CN113362194A - 涂装质量预测装置以及已学习模型的生成方法 - Google Patents

涂装质量预测装置以及已学习模型的生成方法 Download PDF

Info

Publication number
CN113362194A
CN113362194A CN202110202924.XA CN202110202924A CN113362194A CN 113362194 A CN113362194 A CN 113362194A CN 202110202924 A CN202110202924 A CN 202110202924A CN 113362194 A CN113362194 A CN 113362194A
Authority
CN
China
Prior art keywords
paint
coating
learned model
coating film
quality prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110202924.XA
Other languages
English (en)
Other versions
CN113362194B (zh
Inventor
光崎守
森田英明
西村彰
八寻新
冈崎和征
村井智洋
西胁大智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=77524689&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN113362194(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN113362194A publication Critical patent/CN113362194A/zh
Application granted granted Critical
Publication of CN113362194B publication Critical patent/CN113362194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
    • B05C11/10—Storage, supply or control of liquid or other fluent material; Recovery of excess liquid or other fluent material
    • B05C11/1002—Means for controlling supply, i.e. flow or pressure, of liquid or other fluent material to the applying apparatus, e.g. valves
    • B05C11/1005—Means for controlling supply, i.e. flow or pressure, of liquid or other fluent material to the applying apparatus, e.g. valves responsive to condition of liquid or other fluent material already applied to the surface, e.g. coating thickness, weight or pattern
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D5/00—Coating compositions, e.g. paints, varnishes or lacquers, characterised by their physical nature or the effects produced; Filling pastes
    • C09D5/03—Powdery paints
    • C09D5/033—Powdery paints characterised by the additives
    • C09D5/035—Coloring agents, e.g. pigments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G01N2021/8427—Coatings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Organic Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • Materials Engineering (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Human Resources & Organizations (AREA)
  • Biochemistry (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

本发明涉及涂装质量预测装置以及已学习模型的生成方法。涂装质量预测装置具备：已学习模型，对涂料的特性和该涂料涂装时的条件与通过在该条件下涂装该涂料而获得的涂膜的表面的平滑性之间的关系进行了学习；以及运算部，使用已学习模型，根据涂料的特性和涂装时的条件计算出涂膜的表面的平滑性。

Description

涂装质量预测装置以及已学习模型的生成方法
技术领域
本发明涉及涂装质量预测装置以及已学习模型的生成方法。
背景技术
以往，已知有获得一定水准的涂饰外皮(finished skin)的涂装方法(例如参照日本特开2000－246167)。
日本特开2000－246167的涂装方法被配置为：在检测到涂装环境的变动的情况下，进行与该涂装环境的变动相应的涂装条件的变更。由此，能获得一定水准的涂饰外皮，因此能提高涂装质量的稳定性。
在此，在上述的涂装方法中，能在对被涂装物进行涂装时进行反馈控制而使涂装质量稳定，但并不是在对被涂装物进行涂装前预测涂装质量。
发明内容
本发明的目的之一在于，提供一种能在对被涂装物进行涂装前预测涂装质量的涂装质量预测装置。本发明的另一目的在于，提供一种已学习模型的生成方法，其能生成用于预测涂装质量的涂装质量预测装置的已学习模型。
基于本发明的涂装质量预测装置具备：已学习模型，对涂料的特性和该涂料涂装时的条件与通过在该条件下涂装该涂料而获得的涂膜的表面的平滑性之间的关系进行了学习；以及计算部，使用已学习模型，根据涂料的特性和涂装时的条件计算出涂膜的表面的平滑性。
能通过如此构成来预测涂膜的表面的平滑性，因此能在对被涂装物进行涂装前预先掌握平滑性。
在上述涂装质量预测装置中，可以是，已学习模型对涂料的特性和该涂料涂装时的条件与将通过在该条件下涂装该涂料而获得的涂膜的表面的测定结果分解成多个波长区域而获得的各波长区域的值之间的关系进行了学习。
在上述涂装质量预测装置中，可以是，涂料涂装时的条件包括被涂装物的面的朝向。
在上述涂装质量预测装置中，可以是，涂料包括：中涂涂料、底色涂料以及透明涂料，涂膜包括：中涂涂膜、形成在中涂涂膜上的底色涂膜以及形成在底色涂膜上的透明涂膜。
在该情况下，底色涂料的特性可以基于该底色涂料的材料来计算。
基于本发明的涂装质量预测装置具备：已学习模型，对关于涂料的信息和该涂料涂装时的条件与通过在该条件下涂装该涂料而获得的多个被涂装物的涂色的偏差之间的关系进行了学习；以及计算部，使用已学习模型，根据关于涂料的信息和涂装时的条件计算出涂色的偏差。
能通过如此构成来预测涂色的偏差，因此能在对被涂装物进行涂装前预先掌握涂色的偏差。
在上述涂装质量预测装置中，可以是，涂色的偏差包括CIE1976L*a*b*颜色空间中的各值的偏差。
在上述涂装质量预测装置中，可以是，关于涂料的信息包括涂料的样本色。
基于本发明的已学习模型的生成方法包括以下步骤：获取训练数据，所述训练数据包括涂料的特性、该涂料涂装时的条件以及通过在该条件下涂装该涂料而获得的涂膜的表面的平滑性；以及使用训练数据，生成已学习模型，所述已学习模型在被输入涂料的特性和涂装时的条件的情况下输出涂膜的表面的平滑性。
基于本发明的已学习模型的生成方法包括以下步骤：获取训练数据，所述训练数据包括关于涂料的信息、该涂料涂装时的条件以及在该条件下涂装该涂料后的多个被涂装物的涂色的偏差；以及使用训练数据，生成已学习模型，所述已学习模型在被输入关于涂料的信息和涂装时的条件的情况下输出涂色的偏差。
根据本发明的涂装质量预测装置，能在对被涂装物进行涂装前预测涂装质量。根据本发明的已学习模型的生成方法，能生成用于预测涂装质量的涂装质量预测装置的已学习模型。
附图说明
以下，参照附图，对本发明的示例性实施例的特征、优点以及技术和工业意义进行说明，其中，相同的附图标记表示相同的元件，其中：
图1是示出基于第一实施方式的涂装质量预测装置的框图。
图2是示出基于第一实施方式的学习装置的框图。
图3是示出被预测涂装质量的涂膜的一个例子的示意图。
图4是用于说明由第一实施方式的学习装置进行的学习动作的流程图。
图5是用于说明由第一实施方式的涂装质量预测装置进行的预测动作的流程图。
图6是示出基于第二实施方式的涂装质量预测装置的框图。
图7是示出基于第二实施方式的学习装置的框图。
图8是用于说明由第二实施方式的学习装置进行的学习动作的流程图。
图9是用于说明由第二实施方式的涂装质量预测装置进行的预测动作的流程图。
图10A是用于说明由第二实施方式的涂装质量预测装置得出的预测结果的图。
图10B是用于说明由第二实施方式的涂装质量预测装置得出的预测结果的图。
图10C是用于说明由第二实施方式的涂装质量预测装置得出的预测结果的图。
具体实施方式
以下，对本发明的实施方式进行说明。
(第一实施方式)
首先，参照图1～图3，对基于本发明的第一实施方式的涂装质量预测装置1和学习装置2的构成进行说明。
涂装质量预测装置1(参照图1)被配置为使用已学习模型12a对涂膜100(参照图3)的表面的平滑性进行推定。学习装置2(参照图2)被配置为生成用于推定涂膜100的表面的平滑性的已学习模型20b。需要说明的是，储存于涂装质量预测装置1的已学习模型12a与由学习装置2生成的已学习模型20b相同。
在此，如图3所示，涂膜100例如包括中涂涂膜101、底色涂膜102以及透明涂膜103，例如形成在车身的钢板150上。在钢板150上形成有电沉积涂膜151。在电沉积涂膜151上形成有中涂涂膜101。在中涂涂膜101上形成有底色涂膜102。在底色涂膜102上形成有透明涂膜103。而且，涂装质量预测装置1被配置为对电沉积涂膜151上的涂膜100的平滑性进行预测。
该涂膜100的平滑性的测定能使用平滑性测定装置(省略图示)来进行。在平滑性测定装置中，从光源向涂膜100的表面照射激光，通过检测器对其反射光进行检测，并且通过光源沿表面移动而对表面进行扫描，由此，以确定的间隔逐点测定反射光的明暗，对表面的光学轮廓进行检测。然后，通过对光学轮廓进行滤波处理来分解成多个波长区域并按每个波长区域进行数值化。作为这样的平滑性测定装置，例如可列举出BYK－Gardner公司制的“Wave－ScanDual”。
在本实施方式中，光学轮廓被分解成第一波长区域～第四波长区域。第一波长区域是相对长波长侧的区域，第四波长区域是相对短波长侧的区域。第二波长区域和第三波长区域是第一波长区域与第四波长区域之间的区域，第二波长区域是长波长侧，第三波长区域是短波长侧。第一波长区域的值是评价涂膜100的表面的外皮的起伏(波度)的指标。第四波长区域的值是评价涂膜100的表面的光泽感(luster)的指标。第二波长区域的值和第三波长区域的值是干预外皮的起伏和光泽感的指标。在第一波长区域～第四波长区域中，值越小则平滑性越良好。需要说明的是，光学轮廓是本发明的“涂膜的表面的测定结果”的一个例子。
因此，涂装质量预测装置1被配置为使用已学习模型12a对各波长区域的值进行推定。学习装置2被配置为生成用于推定各波长区域的值的已学习模型20b。
如图2所示，学习装置2被配置为对原始数据20a进行预处理来生成训练数据，并使用该训练数据来生成已学习模型20b。该学习装置2具备：运算部21、存储部22、输入部23以及输出部24。
运算部21被配置为通过基于存储于存储部22的程序等执行运算处理来控制学习装置2。在存储部22存储有程序、该程序执行时所参照的数据库等。例如，在存储部22储存有学习用程序22a、基本特性判断程序22b、颜料DB22c以及光亮剂DB22d。输入部23被配置为能输入原始数据20a，输出部24被配置为能输出已学习模型20b。
原始数据20a包括关于过去实际进行过的涂装的各种信息、涂装后的平滑性的评价结果等，这些被建立关联。原始数据20a例如包括：“涂料的材料”、制造出该涂料的“涂料制造商名”、关于使用该涂料的涂装的“涂装时数据”、进行使用该涂料的涂装时的“涂装时条件”以及由平滑性测定装置得出的通过这样的设定形成的涂膜100的测定结果。
作为具体例，原始数据20a的一条记录(record)中包括以下的项目，原始数据20a由许多条记录构成。
(a1)中涂涂料的类别
(a2)中涂涂料的颜色
(a3)底色涂料的材料
(a4)透明涂料的类别
(b)涂料制造商名
(c1)底色涂料的不挥发性成分的分量
(c2)透明涂料的不挥发性成分的分量
(c3)中涂涂膜的厚度
(c4)底色涂膜的厚度
(c5)透明涂膜的厚度
(d1)涂装方向(被涂装物的面的朝向)
(d2)层叠方式
(d3)涂装环境
(e1)第一波长区域的值
(e2)第二波长区域的值
(e3)第三波长区域的值
(e4)第四波长区域的值
在上述项目中，“中涂涂料的类别”表示是水性还是溶剂。“中涂涂料的颜色”表示色调。“底色涂料的材料”表示涂料配方，是表示所配合的颜料名称和光亮剂名称以及它们的配合量的信息。使用该涂料配方进行后述的预处理(底色涂料的特性判断)。“透明涂料的类别”表示是一液型还是二液型。“涂装方向”表示是对被涂装物的表面被配置成与竖直方向正交的被涂装物进行涂装，还是对被涂装物的表面被配置成与水平方向正交的被涂装物进行涂装。“层叠方式”表示是3WET还是3C2B。3WET是在涂装中涂涂料/底色涂料/透明涂料之后进行烘烤的方式，3C2B是在涂装中涂涂料之后进行烘烤，在涂装底色涂料/透明涂料之后进行烘烤的方式。“涂装环境”表示涂装室内是高温高湿还是低温低湿还是标准。“第一波长区域的值～第四波长区域的值”是由平滑性测定装置得出的测定结果。需要说明的是，项目(a1)～(a4)是“涂料的材料”中所包括的项目，项目(c1)～(c5)是“涂装时数据”中所包括的项目，项目(d1)～(d3)是“涂装时条件”中所包括的项目。
此外，学习装置2被配置为使用原始数据20a的“底色涂料的材料”和“涂料制造商名”来判断“底色涂料的特性”。具体而言，通过由运算部21执行基本特性判断程序22b，从而根据“底色涂料的材料”和“涂料制造商名”，参照颜料DB22c和光亮剂DB22d来判断“底色涂料的特性”。“底色涂料的特性”由下述的“关于底色涂料的颜料的特性”和“关于底色涂料的光亮剂的特性”构成。
颜料DB22c中积累有关于颜料的信息，颜料DB22c被设为用于根据“底色涂料的材料(颜料名称及其配合量)”和“涂料制造商名”导出“关于底色涂料的颜料的特性”。“关于底色涂料的颜料的特性”例如包括以下的项目。
(a31)各种颜料的配合量
(a32)各种颜料的总计的配合量
(a33)底色涂料的粘度系数
此外，“各种颜料的配合量”例如包括以下的项目。
(a311)有机红色颜料配合量
(a312)无机红色颜料配合量
(a313)有机黄色颜料配合量
(a314)无机黄色颜料配合量
(a315)白色颜料配合量
(a316)紫色颜料配合量
(a317)蓝色颜料配合量
(a318)黑色颜料配合量
(a319)栗色颜料配合量
(a320)绿色颜料配合量
光亮剂DB22d中积累有关于光亮剂的信息，光亮剂DB22d被设为用于根据“底色涂料的材料(光亮剂名称及其配合量)”和“涂料制造商名”导出“关于底色涂料的光亮剂的特性”。“关于底色涂料的光亮剂的特性”例如包括以下的项目。
(a34)每种粒径的光亮剂的配合量
(a35)光亮剂的总计的配合量
(a36)涂膜内的光亮剂的占有量
(a37)由光亮剂的厚度产生的影响
(a38)光亮剂的粒径的偏差
(a39)光亮剂的重量
此外，“每种粒径的光亮剂的配合量”例如包括以下的项目。
(a341)粒径为0～8μm的光亮剂的配合量
(a342)粒径为8～12μm的光亮剂的配合量
(a343)粒径为12～16μm的光亮剂的配合量
(a344)粒径为16～20μm的光亮剂的配合量
(a345)粒径为20～24μm的光亮剂的配合量
即，学习装置2根据“底色涂料的材料”计算出“底色涂料的特性”，将原始数据20a的“底色涂料的材料”置换成“底色涂料的特性”作为训练数据。然后，在学习装置2中，通过由运算部21执行学习用程序22a来生成已学习模型20b。该已学习模型20b被配置为：在被输入“涂料的特性”、“涂料制造商名”、“涂装时数据”以及“涂装时条件”的情况下，输出“第一波长区域的值～第四波长区域的值”。需要说明的是，“涂料的特性”由“中涂涂料的类别”、“中涂涂料的颜色”、“底色涂料的特性”以及“透明涂料的类别”构成。
在此，在已学习模型20b中，作为对“第一波长区域的值”的输出大有贡献的要因设定有“涂装方向”，作为对“第四波长区域的值”大有贡献的要因设定有“透明涂膜的厚度”，这些与过去的经验一致。
如图1所示，涂装质量预测装置1具备：运算部11、存储部12、输入部13以及输出部14。需要说明的是，运算部11是本发明的“计算部”的一个例子。
运算部11被配置为通过基于存储于存储部12的程序等执行运算处理来控制涂装质量预测装置1。在存储部12存储有程序、该程序执行时所参照的数据库等。例如，在存储部12储存有已学习模型12a、基本特性判断程序12b、颜料DB12c以及光亮剂DB12d。输入部13被配置为能输入输入数据10a，输出部14被配置为能输出预测结果10b。
涂装质量预测装置1的基本特性判断程序12b、颜料DB12c以及光亮剂DB12d被配置为与学习装置2的基本特性判断程序22b、颜料DB22c以及光亮剂DB22d相同。输入数据10a中包括关于想要预测平滑性的涂装的各种信息。即，输入数据10a例如包括“涂料的材料”、“涂料制造商名”、“涂装时数据”以及“涂装时条件”。
因此，在涂装质量预测装置1中，在被输入了输入数据10a的情况下，由运算部11执行基本特性判断程序12b，由此根据“底色涂料的材料”和“涂料制造商名”，参照颜料DB12c和光亮剂DB12d来判断“底色涂料的特性”。由该涂装质量预测装置1进行的底色涂料的特性判断与由学习装置2进行的底色涂料的特性判断同样地进行。
而且，涂装质量预测装置1被配置为使用已学习模型12a，根据“涂料的特性”、“涂料制造商名”、“涂装时数据”以及“涂装时条件”计算出“第一波长区域的值～第四波长区域的值”。涂装质量预测装置1输出“第一波长区域的值～第四波长区域的值”作为预测结果10b。“第一波长区域的值～第四波长区域的值”越小，则预测为涂膜100的表面越平滑。
－学习动作－
接着，参照图4，对由第一实施方式的学习装置2进行的学习动作(已学习模型的生成方法)进行说明。需要说明的是，以下的各步骤由运算部21来执行。
首先，在图4的步骤S1中获取原始数据20a。原始数据20a中包括“涂料的材料”、“涂料制造商名”、“涂装时数据”、“涂装时条件”以及“第一波长区域的值～第四波长区域的值”。
接着，在步骤S2中，通过执行基本特性判断程序22b，从而根据“底色涂料的材料”和“涂料制造商名”计算出“底色涂料的特性”。由此，生成训练数据。该训练数据中包括“涂料的特性”、“涂料制造商名”、“涂装时数据”、“涂装时条件”以及“第一波长区域的值～第四波长区域的值”，这些被建立关联。
接着，在步骤S3中，通过执行学习用程序22a，从而使用训练数据生成已学习模型20b。在该已学习模型20b中，在被输入“涂料的特性”、“涂料制造商名”、“涂装时数据”以及“涂装时条件”的情况下，输出“第一波长区域的值～第四波长区域的值”。
－预测动作－
接着，参照图5，对由第一实施方式的涂装质量预测装置1进行的涂装质量的预测动作进行说明。需要说明的是，在涂装质量预测装置1的存储部12储存有已学习模型12a，该已学习模型12a是由学习装置2生成的已学习模型20b。此外，以下的各步骤由运算部11来执行。
首先，在图5的步骤S11中获取输入数据10a。输入数据10a中包括“涂料的材料”、“涂料制造商名”、“涂装时数据”以及“涂装时条件”。
接着，在步骤S12中，通过执行基本特性判断程序12b，从而根据“底色涂料的材料”和“涂料制造商名”计算出“底色涂料的特性”。由此，将输入数据10a的“涂料的材料”置换成“涂料的特性”。
接着，在步骤S13中，使用已学习模型12a，根据“涂料的特性”、“涂料制造商名”、“涂装时数据”以及“涂装时条件”计算出“第一波长区域的值～第四波长区域的值”。
－效果－
在第一实施方式中，如上所述，设有对“涂料的特性”和“涂装时条件”等与涂膜100的表面的平滑性(第一波长区域的值～第四波长区域的值)之间的关系进行了学习的已学习模型12a，使用该已学习模型12a，根据“涂料的特性”和“涂装时条件”等计算出涂膜100的表面的平滑性，由此能在对被涂装物进行涂装前预先掌握平滑性。因此，能预先调整涂料的材料等以获得所希望的平滑性，因此能谋求生产率的提高。
此外，在第一实施方式中，通过预测“第一波长区域的值”和“第四波长区域的值”，从而能根据“第一波长区域的值”对涂膜100的表面的外皮的起伏进行评价，并且根据“第四波长区域的值”对涂膜100的表面的光泽感进行评价。
此外，在第一实施方式中，能通过根据“底色涂料的材料”计算出“底色涂料的特性”来谋求使用已学习模型12a的预测精度的提高。例如，“底色涂料的特性”中的“底色涂料的粘度系数”是对“第一波长区域的值”和“第二波长区域的值”的输出有较大贡献的要因，能在考虑到该要因的基础上进行预测。
此外，在第一实施方式中，能由学习装置2生成用于预测平滑性的涂装质量预测装置1的已学习模型12a。
(第二实施方式)
接着，参照图6、图7以及图10A～图10C，对基于本发明的第二实施方式的涂装质量预测装置3和学习装置4的构成进行说明。
涂装质量预测装置3(参照图6)被配置为使用已学习模型32a对涂膜100(参照图3)的涂色的偏差进行推定。学习装置4(参照图7)被配置为生成用于推定涂膜100的涂色的偏差的已学习模型40b。需要说明的是，储存于涂装质量预测装置3的已学习模型32a与由学习装置4生成的已学习模型40b相同。
在此，涂色的偏差是指多个被涂装物的涂色的偏差。这是因为，在车身的生产现场等长期进行许多针对被涂装物(例如车身、保险杠)的涂装的情况下，即使使用同一涂料在同一条件下进行涂装，涂色也会产生偏差。即，重复进行完全一致的涂装是困难的。因此，涂装质量预测装置3被配置为对于针对在同一涂料和同一条件下重复进行的涂装的、多个被涂装物的涂色的偏差进行预测。
此外，涂膜100的涂色例如能使用多角度分光测色计(省略图示)进行测定。能利用多角度分光测色计以多个角度对CIE1976L*a*b*颜色空间中的测色值进行测定。需要说明的是，L*表示亮度，a*和b*表示色度。在本实施方式中，使用了高亮(highlight)方向(L*a*b*25°)和遮光(shade)方向(L*a*b*75°)这两个方向的测色值。作为这样的多角度分光测色计，例如可列举出柯尼卡美能达公司制的“CM－512m3A”。
因此，涂装质量预测装置3被配置为使用已学习模型32a对L*a*b*25°的各值和L*a*b*75°的各值的偏差进行推定。学习装置4被配置为生成用于推定L*a*b*25°的各值和L*a*b*75°的各值的偏差的已学习模型40b。
如图7所示，学习装置4被配置为对原始数据40a进行预处理来生成训练数据，并使用该训练数据来生成已学习模型40b。该学习装置4具备：运算部41、存储部42、输入部43以及输出部44。
运算部41被配置为通过基于存储于存储部42的程序等执行运算处理来控制学习装置4。在存储部42存储有程序、该程序执行时所参照的数据库等。例如，在存储部42储存有学习用程序42a、基本特性判断程序42b、材料DB42c、L*a*b*值加工程序42d以及偏差计算程序42e。输入部43被配置为能输入原始数据40a，输出部44被配置为能输出已学习模型40b。
原始数据40a包括关于过去实际进行过的涂装的各种信息、涂装后的测色结果等，这些被建立关联。原始数据40a例如包括：作为关于涂料的信息的“涂料信息”、进行使用该涂料的涂装时的“涂装时条件”以及由多角度分光测色计得出的使用该涂料在该条件下进行涂装而获得的涂膜100的测色结果。
作为具体例，原始数据40a的一条记录中包括以下的项目，原始数据40a由许多条记录构成。
(f1)涂料制造商名
(f2)涂膜的层结构
(f3)中涂涂料的类别
(f4)底色涂料的材料
(f5)主L*a*b*值
(g1)进行涂装的生产线
(g2)涂装的车型
(g3)涂装的部位(车身或保险杠)
(h1)涂装而成的涂膜的L*a*b*值
(i1)进行涂装的日期
在上述项目中，“涂料制造商名”、“中涂涂料的类别”以及“底色涂料的材料”与第一实施方式相同。“主L*a*b*值”是涂料的样本色，包括作为样本的“L*25°值”、“a*25°值”、“b*25°值”、“L*75°值”、“a*75°值”以及“b*75°值”。“涂装而成的涂膜的L*a*b*值”是过去的测色结果，包括实测出的“L*25°值”、“a*25°值”、“b*25°值”、“L*75°值”、“a*75°值”以及“b*75°值”。需要说明的是，项目(f1)～(f5)是“涂料信息”中所包括的项目，项目(g1)～(g3)是“涂装时条件”中所包括的项目。
而且，学习装置4被配置为通过由运算部41执行偏差计算程序42e，从而根据原始数据40a计算出L*a*b*25°的各值和L*a*b*75°的各值的偏差。具体而言，原始数据40a的许多条记录按照共用的“涂料信息”和“涂装时条件”进行分组。即，项目(f1)～(f5)和(g1)～(g3)全部一致的记录被分类为一组。然后，各组的记录使用“进行涂装的日期”按每个规定期间(例如一个月)被划分，计算出每个规定期间的“涂装而成的涂膜的L*a*b*值”的标准差(standard deviation)和协方差。接着，在各组中采用在整个期间成为中值的规定期间的标准差和协方差作为代表值。之后，将在各组中被用作代表值的标准差和协方差与在各组共用的“涂料信息”和“涂装时条件”建立关联。即，将“L*a*b*25°和75°的标准差和协方差”与“涂料信息”和“涂装时条件”建立关联。“L*a*b*25°和75°的标准差和协方差”由以下的项目构成。需要说明的是，标准差和协方差在后述的相关关系的计算时使用。
(j1)L*25°的标准差
(j2)L*75°的标准差
(j3)a*25°的标准差
(j4)a*75°的标准差
(j5)b*25°的标准差
(j6)b*75°的标准差
(k1)L*×a*25°的协方差
(k2)L*×a*75°的协方差
(k3)a*×b*25°的协方差
(k4)a*×b*75°的协方差
(k5)L*×b*25°的协方差
(k6)L*×b*75°的协方差
此外，学习装置4被配置为通过由运算部41执行L*a*b*值加工程序42d，根据“主L*a*b*值”计算出“L*a*b*加工值”。“L*a*b*加工值”例如包括以下的项目。
(l1)a*25°的绝对值
(l2)a*75°的绝对值
(l3)b*25°的绝对值
(l4)b*75°的绝对值
(m1)25°的彩度
(m2)75°的彩度
(n1)L*的触发值(Flip-flop value)
(n2)a*的触发值
(n3)b*的触发值
项目(l1)～(l4)表示色调的强度。项目(n1)～(n3)表示根据角度的变化。需要说明的是，“25°的彩度”和“75°的彩度”分别通过以下的算式(1)和(2)来计算。
[数式1]
Figure BDA0002948565650000141
Figure BDA0002948565650000142
此外，“L*的触发值”、“a*的触发值”以及“b*的触发值”分别通过以下的算式(3)～(5)来计算。
L*的触发值＝L*25°－L*75°···(3)
a*的触发值＝a*25°－a*75°···(4)
b*的触发值＝b*25°－b*75°···(5)
此外，学习装置4被配置为使用“底色涂料的材料”和“涂料制造商名”来判断“底色涂料的特性”。具体而言，通过由运算部41执行基本特性判断程序42b，从而根据“底色涂料的材料”和“涂料制造商名”，参照材料DB42c来判断“底色涂料的特性”。材料DB42c中积累有关于颜料和光亮剂的信息，材料DB42c被设为用于根据“底色涂料的材料(颜料名称及其配合量和光亮剂名称及其配合量)”和“涂料制造商名”导出“底色涂料的特性”。“底色涂料的特性”例如包括以下的项目。
(o1)红色颜料配合量指数
(o2)黄色颜料配合量指数
(o3)蓝色颜料配合量指数
(o4)白色颜料配合量指数
(o5)黑色颜料配合量指数
(o6)金属系颜料配合量指数
(o7)云母系颜料配合量指数
(p1)光亮剂的粒径的平方和
如此，学习装置4被配置为进行偏差的计算、主L*a*b*值的加工以及底色涂料的特性判断作为预处理。然后，将通过预处理获得的“L*a*b*25°和75°的标准差和协方差”和“L*a*b*加工值”与“涂料信息”和“涂装时条件”建立关联，并且将“底色涂料的材料”置换成“底色涂料的特性”，由此生成训练数据。接着，在学习装置4中，通过由运算部41执行学习用程序42a来生成已学习模型40b。该已学习模型40b被配置为：在被输入将“底色涂料的材料”置换成“底色涂料的特性”后的“涂料信息”、“涂装时条件”以及“L*a*b*加工值”的情况下，输出“L*a*b*25°和75°的标准差和协方差”。
如图6所示，涂装质量预测装置3具备：运算部31、存储部32、输入部33以及输出部34。需要说明的是，运算部31是本发明的“计算部”的一个例子。
运算部31被配置为通过基于存储于存储部32的程序等执行运算处理来控制涂装质量预测装置3。在存储部32存储有程序、该程序执行时所参照的数据库等。例如，在存储部32储存有已学习模型32a、基本特性判断程序32b、材料DB32c以及L*a*b*值加工程序32d。输入部33被配置为能输入输入数据30a，输出部34被配置为能输出预测结果30b。
涂装质量预测装置3的基本特性判断程序32b、材料DB32c以及L*a*b*值加工程序32d被配置为与学习装置4的基本特性判断程序42b、材料DB42c以及L*a*b*值加工程序42d相同。输入数据30a中包括关于想要预测涂色的偏差的涂装的各种信息。即，输入数据30a例如包括“涂料信息”和“涂装时条件”。
因此，在涂装质量预测装置3中，在被输入了输入数据30a的情况下，由运算部31执行基本特性判断程序32b，由此根据“底色涂料的材料”和“涂料制造商名”，参照材料DB32c来判断“底色涂料的特性”。此外，在涂装质量预测装置3中，在被输入了输入数据30a的情况下，由运算部31执行L*a*b*值加工程序32d，由此计算出“L*a*b*加工值”。由该涂装质量预测装置3进行的底色涂料的特性判断和L*a*b*值的加工与由学习装置4进行的底色涂料的特性判断和L*a*b*值的加工同样地进行。
而且，涂装质量预测装置3被配置为使用已学习模型32a，根据将“底色涂料的材料”置换成“底色涂料的特性”后的“涂料信息”、“涂装时条件”以及“L*a*b*加工值”计算出“L*a*b*25°和75°的标准差和协方差”。
接着，涂装质量预测装置3被配置为使用“L*a*b*25°和75°的标准差和协方差”来计算出相关关系。具体而言，根据“L*×a*75°的协方差”、“L*75°的标准差”以及“a*75°的标准差”计算出如图10A所示的L*a*75°的相关关系。根据“a*×b*75°的协方差”、“a*75°的标准差”以及“b*75°的标准差”计算出如图10B所示的a*b*75°的相关关系。根据“L*×b*75°的协方差”、“L*75°的标准差”以及“b*75°的标准差”计算出如图10C所示的L*b*75°的相关关系。同样，根据“L*×a*25°的协方差”、“L*25°的标准差”以及“a*25°的标准差”计算出L*a*25°的相关关系。根据“a*×b*25°的协方差”、“a*25°的标准差”以及“b*25°的标准差”计算出a*b*25°的相关关系。根据“L*×b*25°的协方差”、“L*25°的标准差”以及“b*25°的标准差”计算出L*b*25°的相关关系。这些相关关系例如是预测结果30b，该预测结果30b被输出至显示器(省略图示)等。
在图10A～图10C的例子的各图表中，由单点划线围成的椭圆区域是以约68.3％的概率收敛的区域，由双点划线围成的椭圆区域是以约95.5％的概率收敛的区域，由实线围成的椭圆区域是以约99.7％的概率收敛的区域。因此，各椭圆区域越小，则预测为涂色的偏差越小。
－学习动作－
接着，参照图8，对由第二实施方式的学习装置4进行的学习动作(已学习模型的生成方法)进行说明。需要说明的是，以下的各步骤由运算部41来执行。
首先，在图8的步骤S21中获取原始数据40a。原始数据40a中包括“涂料信息”、“涂装时条件”以及“涂装而成的涂膜的L*a*b*值”等。
接着，在步骤S22中，对原始数据40a进行加工，生成训练数据。具体而言，通过执行偏差计算程序42e来计算出“L*a*b*25°和75°的标准差和协方差”。此外，通过执行L*a*b*值加工程序42d来计算出“L*a*b*加工值”。此外，通过执行基本特性判断程序42b来计算出“底色涂料的特性”。使用这些生成训练数据。该训练数据中包括将“底色涂料的材料”置换成“底色涂料的特性”后的“涂料信息”、“涂装时条件”、“L*a*b*加工值”以及“L*a*b*25°和75°的标准差和协方差”，这些被建立关联。
接着，在步骤S23中，通过执行学习用程序42a，从而使用训练数据生成已学习模型40b。在该已学习模型40b中，在被输入将“底色涂料的材料”置换成“底色涂料的特性”后的“涂料信息”、“涂装时条件”以及“L*a*b*加工值”的情况下，输出“L*a*b*25°和75°的标准差和协方差”。
－预测动作－
接着，参照图9，对由第二实施方式的涂装质量预测装置3进行的涂装质量的预测动作进行说明。需要说明的是，在涂装质量预测装置3的存储部32储存有已学习模型32a，该已学习模型32a是由学习装置4生成的已学习模型40b。此外，以下的各步骤由运算部31来执行。
首先，在图9的步骤S31中获取输入数据30a。输入数据30a中包括“涂料信息”和“涂装时条件”。
接着，在步骤S32中，对输入数据30a进行加工。具体而言，通过执行L*a*b*值加工程序32d来计算出“L*a*b*加工值”。此外，通过执行基本特性判断程序32b来计算出“底色涂料的特性”。
接着，在步骤S33中，使用已学习模型32a，根据将“底色涂料的材料”置换成“底色涂料的特性”后的“涂料信息”、“涂装时条件”以及“L*a*b*加工值”计算出“L*a*b*25°和75°的标准差和协方差”。然后，使用“L*a*b*25°和75°的标准差和协方差”计算出相关关系。
－效果－
在第二实施方式中，如上所述，设有对“涂料信息”和“涂装时条件”等与涂膜100的涂色的偏差之间的关系进行了学习的已学习模型32a，使用该已学习模型32a，根据“涂料信息”和“涂装时条件”等计算出涂膜100的涂色的偏差，由此能在对被涂装物进行涂装前预先掌握涂色的偏差。因此，能预先调整涂料的材料等以成为所希望的偏差，因此能谋求生产率的提高。
此外，在第二实施方式中，能通过根据“L*a*b*25°和75°的标准差和协方差”计算出相关关系来掌握各参数的相关性。即，除了偏差的程度之外，还能掌握偏差的倾向。
此外，在第二实施方式中，能通过按每个要涂装的部位预测涂色的偏差来掌握例如车身上的涂色的偏差和保险杠上的涂色的偏差，因此能考虑整体的加工质量的同时预先对涂料的材料等进行调整。
此外，在第二实施方式中，能由学习装置4生成用于预测涂色的偏差的涂装质量预测装置3的已学习模型32a。
(其他实施方式)
需要说明的是，本次公开的实施方式在所有方面为例示性的，并不作为限定性解释的根据。因此，本发明的技术范围基于权利要求书的记载来划定，而不仅仅通过上述的实施方式进行解释。此外，本发明的技术范围包括与权利要求书等同的含义和范围内的所有变更。
例如，在第一实施方式中，示出了涂膜100为三层结构的例子，但不限于此，涂膜也可以是几层。例如，透明涂膜可以由两层构成。需要说明的是，对于第二实施方式也是同样的。
此外，在第一实施方式中，示出了涂膜100形成于车身的钢板150的例子，但不限于此，涂膜也可以形成于车身以外，涂膜也可以形成于钢板以外。需要说明的是，对于第二实施方式也是同样的。
此外，在第一实施方式中，示出了对“第一波长区域的值～第四波长区域的值”进行推定的例子，但不限于此，也可以设为对“第一波长区域的值～第四波长区域的值”中的至少任一值进行推定。例如，可以设为仅对作为评价外皮的起伏的指标的“第一波长区域的值”进行推定，也可以设为仅对作为评价光泽感的指标的“第四波长区域的值”进行推定。此外，也可以设为对“第一波长区域的值”和“第四波长区域的值”这两个值进行推定。
此外，在第一实施方式中，示出了通过学习装置2进行原始数据20a的预处理的例子，但不限于此，也可以设为通过与学习装置不同的装置进行预处理，并将预处理后的训练数据输入学习装置。需要说明的是，对于第二实施方式也是同样的。
此外，在第二实施方式中，示出了对CIE1976L*a*b*颜色空间中的各值的偏差进行学习并预测的例子，但不限于此，也可以设为对其他颜色空间中的偏差进行学习并预测。
此外，在第二实施方式中，示出了使用L*a*b*25°和75°的各值对偏差进行学习并预测的例子，但不限于此，也可以设为使用其他值对偏差进行学习并预测。
此外，在第二实施方式中，示出了对标准差和协方差进行推定，根据标准差和协方差计算出相关关系，并输出该相关关系作为预测结果30b的例子，但不限于此，也可以设为仅对标准差进行推定，并输出该标准差作为预测结果。
此外，在第二实施方式中，示出了采用在整个期间成为中值的规定期间的标准差和协方差的例子，但标准差和协方差的确定方法不限于此。例如，也可以设为计算出整个期间的标准差和协方差。
本发明能利用于涂装质量预测装置和已学习模型的生成方法。

Claims (10)

1.一种涂装质量预测装置，其特征在于，具备：
已学习模型，对涂料的特性和该涂料涂装时的条件与通过在该条件下涂装该涂料而获得的涂膜的表面的平滑性之间的关系进行了学习；以及
计算部，使用所述已学习模型，根据涂料的特性和涂装时的条件计算出涂膜的表面的平滑性。
2.根据权利要求1所述的涂装质量预测装置，其特征在于，
所述已学习模型对涂料的特性和该涂料涂装时的条件与将通过在该条件下涂装该涂料而获得的涂膜的表面的测定结果分解成多个波长区域而获得的各波长区域的值之间的关系进行了学习。
3.根据权利要求1或2所述的涂装质量预测装置，其特征在于，
涂料涂装时的条件包括被涂装物的面的朝向。
4.根据权利要求1～3中任一项所述的涂装质量预测装置，其特征在于，
所述涂料包括中涂涂料、底色涂料以及透明涂料，
所述涂膜包括中涂涂膜、形成在所述中涂涂膜上的底色涂膜以及形成在所述底色涂膜上的透明涂膜。
5.根据权利要求4所述的涂装质量预测装置，其特征在于，
所述底色涂料的特性基于该底色涂料的材料来计算。
6.一种涂装质量预测装置，其特征在于，具备：
已学习模型，对关于涂料的信息和该涂料涂装时的条件与通过在该条件下涂装该涂料而获得的多个被涂装物的涂色的偏差之间的关系进行了学习；以及
计算部，使用所述已学习模型，根据关于涂料的信息和涂装时的条件计算出涂色的偏差。
7.根据权利要求6所述的涂装质量预测装置，其特征在于，
涂色的偏差包括CIE1976L*a*b*颜色空间中的各值的偏差。
8.根据权利要求6或7所述的涂装质量预测装置，其特征在于，
关于涂料的信息包括涂料的样本色。
9.一种已学习模型的生成方法，其特征在于，包括以下步骤：
获取训练数据，所述训练数据包括涂料的特性、该涂料涂装时的条件以及通过在该条件下涂装该涂料而获得的涂膜的表面的平滑性；以及
使用所述训练数据，生成已学习模型，所述已学习模型在被输入涂料的特性和涂装时的条件的情况下输出涂膜的表面的平滑性。
10.一种已学习模型的生成方法，其特征在于，包括以下步骤：
获取训练数据，所述训练数据包括关于涂料的信息、该涂料涂装时的条件以及在该条件下涂装该涂料后的多个被涂装物的涂色的偏差；以及
使用所述训练数据，生成已学习模型，所述已学习模型在被输入关于涂料的信息和涂装时的条件的情况下输出涂色的偏差。
CN202110202924.XA 2020-03-04 2021-02-23 涂装质量预测装置以及已学习模型的生成方法 Active CN113362194B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020037001A JP7363589B2 (ja) 2020-03-04 2020-03-04 塗装品質予測装置および学習済みモデルの生成方法
JP2020-037001 2020-03-04

Publications (2)

Publication Number Publication Date
CN113362194A true CN113362194A (zh) 2021-09-07
CN113362194B CN113362194B (zh) 2024-05-03

Family

ID=77524689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110202924.XA Active CN113362194B (zh) 2020-03-04 2021-02-23 涂装质量预测装置以及已学习模型的生成方法

Country Status (3)

Country Link
US (1) US11604939B2 (zh)
JP (1) JP7363589B2 (zh)
CN (1) CN113362194B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839224A (zh) * 2022-07-04 2022-08-02 江苏时代新能源科技有限公司 涂布质量的检测方法、检测装置、检测系统及储存介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7363589B2 (ja) * 2020-03-04 2023-10-18 トヨタ自動車株式会社 塗装品質予測装置および学習済みモデルの生成方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02175239A (ja) * 1988-12-28 1990-07-06 Nissan Motor Co Ltd 自動車外板の塗装方法
JPH06160071A (ja) * 1992-11-17 1994-06-07 Nissan Motor Co Ltd ウェット塗膜厚測定装置
JPH08122035A (ja) * 1994-10-24 1996-05-17 Nissan Motor Co Ltd 塗装品質解析装置
JP2008509486A (ja) * 2004-08-03 2008-03-27 イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー 化学混合物の特性を予測する方法および装置
CN103143484A (zh) * 2013-02-07 2013-06-12 华南理工大学 一种荧光粉涂覆厚度的控制方法
CN108873768A (zh) * 2017-05-09 2018-11-23 欧姆龙株式会社 任务执行系统及方法、学习装置及方法、以及记录介质
CN109791076A (zh) * 2016-10-12 2019-05-21 关西涂料株式会社 涂料混合数据提供装置、涂料混合数据提供方法、涂料混合数据提供程序以及包含涂料混合数据提供程序的计算机可读介质
CN110546478A (zh) * 2017-02-24 2019-12-06 卡内基梅隆大学 利用复杂数据处理来设计材料的配方
CN110738644A (zh) * 2019-10-10 2020-01-31 清华大学 一种基于深度学习的汽车涂装表面缺陷检测方法及系统

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3443873B2 (ja) * 1992-09-16 2003-09-08 日産自動車株式会社 自動車の塗装条件管理装置
JPH06148090A (ja) * 1992-11-09 1994-05-27 Toyota Motor Corp 塗装検査情報解析装置
US6081796A (en) * 1995-01-31 2000-06-27 Matsushita Electric Industrial Co., Ltd. Proportion predicting system and method of making mixture
JP2000246167A (ja) 1999-03-03 2000-09-12 Kansai Paint Co Ltd 塗装方法
US7027186B2 (en) 2000-02-23 2006-04-11 Dainichiseika Color & Chemicals Mfg. Co., Ltd. Method for evaluating reproducibility of toning sample by CCM
JP2002180295A (ja) * 2000-12-20 2002-06-26 Fuji Heavy Ind Ltd 電着塗装解析方法および電着塗装解析装置
JP4348895B2 (ja) 2002-03-29 2009-10-21 トヨタ自動車株式会社 自動車ボディ群の塗装品質を管理するシステムと管理方法
JP4284954B2 (ja) 2002-09-26 2009-06-24 トヨタ自動車株式会社 「塗料組成と塗装条件」の算出方法
JP4042849B2 (ja) 2002-12-02 2008-02-06 日本ペイント株式会社 意匠が経年変化する複層塗膜、その形成方法、複層塗膜の構成を決定する方法、及び、塗膜の経年変化を予測する方法
JP4391121B2 (ja) 2003-04-30 2009-12-24 日本ペイント株式会社 塗膜ムラの予測方法、塗膜ムラ予測プログラム、コンピュータが読み取り可能な記憶媒体及び塗膜ムラ予測装置
CN100419652C (zh) 2004-08-27 2008-09-17 联想(北京)有限公司 用于数据处理系统的可佩戴的信号输入装置
JP2006122830A (ja) 2004-10-29 2006-05-18 Trinity Ind Corp 塗装膜厚シミュレーション方法
DE112008001732T5 (de) * 2007-07-06 2010-10-14 Toyota Jidosha Kabushiki Kaisha, Toyota-shi Beschichtungsverfahren und durch dasselbe erhaltener beschichteter Artikel
US20150276485A1 (en) * 2014-03-28 2015-10-01 Axalta Coating Systems Ip Co., Llc. System and method for sorting fan deck colors
US9390348B2 (en) * 2014-05-19 2016-07-12 Jinling Institute Of Technology Method for categorizing objects in image
US9677942B2 (en) 2014-10-30 2017-06-13 Axalta Coating Systems IP Co. LLC System and method for measuring color using location and orientation sensors
JP6398783B2 (ja) 2015-02-26 2018-10-03 ブラザー工業株式会社 色ムラ検出方法、この色ムラ検出方法を用いたヘッド調整方法、及び、色ムラ検査装置
WO2018147861A1 (en) * 2017-02-10 2018-08-16 Hewlett-Packard Development Company, L.P. Color calibration
JP6466977B2 (ja) 2017-02-15 2019-02-06 トヨタ自動車株式会社 複層塗膜形成方法
JP6628761B2 (ja) 2017-03-31 2020-01-15 日本ペイント・オートモーティブコーティングス株式会社 複層塗膜の形成方法
US20200349758A1 (en) * 2017-05-31 2020-11-05 Ethan Bryce Paulson Method and System for the 3D Design and Calibration of 2D Substrates
US11113554B2 (en) * 2017-10-09 2021-09-07 Great Masters Art Authentication, Llc Systems and methods for identifying and authenticating artistic works
US20210323167A1 (en) * 2018-08-27 2021-10-21 3M Innovative Properties Company Learning framework for robotic paint repair
EP3908431A4 (en) * 2019-02-21 2022-10-19 Canvas Construction, Inc. SYSTEM AND METHOD FOR SURFACE FINISH QUALITY ASSESSMENT
US11023747B2 (en) * 2019-03-05 2021-06-01 Here Global B.V. Method, apparatus, and system for detecting degraded ground paint in an image
US20200402307A1 (en) * 2019-06-21 2020-12-24 Ashish Tanwer System and method for camera based cloth fitting and recommendation
US11216663B1 (en) * 2020-12-01 2022-01-04 Pointivo, Inc. Systems and methods for generating of 3D information on a user display from processing of sensor data for objects, components or features of interest in a scene and user navigation thereon
JP7433888B2 (ja) * 2019-12-24 2024-02-20 東亞合成株式会社 電子線硬化型組成物を使用する塗装材料の製造方法
US12100171B2 (en) * 2019-12-31 2024-09-24 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
US11574420B2 (en) * 2019-12-31 2023-02-07 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
JP2023524609A (ja) * 2020-01-03 2023-06-13 トラクタブル リミテッド 損傷した車両の塗装要件を決定する方法
JP7363589B2 (ja) * 2020-03-04 2023-10-18 トヨタ自動車株式会社 塗装品質予測装置および学習済みモデルの生成方法
US11860613B2 (en) * 2020-07-20 2024-01-02 Zero Electric Vehicles Corp. Intelligent data object model for distributed product manufacturing, assembly and facility infrastructure
US20220042258A1 (en) * 2020-08-07 2022-02-10 LimnTech LLC Machine learning based roadway striping apparatus and method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02175239A (ja) * 1988-12-28 1990-07-06 Nissan Motor Co Ltd 自動車外板の塗装方法
JPH06160071A (ja) * 1992-11-17 1994-06-07 Nissan Motor Co Ltd ウェット塗膜厚測定装置
JPH08122035A (ja) * 1994-10-24 1996-05-17 Nissan Motor Co Ltd 塗装品質解析装置
JP2008509486A (ja) * 2004-08-03 2008-03-27 イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー 化学混合物の特性を予測する方法および装置
CN103143484A (zh) * 2013-02-07 2013-06-12 华南理工大学 一种荧光粉涂覆厚度的控制方法
CN109791076A (zh) * 2016-10-12 2019-05-21 关西涂料株式会社 涂料混合数据提供装置、涂料混合数据提供方法、涂料混合数据提供程序以及包含涂料混合数据提供程序的计算机可读介质
CN110546478A (zh) * 2017-02-24 2019-12-06 卡内基梅隆大学 利用复杂数据处理来设计材料的配方
CN108873768A (zh) * 2017-05-09 2018-11-23 欧姆龙株式会社 任务执行系统及方法、学习装置及方法、以及记录介质
CN110738644A (zh) * 2019-10-10 2020-01-31 清华大学 一种基于深度学习的汽车涂装表面缺陷检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839224A (zh) * 2022-07-04 2022-08-02 江苏时代新能源科技有限公司 涂布质量的检测方法、检测装置、检测系统及储存介质

Also Published As

Publication number Publication date
US11604939B2 (en) 2023-03-14
JP7363589B2 (ja) 2023-10-18
CN113362194B (zh) 2024-05-03
JP2021140420A (ja) 2021-09-16
US20210279510A1 (en) 2021-09-09

Similar Documents

Publication Publication Date Title
EP2973247B1 (en) Systems and methods for texture assessment of a coating formulation
EP2098840B1 (en) Texture map of coated color, its making method, making program, making system and data structure
CN113362194B (zh) 涂装质量预测装置以及已学习模型的生成方法
US9417187B2 (en) Method for determining the surface gloss of a colour standard
KR101939887B1 (ko) 피벗-정규화를 사용하는 코팅된 표면의 텍스처 분석
JP6703639B1 (ja) 塗料の製造方法及び色彩データを予測する方法
CN104145178B (zh) 针对无光泽颜色标准的颜色配方计算方法
KR20180074756A (ko) 도료의 텍스쳐 파라미터의 확인 방법
KR20060009026A (ko) 무광 색조를 위한 처방 예측법
JP2000214084A (ja) 検査対象物質判定方法及びその装置
Medina et al. Classification of batch processes in automotive metallic coatings using principal component analysis similarity factors from reflectance spectra
KR100763930B1 (ko) 도막 불균일의 예측방법, 도막 불균일 예측 프로그램,컴퓨터가 판독 가능한 기억 매체 및 도막 불균일 예측장치
WO2023076032A1 (en) Method and system for determining color match for surface coatings
Mirjalili et al. Derivation of an instrumentally based geometric appearance index for the automotive industry
JPH0894442A (ja) コンピュータカラーマッチング方法
Medina et al. Reflectance variability of surface coatings reveals characteristic eigenvalue spectra
JP2023001804A (ja) 自動車ボディ及び／又は自動車部品の塗膜の塗膜品質の予測方法及び予測システム、塗装条件の予測方法及び予測システム、自動車ボディ及び／又は自動車部品の複層塗膜形成方法
Hellwig et al. From Color to Chemometrics: Strategies to determine coating thickness and quality
Shanfield et al. An X-ray fluorescence coating gauge for paint thickness
Diebold Prediction of paint chalking rates from early exposure data
WO1997031247A1 (fr) Procede et appareil de colorimetrie par ordinateur

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant