Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] Industrial Image Anomaly Detection

산업 이미지 이상 탐지는 제조 현장에서의 결함 검출과 품질 관리에 필수적인 기술로 자리 잡고 있다. 초기 연구들은 정상 이미지만을 학습하여 분포에서 벗어나는 데이터를 이상으로 판별하는 방식이 주를 이루었다. 그러나 실제 환경에서는 정상 데이터조차 충분히 확보하기 어렵고, 결함의 양상은 매우 다양하며, 새로운 제품이나 공정 변화에 적응하기도 쉽지 않다. 이러한 이유로 기존 방식만으로는 산업 현장의 복잡한 요구를 충족하기 어렵다는 한계가 드러났다. 이러한 문제를 해결하기 위해 최근 연구들은 여러 방향에서 확장되고 있다. 일부는 소량의 비정상 데이터를 함께 활용하여 보다 정밀한 탐지를 가능하게 하고, 또 다른 연구들은 사전학습된 대규모 모델을 활용해 새로운 환경에도 빠르게 대응할 수 있는 범용성을 확보하고자 한다. 더 나아가, 2D 이미지에만 머무르지 않고 3D 형상이나 구조적 정보를 반영하여 실제 공정에서 발생하는 복잡한 이상 패턴까지 포착하려는 시도도 활발하다. 본 세미나에서는 이러한 다양한 연구 흐름을 다각도의 관점에서 살펴보며, 산업 이미지 이상 탐지 분야가 어떻게 진화하고 있는지를 소개하고자 한다. 참고자료 [1] Yao, X., Li, R., Zhang, J., Sun, J., & Zhang, C. (2023). Explicit boundary guided semi-push-pull contrastive learning for supervised anomaly detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 24490-24499). [2] Jeong, Jongheon, et al. "Winclip: Zero-/few-shot anomaly classification and segmentation." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023. [3] Wang, Y., Peng, J., Zhang, J., Yi, R., Wang, Y., & Wang, C. (2023). Multimodal industrial anomaly detection via hybrid fusion. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 8032-8041).