스탠퍼드대학팀과 공동연구
AI 활용 ‘논리적 이상감지’ 개발
기존 기법 대비 정확도 껑충
AI 활용 ‘논리적 이상감지’ 개발
기존 기법 대비 정확도 껑충
DGIST 로봇및기계전자공학과 박상현 교수팀이 스탠퍼드 대학팀과 협력하여 논리적 이상감지 기술을 개발했다. 인공지능을 활용한 이 기술은 산업용 영상에서 발생하는 논리적 이상을 정확하게 감지해 스마트 팩토리의 불량 검출 성능을 크게 향상시킬 것으로 기대된다.
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 기존의 인공지능 모델은 논리적 이상감지에서는 평균 90%를 넘기지 못하는 저조한 AUROC 점수를 기록했다.
이에 박상현 교수 연구팀은 제한된 성능을 극복하기 위해 각각의 부품을 정확하게 영역화하는 모델을 먼저 학습하고 이를 이용하여 이상감지를 수행하는 모델을 제안했다. 결과적으로, 제안한 기법은 기존 퓨샷 영역화 기법들보다 우수한 정확성을 보여줬다. 나아가 본 연구에서는 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 해당 기술을 활용하여 현존 데이터셋 중 가장 어려운 논리적 이상감지 데이터셋 MVTec LOCO AD에 적용했다. 기존의 기법이 논리적 이상감지에서 평균 90% 이하의 성능을 기록한 것에 반해 제안한 기법은 평균 98%의 성능을 기록했다.
이번 연구는 대구경북과학기술원 일반사업과 대구디지털혁신진흥원의 지원을 통해 수행했으며, 결과는 그 우수성을 인정받아 인공지능 분야 최상위 학회인 ‘Association for the Advancement of Artificial Intelligence (AAAI)’에 2024년 2월 게재됐다.
김종현기자 oplm@idaegu.co.kr
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 기존의 인공지능 모델은 논리적 이상감지에서는 평균 90%를 넘기지 못하는 저조한 AUROC 점수를 기록했다.
이에 박상현 교수 연구팀은 제한된 성능을 극복하기 위해 각각의 부품을 정확하게 영역화하는 모델을 먼저 학습하고 이를 이용하여 이상감지를 수행하는 모델을 제안했다. 결과적으로, 제안한 기법은 기존 퓨샷 영역화 기법들보다 우수한 정확성을 보여줬다. 나아가 본 연구에서는 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 해당 기술을 활용하여 현존 데이터셋 중 가장 어려운 논리적 이상감지 데이터셋 MVTec LOCO AD에 적용했다. 기존의 기법이 논리적 이상감지에서 평균 90% 이하의 성능을 기록한 것에 반해 제안한 기법은 평균 98%의 성능을 기록했다.
이번 연구는 대구경북과학기술원 일반사업과 대구디지털혁신진흥원의 지원을 통해 수행했으며, 결과는 그 우수성을 인정받아 인공지능 분야 최상위 학회인 ‘Association for the Advancement of Artificial Intelligence (AAAI)’에 2024년 2월 게재됐다.
김종현기자 oplm@idaegu.co.kr
저작권자 © 대구신문 무단전재 및 재배포 금지
