다중 조명 디스플레이 결함 탐지를 위한 대조적 지식 증류 기법
Contrastive Knowledge Distillation for Anomaly Detection in Multi-Illumination/Focus Display Images
arXiv다중 조명 및 다초점 환경의 디스플레이 이미지에서 육안으로 식별하기 어려운 미세 결함을 자동으로 탐지하는 AI 기술입니다.
- 기존 지식 증류 방식(MKD)의 한계를 극복한 '다중 해상도 대조 증류(MCD)' 기법을 도입하여 결함 탐지 성능을 획기적으로 개선했습니다.
- 디스플레이 산업의 품질 검사 기준을 높여, 고난도 환경에서도 높은 신뢰도로 결함을 찾아내는 데 크게 기여할 것입니다.
- 다중 조명 및 다초점 특화 데이터셋(MMdAD)을 기반으로 경쟁 기술 대비 우수한 탐지 성능이 입증되었습니다.
본 연구는 다중 조명 및 다초점 환경의 디스플레이 이미지에서 발생하는 미세한 결함을 자동으로 탐지하는 기술을 목표로 합니다. 기존에는 일반적인 RGB 이미지를 사용하고 정상 데이터만을 학습시킨 모델로는 이러한 표면의 미세 결함을 정확하게 식별하기 어렵다는 문제점을 해결하고자 했습니다.
이를 위해 (Knowledge Distillation) 기반의 새로운 대조적 학습 방식을 제안했습니다. 기본 골격으로 다중 해상도 지식 증류(MKD)를 채택하여 교사 네트워크와 학생 네트워크 간의 특징 유사도를 측정하는 방식으로 작동합니다. 여기에 더해, 기존 방식의 한계를 극복한 다중 해상도 대조 증류(MCD)라는 새로운 대조적 학습 방법을 도입했습니다.
제안된 MCD는 앵커를 사용한 양성/음성 쌍을 요구하지 않으며, 대신 교사 및 학생 특징 간의 거리를 당기거나 밀어내는 방식으로 작동합니다. 또한, 다중 채널 정보를 변환하고 집계하여 MCD의 세 채널 입력 레이어로 통합하는 블렌딩 모듈도 추가했습니다. 이 방법은 수집된 Multi-illumination and Multi-focus display image dataset (MMdAD)에서 AUROC 및 정확도 지표 모두에서 기존 최고 성능 기술 대비 우수한 결과를 보였습니다.
용어 풀이
- 지식 증류
- 큰 모델의 답을 작은 모델이 따라 배우게 해서 가볍고 빠른 모델을 만드는 방법.