결함이 있는 알약의 전용(전이/변질) 탐지는 최근의 광범위한 연구에도 불구하고, 결함 데이터의 부재로 인해 여전히 어렵다. 본 논문에서는 알약 검출 모듈과 자동인코더 기반 결함 검출 모듈로 구성된 파이프라인을 제안하여 알약 포장 내 결함 알약을 탐지한다. 또한 본 모델을 검증하기 위한 새로운 데이터셋을 구축하였다. 알약 검출 모듈은 알루미늄-플라스틱 포장 내 알약을 개별 알약으로 분할한다. 분할을 위해 얕은 분할(segmentation) 네트워크를 사용한 뒤, watershed 알고리즘으로 이를 개별 알약으로 분할하였다. 결함 검출 모듈은 개별 알약에서 결함을 식별한다. 이 모듈은 정상 데이터에 대해서만 학습된다. 따라서 모듈이 결함 데이터를 올바르게 재구성하지 못할 것으로 기대된다. 그러나 실제로는, 네트워크를 정상 데이터만으로 학습하더라도 기존의 자동인코더가 결함 데이터를 예상보다 더 잘 재구성하는 현상이 나타난다. 이에 본 연구에서는 이러한 문제를 방지하기 위해 패치 분할(patch division) 방법을 도입한다. 패치 분할은 합성곱 인코더 네트워크의 출력을 패치 단위 특성으로 나눈 다음, 패치 단위 인코더 레이어를 적용하는 과정으로 이루어진다. 이때 각 잠재 패치는 독립적인 가중치와 바이어스를 가진다. 이는 입력 이미지를 여러 개의 국소 자동인코더로 재구성하는 것으로 해석할 수 있다. 패치 분할은 네트워크가 전체 재구성 능력(용량)을 감소시키면서 국소 영역만을 재구성하는 데 집중하도록 만들어, 제안된 네트워크가 보지 못한 데이터에 대해서는 잘 재구성하지 못하게 한다. 실험 결과, 제안된 패치 분할 기법은 결함 검출 성능을 실제로 향상시키며 기존의 딥러닝 기반 이상 탐지(anomaly detection) 방법을 능가함을 보였다. 또한 절제(ablation) 연구를 통해 패치 단위 특성의 결합 이후 압축(compression)과 패치 분할의 효능이 확인되었다.

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