RAUDI: A Dual-Head Framework Unifying Unsupervised and Supervised Reconstruction for Industrial Anomaly Detection

현대 제조업의 분주한 세계에서, 결함 없는 완벽한 제품과 결함이 있는 제품 사이의 차이는 종종 단 하나의 아주 작은 결함에서 결정됩니다. 회로 기판 위의 미세한 스크래치, 금속 케이스의 머리카락 같은 미세한 균열, 또는 의료 기기의 미묘한 변색은 제품을 쓸모없게 만들거나 심지어 위험하게 만들 수 있습니다. 수십 년 동안 공장들은 이러한 오류를 잡아내기 위해 자동화된 시스템에 의존해 왔지만, 컴퓨터에게 결함을 식별하도록 가르치는 것은 역설적인 과제입니다. 결함이 어떻게 생겼는지 배우기 위해서, 기계는 보통 수천 개의 고장 난 제품 사례를 보아야 합니다. 하지만 잘 운영되는 공장에서 고장 난 제품은 드뭅니다. 그것은 규칙이 아니라 예외입니다. 이러한 희소성 때문에 인공지능이 제품이 잘못될 수 있는 모든 가능한 방식을 인식하도록 훈련하는 것은 매우 어렵습니다. 결과적으로, 많은 시스템은 오직 완벽하고 정상적인 아이템만을 학습하여, 표준에서 벗어나는 모든 것을 찾아내는 법을 배웁니다. 이 방식은 알려진 문제에는 효과적이지만, 예상치 못한 새로운 유형의 손상이 나타나거나 공장이 실제로 허용 가능한 미세한 흠집을 무시해야 할 때는 어려움을 겪습니다.

대한민국 충북대학교의 연구팀은 이 딜레마를 해결하기 위한 새로운 접근 방식을 제안하며, 끝없는 고장 난 샘플 더미 없이도 기계가 결함을 더 명확하게 볼 수 있도록 가르치는 방법을 제시했습니다. 그들은 자신들의 시스템을 RAUDI라고 부르는데, 이는 두 가지 서로 다른 학습 방식을 하나의 유연한 도구로 결합한 프레임워크입니다. 컴퓨터가 완벽한 아이템으로부터 배울 것인지 아니면 고장 난 아이템으로부터 배울 것인지 선택하도록 강요하는 대신, RAUDI는 두 개의 병렬적인 "헤드" 또는 경로를 사용합니다. 한 경로는 엄격하게 완벽한 제품의 이미지로부터 학습하며, 패턴에 맞지 않는 모든 것을 찾아냅니다. 다른 경로는 결함 이미지가 있는 경우 이를 통해 학습하거나, 실제 결함이 없는 경우 정교하게 만들어진 가짜 결함을 통해 학습하도록 설계되었습니다. 두 경로의 통찰력을 결합함으로써, 이 시스템은 더 다양한 종류의 문제를 감지할 수 있으며, 결정적으로 공장에서 허용 가능한 미세한 불완전함은 무시하고 중요한 결함에만 집중하도록 조정될 수 있습니다.

이 혁신의 핵심은 시스템이 받는 데이터를 처리하는 방식에 있습니다. 첫 번째 경로는 재구성(reconstruction) 원리에 따라 작동합니다. 컴퓨터에게 결점 없는 완벽한 표면 사진 수천 장을 보여준다고 상상해 보십시오. 컴퓨터는 이 이미지들을 마음속으로 재구성하는 법을 배우며, 정상적인 표면이 정확히 어떤 모습인지 이해하게 됩니다. 만약 스크래치가 있는 새로운 이미지를 보게 되면, 컴퓨터는 그것을 완벽한 상태인 것처럼 재구성하려고 시도하지만, 스크래치가 이 과정을 혼란스럽게 만듭니다. 컴퓨터는 그 특정 지점을 올바르게 재구성하는 데 실패하며, 이 실패가 이상 징후를 알리는 신호가 됩니다. 이 방법은 '정상이 아닌 것'에 의존하기 때문에 알려지지 않은 결함을 찾는 데 탁-월합니다. 그러나 여기에는 사각지대가 있습니다. 즉, 치명적인 균열과 해롭지 않은 스크래치를 구분할 수 없으며, 특정 유형의 오류를 놓칠 경우 이를 개선할 수도 없습니다.

이를 해결하기 위해 연구진은 결함 자체로부터 학습하는 두 번째 경로를 추가했습니다. 많은 산업 현장에서 기업들은 고장 난 제품의 이미지를 일부 보유하고 있지만, 이를 라벨링하는 작업은 비용이 많이 들고 시간이 오래 걸립니다. 이를 극복하기 위해 연구팀은 현실적인 가짜 결함을 생성하는 영리한 방법을 개발했습니다. 그들은 '슈퍼픽셀 세그멘테이션(superpixel segmentation)'이라는 기술을 사용했는데, 이는 이미지를 물체의 자연스러운 구조와 유사한 작고 색상이 일관된 패치들로 분해하는 방식입니다. 단순히 사진 위에 무작위 노이즈를 붙여넣는 대신, 시스템은 이러한 자연스러운 패치들을 선택하고 실제 손상이 표면에 퍼지는 방식을 모방하여 확장합니다. 이를 통해 합성된 결함은 실제 결함처럼 보이고 행동하게 되며, 덕분에 두 번째 경로는 모든 것을 사람이 일일이 라벨링할 필요 없이 방대한 라이브러리의 사례로부터 학습할 수 있습니다.

RAUDI 시스템의 탁월함은 이 두 경로가 서로 충돌하지 않도록 방지하는 방식에 있습니다. 만약 컴퓨터가 결함을 보도록 훈련받은 후 이미지를 "재구성"하라는 요청을 받는다면, 컴퓨터는 실수로 결함을 수정하는 법을 배워 결과적으로 발견해야 할 바로 그 결함을 지워버릴 수도 있습니다. 연구진은 두 번째 경로가 이미지를 다시 재구성하려고 노력하는 대신, 결함이 어디에 있는지 나타내는 지도를 출력하도록 설계함으로써 이 문제를 해결했습니다. 이 경로는 나머지 부분은 무시하면서 손상된 영역을 강조하는 법을 배움으로써, 시스템이 문제에 대해 날카롭고 집중된 상태를 유지하도록 보장합니다. 시스템이 새로운 제품을 검사할 준비가 되면, 두 경로의 결과를 결합합니다. 첫 번째 경로는 넓은 그물을 던져 특이한 모든 것을 잡아내고, 두 번째 경로는 초점을 정밀하게 다듬어 그 특이한 지점들이 실제로 중요한 결함인지 확인합니다.

이러한 이중 접근 방식의 결과는 놀랍습니다. 다양한 산업 제품의 이미지를 포함한 표준 벤치마크 테스트에서, 이 시스템은 99.3%의 탐지 정확도와 73.1%의 위치 식별(localization) 정확도를 달 기록했습니다. 이는 시스템이 결함의 존재를 알 뿐만 아니라 그 위치를 높은 정밀도로 정확히 짚어낼 수 있음을 의미합니다. 실제 결함 이미지가 학습에 사용된 지도 학습 전용 데이터셋에서, 이 시스템은 결함 위치 파악에 있어 86.4%의 정확도를 달성하며 기존의 최첨단 방식들을 능가했습니다. 아마도 가장 중요한 점은, 산업 파트너가 제공한 멤브레인 용접 이미지라는 실제 환경 데이터셋에서 이 시스템이 보여준 유연성일 것입니다. 이 이미지들에서 시스템은 용접 과정에서의 허용 가능한 변동과 실제 열 불균형 또는 재료 저하를 성공적으로 구분해 냈으며, 인간 전문가의 결과와 매우 밀접하게 일치하는 결과를 만들어냈습니다.

이 연구는 산업 품질 관리의 미래가 비지도 학습(유연하지만 구체적인 사용자 요구에는 둔감함)과 지도 학습(정밀하지만 많은 데이터가 필요함) 사이에서 하나를 선택하는 것이 아님을 시사합니다. 이 두 접근 방식을 통합함으로써, 연구진은 공장 현장의 현실에 적응할 수 있는 시스템을 만들어냈습니다. 이 시스템은 공장이 보유한 소수의 고장 난 아이템으로부터 학습하거나, 빈틈을 채울 수 있는 현실적인 사례를 스스로 생성할 수 있는 동시에, 완전히 새로운 유형의 오류를 포착하는 능력도 유지합니다. 이 시스템은 단순히 무언가 잘못되었다는 것을 감지하는 데 그치지 않고, 오류의 맥락을 이해하여 제조업체가 무엇을 결함으로 간주할지에 대한 자체적인 기준을 설정할 수 있게 해줍니다. 놓친 결함의 비용이 매우 높은 산업 분야에서, 이처럼 명확하고 정확하며 적응력 있게 보는 능력은 우리 일상을 움직이는 제품의 신뢰성을 보장하는 데 있어 중요한 진전을 의미합니다.