최근 딥러닝 기법이 산업 품질 검사 분야의 표면 결함 탐지 문제 해결에 활용되기 시작했다. 그러나 학습을 위해 대량의 데이터와 높은 정밀도의 라벨이 요구되며, 이로 인해 많은 산업적 문제는 쉽게 해결되기 어렵거나, 라벨링 비용이 증가함에 따라 해결책의 비용이 크게 상승하는 문제가 존재한다. 본 연구에서는 전면적인 감독 학습 기법에 대한 엄격한 요구 조건을 완화하고, 상세한 라벨링의 필요성을 줄이기 위해 노력한다. 제안된 딥러닝 아키텍처를 통해, 이미지 수준의 약한 라벨부터 혼합 감독, 그리고 픽셀 수준의 전면적인 라벨에 이르기까지 다양한 수준의 라벨을 활용하여 표면 결함 탐지 작업을 탐색한다. 제안된 엔드투엔드 아키텍처는 결함 세그멘테이션과 분류 결과를 도출하는 두 개의 하위 네트워크로 구성되어 있다. 제안된 방법은 산업용 품질 검사에 사용되는 여러 데이터셋—KolektorSDD, DAGM, Severstal Steel Defect—에서 평가되었으며, 실제 산업 문제 해결 과정에서 수집된 3,000장 이상의 이미지와 다양한 종류의 결함을 포함하는 새로운 데이터셋인 KolektorSDD2도 제안한다. 본 연구는 네 가지 데이터셋 모두에서 최신 기술 수준의 성능을 달성하였으며, 전면 감독 설정에서는 모든 관련 기법을 능가하고, 이미지 수준의 라벨만 존재하는 약한 감독 환경에서도 기존의 약한 감독 방법보다 우수한 성능을 보였다. 또한, 약한 라벨링된 학습 이미지에 단 몇 개의 전면 라벨링된 샘플만 추가하여 혼합 감독을 적용할 경우, 전면 감독 모델과 비슷한 성능을 달성할 수 있음을 보여주며, 이는 라벨링 비용을 크게 절감할 수 있음을 시사한다.