[논문 리뷰] A Survey on Unsupervised Anomaly Detection Algorithms for Industrial Images

Yajie Cui, Zhaoxiang Liu외 1명|arXiv (Cornell University)|2022. 04. 24.

Industrial Vision Systems and Defect Detection인용 수 6

한 줄 요약

이 종합 검토는 산업 이미지 이상 탐지에 대한 비지도 딥 러닝 알고리즘을 종합적으로 개괄하며, 복구 기반, 생성 기반, 표현 기반, 자기지도 기반, 하이브리드 접근 방식의 다섯 가지 방법론적 가문으로 분류한다. 이 중에서 가장 핵심적인 해결되지 않은 과제로는 오진 경고 비율(FAR)과 빠짐 경고 비율(MAR) 사이의 상충 관계를 지목하며, 향후 기초 모델과 다중모odal 학습의 통합을 통해 실제 산업 응용에서의 강인성과 일반화 능력을 향상시키기를 주장한다.

ABSTRACT

In line with the development of Industry 4.0, surface defect detection/anomaly detection becomes a topical subject in the industry field. Improving efficiency as well as saving labor costs has steadily become a matter of great concern in practice, where deep learning-based algorithms perform better than traditional vision inspection methods in recent years. While existing deep learning-based algorithms are biased towards supervised learning, which not only necessitates a huge amount of labeled data and human labor, but also brings about inefficiency and limitations. In contrast, recent research shows that unsupervised learning has great potential in tackling the above disadvantages for visual industrial anomaly detection. In this survey, we summarize current challenges and provide a thorough overview of recently proposed unsupervised algorithms for visual industrial anomaly detection covering five categories, whose innovation points and frameworks are described in detail. Meanwhile, publicly available datasets for industrial anomaly detection are introduced. By comparing different classes of methods, the advantages and disadvantages of anomaly detection algorithms are summarized. Based on the current research framework, we point out the core issue that remains to be resolved and provide further improvement directions. Meanwhile, based on the latest technological trends, we offer insights into future research directions. It is expected to assist both the research community and industry in developing a broader and cross-domain perspective.

연구 동기 및 목표

• 감독 학습 기반 딥 러닝이 산업 이상 탐지에 적용될 때, 결함 데이터를 대량으로 레이블링해야 하는 한계를 해결하기 위해, 이는 비용이 많이 들고 시간이 오래 걸린다.
• 산업 시각 응용 분야에 특화된 최근 비지도 이상 탐지 알고리즘에 대한 체계적인 검토를 제공하기 위해.
• 실제 산업 현장 구현에서의 주요 과제, 특히 오진 경고 비율과 빠짐 경고 비율 사이의 상충 관계를 특정하기 위해.
• 공개된 데이터셋의 존재를 강조하고, 산업 이상 탐지 연구에 적합한지를 평가하기 위해.
• 향후 연구 방향으로 기초 모델과 다중모달 학습을 제안하여 일반화 능력과 효율성을 향상시키기 위해.

제안 방법

• 논문은 비지도 이상 탐지 방법을 복구 기반, 생성 기반, 표현 기반, 자기지도 기반, 하이브리드 방법의 다섯 가지 그룹으로 분류하며, 그 기초 원리와 아키텍처에 기반한다.
• 각 방법 유형의 프레임워크와 혁신 포인트를 분석하며, 레이블이 부여된 이상 데이터 없이 정상 패턴을 학습하는 방식을 강조한다.
• MVTec, NEU-CLS, AITEX 등의 벤치마크 데이터셋을 사용하여 AUC-ROC, FAR, MAR 등의 표준 지표를 활용해 모델 성능을 평가한다.
• 사전 훈련된 모델과 기초 모델이 특징 표현 품질 향상과 도메인 간 이식 가능성 향상에 기여하는 역할을 논의한다.
• 최근의 다중모달 학습 기술(예: CLIP, Stable Diffusion)의 통합을 통해, 이미지 및 텍스트 프롬프트를 수용하는 미래의 모델 파이프라인을 제안한다.
• 방법론적 강점과 약점을 비교하며, 확장성, 추론 속도, 이상 지역 식별 정확도를 핵심 평가 기준으로 삼는다.

실험 결과

연구 질문

• RQ1 산업 이미지 이상 탐지에 쓰이는 비지도 딥 러닝 방법의 주요 범주들은 무엇이며, 아키텍처와 원리에서 어떻게 다릅니까?
• RQ2 실제 산업 환경에서 현재의 비지도 방법이 겪는 주요 한계는 무엇이며, 특히 오진 경고 비율과 빠짐 경고 비율 측면에서 어떻게 나타납니까?
• RQ3 MVTec, NEU-CLS, AITEX 등의 공개된 데이터셋이 강력한 이상 탐지 모델 개발을 어떻게 지원하거나 제약을 가하는가?
• RQ4 기초 모델과 다중모달 학습은 산업 이상 탐지 시스템의 성능과 적응 가능성에 어떻게 기여할 수 있습니까?
• RQ5 현재 기술 트렌드를 바탕으로, 산업 시각 분야에서의 비지도 이상 탐지에 가장 유망한 향후 연구 방향은 무엇입니까?

주요 결과

• 오진 경고 비율(FAR)과 빠짐 경고 비율(MAR) 사이의 상충 관계는 산업 분야의 비지도 이상 탐지에서 해결되지 않은 핵심 과제로 규명되었다.
• 사전 훈련된 모델을 사용하는 표현 기반 방법은 결함 데이터에 대한 미세조정 없이도 구분 가능한 특징을 추출할 수 있어 뛰어난 성능을 보인다.
• 복구 기반 및 생성 기반 모델(예: 오토에인코더, GAN)은 여전히 널리 사용되지만 고차원 무늬 이상과 정밀한 지역화 정확도 문제를 겪는 경향이 있다.
• 자기지도 및 대비 학습 방법은 정상 데이터만으로도 의미 있는 표현을 학습하기 위해 사전 과제를 활용함으로써 일반화 능력 향상에 기여한다.
• 기초 모델과 다중모달 학습(예: CLIP, SAM)은 새로운 결함 유형에 대해 제로샷 또는 소수 샘플 적응이 가능한 전환적 접근으로 부상하고 있다.
• 특히 기초 모델과 다중모달 입력을 통합하는 것은 강인성과 구현 효율성 향상에 있어 향후 개선의 핵심 방향으로 규명되었다.