Self-/Semi-Supervised and Noise-Robust Anomaly Detection for Manufacturing
연구 내용
라벨 확보가 어려운 제조 환경에서 자기지도 기반 이상탐지와 노이즈 내성 학습을 결합하여 결함을 안정적으로 국소화하는 연구
제조 현장에서는 결함 라벨의 희소성으로 인해 일반적인 지도학습이 제약을 받습니다. 연구는 자기지도 이상탐지에서 정상 데이터의 재구성/예측 실패가 outlier로 관찰되는 점에 기반하여 상관 특성 기반 클러스터링을 통해 효율적인 학습 샘플을 구성합니다. 또한 픽셀 단위 이상 국소화를 위해 autoencoder 구조를 전개 합성이 아닌 학습 가능한 upsampling(전이합성곱)을 사용하도록 변경하여 미세 결함 패턴 검출 민감도를 높입니다. 더 나아가 pseudo-label 과정에서 발생하는 noisy label 영향을 transition matrix와 KL-divergence 기반 샘플 분리로 완화하며, 결함 탐지 파이프라인에 지역 관심영역 기반 정밀 풀링과 Mixup을 통합하여 검출 성능을 보완합니다.
관련 연구 성과
관련 논문
5편
관련 특허
0건
관련 프로젝트
2건
연구 흐름
초기에는 라벨이 제한된 time series 환경에서 outlier를 활용한 자기지도 이상탐지 프레임워크를 제안하여 정상 대비 비정상을 분리하는 학습 구성을 확립했습니다. 이후 제조 영상 기반으로 확장하며, 주조 공정에서 픽셀 레벨 이상 국소화를 목표로 학습 가능한 upsampling을 갖는 autoencoder로 성능을 개선했습니다. 동시에 pseudo-labeling의 노이즈를 transition matrix로 모델링하고 noisy sample과 clean sample을 구분하여 준지도 학습의 최종 성능을 안정화하는 연구를 수행했습니다. 최근에는 noisy label learning에서 샘플 선택 전략의 최신 흐름을 정리하는 방향으로 후속 연구를 이어가고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Self-Supervised Anomaly Detection Using Outliers for Multivariate Time Series
Pixel-level Anomaly Detection System for Casting Process Using an Unsupervised Deep Learning Model
A Noise-Resilient Auto-Labeling Framework With Transition Matrix
Deep Learning Based Steel Plate Surface Defect Detection with Precise RoI Pooling
Divide, Select and Learn: Recent Trends in Sample Selection for Noisy Label Learning
관련 프로젝트
구분
제목
신뢰성 있는 딥러닝 기반 웨이퍼 불량 탐지 모델 개발
신뢰성 있는 딥러닝 기반 웨이퍼 불량 탐지 모델 개발