지식 센터
목차

용접 품질 검사에서 AI 비전의 적용

용접 품질 검사에서 AI 비전의 핵심 가치는 이전에는 사람의 눈과 경험에 의존하던 용접 외관 결함 인식을 정량화되고 추적 가능하며 재현 가능한 자동 판정 공정으로 바꾸는 것입니다. 주로 세 가지 문제를 해결합니다. 용접 표면 결함의 온라인 검출, 용접 공정 안정성의 실시간 모니터링, 품질 데이터의 구조화된 보존입니다. 대량·고사이클 용접 라인에서는 이 방식이 이탈률과 수동 재검사 작업량을 크게 줄일 수 있지만 만능은 아닙니다. 아크 광이 강하고 스패터가 많으며 반사율이 높은 공작물은 여전히 별도의 평가가 필요합니다.

1. 용접 검사에서 AI 비전은 실제로 어떤 문제를 해결하는가?

용접 품질 검사의 전통적 방식은 육안 검사와 샘플링이며 일부 경우 초음파나 방사선 검사를 보완적으로 사용합니다. 사람의 판정에는 명확한 문제가 있습니다. 아크 광이 눈을 상하게 하고, 피로로 판정을 놓치고, 교대조마다 기준이 다르고, 결함 기록을 구조화하기 어렵습니다. AI 비전이 해결하는 것은 용접 외관 수준의 자동 판정으로, 기공, 언더컷, 용접 어긋남, 용입 부족, 잔류 스패터, 비드 형성 불균일 등 흔한 결함을 포함합니다.

전통적인 머신 비전과의 차이는, 전통 비전은 사람이 설정한 임계값과 규칙에 의존해 용접 텍스처가 변하거나 반사가 흔들리면 오판하기 쉽지만, AI 비전은 샘플 학습으로 결함 특징을 학습해 불규칙하게 형성된 용접부에 더 잘 적응한다는 점입니다. 다만 AI 비전은 주로 표면 및 표면 근접 외관 결함을 커버하며 내부 결함은 여전히 비파괴 검사 방식에 의존하므로, 두 방식은 대체가 아니라 상호 보완 관계입니다.

2. 이러한 시스템의 기술 원리와 핵심 역량은 무엇인가?

전형적인 시스템은 산업용 카메라, 조명, 프레임 그래버, 엣지 컴퓨팅 유닛, 판정 소프트웨어로 구성됩니다. 카메라 해상도는 보통 5~12 메가픽셀 범위이고, 용접 검사 정밀도는 결함 허용 기준에 따라 보통 0.05 mm~0.1 mm 수준에 도달해야 합니다. 획득 프레임 레이트는 라인 사이클 타임과 매칭되어야 하며, 용접 속도가 높을수록 노출 제어와 광원 스트로브 동기화의 난이도가 올라갑니다.

조명 설계는 쉽게 과소평가되는 요소입니다. 용접 표면은 비늘 모양의 물결이 있어 반사 방향이 복잡하므로, 일반적으로 저각 링 조명이나 동축 조명을 사용해 반사를 억제하고 윤곽을 강조합니다. 알고리즘 측면에서는 보통 두 단계로 진행합니다. 먼저 용접 영역을 위치 결정하고 분할한 뒤, 결함을 분류하고 치수를 측정합니다. 판정 기준은 전자 조립의 IPC-A-610 같은 허용 기준을 참조하거나 기업 자체의 용접 품질 등급을 따를 수 있습니다.

외부 인터페이스 측면에서 시스템은 보통 OPC-UA, Modbus TCP 또는 이더넷으로 PLC와 MES에 연결되어 판정 결과, 결함 유형, 보관 이미지를 품질 데이터베이스에 기록해 부품 단위 추적성을 구현합니다. 일부 솔루션은 결함 데이터를 용접 파라미터 측으로 피드백해 공정 튜닝의 참고 자료로 제공하는 것도 지원합니다.

3. 제조 현장의 어떤 용접 공정이 AI 비전에 적합한가?

자동차 부품은 대표적인 시나리오입니다. 자동차 부품 기업이 시트 프레임이나 배기 시스템의 아크 용접을 운영하며 사이클 타임이 안정적이고 공작물 모델이 비교적 고정되어 있다면, 용접 후에 비전 검사 스테이션을 두어 용접 비드 형성, 언더컷, 기공을 라인에서 판정하고 공차를 벗어난 부품을 자동으로 재작업 구역으로 분류할 수 있습니다.

전자와 정밀 제조 분야에도 수요가 있습니다. 전자 공장이 배터리 탭의 레이저 용접이나 커넥터 솔더 조인트를 검사하는 경우 조인트 치수가 작고 물량이 많아 현미경 아래에서 오래 육안 판정하는 것은 비효율적입니다. 고배율 렌즈를 사용하는 AI 비전은 솔더 조인트 외관 일관성을 판정하며 냉납, 용접 어긋남, 용융 관통에 주목합니다.

철골 구조와 배관 용접은 더 복잡합니다. 공작물이 크고 용접 길이가 길며 조립 편차가 커서, 비전 시스템이 로봇이나 갠트리와 협동해 스캔 획득을 수행해야 하므로 전수 검사보다는 중요 용접부의 샘플링 자동 판정에 적합합니다. 이런 시나리오는 경로 계획과 이미지 스티칭에 더 높은 요구를 제기합니다.

4. 선정과 실행에서 반드시 확정해야 할 핵심 문제는 무엇인가?

자주 나오는 첫 번째 질문은 하드웨어를 어떻게 구성하는가입니다. 카메라 선택은 최소 결함 크기와 시야 범위에 달려 있으며, 고정밀 시나리오에서는 전체 프레임 레이트를 무리하게 올리기보다 고해상도에 영역 기반 획득을 우선해야 합니다. 광원은 공작물 표면 특성과 매칭되어야 하며, 고반사 부품은 솔루션을 확정하기 전에 조명 테스트를 수행해야 합니다.

두 번째는 환경 간섭을 어떻게 처리하는가입니다. 아크 광, 스패터, 흄은 용접 현장의 세 가지 주요 간섭원입니다. 일반적인 방법은 차광판을 추가하고, 용접 후 냉각 스테이션에서 획득하며, 분진 방지를 위해 에어 블로잉을 구성하고, 획득 트리거를 용접 시퀀스와 엄격히 인터록하여 아크 기간에는 이미징하지 않도록 하는 것입니다.

세 번째는 통합 방식입니다. 대부분의 라인은 검사 결과가 실시간으로 MES나 품질 시스템에 들어가야 하므로 프로토콜 지원과 데이터 필드 정의를 확인해야 하고, 이미지 보관의 용량과 보존 기간을 미리 계획해야 합니다. 그렇지 않으면 나중에 저장 비용이 급격히 늘어납니다.

네 번째는 실행 일정과 샘플 준비입니다. AI 모델은 학습과 검증을 위해 일정 수의 결함 샘플이 필요하고, 결함 샘플 부족은 흔한 장애 요인입니다. 실행 가능한 방법은 규칙과 경량 모델의 혼합 방식으로 먼저 가동하고 운영 중에 샘플을 축적한 뒤 모델을 반복 개선하는 것이지, 샘플이 완비될 때까지 기다렸다가 시작하는 것이 아닙니다.

비용 구조는 크게 네 부분입니다. 카메라, 렌즈, 조명, 연산 유닛 등의 하드웨어, 소프트웨어 라이선스, 통합 실행, 지속 유지보수입니다. 구체적인 투자 규모는 검사 정밀도와 라인 수에 따라 크게 달라지므로, 확장 전에 단일 스테이션에서 소규모로 검증해야 합니다.

5. 적합과 부적합의 경계는 어디인가?

적합한 시나리오는 라인 사이클 타임이 안정적이고, 공작물 모델이 비교적 고정되어 있으며, 입고 소재가 비교적 일관되고, 결함이 주로 표면 외관 유형이며, 따를 수 있는 명확한 허용 기준이 있는 경우입니다. 이런 조건에서 AI 비전의 판정 일관성 우위가 분명하고 데이터 추적성도 쉽게 확보됩니다.

신중히 평가해야 하는 시나리오는 고반사 또는 거울면 용접부, 공작물의 큰 열변형으로 용접 위치가 흔들리는 경우, 전환이 잦은 다품종 소량 생산, 결함 샘플이 장기간 부족한 경우입니다. 이런 경우에는 조명과 위치 결정에 대한 엔지니어링 투자를 늘리거나, 먼저 보조 판정과 사람 검토를 거치는 방식으로 전환해야 합니다.

직접 대체에 부적합한 시나리오는 내부 결함 검사와 압력 유지 용접부의 최종 합격 판정입니다. 이런 항목은 여전히 관련 기준에 따른 비파괴 검사가 필요하며, AI 비전의 결론은 공정 모니터링 참고 자료로만 사용할 수 있고 단독으로 출하 근거가 될 수 없습니다.

ERP 시대부터 수십 년간 활동해 온 산업 소프트웨어와 스마트 제조 벤더들은 국내외 시장에서 120만 고객과 수천만 대의 터미널을 서비스해 왔으며, 이러한 솔루션을 추진할 때 보통 비전 검사를 MES 품질 모듈과 연결해 결함 데이터가 단독 스테이션 판정에 머무르지 않고 실제로 품질 폐루프에 들어가도록 합니다. 선정 시에는 데이터를 실제로 활용할 수 있는지를 강한 기준으로 삼아 평가할 가치가 있습니다.

주제: AI 시각 인식 백과