- 2025년 9월 18일 오후 10:34
- 조회수: 151
INFORMATION
- 2025년 9월 19일
- 오후 12시 ~
온라인 비디오 시청 (YouTube)
최지형
TOPIC
On-Line Video
OVERVIEW
산업 이미지 이상 탐지는 제조 현장에서의 결함 검출과 품질 관리에 필수적인 기술로 자리 잡고 있다. 초기 연구들은 정상 이미지만을 학습하여 분포에서 벗어나는 데이터를 이상으로 판별하는 방식이 주를 이루었다. 그러나 실제 환경에서는 정상 데이터조차 충분히 확보하기 어렵고, 결함의 양상은 매우 다양하며, 새로운 제품이나 공정 변화에 적응하기도 쉽지 않다. 이러한 이유로 기존 방식만으로는 산업 현장의 복잡한 요구를 충족하기 어렵다는 한계가 드러났다. 이러한 문제를 해결하기 위해 최근 연구들은 여러 방향에서 확장되고 있다. 일부는 소량의 비정상 데이터를 함께 활용하여 보다 정밀한 탐지를 가능하게 하고, 또 다른 연구들은 사전학습된 대규모 모델을 활용해 새로운 환경에도 빠르게 대응할 수 있는 범용성을 확보하고자 한다. 더 나아가, 2D 이미지에만 머무르지 않고 3D 형상이나 구조적 정보를 반영하여 실제 공정에서 발생하는 복잡한 이상 패턴까지 포착하려는 시도도 활발하다. 본 세미나에서는 이러한 다양한 연구 흐름을 다각도의 관점에서 살펴보며, 산업 이미지 이상 탐지 분야가 어떻게 진화하고 있는지를 소개하고자 한다.
청취자 후기
고재영
산업 환경과 개별 도메인의 특성에 따라 수집되는 정상 및 비정상 데이터의 비율은 매우 상이할 수 있다. 따라서 각 산업 여건과 데이터 특성에 최적화된 AD(Anomaly Detection) 전략을 수립하는 것이 필수적이다. 이번 세미나에서는 이상 탐지의 목적과 데이터 환경에 따른 세 가지 핵심 상황을 구분하고 각 상황에 적합한 전략인 Supervised AD, Zero-shot AD, Multi-modal AD를 대표적인 논문을 통해 소개하고 있다.
대부분의 기존 AD 모델은 정상 샘플만을 사용하여 훈련하는 비지도 학습 방식을 사용하고 있으나, 이 방법은 이상치에 대한 정보가 부족하여 정상과 이상을 구분하는 경계(Decision Boundary)가 모호해지는 근본적인 한계를 가지고 있어 이로 인해 판별 능력이 저하될 수 있다.
이러한 비지도학습의 한계를 극복하기 위해 소수의 이상치 샘플을 학습에 사용하는 준지도학습에 대한 연구가 활발히 진행되었으나 학습에 사용한 이상치 샘플들이 모든 종류의 이상치를 대표할 수는 없기 때문에 모델이 특정 이상치에 편향되어 학습될 수 있으며, 결과적으로 훈련 시 보지 못했던 새로운(unseen) 이상치에 대해서는 일반화 성능이 떨어질 수 있다는 문제가 있다.
BGAD는 Push-Pull Contrastive Learning을 통해 정상과 이상치의 분리 경계를 명확하게 만들어줌으로써 앞서 언급한 편향 문제를 완화하면서도 정상과 비정상의 판별력을 크게 향상시킨 것이 인상적이었다.
평소 관심을 가졌던 Industrial Image Anomaly Detection 분야의 큰 그림과 최신 연구 동향을 한눈에 파악할 수 있는 유익한 세미나를 준비해준 최지형 연구원에게 감사의 말을 전한다.