– 전북 장수 사과의 크기 및 수확량을 인공지능 기술을 통해 예측하고 비파괴 샘플링 방식보다 정확한 인공지능 당도 측정으로 당도 측정기술을 정밀화·보편화하기 위한 정보를 전북 장수 사과 농가에게 제공하기 위한, 전북 장수 사과 당도 품질 데이터 구축 – 우리나라에서 대표적으로 재배되는 사과 4개 품종을 대상으로, 지상에서 촬영하는 2D RGB 이미지 데이터, 적외선 촬영 온도값, 토양 및 환경 센서 데이터, 당도 측정 데이터를 통합적으로 융합한 학습데이터 구축

식물의 분포지역, 생물학적 분류(관계강문목) 등의 분류기준에 따라 지리산 국립공원의 자생식물세부정보를 볼 수 있는 데이터

주요 화훼류 품목 9종(장미, 국화, 백합, 거베라, 접목선인장, 심비디움, 호접란, 스킨답서스, 고무나무)에 대해 유통환경별(농가/유통센터/도소매점) 정상 및 중결점 이미지데이터와 유통환경모니터링데이터 수집을 통해 학습용 데이터 120만장 이상 구축

남원시 지리산허브밸리 허브식물원 내 다양한 식물수종의 관리에 관한 정보가 담겨 있습니다. 총 135건의 식물의 세부정보입니다.

비파괴 방식을 통해 진안홍삼의 내부품질(내공/내백) 데이터를 확보하기 위한 목적으로, 진안 내에 소재한 홍삼 가공업체 저장고에 비축된 진안홍삼의 X-ray 학습데이터 구축. 데이터 구축량은 360,000장이며, 홍삼 1개당 top, bottom, side 중 홍삼 형태에 따라 2개 단면에서 촬영(총 18만개 이상 홍삼 객체 사용)

- 실생활에서 쉽게 접할 수 있는 가전, 가구, 생활용품, 잡화, 자동차 등 중대형 객체 데이터 - 실생활에서 쉽게 접하는 중대형 객체 관련 2D 다각도 이미지 43,200건과 3D 모델링 에셋 800건, 텍스쳐 이미지 800건, 메타, 라벨링 통합 데이터 800건(480,000 토큰)으로 구성 - AR/VR, 게임, 미디어 등 다양한 산업 전반 활용 가능

기계학습모델을 적용한 기계학습 기반의 칡 서식지 가능성도이며, 방위, 방향, 지역 등의 정보가 포함되어 있고, 파일 포맷은 ascii, grid, geotiff입니다.- 데이터 사용법 -* 본 데이터를 사용하려면 상용프로그램인 ArcGIS S/W나 오픈 소프트웨어인 QGIS 프로그램( https://qgis.org/en/site/forusers/download.html에서 다운)을 사용하면 됩니다.* asc파일은 각 셀의 값을 나타내는 텍스트 파일로 텍스트 에디터나 엑셀에서 불러올 수 있습니다.* 전문적 프로그램 활용이 어려운 일반 사용자들을 위해 이미지파일을 제공합니다.-학습 모델 설명-* Support Vector Regression (SVR) : 비선형적인 회귀 모델을 구축하기 위하여 원 공간에서 데이터를 고차원 공간으로 매핑한 뒤 고차원 공간에서의 선형 회귀식을 산출하는 방법* Convolutional Neural Network (CNN) : 이미지 인식을 위하여 만들어진 딥러닝 구조; 이미지의 공간적 특성을 반영하기 위해 아핀(affine) 계층 대신에 합성곱(Convolution) 계층 적용- 데이터 확장자 설명 -geotiff : 지리 참조 정보가 포함되어 있는 이미지 파일형식의 데이터 입니다. (.tiff)grid: 각 격자에 고유한 값이 저장되어있는 Esri사 고유의 래스터 파일형식의 데이터입니다. (.grid)ASCII: 래스터의 속성을 정의하는 헤더 정보와 공백으로 구분 된 각 셀의 값으로 래스터를표현하는 텍스트 파일이며, 프로그램간 자료 호환을 위해 만들어진 파일입니다. (.asc)- 활용 위성 자료 출처 -* 본 산출물의 입력자료로 활용한 Landsat과 Sentinel 위성영상 산출물은 각각 NASA 및 USGS와 ESA에서 소유하고 있으며 다음의 사이트에서 각각 수집한 뒤 전처리하여 사용함. Landsat 데이터는 Earth Explorer(https://earthexplorer.usgs.gov/)에서 다운로드 가능하며, Sentinel 데이터는 Copernicus Open Access Hub (https://scihub.copernicus.eu/dhus/#/home)을 통하여 다운로드 가능. 동식물과 관련된 인공지능 비즈니스 적용을 위한 기본 데이터로 활용엔지니어링 업체, 대학 및 연구기관의 실무 및 교육/연구용

[개요] Image Classification 딥러닝을 위한 인공지능 학습용 데이터셋 [학습목표] 음식의 대분류 구분 [제공항목] - 과일 5종 데이터 (귤, 딸기, 바나나, 사과, 토마토 각 100개의 이미지로 총 500개 이미지로 구성) - 김치 5종 데이터 (깍두기, 배추김치, 백김치, 오이소박이, 총각김치 각 100개의 이미지로 총 500개 이미지로 구성) - 밥 4종 데이터 (흰쌀밥 100개, 흰쌀밥 이외 잡곡밥 300개 총 400개 이미지로 구성)

인프라엣지에서 동적 객체를 3차원 Bounding Box 형태로 검출하기 위한 라이다 센서 기반 인공지능 학습 데이터셋입니다.아래 링크에서 세부 정보를 확인하실 수 있으며 협약서 작성 후 전체 데이터를 다운로드 받을 수 있습니다.https://nanum.etri.re.kr/share/jwlee0121/DataStitchingLidarObjectDetection?lang=ko_KR상기 데이터는 한국전자통신연구원, 카카오 모빌리티, 테슬라 시스템, 한국전자기술연구원, 한국과학기술원 등이 공동으로 협력하여 수행하는 자율주행혁신사업을 통해 구축한 데이터로 한국전자통신연구원에서 운영하는 ETRI AI 나눔 사이트를 통해 전체 데이터를 공개함

기계학습모델을 적용한 기계학습 기반의 주름조개풀 서식지 가능성도이며, 방위, 방향, 지역 등의 정보가 포함되어 있고, 파일 포맷은 ascii, grid, geotiff입니다.- 데이터 사용법 -* 본 데이터를 사용하려면 상용프로그램인 ArcGIS S/W나 오픈 소프트웨어인 QGIS 프로그램( https://qgis.org/en/site/forusers/download.html에서 다운)을 사용하면 됩니다.* asc파일은 각 셀의 값을 나타내는 텍스트 파일로 텍스트 에디터나 엑셀에서 불러올 수 있습니다.* 전문적 프로그램 활용이 어려운 일반 사용자들을 위해 이미지파일을 제공합니다.-학습 모델 설명-* Support Vector Regression (SVR) : 비선형적인 회귀 모델을 구축하기 위하여 원 공간에서 데이터를 고차원 공간으로 매핑한 뒤 고차원 공간에서의 선형 회귀식을 산출하는 방법* Convolutional Neural Network (CNN) : 이미지 인식을 위하여 만들어진 딥러닝 구조; 이미지의 공간적 특성을 반영하기 위해 아핀(affine) 계층 대신에 합성곱(Convolution) 계층 적용- 데이터 확장자 설명 -geotiff : 지리 참조 정보가 포함되어 있는 이미지 파일형식의 데이터 입니다. (.tiff)grid: 각 격자에 고유한 값이 저장되어있는 Esri사 고유의 래스터 파일형식의 데이터입니다. (.grid)ASCII: 래스터의 속성을 정의하는 헤더 정보와 공백으로 구분 된 각 셀의 값으로 래스터를표현하는 텍스트 파일이며, 프로그램간 자료 호환을 위해 만들어진 파일입니다. (.asc)- 활용 위성 자료 출처 -* 본 산출물의 입력자료로 활용한 Landsat과 Sentinel 위성영상 산출물은 각각 NASA 및 USGS와 ESA에서 소유하고 있으며 다음의 사이트에서 각각 수집한 뒤 전처리하여 사용함. Landsat 데이터는 Earth Explorer(https://earthexplorer.usgs.gov/)에서 다운로드 가능하며, Sentinel 데이터는 Copernicus Open Access Hub (https://scihub.copernicus.eu/dhus/#/home)을 통하여 다운로드 가능. 동식물과 관련된 인공지능 비즈니스 적용을 위한 기본 데이터로 활용엔지니어링 업체, 대학 및 연구기관의 실무 및 교육/연구용