CN113657524A - 一种用于涂装车间的全工艺流程质量的检测方法和装置 - Google Patents
一种用于涂装车间的全工艺流程质量的检测方法和装置 Download PDFInfo
- Publication number
- CN113657524A CN113657524A CN202110968985.7A CN202110968985A CN113657524A CN 113657524 A CN113657524 A CN 113657524A CN 202110968985 A CN202110968985 A CN 202110968985A CN 113657524 A CN113657524 A CN 113657524A
- Authority
- CN
- China
- Prior art keywords
- parameters
- process flow
- spraying
- quality detection
- vehicle body
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 186
- 230000008569 process Effects 0.000 title claims abstract description 119
- 238000000576 coating method Methods 0.000 title claims abstract description 112
- 239000011248 coating agent Substances 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 173
- 238000005507 spraying Methods 0.000 claims abstract description 166
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007592 spray painting technique Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 39
- 238000010422 painting Methods 0.000 claims description 36
- 230000007547 defect Effects 0.000 claims description 22
- 239000003973 paint Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000001962 electrophoresis Methods 0.000 abstract description 3
- 239000007921 spray Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002966 varnish Substances 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本申请实施例提供一种用于涂装车间的全工艺流程质量的检测方法和装置，该方法包括：获取涂装全工艺流程参数；涂装全工艺流程参数包括喷漆工艺参数、前处理电泳参数、烤箱参数等；利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；输出质量检测结果。借助于上述技术方案，本申请实施例能够提高检测准确度和检测效率，以及还节约了人力成本。
Description
技术领域
本申请涉及工艺生产过程的检测技术领域，具体而言，涉及一种用于涂装车间的全工艺流程质量的检测方法和装置。
背景技术
随着汽车技术的飞速发展，车身质量状况是人们关注的重中之重。对于车身涂装车间而言，喷涂质量的好坏是影响用户购买车辆的最直观和直接的重要因素。
目前，一般是通过人工检测的方式来确定车辆车身的喷涂质量。
在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：由于人工检测存在较大的主观性，对于同一车身的喷涂质量的检测，不同的人检测可能会得出不同的检测结果，故现有的检测车辆车身的喷涂质量的方法存在着检测准确率不高的问题。
发明内容
本申请实施例的目的在于提供一种用于涂装车间的全工艺流程质量的检测方法和装置，以解决现有技术中存在着的检测准确率不高的问题。
第一方面，本申请实施例提供了一种用于涂装车间的全工艺流程质量的检测方法，该检测方法包括：获取车辆车身的涂装全工艺流程参数；涂装全工艺流程参数包括喷漆工艺参数；利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；输出质量检测结果。
因此，本申请实施例通过获取车辆车身的涂装全工艺流程参数，随后利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果，最后输出质量检测结果，从而可通过上述过程来智能检测车辆车身的喷涂质量，相比于现有的人工检测的方式，其能够提高检测准确度和检测效率，以及还节约了人力成本。
在一个可能的实施例中，质量检测结果包括用于表示喷涂质量是否合格的第一类喷涂质量检测结果，在利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理之前，检测方法还包括：通过训练中的喷涂质量检测模型获得预测的第一类喷涂质量检测结果；根据实际的第一类喷涂质量检测结果和预测的第一类喷涂质量检测结果之间的差异性，对训练中的喷涂质量检测模型进行训练。
在一个可能的实施例中，质量检测结果包括用于表示车身喷涂状态的第二类喷涂质量检测结果，车身喷涂状态包括车身喷涂缺陷状态；在利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理之前，检测方法还包括：利用训练样本集对初始喷涂质量检测模型进行训练，以获得训练好的喷涂质量检测模型；训练样本集包括样本涂装全工艺流程参数和样本涂装全工艺流程参数对应的第二类喷涂质量检测结果。
在一个可能的实施例中，在通过第二类喷涂质量检测结果确定车辆车身的喷涂质量为目标车身喷涂缺陷状态的情况下，检测方法还包括：利用预设的喷涂工艺知识库对涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数。
在一个可能的实施例中，利用预设的喷涂工艺知识库对涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数，包括：从喷涂工艺知识库中搜索与目标车身喷涂缺陷状态对应的多个历史参数调整策略；从多个历史参数调整策略中查找与涂装全工艺流程参数相关度最高的目标历史参数调整策略；利用目标历史参数调整策略，对涂装全工艺流程参数进行调整。
在一个可能的实施例中，检测方法还包括：获取并存储历史所有车辆车身的车身号和历史所有车辆车身中每个车辆车身的车身号对应的涂装全工艺流程参数。
在一个可能的实施例中，检测方法还包括：获取待追踪车辆的车身的目标车身号；从每个车辆车身的车身号对应的涂装全工艺流程参数中查找目标车身号对应的涂装全工艺流程参数。
第二方面，本申请实施例提供了一种用于涂装车间的全工艺流程质量的检测装置，该检测装置包括：第一获取模块，用于获取车辆车身的涂装全工艺流程参数；所述涂装全工艺流程参数包括喷漆工艺参数；处理模块，用于利用训练好的喷涂质量检测模型对所述涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；输出模块，用于输出所述质量检测结果。
第三方面，本申请实施例提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种用于涂装车间的全工艺流程质量的检测方法的流程图；
图2示出了本申请实施例提供的一种用于涂装车间的全工艺流程质量的检测装置的结构框图；
图3示出了本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
随着汽车技术的飞速发展，车身质量状况是人们关注的重中之重。对于用于对车辆进行喷涂的涂装车间而言，喷涂质量的好坏是影响用户购买车辆的最直观和直接的重要因素。因此，如何在喷漆最终的检测位准确快速的判断车身喷涂质量的好坏是目前急需解决的问题。
此外，对于喷涂工艺而言，影响最终喷涂质量的涂装全工艺流程参数有很多(例如，灯光强度等外界环境的参数)，其需要各种参数的紧密配合才能够生产出喷涂质量完美的整车。
目前，现有的方法是在每一道工艺结束后，由专人来检测该工序后的执行状况，最终在所有工序完成后，在最终的检测工位对每一个车辆进行全方位的检测，从而判断该车辆车身的喷涂质量。若通过检测确定某道工序不合格，则可通知该不合格工序的工作人员调整相关的设备参数以进行工艺参数的优化，从而能够满足工艺要求。
但是，现有的检测车辆车身的喷涂质量的方法至少存在如下问题：
目前是通过人工的方式来检测车辆车身的喷涂质量的，其存在较大的主观性，而且人工检测的效率也比较低；
对于每一辆车的详细的工艺参数无法追踪，从而导致车辆缺陷产生的根本原因的查找比较困难，从而对车身所有工艺参数的整体性和联系无法准确把握；
目前，为了避免喷涂质量不好的车辆未被检测到的情况，其也需要大量的人力从事喷涂质量检测工作。
基于此，本申请实施例巧妙地提出了一种检测车辆车身喷涂质量的方案，通过获取车辆车身的涂装全工艺流程参数；涂装全工艺流程参数包括喷漆工艺参数，随后利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果，最后输出质量检测结果。
因此，本申请实施例通过获取车辆车身的涂装全工艺流程参数，随后利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果，最后输出质量检测结果，从而可通过上述过程来智能检测车辆车身的喷涂质量，相比于现有的人工检测的方式，其能够提高检测准确度和检测效率，以及还节约了人力成本。
请参见图1，图1示出了本申请实施例提供的一种检测车辆车身喷涂质量的方法的流程图。应理解，图1所示的方法可以由检测车辆车身喷涂质量的装置执行，该装置可以与下文中的图2所示的检测车辆车身喷涂质量的装置对应，该装置可以是能够执行该方法的各种设备，例如，如个人计算机、服务器或网络设备等，本申请实施例并不限于此。具体地，该方法包括如下步骤：
步骤S110，获取车辆车身的涂装全工艺流程参数。其中，涂装全工艺流程参数是指能够影响喷涂质量的工艺参数。
应理解，涂装全工艺流程参数所包含的参数可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，涂装全工艺流程参数包括通过第一PLC控制器(该第一PLC控制器可用于控制输送车辆的传输结构)采集的传送机构的第一工作参数、通过第二PLC控制器(该第二PLC控制器可用于控制喷涂工艺)采集的工艺参数和通过第三PLC控制器(该第三PLC控制器可用于控制机器人)采集的相关机器人的第二工作参数。其中，第一工作参数包括输送速度、不同车辆之间的间隔距离、全球唯一的车身号、待喷涂的颜色信息、车身信息，车身相对于喷涂设备的位置等；工艺参数包括前处理电泳参数、电泳烤箱参数、PVC烤箱参数、中涂喷房温湿度参数、中涂烤箱参数、色浆喷漆室温湿度参数、面漆闪蒸参数、清漆喷漆室参数、面漆烤箱参数、供胶参数、供漆参数、厂房和工作送排风参数等；第二工作参数包括涂胶机器人的参数、中涂机器人喷涂参数、色浆机器人喷涂参数、清漆机器人参数等。其中，上述相关机器人参数可包括悬杯转速、成型空气、高压大小、喷涂距离和喷漆流量等。
还应理解，涂装全工艺流程参数的获取方式也可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，可通过人工输入的方式来获取涂装全工艺流程参数(例如，用户想要查询某一套工艺是否合格的情况下，可将相关工序的工艺参数输入到后续的喷涂质量检测模型中)。
可选地，在涂装车间的配备有传感器(例如，色浆喷气室设置有温湿度传感器；再例如，喷漆室喷房内部有温湿度传感器；再例如，烤箱内部有温度传感器；再例如，输送系统有车身码识别相机；再例如，喷涂机器人内部存在流量传感器等)的情况下，每个传感器可与对应的PLC控制器(例如，第一PLC控制器、第二PLC控制器和第三PLC控制器)连接，从而使得对应的PLC控制器能够获取到对应的工艺参数。
此外，由于所有的PLC控制器可通过局域网在内部连接，并且该局域网可与数据库连接，从而可将获取的涂装全工艺流程参数存储到数据库中。
例如，通过连接到该局域网的服务器搭建物联网平台NODE-RED，从而可通过NODE-RED将获取的涂装全工艺流程参数存储到数据库中。
此外，为了实现数据追踪，本申请实施例还可安装相关相机，以通过相机拍摄的图像来获取每个车辆车身(即历史车辆车身)的车身号(或者说车身的唯一标识)。并且，可将每个车辆车身的车身号及其对应的涂装全工艺流程参数进行绑定，并将绑定后的每个车辆车身的车身号及其对应的涂装全工艺流程参数存储到数据库中。
从而，在需要进行数据追踪的情况下，可获取待追踪车辆的目标车身号，从而可将目标车身号和数据库进行匹配(即从数据库中存储的多个每个车辆车身的车身号对应的涂装全工艺流程参数中查找目标车身号对应的涂装全工艺流程参数)，从而可通过匹配获得目标车身号对应的涂装全工艺流程参数，进而能够确定产生车身缺陷的根本原因。
步骤S120，利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果。
应理解，质量检测结果对应的具体结果可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，质量检测结果可包括用于表示所述喷涂质量是否合格的第一类喷涂质量检测结果和用于表示车身喷涂状态的第二类喷涂质量检测结果。其中，第一类喷涂质量检测结果可以是喷涂质量合格，也可以是喷涂质量不合格；第二类喷涂质量检测结果可以包括漆包、杂漆、起泡、虚漆、橘皮、流漆和缩孔等车身喷涂缺陷状态。
还应理解，车身喷涂状态的具体状态可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，车身喷涂状态还可以包括喷涂质量合格状态，还可以包括色差、厚度等车身喷涂缺陷状态。
还应理解，喷涂质量检测模型的具体模型及其训练过程也可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，在质量检测结果包括第一类喷涂质量检测结果的情况下，该喷涂质量检测模型(例如，该喷涂质量检测模型可以为随机森林模型)的训练过程为：可将训练样本集划分为初始样本集(例如，初始正负样本集，并且该初始正负样本集包括初始正样本集和初始负样本集，其中，初始正样本集可用于表示第一类喷涂质量检测结果合格，初始负样本集可用于表示第一类喷涂质量检测结果不合格)；从而可将初始样本集输入到训练中的喷涂质量检测模型中，以便训练中的喷涂质量检测模型输出预测的第一类喷涂质量检测结果。
此外，可采用预测的第一类喷涂质量检测结果为合格的工艺参数进行喷涂工艺，从而后续可通过人工的方式来检测实际的第一类喷涂质量检测结果(例如，虽然第一类喷涂质量检测结果为合格，但是，实际按照相关的工艺参数进行喷涂时，最终的车辆车身的喷涂质量是不合格的)。
另外，可根据实际的第一类喷涂质量检测结果和预测的第一类喷涂质量检测结果之间的差异性，生成目标样本集(例如，目标正负样本集)。其中，目标样本集是由预测的第一类喷涂质量检测结果为合格的工艺参数构成的。
需要说明的是，这里的目标样本集都是在“第一类喷涂质量检测结果为合格”的前提下进行的，区别在于，这里的正样本集是指利用其相关的工艺参数进行喷涂工艺，获得的实际的第一类喷涂质量检测结果仍然为合格(即实际的第一类喷涂质量检测结果和预测的第一类喷涂质量检测结果相同)，但是，负样本集是利用其相关的工艺参数进行喷涂工艺，其获得的实际的第一类喷涂质量检测结果是不合格的(即实际的第一类喷涂质量检测结果和预测的第一类喷涂质量检测结果相反)。
这里需要说明的是，虽然上面是直接生成目标样本集为例来进行描述的，但本领域的技术人员应当理解，在生成目标样本集之前，还可先获取实际的第一类喷涂质量检测结果和所述预测的第一类喷涂质量检测结果之间的差异个数(例如，在“第一类喷涂质量检测结果为合格”的前提下，后续获得正样本集和负样本集之间的差异个数)，若差异个数大于等于预设数值，则可生成目标样本集，并利用目标样本集训练训练中的喷涂质量检测模型，直至满足训练终止条件，则停止训练，以获得训练好的喷涂质量检测模型；若差异个数小于等于预设数值，则说明模型的性能已经满足要求，无需再进行改进，则后续则无需再生成目标样本集。
应理解，预设数值的具体个数可根据实际需求来进行设置，本申请实施例并不局限于此。
这里需要说明的是，训练终止条件的具体条件可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，训练终止条件可以是达到预设训练次数，也可以是模型收敛等。其中，预设训练次数的具体次数也可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，在质量检测结果包括第二类喷涂质量检测结果的情况下，该喷涂质量检测模型的训练过程可以为：可获取训练样本集，其中，训练样本集可包括样本涂装全工艺流程参数和样本涂装全工艺流程参数对应的第二类喷涂质量检测结果。随后，可利用训练样本集对初始喷涂质量检测模型进行训练，以获得训练好的喷涂质量检测模型。
其中，可利用训练样本集对初始喷涂质量检测模型进行训练，包括：将当前样本涂装全工艺流程参数输入到初始喷涂质量检测模型中，以获得初始喷涂质量检测模型输出的第二类喷涂质量检测结果。随后，可根据初始喷涂质量检测模型输出的第二类喷涂质量检测结果和样本涂装全工艺流程参数对应的第二类喷涂质量检测结果的差异，生成损失函数，并可利用损失函数调整初始喷涂质量检测模型中的参数。
还应理解，利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，可将待检测的涂装全工艺流程参数输入到训练好的喷涂质量检测模型中(例如，可利用待检测的涂装全工艺流程参数生成一个输入变量，该输入变量可包含多个元素，每个元素可以为一个涂装全工艺流程参数，从而可将该输入变量输入到训练好的喷涂质量检测模型中)，以便于通过训练好的喷涂质量检测模型对待检测的涂装全工艺流程参数进行处理，以获得质量检测结果。
这里需要说的是，这里的训练好的喷涂质量检测模型可以是能够获得第一类喷涂质量检测结果的喷涂质量检测模型，也可以是能够获得第二类喷涂质量检测结果的喷涂质量检测模型。
这里需要说明的是，在初期，训练样本不充足的情况下，可通过现场检测人员进行检测，并将检测结果和工艺参数存入数据库，以增加样本数量，直至训练样本的数量达到预设样本数量再进行模型的训练，以增加最终结果的准确性。其中，预设样本数量的具体数量可根据实际需求来进行设置。
步骤S130，输出质量检测结果。
具体地，该检测车辆车身喷涂质量的装置可包括显示模块或者该检测车辆车身喷涂质量的装置与显示模块连接，从而可通过显示模块来显示质量检测结果。
例如，在显示模块的网页中能够实时显示当前车辆车身的实时涂装全工艺流程参数，以及还能够显示当前涂装全工艺流程参数对应的质量检测结果，以及还能够显示参数趋势等，以便通知工作人员进行处理(例如，涂装全工艺流程参数的优化)等。
此外，在通过喷涂质量检测模型确定质量检测结果不合格(或者喷涂质量达不到预期)的情况下，还可对涂装全工艺流程参数进行调整或者优化。
应理解，对涂装全工艺流程参数进行调整或者优化的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，在通过第二类喷涂质量检测结果确定车辆车身的喷涂质量为目标车身喷涂缺陷状态的情况下，利用预设的喷涂工艺知识库对涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数，从而可实现自动优化涂装全工艺流程参数的效果。
还应理解，利用预设的喷涂工艺知识库对涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数的具体过程可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，从喷涂工艺知识库中搜索与目标车身喷涂缺陷状态对应的多个历史参数调整策略，随后从多个历史参数调整策略中查找与涂装全工艺流程参数相关度最高的目标历史参数调整策略，最后利用目标历史参数调整策略，对涂装全工艺流程参数进行调整。
也就是说，在喷涂工艺知识库中可存储有多个历史调整策略及其每个历史调整策略对应的车身喷涂缺陷状态的情况下，可从喷涂工艺知识库中搜索与目标车身喷涂缺陷状态对应的多个历史参数调整策略。
以及，由于每个历史调整策略可包含引起当前车身喷涂缺陷状态的缺陷涂装全工艺流程参数，从而可从多个历史参数调整策略中查找与涂装全工艺流程参数相关度最高的目标历史参数调整策略。其中，这里的涂装全工艺流程参数相关度最高的目标历史参数调整策略是指目标历史参数调整策略中的引起车身喷涂缺陷状态的缺陷工艺参数和喷徐工艺参数相似度最高(例如，相似度最高的缺陷工艺参数是指与涂装全工艺流程参数中重复的参数最多的缺陷工艺参数；再例如，相似度最高的缺陷工艺参数是指与涂装全工艺流程参数中相差最小的缺陷工艺参数)。
以及，由于每个历史调整策略还可包含对应的调整策略(例如，增大喷漆速率等)，从而可利用目标历史参数调整策略对涂装全工艺流程参数进行调整，以实现涂装全工艺流程参数的调优。
因此，本申请实施例通过获取车辆车身的涂装全工艺流程参数，随后利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果，最后输出质量检测结果，从而可通过上述过程来智能检测车辆车身的喷涂质量，相比于现有的人工检测的方式，其能够提高检测准确度和检测效率，以及还节约了人力成本。
应理解，上述检测车辆车身喷涂质量的方法仅是示例性的，本领域技术人员根据上述的方法可以进行各种变形，该变形之后的方案也属于本申请的保护范围。
请参见图2，图2示出了本申请实施例提供的一种用于涂装车间的全工艺流程质量的检测装置200的结构框图，应理解，该检测装置200能够执行上述方法实施例中的各个步骤，该检测装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。检测装置200包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在检测装置200的操作系统(operating system，OS)中的软件功能模块。具体地，该检测装置200包括：
第一获取模块210，用于获取车辆车身的涂装全工艺流程参数；涂装全工艺流程参数包括喷漆工艺参数；
处理模块220，用于利用训练好的喷涂质量检测模型对涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；
输出模块230，用于输出质量检测结果。
在一个可能的实施例中，质量检测结果包括用于表示喷涂质量是否合格的第一类喷涂质量检测结果，该检测装置200还包括：第二获取模块(未示出)，用于通过训练中的喷涂质量检测模型获得预测的第一类喷涂质量检测结果；生成模块(未示出)，用于根据实际的第一类喷涂质量检测结果和预测的第一类喷涂质量检测结果之间的差异性，对训练中的喷涂质量检测模型进行训练。
在一个可能的实施例中，质量检测结果包括用于表示车身喷涂状态的第二类喷涂质量检测结果，所述车身喷涂状态包括车身喷涂缺陷状态；
该检测装置200还包括：训练模块(未示出)，用于利用训练样本集对初始喷涂质量检测模型进行训练，以获得训练好的喷涂质量检测模型；训练样本集包括样本涂装全工艺流程参数和样本涂装全工艺流程参数对应的第二类喷涂质量检测结果。
在一个可能的实施例中，该检测装置200还包括：调整模块(未示出)，用于利用预设的喷涂工艺知识库对涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数。
在一个可能的实施例中，调整模块，具体用于：从喷涂工艺知识库中搜索与目标车身喷涂缺陷状态对应的多个历史参数调整策略；从多个历史参数调整策略中查找与涂装全工艺流程参数相关度最高的目标历史参数调整策略；利用目标历史参数调整策略，对涂装全工艺流程参数进行调整。
在一个可能的实施例中，该检测装置200还包括：第三获取模块(未示出)，用于获取并存储历史所有车辆车身的车身号和历史所有车辆车身中每个车辆车身的车身号对应的涂装全工艺流程参数。
在一个可能的实施例中，第四获取模块(未示出)，用于获取待追踪车辆的车身的目标车身号；查找模块(未示出)，用于从每个车辆车身的车身号对应的涂装全工艺流程参数中查找目标车身号对应的涂装全工艺流程参数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
图3示出了本申请实施例提供的一种电子设备300的结构框图。如图3所示，电子设备300可以包括处理器310、通信接口320、存储器330和至少一个通信总线340。其中，通信总线340用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口320用于与其他节点设备进行信令或数据的通信。处理器310可以是一种集成电路芯片，具有信号的处理能力。上述的处理器310可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器310也可以是任何常规的处理器等。
存储器330可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。存储器330中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器310执行时，电子设备300可以执行上述方法实施例涉及的各个步骤。
电子设备300还可以包括存储控制器、输入输出单元、音频单元、显示单元8。
所述存储器330、存储控制器、处理器310、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线340实现电性连接。所述处理器310用于执行存储器330中存储的可执行模块，例如电子设备300包括的软件功能模块或计算机程序。并且，电子设备300用于执行下述方法：获取车辆车身的涂装全工艺流程参数；所述涂装全工艺流程参数包括喷漆工艺参数；利用训练好的喷涂质量检测模型对所述涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；输出所述质量检测结果。
输入输出单元用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
音频单元向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。显示单元可以显示处理器310执行各个步骤的执行结果。
输入输出单元用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图3所示的结构仅为示意，所述电子设备300还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
本申请还提供一种计算机介质，该计算机介质上存储有计算机程序，该计算机程序被处理器运行时执行方法实施例所述的方法。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表征类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种用于涂装车间的全工艺流程质量的检测方法，其特征在于，包括：
获取车辆车身的涂装全工艺流程参数；所述涂装全工艺流程参数包括喷漆工艺参数；
利用训练好的喷涂质量检测模型对所述涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；
输出所述质量检测结果。
2.根据权利要求1所述的检测方法，其特征在于，所述质量检测结果包括用于表示所述喷涂质量是否合格的第一类喷涂质量检测结果，在所述利用训练好的喷涂质量检测模型对所述涂装全工艺流程参数进行处理之前，所述检测方法还包括：
通过训练中的喷涂质量检测模型获得预测的第一类喷涂质量检测结果；
根据实际的第一类喷涂质量检测结果和所述预测的第一类喷涂质量检测结果之间的差异性，对所述训练中的喷涂质量检测模型进行训练。
3.根据权利要求1所述的检测方法，其特征在于，所述质量检测结果包括用于表示车身喷涂状态的第二类喷涂质量检测结果，所述车身喷涂状态包括车身喷涂缺陷状态；
在所述利用训练好的喷涂质量检测模型对所述涂装全工艺流程参数进行处理之前，所述检测方法还包括：
利用训练样本集对初始喷涂质量检测模型进行训练，以获得所述训练好的喷涂质量检测模型；所述训练样本集包括样本涂装全工艺流程参数和所述样本涂装全工艺流程参数对应的第二类喷涂质量检测结果。
4.根据权利要求3所述的检测方法，其特征在于，在通过所述第二类喷涂质量检测结果确定所述车辆车身的喷涂质量为目标车身喷涂缺陷状态的情况下，所述检测方法还包括：
利用预设的喷涂工艺知识库对所述涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数。
5.根据权利要求4所述的检测方法，其特征在于，所述利用预设的喷涂工艺知识库对所述涂装全工艺流程参数进行调整，以获得调整后的涂装全工艺流程参数，包括：
从所述喷涂工艺知识库中搜索与所述目标车身喷涂缺陷状态对应的多个历史参数调整策略；
从所述多个历史参数调整策略中查找与所述涂装全工艺流程参数相关度最高的目标历史参数调整策略；
利用所述目标历史参数调整策略，对所述涂装全工艺流程参数进行调整。
6.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：
获取并存储历史所有车辆车身的车身号和所述历史所有车辆车身中每个车辆车身的车身号对应的涂装全工艺流程参数。
7.根据权利要求6所述的检测方法，其特征在于，所述检测方法还包括：
获取待追踪车辆的车身的目标车身号；
从所述每个车辆车身的车身号对应的涂装全工艺流程参数中查找所述目标车身号对应的涂装全工艺流程参数。
8.一种用于涂装车间的全工艺流程质量的检测装置，其特征在于，包括：
第一获取模块，用于获取车辆车身的涂装全工艺流程参数；所述涂装全工艺流程参数包括喷漆工艺参数；
处理模块，用于利用训练好的喷涂质量检测模型对所述涂装全工艺流程参数进行处理，以获得用于表征喷涂质量的质量检测结果；
输出模块，用于输出所述质量检测结果。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执如权利要求1-7任一项所述的用于涂装车间的全工艺流程质量的检测方法。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1-7任一项所述的用于涂装车间的全工艺流程质量的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110968985.7A CN113657524A (zh) | 2021-08-23 | 2021-08-23 | 一种用于涂装车间的全工艺流程质量的检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110968985.7A CN113657524A (zh) | 2021-08-23 | 2021-08-23 | 一种用于涂装车间的全工艺流程质量的检测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657524A true CN113657524A (zh) | 2021-11-16 |
Family
ID=78491991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110968985.7A Pending CN113657524A (zh) | 2021-08-23 | 2021-08-23 | 一种用于涂装车间的全工艺流程质量的检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657524A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858737A (zh) * | 2022-04-24 | 2022-08-05 | 广汽丰田汽车有限公司 | 汽车喷涂质量检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
| US20120051977A1 (en) * | 2010-08-31 | 2012-03-01 | Mag Aerospace Industries, Inc. | Systems and methods for disinfecting water |
| WO2017212486A1 (en) * | 2016-06-07 | 2017-12-14 | Halo Analytics (H.A.) 2015 Ltd | A system and method of analyzing and authenticating scenarios and actions that are taking place in a plant or a factory |
| CN110853013A (zh) * | 2019-11-11 | 2020-02-28 | 四川大学青岛研究院 | 一种白色家电外壁喷涂质量检测方法 |
| DE102019206833A1 (de) * | 2019-05-10 | 2020-11-12 | Dürr Systems Ag | Verfahren zur Analyse von Qualitätsmängeln |
| CN112246469A (zh) * | 2020-10-13 | 2021-01-22 | 华晨宝马汽车有限公司 | 用于控制车辆的喷涂的方法和设备 |
| CN112547352A (zh) * | 2020-11-06 | 2021-03-26 | 山东农业大学 | 一种基于数字孪生的自动喷涂监测遥操作方法及系统 |
-
2021
- 2021-08-23 CN CN202110968985.7A patent/CN113657524A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
| US20120051977A1 (en) * | 2010-08-31 | 2012-03-01 | Mag Aerospace Industries, Inc. | Systems and methods for disinfecting water |
| WO2017212486A1 (en) * | 2016-06-07 | 2017-12-14 | Halo Analytics (H.A.) 2015 Ltd | A system and method of analyzing and authenticating scenarios and actions that are taking place in a plant or a factory |
| DE102019206833A1 (de) * | 2019-05-10 | 2020-11-12 | Dürr Systems Ag | Verfahren zur Analyse von Qualitätsmängeln |
| CN110853013A (zh) * | 2019-11-11 | 2020-02-28 | 四川大学青岛研究院 | 一种白色家电外壁喷涂质量检测方法 |
| CN112246469A (zh) * | 2020-10-13 | 2021-01-22 | 华晨宝马汽车有限公司 | 用于控制车辆的喷涂的方法和设备 |
| CN112547352A (zh) * | 2020-11-06 | 2021-03-26 | 山东农业大学 | 一种基于数字孪生的自动喷涂监测遥操作方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| CAMARASA, E 等: "Development of a complete model for an air-lift reactor", 《CHEMICAL ENGINEERING SCIENCE》, vol. 56, no. 2, pages 493 - 502, XP027210954 * |
| YONGNING TANG 等: "Intelligence Enabled SDN Fault Localization via Programmable In-band Network Telemetry", 《 2019 IEEE 20TH INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE SWITCHING AND ROUTING (HPSR)》, pages 1 - 6 * |
| 李博: "喷涂生产监测数据的存储及特征分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2019, pages 018 - 25 * |
| 李博: "喷涂生产监测数据的存储及特征分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2019, pages 018 - 25 * |
| 王晓波: "基于Web的绿色替代技术服务系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2011, pages 139 - 292 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858737A (zh) * | 2022-04-24 | 2022-08-05 | 广汽丰田汽车有限公司 | 汽车喷涂质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| Arey et al. | Lean industry 4.0: a digital value stream approach to process improvement | |
| CN102253048A (zh) | 可用于多种产品检测的机器视觉检测方法及系统 | |
| JP2001153810A (ja) | 加工物の表面の欠陥を検出するためのシステムと方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN105424190A (zh) | 产品外观的灰度检测方法 | |
| CN112246469B (zh) | 用于控制车辆的喷涂的方法和设备 | |
| CN113657524A (zh) | 一种用于涂装车间的全工艺流程质量的检测方法和装置 | |
| TWM597425U (zh) | 邊緣運算裝置及製品瑕疵檢測系統 | |
| CN106599367A (zh) | 一种航天器状态异常检测方法 | |
| CN116245808A (zh) | 工件缺陷检测方法、装置、电子设备及存储介质 | |
| Khanal et al. | Classification of car parts using deep neural network | |
| CN115129008A (zh) | 基于工业过程的工艺质量检测方法、设备和存储介质 | |
| CN115830385A (zh) | 图像检测方法、装置、电子设备及计算机可读取存储介质 | |
| CN113781013B (zh) | 一种涂装色点监测方法、系统、介质及终端 | |
| CN117392134B (zh) | 一种用于高速点胶的在线视觉检测系统 | |
| Rosandich et al. | Intelligent visual inspection | |
| CN106949925A (zh) | 一种用于发动机、变速箱表面涂胶的在线视觉检测方法 | |
| CN104390982A (zh) | 一种用于smt首件检测的测试方法 | |
| CN111076960A (zh) | 一种基于人工智能算法的声纹质量检测方法 | |
| CN106548532A (zh) | 液压油在线检测方法、装置和系统 | |
| CN105303565A (zh) | 产品外观的logo检测方法 | |
| CN116678348A (zh) | 一种柴油发动机整机零部件错漏装检测方法及装置 | |
| CN109447174A (zh) | 一种漆面识别方法、装置、存储介质及电子设备 | |
| CN110108510A (zh) | 基于嵌入式系统汽车电子产品智能检测系统及其方法 |
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 |