Leveraging Unsupervised Learning for Cost-Effective Visual Anomaly Detection

기술 요약: 비용 효율적인 시각적 이상 탐지를 위한 비지도 학습 활용

문제 제기
중소기업 (SME) 을 위한 기존 머신러닝 기반 시각 검사 시스템은 도입에 상당한 장벽이 존재합니다. 이러한 시스템은 일반적으로 방대한 데이터 수집, 반복적인 모델 학습, 고가의 하드웨어 (고성능 GPU 및 카메라), 그리고 전문적인 머신러닝 역량을 요구합니다. 또한, 딥러닝 접근 방식은 종종 정상 제품과 불량 제품 모두에 대한 대규모 라벨링 데이터셋에 의존합니다. 산업 현장에서는 결함의 다양성과 지속적인 데이터 주석이 필요하기 때문에 이러한 요구 사항은 이미지 데이터를 수집하고 유지할 역량이 부족한 중소기업에게 부담이 됩니다. furthermore, 표준 딥러닝 모델은 재학습 없이 새로운 제품이나 결함 유형에 대해 일반화하는 데 어려움을 겪어, 유연한 제조 환경에서의 실용성을 더욱 제한합니다.

방법론
본 연구는 라즈베리 파이 4B(8GB RAM) 와 저가형 카메라를 활용하여 리소스 제약 환경에 적합한 비용 효율적인 시각적 이상 탐지 시스템을 제안합니다. 핵심 방법론은 "정상" 제품 이미지만으로 모델을 학습시키는 비지도 학습을 활용하여, 라벨링된 결함 데이터의 필요성을 제거합니다.

• 알고리즘: 본 연구는 Anomalib 라이브러리의 네 가지 비지도 학습 알고리즘을 평가합니다: PaDiM(밀도 모델링을 통한 패치 단위 이상 탐지), PatchCore, CFlow-AD, FastFlow.
• 배포: 모델은 OpenVINO 툴킷을 사용하여 엣지 배포에 최적화되었으며, 이는 정확도를 유지하면서 모델 크기와 계산 비용을 줄입니다.
• 실험 설정: 시스템은 기어박스 부품에 대해 테스트되었습니다. 워크플로는 모델을 학습시키기 위해 정상 부품의 이미지를 캡처하는 과정으로 구성되었습니다.
  • 학습 데이터: 초기에는 정상 제품 이미지 20 장을 사용했으며, 이 중 15 장을 무작위로 선택하여 학습에, 5 장을 테스트에 사용했습니다.
  • 테스트 조건: 시스템은 다양한 "제품 상태" 이상 (예: 기어 이빨 결손, 부품 누락, 추가 기어, 양극 처리되지 않은 케이스) 과 "설정 상태" 이상 (예: 조명 변화, 트레이 정렬 불량, 부품 기울기) 하에서 평가되었습니다.
• 지표: 성능은 AUROC(수신자 작동 특성 곡선 아래 면적) 와 F1 Macro 점수로 측정되었습니다. 다양한 데이터셋 크기 (20, 50, 80 장) 와 하드웨어 플랫폼 (라즈베리 파이 대 인텔 i7 PC) 간의 성능을 비교하기 위해 제거 분석 (ablation study) 이 수행되었습니다.

주요 기여

1. 저비용 시스템 개발: 라즈베리 파이 4B 를 활용한 기능적인 시각적 이상 탐지 시스템 구축으로, 고성능 컴퓨팅 인프라 없이 기어박스 부품의 결함을 탐지할 수 있는 저렴한 방법을 입증했습니다.
2. 알고리즘 평가: 저비용 하드웨어에 배포하기 위해 여러 사전 학습된 비지도 학습 알고리즘 (PaDiM, PatchCore, CFlow-AD, FastFlow) 에 대한 비교 분석 수행.
3. 성능 검증: 실험실 환경에서 다양한 결함 유형과 설정 변형을 탐지하는 시스템의 능력을 경험적으로 검증하였으며, 결함 위치를 나타내는 히트맵 생성과 의사결정 지원을 위한 신뢰도 점수 생성을 포함했습니다.

결과

• 최소한의 데이터로 높은 정확도: 라즈베리 파이에서 시스템은 초기 설정에서 15 장을 학습에 사용했을 때 단 10 장의 정상 이미지로 학습했을 때, 모든 테스트된 제품 및 설정 조건에서 F1 Macro 점수가 0.95 를 초과하고 AUROC 가 1.0을 달성했습니다. 시스템은 결함에 대한 사전 라벨링 없이 정상 부품과 이상 부품을 성공적으로 구분했습니다.
• 하드웨어 제약:
  • PaDiM은 가장 효율적인 모델로 입증되었으며, 라즈베리 파이에서 20 장의 이미지로 약 1 분 9 초 동안 학습하여 0.95 의 F1 점수를 달성했습니다.
  • PatchCore도 작은 데이터셋 (20 장) 에서 잘 수행되었으나, 메모리 제한으로 인해 학습 데이터셋 크기가 50 장 또는 80 장으로 증가하면 시스템이 충돌했습니다.
  • CFlow-AD와 FastFlow는 모든 데이터셋 크기에서 라즈베리 파이에서 성공적으로 학습되지 못해 시스템 충돌이 발생했습니다.
• 추론 속도: PaDiM 의 학습은 신속했으나, 대상 애플리케이션에 대한 추론 시간은 상대적으로 높았습니다: 라즈베리 파이에서 PaDiM 은 약 24 초, PatchCore 는 70 초가 소요되었습니다.
• 환경에 대한 민감도: 시스템은 환경 변화에 민감하게 반응했습니다. 예를 들어, 극도로 어두운 조건에서 모델은 정상 부품을 50% 신뢰도만으로 이상으로 잘못 분류했습니다. 또한, 시스템은 미세한 결함 (예: 약간 흐릿해진 결손 기어 이빨) 을 정확하게 위치시키는 데 어려움을 겪었으며, 때로는 조명이나 트레이 이동과 같은 설정 변화를 제품 결함과 혼동했습니다.

의의 및 주장
본 논문은 저비용 리소스 제약 하드웨어에 최첨단 비지도 딥러닝 모델을 배포하는 선구적인 탐구를 제시한다고 주장합니다. 이는 중소기업이 최소한의 데이터 (정상 이미지 10 장 수준) 와 저렴한 하드웨어를 사용하여 높은 정확도의 이상 탐지 (F1 > 0.95) 를 달성할 수 있음을 보여주며, 자동화된 시각 검사의 진입 장벽을 크게 낮춥니다.

그러나 저자들은 시스템의 현재 한계에 대해 겸손한 입장을 유지합니다. 추론 시간 (24~70 초) 과 환경적 노이즈 (조명, 위치) 에 대한 민감성으로 인해 현재 시스템은 고빈도 생산 라인에는 적합하지 않다고 인정합니다. 연구는 이 접근 방식이 신속하고 경제적임을 결론지으며, 향후 모델 증류나 데이터 압축을 통해 신뢰성을 개선하고 저비용 엣지 장치에 내재된 대용량 데이터와 제한된 해상도를 더 잘 처리할 수 있도록 하는 추가 작업이 필요하다고 강조합니다. 이 시스템은 신속하고 대량 처리 검사가 주요 제약이 아닌 중소기업의 viable 솔루션으로, 또는 복잡하고 가변적인 환경에서 인간 검사의 단독 대체제가 아닌 보조 점검 수단으로 위치 지어집니다.