컴퓨터 비전으로 재창조되는 배터리 제조

배터리는 우리 일상에서 중요한 부분입니다. 휴대폰 충전, 노트북 작동, 전기차 운행을 가능하게 합니다. 우리는 생각보다 더 많이 배터리에 의존하고 있지만, 정작 어떻게 만들어지는지에 대해서는 거의 고민하지 않습니다. 실제로 배터리 제조 공정은 생각보다 훨씬 복잡합니다.

배터리 manufacturing processes는 소재 준비부터 최종 검사에 이르기까지 세심하게 조율된 여러 단계에 의존합니다. 정렬되지 않은 레이어이나 느슨한 부품 같은 사소한 실수조차도 성능에 영향을 미치거나 안전 문제로 이어질 수 있습니다.

수년 동안 제조업체는 문제를 식별하기 위해 수동 검사와 기본적인 센서에 의존해 왔습니다. 그러나 생산이 확대되고 품질 기대치가 높아짐에 따라 이러한 전통적인 방식은 한계에 부딪히고 있습니다.

그렇기 때문에 많은 제조업체들이 기계가 시각적 정보를 해석하고 이해할 수 있도록 하는 AI의 한 분야인 computer vision으로 눈을 돌리고 있습니다. 특히 배터리 제조 분야에서는 detect defects, 부품 정밀 측정, 공정 각 단계의 실시간 모니터링에 활용되고 있습니다.

그림 1. 컴퓨터 비전이 배터리 제조를 향상시키는 방법. 이미지 제공: 저자.

이 글에서는 배터리가 어떻게 만들어지는지, 그리고 컴퓨터 비전이 배터리 제조 공정을 어떻게 변화시켜 품질을 향상시키고 효율성을 높이며 에너지 기술의 미래를 지원하는지 살펴봅니다. 시작해 보겠습니다!

배터리는 어떻게 만들어지며, 컴퓨터 비전은 어떻게 도움을 줄 수 있을까요?#

배터리 생산은 극도로 정밀해야 하는 신중한 단계별 공정입니다. 먼저 특수 재료를 얇은 금속 시트에 코팅한 다음, 이를 절단하고 다른 층과 함께 쌓아 배터리의 코어를 형성하는 것에서 시작됩니다.

그 후 액체 전해질을 주입하고 배터리를 밀봉하며, 제대로 작동하는지 확인하기 위해 충전 및 테스트 과정을 거칩니다. 마지막으로 라벨 부착과 포장을 완료하면 휴대폰부터 전기차까지 모든 것에 전력을 공급할 준비가 끝납니다.

그림 2. 배터리는 어떻게 만들어질까요? 이미지 제공: 저자.

배터리는 매우 민감하기 때문에 아주 작은 결함도 큰 문제를 일으킬 수 있습니다. 머리카락 같은 흠집이나 약간의 어긋남 같은 작은 결함도 배터리 수명을 단축시키거나 안전을 위협하고, 배터리 고장으로 이어질 수 있습니다. 배터리로 작동하는 기기와 차량이 늘어남에 따라 제조업체들은 각 제품이 결함 없이 제작되도록 보장하는 혁신적이고 빠른 방법을 찾고 있습니다.

여기서 computer vision이 활약하게 됩니다. 객체 감지 및 인스턴스 세그멘테이션과 같은 다양한 작업을 지원하는 Ultralytics YOLO11과 같은 computer vision 모델을 학습시켜 배터리 부품을 인식하고, 표면 결함을 감지하며, 조립 정확도를 실시간으로 모니터링할 수 있습니다.

고해상도 카메라의 이미지를 분석함으로써 이러한 모델은 모든 부품이 올바르게 배치되었는지, 결함이 없는지 이중으로 확인하는 데 도움을 줍니다. 이를 통해 더 적은 오류로 더 빠르고 일관된 배터리 생산이 가능해집니다.

배터리 생산 공정에 사용되는 컴퓨터 비전 작업#

배터리 제조 공정을 지원하고 간소화할 수 있는 주요 computer vision tasks 몇 가지를 자세히 살펴보겠습니다.

• Object detection: 객체 검출을 지원하는 Ultralytics YOLO11과 같은 모델은 생산 라인에서 배터리 셀, 커넥터, 탭과 같은 특정 구성 요소를 찾아내고 식별하도록 학습될 수 있습니다.
• 인스턴스 세분화(Instance segmentation): 세분화 기능을 갖춘 비전 지원 시스템은 객체의 정확한 모양과 경계를 그려낼 수 있습니다. 이는 더 간단한 방법으로는 놓칠 수 있는 겹쳐진 재료, 코팅 결함 또는 표면 결함을 식별하는 데 도움이 됩니다.
• 이미지 분류(Image classification): 이 작업은 전체 이미지를 확인하여 찌그러짐, 흠집, 고르지 않은 코팅과 같은 가시적인 문제를 검사하는 데 사용될 수 있습니다. 부품이 품질 기준을 충족하지 못하면 최종 조립에 도달하기 전에 제거될 수 있습니다.
• 객체 추적(Object tracking): 생산 라인을 따라 이동하는 각 배터리 부품을 추적함으로써, 객체 추적은 누락되거나 잘못 정렬된 부품을 감지하고 조립 공정이 정확하고 효율적으로 유지되도록 할 수 있습니다.

배터리 제조에서의 Vision AI 활용 사례#

배터리 제조에 사용되는 핵심 컴퓨터 비전 작업에 대해 더 잘 이해했으니, 이제 이러한 작업이 생산의 다양한 단계에 어떻게 적용되어 품질, 안전 및 효율성을 향상시킬 수 있는지 살펴보겠습니다.

배터리 제조에서의 전극 표면 검사#

전극 코팅은 배터리 생산 공정에서 매우 중요한 부분입니다. 이 단계에서는 배터리의 전극을 형성하기 위해 금속 호일에 활성 물질의 얇은 층이 도포됩니다.

코팅 과정에서 기포, 핀홀 또는 고르지 않은 가장자리와 같은 작은 결함이 발생할 수 있습니다. 비록 사소해 보일 수 있지만, 이러한 결함은 과열, 성능 저하 또는 배터리 수명 단축으로 이어질 수 있습니다. 또한 특히 대량 생산 환경에서는 육안으로 감지하기가 어렵습니다.

Computer vision models은 고해상도 이미지를 분석하여 표면 결함을 실시간으로 감지하고 표시함으로써 품질 관리를 지원할 수 있습니다. 인스턴스 세그멘테이션 같은 기술을 통해 시스템은 전극의 다양한 영역을 식별하고 불규칙성을 강조할 수 있으며, 이를 통해 수동 검사보다 더 정확하고 일관성 있는 검사 프로세스가 가능해집니다.

이의 흥미로운 사례로 연구원들이 개발한 시스템이 있습니다. 이 시스템은 X선 컴퓨터 단층촬영(CT)과 computer vision을 결합하여 inspect lithium-ion battery 전극을 검사합니다. 3D 스캔을 사용하여 균열 및 결함 같은 내부 결함을 감지합니다.

그림 3. 균열 및 결함이 있는 배터리 전극 입자의 예. (onlinelibrary.wiley.com)

배터리 생산 공정에서의 비전 유도 로봇 적재(stacking)#

전극 코팅이 성공적으로 완료되면 와인딩 또는 스태킹 방식을 사용하여 배터리 내부 구조로 조립해야 합니다. 와인딩은 전극과 분리막 시트를 나선형으로 마는 방식이며, 스태킹은 층을 평평하게 쌓는 방식입니다.

두 기술 모두 종종 수 마이크론 단위의 정밀한 정렬이 필요합니다. 약간의 틀어짐도 전기가 배터리를 통과하는 방식에 영향을 주어 성능 저하나 수명 단축으로 이어질 수 있습니다.

이러한 수준의 정확도를 달성하기 위해 제조업체들은 조립 과정에서 robotic arms을 안내하기 위해 computer vision을 사용하고 있습니다. 고해상도 카메라와 3D 센서는 각 레이어를 올바르게 배치하고 먼지, 휨, 뒤틀림 같은 문제를 발견하는 데 도움을 줍니다.

이러한 시스템 덕분에 간격, 장력, 정렬을 일관되게 유지할 수 있어 품질과 생산 속도가 모두 향상됩니다. 어떤 경우에는 로봇이 민감한 재료를 부드럽게 다루기 위해 시각 데이터와 함께 힘 센서를 사용하기도 합니다.

배터리 제조에서의 용접 및 밀봉 검사#

배터리 셀 조립 및 포장 과정에서 탭(tab)과 케이스와 같은 부품들은 용접 또는 밀봉을 통해 결합됩니다. 이러한 접합부는 전기 흐름과 구조적 안전을 유지하는 데 매우 중요합니다.

아주 작은 균열이나 약한 지점이라도 단락, 과열 또는 극단적인 경우 열 폭주(배터리가 통제할 수 없이 과열되어 화재나 폭발을 일으킬 수 있는 위험한 연쇄 반응)를 초래할 수 있습니다.

제조업체들은 이 단계를 개선하기 위해 열화상과 결합된 computer vision 솔루션을 채택하고 있습니다. 이러한 시스템은 각 용접부를 실시간으로 스캔하여 cracks, 틈새, 취약점 같은 결함이 있는지 확인할 수 있습니다.

육안 검사는 표면적인 문제를 잡아낼 수 있지만, 일부 결함은 표면 아래에 숨어 있거나 불균일한 열 분포를 유발하며, 이는 표준 카메라나 인간의 눈으로는 감지할 수 없습니다. 열화상 카메라는 열이 용접 부위를 통해 어떻게 퍼지는지 보여줌으로써 이러한 숨겨진 문제를 드러낼 수 있으며, 나중에 고장으로 이어질 수 있는 약한 접합부나 불완전한 연결을 더 쉽게 식별할 수 있게 합니다.

EV 배터리 제조 공정에서의 객체 탐지#

배터리 제조는 절단, 적재, 용접, 밀봉의 정밀한 과정을 포함합니다. 모든 단계는 세심하게 시간이 조정되고 자동화되어 있습니다. 그러나 제어된 환경에서도 작은 이물질이 들어갈 수 있습니다. 배터리 팩 내부에 남겨진 느슨한 나사나 금속 파편은 단락, 내부 손상 또는 화재를 일으킬 수 있습니다.

이를 해결하기 위해 제조업체들은 이물질 감지를 위해 특별히 제작된 computer vision 시스템에 의존하고 있습니다. 이 시스템은 high-resolution cameras와 3D 비전을 사용하여 최종 밀봉 전에 트레이와 모듈을 스캔합니다. 생산 라인 중단 없이 원하지 않는 물체를 감지하고 라인 정지, 기술자 경고 또는 결함이 있는 팩 거부 등 즉각적인 대응을 수행하도록 학습되어 있습니다.

예를 들어, EV(전기차) 배터리 조립에서 컴퓨터 비전은 최종 밀봉 직전에 트레이에 이물질이 있는지 검사하는 데 사용됩니다. 이러한 시스템은 수동 검사로는 놓칠 수 있는 잘못 배치된 도구, 느슨한 나사 또는 이물질을 감지할 수 있습니다. 이러한 문제를 조기에 식별함으로써 전기적 고장을 방지하고, 생산 지연을 피하며, 안전 위험을 줄이는 데 도움을 줍니다.

그림 4. 전기차 조립 중 고전압 배터리 검사 모습 (Source).

배터리 팩의 포장 및 라벨 검증#

배터리 팩이 완전히 조립되면 마지막 단계는 포장과 라벨을 검사하는 것입니다. 손상된 밀봉, 찌그러진 케이스 또는 잘못 인쇄된 라벨은 추후 문제를 일으킬 수 있습니다. 이러한 문제는 제품 안전에 영향을 미치거나, 배송을 지연시키거나, 검사되지 않을 경우 규제 위반으로 이어질 수 있습니다.

이 단계에서의 수동 검사는 특히 대량의 경우 느리고 신뢰성이 떨어질 수 있는 반면, 컴퓨터 비전 시스템은 동일한 검사를 더 빠르고 일관되게, 더 높은 정확도로 수행할 수 있습니다.

예를 들어, 배터리 팩 라벨에 오타가 있다고 가정해 보겠습니다. 객체 감지가 먼저 텍스트가 포함된 라벨 부분을 식별한 다음, OCR (optical character recognition) 기술을 사용하여 내용을 읽고 검증할 수 있습니다. 오타나 형식 오류가 있는 경우 시스템은 라인이 더 진행되기 전에 수정할 수 있도록 해당 팩을 표시할 수 있습니다.

배터리 제조에서 컴퓨터 비전의 장단점#

컴퓨터 비전이 배터리 제조를 개선하는 방식을 간략하게 살펴보겠습니다:

• 생산 속도 향상: 자동화된 검사는 수동 검사보다 훨씬 빠르며 대량 생산 요구 사항을 유지하는 데 도움이 됩니다.
• 일관된 품질 관리: 표준화된 검사 모델을 다양한 생산 라인과 시설에 적용할 수 있어, 어디에서 생산되든 모든 배터리가 동일한 품질 기준을 충족하도록 합니다.
• 공정 개선 지원: 각 검사는 영향력 있는 시각적 데이터와 통찰력을 생성합니다. 팀은 이 데이터를 검토하여 패턴을 식별하고, 반복되는 결함을 발견하며, 생산 공정을 개선하기 위한 정보에 입각한 결정을 내릴 수 있습니다.

컴퓨터 비전은 다양한 장점을 제공하지만, 시스템을 채택할 때 고려해야 할 몇 가지 제한 사항도 있습니다. 염두에 두어야 할 몇 가지 요소는 다음과 같습니다:

• Data security risks: 이러한 시스템은 생산 라인과 부품의 상세한 시각 자료를 캡처하므로, 독점 설계나 공정의 유출을 방지하기 위해 이 데이터를 보호하는 것이 필수적입니다.
• 빈번한 보정 필요: 조명 변화, 진동 또는 카메라 위치의 약간의 변화가 정확도에 영향을 줄 수 있습니다. 신뢰성을 유지하기 위해 정기적인 시스템 점검과 재보정이 필요합니다.
• 반사 재료의 어려움: 배터리에 사용되는 금속 호일과 같은 반짝이는 표면은 빛을 예측할 수 없게 반사할 수 있습니다. 이로 인해 정확한 결과를 얻기가 더 어려울 수 있습니다.

핵심 요약#

컴퓨터 비전은 배터리 제조를 꾸준히 변화시키고 있습니다. 작은 결함을 감지하고, 로봇 팔을 정밀하게 유도하며, 용접과 밀봉을 검사하고, 최종 포장을 검증하는 데 사용될 수 있습니다.

각 단계는 Vision AI에 의해 면밀히 모니터링되어 모든 배터리가 높은 안전 및 품질 기준을 충족하도록 보장할 수 있습니다. 이러한 시스템은 수동 검사보다 빠르고 일관되므로 제조업체가 낭비를 줄이고 비용이 많이 드는 오류를 방지하는 데 도움이 됩니다. 기술이 계속 발전함에 따라 배터리 생산에서 컴퓨터 비전의 역할은 더욱 커질 것으로 보입니다.

our community에 가입하고 GitHub repository를 탐색하여 AI에 대해 더 자세히 알아보세요. 자신만의 Vision AI 프로젝트를 시작하고자 한다면 licensing options을 확인하여 시작해 보세요. 또한 솔루션 페이지를 방문하여 AI in healthcare와 Vision AI in retail이 어떤 영향을 미치고 있는지 확인할 수 있습니다.