딥러닝과 모니터링 기술을 통한 아크 용접 영상 분석의 혁신

1. 요약

• 딥러닝 기술의 발전은 아크 용접 분야에 새로운 가능성을 열어주고 있습니다. Tip-Rotation 아크 용접 과정에서의 아크 이미지 분류 알고리즘 개발은 이러한 발전의 대표적인 예로, 이 연구에서는 딥러닝을 활용하여 카메라 영상 속 아크 이미지를 실시간으로 모니터링하고 이를 통해 최적의 용접 품질을 확보하는 전략을 제시합니다. 아크 용접은 본질적으로 복잡한 공정이며, 다양한 변수들이 품질에 미치는 영향을 명확히 이해하고 관리하는 것이 필수적입니다. 특히, 알루미늄 합금과 같은 고온 변형에 취약한 소재에서는 용접 품질의 일관성을 보장하는 것이 더욱 중요해집니다. 이를 위해 기존의 전기 신호 기반 모니터링 방식에서 벗어나, 이미지 인식을 통한 종합적인 분석이 필요합니다. 딥러닝 적용을 통해 수집된 아크 이미지에서 결함을 자동으로 감지하고 이를 기반으로 품질을 평가함으로써, 아크 이미지 분석과 품질 관리의 실시간화를 목표로 합니다. 이 연구는 최종적으로 용접 기술의 향상뿐만 아니라, 산업 현장에서의 효율적인 품질 통제 및 적용 가능성을 모색합니다.

• 이 연구에서는 제안된 딥러닝 기반 아크 이미지 분류 알고리즘이 주로 CNN(Convolutional Neural Network) 구조를 이용하여 아크의 품질을 자동으로 인식하고 분류하는 방식을 채택하고 있습니다. 전처리된 데이터셋은 5,203개의 아크 이미지를 포함하며, 이를 통해 99.88%의 높은 정확도로 용접 품질을 예측할 수 있는 모델이 구축되었습니다. 이러한 성과를 통해 아크 이미지 분석과 품질 평가 간의 상관성을 명확히 하며, 최종적으로는 아크 용접의 안정성과 품질 개선을 이루는 데 기여할 것입니다. 또한, 모니터링 시스템의 하드웨어와 소프트웨어 구성, 실시간 데이터 처리 메커니즘 등이 상세히 설명되었으며, 이러한 통합 과정에서 발생할 수 있는 다양한 문제점에 대한 해결 방안도 제시되었습니다. 향후 연구를 통해 보다 다양한 용접 조건에서도 아크 이미지 분석의 정확성을 높이는 방향으로 나아가야 할 것입니다.

2. 아크 용접에서의 이미지 분석 필요성

• 2-1. 아크 용접의 복잡성과 품질 통제 문제

• 아크 용접은 다양한 변수가 존재하는 복잡한 공정입니다. 이 과정에서 종종 발생하는 문제는 용접 품질의 일관성을 보장하는 것입니다. 특히 알루미늄 합금과 같은 고온 변형에 취약한 소재에서는 용접 품질이 더욱 중요합니다. 용접 중 발생하는 열 및 전류 변동은 용입 상태, 비드 형태, 결합 강도에 큰 영향을 미치며, 이로 인해 기공, 용락 등 불량 현상이 빈번히 발생합니다. 이러한 문제를 해결하기 위해서는 용접 과정을 지속적으로 모니터링하고 조절할 수 있는 시스템이 필요합니다.

• 2-2. 전통적인 모니터링 방식의 한계

• 전통적으로 아크 용접의 품질 관리는 전류와 전압의 모니터링에 의존하고 있었습니다. 그러나 이러한 방법은 전기 신호만을 고려하므로 아크의 물리적 상태나 외관적 결함을 간과할 가능성이 큽니다. 예를 들어, 전류와 전압 신호가 정상이라고 하더라도 아크의 길이나 비드 형태가 비정상적일 수 있습니다. 이는 아크의 안정성 문제나 용접 재료의 이상을 물리적으로 반영하지 못하는 한계를 가지고 있습니다. 따라서, 단순한 전기적 모니터링을 넘어서 이미지 인식을 통한 종합적인 분석이 요구됩니다.

• 2-3. 딥러닝 기술의 도입 이유

• 딥러닝 기술은 대량의 데이터를 분석하여 패턴을 인식할 수 있는 강력한 도구입니다. 아크 용접에 딥러닝을 적용하게 되면 수집된 아크 이미지에서 결함을 자동으로 감지하고, 이를 기반으로 용접 품질을 평가할 수 있는 가능성이 생깁니다. 예를 들어, CNN(Convolutional Neural Network) 모델을 활용하여 아크의 이미지 데이터를 처리하고, 품질 예측 모델을 개발할 수 있습니다. 연구에 따르면, 이러한 접근 방식은 기존의 품질 관리 방법보다 훨씬 높은 정확도를 기록하며, 용접 품질을 실시간으로 모니터링하고 피드백할 수 있는 시스템을 구축할 수 있습니다. 이는 궁극적으로 용접 공정의 안정성과 품질 개선으로 이어질 것입니다.

3. 딥러닝 기반 아크 이미지 분류 알고리즘

• 3-1. 알고리즘의 구조와 작동 원리

• 딥러닝 기반 아크 이미지 분류 알고리즘은 주로 컨볼루션 신경망(Convolutional Neural Network, CNN) 구조를 활용하여 아크의 품질을 자동으로 인식하고 분류하는 방식으로 운영됩니다. CNN은 이미지 내의 특징을 효과적으로 추출할 수 있는 능력이 뛰어나며, 특히 높은 차원의 데이터인 이미지 처리에 효과적입니다. 이 알고리즘은 입력 이미지에서 다양한 필터를 적용하여 저수준의 특징(가령, 엣지, 패턴 등)을 추출하고, 이를 바탕으로 더 높은 차원의 추상적인 특징을 학습하게 됩니다. 이러한 구조는 이미지의 변형에 강건하며, 용접 품질을 예측하는 데 매우 유용합니다.

• 이 알고리즘은 여러 층으로 구성되며, 각 층은 필터를 통해 입력 이미지에 대한 출력을 생성합니다. 일반적으로 입력층, 여러 개의 은닉층, 그리고 출력층으로 구성되며, 은닉층에서 활성화 함수(예: ReLU, Sigmoid 등)를 통해 비선형성을 추가하여 복잡한 패턴을 학습하게 됩니다. 최종적으로, 출력층에서는 각 클래스(예: 양호, 불량 등) 확률을 계산하여 해당 이미지의 품질을 분류합니다.

• 3-2. 모델 훈련에 사용된 데이터셋 설명

• 모델 훈련을 위해 사용된 데이터셋은 총 5,203개의 아크 이미지를 포함하고 있으며, 이 중 약 70%인 3,653개의 이미지는 훈련용으로, 나머지 30%에 해당하는 1,550개의 이미지는 검증용으로 사용됩니다. 각 이미지는 적정 품질과 불량 품질로 레이블이 지정되어 있으며, 이들은 용접 조건에 따라 세분화되어 특정 기준에 따라 분류됩니다.

• 또한, 모든 이미지는 전처리 과정을 통해 아크 영역을 정확히 정의하고, 크기를 정규화하여 CNN 모델의 입력에 적합하도록 조정됩니다. 이를 통해 모델은 보다 정확한 품질 예측을 수행할 수 있게 됩니다. 예를 들어, 아크 길이, 최대 폭 등 다양한 특성을 포함하여 품질은 단면 형상에 따라 분류됩니다. 이러한 데이터는 모델 훈련에 필수적이며, 아크 이미지에서 식별 가능한 중요한 요소들을 파악하는 데 도움을 줍니다.

• 3-3. 성능 평가 지표와 결과

• 알고리즘의 성능은 여러 지표를 통해 평가됩니다. 대표적인 지표로는 정확도, 정밀도, 재현율, F1-score 등이 있습니다. 정확도는 전체 테스트 샘플 중에서 올바르게 분류된 샘플의 비율을 나타내며 일반적인 성능 평가에 사용됩니다. 정밀도가 높다면 잘못 분류된 '불량' 샘플이 적음을 의미하고, 재현율이 높으면 모든 '불량' 샘플이 잘 인식되었음을 나타냅니다. F1-score는 이 두 가지를 조화롭게 고려한 지표로서, 다소 불균형한 데이터셋에서 더욱 유용하게 사용됩니다.

• 본 연구에서 개발한 모델은 훈련 데이터에서 99.88%의 높은 정확도를 달성하였으며, 테스트 데이터에서도 사용자의 기대를 초과하는 결과를 보여주었습니다. 이러한 뛰어난 결과는 CNN 모델이 아크 이미지의 특성을 효과적으로 학습하고 궁극적으로 용접 품질을 신속하게 평가할 수 있는 가능성을 나타냅니다. 이는 궁극적으로 용접 자동화 및 품질 보증의 혁신을 가져올 것으로 기대되며, 산업 현장에서 실시간으로 적용할 수 있는 기반을 제공합니다.

4. 영상 모니터링 시스템의 설계와 구성

• 4-1. 모니터링 시스템의 하드웨어 구성

• 영상 모니터링 시스템의 하드웨어 구성은 용접 과정의 실시간 데이터를 수집하고 처리하기 위한 기초를 형성합니다. 주로 사용되는 하드웨어에는 카메라, 컴퓨터, 센서 및 네트워크 장치가 포함됩니다.

• 카메라는 아크의 품질을 실시간으로 모니터링하기 위해 고속 촬영이 가능한 CMOS 카메라가 채택됩니다. 이 카메라의 프레임 속도는 용접 진행 중 최소한 60fps 이상이며, 높은 해상도를 유지해야 합니다. 특히 아크의 안정성을 평가하기 위해 아크 길이와 같은 중요한 파라미터를 측정할 수 있어야 하며, 필요 시 저조도 환경에서도 정확한 이미징을 보장할 수 있는 기능이 요구됩니다.

• 퓨리티 필터와 같은 다양한 광학 필터를 사용하여 외부의 불필요한 광원이 이미지 품질에 미치는 영향을 최소화합니다. 이와 함께, 전압 및 전류를 측정하는 센서가 장착되어, 용접 전류와 전압의 변동을 실시간으로 기록해야 합니다.

• 모니터링 시스템의 컴퓨터는 이러한 수집된 데이터를 저장하고 처리하는 역할을 하며, 데이터 분석을 위한 알고리즘을 실행하는 데 필요한 높은 성능을 요구합니다. 적절한 프로세서와 RAM 용량을 갖춘 시스템이 필요하며, 데이터 저장을 위한 SSD와 같은 빠른 저장 장치가 이상적입니다.

• 4-2. 소프트웨어 알고리즘의 통합 방법

• 소프트웨어 알고리즘의 통합은 모니터링 시스템의 핵심 요소입니다. 영상 처리 및 분석 알고리즘은 딥러닝 모델을 포함하여 아크 이미지를 세밀하게 분석하도록 설계되어야 합니다.

• 예를 들어, CNN(Convolutional Neural Network) 기법을 응용하여 이미지에서 아크의 특성 (예: 아크 길이, 안정성, 스패터 발생 여부 등)을 자동으로 감지하고 이를 위한 훈련된 데이터셋을 활용합니다. 최초로 수집된 아크 이미지는 다양한 조건에서 촬영된 후, 품질 좋고 불량 이미지를 모델에 학습시켜야 합니다. 이를 통해 용접 품질 예측 모델을 개발하고 implementation 할 수 있습니다.

• 모니터링 소프트웨어는 실시간 데이터 수집, 이미지 분석 및 피드백 제공 기능을 포함해야 하며, 개발된 알고리즘은 이를 처리하기 위해 최적화되어야 합니다. 모든 데이터는 GUI(그래픽 사용자 인터페이스)에서 실시간으로 확인할 수 있게 디자인 되며, 사용자에게 불량 징후를 알리는 시스템이 필요합니다.

• 4-3. 실시간 데이터 처리 및 피드백 메커니즘

• 실시간 데이터 처리 및 피드백 메커니즘은 모니터링 시스템의 신뢰성을 결정하는 중요한 요소입니다. 수집된 데이터는 모니터링 시스템에서 즉각적으로 분석되어야 하며, 이를 통해 실시간 품질 평가가 이루어져야 합니다.

• 이러한 처리 기능은 약 1초의 지연을 목표로 하여 아크의 상태 변화에 민감하게 반응해야 하며, 시스템은 정상 작업 범위를 벗어날 경우 즉각적으로 사용자에게 경고를 제공해야 합니다. 예를 들어, 아크 길이나 전압 급변 시 시스템은 이를 감지하여 알림을 제공하고, 필요한 경우 사용자에게 조치를 취하도록 권장할 수 있습니다.

• 또한, 피드백 메커니즘은 용접 현장에서 작업자가 실시간으로 아크의 품질을 조정할 수 있는 정보를 제공해야 하며, 최적의 품질을 유지하기 위한 조정 방법이나 예측된 품질 상태에 대한 시각화를 포함해야 합니다. 이를 통해 작업자는 철저한 품질 관리를 수행할 수 있습니다.

5. 결과 분석 및 의의

• 5-1. 실험 결과 및 사례 연구

• 본 연구에서 진행한 실험 결과는 아크 용접 품질을 측정하고 분석하기 위한 기초 데이터를 제공하였습니다. 실험은 알루미늄 합금인 AL5083의 팁회전 아크 용접을 기반으로 하였으며, 다양한 용접 조건에서 확보된 총 5,203개의 아크 이미지를 활용하였습니다. 이 중 631개의 이미지를 품질 예측 모델의 평가에 사용하였고, 결과적으로 99.88%의 높은 정확도로 용접 품질을 예측하는 모델을 구축하게 되었습니다.

• 특히, 용접조건에 따른 상면 비드 형상 및 단면부 형상이 다르게 나타났으며, 이는 접근적인 열 input 및 전류와 전압의 조정에 의한 결과입니다. 적정 입열 조건하에서는 비드 형상이 일정하고, 단면부의 용입 또한 적정 수준을 유지하였습니다. 반면에 고입열이나 저입열 조건에서는 비드의 형상이 불규칙해지거나, 용입 정도가 감소하여 불량 용접으로 분류되었습니다. 이러한 결과는 아크 이미지 분석과 품질 평가 간 상관성을 확립하는데 중요한 역할을 하였습니다.

• 5-2. 산업 적용 가능성과 장점

• 딥러닝 기반 아크 이미지 분석 기법은 산업 현장에서의 용접 품질 관리에 혁신적인 변화를 가져올 수 있음을 보여주었습니다. 실시간으로 아크 상황을 분석하고, 품질을 검증하는 시스템은 기존의 전통적인 방식보다 훨씬 효율적이며, 인적 오류를 줄일 수 있는 가능성을 제시합니다. 이로 인해 용접 공정의 일관성을 높이고, 불량률을 감소시킬 수 있는 효과가 기대됩니다.

• 또한, 본 연구에서 제안한 시스템은 건설, 조선, 제조업 등 다양하고 복잡한 산업 분야에서 적용될 수 있습니다. 특히, 품질 보증 측면에서 아크 모니터링 시스템을 통해 용접 품질을 실시간으로 평가함으로써, 고객의 신뢰도를 더욱 높일 수 있을 것으로 사료됩니다. 이러한 기술의 산업적 활용은 생산성 향상은 물론, 전반적인 비용 절감에도 기여할 것입니다.

• 5-3. 향후 연구 방향과 개선점

• 향후 연구는 아크 이미지 분석의 정확성을 더욱 향상시키고 다양한 용접 조건에 대한 데이터를 확대하는 방향으로 진행될 예정입니다. 예를 들어, 다양한 금속 합금 혹은 각기 다른 재료 및 두께를 가진 샘플로 실험을 진행하고, 이러한 데이터가 누적된다면 보다 포괄적이고 신뢰할 수 있는 모델을 구축할 수 있을 것입니다.

• 더불어, 사용자 친화적인 인터페이스를 개발하여 실제 산업 현장에서의 적용성을 높이고, 딥러닝 모델의 지속적인 학습을 통해 변화하는 용접 환경에 실시간으로 적응할 수 있는 시스템으로 발전시켜 나가야 합니다. 이를 통해 아크 이미지 기반의 품질 관리 시스템이 더욱 신뢰받는 기술로 자리잡을 수 있도록 노력할 것입니다.

결론

• 딥러닝을 활용한 아크 이미지 분류 연구는 아크 용접의 품질 관리에 있어 혁신적인 변화를 가져올 가능성을 보여줍니다. 본 연구에서는 아크 용접 과정에서의 품질 평가를 위한 이미지 분석 알고리즘을 성공적으로 구현하였고, 이를 통해 높은 정확도의 품질 예측이 가능함을 입증하였습니다. 이러한 알고리즘이 산업 현장에서 실제로 구현된다면, 고품질의 용접 결과 지속 달성이 가능할 것입니다. 이 연구의 핵심 발견은 용접 품질 통제를 위한 새로운 접근법을 확립했다는 점으로, 이는 앞으로의 산업 적용에 큰 도움이 될 것입니다.

• 또한, 향후 연구 방향으로는 다양한 용접 재료와 조건에 따른 데이터 확장을 제안합니다. 이는 알고리즘의 신뢰성을 더욱 높여줄 것이며, 사용자 친화적인 인터페이스 개발 또한 중요합니다. 사용자가 실제 현장에서 쉽게 적용할 수 있도록 도와주는 시스템으로 발전할 필요가 있습니다. 이러한 노력이 뒷받침된다면 아크 이미지 기반 품질 관리 시스템은 더욱 신뢰받는 기술이 되어, 공정의 일관성을 높이고 불량률을 줄여 기업의 생산성과 이윤 증대에 기여할 것입니다.

용어집

• Tip-Rotation 아크 용접 [공정]: 전극을 회전시키면서 아크를 발생시켜 용접하는 공정으로, 아크의 안정성과 품질을 보장함.

• CNN (Convolutional Neural Network) [딥러닝 모델]: 이미지와 같은 데이터의 패턴을 인식하는 데 사용되는 신경망 구조로, 주로 이미지 처리에 효과적임.

• 전처리 [데이터 처리]: 모델 학습을 위해 데이터를 정리하고 조정하는 과정으로, 품질 예측의 정확성을 높이는 데 필수적임.

• 정확도 [성능 지표]: 모델이 올바르게 분류한 샘플의 비율로, 전체 테스트 샘플 중 정확하게 예측된 샘플의 비율을 나타냄.

• 피드백 메커니즘 [시스템 구성]: 모니터링 시스템에서 수집된 데이터를 기반으로 실시간으로 사용자에게 조치를 권장하는 기능.

• 모니터링 시스템 [시스템]: 용접 공정의 품질을 실시간으로 감시하고 평가하는 시스템으로, 하드웨어와 소프트웨어로 이루어짐.

• 정밀도 [성능 지표]: 올바르게 분류된 '불량' 샘플의 비율을 나타내며, 잘못 분류된 샘플이 적음을 의미함.

• 재현율 [성능 지표]: 모든 '불량' 샘플이 잘 인식되었음을 나타내는 비율로, 품질 검증의 신뢰성을 높임.

• F1-score [성능 지표]: 정밀도와 재현율의 조화로운 평균으로, 불균형한 데이터셋에서 유용한 성능 평가 지표임.

출처 문서

• Development of an Arc Image Classification Algorithm in ...https://www.e-jwj.org/journal/view.php?number=2032285
• Spatter Generation During Constant Voltage DC-AC Pulse ...https://e-jwj.org/m/journal/view.php?number=2031952
• Journal of Welding and Joininghttps://e-jwj.org/m/journal/view.php?number=2032285