배터리 제조 공정내 딥러닝 기술 도입의 필요성

 

세계적인 경기침체로 모든 산업의 시장이 경직된 가운데, 호황을 누리고 있는 산업이 있다. 바로 배터리 산업이다. 배터리 시장을 선도하는 국내의 배터리 셀 3사는 2023년에 미국에 400Gwh 이상의 생산 능력을 구축하겠다고 밝히며 경기침체에도 굴하지 않는 시장 확대의 신호탄을 알렸다. (미래에셋증권, 2022)

 

배터리 중에서도 중대형 이차전지가 시장을 전투적으로 확대하게끔 만든 요인은 바로 전기차이다. 2023년 초의 전기차 차량 등록 대수는 약 151.4만대로 전년 대비 약 25% 상승을 기록했다. (SNeResearch, 2023)

배터리 시장은 2023년에도 경쟁을 가속화하며 가파른 성장세를 이어갈 것으로 보인다.

 

이처럼 과열된 배터리 업계에서도 해결해야 하는 과제가 있다. 바로 ‘수율 증진’과 ‘안전성 확보’이다. 배터리 수율 증진을 위해서 배터리 3사는 자동화 검사장비에 약 3조 5000억원에 달하는 투자를 진행한 것으로 알려졌다. (미래에셋증권, 2022)

 

단기간 내에 숙련된 인력을 수급하기 어려운 상황에서, 공정설비의 자동화와 고도화를 통해 수율을 높이고 배터리 안전성을 확보하겠다는 의지가 담긴 행보이다. 이처럼 비파괴 외관검사도 셀의 성능을 테스트하기 위한 성능 검사와 같이 빼놓을 수 없는 핵심 검사가 되었다. 뉴로클은 필수 검사 항목으로 자리매김한 배터리 외관검사의 새로운 방향성을 제시한다.

 

배터리 비전검사의 어려움을 해결하는 딥러닝 비전검사

 

배터리 비전검사를 도입하려는 시도는 많이 이루어졌으나, 성공사례는 현저히 적다. 배터리 비전 검사 성공사례 구축이 어려운 이유는 무엇일까?

 

가장 큰 이유는 ‘불량 기준의 모호함’ 때문이다. 배터리 불량에 대한 정확한 기준이 부재하고, 새로운 불량이 지속적으로 발생하고 있다. 간혹 육안으로도 양품과 불량을 판별하는 것이 어려운 경우가 존재할 정도로 불량 판단이 어렵기 때문에, 검출하는 매 순간마다 새로운 기준과 근거에 의거하여 판단을 내려야 한다.

 

 

한편, 제조업에서는 이제까지 규칙에 기반한 룰베이스 알고리즘을 통해 비전검사를 진행해왔다. 그러나 불량에 대한 특정 규칙을 정립할 수 없는 배터리 산업에서는 룰베이스를 적용하기 어려운 실정이다. 따라서 일정하지 않은 비정형적인 형상을 탐지할 수 있고, 변동성과 편차에도 용이한 딥러닝 알고리즘 기반의 검사가 배터리 비전검사에 적합하다.

 

불량 기준의 모호함 이외에 다른 문제점들도 존재한다. 배터리는 생산속도가 매우 빠르고, 수율이 타 제조업 대비 높은 편에 속하기에 불량 데이터를 확보하기 쉽지 않다. 하루의 파우치형 배터리 생산량을 10,000셀이라고 가정하였을 때 한 주 동안 발생하는 불량품 개수는 2-3셀밖에 되지 않을 정도로 불량이 발생하는 빈도수가 낮다. 비전 시스템의 광학계 세팅 또한 난제이다. 특히 전극 공정의 경우 코팅부와 집전체의 표면 재질이 달라 난반사가 빈번하게 발생한다. 통제된 환경 하에서 양질의 이미지를 취득하는 것이 어려운 실정이다.

 

오토딥러닝 배터리 비전검사 솔루션

 

뉴로클은 오토딥러닝(Auto Deep Learning) 배터리 비전검사를 제안한다. 오토딥러닝 비전검사는 딥러닝 기술 기반 비전검사 솔루션 구축의 어려움들을 해결하는 해결사가 될 수 있다.

딥러닝 모델을 생성하기 위해서는 일반적으로 다음과 같은 과정을 거친다.

 

 

딥러닝 비전검사 진행 시, 검출결과에 가장 영향을 많이 미치는 핵심 요인은 딥러닝 모델의 성능이다. 딥러닝 모델의 성능은 최적화의 정도에 좌우된다. 최적화는 최적의 딥러닝 모델 구조와 학습 파라미터(parameter)를 찾는 과정이다. 일반적으로 몇 번의 학습만으로는 최적의 모델을 생성하기 어려우며 위의 도식도에서 확인할 수 있듯이 딥러닝 모델을 생성한 이후 끊임없이 평가하고 재학습하는 과정을 거치게 된다.

 

딥러닝 모델의 최적화는 딥러닝 모델 생성 과정에서 가장 중요한 단계이자, 많은 리소스를 소모할 수밖에 없는 단계였다. 그러나 뉴로클은 이 과정을 단 한 번의 클릭을 통해 획기적으로 단축시켰다.

뉴로클은 다음과 같은 새로운 딥러닝 비전검사 워크플로우를 제시한다.

 

 

Auto-Labeling(오토레이블링)은 기존 레이블 영역을 기반으로 추천 영역을 제공하는 자동 레이블링 기능으로, 수많은 데이터에 대한 레이블링 리소스를 획기적으로 감소시키는 기능이다. 본문의 ‘뉴로클의 딥러닝 비전검사 핵심 기능’에서도 소개될 예정이다.

 

뉴로클의 오토딥러닝 알고리즘은 최적화 과정을 자동적으로 수행해주는 알고리즘이다. 오토 알고리즘은 최적의 딥러닝 모델 구조와 학습 파라미터를 자동으로 찾아 사용자의 딥러닝 지식과 무관하게 일관된 성능의 모델을 생성한다. 사용자들은 단 한 줄의 프로그래밍(코딩) 없이, 단 한 번의 버튼 클릭만으로 고성능의 모델을 생성할 수 있다.

 

일반 딥러닝 솔루션을 통해 약 20회의 시도 끝에 정확도 94%의 딥러닝 모델을 생성한 반면, 뉴로클의 오토딥러닝 알고리즘을 통해 단 1회만에 정확도 97%의 모델을 생성한 사례도 있다.

 

오토딥러닝을 통해 불량 기준이 모호함으로 인해 놓치게 되는 비정형적인 불량들도 빠짐없이 검출할 수 있게 되었다. 뉴로클의 알고리즘은 자동 최적화뿐만 아니라 다양한 환경에 적합한 최적화를 지원한다. 검사 속도의 개선이 필요하다면, 빠른 검사 속도(Inference Speed) 옵션을 선택하여 생산 속도에 검사 속도를 맞출 수 있다. 다양한 환경과 장치에 제약 없이 모델 최적화가 가능하기 때문에 어떠한 생산 공정에서도 정확도 높은 비전 검사가 가능하다.

 

뉴로클의 딥러닝 비전검사 핵심 기능

 

뉴로클의 소프트웨어는 딥러닝 비전검사를 효율적으로 운영할 수 있는 기능들을 제공한다. 딥러닝 비전검사 워크플로우 각 단계마다 뉴로클이 제공하는 유용한 기능들을 살펴보겠다.

 

1) 딥러닝 프로젝트 정의

- 플로우차트(Flowchart) 기능: 사용자가 원하는 대로 다수의 모델을 연결하여 전체 딥러닝 프로젝트를 설계하는 기능이다. 플로우차트를 사전 설계함으로써, 딥러닝 프로젝트의 시행착오를 최소화할 수 있다.

 

2) 데이터 관리

- 태그 & 플래그(Tag & Flag) 협업 툴: 이미지 데이터를 다양한 색상의 태그로 구분할 수 있으며, 레이블셋과 모델을 플래그(깃발) 아이콘을 통해 구분한다. 여러 명의 작업자가 동시에 데이터를 관리하는 경우에, 데이터를 쉽고 효율적으로 분류할 수 있다.

 

 

- 오토레이블링(Auto-Labeling) 기능: 기존 레이블을 기반으로 추천 영역을 제공하는 자동 레이블링 기능이다. 오토레이블링 기능을 통해 딥러닝 프로젝트 전 과정 중 인력과 시간이 가장 많이 소요되는 레이블링 과정의 공수를 대폭 절감할 수 있다.

 

 

- 다양한 레이블링 툴: 오토레이블링뿐만 아니라 유저가 레이블링 시 클릭한 픽셀의 색상 값을 기준으로 비슷한 색상의 영역을 자동으로 선택하는 기능인 ‘magic wand’, 다양한 도형들의 drawing tool으로 보다 정확하고 편리한 레이블링 툴들을 제공한다. 이를 통해 초기 레이블링 리소스를 최소화할 수 있다.

 

3) 딥러닝 모델 학습

- 6가지의 모델 제공: 어플리케이션에 알맞게 사용할 수 있도록 다양한 6가지 딥러닝 모델을 제공한다. 뉴로클이 제공하는 딥러닝 모델은 Classification, Segmentation, Object Detection, Anomaly Detection, OCR, Rotation 모델이다.

 

 

- 빠른 재학습(Fast Retraining) 기능: 전체 데이터를 균등하게 학습하며 오토 딥러닝 기반의 최적화 값을 활용해, 재학습 시 소요되는 시간을 최소화하며 동시에 기존 모델의 성능을 보장하는 기능이다. 검사해야 하는 항목이 추가되거나 검사 기준에 변경사항이 생겨 딥러닝 모델을 유지보수해야 할 때 단시간 내에 높은 효용을 얻을 수 있다.

 

4) 딥러닝 모델 평가

- 인퍼런스 센터(Inference Center): 모델을 적용하기 이전에 GUI 환경에서 성능을 평가할 수 있는 기능이다. 현장 적용 시의 인퍼런스 타임(Inference Time)을 예측하여 프로젝트를 수정하고 관리할 수 있도록 한다. 최적의 모델 성능을 도출할 때까지 자유롭게 모델을 수정하여 딥러닝 프로젝트의 시행착오를 최소화한다.

이러한 기능들 이외에도 뉴로클은 사용자 친화적인 UX/UI를 갖추고 있으며 모든 기기 제약 없이 모든 장치에서 Inference가 가능한 점 등 다양한 매력을 지니고 있다.

 

뉴로클의 오토딥러닝 기술은 가트너 쿨 벤더(Gartner Cool Vendor in Computer Vision) 등재 및 도전 K-스타트업 우수상 수상, 3년에 걸쳐 Vision Systems Design의 Innovators Award를 수상하는 등 가능성과 그 우수성을 널리 인정받고 있다.

 

뉴로클의 이홍석 대표는, “독보적인 제품 개발력과 탄탄한 글로벌 비즈니스 네트워킹을 발판으로 끊임없는 제품과 기술 고도화를 통해 제조업에 새로운 패러다임을 제시하겠다“며 딥러닝 비전검사 전문기업으로 거듭나겠다는 포부를 밝혔다. 뉴로클이 일으킬 비전검사의 새로운 바람이 기대되는 바이다.

 

헬로티 김진희 기자 |