.svg)
AI 솔루션 문의하기
배터리는 내부에서 화학 반응이 일어나는 밀폐된 구조물이므로 겉으로 드러나는 외관이 완벽하게 정상이더라도 내부에 미세한 결함이 숨어 있을 수 있으며 이런 결함은 사용 중 화재나 폭발로 이어질 수 있는 매우 위험한 결과를 낳을 수 있습니다. 일반적인 외관 검사만으로는 이런 내부의 문제를 전혀 확인할 수 없으므로 배터리 생산 공정의 비전 AI 학습데이터는 눈에 보이는 표면 정보와 더불어 내부 구조를 들여다볼 수 있는 특수한 촬영 방식의 자료까지 함께 갖추어야 합니다.
이러한 특성 때문에 배터리 검사 데이터는 다른 제조업의 외관 검사 데이터보다 훨씬 복합적인 구성을 필요로 합니다. 안전과 직결되는 결함일수록 겉으로는 전혀 티가 나지 않는 경우가 많아 이 지점이 배터리 생산 비전 데이터가 가장 신중하게 다루어야 할 부분입니다.
제품의 겉모습을 확인하는 것으로 대부분의 판단이 완결되는 여러 산업 분야와 달리 배터리는 표면 검사와 내부 검사라는 두 가지 서로 다른 방식의 자료를 함께 갖추고 이 둘을 결합하여 판단해야 하는 이중적인 구조를 가집니다. 전극의 코팅 상태나 외장재의 손상 여부는 일반적인 영상으로 확인할 수 있지만 내부의 정렬 상태나 이물질의 존재는 방사선을 활용한 촬영 방식을 통해서만 확인이 가능합니다.
따라서 이중적 구조는 데이터를 정리하는 과정에서도 표면 정보와 내부 정보를 서로 연결하여 하나의 개체에 대한 종합적인 판단이 가능하도록 정리하는 작업을 요구합니다.
배터리 생산을 위한 비전 AI 학습데이터는 다음과 같은 절차로 구축됩니다.
이런 절차를 거치면 겉과 속을 모두 아우르는 종합적인 판단이 가능한 학습 데이터가 완성됩니다.
배터리의 성능과 안전성은 전극에 발라지는 물질의 두께가 얼마나 고르게 유지되는가에 크게 좌우되므로 이 코팅의 균일함을 정확하게 판별하는 라벨링이 매우 중요한 부분을 차지합니다. 넓은 면적에 걸쳐 도포되는 이 물질이 어느 한 부분에서 얇아지거나 두꺼워지면 그 부분에서 성능 저하나 위험한 반응이 일어날 가능성이 커집니다.
미세한 두께 편차를 정확하게 표시하려면 일반적인 형태 인식과는 다른 방식의 라벨링 기법이 필요하며 전체 면적에 걸친 두께의 분포를 세밀하게 담아내는 접근이 요구됩니다.
배터리 내부의 전극이 서로 어긋나 있거나 미세한 이물질이 섞여 있는 상황은 완성된 배터리를 분해하지 않고는 육안으로 확인할 수 없으므로 방사선을 활용한 촬영 자료를 통해서만 이런 내부 결함을 데이터로 남길 수 있습니다. 이런 촬영 방식은 일반적인 영상 촬영과는 전혀 다른 형태의 자료를 만들어내므로 이를 해석하고 라벨링하는 데도 별도의 전문성이 요구됩니다.
내부 결함은 발생 빈도가 상대적으로 낮으면서도 그 위험성은 매우 크므로 이런 드문 사례를 충분히 확보하고 정확하게 표시하는 작업에 각별한 노력이 필요합니다.
배터리는 파우치형과 원통형 그리고 각형처럼 여러 형태로 제작되며 각 형태마다 구조와 취약한 부분이 다르므로 검사 데이터 역시 형태별로 구분하여 구축하는 것이 효과적입니다. 파우치형은 외장재의 밀봉 부분이 중요한 검사 대상이 되고 원통형은 권취 과정에서의 정렬 상태가 주요한 관심사가 되는 것처럼 형태에 따라 주목해야 할 지점이 달라집니다. 형태별 구분은 각 제품 라인에 최적화된 정확한 검사를 가능하게 하는 기반이 됩니다.
배터리 생산 공정을 위한 비전 AI 학습데이터는 눈에 보이는 표면의 상태와 더불어 그 안쪽에 숨어 있을 수 있는 위험까지 함께 살피려는 시도입니다. 표면과 내부 정보의 결합 그리고 형태별로 세분화된 검사 기준이 함께 갖추어질 때 배터리 검사 인공지능은 안전과 직결되는 미세한 결함까지 놓치지 않는 신뢰할 수 있는 판별력을 갖추어 나갈 수 있습니다.
.svg)
.svg)
