멀티모델 통합 선검출 기법의 환경 변화 강건성을 위한 베이지안 최적화 기반 파라미터 탐색 : Bayesian Optimization–Based Parameter Search for Environment-Robust Multi-Model Line Detection

국문 초록 (Abstract)

산업 자동화와 비전 기반 검사 기술의 확산에 따라 다양한 공정에서 안정적이고 일반화된 선 검출 기법의 필요성이 점차 커지고 있다. 그러나 실제 산업 영상은 촬영 조건과환경 변화가 불규칙하게 발생하여 단일 모델 기반 선 검출기는 파라미터 민감성과 환경의존성이 두드러지고, 도전적인 산업 환경에서는 데이터 수집 또한 제한적이어서 학습기반 접근만으로는 충분한 강건성을 확보하기 어렵다. 본 연구에서는 이러한 문제를 완화하기 위해 서로 다른 파라미터 공간에서 운용되는 두 AirLine 모델을 병렬적으로 구성하고, 가중치 기반 란색을 통해 두 모델의 상보적 출력을 통합하는 멀티모델 기반 선검출 방식을 제안한다. 아울러 제한된 데이터 상황에서 환경 변화에 강건한 파라미터 조합을 자동으로 도출하기 위해 조건부 위험 가치 기반 위험 인지 베이지안 최적화를 적용하였다. 제안 기법은 조선소 중조립 용접 환경에서 수집된 총 779장의 실제 산업 영상을 통해 실험 및 검증되었으며, 초기 대비 약 33.5%의 성능 향상이 확인되었다.

다국어 초록 (Multilingual Abstract)

With the growing adoption of industrial automation and vision-based inspection technologies, the need for stable and generalizable line detection methods has increased across various processes. However, real industrial imagery exhibits irregular changes in environmental and imaging conditions, causing single-model line detectors to suffer from strong parameter sensitivity and
environment-dependent performance. Furthermore, data collection is often limited in challenging industrial settings, making it difficult for learning-based approaches alone to achieve sufficient robustness. To address these issues, this study proposes a multi-model line detection framework in which two AirLine models, each operating in distinct parameter spaces, are executed in parallel and their complementary outputs are integrated through Weighted RANSAC. In addition, CVaR-based Risk-aware Bayesian Optimization is employed to automatically identify parameter combinations that remain robust to environmental variation, even under limited data conditions. The proposed method was evaluated using 779 real industrial images collected from a shipyard block welding environment and demonstrated an improvement of approximately 33.5% over the initial baseline.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경과 목적 1
• II. 배경 지식 5
• 1. 선 검출 알고리즘 5
• 2. AirLine 알고리즘 6
• 3. 란색 7
• 4. 베이지안 최적화 9
• III. 관련 연구 12
• 1. 선 검출 알고리즘의 분류 체계 및 특성 12
• 2. 용접선 검출 기법 17
• 3. 위험 인지 베이지안 최적화(Risk-aware Bayesian Optimization ,BoRisk) 19
• IV. 알고리즘 제안 21
• 1. 전체 시스템 구조 21
• 2. 멀티 모델 기반 선 검출 23
• 3. 위험 인지 베이지안 최적화 27
• 4. 환경 특징 추출 30
• V. 실험 및 결과 33
• 1. 데이터셋 구성 및 실험 환경 33
• 2. 위험 인지 베이지안 최적화 결과 36
• 3. 구성요소별 기여도 분석 44
• VI. 결론 49
• 참고문헌 50