현재의 직물(섬유) 인식 기법들은 제한된 적응성과 일반화 능력으로 인해 복잡한 실제 환경에서 종종 어려움을 겪는다. 이러한 과제를 해결하기 위해, 본 논문은 훈련 및 테스트 데이터셋에 세 가지 서로 다른 증강(augmentation) 방법을 적용하는 혁신적인 데이터 처리 프레임워크를 제안한다. 이 접근은 다양한 조건에서 직물을 인식하는 모델의 능력을 향상시킨다. 또한 조기 신경 주의(Early Neural Attention, ENA)를 통합하여 초기 단계에서 필수 이미지 특징에 집중하도록 설계된 최적화된 MobileNetV3 모델을 제안한다. 더 나아가 기존 병목(bottleneck) 구조를 수정하고, ReLU 활성화 함수를 SELU로 대체하여 강건성 및 수렴 속도를 개선한다. 비교 실험을 통해 개선된 모델의 효과가 검증되었으며, 정확도, 정밀도, 재현율, F1-score에서 유의미한 향상을 보였다. 이러한 결과는 역동적이고 도전적인 직물 인식 상황에서 모델이 신뢰성 있게 수행할 수 있음을 확인한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.