딥러닝 기반 배터리 부품 표면 결함검출과 통계적 공정관리 연동

Deep learning defect detection for battery components with statistical quality control integration

연구 내용

컴퓨터 비전 기반 딥러닝으로 마이크로패스터 표면 스크래치를 자동 분류하고, 통계적 공정관리로 공정 의사결정을 지원하는 연구

배터리 부품 제조에서는 표면 스크래치와 같은 결함을 사람이 판정할 경우 재현성과 처리시간 문제가 발생합니다. 본 연구는 실제 공장에서 수집한 마이크로패스터 표면 이미지를 대상으로 서로 다른 딥러닝 예측 방식을 비교하고, 결함 분류 정확도와 처리 효율을 함께 고려합니다. 또한 통계적 공정관리(SQC) 아키텍처를 구성해 예측된 결함을 관리도 형태로 분석하고, 공정 흐름에서 운영자가 확인 가능한 의사결정 신호를 제공합니다. 이를 통해 자동화된 결함 탐지와 품질 개선을 연동하는 구조를 제시합니다.

관련 프로젝트

1건

연구 흐름

초기에는 마이크로패스터 표면 결함을 이미지 기반으로 자동 탐지하기 위해 직접·간접 예측 등 딥러닝 접근을 비교하는 설계를 수행했습니다. 이후 실제 데이터셋 기반 실험을 통해 예측 성능과 효율을 동시에 평가하고, 운영 관점에서 적합한 예측 흐름을 선택했습니다. 다음 단계로는 통계적 공정관리 관점에서 관리도와 연동해 예측 결함을 공정 상태로 해석할 수 있도록 구성했습니다. 최종적으로 생산라인 운영자가 공정 변화를 인지하고 조정할 수 있는 품질 피드백 구조를 마련하는 방향으로 전개되었습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

마이크로패스터 결함 분류
스크래치 자동 검사
통계적 공정관리 대시보드
예측 기반 품질 예측
관리도 기반 공정 해석
컴퓨터 비전 검사 자동화
공정 이상 징후 모니터링
딥러닝 품질관리 파이프라인
제조 품질 의사결정 지원
배터리 부품 검사 표준화