기계 학습을 이용한 자동 표면 이상 탐지가 시각 검사 응용 분야에 매우 큰 직접적인 영향을 미치는 흥미롭고 유망한 연구 영역으로 자리 잡고 있습니다. 딥러닝 방법은 이 작업에 가장 적합한 접근 방식이 되었습니다. 이러한 방법들은 단순히 몇 개의 예시 이미지를 보여주면서 검사 시스템이 표면 이상을 탐지하도록 학습할 수 있게 합니다. 본 논문에서는 표면 이상 탐지와 분할을 위한 세그멘테이션 기반의 딥러닝 아키텍처를 제안하며, 특히 표면 균열 탐지 분야에서 이를 입증합니다. 이 아키텍처 설계는 실제 응용에서 중요한 요구 사항인 소수의 샘플로 모델을 학습시키는 것이 가능하도록 합니다. 제안된 모델은 최신 상업 소프트웨어를 포함한 관련 딥러닝 방법들과 비교되었으며, 표면 균열 탐지 분야에서 제안된 접근 방식이 관련 방법들을 능가함을 보여줍니다. 대규모 실험은 주석의 필요한 정밀도, 필요한 학습 샘플 수 및 필요한 계산 비용에 대한 정보를 제공하였습니다. 실험은 실제 품질 관리 사례를 기반으로 새로 생성된 데이터셋에서 수행되었으며, 제안된 접근 방식이 약 25-30개의 결함 샘플만 사용하여 소수의 결함 표면에서 학습할 수 있음을 입증하였습니다. 일반적으로 딥러닝 응용 프로그램에서는 수백 또는 수천 개의 샘플이 필요하지만, 이는 산업 현장에서 결함 샘플의 수가 제한되어 있는 경우에도 딥러닝 방법을 실용적으로 활용할 수 있게 합니다. 또한 이 데이터셋은 공개되어 있어 새로운 표면 결함 탐지 방법들의 개발과 평가를 촉진하기 위해 제공되었습니다.