지식 센터
목차

용접 품질 검사에서 AI 비전의 적용

용접 품질 검사에서 AI 비전의 핵심 가치는 숙련 작업자가 눈으로 보고 사후에 샘플링하던 품질 모델을, 라인에서 실시간, 전수, 추적 가능한 자동 판정으로 바꾸는 것입니다. 최근 몇 년 사이 용접 품질에 대한 제조 요구 수준은 더욱 엄격해졌으며, 특히 신에너지 배터리, 자동차 차체, 3C 정밀 구조 부품에서는 용접 불량을 한 건 놓치는 비용이 재작업 비용보다 훨씬 큰 경우가 많습니다.

1. 핵심 개념과 기술 정의

AI 비전 용접 품질 검사란 산업용 카메라와 특수 조명으로 용융지, 비드 형성, 용접 후 표면의 이미지를 획득한 뒤 딥러닝 모델을 적용하여 기공, 언더컷, 융합 부족, 용접 편차, 스패터, 크랙 같은 불량을 자동으로 분류하고 위치를 찾아내는 기술적 접근입니다. 기존 머신 비전과의 차이는 다음과 같습니다. 전통적인 비전은 사람이 작성한 규칙과 임계값에 의존하여 반사, 아크 간섭, 비드 형상 변화 상황에서 오판이 잦지만, AI 비전은 대규모 불량 샘플 세트로 모델을 학습시켜 정상 용접과 이상 용접을 스스로 구분하는 방법을 익히므로 적응성과 일반화 능력이 확실히 우수합니다.

검사 시점에 따라 공정 중 검사와 용접 후 검사로 대략 나눌 수 있습니다. 공정 중 검사는 용융지 형상과 아크 안정성을 관찰하며 공정 제어에 가까운 성격을 띠고, 용접 후 검사는 최종 비드 외관과 내부 품질(초음파나 X선과 결합하는 경우)을 확인합니다. 오늘날 대부분의 도입은 용접 후 표면 불량 검사이며, 일부 선도 기업이 실시간 공정 중 모니터링을 연구하고 있습니다.

2. 기술 원리와 핵심 역량

생산 라인에 투입될 수 있는 AI 비전 용접 검사 시스템은 보통 네 가지를 해결해야 합니다.

첫째는 이미징입니다. 용접 현장은 강한 아크광, 스패터, 흄이 존재하며 일반 카메라는 과다 노출이나 흐림이 발생합니다. 일반적인 방법은 협대역 필터와 고주파 펄스 조명을 추가하고 아크가 소멸하는 순간에 촬영하거나, 다각도 조명으로 비드의 3차원 형상을 재구성하는 것입니다. 이미지 품질은 하류 전체의 상한을 결정하며, 이 단계가 나쁘면 어떤 알고리즘도 보완할 수 없습니다.

둘째는 불량 라벨링과 모델 학습입니다. 용접 불량 샘플은 본질적으로 불균형합니다. 기공은 풍부할 수 있지만 크랙은 수백 개 부품 중 한 번만 나타날 수 있습니다. 이런 솔루션은 일반적으로 퓨샷 러닝과 데이터 증강을 결합하여 불량 샘플이 제한적이어도 모델이 수렴하도록 합니다. 점진적 학습도 지원되어 라인에서 새로 나타난 불량 유형을 처음부터 다시 시작하지 않고 추가 학습할 수 있습니다.

셋째는 실시간 추론과 사이클 정합성입니다. 용접 사이클은 수십 초 또는 심지어 수 초인 경우가 많아, 검사 시스템은 수백 밀리초 안에 결과를 내야 하며 그렇지 않으면 부품을 오프라인으로 빼내 검사해야 하고 전수 검사의 의미가 사라집니다. 이를 위해 정확도와 속도의 균형이 필요하며, 업계에서는 일반적으로 엣지 컴퓨팅 박스에 경량 백본 네트워크를 배치합니다.

넷째는 결과 추적성과 MES 연동입니다. 검사 결과가 산업용 PC에 머물러서는 안 되며, 불량 이미지, 위치, 유형, 타임스탬프를 패키징해 용접 심 번호와 결합하여 업로드해야 이후 품질 추적과 공정 개선에 활용할 수 있습니다. 15개 이상 산업을 아우르는 120개 이상 고객의 경험에 따르면, 시스템을 기존 라인 시스템과 연결할 수 있는지 여부가 프로젝트 성패를 가르는 결정적 요인인 경우가 많습니다.

3. 전형적인 제조 적용 시나리오

자동차 부품 업체가 차체 구조물을 용접하며, 한 라인에 수십 대의 로봇과 수천 개의 용접점이 있다고 가정해 보겠습니다. 과거에는 검사원이 초음파 샘플링으로 하루 수십 개 용접점을 확인했고 유출 위험이 높았습니다. AI 비전 용접 후 검사를 적용하면 모든 용접점을 용접 후 자동으로 이미징하고 판정하며, 표면 기공, 용입 불량, 용접 편차를 실시간으로 경보합니다. 라인 속도는 떨어지지 않고 검사 인원은 줄어듭니다.

전자 공장이 정밀 구조 부품을 레이저 용접하며 비드 폭이 1밀리미터의 일부에 불과해 육안으로 보이지 않는 경우를 가정해 보겠습니다. 고배율 렌즈와 동축 조명을 사용하는 AI 비전은 미세한 융합 부족과 콜드 조인트를 식별하여, 전체 조립 후에야 문제를 발견해 배치 폐기로 이어지는 상황을 피할 수 있습니다.

또 다른 시나리오는 압력 용기나 공조 배관 같은 배관 용접입니다. 이런 용접은 보통 원주 이음이며, 수동 검사는 이음부를 돌아가며 확인해야 하므로 느리고 불량을 놓치기 쉽습니다. 회전 기구와 결합한 AI 비전은 이동하면서 이미징, 판정, 기록을 수행하고 전체 심에 대한 불량 분포 맵을 직접 생성할 수 있습니다.

4. 선정 포인트와 도입 조언

AI 비전 용접 검사 솔루션을 고를 때 알고리즘 정확도부터 들여다보지 마십시오. 먼저 세 가지를 확인해야 합니다. 자사의 용접 공정이 안정적인지, 불량 정의가 명확한지, 라인이 검사를 위해 스테이션과 사이클 타임을 확보할 의지가 있는지입니다. 공정 자체가 크게 흔들리면 어떤 모델도 제대로 학습할 수 없습니다.

구체적인 선정에서는 몇 가지 경성 지표를 보십시오. 이미징 설계가 자사 용접 유형(아크 용접, 레이저 용접, 저항 용접은 차이가 큽니다)에 맞는지, 모델이 데모에서 보여 준 몇 가지가 아니라 라인에 실제 존재하는 불량 유형을 지원하는지, 추론 속도가 라인 사이클을 따라가는지, 자사 엔지니어가 시스템을 유지할 수 있도록 라벨링 도구와 재학습 인터페이스가 제공되는지입니다.

도입은 광범위하게 확산하기보다 한 라인 또는 한 스테이션에서 파일럿으로 시작하십시오. 파일럿 기간에는 오경보율과 유출률, 특히 유출률에 주목해야 합니다. 빠져나간 용접 불량은 오경보보다 훨씬 골치 아픈 문제이기 때문입니다. 또한 불량 샘플을 미리 수집하십시오. 정상 부품과 의도적으로 잘못 용접한 부품을 모두 라인에서 확보해야 하며, 이것이 모델 학습의 양식입니다. 3,200명 이상 최종 사용자의 피드백 경험에 따르면 샘플이 일찍 축적될수록 안정화 기간이 짧아집니다.

5. 트렌드와 요약

첫 번째 방향은 용접 중 실시간 폐루프 제어입니다. 오늘날 대부분의 솔루션은 검사 후 경보만 하지만, 향후에는 용접 파라미터와 연동하여 용융지가 이상해질 때 전류, 전압, 와이어 송급 속도를 직접 조정함으로써 불량이 형성되기 전에 억제할 것입니다.

두 번째 방향은 멀티모달 융합입니다. 가시광은 표면을, 적외선은 온도장을, 초음파는 내부를 봅니다. 여러 신호를 융합하면 비전 단독보다 신뢰성이 높습니다.

세 번째 방향은 엣지 모델의 자기 반복 개선입니다. 라인이 제품을 바꾸거나 자재 배치가 달라질 때 모델이 수동 개입을 줄이면서 새로운 조건에 자동으로 적응할 수 있습니다.

용접 품질 검사에서 AI 비전의 역할은 용접 공정 자체를 대체하는 것이 아니라 품질 판정을 경험 기반에서 데이터 기반으로 옮기는 것입니다. 제조사 입장에서는 용접 검사 자동화가 안정적으로 가동될수록 품질 비용이 더 빨리 낮아집니다.

주제: AI 시각 인식 백과