LIBAD: A Multimodal Anomaly Detection Benchmark for Li-Ion Battery Electrode Manufacturing

기술 요약: LIBAD: 리튬 이온 배터리 전극 제조를 위한 멀티모달 이상 탐지 벤치마크

문제 정의

산업용 이상 탐지(IAD)는 전통적으로 강하게 상관된 RGB 및 3D 모달리티를 사용하는 이산적인 객체 중심 제품에 집중해 왔습니다. 그러나 롤투롤(roll-to-roll) 생산과 같은 연속 공정 제조는 여전히 미개척 분야로 남아 있습니다. 또한, 기존의 멀티모달 벤치마크는 이상이 모든 센싱 모달리티에 걸쳐 일관된 증거를 생성한다고 가정하는 경우가 많습니다. 이러한 가정은 모달리티가 서로 다른 물리적 특성(예: 표면 외관 vs. 벌크 밀도)을 측정하는 시나리오에서는 실패하며, 이는 결함이 한 모달리티에서는 보이지만 다른 모달리티에서는 약하거나 나타나지 않는 "교차 모달 이상 불일치(cross-modal anomaly inconsistency)" 현상을 초래합니다.

본 논문은 LIBAD라는 리튬 이온 배터리 전극 제조를 위한 벤치마크를 도입함으로써 이러한 격차를 해결합니다. 이 데이터셋은 두 가지 핵심 과제를 강조합니다:

1. 공정 제조 컨텍스트: 이산적인 객체와 달리, 전극 패치는 매우 균질한 재료 외관을 나타내므로 미세한 클래스 내 변동을 결함과 구별하기 어렵습니다.
2. 모달리티 불일치: 결함이 가시광선(VIS) 영상에는 두드러지게 나타날 수 있지만 X-선에서는 보이지 않거나, 그 반대의 경우가 발생할 수 있습니다. 교차 모달 재구성 또는 RGB-3D 사전 지식(외관-기하학적 일관성)에 의존하는 기존 방식은 이러한 설정에서 어려움을 겪으며, 정상적인 모달리티 차이를 이상으로 오해하여 높은 오탐율(FPR)을 초래합니다.

방법론

저자들은 LIBAD의 특정 정상 특징 분포를 처리하도록 설계된 메모리 기반 이상 탐지 방법인 DA-Core를 제안합니다.

1. 데이터셋 구축 (LIBAD):

• 데이터 소스: 실제 롤투롤 생산 라인에서 수집된 744개의 전극 패치.
• 모달리티: 공간적으로 정렬된 세 가지 모달리티:
  • VIS: 양면 가시광선 그레이스케일 영상 (표면 외관).
  • X-rayH: 고해상도 X-선 방사선 촬영 (라벨링 및 분석을 위해 오프라인에서 사용).
  • X-rayL: 저해상도 인라인 X-선 방사선 촬영 (밀도 민감형, 벤치마크용으로 사용).
• 특징: 11개의 결함 카테고리. 이 데이터셋은 정상 패치가 시각적으로 균질하며, 결함 증거가 모달리티에 따라 선택적임을 강조합니다.

2. DA-Core 아키텍처:
DA-Core는 코어셋(coreset) 선택 과정을 수정하여 표준 메모리 기반 접근 방식(PatchCore 등)을 개선합니다.

• 특징 추출: 고정된 DINOv3 ViT-S/16 인코더를 사용하여 VIS 및 X-rayL 입력으로부터 패치 수준의 특징을 추출합니다.
• 밀도 인식 코어셋 선택 (DA FPS):
  • 표준 최장 거리 샘플링(Farthest Point Sampling, FPS)은 전역적 커버리지를 우선시하지만 로컬 특징 밀도를 무시하여, 정상 변동의 조밀한 클러스터를 충분히 표현하지 못하는 경우가 많습니다.
  • DA-Core는 각 특징에 대해 $k$-최근접 이웃을 기반으로 한 밀도 점수($\rho_i$)를 도입합니다.
  • 선택 메트릭은 현재 메모리 뱅크까지의 거리($r_i$)와 로컬 밀도($\rho_i$)를 결합합니다: $q_i = \tilde{r}_i / (1 + \lambda \tilde{\rho}_i)$.
  • 이 전략은 메모리 뱅크가 조밀한 정상 영역의 대표성을 유지하도록 하여, 일반적인 정상 변동에 대한 최근접 이웃 거리를 줄이고 오탐을 억제합니다.
• 스코어링 및 퓨전:
  • 이상 점수는 각 모달리티에 대한 최근접 이웃 매칭을 통해 계산됩니다.
  • 단일 클래스 서포트 벡터 머신(One-Class SVM, OCSVM)이 VIS와 X-rayL 점수의 후기 퓨전(late fusion)을 수행하여 최종 이미지 수준의 이상 점수를 생성합니다.

주요 기여

1. LIBAD 벤치마크: 744개의 실제 샘플, 세 가지 정렬된 모달리티, 11개의 결함 카테고리를 특징으로 하는 최초의 리튬 이온 배터리 전극 제조용 멀티모달 IAD 벤치마크입니다. 이는 연속 공정 제조 및 모달리티 의존적 결함 가시성 문제를 명시적으로 다룹니다.
2. 불일치 특성화: 본 논문은 "교차 모달 이상 불일치"를 식별하고 분석하여, 결함 증거가 공유되는 것이 아니라 모달리티에 따라 선택적임을 입증함으로써 기존 RGB-3D 방식의 가설에 도전합니다.
3. DA-Core 방법론: 비균일한 정상 특징 분포로부터 더 대표성 있는 메모리 뱅크를 구축하는 밀도 인식 코어셋 선택 전략을 제안합니다. 이는 전역적 커버리지와 로컬 밀도 표현 사이의 균형을 명시적으로 맞추어 오탐을 줄입니다.
4. 포괄적인 벤치마킹: 통합 프로토콜 하에 대표적인 멀티모달 IAD 방법들(M3DM, CFM, G2SF, CFR 포함)을 평가하여, LIBAD 환경에 대한 이들의 제한된 전이 가능성을 밝혀냈습니다.

결과

• 베이스라인 성능: (VIS+X-rayL로 적응된) 기존 멀티모달 방법들은 제한된 전이성을 보였습니다. 예를 들어, G2SF는 FPR95가 59.5%였고, CFR은 68.1%에 달해 표준 멀티모달 PatchCore(FPR95 60.4%)보다 겨우 나은 수준이었습니다. 재구성 기반 방식은 모달리티 간 상관관계가 약하기 때문에 정상 샘플에서도 큰 잔차(residual)를 보였습니다.
• DA-Core 성능:
  • FPR95: DA-Core는 **54.3%**를 달성하였으며, 이는 표준 멀티모달 PatchCore(60.4%) 대비 6.1 퍼센트 포인트 감소한 수치입니다.
  • 효율성: 코어셋 비율이 0.05일 때, DA-Core는 가장 우수한 표준 코어셋 결과(0.20 비율에서 얻음)보다 뛰어난 성능을 보이면서도 추론 시간을 43.9% 단축했습니다 (13.12 ms vs. 23.39 ms).
  • 절제 연구(Ablation): 밀도 가중치($\lambda$)가 매우 중요하다는 것이 밝혀졌으며, $\lambda=0.7$이 커버리지와 밀도 표현 사이의 최적의 트레이드오프를 제공했습니다.
• 단일 모달 vs. 멀티모달: VIS와 X-rayL을 결합하는 것이 단일 모달리티보다 성능을 향상시켰지만, 주요 이점은 퓨전 아키텍처 자체보다는 개선된 메모리 구축(DA-Core)에서 기인했습니다.

의의 및 주장

본 논문은 LIBAD가 데이터 분포와 모달리티 관계가 근본적으로 다른 연속 공정 제조로 초점을 전환함으로써 중요한 진전을 이루었다고 주장합니다.

저자들은 LIBAD가 여전히 개방적이고 도전적인 벤치마크임을 언급하며, 최고 방법인 DA-Core조차 절대적인 FPR95가 54.3%로, 추가적인 개선 없이는 직접적인 산업 현장 배치가 어렵다고 지적합니다. 본 연구의 의의는 다음과 같습니다:

1. 공정 제조를 위한 이상 탐지 방법을 설계할 때 데이터 분포(특히 정상 특징의 밀도)와 모달리티 관계(불일치)를 명시적으로 고려해야 함을 강조합니다.
2. VIS 및 X-ray와 같이 상관관계가 약한 센싱 모달리티에 적용될 때 기존 RGB-3D 중심 방식의 한계를 드러내는 현실적인 테스트베드를 제공합니다.
3. 오탐을 줄이는 실용적이고 효율적인 솔루션(DA-Core)을 제안함으로써, 인라인 검사 시스템의 핵심 요구 사항인 오경보 감소에 기여하고, 이를 통해 전기차 및 에너지 저장 시스템을 위한 더 안전한 배터리 제조에 이바지합니다.