퓨샷 러닝은 산업용 시각 검사 배포의 핵심 돌파구가 되고 있으며, 라인이 수십 장 또는 십수 장의 불량 샘플만으로 사용 가능한 검사 모델을 신속히 학습할 수 있게 합니다.
최근 몇 년 사이 3C 전자, 자동차 부품, 신에너지 배터리에서 산업 비전의 보급률은 계속 높아졌지만, 프로젝트 납기를 실제로 제약하는 것은 카메라나 연산력이 아니라 불량 샘플 부족인 경우가 많습니다. 신규 라인은 생산을 막 시작해 수율이 아직 안정적이지 않고, 일부 불량은 며칠에 한 번만 나타나며, 학습 이미지 수백 장을 모으는 데 몇 달이 걸릴 수 있습니다. 퓨샷 러닝은 바로 이 병목을 겨냥합니다.
1. 핵심 개념과 기술 정의
퓨샷 러닝은 머신 러닝의 한 분야로, 특정 클래스의 라벨링 샘플이 극도로 희소한 상황에서 효과적인 분류나 분할을 완성하는 문제를 다룹니다. 산업 비전 맥락에서는 보통 클래스당 라벨링 이미지 5장에서 30장만으로 불량 클래스를 인식하도록 모델을 학습시켜야 함을 의미합니다.
이는 대량 데이터에 의존하는 전통적인 딥러닝의 논리와 다릅니다. 전통적인 지도 학습은 동일 불량의 이미지 수백 장 또는 수천 장이 있어야 특징 분포를 적합할 수 있지만, 퓨샷 러닝은 메타 학습, 메트릭 학습, 데이터 증강, 사전 학습 미세 조정을 전략으로 삼아 빠르게 학습하는 방법 자체를 학습 목표로 만듭니다. N-way K-shot이라 불리는 고전적 평가 설정은 N개 클래스에 각각 K개 샘플이 있는 경우를 의미합니다.
2. 기술 원리와 핵심 역량
퓨샷 러닝은 세 수준에서 이해할 수 있습니다.
1. 특징 표현. 모델은 먼저 대규모 범용 데이터셋으로 사전 학습되어 에지, 질감, 색상 분포 같은 저수준 시각 특징을 학습한 뒤 산업 불량 시나리오로 전이됩니다. 산업 불량은 본질적으로 국부적 질감이나 형상 이상이므로 사전 학습 특징이 전이 가능합니다. 많은 업계 솔루션은 자기 지도 사전 학습을 사용하여 라벨 없는 산업 이미지에 먼저 대조 학습을 수행함으로써 모델이 금속 반사, 직물 질감, PCB 배선 같은 도메인 내 특징에 더 민감해지도록 합니다.
2. 메트릭과 매칭. 전형적인 방법은 서포트 세트 샘플과 쿼리 샘플을 동일한 임베딩 공간에 매핑하고 코사인 유사도나 유클리드 거리로 소속을 판정합니다. 프로토타이픽 네트워크가 대표적입니다. 불량 클래스별 몇 개 샘플의 특징 평균을 프로토타입으로 삼고 테스트 이미지를 가장 가까운 프로토타입에 할당합니다. 이 방식은 데이터 요구가 적고 새로운 불량 클래스를 추가할 때 전체 네트워크를 재학습하지 않고 해당 프로토타입만 추가하면 됩니다.
3. 데이터와 증강. 샘플이 극히 적을 때 합리적인 샘플을 어떻게 만들어 내는지가 중요합니다. 산업 시나리오에서는 보통 기하 변환, 조명 섭동, 질감 합성, 불량 붙여넣기로 데이터를 확장합니다. 나아가 생성 모델을 결합해 현실적인 불량을 정상 샘플에 붙여넣는 방식은 양성 샘플을 확장하면서 단순 복제로 인한 과적합을 피합니다.
핵심 역량은 세 가지로 요약됩니다. 빠른 콜드 스타트로 생산 초기부터 검사를 가동할 수 있고, 점진적 확장성으로 새로운 불량에 소량의 라벨링만 필요하며, 롱테일 불량 지원이 개선되어 연간 몇 번만 나타나는 희소 불량도 모델링될 기회를 갖습니다.
3. 전형적인 제조 적용 시나리오
전자 공장이 FPC 연성 회로 기판의 외관을 검사한다고 가정해 보겠습니다. FPC 불량은 배선 흠집, 이물, 주름, 금 도금면 산화 등 다양하지만 시생산 단계에서는 하루 몇 개만 나타나는 불량도 있습니다. 전통적인 솔루션은 데이터 수집에 3개월을 기다려야 하지만, 퓨샷 검사 시스템은 불량 클래스당 15~20장으로 초기 모델을 구축해 시생산 첫 주에 가동할 수 있습니다. 이후 샘플이 자연스럽게 축적되면 모델을 추가로 반복 개선합니다.
자동차 부품 업체가 주조 표면 불량을 검사한다고 가정해 보겠습니다. 기공, 샌드홀, 크랙 같은 주조 불량은 형태 편차가 크고 합금 배치마다 반사 특성이 다릅니다. 퓨샷 솔루션은 먼저 범용 산업 불량 사전 학습 모델을 미세 조정한 뒤 불량 클래스별 소량 샘플로 프로토타입을 보정할 수 있습니다. 배치 전환 시에는 대량의 불량을 재라벨링하지 않고 새 배치의 정상 샘플만 추가해 도메인 적응을 수행합니다.
또 다른 시나리오는 신에너지 배터리의 전극 코팅 검사입니다. 흑점, 스크래치, 박리 같은 코팅 불량은 라인 시운전 단계에서 샘플이 매우 적지만 유출 비용은 큽니다. 퓨샷 러닝과 고해상도 이미징을 결합하면 샘플이 부족할 때 비지도 이상 검출로 대체하고 이후 점차 퓨샷 분류로 전환하여 콜드 스타트에서 안정 운영으로의 원활한 이관을 달성합니다.
4. 선정 포인트와 도입 조언
제조사가 퓨샷 시각 검사 솔루션 도입을 검토한다면 몇 가지 실무적 사항에 주목해야 합니다.
첫째, 사전 학습 백본이 산업 도메인에 적합한지 확인하십시오. 범용 ImageNet 사전 학습 모델이 산업 불량에서 반드시 유용한 것은 아니므로, 산업 이미지로 자기 지도 사전 학습을 수행한 솔루션을 선호하십시오. 둘째, 점진적 학습 능력을 확인하십시오. 라인 불량은 변하며, 솔루션은 전체 재학습이 아니라 소량 샘플로 새 클래스를 추가하는 것을 지원해야 합니다. 셋째, 라벨링 효율에 주목하십시오. 좋은 퓨샷 솔루션은 바운딩 박스, 스크리블, 심지어 양성 전용 라벨링을 지원하여 라인 작업자의 조작 장벽을 낮춰야 합니다. 넷째, 오경보와 유출의 균형을 검증하십시오. 퓨샷 조건에서는 모델 신뢰도 분포가 이동할 수 있어 조정 가능한 임계값과 수동 검토 메커니즘이 함께 작동해야 합니다. 다섯째, 독립 산업용 PC든 기존 비전 플랫폼 내장이든 기존 라인 시스템과의 연결 방식을 고려하십시오.
도입은 두 단계를 권장합니다. 먼저 퓨샷 솔루션으로 빠르게 가동하여 검출이 가능한지 자체를 확인하고, 이후 샘플이 축적되면서 점차 기존 지도 학습 모델이나 퓨샷과 기존 모델의 혼합으로 전환하여 정확도 수준을 확보하십시오.
5. 트렌드와 요약
향후 산업 비전의 퓨샷 러닝은 세 방향으로 진화할 것입니다. 하나는 멀티모달과의 결합으로 텍스트 설명이나 공정 파라미터를 보조 정보로 도입해 이미지 샘플 의존을 더 줄이는 것입니다. 둘은 지속 학습과의 융합으로 모델이 라인 운영 중 새로운 불량을 발견하고 소량 라벨링을 요청하는 루프를 형성하는 것입니다. 셋은 엣지로의 이동으로 경량 퓨샷 모델을 카메라나 엣지 박스에 배포해 중앙 연산 의존을 줄이는 것입니다.
제조사 입장에서 퓨샷 러닝의 가치는 라벨링 이미지 몇 장을 아끼는 것이 아니라 시각 검사 프로젝트 납기를 몇 달에서 몇 주로 압축하여, 더 많은 다품종 소량 라인이 AI 비전을 감당할 수 있게 만드는 것입니다. 3,200명 이상 최종 사용자와 15개 이상 산업을 아우르는 120개 이상 고객이 이미 이런 솔루션을 추진하고 있으며, 방향은 분명합니다. 샘플 부족은 더 이상 장애물이 아니고 빠른 가동이 표준입니다.