ITIV AI Tech Blog | 2.5D·3D Vision Series — 5회차. 자동차 QC/QA 적용 사례
5 회 | 자동차 QC/QA 적용 사례: 커넥터, 배터리, 도장면, 금속 부품 검사
자동차 품질검사는 표면 결함 검출과 정량 측정이 동시에 요구되는 대표적인 비전 적용 분야입니다.
그림 1. 자동차 QC/QA 에서 2.5D 와 3D 비전이 필요한 대표 검사 항목
3초 요약
- 자동차 QC/QA 에는 복합 검사가 필요 / 표면 결함부터 높이, 평탄도, 조립 위치까지 다양한 품질 요소를 함께 확인
- DH200 은 표면 결함 가시화에 효과적 / 스크래치, 오염, 요철 등 반사와 간섭으로 식별하기 어려운 결함을 선명하게 강조
- SQ081043 은 정량 측정에 적합 / 핀 높이, 단차, 평탄도, 위치 편차를 3D 데이터로 수치화
자동차 QC/QA 에서는 왜 2.5D 와 3D 가 모두 필요한가
자동차, 배터리, 전장 부품은 재질과 형상이 다양합니다. 금속, 플라스틱, 코팅 표면, 고광택 도장면, 용접부가 한 공정 안에 함께 존재하고, 검사 기준도 단순 외관 확인에서 정량 측정까지 폭넓게 요구됩니다.
따라서 자동차 QC/QA 에서는 하나의 카메라가 모든 문제를 해결하기보다, 검사 목적에 맞는 데이터를 선택하는 접근이 필요합니다. 표면 결함은 잘 보이게 만들어야 하고, 높이와 형상은 수치로 측정해야 합니다.
그림 2. 자동차 공정별 2.5D·3D 검사 매핑
적용 사례를 크게 나누면 다음과 같습니다.
- 커넥터 핀, PCBA/BGA: 핀 높이, 휨, 간격, Coplanarity 등 정량 측정 중심
- EV 배터리 용접부: 용접 표면 결함과 용접부 형상 측정이 함께 필요한 복합 검사
- 고광택 도장면: 반사 간섭 속에서 스크래치, 오렌지필, 요철을 구분해야 하는 표면 결함 검사
- 금속/엔진 부품: 오일 얼룩, 표면 질감, 스크래치가 섞여 보이는 외관 검사
사례 1 - 커넥터 핀 검사
커넥터 핀 검사는 대표적인 3D 정량 측정 사례입니다. 2D 이미지는 핀의 위치나 유무를 확인하는 데 유용하지만, 핀 높이, 휨, 단차, Coplanarity 는 평면 이미지로 안정적으로 판단하기 어렵습니다.
SQ081043 구조광 3D 센서는 핀 상단의 높이와 위치 데이터를 취득해 기준값 대비 편차를 계산할 수 있습니다. 이 데이터는 OK/NG 판정뿐 아니라 조립 위치 보정, 공정 이력 관리, 품질 리포트 생성에도 활용할 수 있습니다.
그림 3. 커넥터 핀 검사에서 3D 데이터가 제공하는 판단 기준
커넥터 핀 검사 포인트
- 핀 높이: 기준 높이 대비 상승/하강 편차 측정
- 핀 휨: 핀 상단 위치와 기준 위치의 편차 확인
- 핀 간격: 핀 간 pitch 및 조립 위치 확인
- Coplanarity: 여러 핀이 동일 평면 기준을 만족하는지 평가
사례 2 - EV 배터리 용접 검사
EV 배터리 공정에서는 용접 품질이 제품 안정성과 직접 연결됩니다. 용접 누락, 피트, 블로홀, 슬래그, 아크 피트와 같은 표면 결함뿐 아니라 용접부의 돌출, 함몰, 평탄도, 조립 위치도 함께 확인해야 합니다.
이 경우 DH200 2.5D 는 용접 표면 결함을 더 잘 보이게 만드는 데 유리하고, SQ081043 3D 는 용접부 형상과 높이 편차를 수치로 측정하는 데 유리합니다. 따라서 용접 검사에서는 2.5D 와 3D 데이터를 함께 검토하는 구성이 적합할 수 있습니다.
그림 4. EV 배터리 용접 검사에서 2.5D 와 3D 데이터의 역할
EV 배터리 용접 검사 포인트
- 표면 결함: 용접 누락, 피트, 블로홀, 슬래그, 오염
- 형상 측정: 용접부 높이, 돌출, 함몰, 평탄도
- 위치 확인: 셀 터미널, 캡 플레이트, 버스바, 연결판의 위치 편차
- 자동화 연동: 불량 위치, 결함 유형, 측정값을 MES/DB 에 저장
사례 3 - 고광택 도장면 및 금속/엔진 부품 검사
고광택 도장면과 금속 표면은 2D 검사에서 난도가 높은 대상입니다. 표면의 실제 결함과 조명 반사, 그림자, 질감, 오염이 이미지상에서 함께 나타나기 때문입니다.
DH200 2.5D 는 Photometric Stereo 기반의 다중 채널 이미지를 활용해 결함 특징을 더 명확하게 표현합니다. 이를 통해 사람이 보기 어려운 스크래치, 요철, 오렌지필, 오염을 AI 모델이 학습하기 쉬운 형태로 바꿀 수 있습니다.
그림 5. 고광택 도장면과 금속 표면 검사에서 2.5D 데이터의 역할
고광택 도장면 및 금속/엔진 부품 검사 포인트
- 고광택 도장면: 스크래치, 오렌지필, 요철, 반사 간섭
- 금속/엔진 부품: 오일 얼룩, 표면 질감, 스크래치, 찍힘
- 2.5D 데이터 활용: 결함과 배경 질감의 분리, 반사 간섭 완화
- AI 학습 활용: 결함 특징이 강조된 채널 이미지를 학습 데이터로 활용
적용 사례별 권장 데이터 비교
그림 6. 자동차 QC/QA 적용 사례별 권장 데이터 개념 비교
자동차 QC/QA 에서 카메라를 선택할 때는 검사 항목별로 필요한 데이터가 다르다는 점을 먼저 정리해야 합니다. 커넥터 핀, PCBA/BGA, 로봇 가이던스는 위치와 높이 데이터를 직접 측정해야 하므로 3D 데이터가 중요합니다.
반면 고광택 도장면과 금속/엔진 부품의 표면 결함 검사는 2.5D 데이터가 결함 가시성을 높여 AI 모델의 입력 데이터 품질을 개선할 수 있습니다. EV 배터리 용접부는 두 요구가 동시에 존재하는 대표적인 복합 검사 사례입니다.
AI 자동화 시스템으로 연결되는 구조
그림 7. 자동차 QC/QA 데이터가 AI 자동화로 연결되는 구조
카메라가 취득한 데이터는 단순히 검사 화면에 표시되는 것으로 끝나지 않습니다. AI 모델은 2.5D 이미지에서 결함 위치와 유형을 판정할 수 있고, 3D 데이터는 기준값 대비 편차를 계산해 규칙 기반 판정에 활용될 수 있습니다.
최종 검사 결과는 PLC, 로봇, MES, DB 와 연결되어 공정 제어, 불량품 배출, 품질 이력 관리, 리포트 자동 생성으로 이어집니다. 즉, 카메라는 데이터 입력 장치이고, 실제 가치는 자동화 시스템과 연결될 때 완성됩니다.
적용 전 체크리스트
그림 8. 자동차 QC/QA 적용 전 확인 체크리스트
현장 적용 검토 시에는 장비 스펙만 비교하기보다, 검사 목적과 데이터 흐름을 함께 정의해야 합니다. 특히 자동차 공정은 제품 모델 변경, 라인 복제, 검사 기준 변경 가능성이 크기 때문에 재현성과 확장성을 고려해야 합니다.
- 검사 대상과 불량 유형이 명확히 정의되어 있는가
- 불량 기준이 이미지 기반인지 수치 기반인지 구분되어 있는가
- 표면 반사, 그림자, 질감이 검사 결과에 영향을 주는가
- 필요한 데이터가 2D, 2.5D, 3D 중 무엇인지 정리되어 있는가
- AI, PLC, 로봇, MES, DB 연동까지 고려한 데이터 구조가 있는가
마무리: 적용 사례의 핵심은 “검사 데이터 설계”입니다
자동차 QC/QA 에서 2.5D 와 3D 비전은 각각 다른 문제를 해결합니다. DH200 2.5D 는 표면 결함을 더 잘 보이게 만드는 데 강하고, SQ081043 3D 는 높이와 형상을 수치로 측정하는 데 강합니다.
따라서 성공적인 적용 사례는 카메라 제품을 선택하는 것에서 끝나지 않습니다. 검사 목적을 정의하고, 필요한 데이터를 취득하며, AI 판정과 자동화 연동까지 이어지는 전체 구조를 설계해야 합니다.
다음 6 회차에서는 카메라 데이터를 활용해 AI 기술 기반 공장 자동화 시스템을 어떻게 구축할 수 있는지 살펴보겠습니다.