결함 탐지 신경망 (r1)

기존 결함 탐지 방법은 크게 사람에 의한 수동 검사와 자동화된 알고리즘 기반 검사로 나눌 수 있다. 수동 검사는 숙련된 검사원이 제품이나 영상을 육안으로 확인하여 결함을 찾는 방식이다. 이 방법은 유연성이 높고 복잡한 결함도 식별할 수 있지만, 시간과 비용이 많이 들며 피로도와 주관성에 따라 검사 결과의 일관성이 떨어지는 단점이 있다.

자동화된 알고리즘 기반 방법은 전통적인 컴퓨터 비전 및 영상 처리 기술에 의존한다. 대표적인 기술로는 이진화, 에지 검출, 템플릿 매칭, 형태학적 연산 등이 있다. 예를 들어, 특정 임계값을 기준으로 영상을 이진화하여 결함 후보 영역을 추출하거나, 미리 정의된 정상 템플릿과 입력 영상을 비교하여 차이가 나는 부분을 결함으로 판단한다. 이러한 방법들은 규칙 기반으로 작동하여 명확한 특징을 가진 단순한 결함을 빠르게 탐지하는 데 효과적이다.

그러나 이러한 전통적인 방법들은 사전에 결함의 정확한 패턴이나 특징을 정의해야 한다는 근본적인 한계가 있다. 제품 디자인이 변경되거나 새로운 유형의 결함이 발생하면 알고리즘을 다시 설계하거나 파라미터를 재조정해야 한다. 또한, 조명 변화, 배경 노이즈, 결함의 미세한 변형 등에 취약하여 실제 산업 현장에서의 적용에 어려움을 겪었다. 이러한 한계점들이 데이터 기반 학습을 통해 복잡한 패턴을 자동으로 추출하는 신경망 기반 접근법의 필요성을 부각시켰다.

기존의 전통적인 컴퓨터 비전 기반 결함 탐지 방법은 규칙 기반 알고리즘에 크게 의존했다. 이 방법들은 특정 형태, 색상, 크기의 결함을 사전에 정의된 패턴과 비교하여 탐지한다. 따라서 조명 변화, 제품의 미세한 외형 차이, 복잡한 배경 등 변수가 발생하면 탐지 정확도가 급격히 떨어지는 한계를 보였다. 또한 새로운 유형의 결함이 나타날 때마다 알고리즘을 수동으로 재설계해야 하는 번거로움이 있었다.

인공 신경망, 특히 딥러닝은 이러한 문제를 해결할 수 있는 강력한 대안으로 부상했다. 신경망은 대량의 데이터로부터 결함의 특징을 스스로 학습할 수 있다. 이는 명시적인 규칙을 프로그래밍할 필요 없이, 정상 샘플과 비정상 샘플을 통해 결함의 복잡한 패턴을 일반화하여 추출한다는 것을 의미한다. 결과적으로 기존 방법이 처리하기 어려웠던 미묘한 결함이나 변형에 더욱 강인한 성능을 발휘한다.

신경망 적용의 핵심 필요성은 자동화된 고수준 특징 추출과 확장성에 있다. 제조 라인이 변경되거나 새로운 제품이 도입되어도, 새로운 데이터로 신경망을 추가 학습시키는 것만으로 시스템을 비교적 쉽게 적응시킬 수 있다. 이는 생산 유연성과 빠른 대응 시간을 요구하는 현대 산업 환경에서 결정적인 장점이다. 다음 표는 기존 방법과 신경망 기반 방법의 주요 차이를 보여준다.

따라서, 더 높은 정확도, 자동화, 그리고 유지보수 비용 절감을 위해 기존 결함 탐지 시스템을 신경망 기반 시스템으로 전환하는 것은 필수적인 기술적 흐름이 되었다.

합성곱 신경망(CNN)은 결함 탐지 작업에서 가장 널리 사용되는 심층 신학습 모델 중 하나이다. 특히 영상 처리 분야에서 뛰어난 성능을 보이며, 이미지나 비디오 데이터에서 결함의 패턴을 자동으로 학습하고 식별하는 데 적합하다. CNN의 핵심 구조는 합성곱층, 풀링층, 그리고 완전 연결층으로 구성된다. 합성곱층은 입력 이미지의 지역적 특징(예: 모서리, 질감, 모양)을 추출하는 필터를 적용하고, 풀링층은 추출된 특징의 공간적 크기를 줄여 계산 효율성을 높이며 중요한 정보를 보존한다. 마지막 완전 연결층은 추출된 고수준 특징을 바탕으로 최종 분류(예: 정상/불량)를 수행한다.

CNN이 결함 탐지에 효과적인 이유는 공간적 계층 구조를 학습할 수 있는 능력에 있다. 초기 층에서는 단순한 에지나 질감을, 깊은 층에서는 더 복잡한 객체나 결함의 형태를 점진적으로 인식한다. 예를 들어, 금속 표면의 스크래치, 직물의 오염, 반도체 웨이퍼의 미세 균열 등을 탐지할 때, CNN은 사람의 눈으로는 식별하기 어려운 미세한 패턴 차이도 학습할 수 있다. 또한, 가중치 공유와 국부적 연결성 덕분에 전통적인 다층 퍼셉트론에 비해 파라미터 수가 현저히 적어 과적합 위험을 줄이고 일반화 성능을 높인다.

결함 탐지를 위한 CNN 모델 설계에는 몇 가지 변형 아키텍처가 자주 활용된다. ResNet이나 VGGNet과 같은 사전 훈련된 모델을 전이 학습에 사용하여 적은 양의 결함 데이터로도 높은 성능을 달성할 수 있다. 또한, 객체 탐지를 위한 Faster R-CNN이나 YOLO와 같은 모델은 결함의 위치를 정확히 바운딩 박스로 표시하는 데 사용된다. 한편, 시멘틱 분할을 수행하는 U-Net 같은 아키텍처는 이미지 내에서 결함이 있는 픽셀을 픽셀 단위로 정밀하게 분할하는 데 적합하다.

이러한 CNN 기반 접근법의 성공은 대량의 레이블된 데이터와 충분한 컴퓨팅 자원을 필요로 한다는 한계가 있다. 또한, 모델의 결정 근거를 설명하는 해석 가능 AI의 부재는 고신뢰성이 요구되는 산업 현장에서의 적용을 어렵게 하는 과제로 남아있다.

오토인코더는 비지도 학습 방식으로 입력 데이터의 효율적인 표현(인코딩)을 학습하는 신경망 구조이다. 기본 구조는 입력층, 정보를 압축하는 잠재 변수 공간을 형성하는 인코더, 그리고 압축된 표현으로부터 원본 입력을 재구성하는 디코더로 구성된다. 이 네트워크의 핵심 학습 목표는 입력 데이터를 가능한 한 정확하게 재구성하는 것이다.

결함 탐지에서 오토인코더는 주로 정상 샘플 데이터로만 학습된다. 네트워크는 정상 데이터의 패턴과 특징을 압축하여 학습하게 되며, 학습이 완료된 후에는 새로운 입력 데이터를 재구성할 때 정상 패턴은 잘 복원하지만, 네트워크가 본 적 없는 결함 패턴은 제대로 재구성하지 못한다. 이 재구성 오차(Reconstruction Error)를 계산하여 결함을 탐지한다. 재구성 오차가 사전에 설정한 임계값을 초과하면 해당 샘플을 결함으로 판단한다.

주요 변형 아키텍처로는 노이즈 제거 능력을 강화한 변형형 오토인코더(VAE)와 심층 컨볼루셔널 오토인코더(CAE)가 있다. VAE는 잠재 공간에 확률적 분포를 부여하여 보다 일반화된 표현을 학습하며, CAE는 합성곱 신경망 계층을 활용하여 영상 데이터의 공간적 정보를 효과적으로 처리한다. 이들은 제조 라인에서의 미세 스크래치 탐지나 의료 영상에서의 이상 조직 검출 등에 활용된다.

이 방법의 장점은 결함 데이터가 충분하지 않은 상황에서도 정상 데이터만으로 모델을 구축할 수 있다는 점이다. 그러나 복잡한 결함 패턴이나 정상 데이터의 변동성이 큰 경우에는 재구성 오차 기반 판단이 정확하지 않을 수 있으며, 임계값 설정이 성능에 큰 영향을 미치는 한계가 있다.

생성적 적대 신경망(GAN)은 생성기(Generator)와 판별기(Discriminator)라는 두 개의 신경망이 서로 적대적으로 경쟁하며 학습하는 프레임워크이다. 결함 탐지 분야에서는 주로 정상 데이터의 분포를 학습하여 그로부터 벗어나는 이상(결함)을 탐지하는 데 활용된다. 생성기는 정상 샘플과 유사한 데이터를 생성하려 하고, 판별기는 실제 정상 데이터와 생성기가 만든 가짜 데이터를 구별하려 한다. 이 경쟁 과정을 통해 생성기는 점점 더 실제 같은 데이터를 생성하게 되고, 궁극적으로 정상 데이터의 매니폴드를 효과적으로 학습하게 된다.

결함 탐지에서 GAN 기반 방법은 크게 두 가지 방식으로 적용된다. 첫째는 비지도 학습 방식으로, 오직 정상 데이터만으로 GAN을 학습시킨 후, 학습된 생성기나 판별기의 특성을 이용해 결함을 탐지한다. 예를 들어, 생성기에 결함 이미지를 입력했을 때 재구성 오차가 크게 발생하는 점을 이용한다. 둘째는 생성적 적대 신경망을 활용해 결함 데이터를 합성하여 데이터 불균형 문제를 해결하는 보조 도구로 사용하는 방법이다. 이는 지도 학습 모델의 성능 향상에 기여한다.

GAN 기반 결함 탐지의 대표적인 변형 모델로는 AnoGAN과 그 후속 연구들이 있다. AnoGAN은 먼저 정상 데이터로 GAN을 학습시킨다. 이후 새로운 테스트 샘플에 대해, 잠재 공간(latent space)에서 해당 샘플을 가장 잘 재구성할 수 있는 잠재 변수를 찾는다. 이때 원본 샘플과 재구성된 샘플 간의 차이(재구성 오차)와 판별기의 중간층 특징 차이를 결합한 이상 점수(Anomaly Score)를 계산한다. 이 점수가 높을수록 해당 샘플이 정상 분포에서 멀리 떨어져 있음을 의미하므로 결함으로 판단한다.

이러한 방법들은 레이블이 없는 대량의 정상 데이터를 활용할 수 있고, 기존에 보지 못한 새로운 유형의 결함도 탐지할 가능성이 있다는 장점을 가진다. 그러나 학습 과정이 불안정할 수 있으며, 복잡한 배경에서 미세한 결함을 탐지하는 데는 한계를 보이기도 한다.

지도 학습은 레이블이 지정된 데이터셋을 사용하여 결함 탐지 신경망을 훈련하는 방법이다. 이 방식에서는 정상 샘플과 결함 샘플 모두에 대해 정확한 레이블(예: '정상' 또는 '결함')이 제공된다. 신경망은 입력 데이터(예: 이미지, 센서 신호)와 그에 대응하는 정답 레이블 사이의 매핑 관계를 학습하여 새로운, 레이블이 없는 데이터에 대한 결함 여부를 판단하는 모델을 구축한다.

일반적인 학습 과정은 다음과 같은 단계로 진행된다. 먼저, 충분한 양의 레이블된 훈련 데이터를 수집하고 전처리한다. 이후 합성곱 신경망이나 완전 연결 신경망과 같은 모델 아키텍처를 설계한다. 모델은 훈련 데이터를 입력받아 예측을 출력하고, 이 예측값과 실제 레이블 간의 차이를 계산하는 손실 함수(예: 교차 엔트로피)를 통해 오차를 측정한다. 이 오차는 역전파 알고리즘을 통해 네트워크의 가중치를 조정하는 데 사용되며, 이 과정을 반복하여 모델의 정확도를 점진적으로 향상시킨다.

지도 학습 기반 결함 탐지의 성능은 레이블 데이터의 양과 질에 크게 의존한다. 충분하고 정확하게 레이블링된 대규모 데이터셋이 있을 경우 매우 높은 정확도를 달성할 수 있다. 그러나 실제 산업 현장에서는 결함 샘플의 수가 극히 적어 데이터 불균형 문제가 발생하기 쉬우며, 모든 가능한 결함 유형에 대한 레이블 데이터를 수집하는 데 많은 비용과 시간이 소요된다는 한계가 있다.

비지도 학습은 결함 데이터가 충분하지 않거나 레이블이 전혀 없는 상황에서 결함 탐지를 수행하는 접근법이다. 이 방법은 정상 데이터의 패턴을 학습하여, 학습된 패턴에서 벗어나는 샘플을 결함 또는 이상으로 판단한다. 따라서 결함의 형태를 사전에 정의하지 않고도 새로운 유형의 이상을 발견할 수 있는 장점이 있다.

주요 모델로는 오토인코더와 생성적 적대 신경망(GAN)이 널리 사용된다. 오토인코더는 입력 데이터를 압축한 후 재구성하는 네트워크로, 정상 데이터로 학습하면 정상 샘플은 낮은 재구성 오차를, 이상 샘플은 높은 재구성 오차를 보인다. GAN 기반 방법은 생성기가 만든 데이터와 실제 데이터를 구별하는 방식으로, 정상 데이터의 분포를 학습하여 그 분포에 속하지 않는 샘플을 탐지한다.

비지도 학습의 성능은 정상 데이터의 품질과 대표성에 크게 의존한다. 학습 데이터에 미량의 이상이 섞여 있으면 모델이 오히려 이상을 정상으로 학습할 위험이 있다. 또한, 탐지된 이상에 대한 명확한 원인을 제공하기 어려운 해석 가능성 문제가 남아있는 과제이다.

준지도 학습은 지도 학습에 사용되는 소량의 레이블이 지정된 데이터와 비지도 학습에 사용되는 대량의 레이블이 없는 데이터를 함께 활용하는 기계 학습 패러다임이다. 결함 탐지 분야에서는 정상 샘플은 풍부하지만, 다양한 유형의 결함 샘플을 수집하고 정확히 레이블링하는 데는 많은 비용과 시간이 소요된다는 점에서 특히 유용한 접근법이다. 따라서 소수의 레이블이 있는 결함 데이터와 다수의 레이블이 없는 데이터를 결합하여 모델의 일반화 성능을 향상시키는 데 초점을 맞춘다.

주요 방법론으로는 자기 학습(Self-training)과 일관성 정규화(Consistency Regularization)가 널리 사용된다. 자기 학습은 초기 레이블된 데이터로 학습한 모델이 레이블이 없는 데이터에 대해 예측을 수행하고, 신뢰도가 높은 예측 결과를 가상 레이블(Pseudo-label)로 간주하여 학습 데이터에 추가하는 과정을 반복한다. 일관성 정규화는 동일한 입력에 약간의 변형(노이즈 추가, 확대 등)을 가했을 때 모델의 출력이 일관되도록 유도하는 정규화 기법으로, 레이블이 없는 데이터를 활용하여 모델의 결정 경계를 정규화하는 데 효과적이다.

준지도 학습의 성능은 레이블이 없는 데이터의 품질과 양, 그리고 레이블된 데이터와의 분포 유사성에 크게 의존한다. 또한, 초기 모델이 생성하는 잘못된 가상 레이블이 학습 과정에 누적되어 성능이 저하될 수 있는 문제(확인 편향)를 주의해야 한다. 이를 완화하기 위해 신뢰도 임계값을 조정하거나, 여러 모델의 예측을 평균하는 앙상블 학습 기법을 적용하기도 한다.

제조업에서 결함 탐지 신경망은 생산 라인에서 발생하는 불량품을 자동으로 식별하고 분류하는 핵심 기술로 자리 잡았다. 전통적인 기계 시각 시스템이 규칙 기반으로 특정 패턴이나 치수 이상을 탐지하는 데 한계가 있었다면, 신경망 기반 접근법은 복잡하고 다양한 결함 유형을 학습하여 보다 정교한 검사를 가능하게 한다. 특히 반도체 웨이퍼의 미세 스크래치, 자동차 부품의 도장 불량, 전자기기 조립의 누락 또는 불량 납땜과 같은 문제를 실시간으로 탐지하는 데 효과적이다.

주요 적용 사례로는 합성곱 신경망(CNN)을 이용한 표면 결함 검사가 있다. CNN은 제품의 카메라 영상을 입력받아 정상 패턴과 결함 패턴을 구분하는 분류기를 학습한다. 예를 들어, 직물, 금속판, 유리와 같은 재료의 표면에서 발생하는 얼룩, 균열, 찍힘 등을 높은 정확도로 찾아낸다. 또 다른 접근법인 오토인코더는 정상 샘플만으로 학습한 후, 정상 패턴과 크게 벗어나는 샘플을 이상치로 탐지하는 비지도 학습 방식을 사용한다. 이는 모든 종류의 결함 데이터를 수집하기 어려운 환경에서 유용하다.

이 기술의 도입은 생산성과 품질 관리에 직접적인 영향을 미친다. 인간 검사원의 피로도와 일관성 문제를 줄이고, 24시간 연속 검사가 가능해져 전체적인 불량률을 낮추는 데 기여한다. 또한, 탐지 결과 데이터는 생산 공정의 문제점을 사전에 예측하고 개선하는 예지정비 시스템으로 연결될 수 있다. 최근에는 엣지 컴퓨팅과 결합하여 생산 현장의 카메라 또는 센서에서 바로 데이터를 처리하는 경량화된 모델 개발도 활발히 진행되고 있다.

의료 영상 분석 분야에서 결함 탐지 신경망은 방사선 사진, 컴퓨터 단층촬영(CT), 자기 공명 영상(MRI), 초음파 영상 등에서 정상 조직과 이상 병변을 구분하는 데 활용된다. 전통적인 진단은 의사의 시각적 판독에 크게 의존했으나, 신경망 기반 시스템은 미세한 패턴 차이를 학습하여 조기 발견과 정확한 진단을 지원한다. 특히 폐암, 유방암, 뇌졸중, 망막병증 등 다양한 질환의 선별 검사와 진행 모니터링에 적용된다.

주요 접근 방식으로는 합성곱 신경망(CNN)을 이용한 지도 학습이 널리 사용된다. 대량의 레이블이 지정된 의료 영상 데이터(예: '정상' 또는 '종양' 표기)를 학습하여 새로운 영상에서 병변 영역을 분할하거나 분류한다. 또한, 오토인코더를 활용한 비지도 학습은 정상 영상 패턴만을 학습한 후, 이를 벗어나는 이상 영역을 이상치 탐지(Anomaly Detection) 방식으로 찾아내는 데 유용하다. 이는 모든 가능한 병변에 대한 레이블 데이터를 수집하기 어려운 상황에서 강점을 보인다.

이러한 시스템의 도입은 진단의 일관성과 효율성을 높이는 잠재력을 지녔으나, 몇 가지 과제에 직면한다. 의료 데이터는 개인정보 보호 문제로 인해 공개 데이터셋이 제한적이며, 데이터 수집과 전문가 레이블링에 높은 비용이 든다. 또한, 모델의 판단 근거를 설명할 수 있는 해석 가능 인공지능(XAI) 기술이 실제 임상 현장에서의 신뢰를 얻기 위한 필수 조건으로 부상하고 있다.

인프라 안전 진단은 교량, 터널, 도로, 철도, 발전소, 건물과 같은 사회기반시설의 상태를 평가하고 잠재적 결함이나 손상을 조기에 발견하여 대형 사고를 예방하는 분야이다. 전통적으로는 육안 점검이나 초음파, X선과 같은 물리적 센서를 활용한 검사가 주를 이루었으나, 이는 시간과 비용이 많이 들고 주관적 판단이 개입될 수 있다는 한계가 있었다. 결함 탐지 신경망은 드론이나 고정형 카메라로 수집한 대량의 시각 데이터를 자동으로 분석하여 균열, 부식, 변형, 박리와 같은 이상 징후를 탐지하는 솔루션으로 적용된다.

주요 응용 사례로는 콘크리트 구조물의 균열 탐지가 있다. 합성곱 신경망(CNN) 기반 모델은 교량 교각이나 터널 벽면의 사진을 입력받아 정상 표면과 균열 패턴을 구분한다. 또한, 시멘트 박리나 철근의 노출 및 부식을 식별하는 모델도 개발되었다. 철도 분야에서는 열차에 장착된 카메라로 촬영한 선로 영상을 실시간 분석하여 궤도 결함이나 침목의 손상을 탐지한다. 발전소나 공장의 배관 시스템에서는 열화상 카메라로 촬영한 열 영상 데이터를 신경망이 분석하여 단열재 손상이나 배관 누출과 같은 결함을 찾아낸다.

이 기술의 적용은 예방적 유지보수 체계로의 전환을 가능하게 한다. 신경망 모델은 24시간 연속 모니터링이 가능하며, 인간 검사원이 발견하기 어려운 미세한 초기 손상까지도 일관된 기준으로 탐지할 수 있다. 이를 통해 유지보수 계획을 데이터에 기반하여 수립하고, 수리 비용을 절감하며, 구조물의 수명을 연장하는 데 기여한다. 그러나 실제 현장 환경에서는 조명 변화, 날씨 영향, 카메라 각도, 다양한 노후화 패턴 등 변수가 많아 모델의 강건성을 확보하는 것이 중요한 과제로 남아있다.

정밀도는 모델이 양성으로 예측한 샘플 중 실제로 양성인 샘플의 비율을 의미한다. 즉, '거짓 양성'을 얼마나 적게 예측하는지를 나타내는 지표이다. 반면 재현율은 실제 양성인 샘플 중 모델이 양성으로 올바르게 예측한 샘플의 비율을 의미한다. 이는 '거짓 음성'을 얼마나 적게 만드는지를 보여준다.

두 지표는 일반적으로 트레이드오프 관계에 있다. 결함 탐지의 맥락에서, 재현율을 높이면 실제 결함을 놓치는 경우가 줄어들지만, 정상품을 결함으로 오판하는 정밀도가 떨어질 수 있다. 반대로 정밀도를 높이려면 확실한 경우에만 결함으로 판단하게 되어, 미세한 결함을 놓치는 재현율이 낮아질 수 있다.

이러한 특성으로 인해, 응용 분야에 따라 적절한 지표에 중점을 둔다. 의료 영상 분석에서 암을 탐지할 경우, 환자를 놓치는 것은 치명적이므로 재현율을 높이는 것이 중요하다. 반면, 대량 생산 라인에서의 제조업 결함 검사에서는 과도한 불량 판정으로 인한 생산성 저하를 막기 위해 정밀도에 더 주목할 수 있다.

이 두 지표를 종합적으로 평가하기 위해 F1 점수가 자주 사용된다. F1 점수는 정밀도와 재현율의 조화 평균으로 계산되며, 두 지표의 균형을 보여준다.

ROC 곡선은 이진 분류 모델의 성능을 평가하는 데 널리 사용되는 그래픽 도구이다. 이 곡선은 다양한 임계값에서 모델의 진양성 비율(TPR, 재현율)과 위양성 비율(FPR)의 관계를 보여준다. 이상적인 모델은 그래프의 좌상단에 가까운 곡선을 그리며, 이는 높은 TPR과 낮은 FPR을 동시에 달성함을 의미한다. 무작위 분류에 해당하는 대각선은 모델이 유용한 예측 능력이 없음을 나타내는 기준선 역할을 한다.

AUC(Area Under the ROC Curve)는 ROC 곡선 아래의 면적을 계산한 단일 수치 지표이다. AUC 값의 범위는 0.0부터 1.0까지이며, 값이 클수록 모델의 전반적인 분류 성능이 우수함을 의미한다. AUC가 1.0이면 완벽한 분류기를, 0.5면 무작위 추측 수준의 모델을 나타낸다. 결함 탐지 신경망의 평가에서는 AUC가 모델의 민감도(결함을 찾아내는 능력)와 특이도(정상을 정상으로 판단하는 능력)를 종합적으로 고려한 성능을 요약하는 데 유용하게 활용된다.

ROC 곡선과 AUC는 특히 데이터 불균형 문제가 있는 결함 탐지 상황에서 유용하다. 결함 샘플이 극히 적은 데이터셋에서도 정밀도-재현율 곡선보다 더 안정적인 평가가 가능한 경우가 많다. 그러나 AUC는 모든 임계값을 동등하게 고려하기 때문에, 실제 응용에서 특정 운영 포인트(예: 매우 낮은 FPR을 요구하는 경우)에서의 성능을 정확히 반영하지 못할 수 있다는 한계도 존재한다.

결함 탐지 신경망을 학습시키는 과정에서 가장 흔히 마주치는 난제 중 하나는 데이터 불균형 문제이다. 이는 정상 샘플에 비해 결함 샘플의 수가 현저히 적은 상황을 가리킨다. 대부분의 제조 공정이나 시스템은 높은 수율을 유지하도록 설계되므로, 자연스럽게 수집되는 데이터셋은 압도적으로 많은 정상 데이터와 극소수의 결함 데이터로 구성된다. 이러한 불균형은 모델이 다수 클래스(정상)에 과도하게 편향되도록 학습되어, 소수 클래스(결함)를 제대로 탐지하지 못하는 결과를 초래한다.

데이터 불균형 문제를 완화하기 위한 여러 기술적 접근법이 연구되고 적용된다. 데이터 수준의 방법으로는 소수 클래스 샘플의 인위적 증가(오버샘플링) 또는 다수 클래스 샘플의 감소(언더샘플링)가 있다. 특히 SMOTE와 같은 알고리즘은 기존 소수 클래스 샘플들 사이에 새로운 합성 샘플을 생성하여 오버샘플링을 수행한다. 알고리즘 수준에서는 손실 함수를 변형하는 방법이 사용된다. Focal Loss는 분류하기 쉬운 다수 클래스 샘플에 대한 손실 가중치를 낮추고, 분류하기 어려운 소수 클래스 샘플에 더 집중하도록 설계된 대표적인 예이다.

이러한 방법들에도 불구하고, 극단적인 불균형 상황이나 결함의 형태가 매우 다양하고 희귀한 경우에는 여전히 과제가 남아 있다. 또한, 오버샘플링 과정에서 생성된 합성 데이터가 실제 결함의 물리적 특성을 정확히 반영하지 못할 위험이 존재한다. 따라서 데이터 불균형 문제를 해결하는 것은 단순한 기법 적용을 넘어, 도메인 지식과 결합된 창의적인 데이터 전략과 모델 설계가 요구되는 분야이다.

결함 탐지 신경망은 높은 정확도를 보여주지만, 내부의 복잡한 계산 그래프와 매개변수로 인해 특정 예측이나 판단의 근거를 명확히 설명하기 어렵다. 이는 블랙박스 모델이라는 한계로 지적된다. 특히 제조, 의료, 안전 등 중요한 의사결정이 필요한 분야에서는 단순히 '결함이다'라는 결과보다 '왜 결함으로 판단했는지'에 대한 설명이 요구된다. 따라서 모델의 해석 가능성을 높이기 위한 연구가 활발히 진행되고 있다.

주요 접근법으로는 특징 중요도 분석, 그래디언트 기반 시각화, 대체 모델 사용 등이 있다. 예를 들어, Grad-CAM 같은 기법은 합성곱 신경망이 의사결정 시 주목한 이미지 영역을 열지도 형태로 시각화하여 직관적인 이해를 돕는다. 또한, LIME이나 SHAP 같은 방법론은 복잡한 모델의 개별 예측을 지역적으로 해석 가능한 간단한 모델(예: 선형 모델)로 근사하여 설명을 제공한다.

해석 가능성을 확보하는 것은 단순히 투명성을 높이는 것을 넘어, 모델의 신뢰성을 검증하고 잠재적 편향을 발견하며, 궁극적으로 모델 성능을 더욱 개선하는 데 기여한다. 설명 가능한 예측은 현장 엔지니어나 전문가가 모델을 신뢰하고 결과를 효과적으로 활용할 수 있게 만드는 핵심 요소이다.