VTEM : 질감 임베딩 거리 기반 도장 표면 이상탐지

국문 초록 (Abstract)

최근 제조 산업에서는 제품의 외관 품질이 제품 신뢰도와 고객 만족도에 직접적인 영향을 미치면서 도장 표면 품질에 대한 자동화된 이상 탐지 기술의 중요성이 증가하고 있다. 그러나 기존의 도장 품질 검사는 대부분 작업자의 육안에 의존하며, 이는 검사자의 피로 누적, 주관적인 판단, 인력 부족 등으로 인해 검사 정확도의 일관성 유지가 어렵다는 한계를 가지고 있다.
본 논문에서는 이러한 한계를 극복하기 위해 VTEM(Visual Texture Embedding Matching) 모델을 제안한다. VTEM은 정상 이미지의 질감 임베딩을 기준(Anchor)으로 설정하고, 테스트 이미지에서 추출된 질감 임베딩과의 거리 기반 스코어(score)를 통해 이상 여부를 판단한다. 이 과정에서 ViT(Vision Transformer) 구조를 활용하여 전역 질감 정보를 효과적으로 추출하고, MBCA(Multi-Branch Channel Attention)와 CSA(Cross Spatial Attention) 구조를 통해 채널 및 공간 정보를 강조하여 더욱 정밀한 이상 탐지를 수행한다. 특히, 본 모델은 Top-K 평균 기반의 스코어 산출 방법과 Validation 기반의 Threshold 설정 전략을 통해 성능의 안정성과 신뢰성을 높였다.
실험은 AI Hub에서 제공된 선박 도장 품질 데이터를 사용하여 수행되었으며, 기존 이상 탐지 모델인 ResNet50, PatchCore 등과 성능을 비교하였다. 실험 결과, 제안한 VTEM은 AUROC, F1-score, Accuracy 등 주요 평가지표에서 기존 방법 대비 우수한 성능을 기록하였으며, 특히 Validation 데이터 수에 따른 성능 변화를 분석하여 최적의 Threshold 기준을 탐색하였다.
본 논문은 비지도 방식으로 운영되며 데이터 부족 환경에서도 높은 성능을 보장할 수 있는 새로운 도장 이상 탐지 프레임워크를 제시하였다. 나아가 다양한 산업 환경에서의 활용 가능성 및 실시간 적용을 위한 경량화 가능성도 확인하였다.

다국어 초록 (Multilingual Abstract)

In modern manufacturing industries, ensuring the visual quality of coated surfaces has become increasingly crucial, directly influencing product reliability and customer satisfaction. Traditional coating quality inspections rely predominantly on human visual assessments, which are prone to fatigue, subjectivity, and labor shortages, resulting in inconsistent and unreliable evaluations in real-world production settings.
To overcome these limitations, this thesis proposes a novel anomaly detection framework named VTEM (Visual Texture Embedding Matching). VTEM identifies surface defects by evaluating the embedding-based scores derived from the distances between the embedding vectors of test images and normal texture reference embeddings (Anchor). The model employs a Vision Transformer (ViT) architecture to effectively capture global texture information and integrates Multi-Branch Channel Attention (MBCA) and Cross Spatial Attention (CSA) mechanisms to emphasize critical channel and spatial features. Furthermore, the framework utilizes a Top-K mean-based scoring approach and a validation-based Thresholding strategy to enhance the stability and reliability of defect detection performance.
Experimental validation was conducted using a publicly available ship coating quality dataset provided by AI Hub. Comparative evaluations against existing models, including ResNet50 and PatchCore, demonstrated that VTEM achieves superior performance across key metrics such as AUROC, F1-score, and accuracy. Specifically, this thesis explored the performance variability according to different validation dataset sizes, enabling the identification of optimal Thresholding criteria.
This thesis presents a robust unsupervised anomaly detection framework capable of maintaining high performance even in data-scarce environments. Additionally, it highlights the feasibility of VTEM's practical application across diverse industrial contexts and explores the potential for future lightweight adaptations suitable for real-time inspections.

목차 (Table of Contents)

• 제1 장 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 논문의 구성 2
• 제2 장 관련 연구 3
• 2.1 데이터 불균형 대응 기법 3
• 2.1.1 Triplet 기반 거리 학습 기법 3
• 2.1.2 PatchCore 기반 비지도 이상 탐지 기법 5
• 2.2 질감 표현 강화 기법 6
• 2.2.1 VQGNet 기반 질감 표현 강화 기법 6
• 2.2.2 기존 Attention 기법의 구조적 참고 7
• 제3 장 제안 방법 8
• 3.1 VTEM 모델 개요 8
• 3.2 VTEM 모델의 구조 9
• 3.2.1 ViT 모델 기반 Feature Extractor 12
• 3.2.2 Attention 기반 질감 강화 구조 14
• 3.2.3 Score 계산 17
• 3.2.4 Threshold 설정 방법 18
• 제4 장 실험 및 결과 21
• 4.1 실험 환경 및 데이터세트 21
• 4.1.1 실험 환경 21
• 4.1.2 데이터세트 21
• 4.2 평가 지표 24
• 4.3 실험 결과 26
• 제5 장 결론 29
• 5.1 논문의 요약 및 기여점 29
• 5.2 논문의 강점과 한계점 29
• 5.3 향후 연구 방향 30
• 참고문헌 31