DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection

회로 기판부터 식품 포장재에 이르기까지 모든 것을 만드는 공장에서, 품질 관리란 존재하지 말아야 할 단 하나를 찾아내는 끊임 없는 게임입니다. 수십 년 동안 기계들은 이러한 결함을 찾아내도록 훈련되어 왔지만, 근본적인 문제에 직면해 있습니다. 바로 결함이 있는 제품이 어떻게 생겼는지를 거의 보여주지 않는다는 점입니다. 결함은 드물고, 생성 비용이 비싸며, 광택이 나는 표면 위의 미세한 긁힘이나 유리 부품의 작은 칩처럼 매우 미묘한 경우가 많습니다. 이러한 희소성 때문에, 엔지니어들은 전통적으로 컴퓨터에게 완벽한 제품의 형태만을 학습시켜 왔습니다. 컴퓨터는 '정상'이 무엇인지 기억하고, 그 기억에서 벗어나는 것을 발견하면 결함으로 표시합니다. 하지만 이 방식에는 사각지대가 있습니다. 만약 컴퓨터가 정상적인 아이템이 어떻게 생겼는지를 너무 완벽하게 학습한다면, 가장 중요한 아주 작고 조용한 오류들에 혼란을 느끼거나, 혹은 자신이 기대하도록 훈련받은 크고 명백한 실수와 다르다는 이유로 이를 단순히 무시해 버릴 수도 있습니다.

테헤란 대학교의 연구진은 이 문제를 해결하기 위해 단순히 완벽함을 암기하는 수준을 넘어선 새로운 방법을 제 제안했습니다. 정적인 정상 상태의 기억에 의존하는 대신, 그들은 시스템이 능동적으로 문제를 찾아내도록 만들었습니다. 최근 연구에 상세히 기술된 이들의 방법은 세 가지 서로 다른 도구를 하나의 자기 개선 루프로 결합합니다. 첫째, 디지털 '스카우트(scout)'가 이미지 위를 이동하며 어떤 작은 구역을 더 자세히 살펴볼 가치가 있는지 결정합니다. 둘째, 재구성 엔진(reconstruction engine)이 기억으로부터 해당 구역을 재구축하려고 시도하며, 기억이 현실과 일치하지 않는 지점을 강조합니다. 셋째, 분류기(classifier)가 이러한 실패를 읽어내고 결함의 정밀한 지도를 그리는 법을 배웁니다. 이 세 부분이 서로 소통하게 함으로써, 시스템은 이전의 방식들이 어려워했던 수준의 정확도로 미묘한 이상 징품을 찾아낼 수 있게 되었으며, 이 과정에서 단 몇 개의 알려진 결함 사례만을 사용하여 과정을 안내할 수 있었습니다.

이 새로운 프레임워크의 핵심은 호기심 많은 검사관처럼 행동하는 디지털 에이전트입니다. 전통적인 시스템에서 컴퓨터는 전체 이미지를 한 번에 스캔하거나 계획 없이 무작위로 패치를 살필 수 있습니다. 그러나 이 새로운 에이전트는 강화 학습(reinforcement learning)이라는 기술을 사용하는데, 이는 본질적으로 보상을 통해 구동되는 시행착오 학습 과정입니다. 사람이 큰 창고를 돌아다니며 특정 유형의 손상을 찾는 모습을 상상해 보십시오. 그들은 직선으로 걷거나 모든 상자를 무작위로 확인하지 않습니다. 대신 단서를 찾고, 어느 구역이 가장 의심스러운지 결정한 다음 그곳으로 주의를 돌립니다. 이 디지털 에이전트도 똑같이 행동합니다. 이미지를 보고 지금까지 배운 것을 바탕으로 다음에는 어떤 작은 사각형을 조사할지 결정합니다. 만약 그것이 좋은 부품과 나쁜 부품의 차이를 이해하는 데 도움이 되는 지점을 선택하면 보상을 받습니다. 만약 새로운 정보를 추가하지 못하는 지점을 선택하면, 향후 그 구역을 피하는 법을 배웁니다. 이를 통해 시스템은 명확하게 완벽한 영역에 시간을 낭비하는 대신, 가장 정보 가치가 높은 이미지 부분에 에너지를 집중할 수 있습니다.

에이전트가 패치를 선택하면, 이는 이미지를 재구축하도록 설계된 신경망의 일종인 재구성 엔진으로 전달됩니다. 이 엔진은 결함이 없는 완벽한 샘플들로 광범으로 훈련되었습니다. 엔진이 정상적인 부품의 패치를 받으면 거의 완벽하게 재구축할 수 있습니다. 하지만 긁힘이나 칩이 포함된 패치를 받으면 어려움을 겪습니다. 엔진은 훈련 중에 본 적이 없는 특정 결함을 볼 수 없기 때문에 이를 정확하게 재구축할 수 없습니다. 엔진이 보는 것과 재구축한 것 사이의 차이는 오류의 지도인 '손실 프로필(loss profile)'을 만들어내며, 결함이 숨겨진 곳에서 밝게 빛납니다. 이 지도가 시스템 성공의 열쇠입니다. 시스템은 원본 이미지에서 직접 결함을 추측하려 하는 대신, 이 재구축 오류 지도를 분석함으로써 심지어 아주 미세한 결함조차 훨씬 더 쉽게 찾아냅니다.

퍼즐의 마지막 조각은 이러한 오류 지도를 받아 명확한 이진 결정, 즉 '이 픽셀은 정상이다 또는 나쁘다'로 변환하는 특화된 네트워크인 예측기(predictor)입니다. 연구진의 접근 방식이 독특한 점은 스카우트, 엔진, 예측기라는 이 세 구성 요소가 함께 학습하는 방식에 있습니다. 유사한 시스템을 시도했던 많은 이전 사례에서는 각 부분을 별도로 훈련시키거나 적응 능력을 제한하는 경직된 규칙에 의존했습니다. 여기서 시스템은 준지도 학습(semi-supervised approach) 방식을 사용하는데, 이는 대량의 정상 데이터와 매우 적은 양의 레이블이 지정된 결함 데이터를 사용하여 학습함을 의미합니다. 연구진은 이전 버전에서 사용되던 특정 복잡한 메커니즘을 제거하고 예측기가 학습하는 방식을 단순화함으로써 시스템이 더 안정적이고 새로운 유형의 결함에 더 잘 일반화된다는 것을 발견했습니다. 에이전트는 미지의 문제 지점을 찾기 위해 새로운 영역을 탐색하는 것과, 이미 의심스럽다고 알고 있는 영역을 활용하여 탐지를 정교화하는 것 사이의 균형을 맞추는 법을 배웁니다.

이 접근 방식의 결과는 케이블, 칫솔, 알약, 나무 판재 등 다양한 물체와 질감을 담고 있는 MVTec AD 데이터셋이라 불리는 널리 사용되는 산업용 이미지 모음집을 통해 테스트되었습니다. 연구진은 표준 딥러닝 모델과 다른 고급 재구축 기반 시스템들을 포함한 여러 선도적인 기술들과 이들의 방법을 비교했습니다. 새로운 프레임워크는 이러한 경쟁자들을 지속적으로 압도했습니다. 평균적으로, 결함을 정확하게 식별하고 위치를 찾아내는 능력을 상당한 차이로 향상시켰습니다. 결함이 극도로 미묘한 가장 까다로운 경우에도, 새로운 방법은 다른 시스템들보다 높은 정확도 점수를 달성하며 이전 방식들이 효과적으로 국지화하는 데 어려움을 겪었던 결함들을 찾아냈습니다. 예를 들어, 트랜지스터와 칫솔을 대상으로 한 테스트에서 시스템의 정확도는 이전의 최고 결과치를 훨씬 상회했으며, 이는 적응형 샘플링 전략이 적절한 영역을 효과적으로 겨냥했음을 증명했습니다.

이 시스템은 결함을 찾는 것을 넘어, 결함이 정확히 어디에 있는지를 짚어내는 데에도 탁ency를 발휘했습니다. 산업 현장에서는 제품에 결함이 있다는 것을 아는 것만으로는 충분하지 않습니다. 기계는 어느 부분이 손상되었는지 정확히 알아야 수리하거나 폐기할 수 있습니다. 연구진은 자신들의 방법이 더 깨끗하고 정밀한 손상 지도를 생성한다는 것을 입증했습니다. 시각적 결과는 긁힘 주변의 날카로운 경계와 나무 결이나 금속 격자 같은 복잡한 질감 속에서도 명확한 결손 부위의 정의를 보여주었습니다. 이러한 정밀함은 완벽한 아이템을 실수로 거부하는 오경보(false alarm)를 줄이고, 실제 결함이 간과되지 않도록 보장하는 데 매우 중요합니다. 시스템은 산업 자동화의 가장 큰 병목 현상인 대량의 레이블 지정된 결함 데이터 없이도 이러한 높은 수준의 성능을 달성했습니다.

연구는 또한 시스템이 어떻게 훈련되었는가의 중요성을 강조했습니다. 연구진은 시스템의 서로 다른 부분들이 적절한 순서로 도입되지 않으면 전체 과정이 불안정해질 수 있다는 것을 발견했습니다. 그들은 재구축 엔진이 먼저 학습하고, 이어서 예측기, 마지막으로 패치를 선택하는 에이전트가 학습하는 특정 훈련 일정(training schedule)을 개발했습니다. 이러한 단계별 접근 방식은 각 구성 요소가 다른 요소의 복잡성을 떠안기 전에 안정화될 수 있도록 했습니다. 훈련이 끝날 무렵, 시스템은 단순히 모든 것을 스캔하거나 무작위로 추측하는 것보다 훨씬 더 효율적이고 효과적인 이미지 스캐닝 전략을 학습했습니다. 연구진은 시스템을 설정하는 것이 단순한 스캐너보다 더 복잡하지만, 그 대가로 실제 공장에서 발견되는 미묘하고 실제적인 변동성을 처리할 수 있는 훨씬 더 견고하고 신뢰할 수 있는 탐지기를 얻을 수 있다고 언급했습니다.

이 작업은 기계가 보는 법을 배우는 방식의 변화를 나타냅니다. 제품이 고장 날 수 있는 모든 가능한 방식을 컴퓨터에게 강제로 암기시키려 하는 대신, 연구진은 컴퓨터에게 호기심을 갖도록 가르쳤습니다. 시스템에 무엇을 볼지, 그리고 자신의 실수를 통해 어떻게 배울지를 선택할 수 있는 능력을 부여함으로써, 그들은 강력하면서도 적응력이 뛰어난 도구를 만들었습니다. 이 방법의 성공은 다양한 산업용 이미지에 대한 결과는 미래의 품질 관리가 더 큰 결함 데이터베이스에 있는 것이 아니라, 올바른 곳을 보는 법을 배움으로써 건더기 속에서 바늘을 찾는 법을 아는 더 스마트한 알고리즘에 달려 있음을 시사합니다. 다양한 산업 이미지에 대한 이 방법의 성공은, 결함 샘-플 수천 개를 수집하는 과도한 비용 없이 제조 공정을 개선하고자 하는 제조업체들에게 매우 가치 있는 도구가 될 수 있음을 나타냅니다.