Mahalanobis PatchCore: Covariance-Aware and Streaming-Compatible Industrial Anomaly Detection

Industrial visual anomaly detection is usually one-class: normal images are abundant, while defects are rare, heterogeneous, and often unavailable during system design. PatchCore-style retrieval suits this setting because it scores test images from a memory bank of normal patch features, but the standard Euclidean geometry ignores feature correlations and its offline construction materialises the full patch pool before subsampling. We introduce Mahalanobis PatchCore, a covariance-aware, streaming-compatible extension of PatchCore. Its artificial intelligence contribution is a retrieval detector that estimates a regularised covariance model in reduced feature space and whitens embeddings, so Euclidean nearest-neighbour search after transformation implements Mahalanobis retrieval. A bounded-memory, re-iterable training pipeline builds the memory bank without storing all normal patches at once, using incremental dimensionality reduction, online covariance estimation, and streaming aggregation. The engineering application is automated industrial inspection, where visual anomaly detection must remain accurate under practical memory limits. We evaluate the method on a public 15-category industrial anomaly-detection benchmark and three industrial datasets covering blow-fill-seal strip-ampoule meniscus inspection, amber-glass-ampoule bottom inspection, and lyophilised-cake vial inspection. Mahalanobis PatchCore preserves most offline PatchCore image-level performance on the public benchmark while reducing peak memory from 5.41 to 2.78 GB, and improves the selected industrial mean image area under the receiver operating characteristic curve from 0.981 to 0.986.

📋 한 줄 요약

**[Industrial Anomaly Detection]** Mahalanobis PatchCore가 covariance-aware whitening과 streaming 메모리뱅크로 PatchCore 확장 — 공개 벤치마크 성능 유지하며 peak memory 5.41→2.78 GB 감소, 산업 mean AUROC 0.981→0.986.

🎯 핵심 기여도

산업 visual anomaly detection이 보통 one-class — normal image는 abundant, defect은 rare·heterogeneous·설계 시 unavailable — 환경임을 배경 소개.
PatchCore-style retrieval이 normal patch feature 메모리뱅크로 test image를 scoring해 이 setting에 잘 맞지만, 표준 Euclidean geometry가 feature correlation을 무시하고 offline 구성이 subsampling 전에 full patch pool을 materialize함을 한계로 지적.
Mahalanobis PatchCore 도입 — covariance-aware·streaming-compatible PatchCore 확장.
Reduced feature 공간에서 regularised covariance model을 추정·embedding을 whitening해 변환 후 Euclidean nearest-neighbour search가 Mahalanobis retrieval을 구현; bounded-memory·re-iterable training 파이프라인이 incremental dim reduction·online covariance·streaming aggregation으로 모든 normal patch를 동시 저장하지 않고 memory bank 구성.

💡 핵심 아이디어

PatchCore의 정확도-메모리 트레이드오프는 표준 Euclidean retrieval과 offline patch pool에서 비롯되며, covariance-aware whitening + streaming memory bank 구성으로 Mahalanobis retrieval을 효율적으로 구현해 메모리 절반·성능 개선을 동시 달성할 수 있다.

🔬 기술적 접근법

**방법론**: Mahalanobis PatchCore — covariance-aware retrieval + streaming memory bank.
**핵심 기법**: (1) Reduced feature space의 regularised covariance model 추정, (2) Embedding whitening으로 변환 후 Euclidean NN search가 Mahalanobis retrieval 구현, (3) Bounded-memory·re-iterable training 파이프라인, (4) Incremental dim reduction + online covariance + streaming aggregation, (5) 모든 normal patch 동시 저장 회피.

📊 주요 결과

공개 15-카테고리 산업 anomaly detection 벤치마크에서 offline PatchCore의 image-level 성능 대부분 보존.
Peak memory: 5.41 GB → 2.78 GB.
3 산업 데이터셋(blow-fill-seal strip-ampoule meniscus inspection, amber-glass-ampoule bottom inspection, lyophilised-cake vial inspection)에서 mean image AUROC 0.981 → 0.986.
실제 메모리 제약 환경의 자동 산업 검사에 정확도 유지.

💭 의의 및 한계

**의의**: PatchCore의 메모리 한계 해소로 실 산업 배포 가능, covariance-aware retrieval의 효과 정량 입증, streaming pipeline의 재사용성. **한계**: 매우 다양한 결함 분포에 대한 covariance 추정의 robustness, 데이터셋 규모 일반화는 후속 검증, regularisation hyperparameter의 도메인 의존성.

🚀 실용적 활용

제약·식품·유리 등 산업 자동 검사.
메모리 제약 edge device 산업 anomaly detection.
Streaming PatchCore 일반 메모리 효율화 가이드.