제조업체에서 작업방법과 일일 작업량은 생산성에 밀접한 영향을 준다. 합리적인 작업방법과 적정한 일일 작업량을 결정하기 위해 테일러(Frederick Winslow Taylor, 1856~1915)는 시간연구(Time study)와 연계하였다. 또한 과학적 관리법을 통해 장시간 열심히 일하는 것 보다 작업과 휴식 시간을 정해 정해진 시간에 집중적으로 작업하는 과학적 관리가 더 중요하다고 했다. 이러한 연구를 바탕으로 제조업체에서는 각 공정에 표준작업시간을 정하고 작업을 표준화하고 낭비되는 작업요소를 제거하여 생산시간을 단축해 생산성 향상을 위한 공정개선활동을 지속하고 있다. 표준시간과 실제작업을 측정하기 위해 과거 Stop Watch를 이용한 직접 시관 관측법을 이용하였으나 IT기술의 발달로 생산 공정의 시간과 작업의 최적화를 위해 각 공정의 영상을 촬영하고 컴퓨터를 이용하여 각각의 작업요소를 분할하여 불필요한 작업요소는 제거하고 필요한 작업요소는 단순화 할 수 있도록 작업요소의 시간을 측정하고 분석하는 도구들이 상용화 되었다. 하지만 분석을 위해 작업자가 직접 영상을 보면서 각 작업요소를 분할하는 것은 많은 시간과 각 공정에 대한 전문성을 필요로 하며, 공정의 각 주기마다 작업요소를 정확하게 분할하는 것은 쉽지 않다. 만약 한 1시간 분량의 영상을 작업자가 작업요소를 분할하기 위해서는 최소한 1시간 이상 작업이 필요할 것이다. 또한 이 작업은 분석을 위한 데이터 획득을 위한 과정에 불과하다. 본 논문에서는 Deep Learning의 영역기반 객체 검출 기법 중 YOLOv4 알고리즘을 이용하여 제조 공정을 촬영한 영상에서 특정 객체를 학습시키고 해당 객체가 정해진 위치에 도달했을 때 작업요소를 분할하여 시간 분석을 위한 데이터 획득의 시간을 단축하고 공정의 각 주기마다 작업요소 분할의 정확도를 향상 시키는 방법을 제안한다.