세 가지 접근

1. 분류 (Classification)

이미지를 양품/불량으로 나눕니다. 결함 유형별로 나누기도 합니다.

• 필요한 것: 각 유형별 라벨 이미지
• 한계: 결함 위치를 알려주지 않습니다

2. 검출 (Detection)

결함의 위치와 종류를 함께 찾습니다.

• 필요한 것: 바운딩 박스 라벨 (비용이 큽니다)
• 얻는 것: 위치·개수 — 조치와 원인 분석에 유용합니다

3. 이상탐지 (Anomaly Detection)

정상 이미지만 학습하고, 정상에서 벗어난 것을 이상으로 봅니다.

• 필요한 것: 정상 이미지만 — 불량 데이터가 없어도 시작할 수 있습니다
• 한계: 결함 유형을 구분하지 못합니다. "뭔가 다르다"까지입니다

어느 것을 고를까

제조 현장의 현실은 불량 데이터가 적다는 것입니다. 잘 만드는 공정일수록 불량이 드물고, 새 제품은 아직 불량 이력이 없습니다.

상황	권장
불량 이미지가 유형별 30장 미만	이상탐지로 시작
불량 유형을 구분해야 하고 데이터가 쌓임	분류
위치·개수가 필요하고 라벨 예산이 있음	검출
초기 → 성숙	이상탐지로 시작해 데이터가 쌓이면 분류·검출로

앞 과정(설비 예지보전)에서도 같은 이유로 이상탐지부터 시작했습니다. 데이터가 부족한 초기에는 정상만 학습하는 접근이 현실적입니다.

전이학습 — 처음부터 학습하지 않는다

대규모 이미지로 미리 학습된 모델을 가져와, 우리 데이터로 마지막 부분만 다시 학습합니다. 이렇게 하면 수백 장으로도 쓸 만한 성능이 나옵니다. 수만 장이 필요하다는 말은 처음부터 학습할 때의 이야기입니다.

배우지 않은 불량이 나타나면 — Open Set 문제

세 접근에는 공통된 맹점이 있습니다. 학습한 범위 안에서만 답한다는 점입니다. 스크래치·크랙·이물 셋을 배운 분류 모델에 처음 보는 박리 결함을 넣으면, "모르겠다"고 하지 않고 셋 중 하나로 우겨 넣습니다. 그것도 꽤 높은 확신도로 그렇게 합니다.

학습 데이터에 없던 종류가 실제로 나타나는 이런 상황을 Open Set 문제라고 부릅니다. 결함의 종류가 미리 정해져 있다는 가정, 곧 닫힌 집합 가정이 깨지는 것입니다. 제조는 이 일이 유난히 자주 일어나는 현장입니다.

• 공정 조건을 바꾸면 이전에 없던 결함이 생깁니다
• 자재 공급처가 바뀌면 표면 상태가 달라집니다
• 금형과 공구가 닳으면서 서서히 새로운 형태가 나타납니다

대응은 세 갈래입니다.

첫째, 모델이 "모른다"고 말할 수 있게 합니다. 확신도가 낮은 구간을 재검으로 빼는 3단 판정이 그 장치입니다. 다음 태스크에서 이 임계값을 정량적으로 다룹니다.

둘째, 이상탐지를 분류와 함께 돌립니다. 분류는 아는 유형을 구분하고, 이상탐지는 아는 유형 어디에도 잘 들어맞지 않는 것을 걸러냅니다. 역할이 다르므로 겹치지 않습니다.

셋째, 재검으로 떨어진 이미지를 버리지 않고 모읍니다. 여기에 같은 모양이 반복해서 쌓이기 시작하면 그게 새 결함 유형이라는 신호입니다.

재검 구간을 없애 판정률 100퍼센트를 만들면 지표는 깔끔해지지만, 미지 불량은 그대로 양품 판정을 받고 흘러나갑니다. 모른다고 말할 자리를 남기는 것이 Open Set 대응의 출발점입니다.