EN
뉴스
엔진 블록 및 실린더 헤드 결함 검사: 주조 결함을 위한 딥러닝 비전 기술
개요
엔진 블록과 실린더 헤드는 제조 과정의 여러 단계에서 결함이 발생할 수 있다. 주조 결함 모래 구멍, 다공성, 수축 결함, 불순물 혼입 등은 주조 공정 중에 발생하며, 가공 및 취급 결함 충격 자국 및 긁힘 등 후속 생산 공정에서 발생할 수 있다.
Big Bird Industrial의 비전 검사 솔루션은 20MP 산업용 카메라, 고휘도 조명, 로봇 기반 촬영 및 딥러닝 알고리즘을 결합하여 엔진 블록과 실린더 헤드의 가공면 결함과 육안으로 확인 가능한 주조 결함을 모두 검사한다.
참고된 시스템의 공식 검사 사이클은 4.5분 , 최종 구성 및 타크는 작업물 및 검사 요구 사항에 따라 맞춤 설정 가능합니다.
주조 결함과 가공 결함은 서로 다른 검사 문제입니다
엔진 블록 및 실린더 헤드는 근본적으로 다른 제조 단계에서 유래한 결함을 포함할 수 있습니다.
주조 결함
주조 관련 대표적 결함에는 다음이 있습니다:
- 모래 구멍
- 가스 기공
- 수축 결함
- 포함 사항
이러한 결함은 금속 충전, 응고 또는 기타 주조 공정 중에 형성됩니다. 표면에 노출될 경우 어두운 점, 움푹 패인 부분, 불규칙한 오목부, 또는 표면 질감이 다른 영역으로 나타날 수 있습니다.
가공 및 취급 결함
주조 후 엔진 블록 및 실린더 헤드는 가공, 운반, 클램핑 등 다양한 생산 작업을 거칩니다.
이 단계에서 발생하는 대표적 결함에는 다음이 있습니다:
- 충격 흔적
- 스크래치
- 표면 손상
- 국소적인 움푹 패임
이러한 결함은 주조 결함과 시각적으로 상당히 다를 수 있습니다.
이 차이는 기계 비전에서 중요하다. 두 결함 그룹은 서로 다른 영상 촬영 및 알고리즘 전략을 필요로 할 수 있기 때문이다.
2. 주조 결함 검출이 어려운 이유
주조 표면은 고도로 균일한 가공 표면보다 본질적으로 더 복잡하다.
가공 표면은 비교적 일관된 질감과 반사율을 가질 수 있는 반면, 주조 표면에는 다음 요소가 포함될 수 있다.
- 불규칙한 질감
- 자연스러운 표면 변화
- 거칠기 변화
- 조명 반응의 차이
- 재료에 기인한 시각적 특징
모래 구멍 및 다공성과 같은 주조 결함은 모양과 크기 면에서도 상당히 다양할 수 있다.
따라서 단순한 임계값 기반 시각 시스템은 실제 결함과 정상 주조 텍스처를 구분하는 데 어려움을 겪을 수 있다.
이러한 이유로, 참조된 시스템은 딥러닝 기반 머신 비전 .
고정된 명암 또는 기하학적 임계값에만 의존하는 대신, 학습된 모델은 대표적인 양품 및 불량품 샘플에서 시각적 특성을 스스로 학습할 수 있다.
그러나 딥러닝은 적절한 영상 촬영의 필요성을 없애지 않는다. 조명, 광학 해상도, 시료 품질, 검사 영역 정의는 여전히 시스템 성능의 근본 요소이다.
3. 검사 솔루션: 딥러닝 + 고해상도 비전
참조된 장비는 가공 결함과 주조 결함 검사를 하나의 통합 검사 워크플로로 통합한다.
가공면 결함
이 시스템은 지정된 가공 부위를 다음 결함들에 대해 검사할 수 있다:
- 충격 흔적
- 스크래치
- 표면 손상
주조 결함
검사 범위에는 다음도 포함됩니다.
- 모래 구멍
- 가스 기공
- 수축 결함
- 포함 사항
실제로 탐지 가능한 결함 크기 및 허용 기준은 부품 표면, 영상 촬영 조건, 고객이 정의한 품질 기준에 따라 달라집니다.
딥러닝 기반 검사
이 시스템은 캡처된 영상을 분석하기 위해 딥러닝 알고리즘을 사용합니다.
이 방식은 결함의 형태를 단순한 고정 규칙으로 설명하기 어려운 경우 특히 유용합니다.
예를 들어, 모래 구멍 및 다공성은 다음 요소에서 차이를 보일 수 있습니다.
- 형태
- 크기
- 가장자리 특성
- 대비
- 표면 질감
- 배포
대표적인 샘플을 활용해 딥러닝 모델을 학습시켜 이러한 특성을 식별할 수 있습니다.
4. 하드웨어 구성
참고 시스템은 고해상도 영상 촬영과 로봇 위치 제어 기술을 함께 사용합니다.
시력 시스템
- 2000만 화소 산업용 카메라
- 초대형 고휘도 광원
고해상도 카메라가 상세한 영상 정보를 제공하며, 대형 조명 시스템은 검사 영역 전반에 걸쳐 적절한 조명을 제공하도록 설계되었다.
로봇 영상 장치
AFANUC 로봇 이 자동화된 카메라 위치 조정 및 영상 촬영에 사용된다.
이 구성은 복잡한 엔진 부품의 여러 부위를 검사할 수 있게 해 주며, 각 검사 위치마다 별도의 고정식 카메라를 설치할 필요가 없다.
제어 및 데이터 기능
이 시스템은 다음을 통합합니다:
- 코드 읽기
- 머신 비전 검사
- 딥러닝 알고리즘
- 검사 추적성
- 데이터 분석
- 원격 데이터 접근
이를 통해 검사 결과를 개별 작업물과 연계하여 품질 분석을 위해 나중에 다시 검토할 수 있다.
5. 기술 사양
다음 사양은 참조된 시스템에 대한 공개된 제품 정보를 기준으로 한다.
| 항목 | 사양 |
|---|---|
| 응용 분야 | 상용 차량, 승용 차량(NEV 포함) |
| 작업물 | 신에너지 동력장치 부품; 디젤 및 가솔린 동력장치 부품 |
| 검사 범위 | 가공면 결함 및 주조 결함 |
| 주조 결함 | 모래 구멍, 다공성, 수축 결함, 불순물 혼입 |
| 가공 결함 | 충격 흔적, 긁힘 및 관련 표면 손상 |
| 공표된 점검 주기 | 4.5분 |
| 산업용 카메라 | 20 MP |
| 조명 | 초대형 고휘도 광원 |
| 로봇 | 파낙 |
| 제어 | 지멘스/어드밴티크 산업용 PC |
| 검사 기술 | 머신 비전 + 딥 러닝 |
| 기능 | 코드 인식, 검사, 추적성, 데이터 분석 및 원격 접속 |
이 4.5분 사이클은 공식 발표된 응용 사례 값임 실제 검사 타크는 검사 영역 수, 작업물 형상, 로봇 경로, 영상 처리 요구사항 및 생산 방식에 따라 평가해야 함.
6. 주요 선정 고려 사항
6.1 알고리즘 개발 전 샘플 데이터베이스 구축
딥러닝 성능은 샘플 품질에 크게 의존함.
프로젝트에서는 다음을 포함하는 대표적 샘플을 수집해야 함.
- 정상 제품
- 명확한 불량 제품
- 다양한 결함 유형
- 다양한 결함 크기
- 경계 또는 경계선 근처 샘플
- 다양한 표면 상태
경계선 근처 샘플은 특히 중요합니다. 실제 양산에서 발생하는 결함은 실험실 예시만큼 명확하지 않기 때문입니다.
6.2 정량적 결함 기준 정의
"작은 다공성" 또는 "사소한 모래 구멍"과 같은 용어는 공학적 기준 없이 시각 검사 시스템이 해석하기 어렵습니다.
품질 사양서는 적용 가능한 경우 다음을 정의해야 합니다:
- 최소 결함 크기
- 허용 최대 결함 크기
- 결함 수
- 결함 밀도
- 결함 위치
- 결함 간 허용 거리
그러면 알고리즘을 명확히 정의된 검사 대상에 대해 학습시키고 검증할 수 있다.
6.3 생산 계획 시 4.5분 사이클 고려
공표된 사이클 타임은 고속 인라인 비전 검사에 비해 상대적으로 보수적이다.
이로 인해 다음 용도에 적합한 구성이 될 수 있다:
- 중요 부품의 전수 검사
- 배치 검사
- 라인 종료 시 품질 검사
- 샘플링 검사
검사를 더 빠른 생산 라인에 통합해야 하는 경우, 검사 포인트를 여러 개의 병렬 스테이션으로 분산시킬 수 있다.
실제 솔루션은 하나의 로봇화된 검사 셀이 모든 타크 요구사항을 충족한다고 가정하기보다는, 사이클 타임 분석을 통해 결정해야 한다.
6.4 데이터 접근 및 보관 계획
원격 데이터 조회 기능은 품질 추적성에 유용하지만, 시스템은 공장의 실제 IT 환경을 기반으로 설계되어야 한다.
기술 사양서에는 다음 사항을 명시해야 한다.
- 데이터 보관 기간
- 이미지 저장 용량
- 사용자 권한
- 원격 접근 방식
- 비상 전원 공급 요구 사항
- 공작물과 검사 결과 간 연계 방식
7. 비전 검사로 주조 결함을 탐지할 수 있는가?
기계 비전은 검사 대상 표면에 시각적으로 노출된 주조 결함을 탐지할 수 있다 . 여기에는 모래 구멍, 기공, 수축 관련 표면 결함, 불순물 포함 등 적절한 예시가 포함된다.
그러나 중요한 제한 사항이 있다.
주조물 내부에 완전히 묻혀 있는 결함은 표면상으로는 어떤 징후도 보이지 않으므로, 표면 영상만으로는 신뢰성 있게 탐지할 수 없다. .
이러한 내부 결함은 적용 분야에 따라 초음파 검사나 방사선 검사와 같은 다른 비파괴 검사 방법이 필요할 수 있다.
- X-레이 검사
- 초음파 검사
- 자기 입자 검사
- 기타 특정 용도에 맞춘 비파괴 검사 방법
따라서 시각 검사는 가시적 표면 및 근표면에서 나타나는 결함을 점검하는 방법으로 이해해야 한다. 이는 주조물 검사의 모든 형태를 대체하는 수단이 아니다.
8. 딥러닝 모델 성능 유지
딥러닝 모델은 일반적으로 일정 기간 동작했다는 이유만으로 정확도가 떨어지지 않는다.
그러나 생산 조건이 변경되면 검사 성능이 달라질 수 있다.
예시:
- 새로운 주조 재료 또는 공급업체
- 새로운 가공 공정
- 표면 마감 변경
- 조명 변경
- 신제품 모델
- 새로운 결함 유형
- 카메라 교체
- 고정장치 또는 로봇 위치 변경
따라서 강력한 비전 프로젝트에는 다음을 포함하는 모델 유지 관리 메커니즘이 필요하다:
- 새로운 결함 샘플 수집
- 생산 샘플 검토
- 모델 검증
- 모델 업데이트
- 버전 관리
- 변경 후 재검증
이러한 책임과 절차는 장비 인수 전 기술 계약서에 명확히 정의하는 것이 가장 바람직합니다.
9. 비전 검사와 세정 통합
엔진 블록 및 실린더 헤드는 최종 검사 전 세정을 받을 수 있습니다.
세정과 비전 검사 모두를 요구하는 생산 라인의 경우, 두 공정을 보다 포괄적인 품질 관리 워크플로우에 통합할 수 있습니다.
일반적인 순서는 다음과 같습니다:
가공 → 세정 → 건조 → 비전 검사 → 추적성 → 조립
이 방식은 불필요한 중간 취급 과정에서 발생할 수 있는 새로운 오염이나 충격 손상 가능성을 줄일 수 있습니다.
또한 검사 결과를 조립 직전 부품의 실제 상태를 더 정확히 반영하도록 만들 수 있습니다.
빅버드 인더스트리얼은 산업용 정밀 세정 장비와 머신 비전 검사 기능을 모두 보유하고 있으며 세정과 검사가 모두 필요한 응용 분야에 통합된 솔루션을 제공할 수 있습니다.
10. 빅버드 인더스트리얼의 머신 비전 검사 기능
하얼빈 빅버드 인더스트리얼 유한공사(빅버드 인더스트리얼)는 이전 명칭 하얼빈 시마다 빅버드 인더스트리얼 유한공사입니다. 자동차 파워트레인 및 정밀 제조 분야를 위한 통합 산업용 세정 및 머신 비전 솔루션을 제공합니다.
자사의 머신 비전 사업은 다음 6개 전문 분야로 구성된다.
- Orient See — 차원 및 기하학적 검사
- Surface See — 표면 결함 검사
- Assembly See — 조립 검사 및 포카-요케
- Inner See — 내부 구멍 및 내벽 검사
- 페인트 확인 — 페인트 표면 결함 검사
- 알고리즘 및 소프트웨어 플랫폼 — 기계 비전 알고리즘 및 소프트웨어
엔진 블록 및 실린더 헤드의 경우, Surface See 가공면 결함과 육안으로 확인 가능한 주조 결함 모두에 대해 설정할 수 있습니다.
내부 구멍 검사가 필요한 경우, Inner See 내부 구멍 및 내벽 표면 관련 검사 요구 사항을 충족할 수 있습니다.
이를 통해 검사 시스템을 실제 결함 유형, 검사 위치, 생산 공정에 따라 맞춤 설정할 수 있으며, 모든 영역에 동일한 영상 촬영 방식을 일괄 적용하지 않습니다.
자주 묻는 질문
기계 비전이 모래 구멍 및 다공성 결함에 대한 수작업 검사를 대체할 수 있나요?
검사 대상 표면에 육안으로 확인 가능한 결함의 경우, 자동화된 비전 검사가 수작업 육안 검사를 대체하거나 크게 줄일 수 있습니다.
그러나 주조물 내부에 완전히 숨겨져 있고 표면상으로는 어떠한 징후도 보이지 않는 결함은 표면 영상만으로는 탐지할 수 없습니다. 이러한 결함은 적절한 비파괴 검사 방법이 필요합니다.
딥러닝 모델이 일정 기간 운영 후 정확도가 떨어질 수 있나요?
작동 시간 때문만은 아님.
제품, 공정, 소재, 조명 또는 결함 발생률이 변경되면 성능도 달라질 수 있음. 따라서 장기적인 양산 안정성을 위해 지속적인 샘플 수집과 모델 검증이 중요함.
공식적으로 발표된 검사 사이클이 4.5분인 이유는 무엇인가?
해당 시스템은 로봇 정밀 위치 제어와 영상 처리 기술을 활용하여 복잡한 엔진 부품 표면 전반에 걸쳐 다수의 촬영 작업을 수행함.
공식적으로 발표된 4.5분 주기 는 해당 응용 사례에 적합함. 더 빠른 생산 타크(takt)가 필요할 경우, 검사 포인트를 병렬 스테이션 간에 분배하거나 촬영 및 로봇 동작 경로를 최적화할 수 있음.
시각 검사 시스템을 세척 장치와 연동할 수 있는가?
네, 그래요
빅 버드 인더스트리얼은 정밀 산업용 세정 장비와 머신 비전 검사 시스템을 모두 제공한다. 생산 공정에서 필요할 경우, 세정과 검사를 연계하여 부품이 세정 및 건조 후 바로 자동 시각 검사와 추적 가능성을 갖추도록 할 수 있다.
결론
주조 결함과 기계 가공 결함은 엔진 블록 및 실린더 헤드에 대해 서로 다른 품질 관리 과제를 제시한다.
모래 구멍, 다공성, 수축 결함, 불순물 혼입 은 주조 과정에서 발생하며, 스크래치 및 충격 흔적 은 기계 가공, 취급 또는 생산 이송 과정에서 유입될 수 있다. 이들의 시각적 특성은 상당히 달라서 단일 고정 임계값 기반 검사 전략을 신뢰성 있게 적용하기 어렵다.
참고된 솔루션은 20MP 산업용 카메라, 고휘도 조명, FANUC 로봇 위치 제어 및 딥러닝 기반 머신 비전 을 결합하여 지정된 가공 면과 육안으로 확인 가능한 주조 결함 모두를 검사한다.
그러나 양산 적용에서는 딥러닝 기반 검사의 효과성은 알고리즘 자체 이상의 요소에 좌우된다. 대표 샘플, 정량적 허용 기준, 안정적인 영상 촬영 조건, 그리고 명확히 정의된 모델 유지 관리 절차 는 신뢰할 수 있는 비전 검사 시스템을 구성하는 데 모두 필수적이다.
청소, 표면 검사, 추적성 확보를 통합하려는 제조업체의 경우, 빅버드 인더스트리얼은 이러한 공정들을 보다 광범위한 자동화 품질 관리 워크플로로 통합할 수 있으며, 시마다 는 회사의 역사적 브랜드 정체성 일부로 계속 유지된다.
