🏆40분
도전 과제: MVTec 데이터셋으로 이상 탐지 시스템 구축
Day 4: 이상 탐지 (비지도 학습)
도전 과제: MVTec 데이터셋으로 이상 탐지 시스템 구축
비전 AI 외관검사 > Day 4: 이상 탐지 (비지도 학습)
학습 목표
- 이상 탐지 모델을 선택하고 학습하여 제조 이미지의 이상을 감지한다
- AUROC 0.90 이상을 달성하는 모델을 구축한다
도전 과제: 이상 탐지 시스템 구축
미션
MVTec AD 데이터셋(또는 합성 데이터)으로 이상 탐지 시스템을 구축하세요.
요구사항
- Day 4 의 세 방법(Autoencoder / VAE / 패치 메모리) 중 하나를 골라 같은 데이터로 돌린다
- 이미지 AUROC 와 화소 AUROC 를 모두 보고한다. 두 값이 다른 이유를 한 문단으로 적는다
- 이상 점수 히트맵을 만들고 정답 마스크와 나란히 놓는다
- 임계값을 평가에 쓰지 않은 정상 표본으로 정하고, 그 절차를 적는다
- 틀린 사례(미검 1건, 과검 1건)를 골라 왜 틀렸는지 이미지를 보며 적는다
AUROC 목표값을 요구사항에 넣지 않은 것은 일부러다. 합성 데이터에서는 결함을 우리가 그렸으므로 값이 잘 나오고, 그 값에는 정보가 거의 없다. 틀린 사례를 들여다보는 5번이 이 과제에서 가장 중요하다.
평가 기준
| 항목 | 배점 |
|---|---|
| 이미지·화소 AUROC 를 모두 재고 차이를 설명 | 25% |
| 히트맵과 정답 마스크 비교 | 25% |
| 임계값 결정 절차(누수 없음) | 20% |
| 틀린 사례 분석 | 20% |
| 코드 품질 및 문서화 | 10% |
보너스
- anomalib PatchCore 적용 (+20%)
- AE vs VAE 성능 비교 실험 (+10%)
- 2단계 검사 전략 구현 (+10%)
AI로 학습하기 — 꿀팁
MVTec 이상 탐지 시스템 설계 검토AI 학습 팁
MVTec 데이터셋으로 구축한 이상 탐지 시스템의 임계값 설정, 모델 선택, 배포 전략을 AI에게 종합 검토받으세요.
MVTec 데이터셋을 활용한 제조 외관 이상 탐지 시스템을 구축했습니다. 다음을 검토해 주세요: 1) PatchCore 모델에서 정상/이상 경계 임계값을 실제 공장 불량 허용 기준(예: 100ppm)에 맞춰 Precision-Recall 커브로 결정하는 방법, 2) MVTec 텍스처 카테고리(가죽, 금속, 타일)별로 모델 성능 차이가 나는 원인과 각 유형에 맞는 전처리 차이, 3) 학습 시 정상 이미지만 사용했는데 양산 시 새로운 불량 유형이 등장할 때 모델 갱신 전략, 4) 탐지 결과(Anomaly Map)를 현장 작업자가 이해하기 쉬운 형태로 시각화하는 방법. 각 항목에 대해 구체적인 구현 방법과 코드 패턴을 제안해 주세요.
이 팁이 도움이 됐나요?