50분
Autoencoder 기반 이상 탐지 구현
Day 4: 이상 탐지 (비지도 학습)
Autoencoder 기반 이상 탐지 구현
비전 AI — 제조 외관검사 시스템 > Day 4: 이상 탐지 (비지도 학습)
학습 목표
Autoencoder의 구조(Encoder-Decoder)와 이상 탐지 원리를 이해한다 PyTorch로 Convolutional Autoencoder를 구현하고 학습할 수 있다 재구성 오차로 이상 점수를 계산할 수 있다
Autoencoder 이상 탐지
원리
[Autoencoder 구조]
입력 이미지 (224x224)
↓
┌─────────────────┐
│ Encoder │ 이미지 → 압축 벡터
│ 224→112→56→28 │
│ → latent │
└────────┬────────┘
│ 잠재 벡터 (256차원)
┌────────┴────────┐
│ Decoder │ 압축 벡터 → 이미지 복원
│ 28→56→112→224 │
└─────────────────┘
↓
복원 이미지 (224x224)
[이상 탐지 원리]
정상 이미지로 학습 → 정상 패턴만 복원 가능
정상 입력 → 잘 복원됨 → 오차 작음 → 양품
이상 입력 → 복원 실패 → 오차 큼 → 불량!에디터 로딩 중...
핵심 포인트
- • Autoencoder는 정상 이미지만으로 학습하여 이상을 감지한다
- • 재구성 오차(MSE)가 큰 이미지 = 정상에서 벗어난 이상 이미지
- • 임계값은 정상 점수의 mean + 3*std로 설정하는 것이 기본
- • Encoder의 잠재 벡터 차원이 너무 크면 이상도 완벽히 복원되어 검출 불가
AI로 학습하기 — 꿀팁
🤖Conv Autoencoder 이상탐지 코드 생성AI 학습 팁
AI에게 제조 표면 이미지용 Convolutional Autoencoder를 PyTorch로 스캐폴딩하도록 요청하세요. 재구성 오차 임계값 자동 설정 로직을 포함해 받으세요.
제조 금속 표면 이상 탐지용 Convolutional Autoencoder를 PyTorch로 구현해줘. Encoder(Conv2d+BatchNorm+ReLU 4블록)와 Decoder(ConvTranspose2d 4블록)를 포함하는 모델 클래스, 정상 이미지만으로 학습하는 루프, 재구성 오차 분포의 95% 백분위수를 이상 임계값으로 자동 설정하는 코드를 포함해줘.
이 팁이 도움이 됐나요?