Robust Industrial Video Anomaly Detection

Abstract

Industrial video anomaly detection is an important problem in industrial inspection, possessing features that are distinct from video anomaly detection in other application domains like surveillance. No public datasets pertinent to the problem have been developed, and accordingly, robust models suited for industrial video anomaly detection have yet to be developed. In this thesis, the key differences that distinguish the industrial video anomaly detection problem from its generic counterparts are examined: the relatively small amount of video data available, the lack of diversity among frames within the video clips, and the absence of labels that indicate anomalies. We then propose a robust framework for industrial video inspection that addresses these specific challenges. One novel aspect of our framework includes a model that masks regions in frames that are irrelevant to the inspection task. We show that our framework outperforms existing methods when validated on a novel database that replicates video clips of real-world automated tasks.

공정 검사라는 다소 방대한 분야의 여러 문제 중에서, 산업용 비디오 이상 탐지는 큰 중요성을 지닌 문제이지만, 그 중요성에 비해 충분히 주목을 받지 못하고 있다. 이 문제를 연구할 때 사용할 공적인 데이터셋이 부재하며, 이를 기반으로 고안된 산업용 비디오 이상 탐지에 특화된 기법에 대한 선행 연구도 진행 된 적이 없었다. 본 논문에서는 일반적인 비디오 이상 탐지 문제와 산업용 비디오 이상 탐지 문제의 상이한 특성들을 분석하여 규명하였다. 일반적인 비디오 이상 탐지에서와 달리, 산업용 비디오 이상탐지 문제에서는 사용 가능한 데이터의 양이 한정되어 있으며, 학습에 필요한 라벨이 없기 때문에 이를 활용한 모델을 개발하는 것이 불가능하다. 이와 같은 이유로 인해, 기존 모델을 산업용 비디오 이상 탐지 문제에 적용할 시, 검사하고자 하는 동작과 무관한 요소의 출현과 움직임으로 인한 거짓 알람이 지나치게 자주 발생한다. 분석을 기반으로, 강건한 비디오 이상 감지가 가능한 산업용 비디오 이상 탐지 방안을 고안하였다. 이 기법에서는 이상 탐지를 위한 모델과 별개로, 영상 내의 요소들 중 동작 감지와 상관 없는 것들을 가리는 모델을 활용한다. 제안하고자 하는 방안의 효용성을 검증하기 위해, 실제 공정 영상과 유사한 특성들을 보이는 로봇 동작을 촬영해 수집한 데이터베이스를 구축하였으며, 이를 활용해 모델의 성능들을 측정하였다. 본 연구에서 제시하는 강건한 비디오 이상탐지 방안과 데이터 베이스를 논문을 통해 공개함으로써, 이 분야와 관련한 더 다양한 연구를 촉진하는데 기여 할 수 있을 것이라 기대한다.