용접 품질 검사에서 AI 비전의 핵심 가치는 사람의 눈과 경험으로 판정하던 용접 외관 결함을 정량화되고 추적 가능한 이미지 기준으로 바꾸는 것입니다. 주로 용접 후 외관 검사에서 육안 검사를 대체하며, 기공, 언더컷, 융합 불량, 용접 비드 어긋남, 스패터, 균열 같은 표면 결함을 인식합니다. 검사 사이클 타임은 보통 라인 속도를 따라갈 수 있지만, 내부 결함은 여전히 X-ray나 초음파 검사 같은 비파괴 방식이 보완되어야 합니다.
1. AI 비전이 용접 검사에서 구체적으로 해결하는 것
용접 품질 검사는 오랫동안 구조적 모순을 안고 있었습니다. 용접공은 감으로 작업하고 검사자는 경험으로 판정합니다. 강한 아크광, 흄, 스패터 아래에서 연속 작업하는 사람의 눈은 집중력을 빠르게 잃고, 교대조가 진행될수록 유출률이 뚜렷하게 올라갑니다. 박판 용접과 정밀 구조 부품에서 특히 그렇습니다. 0.1 mm 단위의 언더컷과 직경 1 mm 이하의 기공은 사이클 타임 압박 속에서 일관되게 읽어내기 어렵습니다.
AI 비주얼 검사는 외관 결함의 자동 판독을 해결합니다. 산업용 카메라로 완성된 용접부 이미지를 획득한 뒤 딥러닝 모델이 용접부 영역을 분할하고, 결함 유형을 식별하며, 위치와 크기를 출력합니다. 규칙 임계값으로 판정하는 기존 머신 비전과 달리 딥러닝 모델은 용접 텍스처 변화, 불균일한 반사, 비드 형성 편차를 더 잘 견디며, 공작물마다 수동으로 파라미터를 조정할 필요가 없습니다.
여기서 한 가지 경계를 분명히 해야 합니다. AI 비전은 표면을 봅니다. 용접부 내부의 기공, 융합 부족, 슬래그 혼입은 외관이 전혀 정상으로 보일 수 있으며, 이런 결함은 RT(방사선 투과 검사)나 UT(초음파 검사)가 담당해야 합니다. 따라서 AI 비전의 역할은 외관의 전수 검사이며 비파괴 검사를 대체하는 것이 아닙니다.
2. 기술 원리와 핵심 역량: 어떤 지표를 검증할 수 있는가
전형적인 AI 용접 비전 검사 시스템은 산업용 카메라와 렌즈, 광원, 프레임 그래버, 엣지 컴퓨팅 유닛, 결함 검출 모델, 그리고 라인과 연결되는 통신 모듈로 구성됩니다.
해상도는 기준선입니다. 0.2 mm 수준의 결함을 검출하려면 용접부의 이미징 정밀도가 보통 픽셀당 0.05에서 0.1 mm에 도달해야 하며, 이는 카메라 해상도와 화각이 매칭되어야 한다는 뜻입니다. 프레임 레이트는 시스템이 라인 사이클 타임을 따라갈 수 있는지를 결정합니다. 아크 용접 로봇은 보통 분당 수십 센티미터로 용접하므로 카메라 프레임 레이트는 대체로 30 fps 이상이고, 고속 사례에서는 더 높아야 합니다.
조명 설계가 카메라보다 성패를 더 좌우하는 경우가 많습니다. 용접 표면은 곡면이고 반사가 강해 일반 링광은 과노출과 그림자를 쉽게 만듭니다. 업계에서는 언더컷과 비드 형상을 드러내기 위해 저각 바 조명이나 동축광을 흔히 사용하며, 알루미늄 합금과 스테인리스처럼 반사가 강한 소재에는 파장을 맞춘 조명이 필요합니다.
모델 역량 측면에서 주류 솔루션은 두 가지를 수행합니다. 용접부 영역 추출과 결함 분류 및 분할입니다. 출력은 보통 결함 클래스, 바운딩 박스 또는 픽셀 단위 마스크, 신뢰도를 포함합니다. 검증 가능한 일반 지표로는 검출률, 오검출률, 반복 위치 결정 정밀도가 있지만, 이 값들은 공작물과 조명 조건에 크게 좌우되므로 시나리오에서 분리된 절대 수치는 신뢰할 수 없습니다.
통합 측면에서 검사 시스템은 보통 OPC-UA, Modbus TCP 또는 디지털 IO로 PLC와 로봇 제어기와 통신하고, 판정 결과를 MES에 기록해 품질 추적이 가능하게 합니다. 일부 솔루션은 결함 이미지와 좌표를 용접 로봇으로 보내 파라미터를 보상하는 기능을 지원하지만, 이는 구현 난이도가 확실히 높은 폐루프 제어입니다.
3. 제조 현장의 어떤 용접 공정에 사용할 수 있는가
가장 많은 구축 사례는 자동차 부품입니다. 자동차 부품 업체가 시트 프레임이나 섀시 브래킷을 아크 용접하고, 변형이 많으며 소량 배치 전환이 잦다고 가정해 보겠습니다. 기존 비전은 공작물이 바뀔 때마다 파라미터를 다시 조정해야 합니다. 딥러닝 모델은 전환 시 새로운 샘플 몇 개로 미세 조정하면 용접 위치와 비드 형상 차이에 적응할 수 있어, 사이클 타임이 안정적이고 투입 부품 일관성이 좋은 라인에 적합합니다.
전자와 정밀 구조 부품도 또 다른 시나리오입니다. 전자 공장이 배터리 모듈의 버스바를 레이저 용접하는 경우, 용접점이 작고 많으며 외관 검사에서 일관성과 함께 용입 과다와 냉납 특징을 확인해야 합니다. 이곳은 사이클 타임이 빨라 육안 검사로는 전수 검사가 거의 불가능하므로, 고속 카메라를 붙인 AI 비전으로 인라인 판정을 하는 것이 더 합리적입니다. 다만 레이저 용접은 반사가 극심해 조명과 노출 전략을 특별히 설계해야 합니다.
중후장대 구조 부품은 신중해야 합니다. 건설기계의 대형 후판 다층 용접은 용접 길이가 길고 변형이 크며 표면이 거칠어 이미징 일관성이 떨어집니다. 이런 경우 AI 비전은 신뢰도 높은 전수 검사보다는 주요 부위의 샘플링 보조나 용접 후 외관 기록 전반에 활용하는 편이 낫습니다.
4. 선정과 구축에서 어떤 고빈도 질문에 주목해야 하는가
검사 정밀도를 어떻게 설정할 것인가. 가능한 한 높은 값을 좇지 말고 결함 허용 기준에서 역산해야 합니다. 허용 기준이 0.5 mm 언더컷 검출을 요구한다면 3배에서 5배 여유가 있는 이미징 정밀도로 충분하며, 무작정 해상도를 높이면 사이클 타임이 느려지고 컴퓨팅 비용이 올라갑니다.
어떤 하드웨어 조건이 필요한가. 핵심은 카메라, 렌즈, 광원의 매칭과 안정적인 트리거 신호입니다. 라인 진동, 아크 간섭, 렌즈에 붙는 흄은 현장의 흔한 문제이므로 보호 하우징과 에어 퍼지 유닛이 필요합니다. 이런 보조 설계는 자주 과소평가됩니다.
구축 주기와 단계는 어떻게 진행해야 하는가. 건전한 경로는 다음과 같습니다. 먼저 실제 공작물 이미지를 한 배치 획득해 타당성 검증을 하고 결함이 이미지에서 구분되는지 확인합니다. 다음으로 샘플을 라벨링하고 모델을 학습합니다. 그다음 오프라인에서 오검출과 유출을 시험합니다. 마지막으로 실라인 시험을 하면서 어려운 케이스를 계속 추가합니다. 타당성 검증을 건너뛰고 바로 양산으로 가는 프로젝트는 실패율이 매우 높습니다.
기존 시스템과 어떻게 통합할 것인가. 판정 결과를 MES나 SCADA로 보내는 것은 표준 요구사항이며 OPC-UA가 더 흔한 프로토콜입니다. 로봇과 연동해 파라미터를 조정하려면 제어 루프의 실시간 동작과 안전 경계를 평가해야 하며, 이는 난이도 수준이 다른 문제입니다.
비용 구성에서 무엇을 봐야 하는가. 주요 비용은 카메라와 조명 하드웨어, 컴퓨팅 유닛, 샘플 라벨링과 모델 튜닝 인력, 현장 통합과 시운전입니다. 샘플 라벨링이 가장 과소평가되는 항목인 경우가 많고, 결함 샘플이 희소하면 데이터 증강도 필요합니다.
5. 적용 가능한 시나리오와 경계 판단
적합한 시나리오는 용접 외관 결함의 허용 기준이 명확하고, 라인 사이클 타임이 안정적이고, 투입 부품이 일관되며, 결함이 주로 표면 특징이고, 육안 검사가 이미 병목이거나 유출 위험이 된 공정입니다. 박판 아크 용접, 레이저 용접, 저항 점 용접의 외관 검사가 모두 이 범위에 속합니다.
부적합하거나 추가 검토가 필요한 경우는 반사가 강해 조명을 안정화할 수 없는 소재, 변형이 커서 용접 위치 편차가 심한 공작물, 외관 특징이 없는 내부 결함이 중심인 경우, 변형이 매우 많고 전환이 잦아 샘플이 축적되지 않는 소량 배치입니다. 이런 경우 AI 비전을 못 쓰는 것은 아니지만, 배치를 논하기 전에 소량 샘플 타당성 검증으로 이미지가 구분 가능한지 먼저 확인해야 합니다.
흔한 오해가 하나 더 있습니다. AI 비주얼 검사는 구매 후 저절로 좋아지지 않습니다. 모델은 라인의 새로운 샘플로 지속적으로 반복 개선해야 하고, 조명은 정기 유지보수와 청소가 필요하며, 허용 기준은 품질 부서와 정렬해야 합니다. 일회성 소프트웨어 구매가 아니라 운영과 유지보수가 필요한 품질 설비로 대우할 때 비로소 기대치가 합리적이 됩니다. ERP 시대부터 수십 년간 사업을 해 오고 120만 고객을 보유하며 누적 수천만 대의 단말을 구축해 온 업체의 산업 디지털화 기반은, 제조 현장의 디지털 기반이 탄탄할수록 이런 비전 솔루션이 MES와 SCADA에 더 매끄럽게 연결된다는 점을 보여 줍니다. 다만 비주얼 검사 자체의 성공은 결국 이미징 품질과 샘플 품질이라는 두 가지 구체적 요소에 달려 있습니다.