Anomaly Detection for Industrial USB Images Using a Cascaded U-Net Trained Only on Normal Data

산업 현장에서 수집되는 이미지 데이터는 정상 샘플에 비해 비정상(이상) 데이터의 수가 현저히 적고, 그 유형 또한 다양하여 비정상 데이터를 기반으로 한 지도 학습이 어렵다. 이에 본 연구에서는 산업용 USB 이미지의 정상 데이터만을 이용하여 비정상 영역을 효과적으로 검출할 수 있는 계단식 U-Net을 제안한다. 제안 모델은 정상 이미지를 입력받아 동일한 정상 이미지를 복원하도록 학습되며, 비정상 이미지가 입력될 경우 정상 복원 이미지를 생성함으로써 비정상 영역을 식별한다. 본 연구에서는 U-Net의 구조를 기반으로 하되, 스킵 연결의 제거, 네트워크 깊이의 확장, 그리고 단계별 복원 체계를 도입하여 과복원 현상을 억제하였다. 다양한 변형 모델을 설계 및 비교한 결과, 제안된 계단식 U-Net은 타 모델 대비 정상 복원 품질과 이상 탐지 성능 모두에서 뛰어난 성능을 입증하였다.