[전문가 기고]전기 배터리 검사를 위한 딥러닝 및 3D 기술

최첨단 전기 배터리 및 차량 부문을 포함한 자동차 제조분야에는 단순화, 유연성, 그리고 효율성이 필요하다. 새로운 공장을 건설하든 기존 현장에 솔루션을 적용하든, 자동차 제조업체는 다양한 공급업체의 하드웨어 및 소프트웨어의 과잉으로 인한 상호운용성, 비용, 유지보수 등 문제가 발생하는 것을 원하지 않는다.

자동차 및 전기 배터리 제조업체는 사용이 간편한 머신 비전, 딥러닝 및 3D 센서 기술을 활용하여 표면 코팅의 균일성 검사, 셀 결함 감지, 바코드와 일련번호를 판독하고 있다. 또한, 이러한 기술은 접착제와 열 비드(thermal bead)의 일관된 위치 및 적용 보장, 비전 가이드 로봇을 통한 배터리 팩의 고품질 조립을 수행한다.

오늘날의 사용 및 조달

딥러닝 머신 비전 소프트웨어, 3D 기술, 비전 가이드 로봇공학은 전기 배터리 제조 공정의 전반에서 품질, 안전, 규정 준수를 위한 새로운 차원의 육안 검사 방식을 실현하고 있다. 지브라의 오토모티브 산업 AI 머신 비전 벤치마크 보고서에 따르면, 독일에서는 약 43%, 영국에서는56%의 자동차 비즈니스 리더들이 현재 머신 비전 프로젝트에 딥러닝과 같은 AI를 사용 중인 것으로 나타났다.

제조업체가 기존 및 신규 공장을 위한 머신 비전 솔루션을 조달하는 주요 접근 방식에는 현장에서 솔루션을 선택하고 본사 차원에서 이를 승인하는 방식과, 현장에서 선택 및 승인을 모두 수행하는 방식이 있다. 현장에 초점을 맞추는 방식은 장점이 있지만, 여러 현장에서 유사한 워크플로우에 대해 서로 다른 머신 비전 솔루션을 사용하거나 전문 지식 및 데이터가 서로 공유되지 않을 경우 바람직하지 않은 변수가 발생할 여지가 있다.

딥러닝 및 메트릭

최신 머신 비전 솔루션은 기존 시스템보다 상대적으로 사용하기 쉬우며, 사용자 인터페이스가 개선되고 소프트웨어, 하드웨어 및 구독을 통한 업그레이드 간의 상호운용성이 향상되었다. 일부 솔루션은 기존 스튜디오 환경과 툴을 갖춘 데이터 과학자를 대상으로 하는 반면, 다른 솔루션은 엔지니어와 함께 일하는 프로그래머의 입력이 필요하다.

오늘날의 머신 비전 소프트웨어는 더 높은 수준의 검사에 사용되며, 보다 복잡한 사용 사례를 더 잘 처리하는 딥러닝 툴과 함께 제공된다. 딥러닝 신경망, 특히 컨볼루션 신경망은 인간의 두뇌를 모방한 강력한 고급 AI 툴이다.

신경망을 통해 놀라운 결과를 얻을 수 있지만, 이는 교육적인 방식으로 적용되어야 한다. 전기 배터리 제조업체가 AI의 이점을 누리기 위해서는 데이터 문제를 해결해야 한다. 딥러닝 솔루션이 제대로 작동하려면 학습 및 테스트 데이터 세트의 혼합, 부적절하고 불균형한 크기, 모호하고 일관성 없는 데이터 주석, 환경적 요인 등을 고려해야 한다.

표면 결함 감지, 물체 감지 및 개수 계산, 어려운 문자 판독, 이전에 본 물체에서 예상치 못한 편차 감지 등 인간의 능력과 기존의 규칙 기반 머신 비전을 비교하여 신경망이 뛰어난 영역을 기반으로 현실적인 기대치를 설정해야 한다.

딥러닝 OCR

일부 머신 비전 솔루션은 사전 지식이 필요 없는 로우/노코드 솔루션으로 바로 사용할 수 있다. 딥러닝을 기반으로 한 광학 문자 인식(OCR)이 그 예시이다.

그러나 OCR 검사를 제대로 수행하는 것은 쉽지 않은 일이다. 양식화된 글꼴, 흐리거나 왜곡된 불분명한 문자, 반사되는 표면, 조명 환경의 변화, 복잡하고 균일하지 않은 배경 등 다양한 요인으로 인해 기존의 OCR 기술로는 안정적인 결과를 얻기가 어렵기 때문이다.

딥러닝 기반 OCR은 수천 개의 다양한 이미지 샘플을 통해 사전 학습된 신경망을 바로 사용할 수 있으며, 매우 복잡한 사례를 처리할 때도 즉시 높은 정확도를 제공할 수 있다. 사용자는 머신 비전에 대한 전문 지식 없이도 몇 가지 간단한 절차만으로 강력한 OCR 애플리케이션을 만들 수 있으며, 직관적인 인터페이스를 사용하면 쉽게 설정이 가능하다. 이와 같은 솔루션은 데스크탑 PC, 안드로이드 핸드헬드 디바이스, 스마트 카메라에 배포할 수 있어 유연성 또한 뛰어나다. 이러한 고급 딥러닝 머신 비전 기능은 고급 데이터 캡처 및 분석을 위해 3D 스캐닝과도 결합되고 있다.

3D의 활용 및 이점

3D 비전 시스템은 3차원 공간에서 물체의 모양, 크기, 위치, 방향 등 전기 배터리 내 물체의 공간 레이아웃을 재구성할 수 있다. 3D 스캐닝은 3D 검사 공정에서 셀, 셀 조립에 사용되는 솔더 비드(solder bead), 탭 및 커넥터, 셀 스택 조립용 접착 비드에 대한 포괄적이고 정밀한 검사를 위해 사용할 수 있는 정확하고 상세한 데이터를 제공할 수 있다.

3D 비전 시스템은 스테레오 비전(stereo vision)이라고 하는 약간 떨어져 있는 두 개의 시점에서 이미지를 캡처하여 깊이를 인식하고 물체의 3차원 구조를 재구성할 수 있다. 3D 스캐닝은 레이저 스캐닝, 구조광 스캐닝, ToF(Time of Flight) 스캐닝, 사진 측량 또는 접촉식 스캐닝과 같은 여러 기술 중 하나를 사용하여 수행할 수 있다.

3D 스캐닝의 첫 번째 단계는 스캔 대상의 표면 형상에 대한 데이터를 수집하는 것이다. 예를 들어, 파우치 셀은 적층과 스태킹(stacking)이 필요하다. 전극과 분리막을 직사각형 단면으로 절단하고 적층하여 배터리 셀을 형성한다. 고해상도 3D 프로파일 센서는 이미지 대비율 또는 낮은 조명이 문제가 되는 검사에 도움이 될 수 있다. 또한, 고충실도 3D(high-fidelity 3D)는 셀 케이스에 안전이나 기능을 손상시킬 수 있는 오염 물질이나 파편이 없는지 확인하는 데 도움이 된다.

디지털 포인트 클라우드 생성

데이터가 수집되면 이를 처리하여 포인트 클라우드를 생성한다. 포인트 클라우드는 3차원 공간에 있는 포인트 모음으로, 각 포인트는 물체 표면의 특정 위치를 나타낸다. 포인트 클라우드의 밀도와 정확도는 스캐닝 기술과 3D 스캐너의 출력 해상도에 따라 달라진다. 포인트 클라우드 데이터는 물체 표면의 메시(mesh) 표현을 생성하기 위해 추가 처리되는 경우가 많다. 메시는 물체의 모양을 보다 구조적이고 효율적인 방식으로 정의하는 정점, 가장자리, 면의 모음이다.

일부 3D 프로파일 센서는 스캐닝 중 간격을 줄이는 데 도움이 되는 듀얼 카메라, 단일 레이저 설계를 사용하며, 이는 배터리 모듈 조립에 특히 유용하다. 듀얼 카메라와 단일 레이저 설계를 통해 각 모듈 표면의 고충실도 3D 재현을 빠르게 캡처할 수 있다. 3D 프로파일러와 패턴 매칭 소프트웨어 도구를 결합하면 조립된 배터리 모듈에서 셀 스택과 모든 연결부가 정밀하게 정렬된다.

머신 비전용 3D 툴

3D 프로파일 센서는 품질 관리 및 검사와 같은 머신 비전 작업에 중요하다. 3D 프로파일 센서는 머신 비전 시스템의 기능을 확장한다. 3D 포인트 클라우드 데이터를 처리하고 분석하는 3D 툴이 장착된 최신 머신 비전 소프트웨어의 풍부한 3D 데이터 세트를 통해 깊이 인식을 향상시키고 품질 관리를 개선한다. 해당 툴에는 포인트 클라우드에서 표면 모델의 포즈를 찾고 추정하는 3D 표면 매처(3D surface matcher)와 포인트 클라우드에서 원통, (반)구, 직사각형 평면 및 상자를 찾고 특성화하는 3D 형상 파인더가 포함된다.

다른 툴로는 포인트 클라우드를 블롭(blob)으로 분할하고 그 특성을 계산하는 3D 블롭 분석, 심도 맵에서 추출한 프로파일에서 전환점을 찾고 이로부터 메트릭을 계산하는 3D 측정 등이 있다. 3D 측량은 포인트 클라우드에서 거리, 통계, 부피를 계산하는 데 사용될 수 있다.

3D 및 비전 가이드 로봇

로봇의 팔은 전기 배터리 및 자동차 제조 공장 및 조립 라인에서 피킹, 분류 및 조립에 사용된다. 피킹 및 분류 애플리케이션은 생산 라인에서 결함이 있는 품목을 감지하고 제거할 때 유용하다.

머신 비전 소프트웨어에 연결된 머신 비전 카메라는 라인에서 물품을 검사하고 로봇 팔이 비정상적인 물품을 피킹 및 제거하도록 경고한다. 로봇 공학은 무거운 물건을 들어올리거나 반복적이고 고정밀도의 조립 사용 사례에도 도움이 된다. 예를 들어, 비전 가이드 로봇은 셀 스택 및 배터리 모듈 조립을 위해 높은 수준의 정확도와 제어력으로 셀을 선택하고 배치하도록 프로그래밍할 수 있다.

3D 보정 툴은 아이 투 핸드(eye-to-hand•로봇 옆에 고정된 카메라 장착) 및 아이 인 핸드(eye-in-hand•로봇에 장착된 카메라) 비전 가이드 로봇 애플리케이션에 활용할 수 있다. 로봇 팔에 부착된 머신 비전 카메라와 3D 센서는 검사할 재료나 부품을 따라 움직이거나 그 주변으로 이동할 때 더 큰 유연성을 제공하며, 고정식 카메라는 컨베이어 사용 사례에 적합하다.

결론

지브라의 2024년 제조 비전 연구 보고서(2024 Manufacturing Vision Study)에 따르면, 아태지역 제조 리더의 68%(전 세계 61%)가 2029년까지 AI가 성장을 주도할 것으로 예상했으며, 이는 2024년의 46%(전 세계 41%)에서 증가한 수치다. 이러한 AI의 도입은 응답자의 92%가 디지털 전환을 우선순위로 꼽은 것과 함께 제조업체들이 데이터 관리를 개선하고 제조 프로세스 전반의 가시성과 품질을 향상시키는 새로운 기술을 활용하려는 의도를 보여준다.

새로운 전기 배터리, 차량 공정 및 기술이 등장함에 따라 낭비와 비용을 줄이고 생산량과 수익성을 높이기 위해 공정과 공급망을 검토하는 기업이 증가할 것으로 예상되며, 이를 지원하는 올바른 툴이 필요할 것이다. 딥러닝 머신 비전과 3D 데이터 캡처 및 분석 툴은 이미 제조업체들에게 전기 배터리 생산에 선도적인 우위를 제공하고 있다.

글: 크리스탄토 수리야다르마(지브라 테크놀로지스 동남아시아 및 APJeC 지역 세일즈 부사장)

<기고와 칼럼은 본지 편집방향과 무관합니다.>

- Copyright ⓒ 디지털데일리. 무단전재 및 재배포 금지 -