지식 센터
목차

용접 품질 검사에서의 AI 비전

용접 품질 검사에서 AI 비전의 핵심 가치는 그동안 사람의 눈과 경험으로 판단하던 용접 품질을 정량화 가능하고 추적 가능하며 실시간으로 차단 가능한 기계 판단으로 바꾸는 것이다. 지난 2년간 제조업의 용접 일관성 요구는 더 엄격해졌고, 용접 인력 부족이 겹치면서 육안 검사는 선택적 보너스에서 라인의 필수 단계로 바뀌었다.

1. 핵심 개념과 기술 정의

AI 비전 용접 품질 검사는 산업용 카메라로 용접 과정이나 용접 후 용접부의 이미지를 촬영하고, 딥러닝 모델로 용접 비드 형성 품질과 불량 유형을 자동 식별·판정하는 것이다. 검사 대상은 보통 기공, 언더컷, 용접 어긋남, 융합 부족, 오버랩, 아크 중단, 과다 스패터 같은 전형적 불량과, 용접 폭, 보강 높이, 직선도 같은 치수 지표를 포함한다.

전통 머신 비전과의 차이는, 전통 비전은 사람이 설정한 임계값과 규칙에 의존해 용접 반사가 변하면 바로 오판하는 반면, AI 비전은 샘플로 모델을 학습해 스테인리스, 알루미늄 합금, 탄소강의 표면 반사 차이에 적응할 수 있고 불규칙한 불량에 대한 허용도가 높다는 점이다. 업계는 보통 두 범주로 나눈다. 용접 후 이미지를 촬영해 합격·불합격을 판정하는 용접 후 검사와, 용접 중 용융지나 아크 이미지를 획득해 이상 발견 즉시 알람을 내거나 인터록으로 정지시키는 용접 과정 실시간 모니터링이다.

2. 기술 원리와 핵심 능력

전체 시스템을 돌리려면 보통 네 개의 관문을 통과해야 한다. 이미징 단계는 대역 필터를 갖춘 산업용 카메라로 아크 간섭을 억제하며, 이것이 용접 비전에서 가장 어려운 단계다. 아크 강도가 높고 스패터가 심해 일반 카메라로는 새하얀 화면만 나온다. 광원 설계는 흔히 구조광이나 능동 조명으로 용접 비드의 3차원 형상을 드러낸다.

알고리즘 단계가 핵심이다. 용접 불량 샘플은 자연히 불균형해 기공은 흔하고 융합 부족은 드물기 때문에 모델이 쉽게 치우친다. 따라서 실제 배포에는 데이터 증강과 하드 예제 마이닝이 필요하다. 주류 방식은 CNN으로 불량 분류와 분할을 수행하며, 최근 2년간 일부 솔루션은 엣지 컴퓨팅 박스에서 직접 도는 경량 모델을 도입해 단일 이미지 추론을 수십 밀리초로 통제해 라인 택트에 맞춘다.

판정 단계는 모델 출력을 공정 언어로 바꿔야 한다. 예를 들어 '이 용접부의 보강이 상한을 0.8mm 초과해 재작업 판정'처럼 제시하고 확률값만 주지 않는다. 이를 위해서는 시스템이 용접 공정 파라미터 라이브러리에 연결되어 비전 결과를 전류, 전압, 용접 속도와 연관지어야 한다.

마지막은 추적성이다. 모든 용접부의 이미지, 판정 결과, 타임스탬프, 스테이션 번호를 보관해 이후 배치 문제를 역추적할 수 있어야 한다. 이런 솔루션은 보통 배포 시 MES나 QMS로 가는 데이터 인터페이스를 미리 확보해 검사 기록이 품질 파일에 들어가게 한다.

3. 제조 현장의 대표 적용 시나리오

전자 공장이 정밀 구조 부품 용접을 한다고 하자. 제품이 작고 용접점이 촘촘해 확대경 아래 육안 검사는 하루 종일 지속할 수 없고 교대조 후반에는 미검출률이 눈에 띄게 올라간다. 용접 후 스테이션에서 AI 비전이 자동 판정을 하면 촬영 한 번으로 여러 용접점을 커버하고, 모델이 냉납과 어긋난 용접을 안정적으로 식별하며, 결과가 분류 기구를 직접 구동해 불량품이 다음 공정으로 흘러가지 않는다.

자동차 부품 기업이 섀시 부품 아크 용접을 한다고 하자. 용접부가 길고 열변형이 크며, 품질이 용접 후 수동 슬래그 제거와 육안 검사에 의존해 비효율적이고 놓치기 쉽다. 비전 검사를 배포하면 용접 로봇 말단이나 스테이션 위에 카메라를 설치해 용접 직후 이미징하고, 언더컷과 기공에 집중하면서 용접 폭 일관성을 측정한다. 시스템이 모든 부품의 검사 이미지를 보관하므로 고객 클레임이 오면 책임 교대조와 설비를 빠르게 특정할 수 있다.

또 다른 시나리오는 전력 배터리의 탭 용접으로, 박판 겹치기 용접이며 융합 부족과 용락에 극히 민감하다. 이런 시나리오는 이미징 요구가 높아 보통 고프레임 레이트 카메라와 동축 조명이 필요하고, 모델은 용락과 정상 용입의 미세한 차이를 구분해야 한다. 실제 라인에서는 시각 판정과 용접 설비의 전류 파형 모니터링을 교차 검증하고, 두 신호가 모두 이상일 때만 정지를 트리거해 오경보가 라인 택트를 방해하는 것을 줄인다.

4. 선정 우선순위와 도입 조언

이런 시스템을 고를 때는 알고리즘 지표만 보지 말고 이미징 방식이 자사 소재와 조인트 형태에 적응할 수 있는지 먼저 확인한다. 공급사에 실제 공작물과 실제 용접 파라미터로 샘플을 돌려 오판율과 미검출률을 보게 하는 것이 브로슈어를 읽는 것보다 유용하다. 용접 비전의 어려움 중 80%는 이미징에 있고 알고리즘은 상대적으로 표준화된 부분이다.

둘째, 불량 라이브러리 커버리지를 본다. 학습에 어떤 불량 유형을 썼고 대략 어느 정도 샘플 규모였으며, 이후 새 불량 유형 추가를 지원할 수 있는지 명확히 물어야 한다. 라인 전환이 잦은 기업은 모델 전환의 시간 비용을 봐야 하며, 이상적 상태는 신제품이 소량 샘플 미세 조정만으로 투입되는 것이다.

셋째, 라인 통합 능력을 본다. 검사 택트가 용접 택트를 따라갈 수 있는지, 판정 결과가 기존 PLC나 분류 기구와 어떻게 통신하는지, 데이터를 추적성 목적으로 보관할 수 있는지 세 가지를 개념 검증 단계에서 검증해야 하고, 승인 단계에서 호환되지 않는다는 사실을 발견하면 안 된다.

구현은 단계적으로 한다. 먼저 단일 스테이션에서 검증해 이미징과 판정 루프를 동작시킨 뒤 유사 스테이션으로 수평 확장한다. 초기에는 수동 재판정을 안전장치로 남기고, 모델이 실제 라인에서 안정적으로 돌고 오경보율이 수렴한 뒤에 재판정 비율을 점진적으로 낮춘다. 또한 샘플 피드백 담당을 지정해 라인에서 오판 이미지를 정기 수집해 재어노테이션·재학습하는 것이 시간이 지날수록 모델이 정확해지는 방법이다.

5. 트렌드와 결론

한 방향은 검사를 상류로 옮기는 것으로, 용접 후 불량 배제에서 용접 공정의 실시간 폐루프 제어로 이동해 비전이 용융지 이상을 감지하면 용접 파라미터를 직접 조정해 불량이 형성 단계에서 제거된다. 또 다른 방향은 멀티모달 융합으로, 비전을 아크 전기 신호, 음향 방출 신호와 함께 판정해 단일 신호가 쉽게 오판하는 시나리오의 신뢰도를 높인다. 한 가지 더는 엣지 컴퓨팅이 더 아래로 내려가 검사 모델이 중앙 서버 없이 라인 옆 소형 박스에서 직접 돌아 배포 유연성과 실시간성을 모두 개선하는 것이다.

용접 품질 검사에서 AI 비전은 용접 공정 자체를 대체하려는 것이 아니라 품질 판단의 자를 더 안정되고 정밀하며 검증 가능하게 만드는 것이다. 제조사에게는 최신 모델 아키텍처를 쫓는 것보다 올바른 이미징 방식을 고르고 데이터 폐루프를 닫는 것이 훨씬 실용적이다.

주제: AI 시각 인식 백과