Welding Robot

LVS (scanControl) 를 사용한 품질 평가

용접 표면 검사에서 LVS(Laser Vision Sensor)와 같은 3D 프로파일 센서의 데이터를 다룰 때 가장 중요한 것은 원시 Point Cloud 데이터를 어떤 형태로 가공하여 AI 모델에 주입할 것인가입니다.

수집되는 데이터를 기반으로 현업에서 가장 신뢰도가 높고 효율적인 AI 모델과 접근법 두 가지를 추천합니다.

추출된 PLY 형태의 3D Point Cloud 데이터를 Z축(높이) 기준으로 투영하여 픽셀의 밝기(Intensity)로 표현하는 2D 그레이스케일 이미지(Depth Map)로 변환한 뒤, 성숙도가 높은 2D Vision AI 모델을 적용하는 방식입니다.

비지도 학습 기반 이상 탐지 (Anomaly Detection)
- 추천 모델: PatchCore, PaDiM
- 적용 시점: 초기에는 양불(Defect) 데이터가 턱없이 부족하고 정상 용접 데이터만 압도적으로 많을 때 매우 유용합니다. 정상적인 용접 비드(Bead)의 특징만을 학습한 후, 여기서 벗어나는 영역(기포, 언더컷, 튐 현상 등)의 결함 스코어를 산출하는 데 탁월한 성능을 보입니다.
지도 학습 기반 분할 및 탐지 (Segmentation & Detection)
- 추천 모델: YOLOv11-Seg, U-Net (또는 DeepLabV3+)
- 적용 시점: 결함 데이터가 충분히 라벨링되었고, 픽셀 단위로 결함의 위치와 종류를 정확히 특정해야 할 때 사용합니다. 특히 YOLO 계열은 실시간 추론 속도가 매우 빨라 생산 라인 적용에 유리합니다.

Depth Map으로 투영할 때 발생할 수 있는 측면 굴곡이나 미세한 기하학적 정보 손실을 막기 위해, 3D 데이터 자체를 직접 모델에 태우는 방법입니다. 연산량이 상대적으로 많고 실시간 추론 최적화가 까다롭습니다.

추천 모델: PointNet++, MinkowskiEngine (Sparse 3D Convolution)
적용 시점: 결함 유무를 넘어서, 비드의 폭/높이/볼륨 불량 등 기하학적 형상 자체를 3D 공간상에서 세밀하게 계측하고 분류해야 할 때 적합합니다.

"AI 기반의 자동 용접 로봇" 관련 내용 정리.

lastmod 2026-09-29created 2026-09-29author Zer0 sitemap