파이프라인 이상 감지 모듈
지능형 모니터링 모델은 파이프라인 건전성 모니터링에 효과적이지만, 학습되지 않은 샘플에 대한 과신 예측은 구조적 안전을 위협하며 분포 이탈(OOD) 감지의 필요성을 야기합니다. 기존 불확실성 정량화 방법은 재학습이나 운영 시스템 개입이 필요해 실용성이 제한됩니다. 본 논문은 딥러닝 기반 누출 감지 모델에 부착 가능한 Pipeline Posterior Scoring Module (PPSM)을 제안합니다. PPSM은 모델 파라미터 수정 없이 OOD 위험 식별 기능을 제공합니다. 이 모듈은 셀프 어텐션을 통해 신호 텍스처부터 결함 의미론까지 다단계 특징을 융합하고, 베이즈 불확실성 정량화를 위한 디리클레 파라미터를 출력합니다. 또한, 고정된 파라미터 배포 제약 하에서 정확도 최대화가 아닌 위험 인지 방향으로 학습 목표를 재정렬하며, OOD 샘플에 가장 민감한 모델 구성을 선택하기 위한 노이즈 검증 전략을 결합합니다. ResNet101, VGG19, MobileNetV2를 사용한 실제 OOD 및 합성 결함 시나리오 실험에서 PPSM은 대부분의 구성에서 0.88을 초과하는 AUROC와 0.15 미만의 오경보율을 달성하며 모든 비교 방법보다 일관되게 우수한 성능을 보였습니다. 263K 파라미터와 5ms 추론 시간을 가진 PPSM은 자원 제약이 있는 산업용 파이프라인 시스템의 신뢰성 향상을 위한 효율적이고 아키텍처 비의존적인 솔루션을 제공합니다.