earticle

영어

Weld defect inspection is a critical process for ensuring the reliability and quality of welded structures in the manufacturing industry. However, conventional inspection methods suffer from several inherent limitations, including inspector subjectivity, time-consuming procedures, fatigueinduced errors, and performance variability depending on the level of expertise. To address these challenges, this study proposes an automated weld quality evaluation method based on artificial intelligence (AI) and computer vision techniques. Pixel-level image segmentation is employed to automatically detect and classify weld defects, and the performance of various deep learning models is systematically compared. Both convolutional neural network (CNN)-based models and transformer-based architectures are implemented, including YOLOv5x-seg, Mask R-CNN, and DeepLabv3+. The proposed framework targets four major types of weld defects—porosity, lack of fusion, incomplete penetration, and undercut—along with normal welds. A weld defect image dataset with precise polygon-based annotations is constructed and utilized for model training and evaluation. Experimental results demonstrate that the YOLOv5x-seg model achieves the best overall performance, attaining a mean average precision of 82.6% at an IoU threshold of 0.5 (mAP@0.5), while outperforming the other models in both defect detection accuracy and segmentation quality. These results indicate that deep learning-based weld defect segmentation can effectively replace conventional manual inspection methods. Moreover, the proposed approach shows strong potential for real-time weld quality monitoring and the deployment of automated inspection systems in industrial environments.

한국어

제조 산업에서 용접 결함 검사는 용접부의 신뢰성과 품질을 확보하기 위한 핵심 공정 중 하나이다. 그러나 기존의 수동 검사 방식은 검사자의 주관성, 장시간 검사로 인한 피로 누적, 그리고 숙련도 차이에 따라 검사 결과의 신뢰성 이 저하될 수 있다는 한계를 지닌다. 이러한 문제를 해결하기 위하여 본 연구에서는 인공지능(AI) 기반 컴퓨터 비전 기술을 활용한 용접 품질 자동 평가 방법을 제안한다. 구체적으로는 픽셀 수준의 세분화(segmentation)를 통해 용 접 결함을 자동으로 탐지 및 분류하고자 하였으며, 이를 위해 다양한 딥러닝 모델의 성능을 비교·분석하였다. 합성곱 신경망(CNN) 기반 모델과 트랜스포머 구조를 포함한 YOLOv5x-seg, Mask R-CNN, DeepLabv3+ 모델을 적 용하였다. 용접 결함 유형은 기공(Porosity), 융합 부족(Lack of Fusion), 용입 불량(Incomplete Penetration), 언더컷(Undercut)의 네 가지 주요 결함과 Normal Weld(정상 용접부)로 정의하였다. 먼저, 폴리곤(polygon) 형 태로 정밀하게 주석(annotation)된 용접 결함 이미지 데이터셋을 구축하였으며, 이를 각 딥러닝 모델의 학습 및 검 증에 활용하였다. 실험 결과, YOLOv5x-seg 모델은 mAP@0.5 기준 82.6%의 정확도를 기록하여 가장 우수한 성능을 나타냈으며, 다른 모델 대비 높은 결함 탐지율과 분할 성능을 확인하였다. 본 연구 결과를 통해 딥러닝 기반 용접 결함 세분화 기법이 기존의 수동검사 방식을 효과적으로 대체할 수 있음을 확인하였으며, 향후 산업 현장에서 의 실시간 용접 품질 모니터링 및 자동화 검사 시스템 구현에 대한 가능성을 입증하였다.