 로그 파일 저장 기능 - 다종 교통정보 수집장치 리소스 상태 모니터링 기능 - 환경감시장치 통신 제어 및 상태정보 표출 기능 - 전원원격제어장치 통신 제어 및 상태정보 표출 기능[참고 그림 : 다종 교통정보 수집장치 SW 블록 다이어그램]ㆍ다종 교통정보 수집 소프트웨어는 CCTV, RaDAR, LiDAR, 차량 정보, VDS 등의 다종 검지 센서에서 수신하는 가공되지 않은 교통정보 데이터를 동시에 수집하고, 수집 데이터를 데이터베이스화 해서 미시교통정보생성을 위한 학습 데이터로 제공함ㆍ이 기종 검지 센서에서 각기 다른 프로토콜로 수신되는 교통정보 데이터를 분석해서 항목별 데이터베이스에 저장하며, 현장 상황에 따라 차량 통행이 많은 지점의 미가공 교통정보 데이터의 양이 많을것을 고려하여 각 센서별, 날짜별 데이터베이스로 관리되고, 현재 처리 가능한 센서 외 새로운 타입 검지 센서의 교통정보 데이터를 처리하기 위한 데이터 처리 모듈을 포함하고 있음ㆍ또한, 검지 센서의 오류로 데이터 수집이 단절되는 시간을 최소화하기 위해 교통정보 데이터 미수신 시 전원원격제어장치 통신 제어를 이용한 오류 검지 센서의 전원 리셋 기능이 내장되어 있으며, 환경감시모듈과 통신 제어를 통해 함체 내부 온도 정보에 따른 팬, 히터를 동작 제어하여, 환경 관리를 통한 원활한 교통정보 수집이 가능하게 함교통정보 음영구간 정보 생성을 위한 다종 교통정보 수집장치 개발 및 데이터베이스 구축ㆍ다종 교통정보 수집장치 개발ㆍ다양한 데이터 수집 가능한 DB 구축ㆍVDS, RSE, 차량 내 수집 정보 및 CCTV, Radar, Lidar를 통해 추출된 미시 교통정보 데이터가 저장될 수 있는 환경 구축센서 데이터 기반 객체(차량, 보행자) 인식율, 속도, 거리ㆍCCTV : 93%이상, 15frame sec이상, 80m이상ㆍRaDAR : 93%이상, 15frame sec이상, 80m이상ㆍLiDAR : 93%이상, 15frame sec이상, 80m이상ㆍ정부 해외시장 진출 지원사업 및 해외지역 전문가 양성과정을 통한 해외시장 진출ㆍ알리바바, 타오바오, 위쳇 등 온라인 플랫폼 및 클라우드펀딩을 통한 해외시장 진출ㆍ영국 및 중미지역 FTA 전문가 양성과정을 통한 해외시장 진출ㆍ글로벌 도로 인프라분야는 향후 약 20여년 간 지속적으로 연평균 1.8% 가량 증가할 것으로 전망됨ㆍ전 세계 차량 통신 인프라 시장 규모는 연평균 35.2% 성장하여 2025년에는 약 158억 달러에 이를 것으로 전망됨[참고 그림 : 글로벌 시장 규모]다종 교통정보 수집장치는 교통정보 수집장치로부터 아래의 정보를 수집함ㆍ개별 교통 정보 (차로별 차량 통과 시각, 통과 차량 속도, 통과 점유율 등) ㆍ주기 교통 정보 (차로별 통과 교통량, 통과 평균 속도, 통과 평균 점유율 등)ㆍ돌발 상황 발생 정보 등ㆍ교통정보 수집장치 상태 정보 (장치 정상 동작 여부 등)ㆍHeartbeatㆍ정보 처리 정상 여부 응답 (ACK NAK)ㆍ교통정보 수집 시작 종료ㆍ소프트웨어 버전 정보ㆍClient Mode로 동작하여 Server로 정상 접속되어 동작 중이다가, Server와의 통신 연결이 해제되는 경우, 다시 Server로 접속을 시도함ㆍServer Mode로 동작하여 Client와 정상 접속되어 동작 중이다가, Client와 통신 연결이 해제되는 경우, Client의 접속 시도가 가능하게끔 접속 대기 모드로 변경됨 - 장시간 송 수신 데이터가 발생하지 않을 경우를 대비하여, Heartbeat 메시지를 주기적으로 송 수신할 수 있음ㆍ사용 기종 : IBM-PC 호환기종ㆍ사용 OS : Windows 7, Windows 8, Windows 10ㆍ사용 언어 : C++ㆍ규모 : 8,434,688 Byteㆍ다종교통정보 수집장치와 CCTV Radar LiDAR 교통정보 수집장치와 통신 연결ㆍ다종교통정보 수집장치 수집 프로그램에서 각 교통정보 수집장치로부터 교통 정보 수집ㆍ수집된 교통정보를 DB에 저장[참고 그림 : 시험환경]ㆍ다종교통정보 수집장치가 교통정보를 수집하는 센서 종류 확인ㆍCCTV RaDAR LiDAR 교통정보 수집센서로부터 교통 정보를 수신하는지 확인ㆍ수집한 교통정보가 각 센서별 DB에 정상적으로 저장되는지 확인
6ASSET_0009001군집주행 중 전방의 비상 정지 차량 회피 프로그램- 자율주행 트럭 군집주행 중 발생할 수 있는 위험상황 대처 기술1. 트럭 4대의 자율주행 인지 판단 제어 기술 2. Path Planning : Global path, Local path 기반의 차량 Path 추종 기술 3. Autonomous Driving Vehicles Control: 종 방향 제어, 횡 방향 제어 기술 포함 4. Stable Line Maintenance of Platooning: 안정적인 대열을 이루는 컨트롤러 기술 포함5. Configure Truck Dynamics: Truck Dynamics에 따른 제어 기술 포함 6. Truck Platooning Driving Speed: 차량 제어 속도 기술 포함 7. Inter-spacing during Truck Platooning: 차간 거리 제어 기술 포함8. Edge Case에 대처할 수 있는 안전 제어 기술 포함1711159782충북대학교 산학협력단군집주행 중 전방의 비상 정지 차량 회피 프로그램2022-01-262022-08-30자율주행 트럭 군집주행 중 발생할 수 있는 위험상황 대처 기술ㆍ트럭 4대의 자율주행 인지 판단 제어 기술 ㆍPath Planning : Global path, Local path 기반의 차량 Path 추종 기술 ㆍAutonomous Driving Vehicles Control: 종 방향 제어, 횡 방향 제어 기술 포함 ㆍStable Line Maintenance of Platooning: 안정적인 대열을 이루는 컨트롤러 기술 포함ㆍConfigure Truck Dynamics: Truck Dynamics에 따른 제어 기술 포함 ㆍTruck Platooning Driving Speed: 차량 제어 속도 기술 포함 ㆍInter-spacing during Truck Platooning: 차간 거리 제어 기술 포함ㆍEdge Case에 대처할 수 있는 안전 제어 기술 포함[참고 그림 : fdgdfgfg][참고 그림 : xcvcvxc]ㆍ4대 트럭의 차량 제어 기술 경쟁력 보유ㆍ4대 트럭 차량 최대 제어 속도: 80km hㆍ4대 트럭 차량 차간 유지 거리: 4m~11mㆍ4대 트럭 차량이 Edge Case(자율주행 중 발생할 수 있는 위험 상황)에서 대처할 수 있는 안전 제어 기술 : 선행 차량의 급정지에 따른 차선 변경 시스템ㆍ다음과 같이 트럭 Velocity, inter-spacing, vehicle control error, 위험 상황 대처에 경쟁력을 갖고있음ㆍ정량적 개발목표: 자율주행 트럭 군집주행 중 전방의 비상 정지 차량 회피ㆍ주요 성능목표: - Truck Platooning Driving Speed Results: 그림1 참조 - 전방의 차량 인식 - 전방의 차량 속도 계산 - 전방의 차량과의 차간 간격 계산 - 군집주행 트럭 충돌 감지 - 차선 변경ㆍ자율주행 트럭 군집주행 기술 요구자ㆍMorai 시뮬레이터 구동ㆍ인지 - 전방의 차량을 인지하는 카메라기반 인식 프로그램ㆍ판단 - 주행 경로인 Global path를 Mapping 후 Local path의 경로 기반 주행 계획ㆍ제어 - 현재 차량의 Local path를 저장 및 출력 - 차량의 위치, 자세, 속도를 출력하는 Planner 형태 - 차량의 Planner로부터 지정한 속도, 차간 거리를 유지하고자 원하는 값을 입력하고, 이를 제어하는 Control 형태 - 전방의 차량을 인식하고, 차량 속도를 계산 후 차간 간격을 설정하는 형태 - 전방의 차량이 비상 정지시 차량 회피(차선 변경) 수행ㆍIBM-PC 호환기종ㆍ사용 OS: Ubuntuㆍ사용 언어: C, C++, Pythonㆍ구동 프로그램: MORAI 시뮬레이터ㆍ규모 바이트: 6216787ㆍ창작자: 박근남ㆍLocation: Korea K-city mapㆍVehicle: Hyundai P540 Truck(Simulation)ㆍSimulator: MORAIㆍTruck Platooning Driving Velocity testㆍInter-spacing during Truck Platooning testㆍError for truck platooning section testㆍ인지 - 시뮬레이터로부터 전송되는 메시지들의 출력들을 바탕으로 센서와 연동 - 연동 센서 V2X, GPS를 실행ㆍ판단 - Global path : 전체 주행 경로를 포함한 데이터를 송출하여 주행 경로인 Global path를 Mapping - Local path: 현재 트럭의 위치 경로를 포함한 데이터를 전송하여 주행 중인 Global path와 Mappingㆍ제어 : launch - Platoon_odom_ = 현재 차량의 Local path를 저장 및 출력 - Platoon_controller = 차량의 위치, 자세, 속도를 출력하는 Planner 형태 - Platoon_Taget_vehcle = 차량의 Planner로부터 지정한 속도, 차간 거리를 유지하고자 원하는 값을 입력하고, 이를 제어하는 Control 형태
7ASSET_0008999편광카메라에서 angle of polarization viewer(앵글 오프 폴라리제이션 뷰어)의 변화 방법편광카메라는 물체마다 빛이 반사하는 정도가 다름에 있어 그 다름을 측정하여 어떠한 물체인지 확인하는 용도로 많이 사용된다. 특히 이러한 특징은 악천후시 도로에 물기에 의한 반사에서도 응용 될 수 있다. 악천 후에 차선이 보이지 않는 경우 편광카메라에서 반사되는 빛이 각각다른 점을 이용하여 차선을 더 쉽게 찾아 낼 수 있다. 이렇게 쉽게 찾아볼 수 있도록 편광정보 중 하나인 브루스터 각을 찾고 그 각표현을 자세하게 해 줄수 있는 프로그램이다.1711159782충북대학교 산학협력단편광카메라에서 angle of polarization viewer(앵글오브폴라리제이션 뷰어)의 변화 방법2022-09-012022-09-22ㆍ편광카메라는 물체마다 빛이 반사하는 정도가 다름에 있어 그 다름을 측정하여 어떠한 물체인지 확인하는 용도로 많이 사용됨ㆍ특히 이러한 특징은 악천후시 도로에 물기에 의한 반사에서도 응용 될 수 있다. 악천 후에 차선이 보이지 않는 경우 편광카메라에서 반사되는 빛이 각각다른 점을 이용하여 차선을 더 쉽게 찾아 낼 수 있음ㆍ이렇게 쉽게 찾아볼 수 있도록 편광정보 중 하나인 브루스터 각을 찾고 그 각표현을 자세하게 해 줄수 있는 프로그램임[참고 그림 : 편광정보]ㆍ일반적으로 차선 인식을 사용할 때 기본 카메라를 사용함ㆍ이러한 경우 일반적인 도로 주행이나 차량인식일 때는 문제가 생기지 않지만 악천후시 빛반사로 인해 카메라의 인지 능력이 많이 하락하는 경우가 생기게 됨ㆍ이러한 경우 편광카메라를 사용하게 되면 빛반사를 많이 완하 시킬 수 있고 일반적인 상황에서도 쓰일 수 있기 때문에 여러가지 자율주행 측면에서는 일반 카메라보다 편광 카메라가 경쟁력이 더 높을 수 있음ㆍ편광카메라에서 뽑을 수 있는 편광정보에서 물질의 빛반사 정도를 가장 완화 시켜줄 수 있는 브루스터각 즉 angle of polarization의 정보를 뽑아 조금더 가시화를 쉽게 할 수 있도록 하는것이 목표임ㆍ이렇게 가시화가 잘 되어 있을 경우 컴퓨터가 차선이나 객체를 인식하는 특징들이 많아져 인식률이 높아지고 인식율이 높아짐에 따라 정확하게 물체를 인식하고 차선을 인식하여 더 정밀한 자율주행 자동차를 만들 수 있도록 좋은 이미지를 만드는 것이 목표임ㆍ바쁘게 살아가는 현대인들에게 차는 거의 필수품이다. 또한 미래에 로봇 시장에서 로봇이 유리를 인식하거나 거울을 인식하는것은 매우 큰 도전과제임ㆍ그래서 이 기술은 자동차 시장과 로봇 시장에서 굉장히 큰 이슈를 가지고 올 것이다. 이 기술을 통해서 악천후나 유리와 거울을 판별하는 것으로 인해 기계의 오작동 확률을 낮춰주며 기계가 원하는 목표를 원활하게 해 줄 수 있음으로 이 두 시장에서 굉장히 큰 경쟁력이 있을 것임ㆍ편광카메라에서 유용한 편광정보중 하나인 브루스터각을 인간이 더 쉽게 인지 할 수 있도록 가시화 하는것이고 인간이 더 쉽게 이해할 수 있다는 것은 특징이 더 많이 생겼다는 뜻ㆍ이러한 기술은 컴퓨터의 네트워크에서도 매우 강력한 특징이 될것이고 높은 정확도를 나타낼 것임ㆍ브루스터 각 0~180도를 편광카메라의 정보를 통하여 구해내고 얻은 정보를 빨강색과 파란색의 반원 으로 표현함ㆍ0도와 180도 근처는 명도를 올려 검은색에 가까운 정보를 얻어내어 노이즈를 줄여 정보를 얻음ㆍ리눅스 우분투 환경에서 파이썬을 사용했음ㆍ하드웨어는 제약의 경우 gtx 1080 이상의 그래픽카드가 필요함ㆍ일반적인 명암도로 브루스터각을 표현하는 방법과 기존에 많이 사용되었던 hsv색상으로 표현하는 브루스터각과 비교하여 우리가 제시하는 브루스터각의 가시화는 네트워크에서 앞선 두가지 방식보다 높은 정확도를 나타내는지 확인함ㆍ네트워크에서 학습을 통하여 일반적으로 명암도로 브루스터각을 표현하는 방법과 hsv색상으로 표현하는 방법과 우리가 제시하는 브루스터각을 표현하는 방법을 각각의 네트워크로 학습을 시켜서 어느 방식이 더 높은 정확도를 나타내는지 테스트함
8ASSET_0008997정밀도로지도 제작을 위한 센서 데이터 융합 및 지도 제작ㆍ정밀도로지도가 구축되지 않은 지역에서의 정밀도로지도 제작을 위한 기술 - 벡터데이터 생성을 위한 GNSS 센서 기반 데이터 수집 - 점군데이터 생성을 위한 LiDAR 센서 기반 데이터 수집 - 점군데이터를 활용한 지도 세부 도화 (차선, 도로경계, 신호등, 횡단보도 등) - 정밀도로지도 제작을 위한 오픈 상용 소프트웨어 기반 shp 파일 제작 - 시뮬레이션 가상환경 구축을 위한 정밀도로지도 활용 제작 활용 - 정밀도로지도의 정밀도 평가를 위한 시뮬레이션 기반 평가 - 정밀도로지도의 정밀도 평가를 위한 자율주행 시험1711159782충북대학교 산학협력단정밀도로지도 제작을 위한 센서 융합 및 지도 제작2022-01-012022-09-01ㆍ정밀도로지도가 구축되지 않은 지역에서의 정밀도로지도 제작을 위한 기술 - 벡터데이터 생성을 위한 GNSS 센서 기반 데이터 수집 - 점군데이터 생성을 위한 LiDAR 센서 기반 데이터 수집 - 점군데이터를 활용한 지도 세부 도화 (차선, 도로경계, 신호등, 횡단보도 등) - 정밀도로지도 제작을 위한 오픈 상용 소프트웨어 기반 shp 파일 제작 - 시뮬레이션 가상환경 구축을 위한 정밀도로지도 활용 제작 활용 - 정밀도로지도의 정밀도 평가를 위한 시뮬레이션 기반 평가 - 정밀도로지도의 정밀도 평가를 위한 자율주행 시험[참고 그림 : + ]ㆍ정밀도로지도가 구축되지 않은 지역에서의 자율주행을 위한 자체 제작 기술 보유 - GNSS 데이터 활용 벡터데이터 제작 - LiDAR 데이터 활용 점군데이터 활용한 Intensity 변환을 사용하여 세부 도화 기술 - 자율주행 시험 성능평가를 통한 지도 신뢰성 확보ㆍ국토지리정보원 평가 기준을 만족하는 정밀도로지도 제작 - 최소 단위의 Waypoints 확보를 통한 실 요구자 데이터 제공 - 정위치 참조를 위한 평가 기준 만족ㆍ정밀도로지도 제작을 통한 가상 환경 시뮬레이터 구축 - 전국 대학 자체 보유 전용도로의 시뮬레이션 환경 확보 - 실차 및 가상 차량 설치를 통한 시뮬레이터 활용 실험 가능ㆍ전국 대학 유일의 Base Scenario 기반 전용도로 자율주행 성능 확보[참고 그림 : ]ㆍ정량적 개발목표 : C-track 환경에서 자율주행 및 그 인프라를 위한 정밀도로지도 자체 제작 기술ㆍ주요 성능목표 : - 목표한 제어기 성능에 수렴하는 정확도를 갖춘 정밀도로지도 제작 : 이미지 참조 - 정밀도로지도 응용을 통한 주행영역 이외의 세부 도화 : 이미지 참조[참고 그림 : Yaw Rate ][참고 그림 : ]ㆍC-track 자율주행테스트베드 실 수요자주행경로선 취득1차 벡터데이터 생성ㆍ주행경로선 제작ㆍ초기 지도 신뢰성 검증 주행 성능 테스트활용 센서ㆍGNSS INS : Novatel PwrPak7D-E2활용 ToolㆍQGISㆍROS Bag 데이터에서 경 위도 추출라이다 데이터 기반 맵 제작ㆍ활용 센서ㆍ라이다(40채널): Hesai Pandar-40MㆍGNSS INS: Novatel PwrPak7D-E2ㆍ활용 알고리즘ㆍGICPㆍNDT특징점 추출 이미지 생성목적ㆍ벡터맵 제작을 위한 변환ㆍ벡터맵 내 구성요소에 대한 정밀 위치 참조에 활용과정ㆍ미터 단위의 UTM좌표계를 WGS84 좌표로 변환ㆍWGS84 좌표를 기준으로 크기와 이동 변환만을 활용하여 이미지 좌표계로 이동 및 변환식 출력ㆍ대응된 UTM-이미지 좌표계쌍으로 데이터값을 Intensity로 하는 이미지 생성ㆍ이미지에서 차선 도로경계 관련 특징점을 추출특징점 추출 이미지 기반 세부도화 및 구조화 편집목적ㆍ정밀 위치 참조를 위한 세부도화 자료 응용ㆍ주행경로선 이외 신호등 및 차선의 정합을 위한 특징점 추출 이미지의 배경 치환과정ㆍQGIS Tool의 Georeference 기능을 활용한 특징점 추출 이미지의 배경 삽입ㆍ이미지 좌표계로 변환된 좌표를 대입하여 1차 벡터데이터 하위 레이어 추가ㆍ신호등 및 차선 정보 벡터데이터 상 세부도화 및 구조화 편집국토지리정보원 제작 메뉴얼 기반 제작목적ㆍ국내 정밀도로지도 제작 기관인 국토지리정보원의 메뉴얼을 준수ㆍ표준자료 기반으로 다양한 환경에서의 자율주행을 위한 지도 구축과정ㆍ1차 벡터데이터 편집을 통한 세부도화 및 구조화 편집을 거친 최종 Shape 데이터 작성ㆍ신호등 및 차선 정보 종속성 입력ㆍ노드와 링크 종속성 연결을 통한 정밀도로지도 특성 반영ㆍ제작된 지도 기반 C-track PG에서 정위치 주행 및 차선 이탈 여부 검증[참고 그림 : Lidar Map][참고 그림 : ][참고 그림 : QGIS ][참고 그림 : HDMap]ㆍPOSIX PC 기반ㆍ사용 OS: Ubuntuㆍ구동 프로그램 : QGISㆍ창작자: 이원종ㆍ위치 : 충북대학교 융합기술원 C-trackㆍ자율주행 차량 : Niro EV (DE, 2018)ㆍSoftware : QGISㆍ세부도화 자료 응용을 위한 점군데이터 검증ㆍ벡터데이터 생성을 위한 초기 GNSS 데이터 검증ㆍ정밀도 향상을 위한 수동 및 자율주행 기반 데이터 검증[참고 그림 : Map + ]ㆍC-track 정밀도로지도는 GNSS 센서에서 취득한 초기 주행경로 데이터로 주행경로선 벡터데이터를 제작한 후, 점군데이터 기반 특징점 추출 이미지 생성을 통해 벡터데이터의 정밀도, 신뢰도를 높이는 과정으로 제작되었음ㆍ특징점 추출 이미지는 벡터맵 제작을 위해 미터 단위의 UTM 좌표계를 WGS84 좌표 계로 변환하는 과정을 거쳐 WGS84 좌표계 기준을 크기와 이동 변환만을 사용하여 이미지 좌표계로 이 동 및 변환식을 출력함ㆍ이렇게 대응된 UTM-이미지 좌표계쌍 데이터 값을 Intensity로 하는 이미지 생성을 하면 이미지 상의 차선 및 도로 경계 관련 특징점을 추출할 수 있음ㆍ이미지 기반 세부도화 및 구조화 편집 과정으로 주행경로선 이외의 신호등, 횡단보도 및 차선 정합을 위한 세부도화의 자료로 응용이 가능함ㆍ공간정보시스템 프로그램 중 하나인 QGIS를 활용하여 벡터맵의 생성 및 이미지를 배경 도화로 삽입하여 기존 벡터맵의 오차를 수정하는 방식으로 최종 제작되었음ㆍ이렇게 제작된 지도를 Waypoints 방식의 전역도로 모델링을 통해 자율 및 수동 주행을 통한 지도 데이터의 신뢰도 및 정확도를 검증하여 정밀도를 향상시켰음[참고 그림 : ][참고 그림 : ]
9ASSET_0008995AVM 카메라 기반 자율주행 악천후 상황 검출 네트워크ㆍ악천후, 웅덩이 등 여러 상황에서 주차 출차 시 카메라의 주차선 인식을 방해하는 외적요소 검출 ㆍ차량 내에 탑재되어 있는 광각 카메라로부터 얻은 전, 후, 좌, 우 4방향 이미지를 사용하여 검출.ㆍ비, 눈, 안개, 흙탕물 등 카메라의 주차선 인식을 방해하는 요소를 단계별로 검출하여 일정수준 이상의 인식률 저하 시 Fail Safe 여부를 판단.1711159782충북대학교 산학협력단AVM 카메라 기반 자율주행 악천후 상황 검출 네트워크2021-03-192021-10-16ㆍ악천후, 웅덩이 등 여러 상황에서 주차 출차 시 카메라의 주차선 인식을 방해하는 외적요소 검출 ㆍ차량 내에 탑재되어 있는 광각 카메라로부터 얻은 전, 후, 좌, 우 4방향 이미지를 사용하여 검출ㆍ비, 눈, 안개, 흙탕물 등 카메라의 주차선 인식을 방해하는 요소를 단계별로 검출하여 일정수준 이상의 인식률 저하 시 Fail Safe 여부를 판단[참고 그림 : 그림01][참고 그림 : 그림1(Rain)][참고 그림 : 그림1(soil)][참고 그림 : 그림2(night)][참고 그림 : 그림2(Strong Sunlight)]ㆍ아직 자율 주행 카메라 관련하여 악천후로 인한 기능 고장 여부를 판별해주는 시스템 상용화 된 사례가 없음ㆍ자율주행 차량의 주행 및 주차 관련하여 주요한 부분인 카메라 인식 부분에서의 방해를 줄 수 있는 외적 요소의 검출 및 제거를 통해 주행 능력 향상 효과ㆍ상용화 시 주차 뿐만 아니라 실제 자율주행 상황에서 의 카메라의 오염 발생 시 Fail Safe 기능을 작동 시켜 차량의 경고를 하거나 자동으로 카메라 렌즈를 청소하는 등 이외 에도 여러 분야에서 활용 가능성 높음ㆍ자율주행 및 주차를 함에 있어 악천후로 인한 카메라 기능 고장(꺼짐, 비, 눈 , 안개, 조도 차이 등으로 인한 물체 미인식) 발생 시차량 내부 적으로 판단 후 운전자에게 경고를 통해 수동 운전으로의 전환 및 자체적인 시스템 개발로 카메라 렌즈 청소 등을 통해 대처하는 것을 목표ㆍ국내 자율 주행 시장은 20년 1,509억 원에서 2035년 26조 1,794억 원으로 연평균 40.0% 성장할 것으로 전망ㆍ차량용 카메라 시장이 매해 9.25%씩 성장해 2031년 249억8000만달러(약 31조원) 규모로 성장할 것으로 전망ㆍ현재 자율 주행 차량의 인지 부분은 라이다가 주류를 이루지만 라이다를 대체 할 수 있는 카메라 기술에 대한 수요가 상승하고 있음ㆍ그러나 악천후 환경에서 카메라를 통해 인지를 하는 것은 많은 제약이 있기 때문에 해당 제시하는 기술을 통해 악천후 환경에 대한 대처가 가능프로세스ㆍ1. 차량 AVM(광각) 카메라 입력 (전, 후, 좌, 우)ㆍ2. 입력 영상을 총 5개의 Class로 분류(정상, 야간, 오전(섬광 효과), 우천 상황, 진흙)ㆍ3. 학습된 네트워크를 통해 카메라 입력 이미지를 분석하여 Fail, Safe 구분ㆍ4. Fail 이미지 입력될 시 경고네트워크 구성 및 학습ㆍ1. 딥러닝 분류 모델 중 경량화 모델(Efficientent B0) 모델을 기반으로 전체적인 네트워크 구성ㆍ2. GAN을 통한 Data augmentation 기법을 적용하여 야간 및 오전(섬광 효과) 이미지를 생성ㆍ3. 생성된 이미지와(야간, 오전(섬광 효과)), 직접 수집한 이미지(정상, 우천상황, 진흙)를 통해 네트워크 학습ㆍUbuntu 18.04ㆍpython 3.6ㆍpytorch 1.8.1ㆍCUDA 10.2목표치ㆍAccuracy : 80%ㆍFPS : 30결과ㆍAccuracy : 99.06%ㆍFPS : 45ㆍPrecision : 99.3%ㆍRecall : 99.76%ㆍ총 4122 장의 Train 이미지와 435 장의 Test 이미지로 구분하여 최종 테스트 진행ㆍTest 데이터는 Train 데이터와 유사한 환경에서 촬영된 300개 Image 와 다른 환경에서 촬영된 135장의 데이터로 구성
자산코드자산명자산소개설명과제고유번호회사명기술명개발시작일개발종료일기술개요경쟁력개발목표타겟고객및시장세부구성기술개발환경테스트기준테스트방법
2034ASSET_0005589Cryptographic Open API module V1.0ㆍ일반 유저의 개인정보가 들어있는 DB를 이용하는 프로그램들에서 암호화 기능을 제공하여 해킹 및 유출로 인해 유저의 개인정보가 일반 텍스트로 유출되는 것을 방지ㆍ데이터의 전송시 해킹에 의한 데이터 위변조 검증 기능을 제공함ㆍ또한 데이터별 권한설정을 통해 유저가 접근할 수 있는 데이터의 권한을 설정하고, 2차인증(OTP) 기능을 제공하여 더욱 강력한 보안성을 제공함[참고 그림 : 기술개요]1415154231엘에스웨어(주)Cryptographic Open API module V1.02016-12-012019-09-30ㆍ일반 유저의 개인정보가 들어있는 DB를 이용하는 프로그램들에서 암호화 기능을 제공하여 해킹 및 유출로 인해 유저의 개인정보가 일반 텍스트로 유출되는 것을 방지ㆍ데이터의 전송시 해킹에 의한 데이터 위변조 검증 기능을 제공함ㆍ또한 데이터별 권한설정을 통해 유저가 접근할 수 있는 데이터의 권한을 설정하고, 2차인증(OTP) 기능을 제공하여 더욱 강력한 보안성을 제공함[참고 그림 : 기술개요]ㆍ기존 암호 라이브러리들의 보안성 및 사용성을 증가시키기 위해서 새로운 암호 라이브러리의 개발ㆍ특정 알고리즘을 사용하도록 명시하지 않고 암호 서비스를 제공하여 알고리즘 독립성 제공ㆍ어떠한 어플리케이션에서만 동작하는 것이 아닌, 다양한 어플리케이션에서 동작하면서 어플리케이션 독립성 제공ㆍ쉽고 다양하게 암호 모듈을 사용할 수 있도록 암호 모듈 독립성 제공ㆍ암호 알고리즘의 지식의 정도와 상관없이 보안 서비스 제공ㆍ각 보안 서비스들의 모듈화를 통한 분리ㆍ시큐어 코딩 기반의 소스코드 취약점 제거ㆍ보안 4대 서비스의 제공을 목표로 함(데이터 암호화 복호화, 데이터 무결성 검증 기능, 데이터 접근통제 기능, 사용자 인증 기능)ㆍ보안성이 필요한 개발 프로그램에서 해당 보안 모듈을 사용하여, 전체적인 성능 감소율이 10%이내로 측정되는 것을 목표로 함ㆍ보안 모듈이 필요한 모든 개발 프로그램을 타겟으로 함ㆍ개발자의 암호학적 지식의 정도와 상관없이 보안 모듈을 따로 구현하지 않아도 보안성을 증대시킬 수 있음ㆍHigh-level API와 Low-level API 크게 두 종류로 나누어 개발 진행ㆍHigh-level API는 Open API로 Open API 서버를 이용하여 사용자를 인증한 후 암호화 함수들을 사용할 수 있도록 설계됨ㆍLow-level API는 라이브러리 형태로 인터페이스에 의존되지 않고 독립적으로 사용할 수 있게 설계되어 있고, ㆍ기본 자바 라이브러리인 Javax.crpyto부터 상업 자바 라이브러리 또는 JNI(Java Native Interface)를 이용하여 ㆍC++ 라이브러리인 Crypto++역시 사용할 수 있도록 설계 됨ㆍCPU : Intel(R) Core(TM) i7-4770 3.40GHzㆍRAM : 8GBㆍSSD : 256GBㆍVGA : Intel(R) PRO 100 M Desktop AdapterㆍOS : Windows 10 Proㆍ개발언어 : Javaㆍ기존 DB에 저장된 컬럼들의 데이터 값을 암호화하여 저장ㆍ암호화 서비스를 사용하지 않고 DB에 저장 후 읽고 쓰는 속도와 암호화 서비스를 사용하여 DB에 저장 후 읽고 쓰는 속도의 차이를 비교ㆍ성능 목표치인 두 속도의 차이가 10% 이내로 처리되는 것을 목표로 함ㆍJava 프로젝트에서 해당 모듈을 import하여 라이브러리 추가ㆍ대칭 키 암호화 시 데이터를 불러온 후 LS_symm_encrypt_data 함수를 이용하여 해당 데이터를 암호화 하여 DB에 저장ㆍ대칭 키 복호화 시 암호화된 데이터를 불러온 후 LS_symm_decrypt_data 함수를 이용하여 해당 데이터를 복호화
2035ASSET_0005588Anomaly Detection v2.0기존에 수집한 전력(혹은 다른 분야의) 시계열 데이터를 입력하여, 학습한 뒤 데이터를 예측함예측한 데이터와 실시간 데이터를 비교하여, 전력 데이터의 이상징후를 탐지함.±2σ 범위 내에 있으면 정상, 그렇지 않으면 이상징후로 정의함학습에는 충분한 양의 데이터를 필요로 함1415154231엘에스웨어(주)Anomaly Detection v2.02016-12-012019-09-30ㆍ기존에 수집한 전력(혹은 다른 분야의) 시계열 데이터를 입력하여, 학습한 뒤 데이터를 예측함ㆍ예측한 데이터와 실시간 데이터를 비교하여, 전력 데이터의 이상징후를 탐지함ㆍ±2σ 범위 내에 있으면 정상, 그렇지 않으면 이상징후로 정의함ㆍ학습에는 충분한 양의 데이터를 필요로 함[참고 그림 : 시스템구성도][참고 그림 : 대표이미지]ㆍ예측 알고리즘을 딥 러닝 기법을 활용하여, 전통적인 통계적 기법보다 높은 정확도를 보임ㆍ딥 러닝 알고리즘 중에 과거에 많이 사용되던 RNN 기법은 장기 기억에 약점을 보이지만, LSTM 알고리즘을 사용하여 예측률을 높임ㆍ데이터 예측 실험결과 데이터 예측률이 평균 98.84%인데, 데이터 결과의 편차를 줄이는 것을 목표로 함ㆍ오버피팅 문제를 해결하여, 다른 분야의 시계열 데이터 예측도 높은 예측률을 보이는 것을 목표로 함ㆍ전력 이상징후 탐지를 필요로 하는 산업 분야를 타겟으로 하며, 주로 태양광 모듈에 최적화되어 있음ㆍ일반적인 모니터링 시스템의 시장은 포화에 가깝지만, 딥 러닝을 활용하여 데이터를 예측하여 이상징후를 탐지해주는 기능의 도구는 아직 진입벽이 높지 않음ㆍ데이터 전처리 기능 : 누락된 데이터를 보정하는 기능ㆍ데이터 학습 기능 : 시계열 데이터를 시퀀스 단위로 분류하여, 학습에 사용함ㆍLSTM 예측 기능 : Adam Optimizer과 LSTM 알고리즘을 활용한 데이터 예측 기능ㆍ이상징후 탐지 모형 : z-score를 계산하고, 이에 따른 이상징후를 탐지하는 기능ㆍ결과 출력 기능 : 그래프로 표현하고, 엑셀로 출력할 수 있는 기능ㆍCPU : Intel(R) Core(TM) i7-4770 3.40GHzㆍRAM : 8GBㆍSSD : 256GBㆍVGA : Intel(R) PRO 100 M Desktop AdapterㆍOS : Windows 10 Proㆍ개발언어 : Python, Tensorflow, C#+ㆍ입력 데이터의 70%를 학습시키고, 30%를 평가에 활용하여, 데이터 예측의 정확도를 측정함ㆍ예측 데이터가 실제 데이터의 ±2σ 범위 내에 있으면 예측 성공, 그렇지 않으면 예측 실패로 정의함ㆍ2차년도 성능 목표치인 90% 이상을 초과하는 것을 목표로 함ㆍResult 폴더에 데이터가 없음을 확인함ㆍ프로그램 실행 후 불러오기를 클릭하여 InputData.xlsx를 불러옴ㆍrun을 클릭하여, 프로그램을 실행한 후 Result 폴더에서 Result.xlsx 파일의 결과값을 확인함ㆍ반복실험을 통해 평균값을 factor별로 산술함으로써 최종 예측률을 산정함
2036ASSET_0005586막장압 및 뒤채움압 자동산정 소프트웨어 ver.2ㆍ쉴드 TBM 공법에 있어 가장 중요한 것 중 하나인 막장압과 뒷채움압을 자동 산정ㆍ지반정수 입력시 막장압 5개, 뒷채움압 7개 모델을 선택적으로 산정 가능ㆍ산정된 막장압 및 뒷채움압을 설계단계에서 활용 가능ㆍ설계단계에서 막장압 및 뒷채움압을 선택적으로 활용하여 쉴드 TBM 굴착시 안정성에 기여1615010144건국대학교 산학협력단막장압 및 뒤채움압 자동산정 소프트웨어 ver.22017-08-022018-03-16ㆍ쉴드 TBM 공법에 있어 가장 중요한 것 중 하나인 막장압과 뒷채움압을 자동 산정ㆍ지반정수 입력시 막장압 5개, 뒷채움압 7개 모델을 선택적으로 산정 가능ㆍ산정된 막장압 및 뒷채움압을 설계단계에서 활용 가능ㆍ설계단계에서 막장압 및 뒷채움압을 선택적으로 활용하여 쉴드 TBM 굴착시 안정성에 기여[참고 그림 : 개요]ㆍ현재까지 국내에 막장압 및 뒷채움압을 자동으로 산정해주는 프로그램이 없음ㆍ여러가지 모델 중 현장 지반에 적합한 원하는 모델을 선택하여 산정이 가능ㆍ자동산정 후 그래프로 표현하여 비교를 쉽게 하였음ㆍ5가지 막장압 모델(Murayama, A&K, DIN 4085, 일본 지반공학회,ITA)과 7가지의 뒷채움압 모델(Gatti, Wittke, Peila, Mollon, Biosca, C.V, Ramirez)을 여러 지반조건과 하중조건을 고려하여 산정 가능도록 함ㆍ쉴드 TBM 현장 설계하는 엔지니어와 지자체, 정부기관의 관련 연구자가 될 수 있음ㆍ개발된 소프트웨어는 향후 자주 사용될 쉴드 TBM 터널링에 대한 막장압 및 뒷채움압 산정 모델임ㆍ해외에도 진출이 가능본 기술은 다음과 같은 단계로 구성되어있음ㆍ1단계 : 막장구간의 개수와 막장압 5개모델, 뒷채움압 7개모델 중 사용할 모델을 선택ㆍ2단계 : 지반정수와 하중조건을 입력ㆍ3단계 : 입력한 조건들을 통하여 막장압 및 뒷채움압 자동산정, 그래프로 구현 가능시스템 환경 (컴퓨터)ㆍCPU : Intel Core i7-4790Kㆍ메인보드 : [ASUS : Z97I-PLUS] Intel 297 Expressㆍ그래픽 카드 : NVIDIA GeForce GTX 750ㆍRAM : 8GB개발언어 ㆍC++싱가폴 현장 막장압 설계시 Anagnostou&Kovari (1996)와 DIN 4085모델로 산정한 데이터와 비교시ㆍ그래프로 정수값을 산정해야하는 A&K모델을 제외하고서는 오차율 2%미만 달성ㆍ그래프로 정수값을 산정하는 A&K모델은 오차율 4%미만 달성ㆍ원주-강릉 터널 굴착 현장 데이터와 비교시 모든 모델 오차율 5% 미만 달성ㆍ프로그램 실행ㆍ실제 현장 막장압 설계시 사용한 지반정수를 입력ㆍ산정된 막장압 계산값을 실제 설계시 사용한 결과값과의 오차율 비교
2037ASSET_0005585문맥 기반 한국어 대화문 감정 인식 시스템- 개요: 본 기술은 대화문 상에서 발화자의 감정을 인식하는 기술로서, 특정 발화에 대해서 주어진 문맥 정보를 고려하여 감정을 인식하는 기술이다.- 배경 및 필요성: 사용자의 감정을 이해하고 이에 맞추어 대응하는 기술은 인간 수준의 대화형 에이전트 개발의 핵심 기술이다. 특히 감정을 이해함에 있어, 동일한 발화는 주어진 문맥적인 상황에 따라 다양한 감정을 나타낼 수 있기 때문에 문맥 정보를 고려하는 것은 필수 불가결한 문제이다.- 적용분야: 챗봇 시스템1711058746한국과학기술원문맥 기반 한국어 대화문 감정 인식 시스템2017-09-012018-06-10ㆍ개요: 본 기술은 대화문 상에서 발화자의 감정을 인식하는 기술로서, 특정 발화에 대해서 주어진 문맥 정보를 고려하여 감정을 인식하는 기술이다.ㆍ배경 및 필요성: 사용자의 감정을 이해하고 이에 맞추어 대응하는 기술은 인간 수준의 대화형 에이전트 개발의 핵심 기술이다. 특히 감정을 이해함에 있어, 동일한 발화는 주어진 문맥적인 상황에 따라 다양한 감정을 나타낼 수 있기 때문에 문맥 정보를 고려하는 것은 필수 불가결한 문제이다.ㆍ적용분야: 챗봇 시스템[참고 그림 : input][참고 그림 : output][참고 그림 : architecture]ㆍ문맥에 의존하여 감정을 분석하기 때문에, 감정 어휘에 크게 의존하는 기존의 감정 인식기 보다 높은 성능으로 감정 인식이 가능ㆍ다수의 발화자들의 감정을 인식할 수 있음ㆍ감정 인식률 (시스템이 예측한 정답 감정 발화 수 전체 발화 감정 수) 74% 이상ㆍ타겟 고객: 대화형 에이전트를 이용하는 다양한 시스템의 사용자ㆍ시장: 대화형 에이전트 기술이 적용되는 다양한 시스템의 시장 (예시: 스마트 폰, 상담 시스템, AI 스피커 등)ㆍ해당 기술은 대화문의 발화들을 입력으로 취함ㆍ합성곱 신경망 (convolutional neural network) 을 이용하여 주어진 발화에 대한 문맥 독립적인 의미 표현 (감정 분석에 관계된 자질들의 벡터) 을 생성 (인코딩)ㆍ문맥 독립적인 발화 의미 표현과 앞서 전개된 발화문들의 인코딩 정보 (문맥 정보) 를 순환 신경망 (recurrent neural network) 에 함께 적용하여, 문맥 정보를 결합한 문맥 기반 발화 표현을 생성 - 이때 주어진 문맥에 따라 동일한 발화도 다양한 의미 표현으로 전사 될 수 있음ㆍ문맥 정보가 더해진 문맥 기반 발화 표현을 앞먹임 신경망 (feed-forward neural network)에 적용하여 주어진 발화의 감정을 인식 - 이때 분석되는 감정 범주의 종류는 '중립', '기쁨', '슬픔', '두려움', '분노', '혐오', '놀람' 의 7 가지 범주임ㆍ개발 언어: pythonㆍ사용 라이브러리: TensorFlow 1.4, TFLearn (딥러닝 프레임 워크), KOMORAN (한국어 형태소 분석기) ㆍ하드 웨어: Geforce GTX (970 이상) 계열의 GPU ㆍ운영 체제: Windows 8 이상, Ubuntu 14.04 LTS 이상대화문의 각 발화에 대하여 감정 인식률을 측정하여 성능 평가ㆍ감정 인식률 = (시스템이 예측한 정답 감정 발화 수 전체 발화 감정 수) * 100ㆍ평가 기준: 성능 상 감정 인식률 74% 이상테스트 절차ㆍ각 발화에 감정이 주석된 대화문 말뭉치 (복수의 사람들의 발화로 구성된 대화문과 각 발화에 감정 범주가 주석된 데이터) 준비ㆍ시스템에 복수개의 대화문으로 구성된 평가 말뭉치를 입력하여 시스템이 예측한 감정을 획득ㆍ감정 주석 대화문 말뭉치 상의 정답과 시스템이 예측한 감정을 비교하여 감정 인식률을 측정
2038ASSET_0005584조선소 기준계획 수립을 위한 역방향 부하 분석 모듈조선소 중일정계획의 기준일정에 대해 역방향 부하 검증을 통해 수정 대안을 생성하는 프로그램본 프로그램은 조선 생산계획의 중일정 단계에서 생산계획에 대한 부하를 검증하여 부하에 맞는 계획을 자동으로 생성하는 프로그램 기능이다. 본 프로그램이 타겟으로 하는 생산계획 범위는 중일정 계획 중에서도 선행 중일정 단계에 해당한다. 선행 중일정 계획은 PE 블록, 조립 블록의 액티비티 별로 관리하게 되기 때문에 본 프로그램에서는 각 PE 블록, 조립 블록의 액티비티와 릴레이션과 관련된 정보를 호출하여 부하를 검증한다. 호출된 액티비티와 릴레이션에 대해 작업하는 블록의 면적, 갯수, 액티비티의 시수, 설비 등의 부하를 고려하여 지정한 capacity 값을 초과하지 않는지 검증을 자동으로 수행한다. 부하 검증의 경우 중일정 대상에 해당하는 조립 블록, PE 블록의 탑재일을 기준으로 역방향으로 진행되며, 특정 기간에 부하가 초과되는 경우 부하가 초과되지 않을 때까지 액티비티를 지연시켜 지정된 부하에 맞는 일정을 자동으로 생성하게 된다.1415155843서울대학교 산학협력단조선소 기준계획 수립을 위한 역방향 부하 분석 모듈2018-04-012018-06-02조선소 중일정계획의 기준일정에 대해 역방향 부하 검증을 통해 수정 대안을 생성하는 프로그램ㆍ본 프로그램은 조선 생산계획의 중일정 단계에서 생산계획에 대한 부하를 검증하여 부하에 맞는 계획을 자동으로 생성하는 프로그램 기능ㆍ본 프로그램이 타겟으로 하는 생산계획 범위는 중일정 계획 중에서도 선행 중일정 단계에 해당ㆍ선행 중일정 계획은 PE 블록, 조립 블록의 액티비티 별로 관리하게 되기 때문에 본 프로그램에서는 각 PE 블록, 조립 블록의 액티비티와 릴레이션과 관련된 정보를 호출하여 부하를 검증ㆍ호출된 액티비티와 릴레이션에 대해 작업하는 블록의 면적, 갯수, 액티비티의 시수, 설비 등의 부하를 고려하여 지정한 capacity 값을 초과하지 않는지 검증을 자동으로 수행ㆍ부하 검증의 경우 중일정 대상에 해당하는 조립 블록, PE 블록의 탑재일을 기준으로 역방향으로 진행되며, 특정 기간에 부하가 초과되는 경우 부하가 초과되지 않을 때까지 액티비티를 지연시켜 지정된 부하에 맞는 일정을 자동으로 생성하게 됨[참고 그림 : APS.ico]ㆍ기준 조선소 중일정계획은 APS를 통해 수작업으로 수행되어, 시수가 많이 소요되며 정확성이 낮았음ㆍ본 프로그램을 사용하면, 계획 제약조건을 만족하는 최적의 스케쥴링을 수행해 주어 높은 정확도와 빠른 계획수립속도를 달성 할 수 있음ㆍ본 프로그램의 경우 조선소 중일정 계획 단계에서 계획을 수립하는데 필요한 시간과 프로세스를 줄이고자 개발됨ㆍ중일정 계획의 경우 조립 블록과 PE 블록에 대한 액티비티와 릴레이션을 통해 계획을 수립하고, 수립된 계획에 대한 부하 평준화를 반복적으로 수행하여 계획을 완성ㆍ그러나 기존의 조선소에서는 실적에 대한 데이터만을 이용하여 수작업을 통해 이러한 부하 평준화 및 부하 검증 검토를 수행함ㆍ때문에 수작업을 통한 부하검증, 평준화를 수행하기 위해서는 많은 반복 작업이 필요하였음 ㆍ그러나 본 프로그램의 역방향 부하검증 모듈을 사용할 경우 이러한 부하 계획 수립 반복 횟수와 시간을 절감하여 빠르게 계획을 수립할 수 있음ㆍ본 프로그램에서 개발하는 역방향 부하 검증 기능의 개발 목표는 이러한 반복작업을 제거하여 수작업을 통한 계획 수정 대비 30%의 계획 수립 시간을 감소하는 것임ㆍ국내 조선소의 생산계획 수립 부서본 프로그램 기능에서 사용하는 기술을 역방향 시뮬레이션 기술임ㆍ조선 중일정 계획의 경우 블록별 탑재일을 기준으로 역방향으로 스케쥴링을 수행ㆍ그러나 기존의 시뮬레이션 모델의 경우 역방향으로 스케쥴링을 수행하는 계획과는 다르게 정방향 시뮬레이션을 수행하여 왔음ㆍ때문에 계획과 그를 검증하기 위한 시뮬레이션이 서로 다른 방향으로 진행되어 계획과 시뮬레이션의 입력, 출력, 결과가 달라지게 되고 효과적인 검증이 어려웠음ㆍ그러나 본 프로그램에서는 역방향 스케쥴링에 맞도록 부하 검증을 탑재일을 기준으로 역방향으로 시뮬레이션을 수행하여 이러한 입출력 데이터의 불일치와 검증 정확도 향상을 달성함ㆍ윈도우 10ㆍC#ㆍ속도 - 5000여개 액티비티, 5000여개 릴레이션에 대한 계획을 5초 이내의 시간이 검증 완료함ㆍ품질- 수정된 계획 대안에 대해, 전체 수정 기간동안에 원하는 capa 수준에 모두 맞도록 액티비티가 변경됨본 프로그램은 통합 생산 계획 프로그램의 추가기능으로 개발됨ㆍ본 프로그램을 테스트하기 위해서는 통합 생산 계획 프로그램에서 조립 블록 일정 계획에 해당하는 기능을 먼저 수행하여야 함ㆍ조립 블록의 일정 계획을 조회하고 간트차트를 확인한 이후에 해당 프로그램의 테스트를 수행할 수 있음ㆍ조립 블록 일정 계획을 조회한 이후에 역방향 부하검증 기능을 클릭하고 원하는 기준 capa의 수치를 입력함ㆍ이후 수정된 조립 블록의 계획을 확인하고, 수정된 계획에 대해 부하가 어떻게 되는지 기준을 초과 하였는지를 확인함
2039ASSET_0005583조선 선행공정 시뮬레이션을 위한 생산계획 자동 변환 모듈본 프로그램은 조선 생산계획의 중일정 단계에서 생산계획을 시뮬레이션 검증을 하기 전 시뮬레이션을 위한 입력파일을 생성하는 단계에서 사용하는 프로그램이다. 본 프로그램이 타겟으로 하는 생산계획 범위는 중일정 계획 중에서도 선행 중일정 단계에 해당한다. 선행 중일정 계획은 PE 블록, 조립 블록의 액티비티 별로 관리하게 되기 때문에 본 프로그램에서는 각 PE 블록, 조립 블록의 액티비티와 릴레이션과 관련된 정보를 통해 시뮬레이션의 입력 파일을 생성하게 된다. PE 블록과 조립블록의 상하위 트리 구조와 각 블록별 액티비티, 릴레이션 정보를 입력으로 하여 블록과 공정별 시뮬레이션 입력 정보를 생성한다. 생성된 시뮬레이션 입력 파일은 엑셀파일의 형태로 출력된다. 본 프로그램은 기존의 EVA APS 통합 생산계획 프로그램에 추가기능으로 개발되었다. EVA APS 통합 생산계획 프로그램의 중일정 계획 중에서 조립 일정 계획 기능에 해당하는 기능을 사용할 때 본 변환 기능을 사용할 수 있다. 조립 일정 계획 기능에서 각 조립 블록별 일정 계획을 조회하면 블록 별로 액티비티와 릴레이션이 Gantt Chart 상에 표기된다. 이때 로드되어 표기된 액티비티와 릴레이션을 확인하고, 본 기능을 사용하면 화면에 로드 되어 있는 블록의 액티비티와 릴레이션에 대해 시뮬레이션 검증을 위한 입력 파일을 엑셀의 형태로 출력하게 된다.1415155843서울대학교 산학협력단조선 선행공정 시뮬레이션을 위한 생산계획 자동 변환 모듈2017-11-012018-06-15ㆍ본 프로그램은 조선 생산계획의 중일정 단계에서 생산계획을 시뮬레이션 검증을 하기 전 시뮬레이션을 위한 입력파일을 생성하는 단계에서 사용하는 프로그램임ㆍ본 프로그램이 타겟으로 하는 생산계획 범위는 중일정 계획 중에서도 선행 중일정 단계에 해당함ㆍ선행 중일정 계획은 PE 블록, 조립 블록의 액티비티 별로 관리하게 되기 때문에 본 프로그램에서는 각 PE 블록, 조립 블록의 액티비티와 릴레이션과 관련된 정보를 통해 시뮬레이션의 입력 파일을 생성하게됨ㆍPE 블록과 조립블록의 상하위 트리 구조와 각 블록별 액티비티, 릴레이션 정보를 입력으로 하여 블록과 공정별 시뮬레이션 입력 정보를 생성ㆍ생성된 시뮬레이션 입력 파일은 엑셀파일의 형태로 출력된다. 본 프로그램은 기존의 EVA APS 통합 생산계획 프로그램에 추가기능으로 개발됨ㆍEVA APS 통합 생산계획 프로그램의 중일정 계획 중에서 조립 일정 계획 기능에 해당하는 기능을 사용할 때 본 변환 기능을 사용할 수 있음ㆍ조립 일정 계획 기능에서 각 조립 블록별 일정 계획을 조회하면 블록 별로 액티비티와 릴레이션이 Gantt Chart 상에 표기됨ㆍ이때 로드되어 표기된 액티비티와 릴레이션을 확인하고, 본 기능을 사용하면 화면에 로드 되어 있는 블록의 액티비티와 릴레이션에 대해 시뮬레이션 검증을 위한 입력 파일을 엑셀의 형태로 출력하게 됨[참고 그림 : 중일정 계획]ㆍ조선 산업의 경우 타 산업과는 달리 정형화된 공정이 많지 않고, 작업자에 의한 작업의 중요도가 큰 산업임ㆍ또한 조선 산업은 수주형 산업으로써 대량 생산을 하는 일반 제조업과는 달리, 고객과의 계약에 의해 결정된 제품 인도일을 지키는 것이 매우 중요한 제약조건으로 작용함ㆍ따라서 정확한 생산계획은 조선산업의 경쟁력 향상에 있어 필수 불가결한 요소임ㆍ그러나 조선 생산계획은 조선소가 매우 크고 다양한 공정이 있으며, 여러개의 선박이 한꺼번에 지어지는 등 복잡성이 매우 크기 때문에 정확한 생산계획을 수립하는 것이 매우 어려움ㆍ이 때문에 생산계획의 정확성을 검증하기 위해 시뮬레이션 기술을 사용하고 있음ㆍ그러나 시뮬레이션 모델의 경우에도 일반적인 설비 기준의 시뮬레이션 모델은 모델을 생성하거나 시뮬레이션을 위한 입력 정보를 가공하기가 어려움 ㆍ그러나 본 프로그램의 경우에는 제품과 공정을 중심으로 시뮬레이션을 수행하기 때문에 조선업의 상황을 더 잘 반영하여 시뮬레이션을 수행할 수 있으며, 시뮬레이션 입력 정보를 간소화 할 수 있음ㆍ따라서 본 프로그램에서 출력하는 시뮬레이션 입력 정보를 통해 제품과 공정 중심의 계획 검증 시뮬레이션을 수행한다면, 조선 생산계획의 정확도를 개선할 수 있으며 이를 통해 조선 산업의 경쟁력 향상을 이룰 수 있음ㆍ본 변환 프로그램에서 사용한 기능은 조선 중일정 생산계획 액티비티, 릴레이션의 변환을 위한 기능이다. 액티비티와 릴레이션의 갯수가 많기 때문에 많은 양의 데이터를 빠르게 엑셀로 변환하는 것이 중요함ㆍ본 프로그램에서는 약 1년치에 해당하는 중일정 정보를 기준으로 약 5000여개의 액티비티, 5000여개의 릴레이션 정보에 대해 시뮬레이션 입력 파일 변환을 위해 데이터를 로드하고 출력하는데 까지 1~2분여의 시간 안에 처리할 수 있음ㆍ본 프로그램은 중소형 조선소를 위한 통합생산계획 프로그램의 추가기능으로 개발됨ㆍ따라서 본 프로그램의 타겟과 고객은 국내 중소형 조선소의 생산계획 부서이며, 생산계획 부서에서 시뮬레이션에 대한 요청을 다른 기업에 요청할 경우 해당 시뮬레이션 업체도 고객이 될 수 있음ㆍ본 프로그램은 기존은 EVA APS 통합 생산계획 프로그램에 추가 기능 모듈로서 개발된 프로그램임ㆍEVA APS의 경우, 서버-클라이언트 구조로 개발이 되었으며 서버의 경우 DB 정보에 대한 입출력 및 주요 데이터 연산 기능을 수행하고 있음ㆍ클라이언트의 경우 사용자 UI 및 결과 출력 등의 기능을 담당하고 있음ㆍ클라이언트는 크게 처리하는 계획의 단계에 따라 선표 계획, 중일정 계획, 배치 계획의 3가지 모듈로 구성되어 있으며, 각각의 클라이언트 시스템 컴포넌트들은 서버 시스템의 Facade와 연결이 된음ㆍFacade를 통해 연결된 클라이언트의 정보를 통해 DB의 정보 호출, 데이터 연산 등의 작업을 수행하게 됨ㆍ본 프로그램에서 개발한 시뮬레이션 입력 정보 변환 기능은 이 구조들 중에서 중일정계획 모듈의 클라이언트 시스템 단계에 해당하는 모듈이며, 서버 클라이언트로 부터 전달 받은 PE 블록, 조립 블록 등 블록의 상하위 구조 및 액티비티, 릴레이션의 정보를 호출하는 기능, 호출 받은 정보를 통해 시뮬레이션 변환 파일을 생성하는 기능을 수행하고 있음ㆍ시뮬레이션 입력 파일 생성 기능에서 작업한 데이터의 경우 클라이언트 단계에서 출력이 이루어지지만, 다시 DB로 데이터가 돌아가 저장되지는 않음[참고 그림 : 세부기술]ㆍ본 프로그램은 Windows 운영체제에서 실행ㆍC# 언어를 기반으로 개발됨ㆍ본 시뮬레이션 입력 파일 생성 프로그램을 통해 서는 선행공정 시뮬레이션을 위한 입력파일을 빠르게 생성할 수 있음ㆍ기존 조선소에서는 이러한 입력파일 생성 또는 데이터 변환등의 작업을 엑셀파일에 의존하는 경우가 많았음ㆍ그러나, 본 프로그램을 이용하면 통합 생산계획의 프로그램에 추가 기능으로서 조선소 계획 데이터를 엑셀로 따로 빼어내 작업해야하는 절차의 번거로움을 감소시키고, 데이터의 누락, 변경 등의 오차를 줄일 수 있음성능상ㆍ(기존) 엑셀파일 편집을 통한 시뮬레이션 입력 데이터 생성을 하였으며, 작업자의 수작업에 의한 오차 발생ㆍ(개선) 통합 생산계획의 추가 기능으로서 데이터의 누락,변경등의 오차 기존 대비 10% 개선절차상ㆍ(기존) 생산계획 프로그램에서 엑셀파일로 출력한 이후 다시 시뮬레이션 입력 파일을 수작업으로 생성함ㆍ(개선) 생산계획 프로그램에서 버튼 클릭을 통해 바로 시뮬레이션 입력 파일 생성 가능 (엑셀 파일 출력후 편집 프로세스 개선)ㆍ본 프로그램은 웹기반의 TestLink 시스템을 이용하여 테스트 케이스 생성 및 테스트 결과를 적용 조선소와 함께 관리하고 있음ㆍTestLink에 중일정 계획과 관련된 테스트 케이스를 생성하였으며, 각 테스트 케이스를 수행하고 테스트 수행결과를 저장, 레포팅하고 있음ㆍ테스트 케이스의 경우 단위 테스트, 통합 테스트로 나뉘어 작성을 하였으며, 각 테스트 케이스에 어떠한 데이터를 호출하여야 하는지, 어떠한 형태의 출력이 이루어져야 하는지를 정의하고 있음기본적인 시뮬레이션 입력 생성 모듈에 대한 테스트 절차는 아래와 같음ㆍ통합 생산계획 프로그램 APS 를 실행ㆍ대상 중일정 케이스를 선정ㆍ블록 계획 모듈을 호출ㆍ조회된 결과와 Gantt chart를 확인한 이후, 시뮬레이션 입력 파일 생성 버튼을 클릭ㆍ변환된 엑셀파일을 저장할 위치를 선택하고 저장을 클릭ㆍ출력된 결과의 경우, 블록 계획 조회 화면에서 조회된 블록의 갯수와 출력된 시물레이션 입력 파일의 블록 갯수가 동일하여야 하며, 액티비티, 릴레이션의 공기, 버퍼, 시작일, 종료일 정보가 일치하는 것을 확인하면 테스트가 완료됨
2040ASSET_0005582chattering (채터링)- 본 소프트웨어는 감성 인식 사용자 인식 대화 생성 감정TTS 비윤리 인식 등 주요 감정 지능을 통합한 감정 대화 통합 시스템임- 본 소프트웨어를 통하여 감정 대화를 하는 '챗봇'이라는 사용자 경험을 제공하는 동시에 사용자 데이터 및 사용자 피드백 확보 가능- 본 기술은 사용자의 정보 (나이대, 성별) 뿐만 아니라 감정 상태를 파악할 수 있기때문에 인공지능 스피커, 스마트폰, 서비스 로봇과 같이 사용자와 대화하는 인공지능을 필요로하는 모든 소프트웨어에 적용할 수 있는 기술임1711058746(주)아크릴chattering (채터링)2017-09-012018-06-10ㆍ본 소프트웨어는 감성 인식 사용자 인식 대화 생성 감정TTS 비윤리 인식 등 주요 감정 지능을 통합한 감정 대화 통합 시스템임ㆍ본 소프트웨어를 통하여 감정 대화를 하는 '챗봇'이라는 사용자 경험을 제공하는 동시에 사용자 데이터 및 사용자 피드백 확보 가능ㆍ본 기술은 사용자의 정보 (나이대, 성별) 뿐만 아니라 감정 상태를 파악할 수 있기 때문에 인공지능 스피커, 스마트폰, 서비스 로봇과 같이 사용자와 대화하는 인공지능을 필요로하는 모든 소프트웨어에 적용할 수 있는 기술임[참고 그림 : 감정대화통합시스템 기능흐름도_아크릴][참고 그림 : 감정대화통합시스템_이미지1_아크릴][참고 그림 : 감정대화통합시스템_이미지2_아크릴]ㆍ국제 대화 에이전트와 감성 ICT 기술 수준에 비교하여 국내 기술은 경쟁력이 부족함. 단위 과제별 선행 연구 수준에서 머물러 있고 대규모의 조직적 프로그램은 부재한 상태임. 따라서 본 기술 개발을 통해 확보되는 기술은 국가적인 감성 ICT의 통합적 포트폴리오 확보에 기여할 것으로 판단됨ㆍ본 기술의 궁극적 목표는 인간과 유사하게 대화하면서 상대방의 감정을 추론, 판단하여 감성적 대화를 통해 정서적인 공감대를 형성할 수 있는 디지털 동반자용 감성 대화 통합 서비스(챗봇)를 목표로 함ㆍ2020년까지 대화생성 분석 성공률 90%, 대화 생성 학습 성공률 90%, 대화 생성 problem solving 처리율 90%를 목표로 함ㆍ해당 기술은 감성지능 기술은 일반에 공개되어 의료산업분야 및 감성교육, 엔터테인먼트 및 게임, life logging 및 개인 일기 시스템과 같이 다양한 형태의 관련 핵심 기술과 응용기술 및 상용화 기술로 활용 가능ㆍ현재 인공지능 스피커, 서비스 로봇, 상담 시스템, 네비게이션 등 사용자와 대화하는 인공지능 기술을 필요로하는 다양한 분야의 잠재 타겟 고객이 존재하고 있음ㆍ해당 시장의 규모는 정확하게 예측할 수 없으나 인공지능 기술 발전에 발맞추어 이와 유사한 폭으로 수요가 증가할 것으로 예상함ㆍ감정TTS 모듈로부터 사용자에게 답해줄 감정대화 음성 데이터를 input data로 수신ㆍ감정대화 음성 데이터를 출력하면서 이에 맞는 표정 및 입 모양 정보를 제공할 수 있도록 표정 입모양 생성 모듈로부터 input data 수신ㆍ멀티모달 감정분석 모듈에서 사용자 발화의 담긴 감정을 분석할 수 있도록 사용자 대화 영상 정보 및 텍스트 정보를 output data로 송신ㆍ멀티모달 화자인식 모듈에서 화자 정보를 인식할 수 있도록 영상 정보를 output data로 송신ㆍ주요 기능으로 로그인 로그아웃기능, 서버선택기능, 녹화 및 전송 저장기능, 감성분석 및 분석결과 출력기능, 대화기능이 있음ㆍ기술개요의 참고그림 참고ㆍ해당 기술은 python, node.js, java를 활용하였으며, docker 설치가 되어 있어야 함ㆍ해당 서비스를 사용하기 위해 Android 8.0 이상이 필요함 (Android 8.0 이하는 사용에 제약이 있음)ㆍ본 기술의 성능 테스트는 사용자의 애플리케이션 성능평가를 기준으로 하며, 5.0 만점에서 3.0 이상을 합격기준으로 함ㆍ사용자가 감정 대화 서비스 APP을 접속ㆍ녹화하고자 하는 서버 및 감정을 선택ㆍ전면카메라로 사용자의 표정과 음성을 녹화ㆍ녹화된 영상을 근거로 멀티 모달 감정 화자 분석 및 챗봇의 대답 감정, 표정, 입모양 표현ㆍ사용자의 애플리케이션 성능 평가 및 결과 저장ㆍ미리 개발해둔 소스를 통해 웹에서 report를 다운 받아 사용자의 피드백 결과를 계산할 수 있음
2041ASSET_0005577영상 기반 나이, 성별 및 표정 인식 Image based Age, Gender and Emotion Recognition- 본 기술은 영상을 기반으로 사람의 얼굴을 통해 그 사람의 나이와 성별, 감정을 인식하는 기술이다.- 카메라로써 영상 안에 얼굴이 나타나게 되면, 그 사람의 얼굴을 입력으로 받아 이미지로 변환시키고 변환된 이미지에서의 convolutional neural network(CNN)로써 학습된 데이터들을 통해 나이, 성별, 현재의 감정을 유추 및 인식하고 그것의 확실성이 필요한 경우 표시하여 저장한다.- 영상을 통한 나이, 성별, 감정을 인식함으로써 각 상황에 어울리는 대화를 진행하는 데에 활용할 수 있다.1711058746한국과학기술원영상 기반 나이, 성별 및 표정 인식 Image based Age, Gender and Emotion Recognition2017-09-012018-06-10ㆍ본 기술은 영상을 기반으로 사람의 얼굴을 통해 그 사람의 나이와 성별, 감정을 인식하는 기술임ㆍ카메라로써 영상 안에 얼굴이 나타나게 되면, 그 사람의 얼굴을 입력으로 받아 이미지로 변환시키고 변환된 이미지에서의 convolutional neural network(CNN)로써 학습된 데이터들을 통해 나이, 성별, 현재의 감정을 유추 및 인식하고 그것의 확실성이 필요한 경우 표시하여 저장ㆍ영상을 통한 나이, 성별, 감정을 인식함으로써 각 상황에 어울리는 대화를 진행하는 데에 활용할 수 있음[참고 그림 : 기술개요]ㆍ본 기술은 많은 얼굴 데이터를 수집 및 학습시켜 나이 성별 감정을 인식하는 기술로, 기존에 이를 인식하는 기술들의 경우에는 같은 영상에서 나이, 성별, 감정 중 한 가지만 인식이 가능하였음ㆍ기존 기술에 비해 한 영상으로써 세 가지의 결과를 동 시간대에 도출할 수 있는 기능을 보유함ㆍ기존 기술들의 각각의 정확도는 나이는 64%, 성별은 90.3%, 감정은 63.2%인 것을 비교해 볼 때, 본 기술의 정확도는 나이가 64.2%, 성별은 90.1%, 감정은 72.7%로, 그 수준이 뛰어넘거나, 필적하는 것을 알 수 있음ㆍ기존의 감정분류 기술들에서 분류하는 기준이 softmax loss기법을 통해 구하였으나, 각 사람의 표정 표현이 다양하고 편차가 심한 경우들에 있어서는 알맞지 않기 때문에, 이를 보정하고자 center loss 기법을 처음으로 도입하여 구하였음ㆍ얼굴 인식과 관련한 기반 기술 및 표정 나이 성별 인식 기술을 개발하는 것에 목표ㆍ다양한 시나리오에 실시간에 이용이 가능하고자 하도록 시간 복잡도와 연산 복잡도의 최적화를 목표ㆍ본 기술은 B2C 대비 B2B에 고객이 많을 것으로 예상됨ㆍB2B의 대표적인 고객으로는 AI 스피커나 상담원으로써 그 사람의 나이, 성별, 감정에 따라서 응답의 상황을 변경시켜서 적용시킬 수 있는 서비스에 적용이 가능함ㆍ데이터의 종류에 맞춰 변경시킴으로써 다른 나라등에 있어서도 적용을 넓힐 수 있을 것으로 기대함ㆍ카메라를 통해 받은 얼굴의 이미지를 입력으로 받음ㆍ얼굴 인식의 딥 네트워크로 알려진 FaceNet을 중심으로 구성이 되었음ㆍsoftmax layer을 이용한 네트워크를 학습하는 모델의 문제점을 해결하고자, ranking loss를 이용하여 embedding space내에서 정보를 표현하는 방법을 제안함ㆍTransfer learning 방법을 적용하여 얼굴 인식에 사용되는 네트워크를 활용함ㆍ데이터 셋에서의 intra-class variation과 inter-calss similarity를 줄이기 위한 center loss function을 사용함ㆍ성별의 경우 퍼센트를 확인하며, 남녀로 구성되어있음ㆍ나이의 경우 10대에서 50대까지로 구성이 되어있고, 한자리 수까지 표현하여 예측을 함ㆍ감정의 경우 중립 기쁨 분노 역겨움 슬픔 무서움 놀람으로 7가지 감정으로 분류하여 예측함ㆍ본 기술은 Python 언어로써 neural network표현으로 자주 쓰이는 tensorflow를 활용하였으며, tensorflow가 작동이 되도록 하기 위해서 numpy, keras, opencv 등의 python library가 필요하고, GPU로 작동시키도록 하는 Graphic Driver, CUDA 의 설치가 되어야 함ㆍ모델 학습을 위해서는 GPU가 필수적이며, GPU가 없는 경우 그 속도가 현저히 차이가 남ㆍ해당 파일의 규모는 약 149942 byte임ㆍ본 기술의 테스트는 평가를 할 데이터 셋을 훈련 이전에 미리 지정하여 두고, 훈련 시킨 이후에 맞추는 것을 토대로써 정확도를 측정ㆍ특별히 세 가지의 경우들의 정확도 수준이 다르기 때문에, 각각의 정확도의 차이를 두고 평가를 하며, 각각을 평가하여 만들어진 기준을 토대로 비교 및 평가ㆍ나이 성별의 경우 Adience 데이터 셋에서 공식적으로 제공하는 5-fold를 통해 leave-one-oput cross validation을 수행ㆍ감정의 경우 Fer2013 Challenge 데이터 셋 중 테스트 셋을 cross validation하여 평가 성능을 측정ㆍ각각은 이후에 실제적인 공인 평가된 것이나, 실험적으로 찍고 나서의 정확도를 측정하는 방식으로 사용됨
2042ASSET_0005570챗봇에서 사용하기 위한 영상 및 음성 기반 화자 인식 프로그램이 기술은 인간과 유사하게 대화하면서 상대방의 감정을 추론, 판단하여 감성적 대화를 통해 정서적인 공감대를 형성할 수 있는 자율지능 디지털 동반자용 감성지능, 즉 챗봇을 개발하면서 챗봇이 대화 상대의 신원을 파악하여 더 적합한 대응을 하도록 하기 위해 개발되었다. 이 기술은 챗봇이 대화 상대의 신원을 파악하도록 위한 기술이며 영상 및 음성 신호를 모두 이용하는 것이 특징이다. 대표 기능은 대화 상대의 신원을 등록하는 기능과 대화 상대의 신원을 인식하여 결과를 출력하는 기능이다. 챗봇 이외에도 인공지능 분야에서 전반적으로 적용될 수 있는 기술이다.1711058746연세대학교 산학협력단챗봇에서 사용하기 위한 영상 및 음성 기반 화자 인식 프로그램2017-09-012018-06-10ㆍ이 기술은 인간과 유사하게 대화하면서 상대방의 감정을 추론, 판단하여 감성적 대화를 통해 정서적인 공감대를 형성할 수 있는 자율지능 디지털 동반자용 감성지능, 즉 챗봇을 개발하면서 챗봇이 대화 상대의 신원을 파악하여 더 적합한 대응을 하도록 하기 위해 개발됨ㆍ이 기술은 챗봇이 대화 상대의 신원을 파악하도록 위한 기술이며 영상 및 음성 신호를 모두 이용하는 것이 특징ㆍ대표 기능은 대화 상대의 신원을 등록하는 기능과 대화 상대의 신원을 인식하여 결과를 출력하는 기능임ㆍ챗봇 이외에도 인공지능 분야에서 전반적으로 적용될 수 있는 기술임[참고 그림 : 화자인식 UI]ㆍ이 기술은 영상 기반 화자 인식 알고리즘의 결과와 음성 기반 화자 인식 알고리즘의 결과를 결합함으로써 각 알고리즘의 부족한 부분을 서로 보완하여 최종 화자 인식 결과의 정확도를 효과적으로 향상시키는 특징이 있음ㆍ개발 기술과 관련한 국내 외 기술 중에는 현재 영상 기반 화자 인식 알고리즘의 결과와 음성 기반 화자 인식 알고리즘의 결과를 결합한 기술은 파악되지 않고 있음ㆍ따라서 해당 기술이 두 알고리즘의 결과를 결합하여 각 알고리즘의 부족한 부분을 서로 보완하는 것은 매우 큰 장점이라고 볼 수 있음개발한 기술은 SW측면의 품질적인 면에서 정량적 기술개발 목표를 다음과 같이 제시ㆍ무작위 일반인 100명에 대해서 화자를 등록하고 화자 인식 성능을 평가한 결과 화자 인식 정확도 95%를 달성하는 것을 목표ㆍ해당 기술은 스마트폰 어플리케이션 형태로 개발되고 있기 때문에 현재 타겟 고객은 스마트폰 활용도가 높은 20~30대 성인 남녀임ㆍ가망 잠재 미래 타겟 고객은 40~50대 성인 남녀이다. 현재 해당 기술과 직 간접적으로 관련된 국내외 경쟁기업의 기술은 아직 많이 개발되지 않은 상태임ㆍ따라서 아직 시장 규모가 작지만 현재 다양한 기업에서 챗봇을 개발하고 있으므로 향후 시장 규모가 확대될 것으로 전망됨ㆍ개발 기술은 크게 영상 기반 화자 인식 모듈, 음성 기반 화자 인식 모듈, 인식 결과 통합 모듈로 구성됨ㆍ영상 기반 화자 인식 모듈에서는 동영상이 입력되고 입력된 동영상에서 화자를 검출한 뒤 검출한 화자가 누구인지 인식하여 결과로 출력ㆍ음성 기반 화자 인식 모듈에서는 음성이 입력되고 입력된 음성을 누가 말하고 있는지 인식하여 결과로 출력ㆍ인식 결과 통합 모듈에서는 영상 기반 화자 인식 모듈의 결과와 음성 기반 화자 인식 모듈의 결과를 통합하여 화자가 누구인지를 최종적으로 판단하게 됨ㆍ영상 기반 화자 인식 모듈에서는 얼굴 검출 단계식 멀티태스크 합성곱 신경망을 사용하여 얼굴 영역을 검출하고, 앙상블 구조의 합성곱 신경망을 사용하여 추출한 얼굴 특징 벡터를 사용하여 얼굴을 인식함으로써 화자가 누구인지 판단하게 됨ㆍ음성 기반 화자 인식 모듈에서는 입력된 화자 음성에 대해서 Mel-Freqnecy Cepstrum Coefficient(MFCC)를 추출하고, 추출한 MFCC를 특징 벡터 추출 딥뉴럴 네트워크에 입력하여 출력된 특징 벡터는 multi-class Support Vector Machine(SVM) 분류기를 통해 화자가 누구인지 판단하게 됨ㆍ그리고 실험을 통해 각 모듈의 결과를 어떤 비율로 통합할 지 결정하고, 이 비율 값을 인식 결과 통합 모듈에서 사용하게 됨ㆍ기술을 SW로 구현하기 위해 Python 언어를 사용함ㆍ기술 구현에 필요한 하드웨어는 NVIDIA 그래픽카드이고 소프트웨어 환경은 PyCharmㆍ설치해야할 파일 및 라이브러리는 python 3.6, CUDA 8.0, dlib 19.8.1이고 설치해야할 Python 패키지는 tensorflow-gpu 1.4.0, scipy, sklearn, python_speech_features, django, requests임해당 기술을 개발함에 있어 사전에 고려한 기술적 제한사항은 다음과 같음ㆍ먼저 해당 기술은 그래픽카드를 사용하여 연산을 하는데 연산량이 많으므로 동시에 여러 명이 해당 기술로 구동중인 서버에 접속하면 연산 속도가 느려지게 되고 만약의 경우 서버가 멈출 수도 있기 때문에 서버 동시 접속 인원을 1명으로 제한함ㆍ그리고 해당 기술은 화자가 처음 챗봇을 이용하기 시작할 때에만 화자 인식을 하고 그 이후에는 추가적인 화자 인식을 하지 않으므로 중간에 갑작스럽게 화자가 변경될 경우 이에 대한 대응을 할 수 없음ㆍ자체적으로 구축한 테스트용 데이터 셋을 이용하여 무작위 일반인 100명을 먼저 등록하고 난 후, 다시 이 100명을 대상으로 화자 인식 테스트를 진행하여 100명 중 몇 명을 정확하게 인식했는지를 체크하여 화자 인식 정확도를 계산함ㆍ‘블랙 박스 테스트’를 사용ㆍ입력에 올바른 값과 올바르지 않는 값을 넣어서 출력으로 모두 원하는 값이 나오는지 확인ㆍ입력으로 영상, 음성, 화자ID를 넣게 되는데 하나만 값을 넣거나 아니면 하나만 이상한 값을 넣는 식으로 입력할 수 있는 모든 조건에 대해서 테스트를 하여 개발 기술이 제대로 동작하는지 테스트함
2043ASSET_0005568음성 기반 감정 나이 성별 인식 프로그램 Auditory Emotion Age Gender Recognition- 본 소프트웨어는 사용자의 음성 신호를 기반으로 7가지 감정(행복, 슬픔, 공포, 중립, 놀람, 분노, 혐오)을 인식하는 부분과 사용자의 나이대 및 성별을 인식하는 부분으로 나누어져 있음.- 사용자의 음성이 녹음된 음성 파일을 수신하여 감정, 나이대, 성별에 대한 확률 추정값 및 최대 확률값에 해당하는 결과를 보여줌.- 본 기술은 음성 신호만을 기반으로 사용자의 정보 (나이대, 성별) 및 감정 상태를 파악할 수 있기 때문에 인공지능 스피커, 스마트폰, 서비스 로봇과 같이 음성인식을 사용하는 기기를 기반으로 하는 모든 소프트웨어에 적용할 수 있는 기술임.- 특히 챗봇(사용자와 대화하는 인공지능) 서비스에 접목하여 사용자의 감정 상태 및 나이대, 성별에 적절한 대응을 가능하게 할 수 있음.1711058746한국과학기술원음성 기반 감정 나이 성별 인식 프로그램 Auditory Emotion Age Gender Recognition2017-09-012018-06-10ㆍ본 소프트웨어는 사용자의 음성 신호를 기반으로 7가지 감정(행복, 슬픔, 공포, 중립, 놀람, 분노, 혐오)을 인식하는 부분과 사용자의 나이대 및 성별을 인식하는 부분으로 나누어져 있음ㆍ사용자의 음성이 녹음된 음성 파일을 수신하여 감정, 나이대, 성별에 대한 확률 추정값 및 최대 확률값에 해당하는 결과를 보여줌ㆍ본 기술은 음성 신호만을 기반으로 사용자의 정보 (나이대, 성별) 및 감정 상태를 파악할 수 있기 때문에 인공지능 스피커, 스마트폰, 서비스 로봇과 같이 음성인식을 사용하는 기기를 기반으로 하는 모든 소프트웨어에 적용할 수 있는 기술임ㆍ특히 챗봇(사용자와 대화하는 인공지능) 서비스에 접목하여 사용자의 감정 상태 및 나이대, 성별에 적절한 대응을 가능하게 할 수 있음[참고 그림 : Audi]ㆍ현재 음성기반 감정인식에서의 국제적인 수준은 영어 기반으로 4개 감정(중립, 행복, 슬픔, 분노)에 대해 63.2%의 성능을 보이며 이 경우 baseline 성능은 25%임. 본 기술의 경우 현재 7개의 감정에 대해 66% 정도의 성능을 보이므로 baseline 성능은 약 14%이기 때문에 기존 기술에 비해 훨씬 높은 성능을 보인다고 할 수 있음ㆍ한국인의 음성을 기반으로 한 관련 기술 또한 성능이 공개된 바가 없으므로 한국인의 음성을 기반으로 한 관련 기술 중 중 성능이 가장 높은 기술이라고 할 수 있음ㆍ현재까지 관련 기술 국내 특허 2건 출원함ㆍ사람의 음성을 기반으로 감정, 나이대, 성별을 인식하여 그 결과를 보여주는 기능을 하는 소프트웨어 개발을 목표로 함ㆍ2020년 까지 인식 처리속도 2초 이내, 감정 인식률 75%, 나이대 인식률 66%, 성별 인식률 80% 인식 성능을 목표로 함ㆍ해당 기술은 현재 인공지능 스피커, 서비스 로봇, 상담 시스템, 네비게이션 등 다양한 분야의 잠재 타겟 고객이 존재하고 있음ㆍ해당 시장의 규모는 정확하게 예측할 수 없으나 인공지능 기술의 발전에 발맞추어 이와 유사한 폭으로 수요가 증가할 것으로 예상함ㆍ음성 파일 (.mp4)를 입력으로 받음ㆍ음성 파일에서 40 filter mel-spectrogram을 추출함ㆍ해당 mel-spectrogram 데이터를 학습된 모델에 입력으로 넣음ㆍ감정, 성별, 나이대의 추정 확률값을 기반으로 가장 큰 예측 결과를 출력함ㆍ기술개요의 참고그림 중 그림 1의 음성인식 시스템 흐름도 참고ㆍ해당 기술은 Python 언어로 tensorflow 및 keras를 활용하였으며, GPU를 사용 가능하도록 하는 Graphic driver, CUDA 등이 설치가 되어 있어야 함ㆍ모델 학습을 위해선 GPU가 필수적이며, GPU 없이는 학습의 속도가 현저히 차이남. 모델의 학습 및 추론을 위해선 컴퓨팅 서버를 필요로 함ㆍ본 기술의 성능 테스트는 감정, 성별, 나이대의 인식률을 기준으로 하며 현재는 약 10350 개의 음성 데이터를 기반으로 이중 약 80%는 학습에, 10%는 검증에, 10%는 테스트에 활용하여 이중 테스트 데이터의 성능을 기반으로 성능 테스트를 하고 있음ㆍ감정, 나이, 성별 값을 알고 있는 음성 파일을 본 소프트웨어에 입력하면 그 결과로 본 소프트웨어에서 추정한 감정, 나이, 성별 값을 출력함ㆍ실제 값과 추정 값이 맞을 경우 1, 틀릴 경우 0으로 저장함ㆍ이와 같은 방법을 N회 반복하여 아래 식을 이용하여 백분위 인식률을 계산할 수 있음ㆍ(맞춘 개수) N*100