콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#자율주행

자율주행 고장진단 데이터

자율주행 고장진단 데이터 아이콘 이미지
  • 분야교통물류
  • 유형 이미지
구축년도 : 2022 갱신년월 : 2023-12 조회수 : 7,532 다운로드 : 1,156 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2023-12-13 데이터 최종 개방
    1.0 2023-05-04 데이터 개방(Beta Version)

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-01-10 샘플데이터 등록
    2023-12-13 산출물 전체 공개
    2023-09-26 데이터 개요, 데이터 구축량, 데이터 통계, 활용 AI모델 및 코드, 어노테이션 포맷 및 데이터 구조 수정

    소개

    ○자율주행 고장진단 데이터는 모터-감속기 데이터와 배터리 데이터로 크게 2가지로 분류됨. 
    ○모터-감속기 데이터는 수집된 센서데이터에 대해 Short Time Fourier Transform, 이른바 STFT를 적용한 주파수 분석 데이터로 구성되어 있으며, 세부 클래스는 정상, 편심_주의, 편심_결함, 감자_결함, 감속기_기어_결함으로 구분됨. 
    ○배터리 데이터는 OBD를 활용하여 수집한 셀 전압 및 편차에 대한 데이터로, 배터리 상태에 따른 정상, 셀전압_주의, 셀전압_결함, 셀편차_주의, 셀편차_결함으로 구분됨.

    구축목적

    1) 모터-감속기 데이터
    · 주행 중 모터 및 감속기의 결함 발생 징후를 예측하는 데에 사용될 수 있는 데이터의 구축 및 해당 데이터에 기반한 인공지능 모델의 학습
    2) 배터리 데이터
    · 주행 중 배터리의 결함 발생 징후를 예측하는 데에 사용될 수 있는 데이터의 구축 및 해당 데이터에 기반한 인공지능 모델의 학습
  • 데이터 통계

     

    데이터 구축규모

    데이터 구축규모
    데이터 종류 데이터 형태 데이터 규모
    모터-감속기 데이터 원천 데이터 PNG 550,800건
    라벨링 데이터 JSON 550,800건
    배터리 데이터 원천 데이터 NPY 220,320건
    라벨링 데이터 JSON 220,320건
    총 구축 건수 1,542,240 건

     

    데이터 분포
    1) (원천데이터) 모터-감속기 데이터 (1레벨)           ※4레벨(수집일자) 생략

    데이터 분포
    2레벨
    (차량종류)
    3레벨
    (결함 유형)
    5레벨
    (센서종류)
    센서별 데이터 소계 결함별 데이터 소계 차량별 데이터 소계
    IONIQ DEMAG Current_U 12,240 36,720 183,600
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC10 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC20 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NORMAL Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    REDUC Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    KONA DEMAG Current_U 12,240 36,720 183,600
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC10 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC20 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NORMAL Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    REDUC Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NIRO DEMAG Current_U 12,240 36,720 183,600
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC10 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC20 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NORMAL Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    REDUC Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    총합계 550,800 550,800 550,800

     

    2) (라벨링데이터) 모터-감속기 데이터 (1레벨)         ※4레벨(수집일자) 생략

    데이터 분포
    2레벨
    (차량종류)
    3레벨
    (결함 유형)
    5레벨
    (센서종류)
    센서별 데이터 소계 결함별 데이터 소계 차량별 데이터 소계
    IONIQ DEMAG Current_U 12,240 36,720 183,600
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC10 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC20 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NORMAL Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    REDUC Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    KONA DEMAG Current_U 12,240 36,720 183,600
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC10 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC20 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NORMAL Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    REDUC Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NIRO DEMAG Current_U 12,240 36,720 183,600
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC10 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    ECC20 Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    NORMAL Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    REDUC Current_U 12,240 36,720
    Vib_Motor 12,240
    Vib_TM 12,240
    총합계 550,800 550,800 550,800

     

    3) (원천데이터) 배터리 데이터 (1레벨)                ※6레벨(수집일자) 생략

    데이터 분포
    2레벨
    (고장종류)
    3레벨
    (파일형식)
    4레벨
    (차량종류)
    5레벨
    (결함유형)
    7레벨
    (데이터정보)
    결함 유형별
    데이터 수량 
    고장종류별
    데이터 수량
    셀전압 결함
    (96셀)
    NPY IONIQ CAUTION volt_BC_dev 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    셀전압 결함
    (98셀)
    KONA CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    NIRO CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    셀편차 결함
    (96셀)
    IONIQ CAUTION volt_BC 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    셀편차 결함
    (98셀)
    KONA CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    NIRO CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    총합계 220,320 220,320

     

    4) (라벨링데이터) 배터리 데이터 (1레벨)              ※6레벨(수집일자) 생략

    데이터 분포
    2레벨
    (고장종류)
    3레벨
    (파일형식)
    4레벨
    (차량종류)
    5레벨
    (결함유형)
    7레벨
    (데이터정보)
    결함 유형별
    데이터 수량 
    고장종류별
    데이터 수량
    셀전압 결함
    (96셀)
    JSON IONIQ CAUTION volt_BC_dev 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    셀전압 결함
    (98셀)
    KONA CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    NIRO CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    셀편차 결함
    (96셀)
    IONIQ CAUTION volt_BC 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    셀편차 결함
    (98셀)
    KONA CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    NIRO CAUTION 12,240 36,720
    DEFECT 12,240
    NORMAL 12,240
    총합계 220,320 220,320
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    활용 모델


    모델학습
    전기차의 모터-감속기 및 배터리의 결함진단을 위하여 다음과 같이 3개의 AI 학습모델을 활용함

    모델학습
    모델 TASK 종류 활용 내용
    전기차 모터-감속기 결함 영역 탐지 모델 전기차의 모터 및 감속기에 대한 결함 정도를 파악
    전기차 모터-감속기 결함 유형 탐지 모델 전기차 모터 감속기에 대해 정상, 편심주의, 편심결함, 감자결함, 감속기결함을 탐지하는데 활용
    전기차 배터리 결함유형 탐지 모델 전기차의 배터리에 대해 정상, 주의, 결함을 탐지하는데 활용 

     

    적용 알고리즘

    적용 알고리즘
    알고리즘 주요 특징 및 선정이유
    DeepLabV3+ • Segmentation map을 통한 결함 확률, 결함 유형, 결함 데이터 위치 제공
    • ResNet 구조에 Atrous convolution 및 Depthwise separable convolution을 적용하여 고해상도의 특징을 유지하는 방식
    • 위성영상을 활용한 토지피복 분류 항목별 딥러닝 최적화 연구(2020, SH Lee)에서 활용되었으며, U-Net 및 SegNet과 비교 시 정확도가 81.7%로 가장 높은 성능을 보여줌
    • 파스칼 VOC2012에서 AP의 평균이 87.8로 매우 높은 성능을 보여줌
    • semantic segmentation 적용 가능
    LSTM • LSTM은 은닉 상태(hidden state)를 계산하는 식이 전통적인 RNN보다 조금 더 복잡해졌으며 셀 상태(cell state)라는 값을 추가함.LSTM은 RNN과 비교하여 긴 시퀀스의 입력을 처리하는데 탁월한 성능을 보임
    • LSTM에 Attention/Bi-directional 등의 확장을 적용할 수 있으며 Convolution에도 ResNet 등의 아이디어 적용 가능

     

    모델활용 예시

    모델활용 예시 설명 부품결함별 데이터를 획득하고 전처리 및 데이터 가공하여 AI 모델을 적용해서 이와 같은 고장진단 예측 모델을 활용하여 객관적인 상세결함정보 제공

     

    서비스 활용 시나리오
    ■ 결함을 미리 알려줌으로써 자동차 사고예방에 활용
     - 계기판 ADAS 시스템으로 활용하여, 운전자 조기 대응을 위한 부품 결함 알람 S/W로 활용. 
     - 결함이 더 진전되기 전에 조기에 결함 상태를 파악하여 운전자의 2차 피해 예방. 
    ■ 신속한 결함 유형 판정을 통해 사고현장에서의 분쟁조정에 활용
     - 자동차 사고현장에서의 데이터 상태 모니터링 통한 과실 여부 판정 조력. 
     - 보험 손해사정사의 운전자 과실, 차량 결함 등 복합적 책임 여부 판단에 활용. 
    ■ 자동차 부품상태에 따른 결함정보를 활용하는 자동차산업 육성에 기여
     - 전기차 부품 정비 산업 육성 및 고도화
     - 데이터 수요자 (자동차 정비, 부품제조, 렌탈 및 리스업 등)에게 모터 및 배터리 정비 기준 데이터로 활용

  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 결함분류 성능 (모터/감속기 진단 데이터) Image Classification DeepLab V3+ Accuracy 95 % 99.6 %
    2 결함분류 성능 (베터리 진단 데이터) Image Classification LSTM-FCN Accuracy 95 % 97.75 %
    3 결함영역 탐지 성능 (모터/감속기 진단 데이터) Object Detection DeepLab V3+ mIoU 85 % 96.66 %

    ※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

    ※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    데이터 구성

    데이터 구성
    key Description Type Child Type
    info 데이터셋 정보 object JsonObject 
    {      
    description 데이터셋 명 string  
    version 데이터셋 버전 string  
    contributor 데이터셋 기여자 array  
    date_created 데이터셋 생성일 string  
    }      
    categoty 카테고리 정보 object JsonObject 
    {      
    id 결함종류 id number  
    name 결함종류 string  
    supercategory 상위카테고리 string  
    }      
    image 이미지 파일 정보 object JsonObject 
    {      
    id 이미지 식별자 number  
    measure_id 측정 id string  
    sensor_name 측정장치명 string  
    file_path 파일 경로 string  
    width 이미지 폭 number  
    height 이미지 높이 number  
    }      
    annotations 어노테이션 정보 object JsonObject 
    {      
    id 어노테이션 식별자 number  
    image_id 이미지 식별자 number  
    polygons 세그멘테이션 정보 목록 array  
    [      
    ]      
    }      
    metadata 메타데이터 object JsonObject 
    {      
    measure_id 데이터 측정 정보 식별자 string  
    measure_date 데이터 측정 일자 string  
    car_model 차량 모델명 string  
    temperature 온도 number  
    speed 주행속도 number  
    }      

     

    어노테이션 포맷

    어노테이션 포맷
    No 항목 길이  타입  필수여부  비고 
    1 데이터셋 정보 info   object y  
    1-1 데이터셋 명 description 100 string y  
    1-2 데이터셋 버전 version 9 string y  
    1-3 데이터셋 기여자 contributor 10 array y  
    1-4 데이터셋 생성일 date_created 10 string y  
    2 카테고리 정보 category   object y  
    2-1 결함종류 id id 9 number y  
    2-2 결함종류 name 20 string y  
    2-3 상위카테고리 supercategory 20 string y  
    3 이미지 파일 정보 image   object y  
    3-1 이미지 식별자 id 20 number y  
    3-2 측정 id measure_id 999,999 string y  
    3-3 측정장치명 sensor_name 20 string y  
    3-4 파일 경로 file_path 4,000 string y  
    3-5 이미지 폭 width 2,000 number y  
    3-6 이미지 높이 height 1,280 number y  
    4 어노테이션 정보 annotations   object y  
    4-1 어노테이션 식별자 id 999,999 number y  
    4-2 이미지 식별자 image_id 999,999 number y  
    4-3 세그멘테이션 정보 목록 polygons 9 array n  
    5 메타데이터 metadata   object y  
    5-1 데이터 측정 정보 식별자 measure_id 10 string y  
    5-3 데이터 측정 일자 measure_date 10 string y  
    5-3 차량 모델명 car_model 20 string y  
    5-4 온도 temperature 200 number y  
    5-5 주행속도 speed 10,000 number y  

     

    - 모터-감속기 데이터 결함분류 특성

     

    데이터포맷

    데이터포맷
    결함 종류 센서 종류 원천데이터 예시 가공데이터 예시 결함 판정 항목
    정상 모터 전류 정상 모터전류 원천데이터 예시 이미지 라벨링 없음 라벨링 정보 없음을 이용하여 정상 판정
    모터 진동 정상 모터진동 원천데이터 예시 이미지 라벨링 없음
    감속기 진동 정상 감속기 진동 원천데이터 예시 이미지 라벨링 없음
    편심 10 모터 전류 편심10 모터전류 원천데이터 예시 이미지 편심10 모터전류 가공데이터 예시 이미지 모터전류와 모터진동에 대한 라벨링 정보를 이용하여 편심10(주의) 판정
    모터 진동 편심10 모터진동 원천데이터 예시 이미지 편심10 모터진동 가공데이터 예시 이미지
    감속기 진동 편심10 감속기진동 원천데이터 예시 이미지 라벨링 없음
    편심 20 모터 전류 편심20 모터전류 원천데이터 예시 이미지 편심20 모터전류 가공데이터 예시 이미지 모터전류와 모터진동에 대한 라벨링 정보를 이용하여 편심20(결함) 판정
    모터 진동 편심20 모터진동 원천데이터 예시 이미지 편심20 모터진동 가공데이터 예시 이미지
    감속기 진동 편심20 감속기진동 원천데이터 예시 이미지 라벨링 없음
    감자결함 모터 전류 감자결함 모터전류 원천데이터 예시 이미지 감자결함 모터전류 가공데이터 예시 이미지 모터전류에 대한 라벨링 정보만을 이용하여 감자결함 판정
    모터 진동 감자결함 모터진동 원천데이터 예시 이미지 라벨링 없음
    감속기 진동 감자결함 감속기진동 원천데이터 예시 이미지 라벨링 없음
    감속기결함 모터 전류 감속기결함 모터전류 원천데이터 예시 이미지 라벨링 없음 감속기진동에 대한 라벨링 정보만을 이용하여 감속기 결함 판정
    모터 진동 감속기결함 모터진동 원천데이터 예시 이미지 라벨링 없음
    감속기 진동 감속기결함 감속기진동 원천데이터 예시 이미지 감속기결함 감속기진동 가공데이터 예시 이미지

     

    - 배터리데이터 형태

    배터리데이터 형태
    데이터포맷 결함 종류 센서 종류 원천데이터 (npy) 분류 기준 결함 판정 기준
      배터리 셀전압(96) 정상 배터리 셀전압 96 정상 원천데이터 이미지 96셀 또는 98셀의 각 전압값에 대해 아래의 기준을 적용하여 정상, 주의, 결함 개수를 산출 (92≦전압값 정상셀 수량≦96) and (0≦주의셀 수량≦4) and (전압값 결함셀 수량=0)
    정상 3 ≦(cell voltage) ≦ 4.2
    주의 배터리 셀전압 96 주의 원천데이터 이미지 주의 (2.5 ≦ cell voltage < 3) or (4.2 < cell voltage ≦ 4.37) (86≦전압값 정상셀 수량≦91) and (5≦주의셀 수량≦10) and (전압값 결함셀 수량=0)
    결함 cell voltage< 2.5 or 4.37 < cell voltage
    결함 배터리 셀전압 96 결함 원천데이터 이미지   (76≦전압값 정상셀 수량≦95) and (0≦주의셀 수≦량≦10) and (1전압값 결함셀 수량≦10)
      배터리 팩결함(96) 정상 배터리 팩결함 96 정상 원천데이터 이미지 96셀 또는 98셀의 편차값에 대해 아래의 기준을 적용하여 정상, 주의, 결함 개수를 산출 (92≦편차값 정상셀 수량≦96) and (0≦주의셀 수량≦4) and (전압값 결함셀 수량=0)
    정상 abs(cell voltage - average) < 0.2
    주의 배터리 팩결함 96 주의 원천데이터 이미지 주의 0.2 <= abs(cell voltage - average) < 0.5 (86≦편차값 정상셀 수량≦91) and (5≦주의셀 수량≦10) and (전압값 결함셀 수량=0)
    결함 0.5 <= abs(cell voltage - average)
    결함 배터리 팩결함 96 결함 원천데이터 이미지   (76≦편차값 정상셀 수량≦95) and (0≦주의셀 수≦량≦10) and (1전압값 결함셀 수량≦10)

     

    json 형식

     

    "category ":{
    "id ":1 ,
    "name ":"ECC10",
    "supercategory ":"ECC"
    },
    "image ":{
    "id ":1 ,
    "measure_id ":"220707_171131",
    "sensor_name ":"Current_U",
    "file_path ":full_filepath,
    "width ":2000 ,
    "height ":1280
    },
    "annotations ":{
    "id ":1 ,
    "image_id ":1 ,
    "polygons ":[
    []
    ]
    },
    "metadata ":{
    "measure_id ":"220707_171131",
    "measure_date ":"2022-07-07",
    "car_model ":"KONA",
    "temperature ":38 ,
    "speed ":3086.3231
    }

     

    실제 예시

     

    {
    "info ": {
        "description ":"motor eccentricity dataset",
        "version ":"1.0.1",
        "contributor ":[
            "ATECH", "ELECTREE", "KEVRA", "GGulB"
        ],
        "date_created ":"2022-12-03"
    },
    "category ": {
        "id ":1 ,
        "name ":"ECC10",
        "supercategory ":"ECC"
    },
    "image ": {
        "id ":1 ,
        "measure_id ":"220707_171131",
        "sensor_name ":"Current_U",
        "file_path”::"KONA/ECC10/0707/Current_U/22_07_07_17_11_31_01_zsplit003_001_Current_U.png",
        "width ":2000 ,
        "height ":1280
    },
    "annotations ": {
        "id ":1 ,
        "image_id ":1 ,
        "polygons ":[[[15.0, 888.0], [120.0, 880.0], [200.0, 872.0], [312.0, 863.0], [423.00000000000006, 858.0], [491.0, 853.0], [624.0, 856.0], [686.0, 858.0], [817.0, 866.0], [892.0, 864.0], [1015.0, 858.0], [1105.0, 851.0], [1214.0, 845.0], [1316.0, 836.0], [1409.0, 829.0], [1501.0, 824.0], [1588.0, 821.0], [1692.0000000000002, 820.0], [1782.0, 816.0], [1884.0, 817.0], [1982.0, 814.0], [1980.9999999999998, 962.0], [1904.0, 964.0], [1798.0, 963.0], [1710.0000000000002, 965.0], [1599.0, 969.0], [1476.0, 973.0], [1377.0, 974.0], [1308.0, 981.0], [1202.0, 984.0], [1082.0, 993.0], [1002.9999999999999, 994.0], [892.0, 1002.0], [816.0, 1001.0], [710.0, 996.0], [616.0, 992.0], [494.00000000000006, 994.0], [398.0, 997.0], [300.0, 1002.0], [199.0, 1007.0], [95.0, 1010.0], [11.0, 1019.0], [15.0, 888.0]]]
    "metadata ": {
        "measure_id ":"220707_171131",
        "measure_date ":"2022-07-07",
        "car_model ":"KONA",
        "temperature ":38 ,
        "speed ":3086.3231
      }
    }
     

     

  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜에이테크
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    김철 02-857-2555 [email protected] 과제 총괄 및 모터-감속기 데이터 획득
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    ㈜일렉트리 모터-감속기 데이터 정제, 가공 및 검수
    한국전기차리빌딩협회 배터리데이터 획득
    ㈜꿀비 배터리데이터 정제, 검수 및 AI 모델 개발
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    김철 02-857-2555 [email protected]
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 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

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 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 [email protected] 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.