배터리는 전자 및 IT 기기, 에너지 저장 시스템(ESS) 등 첨단 산업군 제품의 주동력원으로 차세대 산업에서 빠질 수 없는 주요한 에너지원이다. 2023년에 전폭적인 성장을 이룬 배터리 산업 시장은 앞으로도 확장될 것으로 기대된다.

 

배터리 산업의 확장과 더불어, 동반될 과제는 품질 유지 및 향상이다. 높은 기술력을 기반으로 생산된 배터리의 우수한 품질을 유지하기 위해서는 다양한 방법의 검사 솔루션이 요구된다. 정확도 높은 검사를 위해 배터리 업체들은 앞다투어 AI 및 딥러닝 기술을 도입하여 검사를 진행하고 있다. 

 

뉴로클의 오토딥러닝 솔루션은 배터리 품질 향상에 기여할 수 있는 혁신적인 검사 솔루션이다. 특히, 배터리 셀 외관검사의 비정형 불량을 검출하는 데에 탁월한 성능을 발휘한다. 

 

뉴로클이 자체적으로 개발한 오토 딥러닝 알고리즘은 최적의 모델 구조와 파라미터를 자동적으로 찾아 매번 일관되게 높은 성능의 딥러닝 검사 모델을 생성한다. 해당 알고리즘이 탑재된 뉴로클의 소프트웨어 뉴로티(Neuro-T)를 통해 여러 배터리 제조 현장에서 AI 기술 기반의 비전 검사를 손쉽게 도입할 수 있게 되었다.

 

오토딥러닝 배터리 검사 솔루션의 최대 장점은 요구사항이 많은 배터리 업계에서도 편차 없이 정확한 검사를 진행한다는 점이다. 배터리 제조 공정에서 과검과 미검 없이 정확하게 검사함으로써 수율 극대화에 기여할 수 있다.
 
초당 2-3개씩 배터리 셀 생산해...인라인 검사를 위한 빠른 검사 속도 요구

 

배터리 생산공정은 빠른 속도를 지닌다. 그 중에서도 특히 전극공정은 60-80meter/min의 속도를 지니는데, 생산 라인에서 인라인화 되어 실시간 검사를 진행하기 위해서는 생산 속도에 알맞은 빠른 검사 속도가 필요하다. 뉴로클의 모델은 약 1-3meter/sec의 빠른 검사 속도를 지니며, 1 분간 약 3만 장의 이미지를 검사할 수 있다.

 

실제로 배터리 생산 업체 A사는 전극 공정에서 무려 60meter/min의 생산 속도에도 불구하고 뉴로클의 딥러닝 비전 검사 솔루션을 도입했다.

 

A사는 총 3가지에 달하는 전극 외관의 불량을 감지하고 있었다. 자체적으로 다양한 종류의 불량을 동시에 검사하는 딥러닝 알고리즘을 개발하였지만, 딥러닝 모델의 검사 속도가 생산 속도를 따라가지 못하는 상황이었다. 아웃소싱으로 딥러닝 솔루션 도입을 고려하던 중, 뉴로클의 오토딥러닝 소프트웨어를 테스트하게 됐다.

 

뉴로클의 오토딥러닝 소프트웨어는 자동으로 최적의 모델 구조를 찾아내어 검출력이 높은 동시에 빠른 검사 속도를 보유한 딥러닝 모델을 생성해냈다. Multi GPU를 통해 딥러닝 모델이 더욱 빠르게 검사할 수 있는 환경을 구축함으로써 A사는 목표하던 대로 인라인 검사를 진행할 수 있었다.

 

AI-assited 레이블링 도구를 통해 레이블링 속도 11배 향상

 

 

X-Ray와 CT 기반의 전극 정렬검사는 룰베이스 알고리즘과 딥러닝 알고리즘을 주로 이용하고 있다. 육안으로 판단하기 힘들뿐더러, 딥러닝과 룰베이스 알고리즘을 혼합하여 사용할 때 가장 정확한 결과가 도출되기 때문이다.

 

그러나, 배터리 X-Ray 이미지 내에서 음극과 양극을 판단하는 딥러닝 알고리즘 개발 시에 엔지니어들이 가장 고충을 겪은 부분은 이미지 내의 음극과 양극의 개별 레이블링이었다. 또한 대량의 리소스를 투입해 레이블링을 진행하여 딥러닝 비전 모델을 생성하더라도, 인식률이 낮아 새로운 음극과 양극 형태가 검출되면 검출 정확도가 떨어지는 상황이 발생했다.

 

검사장비 B사는 음극과 양극 검출 이후 단차를 계산해 불량을 판단하는 검사기를 구성하는 데에 뉴로클의 오토딥러닝 비전 모델 역할이 컸다고 평가했다. 애초에 음극과 양극을 정확하게 검출하지 못하면, 단차 계산식부터 오류가 발생하기 십상이기 때문이다.

 

또한 B사는 전극 정렬 인식 모델 생성 과정에서 오토레이블링 기능을 사용하여 레이블링 리소스를 대폭 단축시켰다. 수동 레이블링 시 이미지당 5분가량 소요되던 레이블링은 뉴로클의 오토레이블링 기능을 사용한 결과 장당 26초가량까지 줄어들었다.

 

일정하지 않은 비정형 불량 다수 발생.. 난반사 잡는 것도 관건인 배터리 셀 표면 검사

 

 

사람의 안전과 직결되는 이차전지 분야에서 신뢰할 수 있는 품질 검사는 필수다. 하지만 어느 산업분야보다도 이슈가 많다. 배터리 형태와 재질이 다양하고 비정형적인 불량유형이 많으며, 불량 기준도 불명확하다. 광택과 무광 영역이 함께 존재해 조명 및 분석도 어렵다.

 

더군다나 배터리는 수율이 중요한 산업이기 때문에 일정치 않은 불량이 계속적으로 발생하는 것을 필수적으로 검출해내야 한다. 뉴로클의 오토딥러닝 알고리즘으로 생성한 비지도학습 모델들은 정상 이미지만을 기반으로 학습을 진행하기 때문에 정상이라고 학습된 것 이외의 비정형 불량들을 모두 검출해 낸다.

 

표면 검사의 또 하나의 문제는 난반사이다. 표면 검사를 위한 비전 시스템 영상은 재질의 표면 특성(기울기, 반사율 등)과 조명의 조건(조명의 방향과 세기 등)에 따라 결함 분석 성능이 변화한다.

 

광학 솔루션 업체 C사는 돔 형태의 조명을 통해 빛 반사를 최소화하였으며, 검사 정확도를 증진하기 위해 한 번의 검사에서 6개의 LED 조명에 대한 입력 영상을 사용하는 시스템을 구성하였다. 단 한번의 동작 신호만으로 획득된 6개의 영상을 통해 뉴로클의 딥러닝 모델은 비정형 불량을 검출해냈다. 과검 및 미검 없는 정확도 높은 외관 비정형 불량 검사는 이와 같이 난반사 문제를 해결하며, 고성능의 딥러닝 모델이 존재할 때에만 가능하다.

 

이외에도 뉴로클은 배터리 검사에 필요한 다양한 기능들을 탑재하고 있다. 뉴로티에서 생성된 딥러닝 모델은 어떠한 기기와도 자유롭게 연동된다. 기기 연동에 제한이 없기에 공정 과정이나 장비, 설계를 변경하지 않고 제조라인 현장에서 실시간 검사가 가능하다. 뉴로티의 모델은 현재 X사의 X-Ray 검사 설비와 E사의 배터리 검사기에 탑재되어 배터리 불량률 최소화에 기여하고 있다.

 

배터리는 제조업 중에서도 보안이 필수적인 산업이다. 뉴로티에서 사용하는 모든 데이터는 로컬 서버에 안전하게 보관되어 데이터 유실이나 공개에 대한 위험이 없다. 또한 클라이언트 서버 구조를 기반으로 다수의 사용자가 동시에 접속하여 실시간으로 배터리 비전 검사 프로젝트를 함께할 수 있도록 한다. 보안은 지키되, 프로젝트를 효율적으로 운영할 수 있도록 온프레미스 환경 하에 뉴로티를 개발하였다.

 

뉴로클의 오토딥러닝 비전 검사 솔루션은 완벽한 배터리 품질을 보장하고, 전기차 산업의 성장을 이끌어나가는 데에 중추적인 역할을 할 것으로 기대된다.

 

한편, 뉴로클은 오는 3월 6일부터 8월에 예정되어 있는 국내 최대의 배터리 전시회인 인터배터리에 참가해 배터리 비전 검사 솔루션을 소개할 예정이다. 

 

헬로티 함수미 기자 |