산업 환경에서 결함 데이터를 수집하는 데에는 상당한 시간과 비용이 소요되므로, 이러한 문제를 해결하기 위해 비지도 학습 기반 이상 탐지 알고리즘이 개발되고 있다. 그러나 임펠러를 생산하는 주조 공정에서의 이상 탐지에 관한 연구는 주로 지도 학습 접근법에 집중되어 왔다.따라서 본 논문에서는 주조 공정에서의 이상 탐지를 위한 비지도 딥러닝 모델을 제안한다. Efficient AD에 사용되는 오토인코더는 업샘플링 재구성 방법으로 인해 임펠러 데이터에서 미세한 수준의 결함 패턴을 탐지하는 데 한계가 있다. 이에 우리는 학습 가능한 업샘플링 방식인 전치 컨볼루션(transposed convolution) 계층을 활용하는 오토인코더로 전환하여 미세 결함에 대한 탐지를 향상시킨다. 또한 향후 연구에서 다양한 비지도 이상 탐지 알고리즘의 픽셀 수준 국소화 성능을 평가할 수 있도록, 임펠러 이상에 대한 픽셀 정밀(precision) 정답 영역을 제공한다. 실험 결과는 임펠러 데이터셋을 통해, 탐지 정확도와 추론 효율성뿐 아니라 특히 픽셀 수준 국소화에서의 우수성을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.