💻 computer science

WSL-Det: A Wave-Attention and Strip-Localization Detector for Real-Time Strip Defect Detection

WSL-Det은 Vajra 아키텍처를 기반으로 구축되어 주파수 인지적 전역 상호작용을 위한 파동 기반 어텐션과 이방성 국소화를 위한 순차적 직교 스트립 컨볼루션을 통합함으로써 가죽 및 NEU-DET과 같은 산업용 스트립 결함 데이터셋에서 최첨단 정확도와 속도를 달성하는 실시간 객체 탐지기입니다.

원저자: Pan Li, Pengchong Han

게시일 2026-09-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Pan Li, Pengchong Han

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

산업 제조 분야에서 제품의 품질은 종종 눈에 잘 띄지 않는 아주 작은 결함에 의해 결정되곤 합니다. 가죽이나 강철 같은 재료의 경우, 표면은 생산 과정의 이야기를 담고 있지만, 그 이야기는 흔히 흠집, 주름, 또는 마감을 망치는 이상한 선과 같은 결함에 의해 중단되곤 합니다. 이러한 결함을 수작업으로 찾는 것은 느리고 피로하며 인간의 실수에 취약하기 때문에, 공장들은 컴퓨터에게 감시를 맡기게 되었습니다. 이러한 컴퓨터 시스템의 과제는 단순히 무언가 잘못되었다는 것을 보는 것뿐만 아니라, 정확히 어떤 종류의 잘못인지를 이해하는 것입니다. 많은 현대적 시스템은 둥근 물체나 뚜렷한 모양을 포착하는 데는 뛰어나지만, 표면을 가로질러 길게 늘어진 결함에는 종-종 어려움을 겪습니다. 이러한 길쭉한 결함은 한쪽 끝에서 다른 쪽 끝까지 흐름을 놓치지 않고 따라가면서도, 미세한 긁힘을 재료의 자연스러운 질감 변화와 구별해낼 수 있는 색다른 종류의 시야를 필요로 합니다.

무한 폴리테크닉 대학교(Wuhan Polytechnic University)의 연구진은 이러한 긴 띠 형태의 결함을 실시간으로 찾아내는 문제를 해결하기 위해 설계된 새로운 컴퓨터 비전 시스템을 개발했습니다. 그들은 이 시스템을 가죽이나 강철 같은 재료의 생산 라인을 감시하기 위한 도구인 WSL-Det라고 부릅니다. 이 시스템은 기존의 빠른 탐지 엔진을 기반으로 두 가지 특정 업그레이드를 적용하여 만들어졌습니다. 첫째, 연구진은 전체 이미지를 바라보는 엔진의 표준 방식을 이미지 내의 패턴과 주파수에 특별히 주목하는 방식으로 교체했는데, 이는 마치 라디오 튜너가 배경 소음으로부터 특정 신호를 분리해내는 것과 유사합니다. 이를 통해 시스템은 가장자리가 희미할 때도 긴 결함의 연속적인 흐름을 감지할 수 있습니다. 둘째, 결함 주위에 상자를 그리는 역할을 하는 시스템의 부분을 재설계했습니다. 표준적인 정사각형 상자를 사용하는 대신, 이 새로운 부분은 가로와 세로로 길게 늘어지는 특수 필터를 사용하여, 일반적인 상자보다 긴 긁힘이나 주름의 형태를 훨씬 더 밀착하여 감쌀 수 있게 합니다.

연구팀은 이 새로운 접근 방식을 두 가지 매우 다른 데이터 세트에 대해 테스트했습니다. 첫 번째는 그들이 가죽 공장에서 직접 수집한 이미지 모음으로, 깊은 찍힘, 얼룩진 선, 불규칙한 주름 등 7가지 유형의 흔한 결함을 포함하고 있었습니다. 이 테스트에서 새로운 시스템은 비교 대상이었던 도구들 중 가장 정확하고 빨랐습니다. 이 시스템은 높은 정밀도로 결함을 식별하고 위치를 찾아냈으며, 표준 정확도 척도에서 57.1점을 기록하며 이전의 최고 도구들보다 유의미한 개선을 보여주었습니다. 더 중요한 것은, 이 시스템이 초당 33.9장의 이미지를 처리하며 생산 라인의 속도를 늦추지 않고도 속도를 유지할 수 있을 만큼 빨랐다는 점입니다. 연구진은 이 시스템이 특히 가죽 결함의 길고 구불구불한 특성을 다루는 데 탁-월했으며, 다른 시스템들이 혼란을 겪기 쉬운 배경 질감으로부터 결함을 효과적으로 분리해낸다는 것을 발견했습니다.

시스템이 가죽 이외의 재료도 다룰 수 있는지 확인하기 위해, 연구진은 6가지 유형의 산업적 결함이 포함된 열연 강판의 공개 데이터 세트를 통해서도 테스트를 진행했습니다. 여기서 시스템은 또 다른 종류의 강점을 보여주었습니다. 모든 지표에서 가장 강력하고 복잡한 시스템들을 능가하지는 못했지만, 잡기 가장 어려운 부분인 작고 가는 긁힘을 찾는 데 탁월한 성능을 보였습니다. 이 시스템은 이러한 특정 형태를 포착하는 데 있어 최고의 결과를 달성하면서도, 더 적은 컴퓨터 자원을 사용하였고 선두적인 복잡한 시스템들보다 두 배 이상 빠르게 작동했습니다. 이는 이 시스템이 모든 가능한 결함에 대한 보편적인 전문가가 되려는 것이 아니라, 길쭉한 결함을 빠르고 정확하게 찾는 특정 작업에 완벽하게 조율된 전문 도구가 되도록 설계되었음을 시사합니다.

이 연구의 성공은 문제의 구체적인 형태에 집중한 데 있습니다. 컴퓨터에게 패턴의 주파수를 이해하도록 가르치고, 경계를 그리기 위해 길고 가는 필터를 사용하도록 함으로써, 연구진은 컴퓨터가 공장 검사관처럼 세상을 바라보게 만들었습니다. 즉, 문제를 나타내는 길고 연속적인 선을 찾도록 만든 것입니다. 결과는 속도와 길고 가는 결함을 포착하는 능력이 중요한 산업 분야에서, 이러한 특화된 접근 방식이 실용적이고 강력한 솔루션을 제공한다는 것을 보여줍니다. 이것은 인간의 감독 필요성을 대체하는 것이 아니라, 공장 현장에서 지치지 않고 작동하며 최상의 재료만이 앞으로 나아갈 수 있도록 보장하는 신뢰할 수 있고 빠르며 매우 정확한 눈을 제공하는 것입니다.

기술 요약: WSL-Det

문제 정의
가늘고 긴 형태의 표면 결함을 실시간으로 검사하는 것은 가죽 제조와 같이 결함이 가느다란 스크래치, 주름, 얼룩 선 또는 불규칙한 띠 모양의 흔적으로 나타나는 산업 분야에서 품질 관리를 위해 매우 중요합니다. 기존의 1단계(one-stage) 탐지기들은 주파수에 민감한 질감 변화나 이방성(anisotropic)의 장거리 구조를 명시적으로 모델링하지 못하기 때문에 이러한 대상들을 처리하는 데 어려움을 겪는 경우가 많습니다. YOLO 시리즈나 RT-DETR 변형 모델과 같은 기존 딥러닝 모델들이 강력한 베이스라인을 제공하지만, 띠 형태의 산업 결함이 갖는 방향적 연속성과 미세한 경계 특성을 처리하도록 특별히 설계되지는 않았습니다. 수동 검사는 비용이 많이 들고 오류가 발생하기 쉬우므로, 실시간 처리량과 길쭉한 이상치의 정밀한 국지화(localization) 사이의 균양을 맞추는 자동화된 솔루션이 필요합니다.

방법론
저자들은 Vajra 프레임워크를 기반으로 구축된 실시간 탐지기인 WSL-Det(Wave-Attention and Strip-Localization Detector)를 제안합니다. 이 아키텍처는 표준적인 backbone-neck-head 파이프라인을 유지하면서, 띠 형태의 결함 형태를 해결하기 위해 두 가지 타겟팅된 수정을 도입했습니다:

파동 기반 어텐션 대체(Wave-Based Attention Replacement): Vajra 어텐션 단계의 self-attention token mixer를 WaveAttentionV2 연산자로 교체했습니다. WaveFormer 아키텍처에서 영감을 받은 이 모듈은 감쇠 파동 방정식(damped wave equation)을 사용하여 시각적 특징을 모델링합니다. 이는 특징 맵을 학습 가능한 전파 속도, 감쇠 및 이득(gain) 항에 의해 제어되는 시간 흐름에 따른 시맨틱 필드로 취급합니다. 이 설계는 일반적인 token mixer보다 저주파 연속성(길쭉한 궤적)과 고주파 증거(경계 및 질감 변화)를 더 효과적으로 포착하는 것을 목표로 합니다.
스트립 강화 국지화 헤드(Strip-Enhanced Localization Head): 디커플드(decoupled) 탐지 헤드의 국지화 브랜치를 **직교 스트립 컨볼루션(sequential orthogonal strip convolutions)**을 사용하여 재설계했습니다. 판별적인 외형에 의존하는 분류(classification) 브랜치와 달리, 회귀(regression) 브랜치는 결함의 방향을 따라 연속적인 기하학적 지원이 필요합니다. 스트립 모듈은 수평 및 수직의 대형 스트립 연산자를 통해 이방성 컨텍스트를 집계합니다.
계층별 스트립 커널 할당(Layer-Wise Strip-Kernel Allocation): 다양한 규모의 결함을 수용하기 위해, 저자들은 세 가지 탐지 레이어( $P_3, P_4, P_5$ )에 특정 스트립 커널 크기( $k_3 < k_4 < k_5$ )를 할당하는 전략을 제안합니다. 이를 통해 고해상도 레이어는 미세한 국부적 민감도를 보존하는 한편, 저해상도 레이어는 더 긴 방향적 연속성을 포착할 수 있게 합니다.

주요 기여
본 논문은 다섯 가지 주요 기여를 설명합니다:

Vajra를 기반으로 한 산업용 띠 결함 대응 주파수-구조 인지 탐지기인 WSL-Det 개발.
길쭉한 결함 인지를 위해 주파수 인지적 글로벌 상호작용을 강화하는 파동 기반 어텐션 메커니즘 통합.
길쭉한 형태의 바운딩 박스 회귀를 개선하기 위해 직교 스트립 컨볼루션을 사용하는 스트립 강화 국지화 헤드 설계.
탐지 레이어 전반에 걸쳐 혼합된 결함 길이와 규모를 처리하기 위한 계층별 스트립 커널 할당 전략 제안.
공개된 철강 결함 벤치마크(NEU-DET) 및 자체 수집된 가죽 데이터셋을 통한 검증을 통해 띠 형태 지향적 국지화 범위 내에서의 효과 입증.

실험 결과
본 방법은 두 가지 데이터셋, 즉 자체 수집된 가죽 데이터셋(1,431개 이미지, 7개 결함 카테고리)과 공개된 NEU-DET 철강 표면 결함 데이터셋에서 평가되었습니다.

가죽 데이터셋 성능: WSL-Det는 57.1 AP, 85.8 AP50, 59.1 APl을 달성하였으며, 이는 Vajra 베이스라인 대비 각각 18.9%, 8.6%, 11.5%의 향상을 나타냅니다. 또한 33.9 FPS로 작동하여, 가장 우수한 정확도 지표를 기록하는 동시에 비교된 가죽 탐지기들(YOLO11 및 YOLO12 포함) 중 가장 높은 속도를 보였습니다.
NEU-DET 성능: 철강 데이터셋에서 WSL-Det는 비교 모델 중 최고의 AP50 (76.0), APs (53.4), **APl (47.7)**을 달성하였으며, 25M의 파라미터를 사용하여 102.6 FPS를 기록했습니다. RT-DETRv4가 더 높은 전체 AP 및 AP75를 달로 달성했으나, WSL-Det는 특히 작고 긴 결함에 대해 우수한 정확도-속도 트레이드오프를 제공했습니다.
절제 연구(Ablation Studies): 실험을 통해 파동 기반 어텐션과 스트립 컨볼루션의 결합이 상호 보완적인 이점을 제공함을 확인했습니다. 파동 모듈은 글로벌 연속성 모델링을 개선했고, 스트립 헤드는 방향적 국지화를 강화했습니다. 결합된 모델은 가죽 데이터셋에서 AP75를 (36.5에서 56.6으로) 크게 향상시켜, 단순한 재현율(recall)뿐만 아니라 국지화 정확도가 개선되었음을 보여주었습니다.
일반화: MVTec 가죽 데이터에 대한 정성적 결과와 (가죽 데이터로만 학습된 후) NEU-DET에 대한 교차 재질 검증을 통해, 모델이 시각적 띠 결함 단서를 전이할 수 있음을 보여주었습니다. 다만 저자들은 재료 특유의 사전 지식 없이는 도메인 일반화에 한계가 있음을 언급했습니다.

의의 및 주장
본 논문은 WSL-Det를 모든 탐지기 제품군을 대체하는 범용적인 모델이 아니라, 띠 형태가 지배적인 산업 결함을 위한 태스크 특화적 개선 모델로 포지셔oring합니다. 저자들은 본 방법의 의의가 (주파수 인지적 글로벌 인지와 구조 인지적 방향 국지화를 통해) 대상 결함의 형태학을 인코딩하면서도 실시간 실행 가능성을 유지하는 능력에 있다고 주장합니다.

결과에 따르면, 모든 종합 지표(일반 벤치마크의 전체 AP 등)를 극대화하는 것보다 실시간 처리량과 길쭉한 결함의 정밀한 국지화가 우선시되는 자원 제한적 산업 시나리오에서 WSL-Det는 유리한 균형을 제공합니다. 저자들은 충분한 학습 데이터의 필요성, 저해상도 이미지에 대한 민감도, 그리고 가장 강력한 트랜스포머 베이스라인들과의 전체 AP 격차 등을 한계점으로 인정하며, 향후 데이터 증강 및 경계 정밀화 연구를 제안합니다.

유사한 논문