• 대한토목학회논문집
• /
• 제26권5D호
• /
• pp.885-894
• /
• 2006

본 논문의 의도는 하이퍼스펙트럴 영상의 다량의 밴드를 사용하면서도 효율적인 분류기법의 개발에 초점을 두고 있다. 본 연구에서는 하이퍼스펙트럴 영상의 분류에 있어 이론적으로 밴드수가 많아질수록 분류정확도가 높을 것이라 예상되는, 다변량 통계분석기법중의 하나인 정준상관분석을 적용한 분류기법을 제안한다. 그리고 기존의 대표적인 전통적 분류기법인 최대 우도분류 방법과 비교한다. 사용되는 하이퍼스펙트럴 영상은 2001년 9월 2일 취득된 EO1-Hyperion 영상이다. 실험을 위한 밴드수는 LANDSAT TM 영상에서 열밴드를 제외한 나머지 데이터의 파장대와 일치하는 부분을 감안하여 30개 밴드로 선정하였다. 지상실제데이터로서 비교기본도를 채택하였다. 이 비교기본도와 시각적으로 윤곽을 비교하고, 중첩분석하여 정확도를 평가하였다. 최대우도분류의 경우 수역 분류를 제외하고는 전혀 분류기법으로서의 역할을 하지 못하는 것으로 판단되며, 수역의 경우도 큰 호수 외에 작은 호수나 골프장내 연못, 부분적으로 물이 존재하는 작은 영역 등은 전혀 분류하지 못하고 있는 것으로 나타났다. 그러나 정준상관분류결과는 비교기본도와 형태적으로 시각적 비교를 해볼 때 골프장잔디를 거의 명확히 분류해 내고 있으며, 도시역에 대해서도 고속도로의 선형 등을 상당히 잘 분류해내고 있음을 알 수 있다. 또한 수역의 경우도 골프장 연못이나 대학교내 연못, 기타지역의 연못, 웅덩이 등 까지도 잘 분류해내고 있음을 확인할 수 있다. 결과적으로 정준상관분석 알고리즘의 개념상 트레이닝 영역 선정시 시행착오를 겪지 않고도 정확한 분류를 할 수 있었다. 또한 분류항목 중에서 잔디와 그 외 식물을 구분해 내는 능력과 수역을 추출해 내는 능력이 최대우도분류기법에 비해 우수하였다. 이상의 결과로 판단해 볼 때 하이퍼스펙트럴영상에 적용되는 정준상관분류기법은 농작물 작황 예측과 지표수 탐사에 매우 유용하리라 판단되며, 나아가서는 분광적 고해상도 영상인 하이퍼스펙트럴 데이터를 이용한 GIS 데이터베이스 구축에 중요한 역할을 할 수 있을 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제39권6_1호
• /
• pp.1255-1272
• /
• 2023

위성영상 기반 클로로필-a (chlorophyll-a) 농도는 전지구 기후변화 연구를 위해 장기간의 시계열 자료로 생산되고 있으며, 시간합성 또는 다종위성 자료의 병합(merging)을 통해 결측이 없는 자료의 생산이 요구된다. 그러나 한반도 주변 해역에서의 위성영상 기반 클로로필-a 농도와 관련된 연구는 단일 해색센서로 산출하여 계절적 특징을 평가하거나 연구해역에 적합한 알고리즘을 제시하는 연구가 주로 수행되었다. 본 연구에서는 한반도 주변 해역에서의 공간 커버리지가 높은 클로로필-a 농도 산출을 위해 정지궤도 해색센서 GOCI-II와 극궤도 센서(MODIS, VIIRS, OLCI)의 원격반사도(Remote Sensing Reflectance) 병합자료를 이용하였다. 연구결과 산출물의 공간 커버리지는 극궤도 해색센서 자료보다 약 30% 증가하여 구름으로 인한 결측을 보완하였다. 그리고 현장 관측자료와 함께 Ocean Colour Climate Change Initiative (OC-CCI)와 GlobColour에서 제공하는 전지구 클로로필-a 합성장 자료와의 비교를 통해 정확도를 정량적으로 제시하고자 하였다. 그러나 현장관측 자료의 절대적인 수 부족으로 유의미한 통계적 결과는 제시하지 못하였지만, 전지구 자료와의 비교 결과보다 과소 추정 경향을 확인하였다. 또한 적조와 같은 해양재해·재난 대응 목적의 활용성 평가를 위해 2013년 동해에서 발생한 대번성 사례와 정성적으로 비교하여 정지궤도 해색센서 단독 결과보다 OC-CCI와 유사하게 나타나는 것을 확인하였다. 본 연구를 통해 산출한 결과를 사용하여 향후 인공지능모델 기반의 예측 연구와 아노말리(anomaly) 활용 연구를 수행할 예정이며, 이를 통해 우리나라 연안해역에서 발생하는 클로로필-a 이벤트 모니터링에 유용하게 활용이 가능할 것으로 기대된다.

• 대한영상의학회지
• /
• 제82권4호
• /
• pp.889-902
• /
• 2021

목적 자기공명영상에서 추가적으로 발견된 조영증강 병소에 대한 조영증강 초음파의 진단능력을 평가하고 조영증강 초음파의 정량 분석을 사용하여 유방 동적 조영증강 자기공명영상과 유사한 운동 패턴 결과를 얻을 수 있는지 분석하였다. 대상과 방법 단일 센터 전향적 연구로 진행하였고, 총 71개의 자기공명영상에서 추가적으로 발견된 조영증강 병소가 포함되었다. 이러한 병소에 대해 조영증강 초음파를 시행하였고 Breast Imaging-Reporting and Data System (이하 BI-RADS)에 따라 분류하였다. 그리고 모든 병소의 BI-RADS 분류를 조직학적 결과와 비교하여 조영증강 초음파의 민감도, 특이도 및 진단 정확도를 계산하였다. 조영증강 초음파와 동적 조영증강 자기공명영상의 운동 패턴사이의 일치도는 가중 카파 분석을 사용하여 평가되었다. 결과 조영증강 초음파에서 총 46개의 병소가 BI-RADS 4B, 4C, 5로 분류되었고, 25개의 병소가 BI-RADS 3, 4A로 분류되었다. 자기공명영상에서 추가적으로 발견된 조영증강 병소에 대한 조영증강 초음파의 진단 능력은 84.9%의 민감도, 94.4%의 특이도 및 97.8%의 긍정적 예측값으로 우수하였다. 총 57/71 (80%) 병소는 조영증강 초음파와 동적 조영증강 자기공명영상 운동 패턴 결과가 일치하였고 가중 카파 값 0.66으로 좋은 일치도를 나타냈다. 부분 군 분석에서 양성 병소는 우수한 일치를 보였고(가중 카파 값 = 0.84), 관내암종은 좋은 일치를 보였다(가중 카파 값 = 0.69). 결론 MRI에서 추가 검출된 유방 결절에 대한 조영증강 초음파의 진단 능력은 우수했다. 양성 및 관내암종 병소에서 동적 조영증강 자기공명영상과 조영증강 초음파의 운동 패턴 결과는 좋은 일치도를 보였다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.227-252
• /
• 2018

인터넷의 발달을 통해 지속적으로 인스턴트 커뮤니케이션이 발달해왔다. 인스턴트 커뮤니케이션에서 가장 대표적인 것이 메신저 애플리케이션이다. 메신저 애플리케이션에서 이모티콘은 송신자의 감정 전달을 보완하기 위해 활용됐다. 메신저 애플리케이션 송신자의 감정 전달에 약한 모습을 보이는데 그 이유는 면대면 커뮤니케이션이 아니기 때문이다. 이모티콘은 과거 화자의 기분 상태를 나타내는 기호로만 사용됐다. 그러나 현재는 이모티콘은 감정 전달 뿐만 아니라 개인의 특성과 개성을 나타내고 싶어 하는 소비자의 심리를 반영하는 형태로 발전해가고 있다. 이모티콘의 사용 환경이 개선되었고, 이모티콘 자체가 발전함으로써 이모티콘 자체에 대한 관심도는 증가하였다. 대표적인 예로 카카오톡, 라인, 애플 등에서 서비스를 진행하고 있으며, 관련 컨텐츠 상품의 매출도 지속적으로 증가할 것으로 전망하고 있다. 이모티콘 자체의 관심도 증가와 관련 사업의 성장세에도 불구하고 현재 적절한 이모티콘 추천 시스템이 부재하다. 국내 점유율 90% 이상의 메신저 애플리케이션인 카카오톡조차 단순히 인기 순이나 최근 순, 혹은 간략한 카테고리 별로 분류한 정도이다. 소비자들은 원하는 이모티콘을 찾기 위해서 스크롤을 계속해서 내려야 하는 불편함이 있으며, 본인이 원하는 감성의 이모티콘을 찾기 어렵다. 소비자들이 편의성 향상과 기업의 이모티콘 관련 사업의 판매 매출 증가를 위해 소비자가 원하는 이모티콘을 추천해줄 수 있는 이모티콘 추천 시스템이 필요하다. 적절한 이모티콘을 추천하기 위해서 소비자가 이모티콘을 보고 느낀 감성에 대해 정량화할 필요성이 있다. 정량화를 통해 소비자가 원하는 이모티콘 셋이 가진 특징과 감성에 대해 분석할 수 있으며, 분석 결과를 토대로 소비자에게 이모티콘을 추천할 수 있다. 이모티콘은 메타데이터화의 방법으로 정량화가 가능하다. 메타데이터화 방법은 빅데이터 시대에 비정형, 반정형 데이터에 대해서 의미를 추출하기 위해 데이터를 구조화 혹은 조직화하는 작업이다. 비정형 데이터인 이모티콘을 메타데이터화를 통해 구조화한다면, 쉽게 소비자가 원하는 감성 형태로 분류할 수 있을 것으로 생각한다. 정확한 감성을 추출하기 위해 감정과 관련된 선행 연구를 통해 7개의 공통 감성 형용사와 한국어에서만 나타나는 은유 혹은 표현적 특징들을 반영하기 위해 하위 세부 표현들까지 고려했다. 이모티콘의 가장 큰 특징인 캐릭터를 기반으로 "표상", "형상", "색상"의 범주에서 세부 하위 감성들을 수집했다. 정확도 높은 추천 시스템을 설계하기 위해 감성 지표만이 아니라 객관적 지표도 고려하였다. 메타데이터화 방법을 통해 이모티콘이 갖고 있는 캐릭터의 특징을 객관적 지표로 14개, 감성 지표로 활용하기 위해 감성 형용사를 36개를 추출하였다. 추출된 감성 형용사는 대비되는 형용사로 구성하여 총 18개로 줄였으며, 18개의 감성 형용사는 카카오톡의 이모티콘을 인기 순으로 임의의 40개 셋을 대상으로 측정하였다. 측정을 위해 이모티콘을 평가할 조사 대상자 온라인으로 모집하였고, 277명의 20~30대의 이모티콘을 구매한 경험이 있는 소비자를 대상으로 설문을 진행하였다. 설문응답자에게 서로 다른 5개의 이모티콘 셋을 평가하도록 하였다. 평가 결과 수집된 18개의 감정 형용사는 요인분석을 통해 감성 지표 요인으로 추출하였다. 추출된 소비자 감성 지표의 요인은 "코믹", "부드러움", "모던함", "투명함"이었다. 이모티콘의 객관적 지표와 감성 지표 요인을 활용하여 소비자 만족과의 관계를 분석하였고, 객관적 지표와 감성 지표 간의 관계도 분석하였다. 이 과정에서 객관적 지표가 소비자 태도에 바로 영향을 주는 것이 아니라 감성 지표 요인을 통해 소비자 태도에 영향을 주는 매개 효과가 있음을 확인하였다. 분석 결과는 소비자의 감성 평가 메커니즘을 밝혀냈고, 소비자의 이모티콘 감성 평가 메커니즘은 객관적 지표가 감성 지표 요인에 영향을 미치며, 감성 지표 요인은 소비자 만족에 영향을 미치는 관계였다. 따라서 감성 지표 요인의 네 가지만으로 이모티콘 추천 시스템을 설계하였고, 추천 방법은 각 감성과의 거리를 유클리디안 거리로 측정하여 거리의 차가 0에 가까울수록 비슷한 감성으로 정의하였다. 본 연구에서 제안한 이모티콘 시스템의 검증을 위해 각 감성 지표 요인과 소비자 만족의 평균을 지표 값으로 활용하여 각 이모티콘 셋의 감성 패턴을 그래프로 비교하였고, 추천된 이모티콘들과 선택된 이모티콘이 대체로 비슷한 패턴을 그리는 것을 확인하였다. 정확한 검증을 위해 사전 조사하였던 소비자를 대상으로 이모티콘 추천 시스템이 제시한 결과와 유사하게 평가하였는지 유사 순위를 세 구간으로 나누어 비교하였고, 순위별 예측 정확도는 결과 1순위 81.02%, 2순위 76.64%, 3순위 81.63%였다. 본 연구의 결과는 학문적, 실무적으로 다양한 분야에서 활용 가능한 방법론을 제시하였으며, 기존에 없던 이모티콘 추천 시스템의 설계를 통해 소비자에게는 편의와 이모티콘을 서비스하는 기업에는 매출증대의 효과를 가져올 것으로 예상한다. 그리고 본 연구를 통해 지능형 이모티콘 시스템으로 발전할 수 있는 단초를 제공했다는 점에서 의미가 있다. 본 연구에서 제안한 감성 요인들을 활용하여 감성 라이브러리로 사용함으로써, 새로운 이모티콘 출시 시 감성 평가의 지표로 활용할 수 있다. 축적된 감성 라이브러리와 기업의 판매 데이터, 매출 정보, 소비자 데이터를 결합하여 본 연구에서 제안한 추천 시스템을 복합형 추천 시스템으로 발전시켜 단순 소비자의 편의성이나 매출 증가뿐만 아니라 기업에서 전략적으로 활용 가능한 지적 자산으로 활용할 수 있을 것으로 판단한다.

• 지능정보연구
• /
• 제24권3호
• /
• pp.1-19
• /
• 2018

최근 딥러닝은 오디오, 텍스트 및 이미지 데이터와 같은 비 체계적인 데이터를 대상으로 다양한 추정, 분류 및 예측 문제에 사용 및 적용되고 있다. 특히, 의류산업에 적용될 경우 딥러닝 기법을 활용한 의류 인식, 의류 검색, 자동 제품 추천 등의 심층 학습을 기반으로 한 응용이 가능하다. 이 때의 핵심모형은 합성곱 신경망을 사용한 이미지 분류이다. 합성곱 신경망은 입력이 전달되고 출력에 도달하는 과정에서 가중치와 같은 매개 변수를 학습하는 뉴런으로 구성되고, 영상 분류에 가장 적합한 방법론으로 사용된다. 기존의 의류 이미지 분류 작업에서 대부분의 분류 모형은 의류 이미지 자체 또는 전문모델 착용 의류와 같이 통제된 상황에서 촬영되는 온라인 제품 이미지를 사용하여 학습을 수행한다. 하지만 본 연구에서는 통제되지 않은 상황에서 촬영되고 사람들의 움직임과 다양한 포즈가 포함된 스트릿 패션 이미지 또는 런웨이 이미지를 분류하려는 상황을 고려하여 분류 모형을 훈련시키는 효과적인 방법을 제안한다. 이동성을 포착하는 런웨이 의류 이미지로 모형을 학습시킴으로써 분류 모형의 다양한 쿼리 이미지에 대한 적응력을 높일 수 있다. 모형 학습 시 먼저 ImageNet 데이터셋을 사용하여 pre-training 과정을 거치고 본 연구를 위해 수집된 32 개 주요 패션 브랜드의 2426개 런웨이 이미지로 구성된 데이터셋을 사용하여 fine-tuning을 수행한다. 학습 과정의 일반화를 고려해 10번의 실험을 수행하고 제안된 모형은 최종 테스트에서 67.2 %의 정확도를 기록했다. 본 연구 모형은 쿼리 이미지가 런웨이 이미지, 제품 이미지 또는 스트릿 패션 이미지가 될 수 있는 다양한 분류 환경에 적용될 수 있다. 구체적으로는 패션 위크에서 모바일 어플리케이션 서비스를 통해 브랜드 검색을 용이하게 하는 서비스를 제공하거나, 패션 잡지사의 편집 작업에 사용되어 브랜드나 스타일을 분류하고 라벨을 붙일 수 있으며, 온라인 쇼핑몰에서 아이템 정보를 제공하거나 유사한 아이템을 추천하는 등의 다양한 목적에 적용될 수 있다.

• Tuberculosis and Respiratory Diseases
• /
• 제46권2호
• /
• pp.204-214
• /
• 1999

연구배경: 만성폐질환자가 일상생활에서 느끼는 호흡곤란정도, 안정상태에서 시행된 폐기능검사 및 심폐운동검사사이에 어떤 관계가 있는지, 안정시 폐기능검사와 심폐운동검사가 호흡곤란의 정도를 잘 반영하는지 등을 연구하고자 만성폐질환자에서 기초호흡곤란지수, 안정시 폐기능검사 및 심폐운동능력을 조사하여 다음과 같은 결과를 얻었다. 연구방법: 최근 2개월내에 악화되지 않은 만성폐질환자 50명을, 기존의 안정시 폐기능검사 및 증상 제한적 심폐운동검사결과를 이용하는 폐기능손상/장애 평가기준과 baseline dyspnea index의 초점점수에 따라 저자들이 임의로 정한 기준으로 비중증군과 중증군으로 분류후 각 군간의 안정시 폐기능검사, 심폐운동검사, 초점점수를 비교하였으며, 각 기준의 상호 민감도 및 특이도를 비교하였다. 연구결과: 안정시 폐기능검사치상 중증군에서 max WR(%), $VO_2$max, $VO_2$max(%) 및 초점 점수가 유의하게 낮았고(p<0.01), $VO_2$max으로 구분하였을 때는 중증군에서 안정시 폐기능검사치 중 $FEV_1$(%)만 유의하게 낮았다(p<0.05). Max WR, max WR(%) 및 초점 접수는 중증군에서 유의하게 낮았다(p<0.01) $VO_2$max(%)이 60% 미만인 경우를 중증군으로 하였을 때 $FEV_1$, $FEV_1$(%), MVV(%), max WR와 max WR(%), 초점 점수 등이 중증군에서 유의하게 낮았다(p<0.05). 초점 점수의 중위수 혹은 5점보다 낮은 경우를 중증군으로 분류하였을 때, 중증군에서 안정시 폐기능치들은 비중증군과 차이가 없었으나(p>0.05), max WR와 max WR(%), $VO_2$max와 $VO_2$max(%)는 유의하게 낮았다(p<0.01). 초점점수와 $VO_2$max의 상관계수는 0.51(p<0.01), $VO_2$max(%)은 0.52(p<0.01)이었으며, 안정시 폐기능 검사치 중 $FEV_1$(%)은 0.41(p<0.01)였다. 초점 점수의 $VO_2$max에 대한 결정계수는 0.26(p=0.0002)였고, $VO_2$max(%)에 대한 결정계수는 0.06(p=0.0001)였다. $FEV_1$은 각각 0.08(p=0.01), 0.38(p=0.0189)였다. 안정시 폐기능검사치 $VO_2$max, $VO_2$max(%)를 기준으로 중증 폐기능손상을 구분하였을 때 선택기준에 따라 민감도와 특이도가 차이가 있었고, 초점 점수의 중위수 및 5점을 기준으로 중증 폐기능 손상을 분류했을 때의 민감도 및 특이도와 큰 차이가 없었다. 결 론: 이상과 같은 결과로 안정시 폐기능검사만으로는 $VO_2$max를 정확하게 예측하기 힘들며, 특별한 금기사항이 없는 한 안정시 폐기능검사상 정상 혹은 경미한 손상을 보이는 환자뿐만 아니라 중증손상을 보이는 환자에서도 심폐운동검사를 시행하여 폐기능 손상 평가의 정확도를 높이는 것이 좋을 것으로 여겨지며, 폐기능 손상평가의 기존 기준들에 호흡곤란정도를 반영할 수 있을 것으로 여겨진다.

• 농업과학연구
• /
• 제10권2호
• /
• pp.221-234
• /
• 1983

육용계(肉用鷄)에서 가식육량(可食肉量)을 효과적(效果的)으로 추정(推定)할 수 있는 방법(方法)을 구명(究明)코자 W. Cornish(CC) 종(種)과 S. C. W. Leghorn종(種) (LL) 그리고 이 두 순종(純種)의 상반교잡종(相反交雜種)(CL. LC)을 각각(各各) 60수(首)씩 계(計) 240수(首)를 공시(共試)하여 체중(體重) 및 체형(體型)의 구성요소(構成要素)들의 크기와 요소(要素)들 간(間)의 상관관계(相關關係), 그리고 가식육량(可食肉量) 추정결과(推定結果)를 요약(要約)하면 다음과 같다. 1) 8주령시(週齡時) 체중(體重)과 사료효율(飼料效率)은 W. Cornish 종(種)에서 각각(各各) 1,819g과 2.2%였고, S. C. W. Leghorn종(種)에 각각(各各) 668g과 3.3%로 정상발육치(正常發育直)였다. 2) 체중(體重)에 대(對)한 가식육량(可食肉量)의 비율(比率)은 W. Cornish 종(種)에서 6, 8 및 10주령(週齡)에 각각(各各) 34.7%, 36.8%, 37.5%였고 S. C. W. Leghorn 종(種)은 각각(各各) 30.7%, 30.5% 및 32.3%였으며, 잡종(雜種)들은 중간(中間) 값을 보이는데 각(各) 계종간(鷄種間) 차이(差異)는 유의성(有意性)이 인정 되었다. 3) 체중(體重)에 대(對)한 방혈량(放血量)의 비율(比率)은 계종간(鷄種間) 차이(差異)가 뚜렸하지 않으나 두부중량(頭部重量), 우모중량(羽毛重量) 그리고 불가식(不可食) 내장중량(內臟重量)의 비율(比率)은 각주령(各週齡) 공(共)히 W. Cornish 종(種)에서 유의적(有意的)으로 적고 각중(脚重)과 복강지방량(腹腔脂肪量)은 S. C. W. Leghorn 종(種)에서 유의적(有意的)으로 적어서 계종간차(鷄種間差)가 뚜렷하다. 한편 가식부위(可食部位)에서 흉부(胸部)와 퇴경부(腿脛部)는 각주령(各週齡) 공(共)히 C Cornish종(種)에서 유의적(有意的)으로 크며, 가식내장(可食內臟)은 S. C. W. Leghorn종(種)에서 유의적(有意的)으로 크고, 경부(頸部)와 익부(翼部) 및 배부(背部)는 주령(週齡)에 따라 계종간차이(鷄種間差異)가 일관성이 없다. 4) 조사(調査)된 체형구성요소(體型構成要素)들의 크기는 W. Cornish종(種)에서 각주령(各週齡) 공(共)히 유의적(有意的)으로 크고, 특(特)히 10주령(週齡)에서 잡종(雜種)들 간(間)에도 대부분(大部分) 유의차(有意差)가 인정되었다. 5) 흉각(胸角)을 제외(除外)하고 대부분(大部分)의 체형구성요소(體型構成要素)들이 가식육량(可食肉量)과 높은 상관도(相關度)를 보이고 있어 체위측정치(體位測定値)들로 가식육량(可食肉量)을 비교적(比較的) 정확히 추정(推定)할 수 있을 것으로 예측되었다. 6) 가식육량(可食肉量)을 체중(體重)에 의(依)해 추정(推定)할 때의 정확도(正確度)로서 체위측정치(體位測定値)들로 추정(推定)할 경우 10주령(週齡)에서 W. Cornish종(種) $Y=-1,475.581 +5.054X_{26}+3.080X_{24}+3.772X_{25}+14.321X_{35}+1.922X_{27}$였고 S. C. W. Leghorn종(種)은 $Y=-347.407+4.549X_{33}+3.003X_{31}$였으며 W. Cornish 종(種)을 부(父)로한 잡종(雜種)(CL)은 $Y=-1,616.793+4.430X_{24}+8.566X_{32}$, S. C. W. Leghorn종(種)을 부(父)로한 잡종(雜種)(LC)은 $Y=-603.938+2.142X_{24}+3.039X_{27}+3.289X_{33}$이었다. 위에서 설명변수(說明變數)들은 $X_{24}$=흉위(胸圍), $X_{25}$=흉폭(胸幅), $X_{26}$=흉장(胸長), $X_{27}$=흉골장(胸骨長), $X_{31}$=퇴경부(腿脛部) 둘레, $X_{32}$=경골장(頸骨長), $X_{33}$=각장(脚長), $X_{35}$=각경(脚徑)이다. 7) 이상(以上)의 결과를 종합(綜合)하여 볼때 가식육(可食肉)의 비율(比率)은 계종(鷄種)과 주령(週齡)에 따라 현저한 차이(差異)를 보이고 있고, 이들의 추정(推定)은 좀 복잡(複雜)하지만 체형측정치(體型測定値)들로서도 비교적(比較的) 정확(正確)히 추정(推定)할 수 있을 것으로 판단되었다.