초록
산업 분야의 비지도 이상 탐지(unsupervised anomaly detection)는 고성능 산업 자동화 프로세스를 위한 핵심 과제이자 중요한 연구 주제로 부각되고 있다. 대부분의 산업 중심 기법은 이상을 탐지하기 위해 정상 샘플(良 sample)로부터 학습하는 데 집중하고 있으나, 일부 산업 환경에서는 더 적은 종류의 학습 데이터만으로도 일반화 가능한 이상 탐지 기법이 요구된다. 대표적인 사례로는 직물의 이상 탐지가 있으며, 이는 다양한 색상과 직물 종류를 다뤄야 하며, 학습을 위해 생산 라인을 중단하는 것은 현실적으로 불가능하다. 본 논문에서는 도메인 일반화(anomaly detection) 과정에서 특이성 학습(specificity-learning)을 통합한 산업용 직물 질감 결함 탐지 자동화 프로세스를 제안한다. 일반화 능력과 학습 프로세스를 결합함으로써, 빠르고 정밀한 이상 탐지 및 세그멘테이션을 가능하게 한다. 본 논문의 주요 기여는 다음과 같다: 1) 최신 기술 수준(SOTA)의 성능을 달성하는 도메인 일반화 기반 직물 질감 이상 탐지 방법, 2) 제안된 방법을 통해 추출한 정상 샘플을 활용한 빠른 특이성 학습, 3) 사용자 정의 결함 생성 기반의 자체 평가 방법, 4) 이미 학습된 직물 종류를 자동으로 탐지하여 재학습을 방지하는 기능.