3D 스캔과 비전 AI로 분석한 용접 비드 형상 분석 프로젝트

TODO

이전 게시글에서는 실제 산업 현장에서 용접 작업 중 발생할 수 있는 다양한 결함들을 인식하기 위한 비전 AI 기반 결함 인식 모델을 개발하고, 그 성능을 평가해보았습니다. 이를 통해 AI 기술이 제조 품질 관리에 어떻게 접목될 수 있는지에 대한 가능성을 확인할 수 있었습니다. 해당 용접 결함 인식 모델에 대해 더 자세히 알고 싶으신 분들은 비전 AI 기반 용접 비드 결함 인식 프로젝트 게시글을 참고해보시기 바랍니다.

이번 글에서는 그 연장선으로, 실제 산업 설비에서 생성된 용접 비드를 대상으로 한 정밀 분석 프로젝트를 소개하려고 합니다. 단순히 비드를 인식하는 수준을 넘어, 비드의 위치, 형상, 길이, 폭, 높이 등 다양한 물리적 특성을 3D 스캔 기술과 비전 AI를 활용해 측정하고 분석하는 데 중점을 두었습니다. 특히, 설비에서 생성된 각 비드의 공정 적합 여부(OK/NG)를 자동으로 판변할 수 있도록 구현함으로써, 기존 수작업에 의존하던 품질 판정 과정을 대폭 자동화하고, 분석 결과의 정밀도와 일관성을 크게 향상시킬수 있었습니다. 이 글에서는 본 프로젝트의 전체적인 흐름과 함께 사용된 기술 스택, 분석 결과 그리고 최종적으로 OK/NG를 판단하는 로직까지 소개드릴 예정입니다.

본격적인 프로젝트 설명에 앞서, 먼저 용접 비드의 위치와 형상이 제품 품질에 어떤 영향을 미치는지, 그리고 기존에는 이러한 요소들을 어떻게 분석하고 관리해왔는지에 대해 짚고 넘어가겠습니다. 이는 이번 프로젝트의 필요성과 가치, 그리고 비전 AI 및 3D 스캔 기술을 도입하게 된 배경을 이해하는 데 중요한 출발점이 될 것입니다.

용접 비드 형상과 위치 분석의 중요성, 그리고 기존 방식의 한계

용접 비드는 금속 부품을 접합하는 과정에서 형성되는 융착부로, 단순한 접합을 넘어 제품의 구조적 강도, 기밀성 등 다양한 품질 요소에 밀접하게 관련되어 있습니다. 특히 비드의 형상(곡률, 균일성), 길이, 폭, 높이, 그리고 위치는 다음과 같은 방식으로 제품 품질에 직접적인 영향을 미칩니다.

1. 기계적 강도 저하 : 비드 폭이 너무 좁거나 높이가 일정하지 않으면 응력이 집중되어 균열 발생 가능성이 높아집니다.
2. 밀봉 성능 저하 : 비드가 설계된 기준 위치에서 벗어나거나, 연결이 불균일하게 이루어질 경우, 누수, 기밀 불량, 부식과 같은 문제가 발생할 수 있습니다.
3. 외관 품질 불량 : 자동차, 가전 등 외관이 노출되는 제품의 경우, 시각적인 품질에 직접적인 영향을 미칩니다.
4. 후공정 불량 : 비드가 규정된 치수 범위를 벗어날 경우, 이후 진행되는 가공, 도장, 조립 등 후속 공정에서 간섭이 발생하거나 맞춤 공정이 정상적으로 이루어지지 않아 불량률이 증가하게 됩니다.

그렇기 때문에 산업 현장에서는 비드가 설계 기준에 따라 정확한 위치에 형성되고, 일정한 형상을 유지하고 있는지를 지속적으로 점검해야 합니다. 그러나 기존의 제품 품질 검사 방식은 다음과 같은 한계를 가지고 있습니다.

• 육안 검사
  숙련된 작업자가 직접 비드를 눈으로 확인하며 이상 유무를 판단하는 방식으로, 빠르고 간단하다는 장점이 있으나, 판단이 주관적이며 작업자 개인의 숙련도에 따라 편차가 발생하는 문제가 있습니다.
• 수동 측정 도구 사용
  버니어 캘리퍼스, 비드 게이지 등의 수공구를 활용하여 비드의 폭, 높이 등을 직접 측정하는 방식을 활용하지만, 이 방식 또한 측정 범위가 제한적이고, 복작합 형상이나 곡률 등을 정밀하게 측정하는 데 한계가 있습니다.
• 샘플링 기반 검사
  전체 생산품을 검사하기에는 시간과 인력 부담이 크기 때문에, 일부 구간만을 선택하여 검사하는 샘플링 방식이 활용되고 있습니다. 이로 인해 전수 검사 대비 불량 탐지율이 낮고, 공정 중 발생하는 미세한 형상 편차나 위치 오차를 놓치는 경우가 자주 발생했습니다.
• 데이터 관리의 비효율성
  검사 결과가 종이 문서나 수기로 관리되는 경우가 많아, 데이터의 디지털화와 이력 추적이 어렵고, 나아가 장기적인 통계 분석이나 공정 개선에 활용하기가 불가능했습니다.

이러한 한계점을 극복하고, 더 정량적이고 자동화된 품질 관리를 실현하기 위해 이번 프로젝트에서는 3D 스캔 기술과 비전 AI 기술을 융합한 분석 시스템을 구현해보았습니다. 어떻게 분석했는지 등 자세하게 소개드리겠습니다.

3D 스캔 시스템 구성

본 프로젝트트에서 사용된 3D 센서는 LMI Technologies사의 Gocator 2440 3D 스마트 센서를 사용하였습니다. 이 센서는 라인 프로파일 방식의 3D 스캐닝을 지원하여, 대상 물체의 단면을 고속으로 스캔하고 이를 조합하여 전체 3D 형상을 재구성합니다. 센서의 주요 사양은 다음과 같습니다.

용접 공정이 완료된 제품의 비드 영역을 스캔함으로써 Profile를 획득하였습니다.

비드가 정상적인 부분의 Scan, Profile

비드가 비정상적인 부분의 Scan, Profile

획득한 Profile 데이터는 단순한 높이값 집합이 아니라, 다양한 형상 정보를 분석할 수 있는 기반이 됩니다. 본 프로젝트에서는 다음과 같은 항목들을 추출하여 용접 비드의 물리적 특성을 정량화하여 OK/NG 판정 기준을 명확히 정의하였습니다.

1. 비드의 높이
   • Profile의 기준면 대비 가장 높은 지점까지의 거리로 판단할 수 있었으며, 이로 인해 오버랩(overlap) 또는 언더컷(undercut) 문제 파악을 할 수 있습니다.
2. 비드의 폭
   • 구간의 너비로 판단할 수 있었으며, 이로 인해 비드가 충분히 확산되었는지 판단할 수 있습니다.
3. 비드의 기울기/경사도
   • 비드의 기울어진 정도를 나타내며, 각도 또는 기울기로 표현 가능하며, 급격한 기울기 변화는 용적 속도 또는 토치 각도의 불안정성을 시사할 수 있습니다.
4. 비드의 곡률
   • 단면 곡선의 곡률을 분석하여, 비드 형상의 대칭성, 곡면의 부드러움, 또는 불규칙성을 평가합니다.
5. 비드 중심 위치
   • 비드의 중심이 기준선에서 얼마나 벗어났는지를 계산합니다.

비전 AI 분석 모델 및 알고리즘

본 프로젝트에서는 비전 AI 모델로 Yolov11를 활용하였습니다. Yolov11을 학습 및 추론 방식에 대해서는 오픈 데이터로 YOLOv11 시작하기 게시글 참고하시고 자세한 내용은 넘어가겠습니다.
Yolov11을 통해, 실제 용접 이미지에서 다음과 같은 주요 요소들을 자동으로 인식하고 구분하였습니다.

• 두 개의 모재(Base Metals)
• 모재 사이의 접합부(Joint Line)
• 용접을 통해 형성된 비드(Weld Bead)

모델이 추론한 접합부 위치와 비드의 중심점 좌표를 비교하여, 그 차이가 사전에 정의된 허용 기준을 초과하는 경우, 해당 용접 비드를 NG(불량) 으로 자동 판정하였습니다. 이러한 방식을 활용하여 작업자의 주관적 판단 없이도, 객관적이고 일관된 품질 판별이 가능하게 합니다. 아래의 이미지는 실제 판별 예시를 보여줍니다.

• 1번 이미지는 비드의 형상과 위치가 정상적인 사례로, 접합부와 비드 중심점 간의 차이가 0px로 정확히 일치합니다.
• 2번 이미지는 비정상적인 사례로, 비드 중심점이 접합부로부터 24px만큼 벗어나 있어 NG로 판정된 경우입니다.

1. OK(정상)

2. NG(불량)

결론 및 기대 효과

본 프로젝트는 Gocator 2440 3D 스마트 센서를 활용한 고해상도 스캔 데이터와 YOLOv11 기반 비전 AI 모델을 결합하여, 다음과 같은 핵심 항목들을 정밀하게 측정하고 자동으로 판단할 수 있는 시스템을 구현하였습니다:

• 용접 비드의 형상 (높이, 폭, 곡률, 기울기 등)
• 접합부와의 상대적 위치 편차
• 비드 중심 좌표와 기준선 간의 오차
• 정량화된 기준에 따른 OK/NG 판별

이러한 기술적 접근을 통해, 기존의 수작업 검사 방식과 비교했을 때 정확도, 속도, 반복성 측면에서 획기적인 향상을 이룰 수 있었으며, 모든 분석 결과를 디지털화하여 품질 이력 관리가 가능해졌다는 점에서 매우 의미 있는 성과라고 할 수 있습니다.

이번에 구축한 3D 스캔 기반 비전 AI 분석 시스템은 용접 품질 관리 전반에 걸쳐 다양한 기대 효과를 제공합니다.

무엇보다도 가장 큰 성과는 품질 검사 공정의 자동화 실현입니다. 기존에는 작업자의 육안 판단이나 수동 측정 도구에 의존하던 비드 검사를 AI 시스템으로 대체함으로써, 인력 의존도를 줄이고 검사 효율을 크게 향상시킬 수 있었습니다. 이는 특히 대량 생산이 이루어지는 제조 현장에서 생산성 향상과 품질 안정화에 크게 기여할 수 있습니다.

또한, 접합부와 비드 중심 간의 위치를 정량적으로 비교함으로써, 미세한 형상 편차나 위치 오차를 조기에 감지할 수 있었고, 이를 기반으로 실시간 공정 피드백과 불량 방지 대응이 가능해졌습니다. 이는 단순한 사후 품질 검사를 넘어, 선제적 품질 관리로의 전환을 의미합니다.

더불어, 검사 기준이 정량화되어 있기 때문에 판단의 일관성과 신뢰성이 확보되며, 작업자 간 편차나 주관적 오류도 최소화할 수 있습니다. 모든 결과는 디지털로 저장되기 때문에 장기적인 품질 이력 관리, 데이터 기반의 공정 분석, 설비 조건 최적화, 불량 트렌드 예측 등 고도화된 스마트 제조 운영이 가능해졌습니다.

무엇보다도 본 시스템은 특정 제품에 국한되지 않고, 다양한 설비나 공정 조건에 유연하게 대응할 수 있는 구조를 갖추고 있어, 향후 다른 제조 라인이나 품목에도 확장 적용 가능한 범용적 품질 분석 플랫폼으로 발전할 수 있는 잠재력을 지니고 있습니다.

이처럼 본 프로젝트는 단순한 기술 도입 사례를 넘어, AI와 센서 기술이 실제 제조 현장에서 어떻게 실질적인 품질 혁신을 이끌어낼 수 있는지를 보여주는 의미 있는 출발점이라 할 수 있습니다. 앞으로도 다양한 공정 데이터를 기반으로 한 지능형 품질 관리 시스템 개발을 통해, 보다 안정적이고 고도화된 스마트 제조 환경 구축에 지속적으로 기여할 수 있을 것으로 기대됩니다.