지식 센터
목차

신에너지 배터리용 AI 시각 검사 솔루션

신에너지 배터리용 AI 시각 검사 솔루션은 머신 비전과 딥러닝 알고리즘으로 셀, 모듈, 팩 라인의 수동 외관 검사를 대체하여 전극 불량, 용접 품질, 탭 접힘, 캔 스크래치, 블루필름 기포 같은 외관 및 치수 항목을 전수 검사하는 솔루션입니다. 핵심 가치는 사람을 카메라로 바꾸는 것이 아니라, 과거 샘플링으로만 시도하던 불량 판정을 추적 가능한 폐루프 데이터가 있는 전수 검사로 바꾸는 것입니다. 2024년 이후 선도 배터리 업체의 PPB(10억 개당 불량 수) 수준 불량률 요구로 이 기술 경로는 선택 사항에서 필수 사항이 되었습니다.

1. 핵심 개념과 기술 정의

신에너지 배터리 산업에서 AI 시각 검사란 산업용 카메라, 3D 센서, X선을 인지 프런트 엔드로, 합성곱 신경망과 Transformer 같은 딥러닝 모델을 판정 코어로 사용하여 배터리 제조 과정에서 표면 불량, 조립 편차, 용접 품질을 자동으로 식별하고 분류하는 시스템입니다. 전통적인 비전과의 차이는 다음과 같습니다. 전통적인 비전은 그레이 레벨 임계값, 에지 기울기처럼 사람이 작성한 규칙에 의존하여 반사, 주름, 저대비 상황에서 오판이 잦지만, AI 비전은 불량 샘플 학습에 의존하여 조명 변동과 투입 변동을 견디고 기포, 스크래치, 용접 누락, 용접 편차 같은 등급으로 불량을 출력합니다.

완전한 솔루션은 보통 네 부분을 포함합니다. 광학 이미징 유닛, 엣지 컴퓨팅 유닛, 불량 판정 모델, MES/PLC 데이터 인터페이스입니다. 이미징이 상한을 결정하고, 모델이 하한을 결정하며, 인터페이스가 실제로 라인 사이클에 편입될 수 있는지를 좌우합니다.

2. 기술 원리와 핵심 역량

이미징 측면의 과제는 불량을 보이게 만드는 것입니다. 예를 들어 전극 코팅 불량 검사에서는 고해상도 라인 스캔 카메라와 다각도 스트로브 조명을 사용해 코팅 영역, 여백 영역, 탭 영역 사이의 대비를 평탄화하고, 캔 용접 검사에서는 3D 프로파일러를 사용해 그레이 레벨이 아니라 높이 차이로 용접 누락을 판정합니다. 블루필름 기포처럼 투명 필름 아래의 불량은 편광 또는 동축 조명으로 기포 경계를 부각해야 합니다.

알고리즘 측면에는 세 가지 핵심 역량이 있습니다. 하나는 퓨샷 전이입니다. 제품 전환 시 새로운 불량의 샘플이 수십 장뿐일 수 있으며, 사전 학습과 미세 조정만으로 수천 장의 새 이미지를 수집하지 않고 가동할 수 있어야 합니다. 둘은 불량 분할과 분류의 병행입니다. 먼저 불량을 찾은 뒤 유형과 심각도를 판정하여 어떤 불량이든 경보함으로써 발생하는 과검을 피합니다. 셋은 사이클 적응입니다. 셀 라인 속도는 분당 수십 미터에 이를 수 있어 모델 추론이 밀리초 단위로 완료되어야 하며, 보통 데이터를 서버로 보내지 않고 엣지 GPU나 전용 추론 카드를 사용합니다.

쉽게 간과되는 또 하나의 역량은 오판 원인 규명입니다. 좋은 시스템은 모든 경보의 원본 이미지, 모델 신뢰도, 조명 상태를 기록하여 엔지니어가 원인이 투입 자재인지, 광학 오염인지, 모델 드리프트인지 역추적할 수 있게 합니다. 이것이 시스템의 장기 안정 가동 여부를 결정합니다.

3. 전형적인 제조 적용 시나리오

시나리오 1은 전자 공장의 배터리 전극 절단입니다. 절단 후 전극 에지에는 버와 분말 탈락이 쉽게 발생하며, 강한 조명 아래 수동 검사는 교대조당 수천 개를 처리하면서 피로가 누적될수록 유출률이 높아집니다. 공장이 절단 스테이션 뒤에 백라이트를 사용하는 라인 스캔 카메라를 추가하고 AI 모델로 버 길이와 분말 탈락 면적을 판정하여 임계값 초과 시 배출을 트리거한다고 가정해 보겠습니다. 실제 운영에서는 절단기 엔코더와 동기화하여 각 전극 이미지를 롤 번호에 결합해야 하류 추적이 가능합니다.

시나리오 2는 자동차 부품 업체가 배터리 모듈 사이드 플레이트 용접으로 사업을 확장한 경우입니다. 용접 표면에는 기공, 언더컷, 용접 편차가 존재하며 비드 반사가 강해 전통적인 비전으로는 안정적인 규칙을 작성하기 어렵습니다. 3D 비전과 AI 분류를 결합하면 시스템이 비드 높이 프로파일로 용접 편차를, 표면 질감으로 기포를 판정하고, 용접 전류와 비드 이미지를 연관시켜 용접 파라미터 드리프트까지 표시할 수 있습니다.

시나리오 3은 전자 공장의 셀 블루필름 감싸기입니다. 기포, 주름, 이물이 대표적 불량이며 필름이 투명하고 반사되어 일반 카메라로는 거의 보이지 않습니다. 솔루션은 편광 이미징으로 기포 경계를 강화하고 AI 모델로 기포와 주름을 구분하며, 권취기 장력 데이터와 시간 정렬하여 원인이 투입 필름인지 장력 제어인지 판단합니다. 이런 시나리오의 난이도는 알고리즘이 아니라 광학 설계와 기계 진동 억제에 있습니다.

4. 선정 포인트와 도입 조언

선정 시 모델 지표만 보지 말고 이미징 설계가 자사 불량 유형에 대해 검증되었는지 먼저 확인하십시오. 공급업체에 실제 라인 샘플로 POC를 수행하도록 요구하고, 정확도보다 과검률과 유출률에 주목하십시오. 과검이 높으면 라인이 자주 중단되고, 유출률이 높으면 시스템을 설치하지 않은 것과 같습니다.

둘째, 모델 반복 개선 방식을 보십시오. 제품 전환, 자재 변경, 조명 변경 후 매번 벤더에 보내지 않고 라인에서 신속히 미세 조정할 수 있는지가 중요합니다. 15개 이상 산업을 아우르는 120개 이상 고객의 실무 경험에 따르면, 독립적으로 반복 개선할 수 있는 시스템은 가동 3개월 후 전체 효율이 분명히 더 안정적입니다.

셋째, 데이터 인터페이스를 보십시오. 시스템은 불량 이미지, 판정 결과, 롤 또는 배치 번호를 MES에 기록할 수 있어야 하며, 이상적으로는 PLC와 인터록하여 실시간 배출을 수행해야 합니다. 경보만 띄우고 사람을 기다린다면 사이클이 빨라지는 순간 무용지물이 됩니다.

도입은 두 단계를 권장합니다. 먼저 한 라인의 한 스테이션에서 이미징, 모델, 배출, 추적의 전 체인을 포함한 단일 지점 검증을 수행한 뒤, 같은 구역의 다른 스테이션으로 복제하십시오. 전 라인에 한 번에 확산하지 마십시오. 광학과 사이클 차이 때문에 복제 비용이 예상을 크게 초과합니다.

5. 트렌드와 요약

첫 번째 방향은 3D와 AI의 융합입니다. 2D 비전은 함몰, 돌출, 용접 보강 높이 같은 높이 불량에 본질적 한계가 있고 3D 프로파일러 원가가 하락하고 있어, 전극, 캔, 용접 검사는 2D와 3D를 병행하는 경로로 갈 것입니다.

두 번째 방향은 검사와 공정의 폐루프화입니다. 비전은 더 이상 폐기 판정만 하지 않고 불량 데이터를 코팅, 압연, 용접 파라미터에 피드백하여 전향 보정에 활용합니다. 이는 비전 시스템과 설비 제어 시스템의 심층 통합을 요구하며, 선도 배터리 업체가 밀고 있는 방향입니다.

세 번째 방향은 엣지 대형 모델입니다. 라인 측 연산력이 높아지고 경량 비전 대형 모델이 엣지에서 구동되기 시작했으며, 제품 전환 시 불량을 자연어로 설명하면 초기 판정 로직을 생성해 라인 엔지니어의 진입 장벽을 크게 낮출 수 있습니다.

본질로 돌아가면, 신에너지 배터리용 AI 시각 검사 솔루션은 카메라와 소프트웨어를 사는 일이 아니라 라인과 함께 반복 개선되는 품질 데이터 시스템입니다. 이미징, 알고리즘, 인터페이스, 반복 개선 역량 중 하나라도 빠지면 양산 단계에서 드러납니다. 선정 단계에서 POC를 견실히 수행하는 것이 어떤 파라미터 시트를 읽는 것보다 유용합니다.

주제: AI 시각 인식 백과