용접 검사를 위한 엣지 비전 시스템 구축 가이드

섹션별 상세

01

산업용 용접 검사의 자동화는 수동 검사에서 발생하는 작업자 피로도와 병목 현상을 해결하고 100% 전수 검사를 가능하게 한다. 컴퓨터 비전 시스템은 24/7 모니터링을 통해 객관적이고 일관된 품질 관리 결과를 제공하며 불량 부품이 다음 공정으로 넘어가는 것을 즉각 차단한다.

비전 AI를 활용한 용접 검사 시스템의 개념도와 실제 결함 분석 결과 예시 — Infographic용접 부위의 이미지와 함께 Gemini가 분석한 결함 유형(Centerline Cracking) 및 개선 조치가 포함된 JSON 출력을 보여준다. 시스템이 결함을 어떻게 인식하고 분석 결과를 구조화하는지 한눈에 설명한다.

02

시스템 아키텍처는 인식 계층(Perception Layer)과 추론 계층(Reasoning Layer)의 2단계로 구성된다. 1단계인 RF-DETR 모델은 용접 부위를 빠르게 탐지하고 초기 분류를 수행하며, 2단계인 Gemini 모델은 탐지된 결함을 정밀 검증하고 실패 모드에 대한 상세한 설명을 제공하는 두뇌 역할을 한다.

Roboflow Universe에서 용접 품질 관련 데이터셋을 검색하는 화면 — Screenshot다양한 용접 결함 데이터셋이 존재함을 보여주며, 사용자가 프로젝트에 적합한 데이터를 오픈소스에서 쉽게 찾고 활용할 수 있음을 시각화한다.

03

RF-DETR 모델은 트랜스포머 기반의 탐지기로서 60 mAP 이상의 높은 정확도를 확보하여 정밀한 제조 공정에 적합하다. 이 모델은 양호한 용접, 일반 결함, 균열(Crack), 기공(Porosity), 스패터(Spatter), 과도 보강 등 6가지 주요 클래스를 구분하도록 학습되어 실시간으로 결함 위치를 식별한다.

Roboflow 플랫폼 내에서 모델 학습 버전을 관리하는 인터페이스 — Screenshot데이터셋의 버전 관리와 모델 학습 시작 버튼을 보여주며, RF-DETR 모델을 학습시키기 위한 워크플로우 단계를 설명한다.

04

금속 표면의 반사와 공장 조명 변화에 대응하기 위해 Grayscale 전처리와 조도 관련 데이터 증강을 적용한다. Grayscale은 모델이 색상 반사 대신 질감과 형상에 집중하게 하며, Saturation(-25%~+25%) 및 Brightness(-15%~+15%) 증강은 다양한 환경에서도 일관된 탐지 성능을 유지하도록 돕는다.

05

Roboflow Workflows의 조건부 로직(Continue If)을 활용하여 시스템 운영 효율을 최적화한다. 'Good_Welding' 확신도가 0.8 이상인 정상 제품은 즉시 통과시키고, 결함이 의심되는 경우에만 고비용의 Gemini 모델을 호출하여 정밀 분석을 수행함으로써 추론 비용과 지연 시간을 줄인다.

06

Gemini 모델은 구조화된 출력(Structured Output) 기능을 통해 분석 결과를 JSON 형식으로 제공한다. 결함의 주요 원인인 열 입력이나 이동 속도 등을 식별하고, '비드 폭을 넓히기 위해 이동 속도를 약간 높이라'는 식의 구체적이고 실행 가능한 개선 조치를 작업자에게 전달한다.

json

{
  "good_welding_confidence": "Report the highest confidence score for the Good_Welding class if detected; otherwise return null",
  "primary_issue_detected": "Name the most critical defect detected, or describe the main uncertainty if confidence is low (use 'None' if the weld is clearly acceptable)",
  "suggested_focus_area": "Identify the welding parameter most likely responsible for the issue (e.g., heat input, travel speed, electrode angle, shielding gas, surface preparation)",
  "ai_task_prompt": "Briefly explain the likely cause of the issue and provide specific, actionable steps to improve weld quality"
}

Gemini 블록에서 구조화된 출력을 생성하기 위해 사용하는 프롬프트 템플릿

Gemini 모델이 생성한 구조화된 JSON 분석 결과 상세 — Screenshot실제 균열이 발생한 용접 이미지에 대해 Gemini가 분석한 결함 원인과 구체적인 해결 방법(이동 속도 증가 등)이 담긴 JSON 데이터를 보여준다. 이는 시스템의 최종 출력물이 실무적으로 어떻게 활용될 수 있는지 증명한다.

용어 해설

RF-DETR: — Roboflow에서 개발한 트랜스포머 기반의 실시간 객체 탐지 모델로, 60 mAP 이상의 높은 정확도를 유지하면서도 산업 현장에서 요구되는 빠른 추론 속도를 제공한다.
평균 정밀도(mAP): — 객체 탐지 모델의 성능을 평가하는 지표로, 모델이 객체의 위치를 얼마나 정확하게 찾고 올바르게 분류했는지를 종합적으로 나타내는 수치이다.
멀티모달 모델(Multimodal Model): — 텍스트뿐만 아니라 이미지, 비디오, 오디오 등 서로 다른 형태의 데이터를 동시에 처리하고 이해하여 복합적인 추론을 수행할 수 있는 AI 모델이다.
엣지 AI(Edge AI): — 데이터가 생성되는 현장 기기(엣지)에서 직접 AI 추론을 수행하는 기술로, 클라우드 전송 지연을 없애 실시간 응답이 필요한 제조 공정 등에 필수적이다.
데이터 증강(Data Augmentation): — 기존 이미지에 회전, 밝기 조절, 노이즈 추가 등의 변형을 가해 학습 데이터셋을 인위적으로 확장함으로써 모델의 일반화 성능과 강건성을 높이는 기법이다.

기술

RF-DETR
Google Gemini
Roboflow Workflows
Roboflow Universe
NVIDIA Jetson

활용 사례

실시간 용접 결함 탐지
제조 공정 자동 품질 검사
불량 원인 분석 및 가이드 생성

언급된 리소스

GitHubWeld Quality Inspection Dataset

API DocsRoboflow Workflows Documentation

용접 검사를 위한 엣지 비전 시스템 구축 가이드

섹션별 상세

용어 해설

기술

활용 사례

언급된 리소스

관련 토론

댓글

관련 기사

컴퓨터 비전으로 Torque seal을 검증하는 방법

로봇 팔과 RF-DETR을 활용한 자동 결함 탐지 시스템 구축하기

관련 토론

댓글

관련 기사

컴퓨터 비전으로 Torque seal을 검증하는 방법

로봇 팔과 RF-DETR을 활용한 자동 결함 탐지 시스템 구축하기