결함 검사는 산업 제조에서 일관된 품질과 효율성을 보장하는 데 중요하다. 최근 인공지능(AI) 기반 검사 알고리즘을 통합한 머신비전 시스템은 다양한 응용 분야에서 높은 성능을 보여주지만 실제 적용 시, 데이터 불균형 문제가 발생한다. 본 논문에서는 불균형한 데이터셋을 처리하기 위해 OCC(one-class classification) 모델을 이용한 결함 검사 방법을 제안한다. OCC의 표현 붕괴 문제를 완화할 수 있는 전역 및 지역 특징 추출기 네트워크로 구성된 2 스트림 네트워크 아키텍처를 제시한다. 제안된 2 스트림 네트워크 모델은 객체 지향 불변 특징 벡터와 학습 데이터 지향 지역 특징 벡터를 결합하여 결정 경계가 훈련 데이터 세트로 축소되는 것을 방지하고 적절한 결정 경계를 얻는다. 제안된 모델의 성능은 자동차 에어백 브래킷 용접 결함 검사의 실제 적용에서 입증된다. 통제된 실험실 환경과 생산 현장에서 수집된 이미지 샘플을 사용하여 전체 검사 정확도에 대한 분류 계층 및 2 스트림 네트워크 아키텍처의 영향을 비교 분석한다. 이전 선행 연구의 모델과 비교하여 제안된 모델이 정확도, 정밀도, F1 점수를 각각 최대 8.19%, 10.74%, 4.02% 향상시킬 수 있음을 입증했다.