earticle

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.

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.