최근 머신비전 기술은 다양한 산업 분야에서 필수적인 기술로 자리잡고 있다. 배터리 셀 생산은 안전, 성능, 내구성 기준을 충족하기 위해 엄격한 관리와 정밀함을 요하는 복잡한 과정이다. 품질 관리 및 제조 공정 최적화를 위해 머신비전은 생산 오류, 손상, 불순물을 초기 단계에서 식별하는 데 활용된다.

 

컨설팅 회사인 맥킨지는 리튬이온 배터리 생산의 전체 가치사슬이 2030년까지 4,000억 달러 이상에 이를 것으로 예측하고 있다. 이 중 전지 셀 생산은 가치 창출의 약 30%를 차지하며, 전극 제조, 셀 조립, 형성 및 에이징의 세 단계로 나눌 수 있다. 이 세 단계 모두 최고의 정밀도가 요구되며, 따라서 머신비전을 통해 오류 가능성을 크게 줄일 수 있다.

 

지난 수십 년 동안 머신비전은 다양한 산업 분야에서 필수적인 기술로 자리잡았다. 제조와 물류의 '눈' 역할을 하는 머신비전은 생산 및 물류 관련 모든 프로세스를 실시간으로 모니터링한다. 이 기술은 하드웨어와 소프트웨어 두 부분으로 구성된다.

 

이미지 획득 장치라고 불리는 카메라나 센서들이 생산 환경의 다양한 지점에 위치하여 영상을 끊임없이 캡처하고 디지털 이미지 데이터를 생성한다.

 

이미지 획득 장치와 연결된 머신비전 소프트웨어는 이 이미지 데이터를 처리한다. 제공된 시각 정보를 분석하여 패턴, 모양, 색상, 기타 속성을 실시간으로 인식하고 분석하여 객체 인식, 결함 검사, 심지어 시각 입력을 기반한 복잡한 의사 결정까지 수행한다. 결과적으로 머신비전은 다양한 산업에서 자동화, 효율성, 정확성을 향상시키고 기계가 시각 세계와 상호 작용하고 이해하는 방식을 변화시킨다.

 

이 기술은 운영 품질 관리의 일환으로 현대적이고 고도 자동화된 검사 프로세스에 필수적이다. 모든 유형의 객체 결함을 신뢰성 있게 감지할 수 있으며, 결함이 있는 제품은 자동으로 불량품으로 분류되어 후속 공정 진입 전 선별한다. 또한, 정확한 치수 측정을 통해 제품 품질을 유지할 수 있다.

 

최신 머신비전 솔루션은 기업에 다양한 이점을 제공한다. 조립부터 결함 검사, 물류 작업에 이르기까지 전체 프로세스 체인의 생산성을 높이고, 효율적이고 자동화된 생산 프로세스를 통해 대규모로 비용을 절약할 수 있다. 그리고 마지막으로 최적화된 제품 품질을 통해 고객 만족과 신뢰를 장기적으로 확보할 수 있다.

 

머신비전은 앞으로도 지속적인 발전을 거듭하며 제조업 뿐만 아니라 의료, 농업, 소매 등 다양한 분야에서 활용 범위가 더욱 확대될 것으로 기대된다.

 

 

배터리 전극 제조에서 핵심적인 역할을 담당하는 머신비전 기술

 

배터리 대량 생산 과정에서 모든 단계에서 제품 품질은 필수적이다. 전극 제조의 경우, 구리 또는 알루미늄 호일 양쪽에 활성 물질을 얇게 도금한다. 이 도금은 좁은 허용 오차 범위 내에 있어야 하며 양쪽 모두 정확하게 정렬되어야 한다. 불순물, 일관성 부족, 결함은 전체 배터리의 품질과 성능을 저하시킬 수 있다.

 

머신비전은 코팅 전극 시트의 표면, 치수 정확도, 방향을 검사하여 품질을 확인하는 데 사용된다. 전용 품질 관리와 함께 머신비전 소프트웨어가 제공하는 결과는 지속적인 공정 최적화를 가능하게 하며, 때로는 다른 데이터 포인트와 결합하기도 한다. 이를 통해 예를 들어 코팅이 불균일하게 적용되었는지, 전극 너비가 일관성이 없는지, 코팅 잔류물이 가장자에 붙어있는지 등을 미리 확인할 수 있다. 이를 더욱 어렵게 만드는 것은 코팅 공정이 최대 분당 80m, 코일 너비가 최대 1.5m의 고속으로 이루어진다는 점이다.

 

머신비전과 이에 해당하는 하드웨어(예: 라인 스캔 카메라)는 이러한 생산 조건에서도 가장 작은 결함까지 강력하게 감지하고 분류할 수 있다.

 

다음에 이어지는 분리 단계(슬리팅, 절단)에서 배터리 셀 형식에 따라 코팅된 전극 호일은 이후 셀 조립에 필요한 크기를 가진 더 좁은 띠 또는 개별 전극 시트로 분리된다. 이 과정 또한 최고의 정밀도가 필요하다.

 

하지만 머신비전은 치수만 확인하는 것이 아니라 소프트웨어가 불순물, 균열, 불량 절단까지도 감지한다.

 

전극 제조에는 정확한 방향과 위치 조정을 위해 표면 검사 및 측정과 함께 머신비전이 필수적인 다양한 응용 분야가 있다. 모든 유형과 크기의 결함을 감지하기 위해 이상 징후 인식 방법을 사용하여 정의하기 어려운 결함도 식별할 수 있다.

 

코팅된 전극 호일 표면을 검사할 때 강력한 머신비전 소프트웨어는 어려운 대비 조건에서도 결함과 불순물을 강력하게 밝혀낼 수 있다. 또한 저해상도 이미지에서도 코팅 표면의 방향과 위치를 인식한다.

 

셀 조립 단계의 오류 방지

 

전극 제조 다음 단계는 셀 조립이다. 전극 포일과 분리막을 먼저 쌓거나(각형 또는 파우치 셀) 감은 후(원통형 셀) 배터리 하우징에 삽입한다. 대부분의 하우징은 용접 후, 남은 개구부를 통해 전해액을 채운다. 충전이 완료되면 마지막 개구부도 닫힌다. 여기서도 머신비전 소프트웨어를 사용해 각 작업 단계를 점검하고 필요한 품질을 보증한다.

 

용접 이음매도 같은 방식으로 검사할 수 있다. 하지만 용접 과정 특성상 다양한 결함이 발생할 수 있어 AI 기반 접근 방식이 적합하다(그림 3 참조). 적절하게 훈련된 딥러닝 네트워크와 달리 사람의 눈은 패턴을 감지, 정량화하거나 이를 기반으로 의사 결정을 내릴 수 없다. 또한 머신비전을 통해 바코드와 데이터 매트릭스 코드를 움직이거나 조명 조건이 변하는 상황에서도 안정적으로 읽을 수 있다.

 

출하 전 최종 검사

 

배터리 셀은 공장을 떠나기 전 시각 검사를 포함한 다양한 최종 검사를 거친다. 검사 후 셀은 분류(보통 전력 용량에 따라)되고 포장되어 출하 준비를 마친다. 머신비전은 시각적 표면 검사 및 측정을 통해 불량 셀을 신속하게 판별할 수 있다.

 

만약 셀이 변형되거나 지정된 직경에서 벗어나거나 기타 표면 손상이 있는 경우, 머신비전 소프트웨어가 이를 분류한다. 읽을 수 없는 코드, 불순물 또는 이물질도 안정적으로 감지할 수 있다. 이런 방식으로 손상된 것으로 분류된 셀은 공장을 떠나기 전에 불량품으로 처리된다. 머신비전은 작은 긁힘, 움푹 파인 곳 또는 돌출부를 포함하여 고반사성 표면의 손상도 쉽고 자동으로 식별할 수 있다.

 

 

전지 셀 생산에 적용되는 머신비전 기술

 

앞서 설명했듯이 배터리 셀 생산은 수많은 개별 단계로 구성되어 있으며, 머신비전은 이 과정에서 100% 인라인 품질 관리를 구현하고 공정 최적화에 크게 기여한다. 주로 두 가지 기술, 규칙 기반 방법과 딥 러닝 기반 방법이 사용된다.

 

규칙 기반 방법은 코팅, 캘린더링 같은 매우 빠른 생산 단계나 최고의 정밀도와 치수 정확도가 요구되는 경우(예: 프리즘 배터리 셀 생산 시 개별 전극 시트 적층)에 주로 적합하다.

 

반면에, 딥 러닝 기술은 특히 후반 공정, 결함 검출, 표면 검사에서 점점 더 활용되고 있다. 이 기술은 반사율이 높은 표면에서도 미세한 결함과 오염 물질을 강력하게 탐지할 수 있다. 또한, 딥 러닝 기술 중 이상 징후 탐지라는 기술은 이전에 알려지지 않은 결함(anomaly)을 식별할 수 있게 해준다. 이 방법의 또 다른 장점은 모델 훈련에 '좋은 이미지'만 필요하다는 것이다.

 

머신비전, 지속 가능하고 경쟁력 있는 배터리 생산 지원

 

배터리 생산에 머신비전을 사용하면 제조업체에게 많은 이점이 있다. 포괄적인 디지털화 및 통합 공정 최적화 전략의 일환으로 머신 비전을 지속적으로 적용하는 것은 상당한 잠재력을 지니고 있다. 이를 통해 불량품 발생률을 줄이고 귀중한 원료를 더 효율적으로 활용하여 지속 가능성에 측정 가능한 기여를 한다.

 

또한, '생산의 눈' 역할을 하는 머신비전은 완전히 자동화되고 완벽하게 추적 가능한 생산 프로세스를 촉진하여 생산량을 증가시킨다.

 

헬로티 김진희 기자 |