산업용 머신비전을 위한 Feature 기반 경량화 이상 탐지 기법에 관한 연구

A Lightweight Feature-Based Anomaly Detection Method Using Industrial Machine Vision

본 논문에서는 비지도 학습(Unsupervised Learning) 기반 이상 탐지 기법인 EfficientAD와 본 논문에서 제안한 Feature-based AD를 비교·평가하였다. 실험 결과, Feature-based AD는 별도의 학습 과정이 필요하지 않고 단일 forward와 통계 기반 연산만으로 Anomaly score를 산출할 수 있어, 추론 지연 시간과 메모리 사용 측면에서 효율적인 특성을 보였다. 특히 이미지 수준의 양불 판정 정확도에서는 MVTec 데이터 세트의 여러 카테고리에서 경쟁력있는 정확도를 확보하여, 산업 현장의 양불 판정 시스템에서 충분히 적용가능한 대안임을 확인하였다. 다만, Feature-based AD는 전체 평균 기반 Anomaly map을 활용하기 때문에 픽셀 수준의 정밀한 Localization 성능은 EfficientAD 대비 다소 떨어지는 한계를 보였으나, 불량의 존재 여부를 이미지 단위에서는 빠르고 안정적으로 판정 하는 데에는 충분히 실용적인 성능을 보여주었다.

In this study, we propose a lightweight feature-based anomaly detection (AD) method that relies on machine vision. The proposed approach is notably efficient in terms of inference latency and memory usage because it does not require a separate training phase and computes anomaly scores using a single forward pass combined with statistical operations. In particular, the results of an experimental evaluation show that the proposed method achieved competitive performance compared to a conventional unsupervised EfficientAD model in terms of accuracy in classifying defects from image data across various categories of the MVTec Anomaly Detection dataset. Thus, our findings demonstrate the potential of the proposed approach as a viable alternative for industrial defect inspection systems. However, the performance of the proposed method was limited in precise pixel-level localization tasks compared to that of EfficientAD because the feature-based AD model generates anomaly maps by averaging global features. Nonetheless, the recorded performance of the proposed method suffices for practical applications that call for fast and reliable defect detection from image data.