비전 AI 기반 용접 비드 결함 인식 프로젝트

TODO

용접은 거의 모든 산업 현장에서 구조물과 부품을 연결하거나 제작하는 데 사용되는 핵심적인 제조 기술입니다. 건축, 조선, 자동차, 항공, 에너지 산업 등 다양한 분야에서 용접은 제품의 안전성과 성능을 좌우하는 결정적인 역할을 합니다. 그러나 용접 과정은 재료, 열, 작업 환경, 숙련도 등 다양한 변수의 영향을 받기 때문에, 종종 여러 형태의 결함(welding defects)이 발생할 수 있습니다. 이러한 결함은 단순한 품질 저하를 넘어, 구조물의 내구성과 안정성을 심각하게 훼손시키며, 심각한 경우 인명 피해와 막대한 재산 손실로 이어질 수 있습니다. 특히 고신뢰성이 요구되는 건축물, 선박, 항공기, 고압 배관, 압력용기 등에서는 단 하나의 용접 결함조차도 치명적인 사고의 단초가 될 수 있습니다.

이러한 현실 속에서, 최근에는 인공지능(AI) 기술을 접목한 자동화된 용접 결함 검출 시스템이 새로운 해결책으로 주목받고 있습니다. 컴퓨터 비전, 머신러닝, 딥러닝 기반의 기술들은 사람이 놓치기 쉬운 미세 결함까지 빠르고 정밀하게 인식할 수 있는 가능성을 제시하며, 용접 품질 관리의 새로운 패러다임을 만들어가고 있습니다.

본 글에서는 용접 결함의 정의와 발생 원인을 짚어본 뒤, AI 기반 결함 인식 기술의 필요성과 함께, 그 개발 과정과 실제 적용 결과에 대해 구체적으로 살펴보고자 합니다.

용접 결함 종류와 원인 분석

용접 결함은 그 종류가 매우 다양하며, 각기 다른 원인과 특성을 지니고 있습니다. 그러나 모든 결함 유형을 포괄적으로 다루기에는 현재 확보된 데이터의 양이 제한적이며, 분석의 정확성을 담보하기 어려운 현실적 제약이 존재합니다. 이에 따라 본 프로젝트에서는 보다 정확하고 신뢰성 있는 결과 도출을 위해 특정 결함 유형에 초점을 맞춰 연구를 진행하였습니다.

본 연구에서는 총 5가지 유형의 용접 결함을 중심으로 분석을 진행하였습니다. 구체적으로는 Crack(균열), Excess Reinforcement(과다 비드), Porosity(기공), Spatter(스패터) 그리고 다양한 비정상적인 용접 형태를 포함하는 Bad Welding을 주요 결함 유형으로 선정하였습니다. 또한, 비교 기준이 될 수 있도록 정상적으로 용접이 잘 이루어진 사례(Good Welding) 를 함께 포함하여 분석의 균형과 신뢰성을 확보하고자 하였습니다.

이들 결함 유형은 각각 고유한 발생 원인과 특징을 가지며, 실제 산업 현장에서 자주 발생하거나 품질 저하에 큰 영향을 미치는 사례들입니다. 각 결함의 특성과 발생 원인에 대해 보다 구체적으로 설명드리겠습니다.

1. Crack (균열)
   정의 : 용접부 또는 그 인접 영역에 발생하는 미세 또는 육안으로 보이는 파단 현상으로, 구조물의 강도와 안정성을 크게 약화시키는 결함
   원인 : 급격한 냉각 또는 고온 상태에서의 응력 집중
   영향 : 피로파괴의 기점이 되기 때문에, 고하중 구조물이나 진동을 받는 부위에서는 매우 치명적
   
2. Excess Reinforcement(과다 비드)
   정의 : 용접 비드가 용접 이음부 표면보다 과도하게 융기된 상태로, 외관상 돌출되며 규격을 초과하는 덧살이 형성된 결함
   원인 : 과도한 용접 전류 & 너무 느린 진행 속도
   영향 : 외관 품질 저하뿐 아니라, 비드 높이가 과도하면 응력 집중이 발생해 피로파괴 위험 증가
   
3. Porosity(기공)
   정의 : 용접 금속 내부 또는 표면 근처에 형성된 기포 형태의 구멍으로, 주로 가스가 용융 금속에 갇히며 냉각 중 빠져나가지 못해 발생하는 결함
   원인 : 보호 가스 유량 부족 또는 불균일
   영향 : 용접부의 강도를 저하시켜 인장력이나 피로 하중을 받을 때 파괴 가능성이 높음
   
4. Spatter(스패터)
   정의 : 용접 중 발생한 용융 금속이 주변에 튀면서 작은 금속 입자가 용접부 근처에 부착되어 발생하는 결함
   원인 : 과도한 전류, 긴 아크 길이
   영향 : 외관 품질 저하는 물론이고, 스패터 제거를 위한 추가 작업(연마, 세척 등)이 필요
   
5. Bad Welding(불량 용접)
   정의 : 여러 용접 결함이 복합적으로 존재하거나, 전반적인 용접 품질이 기준 이하로 평가되는 상태
   

AI 기반 용접 결함 인식 기술

본 연구에서 사용된 용접 결함 인식 모델의 학습을 위해, 공개 데이터셋 플랫폼인 Kaggle과 Roboflow를 통해 관련 이미지를 수집하였습니다. 이렇게 확보한 이미지들을 기반으로, 총 2,590장의 데이터셋을 구성하였으며, 이 중 2,214장은 모델 학습용, 376장은 검증용으로 분할하여 사용하였습니다. 데이터는 다양한 결함 유형이 고르게 포함되도록 구성함으로써, AI 모델이 각 결함을 효과적으로 학습할 수 있도록 설계하였습니다.

데이터셋은 YOLO 형식의 구조를 따르며, 다음과 같은 디렉토리 구성을 가지고 있습니다.

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

1. images/train/
   • 모델 학습에 사용되는 원본 이미지 파일들이 저장된 디렉토리입니다.
2. labels/train/
   • 학습 이미지에 대한 라벨 정보가 담긴 .txt 파일들이 저장되며, YOLO 포맷을 따릅니다. (해당 이미지와 동일한 이름을 가집니다.)
3. images/val
   • 학습 중 모델의 성능을 검증하는 데 사용되는 이미지 데이터입니다.
4. labels/val
   • 검증 이미지에 대응하는 라벨 파일들로, 학습 라벨과 동일한 형식으로 구성되어 있습니다.

YOLOv11 프레임워크를 기반으로 모델을 학습하였으며, Python 환경에서 Ultralytics 라이브러리를 활용하였습니다. 학습에 사용된 주요 코드 구성은 다음과 같습니다.

from ultralytics import YOLO
import torch

model = YOLO("yolo11s.pt")

model.train(
    data='/home/jihun/project/demoproject/weld_defect/dataset/data.yaml',
    imgsz=320,
    epochs=1000,
    project='/home/jihun/project/demoproject/weld_defect/trainResults/',
    batch = 16,
    pretrained=False
)

1. model = YOLO("yolo11s.pt")
   • YOLOv11s 경량 모델을 기반으로 학습 객체를 생성합니다.
2. model.train
   • data : 학습 및 검증 이미지와 라벨 경로가 명시된 data.yaml 파일 경로입니다.
   • imgsz : 입력 이미지 크기를 설정합니다.(320x320)
   • epochs : 학습이 반복될 총 횟수를 설정합니다.
   • batch : 학습 시 한 번에 처리할 이미지 수를 설정합니다.
   • project : 학습 결과를 저장할 디렉토리 경로입니다.
   • pretrained : 사전 학습된 모델 사용 여부를 결정합니다.

추론 결과

이제 학습된 모델을 활용하여 추론 결과를 확인해 보겠습니다.

1. Crack (균열)

2. Excess Reinforcement(과다 비드)

3. Porosity(기공)

4. Spatter(스패터)

5. Bad Welding(불량 용접)

6. Good Welding(정상 용접)

결론 및 향후 개선 방향

본 연구에서는 용접 공정에서 자주 발생하는 주요 결함인 Crack(균열), Excess Reinforcement(과다 비드), Porosity(기공), Spatter(스패터), 그리고 Bad Welding(불량 용접) 등 총 다섯 가지 유형을 대상으로, 인공지능(AI)을 활용한 자동 결함 인식 시스템의 가능성을 실험하고 그 효과를 검증하였습니다. YOLO 기반 객체 검출 모델을 통해 이러한 결함들을 학습시킨 결과, AI가 실제 산업 현장에서 나타나는 다양한 결함 유형을 정확하고 일관되게 식별할 수 있는 능력을 갖추었음을 확인할 수 있었습니다.

특히 기존의 용접 결함 검사는 숙련된 작업자의 경험과 주관적 판단에 의존하거나, 고가의 비파괴 검사 장비에 의존해야 하는 등 여러 한계를 지니고 있습니다. 이와 비교할 때 본 연구에서 제안한 AI 기반 접근 방식은 정확도의 향상뿐 아니라 검사 시간의 단축, 인력 비용 절감, 품질 일관성 확보 등 여러 측면에서 매우 유의미한 성과를 보여주었습니다. 이는 단순한 품질 검사 자동화를 넘어, 산업 현장의 안전성 강화, 불량률 감소, 생산 공정의 디지털 전환(Smart Manufacturing) 실현에 기여할 수 있는 핵심 기술로 평가됩니다.

다만, 본 연구는 일부 대표적인 결함 유형에 초점을 맞추고 진행되었기 때문에, 데이터의 다양성과 적용 범위 측면에서 일정한 제약이 존재합니다. 향후에는 실제 현장에서 수집된 더 풍부하고 다양한 결함 이미지 데이터셋을 확보하고, Undercut, Lack of Fusion, Incomplete Penetration 등 보다 복합적인 결함 유형까지 포괄하는 모델 확장이 요구됩니다. 이와 더불어, 하이퍼파라미터 최적화, 데이터 증강(Augmentation), 경량화 및 실시간 추론이 가능한 모델 설계 등을 병행함으로써 AI 모델의 정밀도와 현장 적용성을 한층 더 높일 수 있을 것입니다.

나아가 이러한 AI 기반 결함 검출 기술을 현장용 고해상도 카메라, 로봇 비전 시스템, 스마트 팩토리 플랫폼 등과 연계하여 통합함으로써, 용접 품질을 실시간으로 모니터링하고 즉각적으로 피드백할 수 있는 자동 품질 관리 시스템으로 발전시킬 수 있습니다. 이는 곧 제조 산업 전반의 지능형 품질 보증 체계 구축으로 이어지며, 산업 경쟁력을 향상시키는 중요한 기반이 될 것입니다.

다음 게시글에서는 실제 산업 현장에서 활용되고 있는 설비를 기반으로, 2D 및 3D 이미지 분석 기법을 활용하여 용접 비드의 길이, 폭, 위치는 물론, 형상 이상 여부까지 정밀하게 측정하고 시각화하여 용접 상태를 정밀하게 분석하는 시스템에 대해서 소개드리도록 하겠습니다.