대기압 플라즈마 스프레이 (Atmospheric plasma spraying, APS)는 널리 사용되는 코팅 공정으로, 비행 중인 입자의 온도와 속도가 코팅 품질에 강력한 영향을 미칩니다. 그러나 이러한 입자 특성은 작동 중에 지속적으로 모니터링하기 어렵기 때문에, 비침습적 (non-invasive) 데이터 기반 진단 방법의 개발이 요구되고 있습니다. 본 연구에서는 APS 내 비행 입자 특성을 추정하기 위해 플라즈마 플룸 (plasma plume)의 고속 비디오 관측이 가진 예측 잠재력을 조사합니다. 우리는 비디오에서 유도된 세 가지 서로 다른 특징 표현 (feature representations)을 도입하고, 이를 Tabular Prior-Data Fitted Networks (TabPFN), 합성곱 신경망 (Convolutional Neural Networks, CNN), 그리고 Random Forest, Gradient Boosting, Support Vector Regression, XGBoost를 포함한 고전적 회귀 (regression) 베이스라인을 사용하여 평가합니다. 실험은 63회의 APS 스프레이 실행에서 얻은 126개의 라벨링된 스프레이 전후 비디오 녹화본을 사용하여 그룹화된 Leave-one-out 교차 검증 (cross-validation) 방식으로 수행되었습니다. 설계된 특징 실험 전반에 걸쳐, TabPFN은 온도 예측에서 가장 일관된 성능을 달성하였으며, 결합된 특징 표현을 사용하여 R2 = 0.86에 도달했습니다. CNN 모델은 특히 속도 예측에서 더 강력한 성능을 보이며 R2 0.81을 달성했습니다. 또한, 사전 학습된 (pretrained) CNN을 사용하여 원시 비디오 프레임 (raw video frames)에서 직접 작동하는 모델을 평가한 결과, 회귀 헤드 (regression head)를 가진 사전 학습된 CNN이 온도와 속도에 대해 각각 R2 0.90과 0.82를 기록하며 가장 높은 성능을 달성함을 확인했습니다. 이러한 결과는 비디오에서 유도된 플룸 정보가 비침습적 APS 진단 및 실시간 공정 모니터링을 위한 유망하고 확장 가능한 기반을 제공함을 입증합니다.