농산물 등급 판정을 위한 기존의 딥러닝 기반 시스템은 일반적으로 컨베이어 벨트에서 촬영한 상면(Top-view) 이미지를 기반으로 하여 표면 검사 범위를 제한받는다. 무작위 롤링(random rolling)을 도입하여 다양한 면을 노출시키는 접근이 제안되었으나, 이는 흔히 중복되거나 일관되지 않은 커버리지를 초래하여 분류 신뢰도를 저하시킨다. 본 연구는 Calistar 그레이더의 구조적 특성을 활용한 다중 시점 이미지 획득 및 분류 시스템을 제안한다. 4대의 산업용 카메라(상단 2대, 하단 2대)가 서로 다른 4개의 각도에서 이미지를 촬영하였고, 이를 하나의 합성 복합(multiview) 이미지로 병합하였다. 이 복합 이미지는 ConvNeXt V2 모델로 처리하였으며, ONNX로 변환한 뒤 TensorRT로 최적화하여 실시간 배치에 적용하였다. 실험 결과 분류 정확도는 약 99%였고 처리 속도는 초당 5개 물체로 나타났다. 이러한 결과는 본 시스템이 농산물을 실시간으로 정확하게 등급 판정하는 데 효과적임을 검증하며, 양파뿐 아니라 형상이 불규칙한 3D 물체에도 적용될 가능성을 보여준다.

워터마킹을 통해 LLM이 생성한 코드를 식별하는 것은 기능적 정확성을 보존하는 데 있어 어려움을 수반한다. 기존 방법들은 고엔트로피 토큰에 워터마킹을 적용하면 출력 품질이 효과적으로 유지된다는 가정에 의존한다. 그러나 우리의 분석은 이러한 가정의 근본적인 한계를 밝혀낸다. 키워드와 같은 문법에 치명적인 토큰은 종종 가장 높은 엔트로피를 나타내며, 이로 인해 기존 접근법들이 논리적 손상에 취약해진다. 우리는 비문법(non-syntactic) 토큰에만 워터마크를 내장하고 코드의 무결성을 보존하는 문법 인지(syntax-aware) 워터마킹 방법 STONE을 제시한다. 엄밀한 평가를 위해, 정확성, 검출 가능성, 비식별성의 세 가지 핵심 차원을 균형 있게 고려하는 포괄적 지표 STEM도 함께 도입한다. Python, C++, Java 전반에 걸쳐 STONE은 정확성을 보존하고 강한 검출 가능성을 유지하면서, 최소한의 계산 오버헤드로 균형 잡힌 성능을 달성한다. 구현 코드는 https://github.com/inistory/STONE-watermarking 에서 제공된다.