본문으로 건너뛰기
버전: docs v25.02

Vision Anoamly Detection (VAD)

Updated 2025.05.12

What is Visual Anomaly Detection?​

Visual Anomaly Detection(VAD)은 정상 이미지를 학습하여 비정상 이미지를 감지하는 AI 컨텐츠입니다. 정상 이미지, 혹은 동일한 유형을 가진 이미지로 학습 데이터를 구성하여 학습한 이미지와 다른 이미지가 있을 때 이상 이미지로 사용자에게 알림을 줄 수 있습니다. VAD는 사용자가 이미지를 하나 씩 살펴보면서 정답지를 만들지 않아도 되기 때문에 정답지를 만들기 위한 비용이 절감됩니다.


When to use Visual Anomaly Detection?​

VAD는 다수의 정상 혹은 특정 유형으로 구성된 이미지와 소수의 비정상 혹은 기타 유형으로 구성된 이미지를 분류할 수 있습니다. 정답 라벨 없이 정상 혹은 특정 유형 이미지만 있으면 어떤 분야에서도 VAD를 적용할 수 있습니다. 주된 활용 분야는 다음과 같습니다.

  • 제조업: 제품의 외관 검사 혹은 비전 검사 공정에서 대부분이 정상 제품에 해당이 되며 이상 제품이 많지 않은 경우 정답지 없이 이상 제품을 자동으로 분류하여 확인할 수 있습니다.
  • 재고 관리: 정답 라벨이 없는 이미지 데이터를 이용하여 다른 제품이 섞여있지 않은지 확인할 수 있습니다.
  • 농업: 스마트폰 이미지를 통해 작물의 상태를 모니터링하고 병충해, 생육 이상 등을 조기에 발견합니다. 이를 통해 농작물 관리의 효율성을 높일 수 있습니다.

아래는 실제 VAD을 적용한 다양한 실제 사례 중 세 가지입니다.

Bolt inspection(TBD)​

각종 전기차 부품 중에서 bolt나 부품 정상 채결 여부에 대한 이미지 기반 이상탐지 솔루션입니다.

Critical Defect Detection(TBD)​

전기차 부품 양산 과정에서 작업자가 부품 조립을 지시서 대로 수행하지 않거나 자동화 설비에서 만들어지는 부품의 불량에 대해 이미지 기반으로 이상 탐지를 수행하는 솔루션입니다.

Box 외관검사(TBD)​

물류 창고 내 제품이 출고 되기 전 포장 박스 외관의 결함을 탐지하는 솔루션 입니다.  


Key Features​

우수한 성능​

VAD는 이미지 기반 이상 탐지 AI모델 중 우수한 성능을 보유한 최신 모델인 PatchCore와 FastFlow를 사용할 수 있습니다. PatchCore는 기 학습된 모델을 활용하기 때문에 학습할 필요가 없어 학습 cost가 절감되며 안정적인 성능을 보유하고 있습니다. FastFlow는 최근 다양한 분야에서 두각을 나타내는 이미지 생성형 모델을 활용한 이미지 이상탐지 모델입니다. 두 모델 모두 경량화 모델로 신속한 추론이 가능합니다.

초기 라벨 생성 코스트 절감​

이미지 기반 분류 모델을 사용하기 위해서는, 이미지마다 사람이 확인하여 라벨을 붙이는 정답지를 생성하는 과정이 필요합니다. 하지만 VAD는 정상 혹은 특정 유형 이미지만 있으면 정상 여부 혹은 특정 유형 여부를 확인할 수 있기 때문에 되기 때문에 정답지 라벨을 생성하기 위한 코스트를 절감할 수 있습니다. 추후 이상 판정으로 분류된 이미지에 대해서만 사람이 확인하여 이상 유형 라벨을 새로 부여하면, 빠르게 이미지 기반 분류 AI로 전환하여 좀 더 다양한 유형의 이미지 분류 AI모델을 사용할 수 있습니다.

편리한 사용성과 이해하기 쉬운 추론 근거 제공​

VAD는 대부분 자동화되어 있기 때문에 정상 이미지 데이터만 수집하면 바로 손쉽게 사용할 수 있습니다. 또한 이상으로 분류한 이미지에 대해 어떤 영역 때문에 이상으로 탐지했는지 근거 영역을 표시한 이미지를 제공합니다. 따라서 AI가 정상적으로 학습이 되었는지 빠르게 근거 영역이 표시된 이미지를 통해 확인할 수 있습니다.


Quick Start​

설치하기​

필수 parameter 설정​

  1. solution/experimental_plan.yaml 내 아래 데이터 경로를 사용자 경로로 수정해주세요.

    train:
        dataset_uri: [train_dataset/]    # 사용자 데이터 경로로 변경 

    inference:
        dataset_uri: inference_dataset/    # 사용자 데이터 경로로 변경

  2. function: Readiness의 'args'에 train data에 맞는 train_validate_column, validation_split_rate, threshold_method을 입력해주세요

        - step: Readiness
          args:
    		  train_validate_column: 	# train과 validation을 구분하는 컬럼을 입력합니다. 해당 컬럼에는 train과 valid 두 인자로 구성되야합니다. 없으면 입력하지 않아도 됩니다.
    		  validation_split_rate: 0.1	# train_validate_column이 존재하지 않는 경우, 입력된 train 데이터에서 해당 rate만큼 validation을 생성합니다.
    		  threshold_method: F1	# Validation시 OK와 NG를 판정하는 방법을 선택합니다. 선택 가능한 값: F1, Percentile (검증 데이터 수에 따라 자동 선택되기도 함.)

  3. function: Train의 'args'에 train data에 맞는 model_name, img_size, percentile을 입력해주세요

        - step: Train
          args:
            - model_name: fastflow	# VAD로 사용할 모델을 선택합니다. 선택 가능한 값: fastflow, patchcore
    		  img_size: 256	# 이미지 학습시 변환될 이미지 사이즈를 설정합니다.
    		  percentile: 0.8	# threshold_method가 Percentile인 경우 NG로 판정할 기준으로 Validation 데이터셋의 anomaly score의 percentile을 선택합니다.

  4. function: Inference의 'args'에 train data에 맞는 inference_threshold을 입력해주세요

        - step: Inference
          args:
            - inference_threshold: 0.5	# abnormal로 판정되기 위한 anomaly score의 threshold입니다.

  5. 위 과정만 설정하고 ALO를 실행하면 모델을 생성할 수 있습니다! 좀 더 데이터에 맞는 모델을 생성하기 위해 고급 파라미터 설정을 원하는 경우 우측 페이지를 참고해주세요. 자세히보기: VAD Parameters

실행하기​

Topics​

VAD 기능 설명 VAD 입력 데이터 및 산출물 VAD Parameters

VAD Version: 3.0.0, ALO Version: 3.0.0