산업공학과

UNIST 산업공학과 김성일 교수 연구실 소속의 전병훈, 고지현, 이희윤, 조용진 연구원팀과 유정우, 이유성, 유동현, 감승수 연구원팀은 지난 5월 16일부터 19일까지 미국 텍사스주 알링턴에서 열린 ‘2026 IISE 연례 컨퍼런스 및 엑스포(IISE Annual Conference & Expo)’의 주요 행사인 ‘QCRE Data Challenge Competition’에서 각각 2위, 5위를 차지했다. 연구팀은 레이블(정답)이 부족한 제조 환경에서도 효과적으로 작동하는 반지도 학습 기반의 파이프라인을 제시해 우수한 성적을 거뒀다.
QCRE Data Challenge Competition는 산업공학 분야의 최대 학술단체인 IISE(국제산업공학회) 산하 품질 관리 및 신뢰성 공학(QCRE) 분과가 주관하는 대회다. 올해는 파이브 스타 매니지먼트 그룹(Five Star Management Group)의 후원으로 ‘반려동물 사료 포장지의 미세 구멍 이미지의 결함 탐지’를 주제로 열렸다. 제조 현장에서는 레이블이 없는 데이터는 방대하지만 정답이 달린 데이터는 극히 적은데, 참가자들은 이를 극복하고 구멍이 빠지거나(DT1), 서로 붙거나(DT2), 범위를 벗어난(DT3) 결함을 정확히 분류해야 했다.

이번 연구에는 UNIST 산업공학과의 전병훈(석박사통합과정), 고지현(석사과정), 이희윤(석사과정), 조용진(석사과정) 연구원이 참여했다.
연구팀의 핵심 기술은 '능동 학습(Active Learning)’과 ‘픽스매치(FixMatch)’를 결합한 전략이다.
능동 학습(Active Learning)을 통해 모델이 판단하기 어려워하는 이미지를 우선적으로 선별해 레이블을 추가하는 방식으로 학습 효율을 극대화한 후, 강한 변형을 준 이미지와 약한 변형을 준 이미지 사이의 예측 일관성을 유지하게 하는 픽스매치(FixMatch) 기법을 적용해 실제 제조 현장의 조명 변화나 반사 상황에서도 견고한 탐지 성능을 확보했다.
대회에 참여한 전병훈 연구원은 "정답 데이터가 극히 적은 상황에서도 능동 학습과 반지도 학습을 통합해 대규모 미학습 데이터를 효과적으로 활용할 수 있음을 확인했다"며 "이번 성과를 바탕으로 실제 산업 현장에서 배포 가능한, 신뢰도 높은 인공지능 품질 검사 환경을 만드는 데 기여하겠다"고 밝혔다.

UNIST 산업공학과의 유정우(학사과정), 이유성(학사과정), 유동현(학사과정), 감승수(석박사통합과정) 연구원팀도 같은 대회에 참여했다.
이 팀은 규칙 기반 판단과 반지도 학습 모델을 결합한 하이브리드형 결함 탐지 전략을 제시했다. 구멍이 빠지는(DT1) 결함은 규칙 기반으로 빠르고 정확하게 판별하고, 서로 붙거나(DT2), 범위를 벗어난(DT3) 결함은 Res2Net 기반 반지도 학습 모델을 활용해 모호한 차이를 정확히 탐지했다. 이때 대규모의 레이블이 없는 데이터에서 신뢰도 높은 의사 라벨(Pseudo label)을 선별해 학습에 활용함으로써, 부족한 정답 데이터의 한계를 보완하고 실제 제조 환경에 적용 가능한 추론 효율성을 확보했다.
대회에 참여한 유정우 연구원은 “정답 데이터가 부족한 상황에서도 결함 특성에 맞는 규칙 기반 판단과 반지도 학습 모델을 결합해 대규모의 레이블이 없는 데이터를 효과적으로 활용할 수 있음을 확인했다”며 “이번 성과를 바탕으로 실제 제조 현장에 적용 가능한, 빠르고 신뢰도 높은 인공지능 품질 검사 시스템 개발에 기여하겠다”고 밝혔다.