AI 비전 시스템으로 용접 불량을 실시간 검출하는 방법, 자동차 공장 유지보수까지 예측했다

자동차 생산라인의 점용접 공정을 AI 비전 시스템이 실시간으로 검사하는 장면. 카메라 영상과 용접점 데이터를 바탕으로 불량을 분류하고 로봇의 유지보수 필요성을 예측한다.

YOLOv8과 인공지능을 결합해 용접 품질 검사와 설비 유지보수를 동시에 수행한 연구가 발표됐다.

자동차 공장에서 차체를 만드는 과정에서는 수많은 저항 점용접이 이루어진다. 저항 점용접은 두 금속판을 전극으로 눌러 전류를 흘리고, 그 과정에서 발생한 열로 금속을 붙이는 방식이다. 자동화가 쉽고 작업 속도가 빠르기 때문에 자동차 차체 조립에 널리 사용된다.

하지만 전류의 세기, 전극 압력, 용접 시간, 금속 표면 상태가 조금만 달라져도 불량이 생길 수 있다. 기존에는 용접이 끝난 뒤 표본을 검사하거나 문제가 발생한 다음 설비를 점검하는 방식이 주로 사용됐다. 이번 연구에서는 카메라 영상으로 용접 불량을 실시간 검출하고, 어떤 용접 로봇에 유지보수가 필요한지까지 예측하는 AI 비전 시스템을 개발했다.

연구진은 실제 자동차 생산라인에서 확보한 674대의 차량 캐빈과 63,073개의 점용접 데이터를 분석했다. 용접 불량 분류 정확도는 95.80%, 유지보수 단계 예측 정확도는 95.87%를 기록했다.

검사에서 끝나지 않고 정비 시점까지 예측하는 시스템

기존의 용접 검사 기술은 주로 정상 용접과 불량 용접을 구분하는 데 초점을 맞췄다. 일부 연구에서는 열화상 카메라, 초음파 센서, 합성곱 신경망을 사용했지만, 상당수는 연구실이나 생산라인 밖에서 이루어졌다.

실제 공장에서는 불량을 찾는 것만으로 충분하지 않다. 어떤 로봇에서 불량이 반복되는지, 불량률이 시간에 따라 증가하는지, 즉시 수리가 필요한지를 함께 판단해야 한다. 연구진은 이 문제를 해결하기 위해 용접점 검사와 유지보수 예측을 하나의 시스템으로 연결했다.

이 시스템은 각 용접점을 정상 또는 불량으로 분류한 뒤, 특정 로봇과 용접 위치에서 발생하는 불량 빈도의 변화를 추적한다. 분석 결과에 따라 유지보수 불필요, 예방 유지보수, 예지 유지보수, 교정 유지보수 가운데 하나를 제시한다.

674대 차량에서 8,092장의 이미지를 수집했다

연구진은 자동차 캐빈 조립이 끝나는 생산라인 구간에 비전 시스템을 설치했다. 논문 3쪽의 전체 구성도에는 차량 캐빈을 양쪽에서 촬영한 뒤, 용접점 검출과 결함 판정, 유지보수 예측으로 이어지는 과정이 제시돼 있다.

촬영 장치는 1,200만 화소 흑백 산업용 카메라 4대로 구성됐다. 각 카메라에는 12.5밀리미터 렌즈와 625나노미터 적색광 필터가 장착됐다. LED 조명도 같은 파장을 사용해 금속 표면의 반사와 주변 조명의 영향을 줄였다.

카메라는 차량의 위쪽과 아래쪽을 나누어 촬영했다. 두 카메라의 촬영 범위가 약 10센티미터 겹치도록 배치해 높이 1.56미터의 캐빈 영역을 빠짐없이 기록했다.

연구진은 3일 동안 시스템을 운영해 674대의 캐빈에서 8,092장의 이미지를 수집했다. 각 이미지의 해상도는 4,096×3,000픽셀이었으며, 전체 이미지에서 63,073개의 저항 점용접 부위를 추출했다.

YOLOv8이 차체 프레임과 용접점을 먼저 찾아냈다

AI가 자동차 이미지 전체를 그대로 분석하면 계산량이 커지고 처리 시간이 길어진다. 연구진은 먼저 차체 문틀 영역을 분리한 뒤, 그 안에서 점용접 위치를 찾아내는 방식을 사용했다.

첫 단계에서는 YOLOv8 모델이 차량 문틀의 위치를 인식했다. YOLO는 이미지 속 물체의 위치를 빠르게 찾는 딥러닝 모델이다. 모델은 문틀을 배경과 분리하는 마스크를 만들고, 그 영역 안에 존재하는 용접점을 검출했다.

연구진은 100장의 캐빈 이미지에 문틀과 용접점 위치를 직접 표시해 학습 데이터를 만들었다. 학습된 모델은 각 점용접의 중심을 찾아낸 뒤, 용접 부위를 30×30픽셀의 개별 이미지로 잘라냈다.

YOLOv8의 문틀 분할 정밀도는 99.78%, 재현율은 100%, F1 점수는 99.88%였다. 캐빈 한 대의 이미지에서 용접점을 찾아 분리하는 데 걸린 평균 시간은 5.88초였다.

용접 중심부와 열영향부의 크기가 품질 판단 기준이 됐다

점용접의 품질을 판단하려면 용접 자국의 모양만 보는 것이 아니라 내부에서 금속이 녹아 붙은 영역과 주변의 열 흔적을 함께 살펴야 한다.

용접 중심부에서 금속이 녹았다가 굳은 영역을 너깃이라고 한다. 너깃 주변에는 녹지는 않았지만 열의 영향을 받아 색과 질감이 변한 부분이 생긴다. 이를 열영향부라고 한다.

연구진은 AI를 이용해 너깃과 열영향부의 경계를 찾고 각각의 직경을 측정했다. 측정 오차는 너깃 직경에서 평균 5%, 열영향부 직경에서 평균 3%였다.

왜 이런 크기 정보가 중요한가. 용접 전류가 부족하면 금속이 충분히 녹지 않아 차가운 용접점이 생길 수 있다. 반대로 전류가 지나치게 크면 금속이 변형되거나 녹은 재료가 밖으로 튀어나올 수 있다. 전극 압력이 오래 지속되면 표면에 움푹 팬 자국이 나타나기도 한다.

논문 7쪽에는 변형된 금속, 용융물 배출, 냉간 용접점, 표면 함몰 등 네 가지 대표 불량 형태가 제시돼 있다. 연구진은 이와 같은 표면 특징을 기준으로 용접점을 정상과 불량으로 나눴다.

밝기와 질감의 작은 차이가 불량을 구분했다

각 용접 이미지에서는 평균 밝기, 밝기의 변화 정도, 밝기 분포의 비대칭성, 대비의 집중 정도, 이미지 에너지 등 여러 통계 특징이 계산됐다.

이 값들은 단순한 사진 정보처럼 보이지만 실제로는 용접 과정의 변화를 반영한다. 열이 고르게 전달되면 용접점의 밝기와 표면 질감도 비교적 일정하게 나타난다. 전극 상태나 전류가 불안정하면 밝기 분포가 한쪽으로 치우치거나 특정 부분의 대비가 강해질 수 있다.

연구진은 여러 특징을 선형판별분석으로 압축했다. 선형판별분석은 정상과 불량 데이터를 최대한 멀리 떨어뜨려 구분하기 쉽게 만드는 통계 기법이다. 이후 신경망이 압축된 특징을 받아 최종 분류를 수행했다.

학습에는 정상 용접 이미지 1,000장과 불량 용접 이미지 1,000장이 사용됐다. 각 범주에서 800장은 학습에, 200장은 검증에 활용됐다.

불량 분류 모델의 정확도는 95.80%, 정밀도는 95.61%, 재현율은 96.00%, F1 점수는 95.80%였다. 선형판별분석만 사용했을 때보다 신경망을 함께 사용했을 때 정확도가 1.8%포인트 높았다.

불량률의 증가 속도로 네 단계 유지보수를 결정했다

연구진은 각 로봇과 용접 위치별로 정상 용접 수, 불량 용접 수, 평균 너깃 직경, 평균 열영향부 직경을 시간 순서대로 정리했다. 데이터는 1시간 단위로 묶었으며 전체 관찰 기간은 누적 30시간이었다.

유지보수 단계는 불량률에 따라 네 범주로 구분됐다. 불량률이 0.1% 미만이면 유지보수가 필요하지 않은 상태로 분류됐다. 0.2~0.4%는 예방 유지보수, 0.6~0.9%는 예지 유지보수, 1.0% 이상은 교정 유지보수로 정했다.

예방 유지보수는 고장이 발생하기 전에 정해진 기준에 따라 점검하는 방식이다. 예지 유지보수는 데이터에서 이상 추세를 찾아 고장 가능성이 커지는 시점을 예측하는 방식이다. 교정 유지보수는 이미 발생한 문제를 바로잡는 작업을 뜻한다.

유지보수 예측에는 합성곱 신경망이 사용됐다. 합성곱 신경망은 이미지 분석에 많이 쓰이지만, 짧은 시간 동안 나타나는 변화 패턴을 찾는 데도 활용할 수 있다.

유지보수 예측 모델은 정확도 95.87%, 정밀도 94.72%, 재현율 94.42%, F1 점수 93.97%를 기록했다. 예측 처리 시간은 약 0.5초였다.

정확도가 더 높은 모델 대신 CNN을 선택한 이유

연구진은 시간 변화 분석에 자주 쓰이는 LSTM과 GRU 모델도 비교했다. LSTM과 GRU의 정확도는 각각 98.97%로 CNN보다 높았다. F1 점수도 LSTM 97.19%, GRU 97.32%로 나타났다.

그럼에도 최종 시스템에는 CNN이 채택됐다. 이번 연구에서 사용한 관찰 기간은 3일로 비교적 짧았고, 장기적인 변화보다 가까운 시간대에 나타나는 국소적인 불량 패턴이 더 중요했기 때문이다.

CNN은 순환 신경망보다 계산 구조가 단순하고 학습에 필요한 자원이 적다. 연구진은 약간의 정확도 차이보다 실시간 처리 속도, 시스템 구현 난도, 생산라인 배치 가능성을 우선했다.

이 선택은 산업용 AI에서 중요한 기준을 보여준다. 가장 높은 정확도를 기록한 모델이 항상 현장에 가장 적합한 것은 아니다. 생산 속도를 방해하지 않으면서 안정적으로 실행되는지도 함께 고려해야 한다.

표면이 정상이라고 용접 강도까지 보장되는 것은 아니다

이번 시스템은 실제 생산라인에서 작동했고 높은 분류 성능을 기록했지만 몇 가지 한계가 있다.

가장 중요한 한계는 용접 품질을 표면 이미지로만 판단했다는 점이다. 연구에서는 용접 부위를 뜯거나 절단해 실제 접합 강도를 측정하는 파괴시험을 수행하지 않았다.

따라서 AI가 정상으로 분류한 용접점이 실제 기계적 강도에서도 안전하다고 단정할 수는 없다. 논문에서도 이번 분류는 표면 외관 평가이며, 용접의 구조적 건전성을 직접 확인한 결과로 해석해서는 안 된다고 명시했다.

데이터가 정상과 불량이라는 두 범주로만 나뉜 점도 한계다. 변형, 냉간 용접, 함몰, 용융물 배출을 각각 구분하려면 불량 유형별 데이터를 더 많이 확보해야 한다.

조명 변화, 카메라의 미세한 이동, 금속 표면 오염 같은 조건을 통제된 환경에서 따로 시험하지 않은 점도 추가 검증이 필요한 부분이다. 실제 생산 환경에서는 비교적 안정적으로 작동했지만, 장기간 운용 시에도 같은 성능이 유지되는지는 아직 확인되지 않았다.

용접 불량을 찾는 AI가 공장 운영 방식까지 바꿀 수 있다

이번 연구는 AI가 제품 검사 도구를 넘어 설비 관리 도구로 확장될 수 있음을 보여준다.

기존 방식에서는 불량이 발견된 뒤 작업자가 문제의 원인을 추적해야 했다. 이번 시스템은 불량 용접점이 어느 로봇에서 만들어졌는지 기록하고, 그 빈도가 증가하는지를 분석해 정비 우선순위까지 제시한다.

자동차 공장에서 용접 불량을 줄이는 방법은 개별 제품을 더 자주 검사하는 데만 있지 않다. 불량이 반복되는 설비를 조기에 찾고, 생산이 멈추기 전에 정비하는 것이 더 중요할 수 있다.

연구진이 제안한 전체 처리 시간은 캐빈 한 대당 평균 약 7초다. 생산 주기 안에서 시스템이 안정적으로 동작한다면 불필요한 설비 중단과 수리 비용을 줄이는 데 도움이 될 수 있다.

다만 실제 비용 절감 효과와 생산성 향상 정도는 아직 측정되지 않았다. 향후에는 장기간 데이터를 축적하고, 파괴시험으로 용접 강도를 검증하며, 유지보수 횟수와 생산 중단 시간이 실제로 얼마나 줄어드는지 확인해야 한다.

출처

Alejo-Ramirez, A., Cedeño-Moreno, R., Morales Hernandez, L. A., Jauregui-Correa, J. C., & Cruz-Albarran, I. A. (2026). An AI-based vision system for detecting defects in resistance spot welding and predicting maintenance in robotic cells. AI, 7, 291. https://doi.org/10.3390/ai7080291