SuperSimpleNet: Unifying Unsupervised and Supervised Learning for Fast and Reliable Surface Defect Detection

1. Introduction

Surface Defect Detection(SDD)은 제조 부품 표면의 결함 및 불규칙 영역을 식별 및 분류하는데 사용되는 기술이다. SDD 모델이 실제 현장에 적용되려면 성능과 유연성이 충족되어야 한다. SuperSimpleNet은 이러한 산업적 요구사항을 충족하기 위해 SimpleNet 아키텍처를 최적화하고, 합성 이상 데이터 생성(synthetic anomaly generation) 기법을 도입하여 학습 안정성과 검출 성능을 개선한 모델이다. 또한, SuperSimpleNet은 비지도 학습용으로 설계된 구조를 확장하여 실제 결함 라벨을 활용한 지도 학습 기능을 추가하고, 이미지의 전역 문맥(global context)을 반영하는 분류 헤드(classification head)를 통합함으로써 성능을 개선한다.

2. Method

• Feature extractor & Feature adaptor
  SuperSimpleNet은 특징 추출기를 WideResNet50과 추가적인 업스케일링 레이어를 통해서 특징맵의 저해상도 문제를 개선한다. 또한, 단순 선형 레이어로 구성된 feature adaptor를 추가해서, 이상 탐지 주제에 맞게 특징맵을 추가 변환한다.

• Feature-space anomaly generation
  Perline 노이즈 이미지를 임계값으로 걸러서 이진화된 이상 마스크를 생성한다. 이후, 비지도 학습 중에는 정상 이미지에 합성된 이상 마스크가 생성되며, 지도 학습 중에는 합성된 이상 마스크가 레이블된 결합 구간을 제외하고 생성된다. 이후, 이상 마스크에는 가우시안 노이즈가 적용 후, 특징맵에 추가된다. 가우시안 노이즈는 학습의 안정성을 위해서 이상 마스크를 사용하지 않는 경우도 특징맵에 추가된다.

• Segmentation-detection module & Loss function
  SuperSimpleNet에는 결합 구간을 예측하기 위한 segmentation head 외의 classification head가 추가된다. Classification head는 모델이 false positive를 줄이면서, 입력 이미지의 전체적인 의미를 파악하게 한다. 학습 시 손실 함수는 segmentation loss와 classification loss가 계산되며, 두 손실 함수는 focal loss가 적용된다.

---

3. Experiments

실험에서는 SuperSimpleNet이 비지도와 지도 학습 모두 성능이 개선됨을 보인다. 특히, 논문의 이상 마스크 합성 방법과 모델 구조 변경이 학습의 안정성을 높이는 점을 확인할 수 있다.