모든 용접점을, 사람 눈보다
정밀하게 전수검사합니다
용접부 영상과 전류·전압·파워 등 공정 신호를 융합 분석해 기공·언더컷·스패터·균열을 실시간 판별합니다. 결함의 좌표와 등급이 셀/부품 ID별 품질 이력으로 남아, 검사가 곧 품질 데이터가 됩니다.
영상 + 공정 신호 동기 수집
용접 트리거와 동기화된 비드 영상 · 전류/파워 파형
영상 × 신호 융합 분석
표면 결함과 내부 품질 징후를 함께 판단
결함 분류 · 측위
유형 분류 + 픽셀 좌표 + 비드 형상 측정
판정 · 품질 이력
셀/부품 ID별 판정과 근거 이미지를 MES로 전송
영상만으로도, 신호만으로도 놓치는 것이 있습니다
표면은 깨끗한데 내부 기공이 있는 용접, 신호는 정상인데 스패터가 튄 용접 — 한쪽만 보면 놓칩니다. LINE WELD는 두 정보를 한 판정 안에서 융합해 검출률과 신뢰도를 함께 끌어올립니다.
동기 수집
용접 트리거 신호에 맞춰 비드 영상과 전류·전압·파워 파형을 타점 단위로 정렬 수집
융합 분석
영상 특징(형상·표면)과 신호 특징(에너지·안정성)을 결합한 판정 모델
분류 · 측위
기공 · 언더컷 · 스패터 · 균열 유형 분류, 픽셀 좌표 측위, 비드 폭/높이 정량 측정
이력 · 판정
타점별 판정 + 근거 이미지 저장, NG 시 PLC 인터락 · MES 품질 이력 전송
* 판정 근거 이미지가 함께 저장되어, 고객사 품질 감사와 클레임 대응 자료로 그대로 활용됩니다.
영상 × 신호 융합 판정
비드 외관과 용접 에너지 패턴을 동시에 봅니다. 표면 결함은 영상이, 용입 불량 같은 내부 품질 징후는 신호가 먼저 말해줍니다.
비드 형상 정량화
합격/불합격을 넘어 비드 폭 · 높이 · 연속성을 수치로 측정합니다. 형상 트렌드가 흔들리면 결함이 나기 전에 공정 조정 신호를 줍니다.
정상학습 + 소량 라벨
정상 용접 학습 기반 이상탐지에, 보유한 소량의 결함 샘플로 유형 분류기를 얹는 하이브리드 구성. 데이터 부담을 최소화합니다.
로봇 · 지그 무개조
기존 용접 로봇과 지그는 그대로 두고 카메라와 신호 탭만 추가합니다. 사이클 타임에 영향을 주지 않는 애드온 방식입니다.
적용 케이스 분석
레이저 · 아크 · 스팟 — 방식이 달라도, 융합 검사의 원리는 같습니다.
6개월간 유출 불량 0건
모듈·팩의 부스바 레이저 용접을 육안 전수검사했지만, 미세 기공·언더컷이 월 2~3건 후공정에서 발견됐습니다. 배터리 특성상 화재·리콜 리스크와 직결되는 문제였습니다.
동축 카메라 영상과 레이저 파워 신호를 융합 분석하고, 타점별 판정을 셀 ID에 매핑해 전수 이력화했습니다.
도입 후 6개월 유출 불량 0건. 검사 인력은 판정 검증·공정 개선으로 재배치되고, 용접 이력은 고객 감사 대응 자료가 됐습니다.
수천 타점, 샘플검사에서 전수검사로
차체당 수천 개 스팟 타점을 파괴검사 샘플링으로만 관리해, 로트 사이 품질 공백이 존재했습니다.
용접 전류·저항 파형의 정상 패턴 학습으로 타점별 실시간 판정을 구축하고, 이상 타점은 위치와 함께 즉시 표시했습니다.
전 타점 실시간 감시로 전환되어 파괴검사 빈도가 줄고, 전극 마모에 따른 품질 저하 추세도 조기에 관리됩니다.
열악한 조도에서도 흔들리지 않는 판정
두꺼운 판재의 아크 용접은 흄과 강한 아크광으로 촬상 환경이 열악해 기존 비전 검사가 자리 잡지 못했습니다.
공정에 맞춘 광학계 · 필터 설계와 함께, 아크 신호를 보조 판정 축으로 활용하는 융합 구성을 적용했습니다.
흄·광 간섭 조건에서도 판정 신뢰도가 유지되고, 용접사별 품질 편차가 데이터로 관리되기 시작했습니다.
* 수치와 시나리오는 대표 적용 사례 기준이며, 공정·데이터 환경에 따라 달라질 수 있습니다.