Few-Shot 이상탐지(Few-Shot Anomaly Detection): 결함 샘플 5장으로 검사 라인을 세울 수 있는가

새 라인을 세울 때마다 반복되는 질문이 있습니다. “불량 샘플을 몇 장이나 모아야 검사 모델을 돌릴 수 있는가.” 사출품이든 PCB든, 양산 초기에는 정상품은 수천 장 확보되지만 불량품은 손에 꼽습니다. 이 불균형을 방치하면 검사 라인은 두 가지 방식으로 무너집니다. 첫째, 불량 유형을 억지로 몇 개 클래스로 뭉뚱그려 학습시키면 신규 불량 패턴이 나올 때마다 오검출·미검출이 동시에 치솟습니다. 둘째, 데이터가 쌓일 때까지 검사를 수동 육안 검사로 대체하면 그 기간 동안의 유출 비용은 고스란히 후공정과 고객 클레임으로 넘어갑니다. 이 딜레마에 대한 해법으로 최근 부상한 접근이 few-shot 이상탐지입니다 — 정상 샘플 위주의 데이터와 극소수(5~20장)의 불량 샘플만으로 검출 경계를 세우는 방식입니다.

Few-shot 이상탐지란 무엇인가

Point: few-shot 이상탐지는 “정상 데이터의 특징 공간(feature space)”을 기준으로 삼고, 그 경계에서 벗어나는 지점을 이상(anomaly)으로 판정하는 방식입니다.
Reason: 불량 유형은 사출품의 미세 크랙, 스크래치, 이물, 변색처럼 조합이 사실상 무한하지만, 정상 패턴은 상대적으로 균질합니다. 그래서 “불량을 분류”하는 대신 “정상에서 얼마나 멀어졌는가”를 재는 편이 데이터 효율이 훨씬 높습니다.
Example: 2026년 CVPR에 발표된 FastRef는 프로토타입(prototype) — 정상 특징을 대표하는 소수의 기준점 — 을 반복적으로 정제(refinement)해, 극소수 샘플만으로도 프로토타입과 실제 특징 분포 사이의 간극을 좁히는 프레임워크를 제시했습니다. 같은 시기 발표된 Calibrated Feature Fusion 연구는 비전 트랜스포머(ViT)의 여러 계층에서 뽑은 특징을 정렬(calibration)해 소량 샘플에서도 미세 결함의 위치를 안정적으로 짚어내는 방법을 다뤘습니다.
Point: 결국 few-shot 이상탐지의 핵심은 “얼마나 적은 프로토타입으로, 얼마나 정확하게 정상의 경계를 그리는가”에 있습니다.

프로토타입 정제와 합성 결함 생성

Point: 프로토타입 정제만으로는 학습 초기의 노이즈에 취약하기 때문에, 합성 결함 생성(synthetic anomaly generation)을 병행하는 흐름이 함께 자리잡고 있습니다.
Reason: 실제 불량 샘플이 5장뿐이라도, 그 소수 샘플의 특징을 확산 모델(diffusion model)이나 특징 조작(feature manipulation) 기법으로 변형해 학습용 가짜 불량을 대량으로 만들면, 프로토타입 정제 단계에 필요한 대비 데이터가 확보됩니다.
Example: 반도체 웨이퍼 검사 분야에서는 이미 이 구조가 실제 특허로 존재합니다. KLA Corporation의 미국 특허 US10599951B2(Training a neural network for defect detection in low resolution images)는 고해상도 이미징 서브시스템과 신경망이 결함 이미지를 합성 생성하고, 이 합성 데이터로 저해상도 검사용 신경망을 학습시키는 구조를 청구하고 있습니다. 대량의 저해상도 실측 불량 데이터 없이도 고속 검사가 가능하다는 점에서, PCB·사출품 라인의 few-shot 이상탐지와 문제의식이 정확히 겹칩니다.
Point: 즉 “고해상도에서 합성한 결함 → 저해상도 실전 모델 학습”이라는 구조는 반도체를 넘어 다품종 소량 생산 라인 전반에 적용 가능한 검증된 접근입니다.

매칭표 — 검출 사이즈·광학 셋업·알고리즘 파라미터

아래 표는 PCB 미세 크랙과 사출품 표면 결함, 두 대표 사례를 기준으로 정리한 것입니다. 실제 프로젝트에서는 대상물의 표면 재질과 반사율을 먼저 확인한 뒤 조명·렌즈 스펙을 조정해야 합니다.

구분	① 최소 검출 불량 사이즈	② 광학 셋업	③ 알고리즘 파라미터
PCB 미세 크랙	30 μm	동축낙사조명(coaxial) + 텔레센트릭 렌즈, WD 90 mm 확보, 배율 1×, 픽셀 사이즈 3.45 μm 환산 시 결함 8~9 px 대응	few-shot K=10, ViT-B/16 백본, 프로토타입 정제 반복 3회, 이상 스코어 임계값 상위 2σ
사출품 표면 스크래치·이물	50 μm	저각 암시야조명(dark-field) + 매크로 렌즈, WD 120 mm 확보, 조도 8,000 lx	few-shot K=20, ResNet-50 백본, 합성 결함 생성 비율 실측 1 : 합성 8, 이상 스코어 임계값 상위 2.5σ

시사점: 두 사례 모두 실측 불량 샘플은 10~20장 수준으로 유지하되, 광학 셋업의 결함 대비(contrast)를 먼저 극대화한 뒤 알고리즘의 프로토타입 개수와 합성 비율로 나머지 변동성을 흡수하는 구조입니다. 조명·렌즈로 신호 대 잡음비를 먼저 확보하지 않으면, 아무리 프로토타입을 정제해도 특징 공간 자체가 흐려져 few-shot 이상탐지의 장점이 사라집니다.

데이터 인프라도 함께 진화하고 있습니다

Point: few-shot 이상탐지가 현장에 안착하려면 카메라·센서 쪽 데이터 인프라도 같이 받쳐줘야 합니다.
Reason: 소수 샘플이라도 고해상도·고속으로 끊김 없이 확보해야 프로토타입 정제의 입력 품질이 보장되기 때문입니다.
Example: 2026년 5월 A3(Association for Advancing Automation)가 공식 발표한 GigE Vision 3.0은 RoCEv2(RDMA over Converged Ethernet v2) 기반의 GigE Vision RDMA 스트리밍 프로토콜(GVRSP)을 도입해, 카메라에서 호스트 메모리로 직접 전송하는 구조로 CPU 부하와 지연을 낮췄습니다. 같은 해 소니는 약 26MP·383fps의 글로벌 셔터 산업용 센서 IMX947과, 저노이즈·고속 촬상을 앞세운 X-ray CMOS 센서 IMX711을 잇달아 발표했습니다. 이런 인터페이스·센서 발전은 few-shot 이상탐지가 요구하는 “적지만 깨끗한 데이터”를 라인 속도에서 실시간으로 뽑아내는 하드웨어 기반이 됩니다.
Point: 알고리즘이 아무리 데이터 효율적이어도, 그 소수 샘플의 신호 품질을 담보하는 것은 결국 광학·인터페이스 계층의 몫입니다.

비교 관점 — Few-shot이 항상 유리한 것은 아닙니다

정상 패턴 자체가 다양하고 공정 편차가 큰 라인(예: 표면 텍스처가 로트마다 크게 흔들리는 소재)에서는 few-shot 이상탐지의 프로토타입이 오히려 정상 변동을 결함으로 오인할 위험이 있습니다. 이런 경우 전통적인 지도학습 기반 분류 모델에 더 많은 라벨 데이터를 투입하는 편이 안정적일 수 있습니다. 다만 이는 소재·공정별 변동성에 따라 달라지므로, 샘플 테스트 전 확언은 불가합니다.

현장 체크포인트

• 카메라·렌즈의 WD(작동 거리)가 목표 배율에서 실제로 확보되는지 확인했는가
• 정상 샘플과 극소수 불량 샘플 모두, 광학 셋업 상 결함 대비가 육안으로도 구분되는 수준인지 사전 점검했는가
• 합성 결함 생성 비율(실측 : 합성)이 라인의 실제 불량 유형 분포를 왜곡하지 않는지 검토했는가
• 프로토타입 정제 반복 횟수와 이상 스코어 임계값을 별도 검증셋으로 재확인했는가
• 데이터 전송 인터페이스(GigE 등)가 검사 사이클 타임 내에 병목 없이 이미지를 확보할 수 있는 대역폭인지 확인했는가

참고자료

• A3(Association for Advancing Automation), “A3 Officially Releases GigE Vision 3.0, Opening New Possibilities in Machine Vision” (2026-05-12)
• Sony Semiconductor Solutions, IMX947 글로벌 셔터 센서 및 IMX711 X-ray CMOS 센서 뉴스릴리스 (2026)
• FastRef: Fast Prototype Refinement for Few-Shot Industrial Anomaly Detection, CVPR 2026
• Calibrated Feature Fusion: Enhancing Few-Shot Industrial Anomaly Detection via Cross-Stage Representation Alignment (2026)
• US10599951B2, “Training a neural network for defect detection in low resolution images”, KLA-Tencor Corporation
• US8614415B2, “Defect inspection method of fine structure object and defect inspection apparatus”, NEC Corporation