Earticle

초록

한국어

본 논문에서는 하부 조명 AOI 환경에서 촬영된 나사 헤드부 영상의 특성을 고려하여, 비지도 이상 표현과 지도학습 기반 판정을 결합한 표면 이상 검출 및 분류 프레임워크를 제안한다. 제안 기법은 도메인 특화 전처리를 통해 분석 영역을 나사 헤드부 표면으로 정렬한 후, Dinomaly 기반 비지도학습을 통해 정상 분포 대비 구조적 편차를 이상 맵 형태로 추출한다. 생성된 이상 맵을 RGB 영상과 결합하여 지도학습 기반 분류기에 입력함으로써, 임계값 설정 에 의존하지 않는 안정적인 정상/이상 판정을 수행한다. 실험 결과, 제안 기법은 다양한 CNN 및 Transformer 백 본 전반에서 일관되게 우수한 성능을 보였다. 특히 Dinomaly 기반 이상 맵은 단독 입력만으로도 평균 F1-score 99.17%을 기록하여 기존 기법보다 강인한 성능을 보였으며, RGB와 이상 맵을 결합한 다중 채널 구성에서는 평균 정확도 및 F1-score 99.40%를 달성하여 최상의 분류 안정성을 확인하였다. 이를 통해 이상 맵이 단순한 시각화를 넘어 분류 성능을 실질적으로 향상시키는 고신뢰 특징 표현임을 정량적·정성적으로 확인하였다.

영어

This study presents a surface anomaly detection and classification framework that integrates unsupervised anomaly representation with supervised learning-based decision-making, tailored to the specific characteristics of screw head images acquired under low-light automated optical inspection (AOI) conditions. The proposed methodology employs domain-specific preprocessing to accurately align the region of interest with the screw head surface, followed by the extraction of structural deviations from the normative distribution as anomaly maps via Dinomaly-based unsupervised learning. These anomaly maps are subsequently fused with RGB images and supplied to a supervised classifier, facilitating robust OK/NG classification independent of threshold selection. Experimental evaluations reveal consistently superior performance across diverse CNN and Transformer architectures. Notably, the Dinomaly-generated anomaly map, when utilized in isolation, surpasses existing approaches, achieving an average F1-score of 99.17%. In a multi-channel setting that integrates both RGB and anomaly maps, the proposed framework attains average accuracy and F1-score values of 99.40%, underscoring its exceptional classification stability. These results quantitatively and qualitatively substantiate that the anomaly map serves as a high-confidence feature representation, advancing beyond mere visualization to significantly enhance classification outcomes.

목차

요약
Abstract
1. 서론
2. 관련 연구
2.1 DINO
2.2 ViTAD
2.3 Dinomaly
2.4 기존 연구와의 차별점
3. 제안 기법
3.1 나사 헤드부 도메인 특화 전처리
3.2 Dinomaly 기반 나사 헤드부 표면 이상 특징학습
3.3 지도학습 기반 이상 분류 모델
4. 실험 설정
4.1 데이터셋
4.2 학습 하이퍼파라미터
4.3 비교군 모델
5. 실험 결과 분석 및 논의
5.1 실험 결과
5.2 분석 및 논의
6. 결론 및 향후 연구
Acknowledgements
참고문헌

저자

• 박창준 [ Changjoon Park | 국립한국교통대학교 교통ㆍ에너지융합학과 ]
• 송현석 [ Hyunseok Song | 국립한국교통대학교 소프트웨어학과 ]
• 김남중 [ Namjung Kim | 국립한국교통대학교 교통ㆍ에너지융합학과 ]
• 박준휘 [ Junhwi Park | 국립한국교통대학교 교통ㆍ에너지융합학과 ]
• 곽정환 [ Jeonghwan Gwak | 국립한국교통대학교 소프트웨어학과 ] 교신저자

참고문헌