KR20220046824A - 리튬 이차 전지의 용접부 검사 방법 - Google Patents

리튬 이차 전지의 용접부 검사 방법 Download PDF

Info

Publication number
KR20220046824A
KR20220046824A KR1020200129949A KR20200129949A KR20220046824A KR 20220046824 A KR20220046824 A KR 20220046824A KR 1020200129949 A KR1020200129949 A KR 1020200129949A KR 20200129949 A KR20200129949 A KR 20200129949A KR 20220046824 A KR20220046824 A KR 20220046824A
Authority
KR
South Korea
Prior art keywords
image data
welding
secondary battery
lithium secondary
welding part
Prior art date
Application number
KR1020200129949A
Other languages
English (en)
Inventor
이은규
홍승균
이종명
김진우
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 KR1020200129949A priority Critical patent/KR20220046824A/ko
Publication of KR20220046824A publication Critical patent/KR20220046824A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/207—Welded or soldered joints; Solderability
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

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

Description

리튬 이차 전지의 용접부 검사 방법 {INSPECTION METHOD FOR WELDING PORTION IN LITHIUM SECONDARY BATTERY}
본 발명은 리튬 이차 전지의 용접부 검사 방법에 관한 것으로, 용접부에서 발생하는 불량의 종류별로 인공 신경망 학습을 진행하여, 검사 결과의 신뢰성, 정확성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 용접부 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 검사가 진행된다. 이러한 검사 중에서도, 외부 탭의 용접부에 불량이 발생하는지 여부에 대한 외관 검사가 주된 전지 외관 검사의 하나로 진행되고 있다.
그런데, 기존에는 상기 용접부에 대한 외관 검사가 검사원의 육안을 통해 진행되고 있다. 보다 구체적으로, 카메라 등을 통해 리튬 이차 전지의 용접부에 대한 이미지를 취한 후, 이러한 이미지를 모니터에 출력하며, 각 검사원은 모니터상에 표시된 용접부의 이미지를 육안으로 확인하여 용접부의 불량이 발생하였는지 여부를 확인하였다.
그러나, 이러한 실제 검사원이 수행하는 육안 검사에서는, 용접부의 색깔이나 형상을 보고 사람이 정성적인 기준에 따라 불량 여부를 판단하게 되므로, 검사원의 피로도나 경험 등에 따라 판단 결과가 상당한 오차가 발생할 수 있으며, 그 결과 불량을 제대로 확인하지 못하는 불량 미검출율이나, 실제 불량이 아님에도 불구하고 불량으로 판단하는 과검출율이 상당히 높아질 수밖에 없다.
더구나, 실제 검사원의 상당한 인원이 필요하게 되므로, 전체적인 리튬 이차 전지의 공정 비용이나 양산성이 크게 저하되는 일 요인이 되고 있다.
이에 따라, 리튬 이차 전지의 양산성을 저해하지 않으면서도, 보다 높은 신뢰성 및 정확도로 리튬 이차 전지의 용접부에 대한 외관 검사를 수행할 수 있는 방법의 개발이 계속적으로 요구되고 있다.
이에 본 발명은 용접부에서 발생하는 불량의 종류별로 인공 신경망 학습을 진행하여, 검사 결과의 신뢰성, 정확성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 용접부 검사 방법을 제공하는 것이다.
본 발명은 리튬 이차 전지의 용접부에 대한 제 1 이미지 데이터들을 축적하는 제 1 단계;
인공 신경망에서, 상기 제 1 이미지 데이터를, 기존에 축적된 정상 또는 불량이 확인된 제 2 이미지 데이터와 비교하여, 상기 용접부의 정상 또는 불량 여부를 1차 판단하는 제 2 단계;
상기 1차 판단 결과로부터, 불량 미검출 또는 오검출을 판단하고, 그 판단 결과를 피드백하여 상기 인공 신경망을 학습시키는 제 3 단계;
상기 학습 결과를 기반으로, 용접부의 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 제 4 단계; 및
검사 대상 리튬 이차 전지의 용접부에 대한 이미지 데이터를 상기 제 3 이미지 데이터와 비교하여, 상기 검사 대상 리튬 이차 전지의 용접부의 정상 또는 불량 여부를 결정하는 제 5 단계를 포함하는 리튬 이차 전지의 용접부 검사 방법을 제공한다.
본 발명은 인공 신경망 학습을 통해, 리튬 이차 전지의 용접부에 대한 외관 검사의 정확도, 신뢰성 및 재현성을 향상시킬 수 있는 리튬 이차 전지의 검사 방법을 제공한다.
이러한 검사 방법에 따르면, 실제 검사원에 의하지 않고, 검사 결과의 불량 미검출율 및 과검출율을 약 0% 및 약 0.5% 이하(약 0.311%)로 크게 낮출 수 있음이 확인되었다.
특히, 본 발명의 검사 방법에서는, 리튬 이차 전지의 용접부로부터 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 신경망 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 용접부 검사 시스템을 간략화하여 나타낸 모식도이다.
도 2a 내지 2h는 일 구현예의 검사 방법에 대한 구체적인 일 실시예를 들어, 이러한 검사 방법의 각 단계별로 선택되는 이미지 데이터 및 검사되는 불량의 종류를 실제 이미지의 예를 들어 나타낸 단계별 사진이다.
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 용접부 검사 시스템을 간략화하여 나타낸 모식도이고, 도 2a 내지 2h는 일 구현예의 검사 방법에 대한 구체적인 일 실시예를 들어, 이러한 검사 방법의 각 단계별로 선택되는 이미지 데이터 및 검사되는 불량의 종류를 실제 이미지의 예를 들어 나타낸 단계별 사진이다.
발명의 일 구현예에 따르면, 리튬 이차 전지의 용접부에 대한 제 1 이미지 데이터들을 축적하는 제 1 단계;
인공 신경망에서, 상기 제 1 이미지 데이터를, 기존에 축적된 정상 또는 불량이 확인된 제 2 이미지 데이터와 비교하여, 상기 용접부의 정상 또는 불량 여부를 1차 판단하는 제 2 단계;
상기 1차 판단 결과로부터, 불량 미검출 또는 오검출을 판단하고, 그 판단 결과를 피드백하여 상기 인공 신경망을 학습시키는 제 3 단계;
상기 학습 결과를 기반으로, 용접부의 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 제 4 단계; 및
검사 대상 리튬 이차 전지의 용접부에 대한 이미지 데이터를 상기 제 3 이미지 데이터와 비교하여, 상기 검사 대상 리튬 이차 전지의 용접부의 정상 또는 불량 여부를 결정하는 제 5 단계를 포함하는 리튬 이차 전지의 용접부 검사 방법이 제공된다.
본 발명자들은 인공 신경망 기술을 이용하여, 리튬 이차 전지의 용접부에 대한 외관 검사의 정확도, 신뢰성 및 재현성을 보다 높이면서도, 인공 신경망의 학습 및 데이터 처리 과정과, 속도를 보다 향상시키기 위해 연구를 계속하였다.
이러한 연구 결과로부터, 리튬 이차 전지의 용접부에 대한 외관 검사시 주로 확인되어야 할 불량의 종류를 주로 발생하는 영역별로 구분하고, 리튬 이차 전지의 용접부를 이러한 영역별, 그리고 각 영역에서 주로 발생하는 불량의 종류별로 구분하여 데이터 베이스를 구축하였다.
이러한 데이터 베이스를 기반으로, 상기 용접부를 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 용접부에 대한 각 영역별 이미지 데이터와 비교하여, 리튬 이차 전지의 용접부에 대한 외관 검사를 자동 수행하였다.
이러한 인공 신경망 학습을 거쳐 리튬 이차 전지의 용접부의 외관 검사를 자동 수행함에 따라, 실제 검사원에 의하지 않고 리튬 이차 전지의 용접부에 대한 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 않고, 검사 결과의 불량 미검출율 및 과검출율을 약 0% 및 0.5% 이하(약 0.311%)로 낮추어, 리튬 이차 전지의 용접부에 대한 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 전지에서, 용접부를 포함한 외부면을 결정하고, 이러한 외부면에 형성된 용접부에 대한 제 1 이미지 데이터들을 축적한다. 예를 들어, 상기 리튬 이차 전지가 원통형 리튬 이차 전지로 될 경우, 상기 용접부는 상기 원통형 전지의 상부면 또는 하부면에 형성된 용접부로 결정될 수 있다. 이러한 용접부에 대한 이미지는, 예를 들어, 도 1에 도시된 검사 시스템의 이미지 촬영부에 의해 취해질 수 있으며, 이러한 용접부 전체의 이미지는, 예를 들어, 도 2a와 같은 형태로 될 수 있다.
이때, 상기 이미지 촬영부는, 예를 들어, 컬러 카메라(예를 들어, 12M 컬러 카메라) 및 조명(예를 들어, 원통형 전지에 대응하는 백색 LED 타입 링 형태 조성)을 포함할 수 있으며, 이와 같이 구성된 이미지 촬영부는 이미지 데이터의 처리, 판단 및 인공 신경망 학습을 위한 시스템이 구비된 제어부에 연결될 수 있다. 해당 제어부에서는, 상기 이미지 촬영부로부터 축적된 이미지 데이터를 기초로, 용접부의 정상 또는 불량 여부를 판단하고, 자체 피드백 및 학습하는 인공 신경망 시스템을 포함할 수 있고, 이하에서 설명하는 제 2 내지 제 5 단계가 진행될 수 있다.
한편, 상기 제 1 단계에서는, 기존의 용접부 검사 결과의 데이터 베이스를 바탕으로, 리튬 이차 전지의 용접부에 대한 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 축적함이 바람직하다. 이러한 영역별 제 1 이미지 데이터들을 분할 생성하고, 각 영역별로 주로 발생하는 불량의 종류를 단순화하여 이후의 1차 판단 및 인공 신경망 학습을 진행함에 따라, 이후에 진행하는 인공 신경망 내의 데이터 처리 및 학습 과정을 효율화할 수 있다.
보다 구체적인 일 예에서, 상기 제 1 이미지 데이터는 상기 용접부를 포괄하는 전체 외부면의 이미지 데이터(예를 들어, 도 2b와 같은 용접부를 포괄하는 원통형 전지 전체 상부면의 이미지 데이터), 복수의 용접 포인트를 포함한 용접부로 영역 축소된 이미지 데이터(예를 들어, 도 2c와 같은 복수의 용접 포인트를 포함한 용접부로 영역 축소된 이미지 데이터), 그리고, 용접부에 포함된 각 용접 포인트로 영역 축소된 이미지 데이터(예를 들어, 도 2d와 같은 용접부에 포함된 각 용접 포인트로 영역 축소된 이미지 데이터)들과 같이, 상호 선택된 영역을 달리하는 영역별 이미지 데이터들로 이루어질 수 있다.
이와 같이, 각 영역별 이미지 데이터들을 별도 형성한 후에는, 이들 각 영역별로 주로 발생하는 불량의 종류를 특정하여, 각 영역별/불량의 종류별로 별도의 1차 판단 단계(제 2 단계) 및 인공 신경망의 학습 단계(제 3 단계)를 별도로 진행할 수 있으며, 특히, 이러한 각 영역별로 별도로 진행된 제 2 및 제 3 단계를 순차적/직렬적으로 진행하여, 전체적인 용접부 검사 방법의 신뢰성 및 정확도를 더욱 높일 수 있다.
더욱 구체적인 일 예에서, 최초로 상기 용접부를 포괄하는 전체 외부면의 이미지 데이터(예를 들어, 도 2b)를 활용하여, 해당 영역에서 주로 발생하는 대형 불량 (1차 불량)을 특정하여 해당 1차 불량 발생 여부의 1차 판단 및 인공 신경망 학습을 진행하고, 다음으로, 상기 용접부로 축소된 이미지 데이터(예를 들어, 도 2c)를 활용하여, 해당 영역에서 주로 발생하는 중형 불량 (2차 불량)을 특정하여 해당 2차 불량 발생 여부의 1차 판단 및 인공 신경망 학습을 진행한 후, 마지막으로, 상기 각 용접 포인트로 영역 축소된 이미지 데이터(예를 들어, 도 2d)를 활용하여, 해당 영역에서 주로 발생하는 각 용접 포인트별 소형 불량 (3차 불량)을 특정하여 해당 3차 불량 발생 여부의 1차 판단 및 인공 신경망 학습을 순차적으로 진행할 수 있다.
이와 같이, 영역별/불량의 종류별로 제 1 이미지 데이터들을 별도 생성 및 축적하고, 이를 기준으로 영역별/불량의 종류별로 별도의 1차 판단 및 인공 신경망 학습을 순차적으로 진행함에 따라, 인공 신경망 시스템 내에서의 이미지 데이터의 처리 및 학습 과정을 매우 효율적으로 진행할 수 있으며, 일 구현예의 검사 방법의 전체적인 신뢰성 정확도를 더욱 높일 수 있다. 한편, 이후 단계에서 생성 및 축적되는 제 2 및 제 3 이미지 데이터들과, 검사 대상 전지의 이미지 데이터들 역시 제 1 이미지 데이터와 동일한 방법으로 영역별로 구분되어 생성 및 축적될 수 있다.
한편, 상술한 영역별로 구분된 제 1 이미지 데이터들을 축적한 후에는, 예를 들어, 상술한 순서에 따라 어느 한 영역의 제 1 이미지 데이터(예를 들어, 도 2b와 같은, 용접부를 포괄하는 전체 외부면의 이미지 데이터)를 활용하여, 해당 영역에서 주로 발생하는 불량(예를 들어, 대형 불량으로 되는 1차 불량)의 발생 여부에 대해 1차 판단을 진행하는 제 2 단계를 진행한다.
이러한 제 2 단계는, 예를 들어, 도 2e에 도시된 바와 같이, 기존에 해당 1차 불량이 발생하거나 혹은 발생하지 않은 것으로 확인된 해당 영역의 이미지 데이터들을 포함하는 제 2 이미지 데이터들을 활용하여, 이러한 제 1 및 제 2 이미지 데이터들간의 비교를 통해 진행할 수 있다. 한편, 상기 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 단계에서는, 상술한 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 2 및 제 3 단계에서, 1차 판단 및 인공 신경망 학습을 진행한 결과를 바탕으로, 상술한 선택 영역에서 주로 발생하는 1차 불량에 대해, 정상 또는 불량의 기준이 최종 설정되어 분류된 제 3 이미지 데이터가 결정될 수 있다.
그리고, 이러한 방법으로, 용접부를 포괄하는 전체 외부면의 제 1 이미지 데이터에 대해, 1차 불량(대형 불량)에 대한 기준이 최종 설정된 후에는, 나머지 선택 영역 및 불량에 대해서도, 반복적으로 제 2 및 제 3 단계가 순차 진행되어, 각 영역별/불량의 종류별 기준이 최종 설정될 수 있다.
즉, 상기 1차 불량에 대한 기준이 최종 설정된 후에는, 상기 용접부로 축소된 이미지 데이터(예를 들어, 도 2c)를 활용하여, 해당 영역에서 주로 발생하는 중형 불량 (2차 불량)을 특정하고, 상기 용접부로 축소된 영역의 제 1 이미지 데이터를 대응 영역의 제 2 이미지 데이터와 대비하여(도 2g 참조), 2차 불량(중형 불량)에 대한 1차 판단 및 인공 신경망 학습을 동일하게 진행할 수 있다. 이러한 과정은 제 1 및 제 2 이미지 데이터들이 선택한 영역 및 주로 판단하는 불량의 종류가 2차 불량(중형 불량)으로 달라진 점을 제외하고는, 이미 상술한 1차 불량의 기준 설정 방법과 동일하게 진행할 수 있다. 이를 통해, 상기 2차 불량에 대해서도, 정상 또는 불량의 기준이 최종 설정되어 분류된 제 3 이미지 데이터가 결정될 수 있다.
단, 원통형 리튬 이차 전지에서, 상기 용접부는 대표적으로 중앙 용접 포인트 및 상기 중앙 용접 포인트 주위에 형성된 복수의 주변 용접 포인트를 포함하는 형태로 이루어질 수 있다. 이러한 용접 포인트의 배열 형태를 고려할 때, 상기 2차 불량에 대한 기준을 설정하는 과정에 있어서는, 예를 들어, 도 2f와 같이, 기 2차 불량 발생 여부에 대한 1차 판단 단계 전에, 리튬 이차 전지별로 상기 복수의 주변 용접 포인트의 검출 위치가 동일하게 되도록, 상기 용접부로 영역 축소된 이미지 데이터를 위치 정렬하는 단계를 더 진행함이 바람직하다.
보다 구체적인 일 예에서, 상기 복수의 주변 용접 포인트의 검출 위치가 미리 설정된 기준 위치와 동일하게 되도록, 상기 용접부로 영역 축소된 이미지 데이터를 회전하여 위치 정렬할 수 있다. 이러한 이미지 회전 및 위치 정렬 후, 2차 불량 발생 여부에 대한 1차 판단을 진행하면, 1차 판단 및 이에 대한 학습이 진행될 이미지 데이터의 종류, 예를 들어, 상기 2차 불량이 발생하는 제 1 및 제 2 이미지 데이터의 종류가 보다 단순화될 수 있다.
특히, 본 발명자들의 시뮬레이션 결과에 따르면, 상기 이미지 회전 및 위치 정렬을 거치게 되면, 이러한 위치 정렬이 없는 경우가 비교하여, 약 10%의 이미지 데이터로 1차 판단 및 학습 과정이 진행되어도, 인공 신경망을 충분히 학습시켜 우수한 학습 성능을 발현시킬 수 있다. 결과적으로, 2차 불량의 기준 설정을 위한 제 2 및 제 3 단계의 데이터 처리 및 학습 과정이 더욱 효율화되어, 검사 방법의 정확도 및 신뢰성이 더욱 향상될 수 있고, 검사 속도 역시 더욱 빨라질 수 있다.
한편, 상술한 방법으로, 상기 1차 및 2차 불량에 대한 기준이 최종 설정된 후에는, 상기 각 용접 포인트로 영역 축소된 이미지 데이터(예를 들어, 도 2d)를 활용하여, 해당 영역에서 주로 발생하는 용접 포인트별 소형 불량 (3차 불량)을 특정하고, 상기 용접 포인트로 축소된 영역의 제 1 이미지 데이터를 대응 영역의 제 2 이미지 데이터와 대비하여(도 2h 참조), 3차 불량(소형 불량)에 대한 1차 판단 및 인공 신경망 학습을 동일하게 진행할 수 있다. 이러한 과정 역시 제 1 및 제 2 이미지 데이터들이 선택한 영역 및 주로 판단하는 불량의 종류가 3차 불량(소형 불량)으로 달라진 점을 제외하고는, 이미 상술한 1차 및 2차 불량의 기준 설정 방법과 동일하게 진행할 수 있다. 이를 통해, 상기 3차 불량에 대해서도, 정상 또는 불량의 기준이 최종 설정되어 분류된 제 3 이미지 데이터가 결정될 수 있다.
한편, 상술한 과정을 통해 결정된 제 3 이미지 데이터는, 상술한 제 2 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 용접부, 특히, 용접부의 각 영역별 / 불량의 종류별 불량 발생 여부를 매우 높은 정확도로 검사할 수 있다.

Claims (8)

  1. 리튬 이차 전지의 용접부에 대한 제 1 이미지 데이터들을 축적하는 제 1 단계;
    인공 신경망에서, 상기 제 1 이미지 데이터를, 기존에 축적된 정상 또는 불량이 확인된 제 2 이미지 데이터와 비교하여, 상기 용접부의 정상 또는 불량 여부를 1차 판단하는 제 2 단계;
    상기 1차 판단 결과로부터, 불량 미검출 또는 오검출을 판단하고, 그 판단 결과를 피드백하여 상기 인공 신경망을 학습시키는 제 3 단계;
    상기 학습 결과를 기반으로, 용접부의 정상 또는 불량의 기준이 설정 및 분류된 제 3 이미지 데이터를 결정하는 제 4 단계; 및
    검사 대상 리튬 이차 전지의 용접부에 대한 이미지 데이터를 상기 제 3 이미지 데이터와 비교하여, 상기 검사 대상 리튬 이차 전지의 용접부의 정상 또는 불량 여부를 결정하는 제 5 단계를 포함하는 리튬 이차 전지의 용접부 검사 방법.
  2. 제 1 항에 있어서, 원통형 리튬 이차 전지의 상부면 또는 하부면에 형성된 용접부를 검사하는 리튬 이차 전지의 용접부 검사 방법.
  3. 제 1 항에 있어서, 상기 제 1 내지 제 3 이미지 데이터는 각각 상기 용접부를 포괄하는 전체 외부면의 이미지 데이터, 복수의 용접 포인트를 포함한 용접부로 영역 축소된 이미지 데이터 및 용접부에 포함된 각 용접 포인트로 영역 축소된 이미지 데이터들의 상호 선택 영역을 달리하는 이미지 데이터들로 이루어진 리튬 이차 전지의 용접부 검사 방법.
  4. 제 3 항에 있어서, 상기 불량은 상기 전체 외부면의 이미지 데이터로부터 판단되는 1차 불량,
    상기 용접부로 축소된 이미지 데이터로부터 판단되는 2차 불량, 및
    상기 각 용접 포인트로 영역 축소된 이미지 데이터로부터 판단되는 3차 불량을 포함하는 리튬 이차 전지의 용접부 검사 방법.
  5. 제 4 항에 있어서, 상기 제 2 및 제 3 단계는 각각, 상호 선택 영역을 달리하는 이미지 데이터 및 1차 내지 3차 불량의 종류별로, 순차적으로 상기 용접부의 정상 또는 불량 여부를 1차 판단하고, 인공 신경망을 학습시키는 복수의 단계를 포함하는 리튬 이차 전지의 용접부 검사 방법.
  6. 제 5 항에 있어서, 상기 용접부는 중앙 용접 포인트 및 상기 중앙 용접 포인트 주위에 형성된 복수의 주변 용접 포인트를 포함하는 리튬 이차 전지의 용접부 검사 방법.
  7. 제 6 항에 있어서, 상기 2차 불량 발생 여부에 대한 1차 판단 단계 전에, 상기 복수의 주변 용접 포인트의 검출 위치가 동일하게 되도록, 상기 용접부로 영역 축소된 이미지 데이터를 위치 정렬하는 단계를 더 포함하는 리튬 이차 전지의 용접부 검사 방법.
  8. 제 1 항에 있어서, 상기 용접부 검사는 리튬 이차 전지의 용접부를 촬영하여 이미지 데이터를 축적하는 이미지 촬영부; 및
    상기 이미지 촬영부로부터 축적된 이미지 데이터를 기초로, 용접부의 정상 또는 불량 여부를 판단하고, 자체 피드백 및 학습하는 인공 신경망 시스템을 포함한 제어부를 포함하는 검사 장치에서 수행되는 리튬 이차 전지의 용접부 검사 방법.

KR1020200129949A 2020-10-08 2020-10-08 리튬 이차 전지의 용접부 검사 방법 KR20220046824A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200129949A KR20220046824A (ko) 2020-10-08 2020-10-08 리튬 이차 전지의 용접부 검사 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200129949A KR20220046824A (ko) 2020-10-08 2020-10-08 리튬 이차 전지의 용접부 검사 방법

Publications (1)

Publication Number Publication Date
KR20220046824A true KR20220046824A (ko) 2022-04-15

Family

ID=81212021

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200129949A KR20220046824A (ko) 2020-10-08 2020-10-08 리튬 이차 전지의 용접부 검사 방법

Country Status (1)

Country Link
KR (1) KR20220046824A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115156093A (zh) * 2022-06-29 2022-10-11 上海商汤智能科技有限公司 电池外壳缺陷检测方法、系统及装置
CN117686432A (zh) * 2024-01-31 2024-03-12 宁德时代新能源科技股份有限公司 电池焊接检测系统和方法
CN117686432B (zh) * 2024-01-31 2024-06-07 宁德时代新能源科技股份有限公司 电池焊接检测系统和方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115156093A (zh) * 2022-06-29 2022-10-11 上海商汤智能科技有限公司 电池外壳缺陷检测方法、系统及装置
CN117686432A (zh) * 2024-01-31 2024-03-12 宁德时代新能源科技股份有限公司 电池焊接检测系统和方法
CN117686432B (zh) * 2024-01-31 2024-06-07 宁德时代新能源科技股份有限公司 电池焊接检测系统和方法

Similar Documents

Publication Publication Date Title
EP3502966B1 (en) Data generation apparatus, data generation method, and data generation program
CN110136101B (zh) 一种基于孪生距离比对的轮胎x光病疵检测方法
US20180253836A1 (en) Method for automated detection of defects in cast wheel products
TWI703514B (zh) 人工智慧複檢系統及其方法
US9228958B2 (en) Protocol-based inspection system
JP2016532121A (ja) 表面欠陥の検出のための検査システムを点検する方法及び装置
US20060103838A1 (en) Method for inspecting a wafer
CN112884743B (zh) 检测方法及装置、检测设备和存储介质
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
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
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与系统
KR20220046824A (ko) 리튬 이차 전지의 용접부 검사 방법
CN116309313A (zh) 一种电池表面焊接缺陷检测方法
KR20170127883A (ko) 영상 기반의 용접 비드 검출 방법
CN117058411A (zh) 电池棱边外形瑕疵识别方法、装置、介质和设备
CN113469991B (zh) 一种锂电池极耳激光焊点视觉在线检测方法
US20230327222A1 (en) Inspection method for lithium secondary battery
KR20220092194A (ko) 리튬 이차 전지의 더블탭 불량 검사 방법
TWI745767B (zh) 光學檢測二次圖像分類方法
JPH10240936A (ja) バーコードラベル付融着継手の製品検査装置
US20240084716A1 (en) Method for inspecting a component of a turbomachine
WO2024111678A1 (ja) 外観検査装置および外観検査用識別器の生成方法
CN118002497A (zh) 产品检测方法、装置、电子设备及存储介质
KR20230119842A (ko) 인공지능 기반의 제품의 외관 결함을 검사하는 방법 및 장치
CN117095234A (zh) 一种基于YOLOv5改进轻量型的焊缝缺陷识别算法