지식 센터
목차

신에너지 배터리를 위한 AI 비주얼 검사 솔루션

신에너지 배터리를 위한 AI 비주얼 검사 솔루션의 핵심은 산업용 카메라와 딥러닝 알고리즘으로 육안 검사를 대체해, 전극 코팅, 권취와 적층, 셀 조립, 모듈 PACK 같은 공정에서 인라인 전수 검사를 실현하고, 결함 판정을 육안 샘플링에서 머신 전수 검사와 데이터 추적으로 전환하는 것입니다. 해결하는 것은 볼 수 있느냐가 아니라, 정확하게 보고 안정적으로 판정하며 데이터로 역추적할 수 있느냐입니다.

1. 신에너지 배터리용 AI 비주얼 검사 솔루션이 해결하는 문제

리튬 배터리 제조에는 특징이 하나 있습니다. 결함 비용이 하류로 갈수록 증폭됩니다. 전극 코팅의 작은 스크래치나 흑점이 권취 공정에서 내부 단락 리스크가 될 수 있고, 적층 정렬 편차가 공차를 벗어나면 셀 일관성에 직접 영향을 줍니다. 전통적 접근은 육안 검사와 샘플링이며 세 가지 문제가 있습니다. 첫째, 사람의 눈은 고속 라인에서 해상도가 제한됩니다. 코팅 라인 속도는 분당 수십 미터에 쉽게 이르러 눈으로 따라갈 수 없습니다. 둘째, 판정 기준이 흘러가서 교대조마다 같은 배치의 전극을 다르게 판정합니다. 셋째, 데이터가 보존되지 않아 고객 클레임 후 특정 롤 번호나 설비로 역추적하기 어렵습니다.

AI 비주얼 검사 솔루션이 해결하는 것은 바로 이 세 가지입니다. 전수 검사 커버리지, 판정 일관성, 추적 가능한 결함 데이터입니다. 결함을 유형별(스크래치, 흑점, 코팅 누락, 주름, 탭 오프셋 등)로 분류하고, 셀마다 전극 롤마다 검사 파일을 만들어 MES 배치 정보와 연결합니다.

2. 기술 원리와 핵심 역량

전형적인 배터리 AI 비주얼 검사 시스템은 이미징 유닛, 광원, 컴퓨팅 플랫폼, 알고리즘 모델로 구성됩니다. 이미징은 전극 코팅 같은 연속 웹 검사에 라인 스캔 카메라를, 적층, 탭, 모듈 같은 개별 스테이션에 에어리어 스캔 카메라를 사용합니다. 해상도는 흔히 500만에서 1200만 화소 범위이고 왜곡 제어를 위해 텔레센트릭 렌즈를 씁니다. 조명은 주로 동축광, 바 조명, 돔광을 조합해 스크래치 대비를 배경과 분리합니다. 리튬 전극은 반사가 강해 조명 방식이 카메라 선택보다 성패를 더 좌우하는 경우가 많습니다.

알고리즘 계층에서는 딥러닝 분류와 분할 모델이 결함 인식을 담당하고, 기존 비전 알고리즘이 치수 측정과 정렬을 담당합니다. 주목할 핵심 지표는 다음과 같습니다. 검사 정밀도는 공정 단계에 따라 보통 0.1 mm 수준의 최소 결함을 인식할 수 있어야 합니다. 검사 사이클 타임은 라인과 맞아야 하며, 권취기는 흔히 셀당 0.5초에서 1초로 운영됩니다. 오판율(과검률)은 현장에서 가장 민감한 지표입니다. 과검이 많으면 라인 정지가 잦아져 솔루션이 정착하지 못합니다.

통합 측면에서 설비는 OPC-UA, Modbus TCP 또는 MES 인터페이스를 통해 검사 결과를 업로드하고, NG 리젝트를 위해 PLC와 연동합니다. 이 로직은 SMT에서 쓰는 IPC-A-610 외관 기준과 유사하지만, 리튬 배터리는 통일된 업계 외관 표준이 아직 성숙 중이어서 대부분 기업이 자사 기업 표준을 사용합니다.

3. 제조 현장의 전형적인 적용 시나리오

파워 배터리 셀 공장이 코팅 공정에 라인 스캔 카메라를 배치해 전극 표면을 검사하며 스크래치, 흑점, 에지 코팅 손실에 주력하고, 결과를 미터 마크별로 기록해 하류 슬리팅에서 문제 구간을 찾아낸다고 가정해 보겠습니다. 이는 리튬 배터리 제조에서 가장 성숙한 AI 비전 시나리오 중 하나입니다.

소형 배터리를 만드는 전자 공장이 적층 공정에 에어리어 스캔 카메라를 사용해 전극 정렬을 검사하고, 양극과 음극, 세퍼레이터의 상대 위치 편차를 측정하며 공차를 벗어나면 알람과 라인 정지를 트리거한다고 가정해 보겠습니다. 이 스테이션은 정밀도 요구가 높은 반면 사이클 타임 요구는 상대적으로 여유가 있습니다.

모듈 PACK 구간도 흔한 적용 지점입니다. 버스바 용접 품질, 단자 외관, 모듈 치수, 라벨 문자 인식(OCR)이 모두 여기에 속합니다. 자동차 부품사가 배터리 팩 하우징을 만들 때 비전으로 용접 외관과 실란트 도포 궤적을 확인하는 것도 유사한 논리입니다.

4. 선정과 구축에서 주의할 점

첫 번째 빈번한 질문은 하드웨어를 어떻게 구성할 것인가입니다. 화소 수가 높다고 자동으로 좋은 것이 아니라, 결함 크기와 화각의 비율을 봐야 합니다. 화각 200 mm에서 0.1 mm 결함 인식이 요구되면 이론상 2000만 화소로 충분하지만, 렌즈 분해능과 조명 대비도 계산해야 하므로 실제 선정은 보통 여유를 둡니다. 라인 진동이 심한 스테이션에서는 카메라보다 강성 브래킷에 투자하는 것이 더 값어치 있습니다.

두 번째 질문은 과검률을 어떻게 통제할 것인가입니다. 양산 직후에는 모델이 충분한 불량 샘플을 학습하지 못해 과검이 대체로 높습니다. 흔한 방법은 일정 기간 검출은 하되 리젝트는 하지 않는 모드로 수동 판정과 병행 운영하며 데이터를 축적한 뒤 임계값을 점진적으로 조이는 것입니다. 설치 직후 오판 제로를 기대하는 것은 비현실적입니다.

세 번째 질문은 기존 시스템과의 인터페이스입니다. 검사 설비는 MES로 데이터를 보내야 하므로, 인터페이스 프로토콜, 데이터 필드, NG 항목의 추적 단위(롤 단위, 셀 단위, 모듈 단위)를 구축 전에 확정해야 합니다. 그렇지 않으면 이후 변경에 라인 정지가 따릅니다.

네 번째는 구축 주기입니다. 단일 스테이션 비주얼 검사는 설치와 시운전에서 안정 운영까지 보통 수 주에서 수개월이 걸리며, 결함 유형의 복잡도와 라인 협조에 달려 있습니다. 여러 스테이션으로 확산하면 주기가 스테이션 수만큼 배가됩니다.

비용 구성은 주로 하드웨어(카메라, 렌즈, 조명, 산업용 PC 또는 엣지 컴퓨팅 박스), 소프트웨어 알고리즘 라이선스, 통합 구축, 지속적인 모델 유지보수로 나뉩니다. 지속 유지보수는 자주 과소평가됩니다. 라인 전환과 투입 배치 변동이 모두 모델 재보정을 요구할 수 있기 때문입니다.

5. 어떤 공정에 적합하고, 어떤 시나리오에는 적합하지 않은가

적합한 시나리오는 라인 사이클 타임이 안정적이고, 투입 부품 일관성이 좋으며, 결함의 외관 특징이 비교적 명확한 공정입니다. 전극 표면 검사, 적층 정렬, 탭 외관, 모듈 용접, 문자 인식이 그 예입니다. 이런 경우 샘플이 빠르게 축적되고 모델이 쉽게 수렴합니다.

추가 검토가 필요한 시나리오는 반사가 강한 금속 표면, 변형이 심한 부품, 결함 정의 자체가 모호한 스테이션입니다. 예를 들어 경미한 주름이 어느 정도부터 불량인지가 그렇습니다. 이런 경우 조명과 치공구를 특별히 설계하거나, 비전을 투입하기 전에 판정 기준을 명확히 정량화해야 합니다.

덜 적합한 시나리오는 속도가 매우 느리고 배치가 매우 작은 파일럿 라인으로 투자 수익이 나오지 않는 경우, 그리고 결함이 전적으로 내부에 있어 외관 발현이 없는 검사 요구입니다. 후자는 다른 검사 방식의 영역입니다.

이 솔루션의 배경에는 산업 비전이 규칙 기반 알고리즘에서 딥러닝으로 이동하는 큰 흐름이 있습니다. ERP 시대부터 수십 년간 사업을 해 오고 120만 고객을 보유하며 누적 수천만 대의 단말을 구축하고 국내외 시장을 커버해 온 산업 소프트웨어 서비스 제공업체는 비주얼 검사를 MES와 SCADA에 연결하는 데 축적된 경험이 더 깊습니다. 선정할 때는 카메라 데이터시트만 보지 말고, 업체의 리튬 배터리 공정용 모델 라이브러리 깊이와 현장 시운전 경험을 보십시오.

주제: AI 시각 인식 백과