논리적 이상감지 98% ‘AI’…스마트팩토리 불량 검출 정확도 높인다

- DGIST 박상현 교수팀, 스탠퍼드 대학 연구팀과 공동연구

DGIST 연구진이 제안한 모델의 영역화 결과. 가장 오른쪽에서 정확한 영역화 결과를 얻은 반면 왼쪽의 비교기법들은 정확한 영역화에 실패했다.[DGIST 제공]

[헤럴드경제=구본혁 기자] 대구경북과학기술원(DGIST) 로봇및기계전자공학과 박상현 교수팀은 미국 스탠퍼드 대학과 함께 인공지능을 활용해 스마트팩토리의 불량 검출 성능을 향상시키는 논리적 이상감지 기술을 개발했다.

논리적 이상은 이미지 내 구성요소의 개수, 배열 또는 구성과 같은 기본 논리 제약을 위반하는 데이터를 의미한다. 영상 내 일부분만 검사하면 비교적 쉽게 검출 가능한 구조적 이상과 달리 논리적 이상은 영상 전체의 다양한 구성요소를 구분할 수 있어야 한다. 그러나 기존 인공지능 모델은 논리적 이상감지에서는 평균 90%를 넘기지 못하는 저조한 AUROC 점수를 기록했다.

박상현 교수 연구팀은 제한된 성능을 극복하기 위해 각각의 부품을 정확하게 영역화하는 모델을 먼저 학습하고 이를 이용해 이상감지를 수행하는 모델을 제안했다.

영역화 모델을 학습하기 위해 픽셀 단위의 레이블 작업이 필요한데 이로 인해 발생하는 막대한 노동력 문제를 해결하기 위해 소수의 정답지를 활용하는 퓨삿(Few-shot) 영역화 기법을 함께 제안했다. 모델 학습에 사용된 영상들은 동일한 방식으로 조합돼 있어, 각 영상은 다르지만 부품 개수나 픽셀 수가 유사하기 때문에 히스토그램을 활용한 목적함수를 최소화하여 영역화 모델을 효과적으로 학습했다. 결과적으로 제안한 기법은 기존 퓨샷 영역화 기법들보다 우수한 정확성을 보여주었다.

박상현(왼쪽) 교수와 김수필 박사과정.[DGIST 제공]

연구팀은 영상의 영역화 정보를 활용해 논리적 이상감지와 구조적 이상감지를 동시에 수행하는 모델을 제안했다. 총 세 개의 메모리 뱅크를 활용해 테스트 영상과 비교하며 이상감지 점수를 효과적으로 계산하는 방법을 사용했다.

연구팀은 이 기술을 현존 데이터셋 중 가장 어려운 논리적 이상감지 데이터셋 MVTec LOCO AD에 적용했다. 기존 기법이 논리적 이상감지에서 평균 90% 이하의 성능을 기록한 것에 반해 제안한 기법은 평균 98%의 성능을 기록했다.

박상현 교수는 “이번 연구를 통해 논리적 이상감지 성능을 극적으로 향상시켰다”며 “이 기술이 스마트 팩토리에서의 불량검출에 사용되는 비용을 획기적으로 줄일 수 있을 것으로 기대한다”고 말했다.

이번 연구결과는 우수성을 인정받아 인공지능 분야 최상위 학회지 ‘AAAI’에 2월 게재됐다.

nbgkoo@heraldcorp.com

Copyright ⓒ 헤럴드경제 All Rights Reserved.