상단여백
HOME 이슈
검사 성능과 보안성 모두 확보 가능… 뉴로클, 배터리 품질향상 위한 ‘오토딥러닝 비전검사’ 지원
배터리 셀 외관검사서 비정형 불량 검출에 최적화된 성능 보유… 손쉬운 도입 가능

[인더스트리뉴스 조창현 기자] 배터리는 전자 및 IT 기기, 에너지저장시스템(ESS) 등 첨단 산업군 제품에 있어 주동력원으로 사용되고 있다. 차세대 산업에서 빠질 수 없는 주요 에너지원으로 볼 수 있으며, 지난해 큰 성장을 이룬 바가 있어 앞으로도 배터리 관련 산업에 대한 성장이 기대된다.

뉴로클이 배터리 품질향상을 위한 ‘오토딥러닝 비전검사’를 제공한다. [자료=뉴로클]

배터리 산업 확장에 따라 해결해야 하는 과제는 품질 유지 및 향상이라고 할 수 있다. 높은 기술력을 기반으로 생산된 배터리가 우수한 품질을 유지하기 위해서는 다양한 검사 솔루션을 활용할 필요가 있다.

뉴로클은 오토딥러닝 솔루션을 통해 배터리 품질향상에 기여할 수 있는 혁신적인 검사 솔루션을 제공한다고 밝혔다. 관련 솔루션은 배터리 셀 외관검사에서 비정형 불량을 검출하는 데 적합한 성능을 낸다.

뉴로클이 자체 개발한 오토딥러닝 알고리즘은 최적화된 모델 구조와 파라미터를 자동적으로 찾아 매번 일관되게 높은 성능을 가진 딥러닝 검사 모델을 생성한다. 뉴로클은 관련 알고리즘이 탑재된 뉴로클 소프트웨어 뉴로티(Neuro-T)를 통해 많은 배터리 제조 현장에서 AI 기술 기반 비전검사를 손쉽게 도입할 수 있게 됐다고 전했다.

오토딥러닝 배터리 검사 솔루션은 요구사항이 많은 배터리 업계에서도 편차 없이 정확한 검사를 진행할 수 있다는 점이 특징이다. 이에 사용자는 배터리 제조 공정에서 과검과 미검 없이 정확한 검사로 수율 향상에 도움을 받을 수 있다.

이미지 1장당 검사 시간 ‘0.0022초’ 소요

배터리 생산공정은 속도가 빠르다. 그중에서도 전극 공정은 60-80meter/min에 달하는 속도를 지닌다. 이에 생산라인에서 인라인화 돼 실시간 검사를 진행하기 위해서는 생산 속도에 알맞은 빠른 검사속도가 필요하다. 뉴로클에서 제공하는 모델은 약 1-3meter/sec 수준 빠른 검사속도를 갖고 있다. 1분간 약 3만장에 달하는 이미지를 검사할 수 있다는 뜻이다.

실제로 배터리 생산 업체 A사는 전극 공정 생산 속도가 60meter/min인데도 불구하고 뉴로클에서 제공하는 딥러닝 비전검사 솔루션을 도입했다. 뉴로클에 따르면 A사는 자체적으로 다양한 불량 종류를 동시에 검사하는 딥러닝 알고리즘을 개발해 총 세 가지에 달하는 전극 외관 불량을 감지하고 있었지만, 딥러닝 모델 검사 속도가 생산 속도를 따라가지 못하는 상황이 발생했다. 이후 A사는 아웃소싱으로 딥러닝 솔루션 도입을 고려하던 중 뉴로클이 제공하는 오토딥러닝 소프트웨어를 테스트했다.

오토딥러닝 소프트웨어는 자동으로 최적의 모델 구조를 찾아내 검출력이 높은 동시에 빠른 검사속도를 보유한 딥러닝 모델을 생성해냈다. 특히 Multi GPU를 통해 딥러닝 모델이 보다 빠르게 검사할 수 있는 환경을 구축함으로써 A사는 목표로 하던 인라인 검사를 진행할 수 있게 됐다.

뉴로클 솔루션을 활용해 4680 원통형 배터리 셀 외관에 대한 결함을 검출하는 모습 [자료=뉴로클]

AI-assited 레이블링 도구를 통해 레이블링 속도 11배 향상

X-Ray와 CT 기반 전극 정렬검사는 룰베이스 알고리즘과 딥러닝 알고리즘을 주로 이용하고 있다. 육안으로 판단하기 힘들고 딥러닝과 룰베이스 알고리즘을 혼합 사용할 때 정확도가 가장 높은 결과가 도출되기 때문이다.

뉴로클은 배터리 X-Ray 이미지 내에서 음극과 양극을 판단하는 딥러닝 알고리즘 개발시 엔지니어들이 가장 고충을 겪은 부분은 이미지 내 음극과 양극에 대한 개별 레이블링이었다고 논했다. 특히 배터리 업계 대부분에서 리소스를 대량 투입해 레이블링을 진행하고 딥러닝 비전 모델을 생성하더라도, 인식률이 낮아 새로운 음극과 양극 형태가 검출되면 검출 정확도가 떨어지는 상황이 발생했다는 게 뉴로클의 설명이다.

이에 한 검사장비 B사는 음극과 양극 검출 이후 단차를 계산해 불량을 판단하는 검사기를 구성하는 데 있어 뉴로클 오토딥러닝 비전 모델 역할이 컸다고 평가했다. 음극과 양극을 정확하게 검출하지 못하면, 단차 계산식부터 오류가 발생하기 쉽기 때문이다.

또 B사는 전극 정렬 인식 모델 생성 과정에서 오토레이블링 기능을 사용해 레이블링 리소스를 큰 폭으로 감소시키게 됐다. B사는 수동 레이블링시 이미지마다 약 5분씩 소요되던 레이블링 작업이 뉴로클 오토레이블링 기능을 사용한 결과 장당 26초가량까지 줄어들게 됐다.

솔루션 활용해 2주 만에 검사정확도 99.7% 달성

사람 안전과도 직결되는 배터리 분야에서는 신뢰할 수 있는 품질 검사가 필수지만, 배터리 형태와 재질이 다양하고 비정형적인 불량유형이 많고 불량 기준도 불명확해 검사 과정이 수월하지 않을 수도 있다. 또 광택과 무광 영역이 함께 존재하기에 조명 및 분석도 까다롭다.

뉴로클은 배터리는 수율이 중요한 산업이기에 일정하지 않은 불량이 지속적으로 발생하는 현상을 필수적으로 검출해내야 하며, 오토딥러닝 알고리즘으로 생성한 비지도학습 모델들은 정상 이미지만을 기반으로 학습을 진행하기에 ‘정상’이라고 학습된 이미지 범위 밖에 있는 비정형 불량들을 모두 검출해 낸다고 강조했다.

아울러 난반사도 표면 검사에 있어 문제가 될 수 있다. 표면 검사를 위한 비전 시스템 영상은 재질 표면 특성과 조명 조건에 따라 결함 분석 성능을 변화시킨다. 뉴로클은 광학 솔루션 업체 C사가 돔 형태 조명을 통해 빛 반사를 최소화하고, 검사 정확도 향상을 위해 검사 한 번에 LED 조명 6개에 대한 입력 영상을 사용하는 시스템을 구성한 사례를 공유했다.

관련 시스템 구축으로 C사는 동작 신호 단 한 번만으로 획득된 영상 6개 기반으로 뉴로클 딥러닝 모델을 활용해 비정형 불량을 검출해 냈다. 뉴로클은 과검 및 미검 없는 정확도 높은 외관 비정형 불량 검사는 난반사 문제를 해결하며, 고성능 딥러닝 모델이 존재할 때만 가능하다고 피력했다.

한편 뉴로클에서 제공하는 솔루션은 배터리 검사에 필요한 다양한 기능들을 탑재하고 있다. 구체적으로 뉴로티에서 생성된 딥러닝 모델은 다양한 기기와 자유로운 연동이 가능하다. 기기 연동에 제한이 없어 사용자는 공정 과정이나 장비, 설계를 변경하지 않고 제조라인 현장에서 실시간 검사가 가능하다. 뉴로클은 뉴로티 모델은 현재 X사 내 X-Ray 검사 설비와 E사 배터리 검사기에 탑재돼 배터리 불량률 최소화에 기여하고 있다고 설명했다.

[조창현 기자 (news@industrynews.co.kr)]

[저작권자 © FA저널 SMART FACTORY, 무단 전재 및 재배포 금지]

조창현 기자의 다른기사 보기
icon인기기사
기사 댓글 0
전체보기
첫번째 댓글을 남겨주세요.
여백
여백
여백
Back to Top