제조 현장의 AI 검사 시스템은 제품 종류와 공정이 바뀔 때마다 새로운 정상 패턴을 학습해야 한다. 기존 이상 탐지 모델은 정상 데이터의 특징을 저장하는 방식이어서 학습 데이터가 쌓일수록 필요한 메모리도 증가한다. 사용할 수 있는 메모리가 제한된 엣지 디바이스에서는 과거 데이터의 지식을 유지하면서 새로운 공정을 학습하는 기술이 필요하다. 아이벡스 연구진은 정해진 메모리 범위 안에서 기존 특징과 신규 데이터를 재구성하는 기술을 제안해 국제 컴퓨터 비전 학회의 평가를 통과했다.
산업용 피지컬 AI 기업 아이벡스(AIVEX)는 자사 연구진이 참여한 논문 ‘Memory-Bounded Continuation of Greedy Sampling for Continual Anomaly Detection’이 BMVC(British Machine Vision Conference) 2026에 최종 채택됐다고 밝혔다. BMVC는 영국 머신비전학회(British Machine Vision Association)가 주관하는 컴퓨터 비전·패턴 인식 분야의 국제 학회다. 비전과 딥러닝 알고리즘의 학술적 독창성과 실제 문제 해결 성능, 이론적 타당성 등을 평가해 연구 논문을 선정한다.
아이벡스, 컴퓨터 비전 국제 학회 ‘BMVC 2026’ 논문 채택 (자료 제공: 아이벡스)
이번 연구는 비전 기반 이상 탐지 기술을 실제 제조 공정과 엣지 AI 환경에 적용할 때 발생하는 메모리 효율 문제를 해결하기 위해 진행됐다. 생산 품목과 공정이 계속 추가되는 환경에서도 정해진 메모리 용량 안에서 AI 검사 성능을 유지하는 것이 연구의 핵심이다.
기존 특징과 신규 데이터 재구성…메모리 사용량 선형 증가 해결
PatchCore와 같은 이상 탐지 모델은 정상 데이터에서 추출한 핵심 특징을 메모리 뱅크(Memory Bank)에 저장한다. 검사 대상의 특징을 저장된 정상 데이터와 비교해 기존 패턴과 다른 부분을 이상으로 판단하는 방식이다.
저장할 특징은 탐욕적 샘플링(Greedy Sampling)을 통해 선택한다. 그러나 새로운 제품과 공정 데이터를 계속 학습하는 연속 학습(Continual Learning) 환경에서는 저장해야 할 특징도 함께 늘어나 메모리 사용량이 선형적으로 증가하는 한계가 있었다.
아이벡스 연구진은 이를 해결하기 위해 ‘Memory-Bounded Continuation of Greedy Sampling’ 기법을 제안했다. 엄격하게 제한된 메모리 예산 안에서 기존에 저장된 핵심 특징과 새롭게 들어온 데이터의 분포를 연속적으로 재구성하는 기술이다.
이 기법은 과거 데이터에서 학습한 정보를 유지하면서 새로운 공정의 특징을 메모리 뱅크에 반영한다. 모든 데이터를 계속 추가하는 대신 이상 탐지에 필요한 핵심 특징을 다시 선별해 정해진 메모리 용량을 유지하도록 설계했다.
제품 종류가 자주 바뀌는 다품종 생산라인이나 컴퓨팅 자원이 제한된 엣지 디바이스에서도 활용할 수 있다. 신규 품목이 추가될 때마다 전체 모델을 처음부터 학습하거나 메모리 용량을 계속 늘리지 않고 AI 검사 시스템을 업데이트하는 방식이다.
아이벡스는 이번 연구 결과를 자사 AI 비전 검사 플랫폼 ‘AIVision(아이비전)’에 적용할 계획이다. 제조 현장에서 새로운 제품과 공정이 추가될 때 필요한 이상 탐지 모델의 업데이트 효율을 높이고 엣지 환경에서의 검사 성능을 안정적으로 유지하는 데 활용한다는 구상이다.
아이벡스는 AI 비전 검사 플랫폼 AIVision과 AI 로보틱스 AIVot(아이봇), MLOps 플랫폼 AIVOps(아이브옵스)를 기반으로 제조 현장의 AI 전환을 지원하고 있다. CVPR 2025와 ICML 2026에 이어 BMVC 2026에서도 연구 논문이 채택됐다.
성민수 아이벡스 대표는 “이번 BMVC 논문 채택으로 아이벡스의 AI 검사 기술이 학술적 엄밀성과 현장 적용성을 함께 인정받았다”며 “연구 결과를 AIVision 등 자사 플랫폼에 적용해 제조 현장의 실질적인 문제 해결 속도를 높이겠다”고 말했다.
The post 메모리 늘리지 않고 새 공정 학습…아이벡스 이상 탐지 기술, BMVC 2026 채택 appeared first on 벤처스퀘어.