25분
이상 탐지: 정상만 배우면 불량을 찾을 수 있다
Day 4: 이상 탐지 (비지도 학습)
이상 탐지: 정상만 배우면 불량을 찾을 수 있다
비전 AI — 제조 외관검사 시스템 > Day 4: 이상 탐지 (비지도 학습)
학습 목표
이상 탐지가 분류/탐지와 다른 근본적 차이를 이해한다 정상 데이터만으로 학습하는 비지도 방식의 장점을 파악한다 제조 현장에서 이상 탐지가 필수인 상황을 설명할 수 있다
왜 이상 탐지가 필요한가
Day 2-3의 한계
[지도 학습의 전제 조건]
CNN 분류: 각 불량 유형별 라벨링된 데이터 필요
YOLO 탐지: 불량 위치까지 라벨링된 데이터 필요
문제:
1. 불량 데이터가 극히 부족 (양품 99%, 불량 1%)
2. 새로운 불량 유형이 계속 등장
3. 한 번도 본 적 없는 결함은 분류 불가[이상 탐지의 발상 전환]
"불량을 배우는 것이 아니라, 정상을 배운다."
"정상에서 벗어나면 → 이상(불량)"
학습 데이터: 정상(양품) 이미지만 필요!
추론: 입력 이미지가 정상 분포에서 벗어나면 "이상"
장점:
├── 불량 데이터 불필요 (양품만 수집)
├── 새로운 불량 유형 자동 감지
├── 라벨링 비용 제로
└── 빠른 도입 가능이상 탐지 알고리즘 분류
[이상 탐지 알고리즘 계보]
재구성 기반 (Reconstruction)
├── Autoencoder (AE)
├── Variational Autoencoder (VAE)
└── GANomaly
특징 임베딩 기반 (Feature Embedding)
├── PatchCore ★ (현재 SOTA)
├── SPADE
└── PaDiM
분포 기반 (Distribution)
├── Gaussian Mixture
├── Student-t
└── Normalizing Flow
추천:
입문 → Autoencoder (원리 이해)
프로덕션 → PatchCore (최고 성능)제조에서 이상 탐지가 필수인 경우
| 상황 | 이유 | 예시 |
|---|---|---|
| 불량 데이터 부족 | 새 제품라인, 불량률 극저 | 반도체 신규 공정 |
| 미지의 불량 | 이전에 없던 결함 유형 | 신소재 적용 |
| 빠른 도입 | 라벨링 시간 없음 | 긴급 품질 이슈 |
| 다품종 소량 | 품목별 학습 불가 | 주문형 부품 제조 |
이상 탐지 vs 분류/탐지 비교
| 비교 항목 | 분류/탐지 | 이상 탐지 |
|---|---|---|
| 학습 데이터 | 양품 + 불량 (라벨) | 양품만 |
| 새 불량 대응 | 불가 (재학습) | 자동 감지 |
| 위치 특정 | YOLO로 가능 | 히트맵으로 가능 |
| 정확도 | 높음 (알려진 불량) | 중간~높음 |
| 설명 가능성 | GradCAM | 이상 점수 맵 |
AI로 학습하기 — 꿀팁
🧪정상 데이터만으로 불량 탐지하는 원리 심화AI 학습 팁
비지도 이상 탐지가 지도학습 분류와 근본적으로 다른 이유를 제조 현장의 데이터 수집 현실과 연결해 이해한다.
신규 반도체 패키지 라인을 구축 중인데 불량 데이터가 거의 없다(정상 5,000장, 불량 3장). 다음 두 접근법을 비교 분석해줘: A) 지도학습 이진 분류(정상/불량), B) 비지도 이상 탐지(정상 패턴 학습). 1) 각 방법에서 3장의 불량 이미지를 어떻게 활용하는지(또는 활용 못하는지), 2) 6개월 후 라인이 안정화되어 불량 이미지 500장이 쌓였을 때 각 방법의 성능 변화 예측, 3) 제품 모델이 매달 바뀌는 환경에서 각 방법의 재학습 비용 비교, 4) 이상 탐지의 'Anomaly Score'와 분류 모델의 'Confidence Score'의 의미 차이와 임계값 설정 방식. 실제 반도체 패키지 검사 현장 맥락에서 설명해줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • 이상 탐지는 정상 데이터만으로 학습하여 미지의 불량을 감지한다
- • 불량 데이터 부족, 새로운 불량 유형 대응에 이상 탐지가 필수
- • Autoencoder(입문)와 PatchCore(프로덕션)가 제조에서 주로 사용
- • 지도 학습과 이상 탐지를 조합하면 최강의 검사 시스템