PatchCore: 정상 패치 도감으로 이상을 찾는다

핵심 아이디어

[PatchCore 동작 원리]

학습 단계:
1. 정상 이미지들을 사전학습 CNN(ImageNet)에 통과
2. 중간 층의 패치별 특징 벡터 추출
3. 메모리 뱅크에 저장 (코어셋 서브샘플링)

추론 단계:
1. 새 이미지를 같은 CNN에 통과
2. 패치별 특징 벡터 추출
3. 메모리 뱅크에서 가장 가까운 정상 패치와의 거리 계산
4. 거리가 크면 → 이상!

직관적 설명:
"정상 패치 도감을 만들어 놓고,
 새 패치가 도감에 없으면 이상."

[PatchCore vs Autoencoder]

                    Autoencoder            PatchCore
학습 방식            신경망을 역전파로 학습   사전학습 특징을 저장만 한다
학습 시간            에포크 수에 비례        특징 추출 한 번 + 서브샘플링
정확도               구현·하이퍼파라미터에    아래 벤치마크 표 참고
                     따라 크게 흔들린다
하이퍼파라미터        많다(구조·잠재 차원·    적다(백본·층·코어셋 비율)
                     학습률·에포크)
설명 가능성           재구성 오차 맵          패치별 거리 맵
메모리 사용           모델 가중치만           메모리 뱅크 크기에 비례

학습 시간과 정확도의 구체적인 값은 백본·이미지 장수·하드웨어에 따라 달라진다. 아래 벤치마크는 MVTec AD 에서 보고된 값이고, 우리 제품의 값은 직접 재야 안다.

MVTec 벤치마크 성능

MVTec AD 15개 카테고리 평균이고 각 방법의 원 논문에서 보고한 값이다. Autoencoder·VAE 는 구조와 학습 설정에 따라 결과가 크게 흔들려 "AE 는 몇 %"라고 한 줄로 적을 수 있는 값이 없다. 그래서 표에서 뺐다.

이 표를 우리 제품에 그대로 옮기지 마라. 카테고리마다 값이 크게 다르고 (평균이 99% 라도 어려운 카테고리는 훨씬 낮다), 우리 결함은 MVTec 에 없다.

anomalib: 이상 탐지 라이브러리

Intel이 만든 오픈소스 라이브러리. PatchCore 포함 10+ 알고리즘을 통합 제공.

# 설치는 두 단계다. 두 번째를 빠뜨리면 임포트가 깨진다.
pip install "anomalib>=2.0"
anomalib install

from anomalib.models import Patchcore
from anomalib.data import MVTecAD          # 예전 이름 MVTec 은 MVTecAD 로 바뀌었다
from anomalib.engine import Engine

datamodule = MVTecAD(root="./datasets/MVTecAD", category="bottle")
model = Patchcore()
engine = Engine()
engine.fit(model=model, datamodule=datamodule)

anomalib 은 인터페이스가 자주 바뀐다. 위 코드는 2.x 기준이고, 임포트가 실패하면 pip show anomalib 로 버전을 확인한 뒤 그 버전의 문서를 본다.

anomalib 지원 알고리즘

제조 추천: PatchCore (정확도 최우선) 또는 EfficientAD (속도 중시)