※ 25년 신규 개방되는 데이터로, 데이터 활용성 검토, 이용자 관점의 개선의견 수렴 등을 통해 수정/보완될 수 있으며 최종데이터, 샘플데이터, 산출물 등은 변경될 수 있습니다
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2025-04-16 데이터 개방 Beta Version 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2025-04-16 산출물 전체 공개 소개
암석 및 광물 분류 임무를 수행하기 위한 광학, 가시근적외선, 단파적외선 이미지를 기반으로 폴리곤 세그멘테이션 및 어노테이션 데이터 포함
구축목적
- 자연발생석면 및 비교군 암석/광물에 대한 영상(광학, 가시근적외선(VNIR), 단파적외선(SWIR))과 석면 분포 지질도를 기반으로 초거대 멀티모달(LMM) 학습데이터 구축과 석면탐지 인공지능모델을 개발하는 것을 목적 - 자연발생석면 기원 암석 및 광물과 비교군 암석 및 광물 분류 모델 개발: 1급 발암물질인 석면 광물과 기원암을 석면과 관련 없는 암석 및 광물과 구분하는 모델 개발
-
메타데이터 구조표 데이터 영역 재난안전환경 데이터 유형 이미지 데이터 형식 광학 : jpg, 초분광 : tif 데이터 출처 자체수집 라벨링 유형 객체 분류(Classification), 폴리곤 세그멘테이션 라벨링 형식 JSON 데이터 활용 서비스 자연발생석면(NOA) 및 NOA 함유가능 암석 여부를 신속･정확하게 조사하여 석면 조사 및 자연발생석면 지질도 작성 등에 활용 가능 데이터 구축년도/
데이터 구축량2024년/1,846,860 -
1. 데이터 구축 규모
1. 데이터 구축 규모 구분 데이터 형태 목표 구축 수량 달성율 광학영상 이미지(jpg) 150,000 150,000 100% 라벨링 데이터(json) 150,000 150,000 100% 가시근적외선
초분광영상이미지(tif) 675,000 694,620 102% 라벨링 데이터(json) 675,000 694,620 102% 단파적외선
초분광영상이미지(tif) 975,000 1,002,240 102% 라벨링 데이터(json) 975,000 1,002,240 102% 2. 데이터 분포
2. 데이터 분포-광학 구분 asbestos rock_type rock_type2 rock_type3 구축 수량 비율 광학 자연발생 석면 암석 초염기성암 사문암, 각섬암, 감람암 45,000 30% 변성퇴적암 백운암, 석회규산염암 광물 각섬석계 청석면, 갈석면, 안소필라이트, 액티노라이트, 트레모라이트 15,000 10% 사문석계 백석면 석면관련광물 활석, 각섬석, 질석, 사문석 비교군 암석 화성암류 화강암, 안산암, 현무암, 섬록암, 반려암, 유문암, 사장암 37,500 25% 변성암류 편마암, 편암, 혼펠스, 규암,
점판암, 천매암, 대리암22,500 15% 퇴적암류 셰일, 사암, 역암, 이암, 응회암 15,000 10% 광물 조암광물 석영, 정장석, 사장석, 암염,
방해석, 운모류, 석고15,000 10% 소계 150,000 100% 2. 데이터 분포-가시근적외선 초분광영상 구분 asbestos rock_type rock_type2 rock_type3 구축 수량 비율 가시근적외선
초분광영상자연발생 석면 암석 초염기성암 사문암, 각섬암, 감람암 205,020 30% 변성퇴적암 백운암, 석회규산염암 광물 각섬석계 청석면, 갈석면, 안소필라이트, 액티노라이트, 트레모라이트 70,380 10% 사문석계 백석면 석면관련광물 활석, 각섬석, 질석, 사문석 비교군 암석 화성암류 화강암, 안산암, 현무암, 섬록암, 반려암, 유문암, 사장암 171,360 25% 변성암류 편마암, 편암, 혼펠스, 규암,
점판암, 천매암, 대리암107,100 15% 퇴적암류 셰일, 사암, 역암, 이암, 응회암 70,380 10% 광물 조암광물 석영, 정장석, 사장석, 암염,
방해석, 운모류, 석고70,380 10% 소계 694,620 100% 2. 데이터 분포-단파적외선 초분광영상 구분 asbestos rock_type rock_type2 rock_type3 구축 수량 비율 단파
적외선
초분광영상자연발생 석면 암석 초염기성암 사문암, 각섬암, 감람암 302,400 30% 변성퇴적암 백운암, 석회규산염암 광물 각섬석계 청석면, 갈석면, 안소필라이트, 액티노라이트, 트레모라이트 99,360 10% 사문석계 백석면 석면관련광물 활석, 각섬석, 질석, 사문석 비교군 암석 화성암류 화강암, 안산암, 현무암, 섬록암, 반려암, 유문암, 사장암 250,560 25% 변성암류 편마암, 편암, 혼펠스, 규암,
점판암, 천매암, 대리암151,200 15% 퇴적암류 셰일, 사암, 역암, 이암, 응회암 99,360 10% 광물 조암광물 석영, 정장석, 사장석, 암염,
방해석, 운모류, 석고99,360 10% 소계 1,002,240 100% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 활용 모델
○ 멀티모달 데이터 학습방법
- 한국정보통신기술협회(Telecommunications Technology Association)에서 멀티모달 데이터를 활용한 AI 모델 학습방법과 관련하여 제시하고 있는 4종의 학습방법에 대한 검토를 통해 우선 적용(후보) 학습방법으로 초기결합(Early Fusion) 기법을 선정하였음
- 다만, 초기결합(Early Fusion)과 함께 후기결합(Late Fusion) 방법을 탐색적으로 비교･평가하여 최종 적용기법을 결정할 예정임
- 아울러, 초기결합(Early Fusion)과 후기결합(Late Fusion)이 모두 목표로 하는 품질(정확도 85% 이상)을 달성하기에 적절하지 못할 경우에는 추가적으로 조인트 결합(Joint Fusion) 기법을 검토할 예정임- 다만, 전이학습(Transfer) 기법의 경우 적용 가능한 AI 학습 모델이 제한적인 점을 고려하여 후보 학습방법으로 검토하고 있지 않음
〈 한국정보통신기술협회 제시 멀티모달 데이터 AI 모델 학습 방법 〉〈 한국정보통신기술협회 제시 멀티모달 데이터 AI 모델 학습 방법 〉 초기 결합(Early Fusion) 후기 결합(Late Fusion) 조인트 결합(Joint Fusion) 전이 학습(Transfer) 
각 모달리티 데이터를 하나의 데이터로 먼저 합친 이후 모델에 학습 모달리티별 데이터를 각각 다른 모델에 학습시킨 이후 나온 결과를 융합
(앙상블 모델이 작동하는 방식과 유사)두개의 모달리티 데이터를 동시에 학습시키지 않고 내가 원하는 모델의 깊이에서 모달리티를 병합
(end-to-end learning)한 모달리티에서 학습한 지식을 다른 모달리티로 전이하여 학습 - 멀티모달 데이터를 이용하여 자연발생석면 여부를 분류하기 위한 초기결합(Early Fusion) 및 후기결합(Late Fusion) 기법 적용을 위한 개념도는 각각 다음 그림과 같음
〈 초기결합(Early Fusion) 기법 적용 개념도 〉
〈 후기결합(Late Fusion) 기법 적용 개념도 〉○ 자연발생석면(NOA) 및 NOA 함유가능 암석 여부 분류 학습모델 후보군
○ 자연발생석면(NOA) 및 NOA 함유가능 암석 여부 분류 학습모델 후보군 구분 내 용 최종선정 후보1 ○ ResNet은 Microsoft社가 Skip connection 구조를 통해 잔차(Residual)를 학습하는데 집중 할 수 있도록 2015년 개발한 인공신경망의 일종임
○ 레이어를 깊게 쌓을 때 발생하는 Gradient Vanishing･Exploding 등의 문제를 해결하여 모델의 성능을 향상시킨 알고리즘으로 2015년 ILSVRC, COCO 등에서 우수한 성능을 입증받았고,
- ResNet-50, ResNet-101, ResNet-152, ResNeXt, Wide ResNet, Pre- activation ResNet, ResNet with Squeeze-and-Excitation (SE) blocks 등의 다양한 변형 모델을 활용할 수 있음V
(선정예정)후보2 ○ Deeplab V3는 기존의 컨볼루션 방법보다 더 넓은 수용영역(receptive field)을 가지는 atrous convolution(또는 dilated convolution)을 사용하여 이미지의 크기를 줄이지 않고도 고해상도(high-resolution) 특징맵을 생성할 수 있음
○ 여러 크기의 필터를 적용하여 이미지의 다양한 크기의 객체를 인식할 수 있는 Spatial Pyramid Pooling(SPP)을 사용함○ 인공지능 모델 학습용으로 제작된 데이터셋을 입력으로 받아 해당 데이터의 특징을 합성곱필터를 이용해 가장 효과적으로 학습시킬 수 있는 네트워크 모델 2종을 검토
- Image classification에 전반적으로 이용되고 알고리즘이 가지는 강점 및 특징 등을 검토하여 후보군으로 선정했으며, 선정기준을 토대로 위와 같이 개별적 모델의 적합성을 평가함○ 인공지능 모델 학습용으로 제작된 데이터셋을 입력으로 받아 해당 데이터의 특징을 합성곱필터를 이용해 가장 효과적으로 학습시킬 수 있는 네트워크 모델 2종을 검토 데이터명 AI모델 task AI모델
(후보)품질 지표 Data I/O 암종
분류 데이터
(후보1)분류 ResNet Top-1 Accuracy(85%) Input data : JPG, DAT
Output data : Category
암종
분류 데이터
(후보2)분류 ResNet Top-1 Accuracy(85%) Input data : JPG, DAT
Output data : Category
○ 자연발생석면 및 자연발생석면 함유가능 암석 여부 분류 학습모델 품질지표 선정이유
- Top 1 Accuracy(정확도) 이외의 평가지표로는 Precision(정밀도), Recall(재현율), F1-Score 등이 있으나, 본 과제의 경우 confusion matrix에 의한 F1-Score보다는 Accuracy 혹은 Micro average precision이 가장 적합한 평가지표로 판단됨
- Top 1 Accuracy는 분류모델의 예측 중 가장 높은 확률의 클래스를 선택하여 실제 Ground truth와 일치하는 비율을 나타내는 지표이며, F-1 score는 True Positive 중 실제 TP를 찾아내는 비율인 ‘재현율’과 Positive로 예측한 모든 값들 중 실제 TP값이 차지하는 비율인 ‘정밀도’의 조화평균을 나타내는 지표이기 때문에 각 분류 클래스 중 가장 높은 확률을 가진 클래스를 예측하는 본 과제에는 적합하지 않음
- 그 외 다른 성능 지표로 데이터셋 내 클래스 개수와 분류하고자 하는 클래스의 수가 동일하므로 Micro Average Precision을 제시할 수 있음. Micro Average Precision과 Accuracy의 수식은 아래와 같이 같은 의미를 가진다는 것을 알 수 있음 -
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드1. 데이터 구성
○ 데이터 셋 종류
• 암종 분류 데이터셋 : 국내 대표 암종에(화성암/변성암/퇴적암) 대한 분류(Classification) 데이터
• 절리 탐지 데이터셋 : 절리/단층 영역 식별 및 탐지를 위한 폴리곤 세그멘테이션(Polygon Segementation) 데이터
○ 원천 데이터
• 암종 분류, 절리 탐지를 위해 기반암 시추 시료로부터 화성암/변성암/퇴적암에 해당하는 시료 이미지 데이터 수집
○ 라벨링 데이터
• 암종 분류를 위한 화성암/변성암/퇴적암 3 Class의 객체 분류
• 절리 탐지를 위한 절리 영역에 대한 폴리곤 세그멘테이션2. 어노테이션 포맷
○ 이미지 데이터(광학, VNIR 초분광, SWIR 초분광) JSON 포맷2. 어노테이션 포맷 ○ 이미지 데이터(광학, VNIR 초분광, SWIR 초분광) JSON 포맷 No. 항목명 타입 필수
구분항목 그룹 항목 설명 예시 1 sample_no string Y 시료 취득 정보
(sample info)시료 번호 1 2 year int Y 자료취득시기 2021 3 location string N 취득위치 “대구시 팔달구” 4 sensor_ty string Y 촬영 환경 정보
(image_env_info)센서 종류 VNIR 5 light_source string Y 광원 인공광 6 wavelength int N 파장대역 2500nm 7 camera_angle int Y 촬영 각도 90 8 camera_dis int Y 촬영 거리 57 9 camera_lc string Y 촬영 위치 실내 10 camera_type string N 암석과
광물 정보
(rock_mineral_info)카메라 종류 Specim IQ 11 asbestos string Y 석면(Y), 비교군(N) Y 12 rock_type string Y 대분류 암석 13 rock_type2 string Y 중분류 화성암류 14 rock_type3 string Y 소분류 사문암 15 weathering string Y 풍화여부 신선 16 grain_sz string Y 입도 세립질 17 latitude double N 위도 도 18 longitude double N 경도 도 19 CAPTION string Y 캡션 이미지 설명 ○ 지질도 데이터셋 JSON 포맷
2. 어노테이션 포맷 ○ 지질도 데이터셋 JSON 포맷 No. 항목명 타입 필수
구분항목 그룹 항목 설명 예시 1 map_nm string Y 지질도
기본정보
(geo_map_info)도폭명 가덕 2 cap string Y 도엽 설명 
- shp 파일 구조
- shp 파일 구조 구조 내용 설명 fid_1 피쳐 id (FeatureID) 피쳐에 대한 식별 번호 mapname 도엽명 도엽명에 따른 고유 색인(예시: 가덕, 가음도, 가평 등) mapidx 도엽 인덱스 도엽명에 따른 고유 색인 lithoidx 암상기호
(지질기호)지층/암석에 따른 고유 색인 또는 기호(예시: Qa, Krp, Jbgr, PCEgns 등) lithoname 암층명 지층/암석의 명칭(예시: 화강암, 편마암, 진주층 등) age 지질시대 지층/암석의 생성시대의 명칭
(예시: 신생대, 중생대, 고생대 등)symnum 지질기호 고유코드명 지층/암석지층/암석을 표현하기 위한 한국지질자원연구원 사용 코드의 명칭 refrock 주요 암석 암석/광물 주요 구성 성분(예시: 점토, 유문암질 반암, 흑운모 화강암, 섬록암, 역질 편마암 등) ref 석면 포함
가능 유무석면 포함 가능 유무 표기
(예시: 석면 포함 가능성 없음(비교군)→1
석면 포함 가능성 있음→2)3. 데이터 포맷 및 예시
○ 이미지 예시3. 데이터 포맷 및 예시 ○ 이미지 예시 구 분 이미지(예) 특성 자연발생석면
암석
및 광물암석 
(예시 : 사문암)
초록색 또는 검은색을 띠고 윤이 남 광물 
(예시 : 온석면)
전반적으로 흰 색에 침상구조를 띠고 있음 비교군
암석 및 광물암석 
(예시 : 화강암)
석영과 장석류를 주 성분으로 하며 회색, 분홍색, 검정색 등 다양한 색상을 띰 
(예시 : 이암)
입자가 매우 작으며 매끈한 특징을 보임 
(예시 : 편마암)
검은색과 흰색의 줄무늬가 발달함 광물 
(예시 : 정장석)
규산염 광물로 화강암이나 편마암에 주로 발견되며 무색, 백색, 담황색 등 다양한 색상을 보임 ○ 라벨링 데이터 예시
-
데이터셋 구축 담당자
수행기관(주관) : ㈜선영종합엔지니어링
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 한상학 031-812-1459 esshh1@gmail.com 데이터 가공 수행기관(참여)
수행기관(참여) 기관명 담당업무 사이클롭스(주) AI 모델 학습 ㈜하이퍼스페이스 데이터 수집, 정제 한국지질자원연구원 데이터 검사, 홍보 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 ㈜선영종합엔지니어링 한상학 상무이사 031-812-1459 esshh1@gmail.com ㈜선영종합엔지니어링 최영채 대리 031-812-1261 cyc3194@gmail.com AI모델 관련 문의처
AI모델 관련 문의처 담당자명 전화번호 이메일 사이클롭스(주) 최남호 연구소장 070-7795-0048 allnewcrow@naver.com 사이클롭스(주) 이기범 사원 070-7795-0048 kipocrow@daum.com 저작도구 관련 문의처
저작도구 관련 문의처 담당자명 전화번호 이메일 ㈜선영종합엔지니어링 한상학 상무이사 031-812-1459 esshh1@gmail.com ㈜선영종합엔지니어링 최영채 대리 031-812-1261 cyc3194@gmail.com
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.
오프라인 데이터 이용 안내
본 데이터는 K-ICT 빅데이터센터에서도 이용하실 수 있습니다.
다양한 데이터(미개방 데이터 포함)를 분석할 수 있는 오프라인 분석공간을 제공하고 있습니다.
데이터 안심구역 이용절차 및 신청은 K-ICT빅데이터센터 홈페이지를 참고하시기 바랍니다.
국방데이터 개방 안내
본 데이터는 국방데이터로 군사 보안에 따라 AI허브에서 데이터를 제공하지 않으며,
군 담당자를 통한 별도의 사용 신청이 필요합니다.