KR20220037664A - 리튬 이차 전지의 검사 방법 - Google Patents

리튬 이차 전지의 검사 방법 Download PDF

Info

Publication number
KR20220037664A
KR20220037664A KR1020200120405A KR20200120405A KR20220037664A KR 20220037664 A KR20220037664 A KR 20220037664A KR 1020200120405 A KR1020200120405 A KR 1020200120405A KR 20200120405 A KR20200120405 A KR 20200120405A KR 20220037664 A KR20220037664 A KR 20220037664A
Authority
KR
South Korea
Prior art keywords
image data
lithium secondary
secondary battery
defect
region
Prior art date
Application number
KR1020200120405A
Other languages
English (en)
Other versions
KR102680595B1 (ko
Inventor
홍승균
이종명
Original Assignee
주식회사 엘지에너지솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to KR1020200120405A priority Critical patent/KR102680595B1/ko
Priority to US18/023,940 priority patent/US20230327222A1/en
Priority to EP21869522.9A priority patent/EP4187673A1/en
Priority to PCT/KR2021/009281 priority patent/WO2022059898A1/ko
Priority to CN202180054863.5A priority patent/CN116075961A/zh
Publication of KR20220037664A publication Critical patent/KR20220037664A/ko
Application granted granted Critical
Publication of KR102680595B1 publication Critical patent/KR102680595B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/04—Construction or manufacture in general
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4228—Leak testing of cells or batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Materials Engineering (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명은 리튬 이차 전지의 검사 방법에 관한 것으로, 각 분할 영역 및 각 영역에서 발생하는 불량의 종류별로 인공 신경망 학습을 진행하여, 검사 결과의 신뢰성, 정확성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 검사 방법에 관한 것이다.

Description

리튬 이차 전지의 검사 방법 {INSPECTION METHOD FOR LITHIUM SECONDARY BATTERY}
본 발명은 리튬 이차 전지의 검사 방법에 관한 것으로, 각 분할 영역 및 각 영역에서 발생하는 불량의 종류별로 인공 신경망 학습을 진행하여, 검사 결과의 신뢰성, 정확성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 검사 방법에 관한 것이다.
최근, 대기 오염이나 지구 온난화에 대처하기 위해, 이산화탄소량의 저감이 절실히 요망되고 있다. 자동차 업계에서는, 전기 자동차(EV)나 하이브리드 전기 자동차(HEV)의 도입에 의한 이산화탄소 배출량의 저감에 기대가 모아지고 있고, 이들의 실용화를 위해 리튬 이차 전지의 개발 및 상업화가 활발히 진행되고 있다.
이러한 리튬 이차 전지는 제조 및 활성화 공정이 완료된 후, 불량품을 제거하기 위한 외관 검사가 진행된다. 이러한 외관 검사 과정에서는, 리튬 이차 전지의 각 외부면 및 영역별로 덴트 불량, 전해액 누설 및 투입 불량, 싱크 불량, 스크래치 불량, 표면 오염 및 와셔 불량 등 다수의 불량 발생 여부가 검사된다.
최근 들어 리튬 이차 전지의 양산성 향상이 크게 요구됨에 따라, 상기 리튬 이차 전지의 외관 검사에 자동 검사 설비를 도입하고자 하는 시도가 다수 이루어진 바 있다. 그런데, 상기 외관 검사 과정에서 검사가 필요한 불량의 종류가 매우 다수이고, 리튬 이차 전지의 각 외부면 및 영역별로 주로 발생하는 불량의 종류 역시 달라짐에 따라, 이러한 자동 검사 설비의 신뢰성 및 정확도는 상당히 낮았던 것이 사실이다. 예를 들어, 본 발명자들이 2010년부터 2015년까지 상기 자동 검사 설비의 정확도를 확인한 축적 데이터에 따르면, 상기 자동 검사 설비를 사용한 리튬 이차 전지의 외관 검사 수행 후, 불량의 미검출율이 약 4.1%에 이르며, 실제로는 불량이 아닌 전지의 불량 검출율, 즉, 과검출율 역시 약 46.6%에 이를 정도로 그 검사의 신뢰성 및 정확도가 매우 낮음이 확인되었다.
이러한 문제점으로 인해, 상기 자동 검사 설비의 문제점을 보완하는 방향으로 리튬 이차 전지의 외관 검사가 진행되고 있다. 보다 구체적으로, 최근에는 리튬 이차 전지의 각 외부면에 대한 이미지 데이터들을 실제 검사원이 검증하여 모니터링 하는 방식으로, 자동 검사 설비의 낮은 정확도 및 신뢰성이 보완되고 있다.
그러나, 이러한 방법 역시 검사원의 경험이나 피로도에 따라, 검사 결과의 정확도 및 신뢰도에 상당한 편차가 있었으며, 더 나아가 리튬 이차 전지의 양산성 및 공정 비용에 상당한 악영향을 미치는 문제점이 있다.
이에 따라, 리튬 이차 전지의 양산성을 저해하지 않으면서도, 보다 높은 신뢰성 및 정확도로 리튬 이차 전지의 외관 검사를 수행할 수 있는 방법의 개발이 계속적으로 요구되고 있다.
이에 본 발명은 인공 신경망 기술을 통해, 검사 결과의 신뢰성, 정확성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 검사 방법을 제공하는 것이다.
본 발명은 제조 및 활성화된 리튬 이차 전지의 외관 검사를 수행할 복수의 면을 결정하고, 상기 복수의 면 각각을 불량의 종류별로 하나 이상의 영역으로 구분하여, 이들 각 영역에 대한 제 1 이미지 데이터들을 축적하는 제 1 단계;
상기 각 영역에서 발생하는 불량의 종류별로, 정상 또는 불량이 확인된 기존 이미지 데이터들을 포함한 제 2 이미지 데이터들을 구축하는 제 2 단계;
인공 신경망에서, 상기 제 1 및 제 2 이미지 데이터를 상호 비교하여, 상기 각 영역 및 불량의 종류별로 상기 리튬 이차 전지의 정상 또는 불량 여부를 1차 판단하는 제 3 단계;
상기 1차 판단 결과로부터, 불량 미검출 또는 오검출을 판단하고, 그 판단 결과를 피드백하여 상기 인공 신경망을 학습시키는 제 4 단계;
상기 학습 결과를 기반으로, 상기 각 영역별 및 불량의 종류별로 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 제 5 단계; 및
검사 대상 리튬 이차 전지의 상기 각 영역별 이미지 데이터를 상기 제 3 이미지 데이터와 비교하여, 상기 검사 대상 리튬 이차 전지의 정상 또는 불량 여부를 결정하는 제 6 단계를 포함하는 리튬 이차 전지의 검사 방법을 제공한다.
본 발명은 인공 신경망 학습을 통해, 자동 검사 설비를 사용한 리튬 이차 전지의 외관 검사의 정확도, 신뢰성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 검사 방법을 제공한다.
이러한 검사 방법에 따르면, 실제 검사원에 의하지 않은 자동 검사 설비를 적용하더라도, 검사 결과의 불량 미검출율 및 과검출율을 약 0.01% 이하 및 약 10% 이하로 크게 낮출 수 있음이 확인되었다.
특히, 본 발명의 검사 방법에서는, 리튬 이차 전지의 각 영역별로 분할된 이미지 데이터들을 형성하고, 이러한 각 영역별로 주로 발생하는 불량의 종류별로 별도의 인공 신경망 학습 및 검사를 진행함에 따라, 검사 결과의 신뢰성 및 정확도를 더욱 높일 수 있으며, 더 나아가 인공 신경막 학습 및 검사 과정을 효율화하고, 검사 속도를 더욱 높일 수 있다.
따라서, 본 발명의 검사 방법은 리튬 이차 전지의 양산성 및 불량율 감소에 크게 기여할 수 있다.
도 1은 일 구현예의 검사 방법이 진행되는 리튬 이차 전지의 검사 시스템 및 검사 과정을 간략화하여 나타낸 모식도이다.
도 2는 일 구현예의 검사 방법에서, 각 영역별로 분할 및 구분된 이미지 데이터들을 생성하고, 이들 각 영역별로 주로 발생하는 불량의 발생 여부를 인공 신경망 학습 및 검사하는 과정을 개략적으로 나타낸 도면이다.
본 발명에서, 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용되며, 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.
또한, 본 명세서에서 사용되는 용어는 단지 예시적인 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도는 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다", "구비하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 구성 요소 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 구성 요소, 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 예시하고 하기에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하, 일 구현예에 따른 리튬 이차 전지의 검사 방법에 대해 첨부한 도면을 참고로 설명하기로 한다. 도 1은 일 구현예의 검사 방법이 진행되는 리튬 이차 전지의 검사 시스템 및 검사 과정을 간략화하여 나타낸 모식도이며, 도 2는 일 구현예의 검사 방법에서, 각 영역별로 분할 및 구분된 이미지 데이터들을 생성하고, 이들 각 영역별로 주로 발생하는 불량의 발생 여부를 인공 신경망 학습 및 검사하는 과정을 개략적으로 나타낸 도면이다.
발명의 일 구현예에 따르면, 제조 및 활성화된 리튬 이차 전지의 외관 검사를 수행할 복수의 면을 결정하고, 상기 복수의 면 각각을 불량의 종류별로 하나 이상의 영역으로 구분하여, 이들 각 영역에 대한 제 1 이미지 데이터들을 축적하는 제 1 단계;
상기 각 영역에서 발생하는 불량의 종류별로, 정상 또는 불량이 확인된 기존 이미지 데이터들을 포함한 제 2 이미지 데이터들을 구축하는 제 2 단계;
인공 신경망에서, 상기 제 1 및 제 2 이미지 데이터를 상호 비교하여, 상기 각 영역 및 불량의 종류별로 상기 리튬 이차 전지의 정상 또는 불량 여부를 1차 판단하는 제 3 단계;
상기 1차 판단 결과로부터, 불량 미검출 또는 오검출을 판단하고, 그 판단 결과를 피드백하여 상기 인공 신경망을 학습시키는 제 4 단계;
상기 학습 결과를 기반으로, 상기 각 영역별 및 불량의 종류별로 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 제 5 단계; 및
검사 대상 리튬 이차 전지의 상기 각 영역별 이미지 데이터를 상기 제 3 이미지 데이터와 비교하여, 상기 검사 대상 리튬 이차 전지의 정상 또는 불량 여부를 결정하는 제 6 단계를 포함하는 리튬 이차 전지의 검사 방법이 제공된다.
본 발명자들은 인공 신경망 기술을 이용하여, 리튬 이차 전지의 외관 검사의 정확도, 신뢰성 및 재현성을 보다 높이면서도, 인공 신경망의 학습 및 데이터 처리 과정과, 속도를 보다 향상시키기 위해 연구를 계속하였다.
이러한 연구 결과, 리튬 이차 전지의 외관 검사시 주로 확인되어야 할 불량의 종류를 주로 발생하는 영역별로 구분하고, 리튬 이차 전지의 복수의 외부면을 이러한 영역별, 그리고 각 영역에서 주로 발생하는 불량의 종류별로 구분하여 데이터 베이스를 구축하였다.
이러한 데이터 베이스를 기반으로, 상기 복수의 외부면을 다시 각 영역별로 구분하여, 이러한 각 영역별로 분할 생성된 제 1 이미지 데이터들을 축적하였다. 또한, 상기 각 영역별로 주로 발생하는 불량의 종류를 고려하여, 기존에 각 불량의 종류별로 정상 또는 불량이 확인된 이미지 데이터들을 포함하는 제 2 이미지 데이터들을 구축하였으며, 상기 제 1 및 제 2 이미지 데이터들의 상호 대비와, 피드백 과정을 통해 인공 신경망 학습을 진행하였다.
이와 같이, 각 영역별로 분할된 이미지 데이터들을 기준으로, 각 영역에서 주로 발생하는 불량의 종류를 특정하여 인공 신경망 학습을 진행함에 따라, 인공 신경망 내의 데이터 처리 과정 및 속도를 크게 향상시켰다.
또, 상기 인공 신경망 학습 후에는, 이러한 학습 결과를 기반으로, 검사 기준으로서의 제 3 이미지 데이터를 결정하고, 이러한 제 3 이미지 데이터를 기준으로, 검사 대상 리튬 이차 전지의 각 영역별 이미지 데이터와 비교하여, 리튬 이차 전지의 외관 검사를 자동 수행하였다.
이러한 인공 신경망 학습을 거친 전지의 외관 검사의 자동 수행에 따라, 자동 검사 설비를 사용한 리튬 이차 전지의 외관 검사의 정확도, 신뢰성 및 재현성을 크게 향상시킬 수 있음이 확인되었다. 특히, 본 발명자들이 이러한 검사 방법을 내부적으로 실시하여 데이터를 축적한 결과, 실제 검사원에 의하지 않은 자동 검사 설비를 적용하더라도, 검사 결과의 불량 미검출율 및 과검출율을 약 0.01% 이하(구체적으로, 약 0.0016%) 및 약 10% 이하(구체적으로, 약 7.37%)로 낮추어, 리튬 이차 전지의 외관 검사의 신뢰성, 정확도 및 재현성을 크게 향상시킬 수 있는 것으로 확인되었다.
따라서, 일 구현예의 검사 방법은 리튬 이차 전지의 외관 검사를 자동 검사를 통해 수행하더라도, 검사 결과의 신뢰성 및 정확도를 크게 높일 수 있으며, 더 나아가 인공 신경망 학습 및 검사 과정을 효율화하고, 검사 속도를 더욱 높일 수 있다. 그러므로, 이러한 방법은 리튬 이차 전지의 양산성 향상 및 공정 비용 감소에 크게 기여할 수 있다.
이러한 일 구현예의 검사 방법을 각 단계별로 구체적으로 설명하면 다음과 같다.
먼저, 상기 일 구현예의 방법에서는, 제조 및 활성화된 리튬 이차 전지의 외관 검사를 수행할 복수의 면을 결정하고, 상기 복수의 면 각각을 불량의 종류별로 하나 이상의 영역으로 구분하여, 이들 각 영역에 대한 제 1 이미지 데이터들을 축적한다.
예를 들어, 상기 리튬 이차 전지가 원통형, 각형 또는 파우치형 리튬 이차 전지로 될 경우, 상기 복수의 면은 리튬 이차 전지의 상부면, 일 측면 및 하부면으로 결정될 수 있다.
또, 상기 제 1 단계에서는, 기존의 외관 검사 결과 데이터 베이스를 바탕으로, 리튬 이차 전지의 외관 검사시 주로 확인되어야 할 불량의 종류를 주로 발생하는 영역별로 구분하고, 해당 영역별로 별도 구분 및 분할된 각 영역별 제 1 이미지 데이터들을 생성 및 축적하였다. 특히, 각 영역별 이미지 데이터들은, 예를 들어, 도 2에도 도시된 바와 같이, 나머지 영역을 제외하고, 해당 영역 역시 기하학적 선으로 이루어진 도형의 형태로 간략화하였다. 이를 통해, 이후의 인공 신경망 내의 데이터 처리 및 학습 과정을 효율화하였다.
이러한 제 1 이미지 데이터들의 생성 및 축적에 있어서는, 상기 각 영역을 불량의 종류별로 구분하여 정의 및 구분할 수 있다.
구체적인 일 실시예에 따르면, 상기 리튬 이차 전지의 상부면은 덴트(DENT) 불량 등이 발생하는 제 1 영역(도 2의 T2), 전해액 누설 불량 및 와셔(WASHER) 불량 등이 발생하는 제 2 영역(도 2의 T3) 및 전해질 투입 불량 등이 발생하는 제 3 영역(도 2의 T1)으로 구분될 수 있다.
또한, 상기 리튬 이차 전지의 하부면에서는, 덴트(DENT) 불량, 스크래치 불량, 싱크(SINK) 불량 및 표면 오염 등이 발생하는 제 4 영역(도 2의 B1)이 선택되어, 이러한 제 4 영역에 대한 이미지만이 선택적으로 취해질 수 있다.
또, 상기 리튬 이차 전지의 일 측면은 덴트(DENT) 불량 등이 발생하는 제 5 영역(도 2의 S3~S5) 및 더블 와셔(DOUBLE WASHER) 불량 등이 발생하는 제 6 영역(도 2의 S2)으로 구분될 수 있다.
즉, 이상과 같이 불량의 종류별로 전지의 각 외부면이 복수의 영역으로 구분되고, 이러한 각 영역에 대한 이미지 데이터들을 취한 후, 이로부터 나머지 영역을 제외하고 해당 이미지 데이터를 간략화하는 방법으로, 제 1 이미지 데이터들을 축적할 수 있다. 참고로, 이후 단계에서 생성 및 축적되는 이미지 데이터들 역시 이러한 영역 구분되어 간략화된 이미지 데이터에 준하여 생성 및 축적할 수 있다.
따라서, 일 구현예의 방법에서, 상기 제 1 이미지 데이터들은 리튬 이차 전지의 상부면, 하부면 및 일 측면에 해당하는 이미지 데이터들을 포함할 수 있고, 각 외부면의 이미지 데이터들은 상술한 각 영역, 예를 들어, 상부면의 제 1 내지 제 3 영역, 일 측면의 제 4 영역 및 하부면의 제 5 및 제 6 영역별로 선택적으로 분할 및 간략화된 영역별 이미지 데이터들을 포함할 수 있다. 또, 후술하는 제 2 및 제 3 이미지 데이터와, 검사 대상 전지의 이미지 데이터 역시 동일한 방법으로 각 영역별 분할 이미지 데이터들을 포함한다.
한편, 일 구현예의 방법의 제 2 단계에서는, 상술한 제 1 이미지 데이터들과는 별도로, 각 대응 영역별로 주로 발생하는 상술한 불량의 종류를 고려하여, 기존에 각 불량의 종류별로 정상 또는 불량이 확인된 각 영역별/불량 종류별 이미지 데이터들을 포함하는 제 2 이미지 데이터들을 구축한다. 이러한 제 2 이미지 데이터는 각 불량의 종류별로 정상 또는 불량이 확인된 이미지 데이터들을 별도 포함함을 제외하고는 제 1 이미지 데이터와 마찬가지 방법으로 구축될 수 있다.
이후, 제 3 및 제 4 단계에서는, 상기 제 1 및 제 2 이미지 데이터들을 상호 대비하여, 불량의 발생 여부에 대한 1차 판단을 진행하고, 이러한 1차 판단 결과의 불량 미검출 또는 오검출을 피드백하여 인공 신경망을 학습하는 과정을 진행한다.
일 구현예의 방법에서 적용 가능한 인공 신경망 또는 딥 러닝 시스템의 종류는 특히 제한되지 않으며, 이전부터 이미지 데이터의 처리 및 판단이 가능한 것으로 알려진 임의의 인공 신경망 시스템을 적용할 수 있다.
예를 들어, 상기 인용 신경망은 입력층, 출력층 및 은닉층을 포함할 수 있는데, 입력층에서는 상기 제 1 이미지 데이터들을 입력하며, 은닉층에서는 이를 제 2 이미지 데이터들과 대비하여 출력층에서 각 영역별/불량의 종류별로 정상 또는 불량 여부를 1차 판단한 결과를 출력한다.
이러한 1차 판단한 결과는, 기입력된 다른 이미지 데이터들과 비교되거나, 인공 신경망 운용자에 의해 불량의 미검출 또는 오검출 여부가 판단되어, 이러한 미검출 또는 오검출 여부가 피드백된다.
이와 같이 각 영역별/불량의 종류별 불량 발생 여부가 1차 판단되고, 1차 판단 결과의 오류 여부가 피드백되며, 더 나아가 각 영역별 데이터들이 교차 참조 및 피드백되는 과정을 통해, 각 영역별/불량의 종류별로 불량의 발생 여부를 판단하는 기준 데이터의 정확도 및 신뢰성이 크게 향상될 수 있다. 한편, 상술한 이미지 데이터 기반 불량 여부 판단이나 피드백 과정을 보다 효율적으로 진행하기 위해, 예를 들어, 이미지 데이터의 학습 및 인식에 특화되며, 상술한 데이터 처리 과정을 포함하는 것으로 알려진 합성곱 신경망 시스템 (Convolutional Neural Network, CNN;　https://ellun.tistory.com/104　[Ellun's Library] 또는 https://en.wikipedia.org/wiki/Kernel_(image_processing) 등 참조) 등의 인공 신경망 시스템을 적절히 사용할 수 있다.
한편, 상술한 제 3 및 제 4 단계에서, 인공 신경망 학습을 진행한 결과를 바탕으로, 상술한 각 영역별 및 불량의 종류별로 정상 또는 불량의 기준이 최종 설정되어 분류된 제 3 이미지 데이터가 결정될 수 있다.
이러한 제 3 이미지 데이터는, 상술한 제 3 단계와 동일한 방법으로, 검사 대상 리튬 이차 전지의 상기 각 영역별 이미지 데이터와 대비되어, 검사 대상 리튬 이차 전지의 정상 또는 불량 여부가 최종 결정될 수 있다. 이때, 상기 제 3 이미지 데이터는 인공 신경망 학습을 통해 정확도 및 신뢰성이 크게 향상된 검사 기준이 되므로, 이를 기준으로 하여 상기 검사 대상 리튬 이차 전지의 각 영역별 / 불량의 종류별 불량 발생 여부를 매우 높은 정확도로 검사할 수 있다.
한편, 상술한 일 구현예의 검사 방법은, 상기 리튬 이차 전지의 상부면, 하부면 및 일 측면 각각에 대해, 직렬적/순차적으로 수행되거나, 혹은 이들 각 외부면에 대해 동시에 병렬적으로 수행될 수도 있다. 즉, 상술한 제 1 단계에서 구축된 제 1 이미지 데이터들을 각 외부면에 대한 데이터들로 구분하여, 상술한 제 2 단계 내지 제 4 단계가 순차적 또는 병렬적으로 진행될 수 있다.
이들 각 외부면의 검사가 직렬적/순차적으로 진행되는 경우, 전체적 검사 과정이 보다 신속하게 진행될 수 있고, 이들 검사가 동시에 병렬적으로 진행될 경우, 상호 데이터의 참조 하에 검사의 신뢰성이 더욱 향상될 수 있다.
또한, 각 외부면의 검사가 별개로 진행됨에 따라, 인공 신경망은 불량의 종류별 학습 결과를 기반으로, 하나 이상의 구분된 영역에 대한 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 각 외부면에 대해 별도로 결정할 수 있다.

Claims (7)

  1. 제조 및 활성화된 리튬 이차 전지의 외관 검사를 수행할 복수의 면을 결정하고, 상기 복수의 면 각각을 불량의 종류별로 하나 이상의 영역으로 구분하여, 이들 각 영역에 대한 제 1 이미지 데이터들을 축적하는 제 1 단계;
    상기 각 영역에서 발생하는 불량의 종류별로, 정상 또는 불량이 확인된 기존 이미지 데이터들을 포함한 제 2 이미지 데이터들을 구축하는 제 2 단계;
    인공 신경망에서, 상기 제 1 및 제 2 이미지 데이터를 상호 비교하여, 상기 각 영역 및 불량의 종류별로 상기 리튬 이차 전지의 정상 또는 불량 여부를 1차 판단하는 제 3 단계;
    상기 1차 판단 결과로부터, 불량 미검출 또는 오검출을 판단하고, 그 판단 결과를 피드백하여 상기 인공 신경망을 학습시키는 제 4 단계;
    상기 학습 결과를 기반으로, 상기 각 영역별 및 불량의 종류별로 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 제 5 단계; 및
    검사 대상 리튬 이차 전지의 상기 각 영역별 이미지 데이터를 상기 제 3 이미지 데이터와 비교하여, 상기 검사 대상 리튬 이차 전지의 정상 또는 불량 여부를 결정하는 제 6 단계를 포함하는 리튬 이차 전지의 검사 방법.
  2. 제 1 항에 있어서, 상기 복수의 면은 원통형, 각형 또는 파우치형 리튬 이차 전지의 상부면, 일 측면 및 하부면을 포함하는 리튬 이차 전지의 검사 방법.
  3. 제 2 항에 있어서, 상기 리튬 이차 전지의 상부면은 덴트(DENT) 불량이 발생하는 제 1 영역, 전해액 누설 불량 및 와셔(WASHER) 불량이 발생하는 제 2 영역 및 전해질 투입 불량이 발생하는 제 3 영역으로 구분되며,
    상기 상부면의 제 1 내지 제 3 이미지 데이터는 상기 제 1 내지 제 3 영역별로 선택적으로 분할된 이미지 데이터들을 포함하는 리튬 이차 전지의 검사 방법.
  4. 제 2 항에 있어서, 상기 리튬 이차 전지의 하부면에서 덴트(DENT) 불량, 스크래치 불량, 싱크(SINK) 불량 및 표면 오염이 발생하는 제 4 영역이 선택되며,
    상기 일 측면의 제 1 내지 제 3 이미지 데이터는 상기 제 4 영역에 대한 선택적 분할 이미지 데이터들을 포함하는 리튬 이차 전지의 검사 방법.
  5. 제 2 항에 있어서, 상기 리튬 이차 전지의 일 측면은 덴트(DENT) 불량이 발생하는 제 5 영역 및 더블 와셔(DOUBLE WASHER) 불량이 발생하는 제 6 영역으로 구분되며,
    상기 하부면의 제 1 내지 제 3 이미지 데이터는 상기 제 5 및 제 6 영역별로 선택적으로 분할된 이미지 데이터들을 포함하는 리튬 이차 전지의 검사 방법.
  6. 제 2 항 내지 제 5 항 중 어느 한 항에 있어서, 상기 리튬 이차 전지의 상부면, 하부면 및 일 측면 각각에 대해, 상기 제 2 내지 제 4 단계가 병렬적 또는 순차적으로 진행되는 리튬 이차 전지의 검사 방법.
  7. 제 6 항에 있어서, 상기 제 2 내지 제 4 단계는, 각각의 구분된 영역별로 불량의 종류별 각각에 대해 수행되고,
    인공 신경망은 불량의 종류별 학습 결과를 기반으로, 하나 이상의 구분된 영역에 대한 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 리튬 이차 전지의 검사 방법.
KR1020200120405A 2020-09-18 2020-09-18 리튬 이차 전지의 검사 방법 KR102680595B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200120405A KR102680595B1 (ko) 2020-09-18 2020-09-18 리튬 이차 전지의 검사 방법
US18/023,940 US20230327222A1 (en) 2020-09-18 2021-07-19 Inspection method for lithium secondary battery
EP21869522.9A EP4187673A1 (en) 2020-09-18 2021-07-19 Method for inspecting lithium secondary battery
PCT/KR2021/009281 WO2022059898A1 (ko) 2020-09-18 2021-07-19 리튬 이차 전지의 검사 방법
CN202180054863.5A CN116075961A (zh) 2020-09-18 2021-07-19 用于检查锂二次电池的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200120405A KR102680595B1 (ko) 2020-09-18 2020-09-18 리튬 이차 전지의 검사 방법

Publications (2)

Publication Number Publication Date
KR20220037664A true KR20220037664A (ko) 2022-03-25
KR102680595B1 KR102680595B1 (ko) 2024-07-01

Family

ID=80777091

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200120405A KR102680595B1 (ko) 2020-09-18 2020-09-18 리튬 이차 전지의 검사 방법

Country Status (5)

Country Link
US (1) US20230327222A1 (ko)
EP (1) EP4187673A1 (ko)
KR (1) KR102680595B1 (ko)
CN (1) CN116075961A (ko)
WO (1) WO2022059898A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118628492A (zh) * 2024-08-13 2024-09-10 山东浪潮数字服务有限公司 一种基于注意力机制和多尺度特征融合的锂电池电极缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190023146A (ko) * 2017-08-28 2019-03-08 김동언 리드탭 기포 검사장치
CN109598721A (zh) * 2018-12-10 2019-04-09 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN111105405A (zh) * 2019-12-24 2020-05-05 刘甜甜 基于自适应深度学习的新能源锂电池表面缺陷检测方法
KR20200103150A (ko) * 2019-02-11 2020-09-02 (주) 인텍플러스 외관 검사 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102171491B1 (ko) * 2017-12-21 2020-10-29 동의대학교 산학협력단 딥러닝을 이용한 양품 선별 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190023146A (ko) * 2017-08-28 2019-03-08 김동언 리드탭 기포 검사장치
CN109598721A (zh) * 2018-12-10 2019-04-09 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
KR20200103150A (ko) * 2019-02-11 2020-09-02 (주) 인텍플러스 외관 검사 시스템
CN111105405A (zh) * 2019-12-24 2020-05-05 刘甜甜 基于自适应深度学习的新能源锂电池表面缺陷检测方法

Also Published As

Publication number Publication date
WO2022059898A1 (ko) 2022-03-24
CN116075961A (zh) 2023-05-05
KR102680595B1 (ko) 2024-07-01
US20230327222A1 (en) 2023-10-12
EP4187673A1 (en) 2023-05-31

Similar Documents

Publication Publication Date Title
US11379972B2 (en) Detecting defects in semiconductor specimens using weak labeling
CN104965787B (zh) 一种基于三支决策的两阶段软件缺陷预测方法
JP2023514753A (ja) 電気化学電池、特に燃料電池のバイポーラプレートを検査するための方法および検査装置
CN105458363B (zh) 手机外观件的高光倒角返工方法
KR20220046824A (ko) 리튬 이차 전지의 용접부 검사 방법
KR20220037664A (ko) 리튬 이차 전지의 검사 방법
CN113561853A (zh) 燃料电池系统在线故障诊断方法及装置
CN114627082A (zh) 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法
US6872582B2 (en) Selective trim and wafer testing of integrated circuits
CN112199295B (zh) 一种基于频谱的深度神经网络缺陷定位方法及系统
Verna et al. Towards Zero Defect Manufacturing: probabilistic model for quality control effectiveness
CN117689646A (zh) 一种正负样本融合的高精度缺陷检测方法、系统及介质
CN116485946B (zh) 一种芯片选取方法、系统、装置与存储介质
CN110308044A (zh) 基于金属磁记忆检测的增材制造制件早期应力集中判别方法
CN114139740A (zh) 一种平均修复时间和/或最大修复时间评估方法
CN114897863A (zh) 一种缺陷的检测方法、装置以及设备
KR20220092194A (ko) 리튬 이차 전지의 더블탭 불량 검사 방법
Eddy et al. A defect prevention concept using artificial intelligence
KR20210106038A (ko) 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치
Topp et al. How can NDT 4.0 improve the Probability of Detection (POD)?
CN112246681A (zh) 一种检测数据处理方法、装置及产品检测设备
Schrenker Machine Vision for Battery Production 4.0
JP3913393B2 (ja) 半導体欠陥解析システムおよび方法
CN117368223B (zh) 一种基于机器视觉的汽车线束质量检测方法及系统
US20220260367A1 (en) Method for testing positioning devices

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right