[논문 리뷰] Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey

Tao Xian, Xinyi Gong외 3명|arXiv (Cornell University)|2022. 07. 21.

Anomaly Detection Techniques and Applications인용 수 11

한 줄 요약

이 종합 검토는 산업 영상에서 딥러닝 기반 비지도 이상 진단 방법에 대해 120篇 이상의 논문을 분석하여 개념, 과제, 분류 체계, 데이터셋, 성능 기준을 포함해 종합적으로 검토한다. 주요 추세를 파악하고 최신 기술을 평가하며, 레이블이 부여된 이상 데이터에 의존하지 않는 산업 시각 시스템에서의 결함 검출을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Currently, deep learning-based visual inspection has been highly successful with the help of supervised learning methods. However, in real industrial scenarios, the scarcity of defect samples, the cost of annotation, and the lack of a priori knowledge of defects may render supervised-based methods ineffective. In recent years, unsupervised anomaly localization algorithms have become more widely used in industrial inspection tasks. This paper aims to help researchers in this field by comprehensively surveying recent achievements in unsupervised anomaly localization in industrial images using deep learning. The survey reviews more than 120 significant publications covering different aspects of anomaly localization, mainly covering various concepts, challenges, taxonomies, benchmark datasets, and quantitative performance comparisons of the methods reviewed. In reviewing the achievements to date, this paper provides detailed predictions and analysis of several future research directions. This review provides detailed technical information for researchers interested in industrial anomaly localization and who wish to apply it to the localization of anomalies in other fields.

연구 동기 및 목표

• 산업 환경에서 결함 레이블이 제한적인 과제를 해결하기 위해 산업 영상에서 이상 진단을 위한 비지도 딥러닝 접근법을 검토한다.
• 산업 영상 분석에서 비지도 이상 진단 방법에 대한 체계적인 분류 체계를 제공한다.
• 표준 기준 데이터셋을 사용하여 다양한 비지도 방법의 성능을 평가하고 비교한다.
• 비지도 산업 이상 검출 분야에서의 열린 과제와 새로운 연구 방향을 규명한다.
• 연구자들이 이 기법들을 산업 검사 이외의 분야로 응용하는 데를 지원한다.

제안 방법

• 산업 영상에서 비지도 이상 진단에 관한 120편 이상의 주요 논문을 대상으로 체계적인 문헌 검토를 수행한다.
• 재구성 기반, 생성 모델링, 자기지도 학습 기반 표현 학습 등의 핵심 학습 프레임워크에 따라 방법을 분류한다.
• MVTec AD, MVTec-3D 및 기타 이상 진단 성능 평가에 사용된 기준 데이터셋 분석을 수행한다.
• 표준 지표인 AU-ROC 및 F1-스코어를 사용하여 최신 모델의 정량적 비교를 수행한다.
• 최근 연구에서 사용된 방법론적 추세, 아키텍처 선택, 데이터 증강 전략을 분석한다.
• 산업 환경에서의 모델 일반화, 강건성, 실용적 구현 고려 사항에 대한 통찰를 통합한다.

실험 결과

연구 질문

• RQ1 비지도 딥러닝을 활용한 산업 이상 진단에서 지배적인 방법론적 범주들은 무엇인가?
• RQ2 다양한 비지도 방법이 표준 기준 데이터셋에서 이상 진단 정확도 측면에서 어떻게 성능을 내는가?
• RQ3 실제 산업 검사 시스템에 비지도 이상 진단을 적용할 때의 주요 과제는 무엇인가?
• RQ4 현재의 한계를 바탕으로 볼 때 이 분야에서 가장 유망한 향후 연구 방향은 무엇인가?
• RQ5 아키텍처 설계 선택과 학습 전략은 비지도 이상 진단 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• 재구성 기반 방법, 특히 적대적 또는 어텐션 메커니즘을 갖춘 오토인코더를 사용한 방법은 MVTec AD와 같은 표준 기준에서 뛰어난 성능을 보인다.
• 자기지도 학습 및 대비 학습 기반 접근법은 이상 레이블 없이도 구분 가능한 특징을 학습함으로써 점점 더 유망한 것으로 나타났다.
• MVTec AD 데이터셋은 여전히 가장 널리 사용되는 기준 데이터셋이며, 최신 모델은 질감 및 물체 카테고리에서 AU-ROC 점수 95% 이상를 기록하고 있다.
• 이상 진단 성능는 결함 유형에 따라 크게 달라지며, 미세한 결함과 작은 이상은 더 큰 과제를 안고 있다.
• 특징 학습과 이상 진단을 동시에 최적화하는 엔드 투 엔드 학습 가능한 모델로의 추세가 뚜렷하다.
• 진전이 있었음에도 불구하고, 예측되지 않은 결함 유형으로의 일반화 능력과 도메인 이동 상황에서의 강건성은 여전히 핵심적인 열린 과제이다.