Challenge
배터리의 실시간 생산 환경에서는 배터리 1개당 2초 이내로 추론을 완료해야 하고, 밝기 변화나 카메라 구도 변경 등 생산 라인 가동 중 발생하는 환경적 변화에도 모델 성능이 저하되지 않도록 재학습 및 배포 체계가 필요합니다. 비전 검사 X-Ray를 통해 촬영된 이미지에서 배터리가 없거나 잘려 보이는 비정상 촬상 이미지를 분류해 이물질, 전극 휘어짐 등 다양한 불량 여부를 정확하게 판단할 수 있는 AI 모델 운영 체계(MLOps)를 구현합니다.
Approach
불량 배터리를 판단하는 불량 기준을 재정립한 AI 모델을 개발해 데이터셋 품질을 개선하고 불량을 잘 탐지할 수 있는 방향으로 모델을 학습합니다. 빠른 추론을 위해 속도와 성능의 트레이드 오프(trade-off)를 고려해 CNN 계열 모델을 비교하고 최적의 모델을 선정합니다. 또한 많은 데이터를 학습한 베이스 모델을 활용해 적은 양의 데이터로도 빠르게 모델을 학습하고, 단기간에 변화된 운영 상황에 대응할 수 있도록 합니다. 생산 중인 배터리 이미지를 분석해 정상 촬상과 비정상 촬상을 구별할 수 있는 특징의 탐색이 가능합니다.
Value Delivered
4개의 생산 라인에 AI 모델을 배포하고 운영하며, 실시간 불량 검출을 통해 배터리 생산의 품질 관리 효율성을 극대화합니다. 추가 공장과 생산 라인으로 확산하며 보다 넓은 생산 환경에서 AI 기반 품질 검사를 확장성 있게 적용합니다.
