자동차 부품 제조 공정의 정상제품 기반 비전 검사를 위한 비지도 이상 감지 모델 구현 = Implementation of an Unsupervised Anomaly Detection Model for Vision-Based Inspection Using Normal Samples in Automotive Parts Manufacturing

국문 초록 (Abstract)

본 연구는 자동차 부품 제조 공정에서 정상 제품만을 활용하여 불량을 탐지할 수 있는 비지도 이상 감지 모델을 제안한다. 기존의 지도 학습 기반 품질 검사 모델은 불량 샘플 확보의 어려움과 불량 형상의 다양성으로 인해 현장 적용에 한계가 있었다. 이를 해결하기 위해 본 연구는 STABILIZER LINK의 융착 공정을 대상으로, 정상 이미지 기반 mean embedding과 Polar 구조의 패치 분할을 결합한 비지도 이상 탐지 구조를 설계하였다. 관심 영역을 동심원–각도 단위로 분할하여 CNN 기반 피처 임베딩을 추출하고, raw·radial·angular deviation을 가중 결합하여 패치 단위 이상 점수를 계산한 뒤 이미지 전체의 이상 여부를 판정하였다. 또한 제조 현장의 높은 불량 검출력 요구를 반영하기 위해 테스트 데이터에서 NG 이미지의 최소 이상 점수를 활용한 자동 threshold 최적화 절차를 도입하여 Recall 100%를 유지하면서 Precision을 최대 83.3%까지 향상하였다. 실험 결과, 제안 모델은 다양한 파라미터셋에서 안정적인 불량 검출 성능을 보였으며, CPU 환경에서도 평균 1초 미만의 판정 속도를 기록하여 GPU 없이도 실시간 적용이 가능함을 확인하였다. 본 연구는 불량 형상 정의가 어려운 제조 공정에서도 정상 이미지만으로 안정적인 품질 검사가 가능한 경량 비지도 모델을 제시하며, 제조 현장에서의 실용성과 확장성을 동시에 확보할 수 있음을 보여준다.

다국어 초록 (Multilingual Abstract)

This study proposes an unsupervised anomaly detection model for automotive manufacturing that requires only normal images. To address the difficulty of collecting diverse defect samples, the model analyzes the welding area of a stabilizer link using a polar patch decomposition and CNN-based feature
embeddings. Anomaly scores are computed from raw, radial, and angular
deviations, and an automatic thresholding method based on the minimum NG anomaly score ensures 100% recall while maximizing precision, achieving up to 83.3%. Experiments show that the model delivers stable detection performance and operates in under one second on a CPU, demonstrating its suitability for real-time industrial inspection.
Overall, the proposed lightweight model enables reliable quality assessment using only normal images, offering practical applicability and scalability in manufacturing environments.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경과 목적 1
• 가. 연구의 배경 1
• 나. 기존 연구의 한계 2
• 다. 연구의 목적 3
• 라. 본 연구의 기여도 3
• 마. 논문의 구성 3
• II. 관련 연구 4
• 1. 제조업 비전 검사 기술 동향 4
• 가. 제조업 비전 검사의 일반적 어려움 4
• 나. 객체 탐지 기반 모델 5
• 다. 분류(Classification) 기반 모델 6
• 라. 전통적 이미지 처리 기반 검사 6
• 2. 비지도 이상 감지(Unsupervised Anomaly Detection) 연구 동향 7
• 가. Autoencoder 기반 모델 7
• 나. GAN 기반 모델 8
• 다. One-class classification 기반 모델 8
• 라. 패치 기반 통계적 이상 탐지 모델 9
• 마. 제조업에서 비지도 이상 감지가 필요한 이유 10
• 3. Polar 기반 원형 구조 분석 연구 10
• 가. Polar 좌표계의 정의와 특성 11
• 나. Polar 기반 분석의 기존 연구 동향 11
• 다. Cartesian 기반 패치 분할의 구조적 한계 11
• 라. Polar 기반 분석의 제조업 적용성 12
• 4. 거리 기반 이상 점수 연구 12
• 가. 거리 기반 이상 탐지의 이론적 배경 13
• 나. 기존 연구에서 사용된 거리 지표 13
• 다. 거리 기반 이상 탐지의 제조업 적용성 14
• 라. 기존 거리 기반 모델의 한계 14
• 5. Threshold 설정 및 제조업 적용 연구 15
• 가. Threshold의 이론적 의미 15
• 나. 기존 연구에서 사용된 threshold 설정 방식 16
• 다. 제조업에서 threshold 설정이 어려운 이유 17
• 라. 기존 비지도 모델의 threshold 한계 17
• 마. 본 연구의 threshold 자동 최적화 방식의 필요성 18
• 바. 본 연구의 threshold 자동 최적화 방식의 독창성 18
• 6. 본 연구의 차별성 19
• III. 기술적 배경 19
• 1. CNN 기반 Feature Embedding 19
• 가. 합성곱 연산(Convolution)의 수학적 구조 20
• 나. 패딩(Padding)과 스트라이드(Stride)의 역할 20
• 다. 활성화 함수(Activation Function)의 역할 21
• 라. 풀링(Pooling)의 역할과 한계 21
• 마. CNN 기반 Feature Embedding의 의미 22
• 바. 제조업 이미지에서 CNN이 특히 효과적인 이유 22
• 사. 본 연구에서 CNN을 사용하는 이유 23
• 2. Polar 좌표계 기반 원형 구조 분석 23
• 가. Polar 좌표계의 수학적 정의 23
• 나. 본 연구의 Polar 기반 접근의 독창성 24
• 3. 패치 기반 분석(Patch-based Analysis) 25
• 가. 패치 기반 분석의 장점 25
• 나. 기존 패치 기반 모델의 한계 25
• 4. 거리 기반 이상 점수(Distance-based Anomaly Score) 26
• 가. 본 연구의 거리 기반 이상 점수 개선점 26
• 나. 세 deviation의 결합이 가지는 의미 27
• 다. 본 연구의 거리 기반 접근의 독창성 27
• 5. 정규화(Normalization) 및 Combined Score 28
• 6. Threshold 설정의 이론적 근거 28
• 7. 설명 가능성(Explainability) 기반 시각화 29
• IV. 연구 방법 29
• 1. 이미지 획득 환경 30
• 2. 데이터 준비 32
• 가. 실제 생산 이미지 기반 데이터 구성 33
• 나. 학습 및 테스트 이미지 선별 과정 33
• 다. 카메라 기반 640x640 크롭 이미지 활용 35
• 3. 모델 개발 환경 36
• 4. 모델 적용 흐름 37
• 5. ROI 자동 추출 (Hough Circle Transform 기반) 38
• 가. ROI 검출 방식: 중심은 자동 검출, 반지름은 고정값 사용 39
• 나. 이러한 방식이 필요한 이유 39
• 다. ROI 고정 방식이 모델 전체에 미치는 영향 40
• 6. 패치 단위 분할 40
• 가. r-direction 분할 (반지름 기반 분할) 41
• 나. θ-direction 분할 (각도 기반 분할) 41
• 다. Adaptive Patch Extraction (반지름 기반 패치 크기 조절) 41
• 라. Orientation Alignment (패치 회전 보정) 42
• 마. 패치 단위 분할의 전체 효과 42
• 7. Feature Embedding 추출 43
• 가. 다양한 크기의 패치를 처리하기 위한 구조적 특징 43
• 나. 패치 단위 embedding 생성 과정 44
• 다. 정상 embedding 기반 기준 벡터 생성 44
• 라. embedding 구조의 장점 45
• 8. 패치별 이상 점수 계산 45
• 가. Raw Deviation (기준 embedding과의 직접 비교) 45
• 나. Radial Transition Deviation (반지름 방향 변화 분석) 46
• 다. Angular Transition Deviation (각도 방향 변화 분석) 46
• 라. 세 점수의 결합 (Combined Anomaly Score) 46
• 9. 시각화 47
• 가. Heatmap 기반 시각화 47
• 나. Mask 기반 시각화 (선택적) 47
• 다. Heatmap과 Mask의 상호 보완적 역할 48
• 10. Threshold 및 파라미터 자동 탐색 48
• 가. 파라미터 조합 자동 반복 탐색 49
• 나. Recall 100% 조건 기반 threshold 자동 산출 49
• 다. Recall 100% 조건 하에서 Precision 최대화 50
• 라. 현장 재학습을 위한 자동화 구조 50
• V. 실험 및 결과 51
• 1. 데이터셋 구성 51
• 2. 성능 평가 지표 51
• 가. Recall (재현율) 51
• 나. Precision (정밀도) 52
• 다. Recall 우선 전략의 필요성 52
• 3. 패치 분할 및 파라미터 조합 실험 53
• 가. 패치 분할 관련 파라미터 53
• 나. 이상 점수 가중치 조합 53
• 다. 자동 탐색 절차 54
• 4. 이상 점수 분포 분석 54
• 가. 정상불량 분포의 중심 경향 차이 55
• 나. KDE 곡선의 일부 구간에서 시각적 겹침 발생 55
• 다. 실제 anomaly score 값도 완전히 분리되어 있지 않음 55
• 라. 분포가 겹쳐도 Recall 100%가 가능한 이유 56
• 마. 분포 분석의 의미 56
• 5. 자동 최적화 결과 56
• 가. Recall 100% 달성의 의미 57
• 나. Precision 83.3%의 의미 57
• 다. 왜 Precision이 100%가 아니어도 문제가 없는가 57
• 라. 최적 조합의 해석 58
• 마. 전체 파라미터 조합 비교 58
• 6. 시각화 기반 모델 동작 예시 59
• 가. 정상 이미지 시각화 결과 59
• 나. 불량 이미지 시각화 결과 60
• 다. 시각화 기반 설명 가능성의 의의 61
• 라. 종합 해석 61
• 7. 추론 속도 분석 62
• 가. 전체 추론 시간 62
• 나. 패치 분할(r, a)에 따른 연산량 변화 62
• 다. CPU 환경에서도 실시간성이 확보되는 이유 63
• 라. 종합 해석 63
• 8. 학습 데이터 수 변화 실험 63
• 가. Precision 변화 분석 64
• 나. 왜 데이터 수가 크게 영향을 주지 않는가 64
• 다. 제조업 환경에서의 실용적 의미 64
• 라. 종합 해석 65
• 9. 종합 결과 66
• 가. 불량 미검(FN) 제로: Recall 100% 달성 66
• 나. Precision 최대 83.3% 66
• 다. CPU 환경에서도 실시간 검사 가능 67
• 라. 히트맵 기반 설명 가능성 확보 67
• 마. 정상 데이터만으로 학습 가능 67
• 바. 제조업 문제 해결에 대한 실용적 의의 67
• VI. 논의 68
• 1. 실험 결과 해석 68
• 2. 기존 연구와의 비교 69
• 3. 제조업 현장 적용 시 고려사항 69
• 4. 모델의 한계 70
• 5. 향후 연구 방향 70
• 가. ROI 검출의 강건성 향상 70
• 나. pretrained CNN 기반 feature extractor 적용 70
• 다. 모델 경량화 및 최적화 71
• 라. 다중 공정다중 부품 확장 71
• 마. Self-supervised learning 기반 embedding 강화 71
• 바. 데이터 규모 확장 및 일반화 성능 검증 71
• VII. 결론 71