Core Concepts
철스크랩 재활용은 환경 및 경제적 지속가능성을 위해 필수적이지만, 스크랩 분류는 여전히 큰 과제이다. 이 연구는 컨포멀 예측과 설명 가능한 AI 기법을 활용하여 철스크랩 분류의 정확성과 신뢰성을 높이는 방법을 제안한다.
Abstract
이 연구는 철스크랩 재활용의 중요성을 강조하며, 기존의 수동 분류 방식의 한계를 지적한다. 이를 해결하기 위해 딥러닝 모델(ResNet-50, ViT, Swin Transformer)을 활용하여 자동화된 분류 시스템을 개발하였다.
실험 결과, Swin Transformer 모델이 가장 우수한 성능을 보였다. 평균 정확도 95.51%와 함께 가장 작은 예측 집합 크기(0.9878)를 나타내, 신뢰성이 높은 것으로 확인되었다. 또한 Score-CAM 기법을 통해 Swin 모델의 의사결정 과정을 시각화하여 설명할 수 있었다.
이 연구는 철스크랩 분류에 있어 딥러닝 모델의 정확성과 신뢰성을 높이는 동시에 설명 가능성을 제공함으로써, 산업 현장에서의 활용도를 높일 수 있는 방안을 제시한다.
Stats
철스크랩 재활용은 에너지 소비와 온실가스 배출을 크게 줄일 수 있다.
철스크랩 분류 과정에서 수동 방식의 한계로 인해 자동화 기술 발전이 필요하다.
제안된 Swin Transformer 모델은 95.51%의 평균 정확도와 0.9878의 가장 작은 예측 집합 크기를 달성했다.
Quotes
"철스크랩 재활용은 환경 및 경제적 지속가능성을 위해 필수적이다."
"기존 수동 분류 방식의 한계로 인해 자동화 기술 발전이 필요하다."
"Swin Transformer 모델은 95.51%의 평균 정확도와 0.9878의 가장 작은 예측 집합 크기를 달성했다."