YMmim/vision-lstm-anomaly-detection

Industrial Vision Defect Anomaly Detection with Line-Scan LSTM Autoencoder

MVTec AD Grid 데이터셋을 활용한 산업용 비전 표면 결함 이상탐지(Anomaly Detection) PyTorch 모델입니다.

반도체 웨이퍼, 디스플레이, 롤투롤 직물 및 금속 표면 검사에서 널리 쓰이는 라인스캔(Line-Scan) 방식을 모사하여 2D 이미지를 시계열 라인 시퀀스로 변환하고, 정상(Good) 제품의 공간-시간 전이 패턴만을 비지도 학습(One-Class Unsupervised Learning)하여 불량품을 정밀하게 탐지합니다.

📊 모델 성능 지표 (Evaluation Results)

Metric	Score	Note
ROC-AUC	99.00%	정상/불량 분류 분별력
Precision (정밀도)	100.00%	불량 판정 시 실제 불량 비율
Recall (재현율)	90.00%	실제 불량품 검출율
F1-Score	94.74%	종합 성능 지표
Normal Mean Score	0.012851	정상 제품 복원 오차
Defect Mean Score	0.022506	불량 제품 복원 오차 (약 2배 상승)
Optimal Threshold	0.019805	이상 판정 기준 임계값

📈 이상탐지 및 결함 위치 검출 (Localization Heatmap)

• 정상 제품: 격자 패턴을 정밀하게 복원하여 이상 점수(Anomaly Score)가 매우 낮음
• 불량 제품 (단선, 이물질, 휨, 구멍 등): 비정상 부위 복원 실패로 이상 점수가 치솟으며, 우측 하단 히트맵에서 결함 위치가 명확하게 강조됨

🏗️ 모델 아키텍처 (Line-Scan LSTM Autoencoder)

LineScanLSTMAutoencoder(
  (encoder): LSTM(input_dim=64, hidden_dim=128, num_layers=2, batch_first=True, dropout=0.1)
  (encoder_fc): Linear(in_features=128, out_features=64, bias=True)
  (decoder_fc): Linear(in_features=64, out_features=128, bias=True)
  (decoder): LSTM(input_dim=128, hidden_dim=128, num_layers=2, batch_first=True, dropout=0.1)
  (output_fc): Linear(in_features=128, out_features=64, bias=True)
)

🛠️ 학습 및 테스트

• 학습 데이터: MVTec AD Grid Normal 30장 (One-Class 학습)
• 테스트 데이터: Normal 10장 vs Defect 10장 (Broken wire, Contamination, Bent wire, Hole)
• 소스 코드: train_vision_anomaly.py 참조