기술이전 명세서

제목: 행복·보통·우울 인식을 위한 영상 기반 감정분석 기법

1. 기술의 개요

본 기술은 영상 데이터에서 획득한 사용자의 얼굴 이미지를 실시간으로 분석하여, 행복(Happy)·보통(Neutral)·우울(Sad) 3가지 감정 상태를 인식 및 분류하는 인공지능 기반 노하우입니다.

핵심 특징:

FACS(Facial Action Coding System) 기반 비침습적 감정 인식
MediaPipe 얼굴 랜드마크(478개 포인트) 활용
Action Unit(AU) 분석을 통한 감정 상태 분류
딥러닝 CNN 모델과의 앙상블 지원
개인정보 보호를 위한 좌표 기반 저장 방식

2. 핵심 구성 요소

2.1 이론적 기반

본 기술은 폴 에크만(Paul Ekman)의 얼굴 움직임 부호화 시스템(Facial Action Coding System, FACS)을 기반으로 합니다.

FACS는 얼굴 근육의 움직임을 Action Unit(AU)이라는 단위로 체계화한 해부학적으로 검증된 시스템으로, 감정 연구의 국제 표준입니다.

2.2 사용되는 Action Units

본 기술에서 행복 및 우울 감정 인식을 위해 탐지하는 AU는 다음과 같습니다:

Action Unit	영문명	설명	감정 연관성
AU1	Inner Brow Raiser	내측 눈썹 올림	슬픔, 두려움
AU4	Brow Lowerer	눈썹 찌푸리기	슬픔, 분노
AU6	Cheek Raiser	뺨 올리기	행복 (진정한 미소)
AU12	Lip Corner Puller	입꼬리 올리기	행복 (미소)
AU15	Lip Corner Depressor	입꼬리 내리기	슬픔, 우울

2.3 감정 분류 로직

탐지된 AU의 조합과 강도를 통해 다음과 같이 감정을 인식합니다:

행복(Happy)

주요 AU 조합: AU6 (뺨 올림) + AU12 (입꼬리 올림)
가중치: AU12 70%, AU6 30%
임계값: 0.3 이상
특징: Duchenne Smile(진정한 미소)를 위해 AU6와 AU12가 함께 활성화

슬픔/우울(Sad)

주요 AU 조합: AU1 (내측 눈썹 올림) + AU4 (눈썹 찌푸림) + AU15 (입꼬리 내림)
가중치: AU15 50%, AU4 25%, AU1 25%
임계값: 0.3 이상
특징: 눈썹의 안쪽 상승과 입꼬리 하강이 동시에 발생

보통(Neutral)

조건: 모든 AU 활성화 강도가 0.15 미만
특징: 표정 근육의 뚜렷한 움직임이 없는 중립 상태

3. 기술이전 대상

3.1 알고리즘 및 학습 모델

(1) 얼굴 특징점(Landmark) 추출 알고리즘

기술: MediaPipe Face Mesh
추출 포인트: 478개 얼굴 랜드마크 (3D 좌표)
구현 파일: src/models/au_extractor.py
특징:
- 실시간 처리 가능 (20-30 FPS)
- 마스크 착용 시에도 작동
- 다중 얼굴 동시 처리 (최대 10명)

(2) FACS Action Unit 탐지 모델

측정 방식: 기하학적 거리 기반 계산
구현 파일: src/models/au_extractor.py
측정 알고리즘:
- AU1: 내측 눈썹과 위 눈꺼풀 간 수직 거리
- AU4: 눈썹 중앙과 눈꺼풀 간 거리 (역수)
- AU6: 눈 높이 감소율 (뺨 상승에 의한 눈 좁아짐)
- AU12: 입꼏리 상승 + 입 너비 증가
- AU15: 입꼏리 하강 + 입 너비 감소
정규화: 얼굴 크기에 독립적 (눈 간격 기준 정규화)
출력: 0.0 ~ 1.0 범위의 강도 값

(3) 감정 상태 분류 모델

방법 A: 규칙 기반 분류기 (Rule-based Classifier)

구현 파일: src/models/emotion_classifier.py

분류 로직:

Happy_Score = AU12 × 0.7 + AU6 × 0.3
Sad_Score = AU15 × 0.5 + AU4 × 0.25 + AU1 × 0.25

if max(Happy_Score, Sad_Score) < 0.15:
    Emotion = Neutral
else:
    Emotion = argmax(Happy_Score, Sad_Score)

시간적 평활화: 5프레임 이동평균으로 떨림 방지

방법 B: 머신러닝 기반 분류기 (ML Classifier)

구현 파일: src/models/ml_emotion_classifier.py
지원 알고리즘:
- Random Forest
- Support Vector Machine (SVM)
- Multi-Layer Perceptron (MLP)
입력 특징: 5개 AU 값 (au1, au4, au6, au12, au15)
학습 방법: src/train_emotion_model.py

방법 C: CNN 기반 직접 분류기 (Deep Learning)

구현 파일: src/models/cnn_emotion_classifier.py
학습 스크립트: src/models/train_cnn.py
지원 아키텍처:
- MobileNet V2 (가장 빠름, 14MB)
- ResNet-18 (높은 정확도, 45MB)
- EfficientNet-B0 (최고 정확도, 20MB)
입력: 224×224 RGB 얼굴 이미지
출력: 3-class 감정 확률 분포
전이 학습: ImageNet 사전학습 가중치 활용

방법 D: 앙상블 분류기 (Ensemble)

구현 파일: src/models/ensemble_classifier.py
결합 방식: AU 기반(60%) + CNN 기반(40%) 가중 평균
장점: 더 안정적이고 강건한 예측

(4) 학습된 모델 가중치 파일

ML 모델: models/emotion_classifier.pkl (scikit-learn)
CNN 모델: models/cnn_emotion.pth (PyTorch)
포맷: 각각 pickle, PyTorch state_dict 형식

3.2 소스 코드

(1) 핵심 모델 구현 소스 코드

src/
├── models/
│   ├── face_detector.py          # 얼굴 검출 (MediaPipe BlazeFace)
│   ├── face_tracker.py           # 다중 얼굴 추적 (Centroid + IoU)
│   ├── au_extractor.py           # AU 추출 (Face Mesh + 기하학)
│   ├── au_storage.py             # AU 시계열 데이터 관리
│   ├── emotion_classifier.py     # 규칙 기반 감정 분류
│   ├── ml_emotion_classifier.py  # ML 기반 감정 분류
│   ├── cnn_emotion_classifier.py # CNN 기반 감정 분류
│   ├── ensemble_classifier.py    # 앙상블 분류기
│   ├── train_cnn.py              # CNN 학습 스크립트
│   └── emotion_analyzer.py       # 통합 감정 분석 시스템
│
└── utils/
    ├── config_loader.py          # 설정 파일 로더
    ├── landmark_storage.py       # 랜드마크 저장 (개인정보 보호)
    ├── landmark_viewer.py        # 저장 데이터 재생 뷰어
    ├── label_faces.py            # 얼굴 이미지 라벨링 도구
    └── data_labeling_tool.py     # AU 데이터 라벨링 도구

(2) 실행 프로그램

main.py: 실시간 감정 분석 메인 프로그램
view_landmarks.py: 저장된 랜드마크 재생 프로그램
extract_faces.py: 사진에서 얼굴 추출 도구

(3) 관련 라이브러리 및 프레임워크 정보

필수 의존성 (requirements.txt):

mediapipe>=0.10.0       # 얼굴 검출 및 랜드마크 추출
opencv-python>=4.8.0    # 영상 처리
numpy>=1.24.0           # 수치 계산
pyyaml>=6.0             # 설정 파일 로더

선택적 의존성 (머신러닝 사용 시):

scikit-learn>=1.3.0     # ML 분류기 (Random Forest, SVM, MLP)
joblib>=1.3.0           # 모델 직렬화
torch>=2.0.0            # CNN 학습 및 추론
torchvision>=0.15.0     # CNN 전이 학습 모델
Pillow>=9.0.0           # 이미지 전처리

(4) 실행 환경 구축 가이드

시스템 요구사항:

Python 3.8 이상
Windows / macOS / Linux
웹캠 (실시간 분석 시)
GPU (선택사항, CNN 학습 가속)

설치 방법:

# 1. Python 패키지 설치
pip install -r requirements.txt

# 2. (선택) GPU 가속을 위한 PyTorch CUDA 버전 설치
# CUDA 12.1 (RTX 40 시리즈)
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

# CUDA 11.8 (RTX 30 시리즈)
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

실행 방법:

# 실시간 감정 분석
python main.py

# CNN 모델 학습 (라벨링된 데이터 필요)
python -m src.models.train_cnn --data_dir data/labeled_faces --num_epochs 20

# 저장된 데이터 재생
python view_landmarks.py

3.3 기술 문서

(1) 시스템 아키텍처

[입력 단계]        [처리 단계]           [분석 단계]         [출력 단계]
웹캠/영상          얼굴 검출             AU 추출             감정 분류
    ↓                 ↓                    ↓                  ↓
프레임 입력    →   BlazeFace      →    Face Mesh      →   Classifier    →   결과 저장
(30 FPS)          (다중 얼굴)         (478 landmarks)     (AU → Emotion)    (JSON/CSV)            ↓
                  얼굴 추적
                  (Centroid + IoU)

단계별 설명:

얼굴 검출 (Face Detection)
- MediaPipe BlazeFace 사용
- 다중 얼굴 동시 검출 (최대 10명)
- 5m 거리까지 감지 가능
- 15-30 FPS 처리 속도
얼굴 추적 (Face Tracking)
- Centroid + IoU(Intersection over Union) 기반
- 프레임 간 ID 유지
- 30프레임(1초) 안정성 검증
- 최대 30프레임 일시 소실 허용
Action Unit 추출 (AU Extraction)
- MediaPipe Face Mesh로 478개 랜드마크 추출
- 기하학적 거리 계산
- 얼굴 크기 정규화 (눈 간격 기준)
- AU 강도 0.0~1.0 범위로 정량화
감정 분류 (Emotion Classification)
- 규칙 기반 / ML / CNN / 앙상블 중 선택
- 시간적 평활화 (5프레임 이동평균)
- 감정 강도 0-100% 출력
데이터 저장 (Data Recording)
- JSON: 478개 랜드마크 좌표 + 메타데이터
- CSV: AU 시계열 데이터 + 감정 결과
- InfluxDB 라인 프로토콜 지원

(2) 모델 학습 방법

CNN 모델 학습 프로세스:

[1단계] 데이터 수집
  - 웹캠으로 녹화 또는 공개 데이터셋 활용
  - 권장 데이터량: 각 감정당 300~1000장

[2단계] 얼굴 이미지 라벨링
  python -m src.utils.label_faces --input_dir data/faces_to_label

  폴더 구조:
  data/labeled_faces/
  ├── Neutral/
  ├── Happy/
  └── Sad/

[3단계] CNN 학습
  python -m src.models.train_cnn \
    --data_dir data/labeled_faces \
    --model_type mobilenet_v2 \
    --num_epochs 20 \
    --batch_size 32 \
    --device auto

[4단계] 모델 활성화
  config.yaml에서 use_cnn_classifier: true 설정

하이퍼파라미터:

Learning Rate: 0.001 (Adam optimizer)
Batch Size: 32 (GPU) / 16 (CPU)
Epochs: 20-50
Validation Split: 20%
Data Augmentation: Horizontal Flip, Rotation, Color Jitter

(3) 설정 파일 (config.yaml)

시스템의 모든 동작 파라미터는 config.yaml에서 제어 가능:

# 얼굴 검출
face_detection:
  min_detection_confidence: 0.5

# AU 추출
au_extraction:
  min_detection_confidence: 0.5
  min_tracking_confidence: 0.5

# 감정 분류
emotion_classification:
  use_ml_classifier: false      # ML 분류기 사용 여부
  use_cnn_classifier: false     # CNN 분류기 사용 여부
  use_ensemble: false           # 앙상블 모드
  smoothing_window: 5           # 시간적 평활화 윈도우

  # CNN 설정
  cnn_model_path: "models/cnn_emotion.pth"
  cnn_model_type: "mobilenet_v2"
  cnn_input_size: 224

# 녹화
recording:
  output_dir: "data/recordings"
  sample_rate: 10  # N프레임마다 저장 (30fps → 3fps)

4. 기술의 성능 및 사양

4.1 처리 성능

구성 요소	성능 (FPS)	하드웨어
얼굴 검출	15-30 FPS	CPU (Intel i7)
AU 추출 (Simple 모드)	20-30 FPS	CPU (Intel i7)
CNN 추론 (MobileNetV2)	25-30 FPS	GPU (RTX 3080)
CNN 추론 (MobileNetV2)	10-15 FPS	CPU (Intel i7)
전체 파이프라인	15-25 FPS	CPU + GPU

실시간 분석 시 초당 처리 프레임(FPS): 15-25 FPS 이상 권장 하드웨어: Intel i7 이상 CPU, NVIDIA RTX 20/30/40 시리즈 GPU (선택)

4.2 감정 분류 정확도

분류 방식	학습 데이터	검증 정확도	특징
규칙 기반	없음	~70-75%	FACS 이론 기반, 학습 불필요
ML (Random Forest)	AU 라벨링	~75-85%	AU 데이터 필요
CNN (MobileNetV2)	900장	~80-90%	얼굴 이미지 학습
CNN (ResNet-18)	3000장	~85-95%	대규모 데이터 권장
앙상블 (AU+CNN)	혼합	~85-92%	가장 안정적

*정확도는 데이터셋 품질 및 촬영 환경에 따라 달라질 수 있습니다.

4.3 시스템 사양

입력:

해상도: 640×480 이상 권장
프레임률: 30 FPS
포맷: 웹캠 실시간 스트림 또는 동영상 파일

출력:

감정 라벨: Happy / Neutral / Sad
감정 강도: 0-100% (0.0-1.0)
AU 값: 5개 AU × 0.0-1.0 범위
프레임별 478개 랜드마크 좌표 (선택적 저장)

저장 포맷:

JSON: 프레임별 랜드마크 + 메타데이터
CSV: 시계열 AU 데이터 + 감정 결과
InfluxDB 라인 프로토콜: 시계열 DB 직접 import

4.4 CNN 학습 성능

GPU	학습 시간 (900장, 20 에폭)
RTX 4090	~3분
RTX 3080	~5분
RTX 3060	~8분
CPU (Intel i7)	~60분

5. 개인정보 보호 조치

본 기술은 다음과 같은 개인정보 보호 원칙을 적용합니다:

이미지 미저장: 실제 얼굴 이미지를 저장하지 않음
좌표 정규화: 얼굴 영역 내 상대 좌표(0-1)로 변환하여 저장
재현 가능성: 저장된 좌표로 랜드마크 시각화 재생성 가능
익명성: 개인 식별이 불가능한 기하학적 특징만 저장

저장 데이터 예시 (landmarks_YYYYMMDD_HHMMSS.json):

{
  "timestamp": "2025-11-03T10:30:45.123",
  "face_id": 0,
  "normalized_landmarks": [[0.482, 0.236, -0.012], ...],  // 478개
  "aus": {"au1": 0.12, "au4": 0.08, "au6": 0.67, "au12": 0.73, "au15": 0.05},
  "emotion": "Happy",
  "confidence": 0.85
}

실제 이미지는 저장하지 않으며, 상대 좌표만 저장하여 개인을 식별할 수 없습니다.

6. 확장 가능성

6.1 추가 감정 지원

config.yaml에서 새로운 감정 정의를 추가하여 시스템 확장 가능:

emotion_classification:
  emotion_definitions:
    Angry:        # 분노
      enabled: true
      au_rules:
        primary:
          au4: 0.4    # Brow Lowerer
          au7: 0.3    # Lid Tightener
        threshold: 0.4

    Surprised:    # 놀람
      enabled: true
      au_rules:
        primary:
          au1: 0.3    # Inner Brow Raiser
          au2: 0.3    # Outer Brow Raiser
          au5: 0.2    # Upper Lid Raiser
        threshold: 0.4

6.2 추가 Action Unit 구현

au_extractor.py에 새로운 AU 측정 메서드를 추가하여 확장 가능:

AU2 (Outer Brow Raiser)
AU5 (Upper Lid Raiser)
AU7 (Lid Tightener)
AU9 (Nose Wrinkler)
AU10 (Upper Lip Raiser)
AU17 (Chin Raiser)
AU20 (Lip Stretcher)
AU23 (Lip Tightener)
AU25 (Lips Part)
AU26 (Jaw Drop)

7. 활용 분야

정신건강 모니터링: 우울증, 불안 장애 조기 발견
고객 만족도 분석: 서비스 이용 중 감정 변화 추적
교육 분야: 학습자의 이해도 및 참여도 평가
게임 및 엔터테인먼트: 사용자 감정 기반 콘텐츠 조정
인적자원 관리: 면접 및 직원 만족도 평가
텔레헬스: 원격 진료 시 환자 상태 평가
시장 조사: 제품 반응 테스트

8. 기술의 장점

비침습적: 카메라만으로 측정 가능, 센서 부착 불필요
실시간 처리: 30FPS 영상에서 15-25 FPS 실시간 분석
다중 피험자: 최대 10명 동시 분석 가능
개인정보 보호: 이미지가 아닌 좌표만 저장
확장 가능: 새로운 감정 및 AU 추가 용이
검증된 이론: FACS 기반 과학적 접근
경량화: CPU만으로도 실시간 처리 가능
플랫폼 독립적: Windows, macOS, Linux 지원

9. 제한사항 및 개선 방향

현재 제한사항

극단적 조명 조건에서 성능 저하 가능
얼굴이 45도 이상 회전하면 랜드마크 추출 어려움
안경, 마스크 착용 시 일부 AU 측정 제한

개선 방향

적외선 카메라 지원으로 조명 독립성 확보
3D 얼굴 모델링으로 회전 강건성 향상
다중 카메라 융합으로 정확도 개선
더 많은 감정 카테고리 확장 (6-7가지 기본 감정)
시계열 분석을 통한 감정 변화 추적

10. 참고 문헌

Ekman, P., & Friesen, W. V. (1978). Facial Action Coding System: A Technique for the Measurement of Facial Movement. Consulting Psychologists Press.
Bazarevsky, V., Kartynnik, Y., Vakunov, A., Raveendran, K., & Grundmann, M. (2019). BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs. arXiv:1907.05047
Lugaresi, C., et al. (2019). MediaPipe: A Framework for Building Perception Pipelines. arXiv:1906.08172
Ekman, P., & Friesen, W. V. (1971). Constants across cultures in the face and emotion. Journal of Personality and Social Psychology, 17(2), 124-129.
Cohn, J. F., Ambadar, Z., & Ekman, P. (2007). Observer-based measurement of facial expression with the Facial Action Coding System. The handbook of emotion elicitation and assessment, 203-221.

11. 기술 이전 체크리스트

소프트웨어

전체 소스 코드 (src/ 디렉토리)
실행 프로그램 (main.py, view_landmarks.py, extract_faces.py)
학습 스크립트 (train_cnn.py, train_emotion_model.py)
설정 파일 (config.yaml)
의존성 명세 (requirements.txt)

문서

기술 명세서 (본 문서)
README.md (사용자 가이드)
시스템 아키텍처 다이어그램
API 문서 (Python API 사용법)

모델 파일 (선택적)

사전학습 CNN 모델 (models/cnn_emotion.pth)
사전학습 ML 모델 (models/emotion_classifier.pkl)

데이터 샘플 (선택적)

샘플 라벨링 데이터 (data/labeled_faces/)
샘플 녹화 데이터 (data/recordings/)

환경 구축 지원

설치 가이드
실행 환경 테스트 스크립트
문제 해결 가이드

12. 기술 지원 및 문의

본 기술은 경북대학교가 보유하고 있으며, 주식회사 와이디자인랩을 위해 개발되었습니다.

기술 지원:

시스템 통합 및 커스터마이징 지원
추가 감정 카테고리 개발
특정 응용 분야 최적화
학습 데이터 수집 및 라벨링 지원

개발 환경: Python 3.8+, MediaPipe, OpenCV, PyTorch 라이선스: 기술이전 계약에 따름 개발 일자: 2025년 11월

부록 A: 프로젝트 디렉토리 구조

HEAL/
├── config.yaml                      # 시스템 설정 파일
├── requirements.txt                 # Python 의존성
├── README.md                        # 사용자 가이드
├── 기술이전_명세서.md               # 본 문서
│
├── main.py                         # 메인 실행 프로그램
├── view_landmarks.py               # 랜드마크 뷰어
├── extract_faces.py                # 얼굴 추출 도구
│
├── src/
│   ├── models/
│   │   ├── face_detector.py        # 얼굴 검출
│   │   ├── face_tracker.py         # 얼굴 추적
│   │   ├── au_extractor.py         # AU 추출
│   │   ├── au_storage.py           # AU 저장소
│   │   ├── emotion_classifier.py   # 규칙 기반 분류
│   │   ├── ml_emotion_classifier.py # ML 분류
│   │   ├── cnn_emotion_classifier.py # CNN 분류
│   │   ├── ensemble_classifier.py  # 앙상블 분류
│   │   ├── train_cnn.py            # CNN 학습
│   │   └── emotion_analyzer.py     # 통합 시스템
│   │
│   └── utils/
│       ├── config_loader.py        # 설정 로더
│       ├── landmark_storage.py     # 랜드마크 저장
│       ├── landmark_viewer.py      # 랜드마크 뷰어
│       ├── label_faces.py          # 라벨링 도구
│       └── data_labeling_tool.py   # 데이터 라벨링
│
├── models/                         # 학습된 모델
│   ├── emotion_classifier.pkl      # ML 모델
│   └── cnn_emotion.pth            # CNN 모델
│
└── data/
    ├── labeled_faces/              # 라벨링된 얼굴
    │   ├── Neutral/
    │   ├── Happy/
    │   └── Sad/
    └── recordings/                 # 녹화 데이터
        ├── landmarks_*.json
        ├── timeseries_*.csv
        └── influxdb_*.txt

부록 B: 주요 API 사용 예제

Python API 사용

from src.models.emotion_analyzer import EmotionAnalyzer
import cv2

# 감정 분석기 초기화
analyzer = EmotionAnalyzer(
    enable_tracking=True,
    show_landmarks=True,
    landmark_mode='simple'
)

# 웹캠 열기
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # 프레임 분석
    results = analyzer.analyze(frame)
    # results = {
    #     face_id: {
    #         'bbox': [x1, y1, x2, y2],
    #         'aus': {'au1': 0.12, 'au4': 0.08, ...},
    #         'emotion': 'Happy',
    #         'confidence': 0.85
    #     }
    # }

    # 결과 시각화
    display_frame = analyzer.visualize(frame, results)
    cv2.imshow('Emotion Analysis', display_frame)

    # 통계 조회 (최근 5초)
    for face_id in results.keys():
        stats = analyzer.get_statistics(face_id, window_seconds=5.0)
        print(f"Face {face_id}: {stats['emotion_distribution']}")

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

문서 작성일: 2025년 11월 3일 문서 버전: 1.0 기술 제공: 경북대학교 소프트웨어 테스팅 연구실 기술 이전 대상: 주식회사 와이디자인랩

제목: 행복·보통·우울 인식을 위한 영상 기반 감정분석 기법​

1. 기술의 개요​

2. 핵심 구성 요소​

2.1 이론적 기반​

2.2 사용되는 Action Units​

2.3 감정 분류 로직​

행복(Happy)​

슬픔/우울(Sad)​

보통(Neutral)​

3. 기술이전 대상​

3.1 알고리즘 및 학습 모델​

(1) 얼굴 특징점(Landmark) 추출 알고리즘​

(2) FACS Action Unit 탐지 모델​

(3) 감정 상태 분류 모델​

(4) 학습된 모델 가중치 파일​

3.2 소스 코드​

(1) 핵심 모델 구현 소스 코드​

(2) 실행 프로그램​

(3) 관련 라이브러리 및 프레임워크 정보​

(4) 실행 환경 구축 가이드​

3.3 기술 문서​

(1) 시스템 아키텍처​

(2) 모델 학습 방법​

(3) 설정 파일 (config.yaml)​

4. 기술의 성능 및 사양​

4.1 처리 성능​

4.2 감정 분류 정확도​

4.3 시스템 사양​

4.4 CNN 학습 성능​

5. 개인정보 보호 조치​

6. 확장 가능성​

6.1 추가 감정 지원​

6.2 추가 Action Unit 구현​

7. 활용 분야​

8. 기술의 장점​

9. 제한사항 및 개선 방향​

현재 제한사항​

개선 방향​

10. 참고 문헌​

11. 기술 이전 체크리스트​

소프트웨어​

문서​

모델 파일 (선택적)​

데이터 샘플 (선택적)​

환경 구축 지원​

12. 기술 지원 및 문의​

부록 A: 프로젝트 디렉토리 구조​

부록 B: 주요 API 사용 예제​

Python API 사용​