전기차(EV) 대규모 도입은 특히 배터리 제조사들에게 성장 고통을 안겨주고 있다. 배터리는 EV 가격의 50% 이상을 차지할 수 있다. 제조사들은 비용을 낮추고 생산성을 높이는 동시에 더 안전한 배터리를 생산하기 위해 노력하고 있다.
기계 비전과 인공지능(AI)은 복잡한 검사를 자동화하고 병목 현상을 줄이는 데 있어 중요한 역할을 한다. AI의 배치는 과거에는 데이터 사이언스 경험이 제한된 사람들에게는 큰 구현 장애물이었다. 그러나 새로운 방법론을 통해 자동차 제조업체와 배터리 제조사들에게 더 사용자 친화적인 기술이 되고 있다.
전통적인 기계 비전 접근 방식
자동차 산업은 기계 비전을 가장 많이 도입한 산업 중 하나이다. 이 기술은 많은 경우, 안내, 검사, 정렬 및 측정 작업 자동화에 사용된다. 전통적인 규칙 기반 비전 응용 프로그램을 개발하기 위해서는 숙련된 엔지니어가 각 비전 작업을 평가하고 문제를 해결하기 위한 규칙을 적용하고 그에 따라 프로그램을 작성해야한다.
규칙 기반 기계 비전은 결함이 시각적으로 일관적이고 명확하게 감지될 때 적합하지만, 결함이 외관이나 위치에 따라 다르거나 허용되는 부품과 결함이 있는 부품 사이에 섬세한 차이가 있는 경우에는 어려움이 있다. 예를 들어, EV 배터리 셀 표면 검사에서는 긁힘이나 구덩이와 같은 결함이 다양한 모양과 크기로 발생한다. EV 배터리 셀 표면은 반사되며 복잡한 질감과 비교적 균일하지 않은 표면을 가지고 있어 결함을 검출하기가 복잡하다. 규칙 기반 비전 시스템은 이러한 결함의 모든 변형을 고려하지 못한다.
또한, 규칙 기반 솔루션은 지속적인 도전과제이다. 교체 작업, 기술적 발전, 새로운 공정 또는 환경 변화가 있을 때마다 알고리즘을 조정해야 한다.
기업은 엣지 러닝 기술을 활용하여 연결자가 배선 하네스에 올바른 위치에 삽입되었는지 확인할 수 있다. 소스: Cognex Corp.
기계 비전에서 AI의 진화
딥러닝은 기계 비전 응용 프로그램에서 효과적으로 작동된 AI 기술이다. 이 기술은 수천 개의 이미지로 구성된 대규모 데이터 집합을 그래픽 처리 장치 (GPU)를 통해 분석함으로써 결함을 자동으로 감지한다. 이 기술은 결정이 필요한 응용 프로그램과 복잡하거나 극도로 다양성이 있는 응용 프로그램을 대상으로 설계되었다.
EV 배터리 제조에서는 작은 결함, 복잡한 질감, 반사 표면 및 고속 작업이 일상적이다. EV 배터리 제조 공정 중 하나인 전극 코팅은 이음매와 음극에 탄소, 그래핏, 바인딩 소재 및 기타 요소를 혼합한 물질을 부어 전기 전도도를 유지할 수 있도록 한다. 구멍, 기포 또는 혼입물과 같은 결함은 배터리 성능을 저하시키고 최악의 경우 전기 단락 또는 화재를 초래할 수 있다.
딥러닝은 전극 코팅 검사와 같은 가장 복잡한 검사 작업을 자동화하는 강력한 기술이다. 이 기술은 작은 결함을 인식하고 새로운 유형과 모양의 결함에 대한 대응력을 가지며, 검은색 빛나는 전극 코팅 혼합물처럼 저대비 환경에서도 다양한 지역의 가변 결함을 고려한다.
엣지 러닝 기술과 기계 비전을 활용하면 결함을 식별하고 범주화할 수 있으며, 결함과 용인 가능한 이상 현상을 구별할 수 있다. 소스: Cognex Corp.
엣지 러닝의 등장
자동차 및 EV 검사 도전 과제는 다양하며, 복잡성 수준에 따라 작업에 가장 적합한 기술을 결정할 수 있다.
규칙 기반 시스템은 복잡한 도전 과제에는 부적합하다. 그러나 모든 것이 딥러닝의 힘을 필요로 하는 것은 아니다. 예를 들어, 단순한 패턴을 찾거나 특정한 모양을
전기차(EV) 대규모 도입은 배터리 제조사들에게 성장과 고통을 동시에 안겨주고 있습니다. 배터리는 EV 가격의 50% 이상을 차지할 수 있습니다. 제조사들은 비용을 낮추고 생산성을 높이는 동시에 더 안전한 배터리를 생산하기 위해 노력하고 있습니다.
기계 비전과 인공지능(AI)은 복잡한 검사를 자동화하고 병목 현상을 줄이는 데 있어 중요한 역할을 합니다. AI의 도입은 과거에는 데이터 사이언스 경험이 제한된 사람들에게는 큰 구현 장애물이었습니다. 그러나 새로운 방법론을 통해 자동차 제조업체와 배터리 제조사들에게 더 사용자 친화적인 기술이 되고 있습니다.
전통적인 기계 비전 접근 방식은 기계 비전을 가장 많이 도입한 자동차 산업에서 사용됩니다. 이 방식은 안내, 검사, 정렬 및 측정 작업 자동화에 사용됩니다. 전통적인 규칙 기반 비전 응용 프로그램을 개발하기 위해서는 숙련된 엔지니어가 각 비전 작업을 평가하고 문제를 해결하기 위한 규칙을 적용하고 그에 따라 프로그램을 작성해야 합니다.
규칙 기반 기계 비전은 결함이 시각적으로 일관적이고 명확하게 감지될 때 적합하지만, 결함이 다양한 모양과 크기로 발생하거나 허용되는 부품과 결함이 있는 부품 사이에 섬세한 차이가 있는 경우에는 어려움이 있습니다. 따라서 규칙 기반 비전 시스템은 이러한 결함의 모든 변형을 고려하기 어렵습니다.
또한 규칙 기반 솔루션은 지속적인 도전과제입니다. 교체 작업, 기술적 발전, 새로운 공정 또는 환경 변화가 있을 때마다 알고리즘을 조정해야 합니다.
딥러닝은 기계 비전 응용 프로그램에서 효과적으로 작동하는 AI 기술입니다. 딥러닝은 대규모 데이터 집합을 그래픽 처리 장치를 통해 분석하여 결함을 자동으로 감지합니다. 이 기술은 결정이 필요한 응용 프로그램과 복잡하거나 다양성이 있는 응용 프로그램을 대상으로 설계되었습니다.
EV 배터리 제조에서는 작은 결함, 복잡한 질감, 반사 표면 및 고속 작업이 많이 일어납니다. 딥러닝은 이러한 복잡한 검사 작업을 자동화하는 강력한 기술입니다. 딥러닝은 작은 결함을 인식하고 새로운 유형과 모양의 결함에 대한 대응력을 가지며, 저대비 환경에서도 다양한 지역의 가변 결함을 고려합니다.
엣지 러닝은 자동차 및 EV 검사 도전 과제에 따라 최적의 기술을 선택할 수 있게 해줍니다. 규칙 기반 시스템은 복잡한 도전 과제에는 적합하지 않습니다. 그러나 모든 것이 딥러닝을 필요로 하는 것은 아닙니다.