배터리 공정 및 장비

코팅 결함 비전 검사와 AI 판정

| 조회 0 |
0
|
from.
(주)시노프로

두께계나 중량계는 코팅이 얼마나 두꺼운지는 알려주지만, 코팅에 뚫린 구멍이나 박힌 금속 조각은 읽지 못합니다. 그런 결함은 셀 안에 들어가고 나면 되돌릴 수 없죠. 그래서 양산 라인은 달리는 전극 표면을 전부 촬영하고 그 자리에서 결함을 골라냅니다. 이것이 코팅 결함 비전 검사(Vision Inspection)와 AI 판정입니다.

출처: OPT Machine Vision YouTube
출처: OPT Machine Vision YouTube

👉 코팅 결함은 어떤 얼굴을 하고 있을까요?

독일 TU 브라운슈바이크와 ISRA Vision의 공동 연구는 전극 코팅 결함을 여덟 가지로 나눕니다. 이름은 비슷해 보여도 원인도 위험도도 전혀 다르죠. 대표적인 다섯 가지는 다음과 같습니다.

핀홀 (Pinhole): 슬러리 안의 기포가 터지며 생긴 둥근 맨살입니다. 크기는 보통 100~200µm입니다.

응집체 (Agglomerate): 분산이 덜 된 활물질 덩어리입니다. 100~500µm까지 커져 분리막을 찌르고 단락을 만들 수 있어 가장 위험한 축에 듭니다.

스트라이프 (Stripe): 이물이 코팅 갭을 막아 생긴 세로줄 맨살입니다. 초기에 잡지 못하면 수 미터까지 이어집니다.

머드 크랙 (Mud Crack): 과건조나 바인더 부족으로 코팅층이 갈라져 포일이 드러난 상태입니다. 말라붙은 논바닥처럼 갈라진 모습이죠.

이물 (Contamination): 보푼이나 금속 분진입니다. 보푼은 큰 문제가 아니지만 금속은 단락으로 직결됩니다.

나머지는 코팅 크랙과 슬립 그리고 미세 압흔입니다. 코팅 크랙과 미세 압흔은 압연 과정에서 대부분 사라지지만, 웹 장력이 흐트러져 생기는 슬립은 폐기로 이어집니다.

출처: MDPI Batteries 2023, 9(2), 111, Fig. 3 (CC BY 4.0)
출처: MDPI Batteries 2023, 9(2), 111, Fig. 3 (CC BY 4.0)

👉 명시야와 암시야를 왜 같이 볼까요?

전극 표면은 검고 광택이 있어서 조명 하나로는 결함이 배경에 묻힙니다. 그래서 검사 유닛은 조명 두 벌을 번갈아 켭니다.

명시야 (Bright Field): LED를 카메라의 반사각에 두고 직접 반사광을 받습니다. 맨살이 드러난 핀홀과 머드 크랙 그리고 스트라이프가 밝게 튀어 보이죠.

암시야 (Dark Field): LED를 반사각 밖에 두고 흩어진 빛만 받습니다. 높이를 가진 응집체가 그림자를 드리우고 가는 크랙도 선으로 살아납니다. 쉽게 말해 손전등을 비스듬히 비춰 표면의 굴곡을 보는 원리죠.

앞서 소개한 연구의 파일럿 설비는 8192픽셀 라인스캔 카메라 두 대와 LED 어레이 두 벌을 썼습니다. 픽셀 크기는 35µm × 37.5µm였죠. 라인스캔 카메라는 한 줄씩 찍어 이어 붙이는 카메라로, 끝없이 흘러가는 전극을 찍기에 알맞습니다.

출처: MDPI Batteries 2023, 9(2), 111, Fig. 1 (CC BY 4.0)
출처: MDPI Batteries 2023, 9(2), 111, Fig. 1 (CC BY 4.0)

속도도 중요합니다. 상용 웹 검사 플랫폼은 대체로 분당 120~400m에서 20~100µm 분해능을 제시합니다. 한 독일 검사 장비사는 전극 포일 위의 10µm 입자를 자동으로 잡아낸다고 밝힌니다. 분리막 두께가 10~40µm인 점을 생각하면 이 크기부터가 관통 위험 구간이죠.

검사 유닛은 보통 건조 직후, 압연 앞에 놓입니다. 압연을 지난 전극은 광택이 세지고 잔주름이 생겨 같은 결함도 훨씬 읽기 어려워지기 때문입니다.

즉, 두 가지 조명으로 보아야 맨살형 결함과 돌출형 결함을 모두 잡을 수 있습니다.


👉 AI 판정은 무엇을 바꾸고 있을까요?

밝기 차이로 이상 지점을 찾는 일까지는 오래된 기술입니다. 그 점이 핀홀인지 이물인지 가르는 일이 병목이죠.

특징 기반 분류 (Feature-based): 결함마다 형상·밝기 같은 특징을 계산해 분류기에 넣습니다. 같은 연구에서는 결함 하나당 44개 특징을 뽑아 총 820개를 학습시켰고, 95.0% 정확도를 얻었습니다.

딥러닝 (Deep Learning): 사람이 특징을 고르지 않고 모델이 이미지에서 직접 배웁니다. 같은 데이터에 ResNet-18을 적용하자 96.3%가 나왔죠. 이물은 전부 맞혔고 코팅 크랙은 오히려 특징 기반 쪽이 나았습니다. 두 방식은 대체가 아니라 약한 지점이 서로 다른 관계입니다.

현장에서 발목을 잡는 것은 미검보다 과검입니다. 2025년 공개된 전극 제조 이상탐지 벤치마크에서는 오탐률을 60.4%에서 54.3%로 낮췄지만, 여전히 절반 이상이 헛경보였죠. 정상을 불량으로 찍으면 멀쩡한 전극이 버려지고 작업자는 알람을 무시하기 시작합니다.

그래서 데이터 자체가 자산이 됩니다. 2026년 공개된 CoatingVision 데이터셋은 슬롯다이 코팅 이미지 2,200장 이상에 픽셀 단위 라벨을 붙여 모델 비교를 가능하게 했습니다.

마지막은 추적입니다. 검사 장비에 잉크젯 프린터와 데이터매트릭스(DMC) 코드 리더를 붙이면 결함 하나하나를 코드에 자동으로 매달 수 있습니다. 그러면 어느 셀에 어떤 결함이 들어갔는지까지 관리되고, 문제 구간만 잘라내는 판단이 가능해지죠.

즉, AI의 숙제는 정확도보다 헛경보를 줄이는 일입니다.


마무리하며

코팅 비전 검사는 결함을 보는 눈과 결함을 가르는 머리로 나뉩니다. 명시야와 암시야를 번갈아 비추는 조명이 눈을 만들고 특징 기반 분류와 딥러닝이 머리를 맡죠. 정확도 95~96%는 이미 높은 수준이지만 오탐률 50%대는 아직 갈 길이 남았다는 뜻입니다. 검사 데이터가 DMC 추적으로 셀 단위까지 이어지면 문제 구간만 도려내는 운영이 표준이 될 것으로 보입니다.

다가올 뉴스레터가 궁금하신가요?

지금 구독해서 새로운 레터를 받아보세요

✉️

이번 뉴스레터 어떠셨나요?

시노프로 님에게 ☕️ 커피와 ✉️ 쪽지를 보내보세요!

댓글

의견을 남겨주세요

확인
의견이 있으신가요? 제일 먼저 댓글을 달아보세요 !

다른 뉴스레터

이웃 뉴스레터 Beta

비슷한 이야기를 하는 다른 뉴스레터의 글이에요.

© 2026 시노프로

(주)시노프로(SINOPRO)가 이차전지 산업 동향과 핵심 제조기술을 한눈에 정리한 뉴스레터입니다.

메일리 로고

도움말 오류 및 기능 관련 제보

서비스 이용 문의admin@team.maily.so 채팅으로 문의하기

메일리 사업자 정보

메일리 (대표자: 이한결) | 대표번호: 070-8027-1409 | 사업자번호: 717-47-00705 | 서울특별시 송파구 위례광장로 199, 5층 501-2-31호

이용약관 | 개인정보처리방침 | 정기결제 이용약관 | 라이선스