CN117480383A - 涂装评价装置和涂装评价方法 - Google Patents

涂装评价装置和涂装评价方法 Download PDF

Info

Publication number
CN117480383A
CN117480383A CN202280041949.9A CN202280041949A CN117480383A CN 117480383 A CN117480383 A CN 117480383A CN 202280041949 A CN202280041949 A CN 202280041949A CN 117480383 A CN117480383 A CN 117480383A
Authority
CN
China
Prior art keywords
information
coated surface
surface roughness
evaluation
coating
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
Application number
CN202280041949.9A
Other languages
English (en)
Inventor
山崎翔太
垣内孝宏
弓削健太郎
长山森
上原义贵
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.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co Ltd
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
Application filed by Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Publication of CN117480383A publication Critical patent/CN117480383A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0118—Apparatus with remote processing
    • G01N2021/0125—Apparatus with remote processing with stored program or instructions
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

一种涂装评价装置和涂装评价方法，获取表示涂装面的材质的材质信息、表示涂装面的弯曲形状的形状信息或者表示涂装面的表面粗糙度的面粗糙度信息。然后，使用针对包含材质信息、形状信息、面粗糙度信息的输入而输出涂装面的鲜映性的评价值的评价模型，来估计与材质信息、形状信息、面粗糙度信息的组合对应的评价值。

Description

涂装评价装置和涂装评价方法
技术领域
本发明涉及一种涂装评价装置和涂装评价方法。
背景技术
已知一种选择性地测定涂膜的表面波纹度中的、波长1mm～10mm的波纹度的振幅的大小、并根据该测定结果的大小来评价涂膜的表面的涂膜外观的发明(专利文献1)。
现有技术文献
专利文献
专利文献1：日本特开2006-266728号公报
发明内容
发明要解决的问题
根据专利文献1所记载的发明，例如存在以下问题：有可能在涂装面为曲面的情况下选择性地测定的波纹度的振幅产生误差，从而进行涂装面的鲜映性的评价时的精度下降。
本发明是鉴于上述问题而完成的，其目的在于，提供一种能够高精度地评价涂装面的鲜映性的涂装评价装置和涂装评价方法。
用于解决问题的方案
本发明的一个方式所涉及的涂装评价装置和涂装评价方法用于获取表示涂装面的材质的材质信息、表示涂装面的弯曲形状的形状信息或者表示涂装面的表面粗糙度的面粗糙度信息。然后，使用针对包含材质信息、形状信息、面粗糙度信息的输入而输出涂装面的鲜映性的评价值的评价模型，来估计与材质信息、形状信息、面粗糙度信息的组合对应的评价值。
发明的效果
根据本发明，能够高精度地评价涂装面的鲜映性。
附图说明
图1是示出本发明的一个实施方式所涉及的涂装评价装置的结构的框图。
图2是示出本发明的一个实施方式所涉及的涂装评价装置的处理的流程图。
具体实施方式
下面，参照附图来说明本发明的实施方式。在附图的记载中对于相同部分标注相同附图标记，并省略说明。
[涂装评价装置的结构]
参照图1来说明本实施方式所涉及的涂装评价装置的结构例。如图1所示，涂装评价装置具备形状获取部11、面粗糙度获取部17以及控制器100。除此以外，涂装评价装置也可以具备材质获取部13、图像获取部21以及输出部400。形状获取部11、材质获取部13、面粗糙度获取部17、图像获取部21、输出部400与控制器100连接。
形状获取部11获取表示作为涂装评价的对象的涂装面的弯曲形状的形状信息。更具体地说，形状获取部11可以获取与涂装面的形状有关的设计数据作为形状信息。例如，作为设计数据，能够列举CAD(Computer-aided design：计算机辅助设计)数据。设计数据只要是表示涂装面的弯曲的程度(曲率)、涂装面相对于后述的面粗糙度获取部的倾斜程度的数据则不限定于此。
形状获取部11既可以从未图示的数据库获取被存储的涂装面的设计数据，也可以从未图示的外部连接设备经由有线、无线的网络来获取涂装面的设计数据。除此以外，形状获取部11还可以基于用户的输入来获取设计数据。
另外，形状获取部11也可以获取对涂装面进行测量而得到的测量数据作为形状信息。例如，作为形状获取部11，能够列举3D扫描仪等各种装置。
材质获取部13获取表示涂装面的材质的材质信息。更具体地说，材质获取部13获取构成涂装面的材料的种类、构成涂装面的每个层的膜厚(涂装厚度)、光学特性(材料反射率、材料透过率、材料折射率)、明度、彩度、色相等设计数据来作为涂装面的材质信息。除此以外，材质获取部13也可以获取涂装所包含的发光材料的量、形状、取向等信息作为涂装面的材质信息。
材质获取部13既可以从未图示的数据库获取被存储的涂装面的材质信息，也可以从未图示的外部连接设备经由有线、无线的网络来获取涂装面的材质信息。除此以外，材质获取部13还可以基于用户的输入来获取材质信息。
另外，材质获取部13也可以获取对涂装面进行测量而得到的、构成涂装面的每个层的膜厚、光学特性、明度、彩度、色相等测量数据作为材质信息。例如，作为材质获取部13，能够列举膜厚计、分光色度计、色彩色差计、反射率测定器、折射率测定器等各种装置。
面粗糙度获取部17获取表示涂装面的表面粗糙度的面粗糙度信息。更具体地说，面粗糙度获取部17可以获取对涂装面进行测量而得到的面粗糙度作为面粗糙度信息。例如，作为面粗糙度获取部17，能够列举激光显微镜。
除此以外，面粗糙度获取部17既可以从未图示的数据库获取被存储的涂装面的面粗糙度信息，也可以从未图示的外部连接设备经由有线、无线的网络来获取涂装面的面粗糙度信息。除此以外，形状获取部11还可以基于用户的输入来获取面粗糙度信息。
图像获取部21获取作为涂装评价的对象的涂装面的摄像图像。更具体地说，图像获取部21是具备CCD、CMOS等固体摄像元件的数字摄像机，对涂装面进行拍摄来获取数字图像。
图像获取部21通过设定焦距、透镜的视角、摄像机的垂直方向及水平方向的角度等，来对作为涂装评价的对象的涂装面进行拍摄。
控制器100是具备CPU(Central Processing Unit：中央处理器)、存储器、存储装置、输入输出部等的通用计算机。
在控制器100安装有用于使该控制器100作为涂装评价装置而发挥功能的计算机程序(涂装评价程序)。通过执行计算机程序，控制器100作为涂装评价装置所具备的多个信息处理电路而发挥功能。
此外，在此示出了通过软件来实现涂装评价装置所具备的多个信息处理电路的例子，但是，当然也能够准备用于执行下面示出的各信息处理的专用的硬件来构成信息处理电路。另外，也可以通过单独的硬件来构成多个信息处理电路。
控制器100具备评价模型设定部120、评价值估计部130以及位置确定部140。
评价模型设定部120对输出涂装面的鲜映性的评价值的评价模型进行设定。
在此，鲜映性的评价值例如是根据涂装面的平滑度、涂装面处的漫反射占反射光的比例、映现于涂装面的像的分辨率中的至少一者来决定的指标。已评价涂装面的鲜映性的评价值是事先通过其它鲜映性的评价方法对已评价涂装面赋予的数值。
例如，评价模型设定部120也可以设定针对包含形状信息和面粗糙度信息的输入而输出涂装面的鲜映性的评价值的评价模型。在该情况下，评价模型是通过基于以已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
评价模型设定部120也可以设定针对包含面粗糙度信息和材质信息的输入而输出涂装面的鲜映性的评价值的评价模型。在该情况下，评价模型是通过基于以已评价涂装面的面粗糙度信息、已评价涂装面的材质信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
评价模型设定部120也可以设定针对包含材质信息和形状信息的输入而输出涂装面的鲜映性的评价值的评价模型。在该情况下，评价模型是通过基于以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
评价模型设定部120也可以设定针对包含材质信息、形状信息、面粗糙度信息的输入而输出涂装面的鲜映性的评价值的评价模型。在该情况下，评价模型是通过基于以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
作为通过机器学习来生成学习模型的方法，例如能够列举使用神经网络、支持向量机(Support Vector Machine)、随机森林(Random Forest)、XGBoost、LightGBM、PLS回归、Ridge回归、Lasso回归中的一者或两者以上的组合的方法。通过机器学习来生成学习模型的方法不限定于这里列举出的例子。
评价模型设定部120也可以基于从未图示的数据库获取到的训练数据来进行机器学习从而设定评价模型。另外，也可以是，使未图示的数据库事先存储评价模型，评价模型设定部120设定从数据库获取到的评价模型。
此外，评价模型也可以由包括输入层和输出层的神经网络构成。更具体地说，神经网络典型地来说，具有输入层、多个隐藏层以及输出层，各层(输入层、隐藏层、输出层)包括多个神经元。
输入层包含表示涂装面的弯曲形状的形状信息和表示涂装面的表面粗糙度的面粗糙度信息，作为经由各隐藏层处理的输入数据。另外，输出层的神经元对由神经网络分配给输入数据的、涂装面的鲜映性的评价值进行分配。即，从输出层输出的输出数据为涂装面的鲜映性的评价值。
通过评价模型设定部120，构成评价模型的神经网络被训练为使被提供的训练数据再现。
在被提供了以已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据的情况下，神经网络通过机器学习被训练为在被输入了包含形状信息和面粗糙度信息的输入数据时，输出涂装面的鲜映性的评价值作为输出数据。
在被提供了以已评价涂装面的面粗糙度信息、已评价涂装面的材质信息、已评价涂装面的鲜映性的评价值为组合的训练数据的情况下，神经网络通过机器学习被训练为在被输入了包含面粗糙度信息和材质信息的输入数据时，输出涂装面的鲜映性的评价值作为输出数据。
在被提供了以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的鲜映性的评价值为组合的训练数据的情况下，神经网络通过机器学习被训练为在被输入了包含材质信息和形状信息的输入数据时，输出涂装面的鲜映性的评价值作为输出数据。
在被提供了以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据的情况下，神经网络通过机器学习被训练为在被输入包含材质信息、形状信息、面粗糙度信息的输入数据时，输出涂装面的鲜映性的评价值作为输出数据。
像这样，进行基于训练数据的机器学习，来生成针对输入而输出涂装面的鲜映性的评价值的评价模型。
评价值估计部130使用所设定的评价模型，来估计与输入对应的评价值。
在所设定的评价模型是通过基于以已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入形状信息和面粗糙度信息。然后，评价值估计部130将从评价模型输出的值设为与形状信息及面粗糙度信息的组合对应的评价值。与形状信息及面粗糙度信息的该组合对应的评价值是所估计出的与涂装面的鲜映性有关的评价值。
在所设定的评价模型是通过基于以已评价涂装面的面粗糙度信息、已评价涂装面的材质信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入面粗糙度信息和材质信息。然后，评价值估计部130将从评价模型输出的值设为与面粗糙度信息及材质信息的组合对应的评价值。与面粗糙度信息及材质信息的该组合对应的评价值是所估计出的与涂装面的鲜映性有关的评价值。
在所设定的评价模型是通过基于以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入材质信息和形状信息。然后，评价值估计部130将从评价模型输出的值设为与材质信息及形状信息的组合对应的评价值。与材质信息及形状信息的该组合对应的评价值是所估计出的与涂装面的鲜映性有关的评价值。
在所设定的评价模型是通过基于以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入形状信息、面粗糙度信息、材质信息。然后，评价值估计部130将从评价模型输出的值设为与形状信息、面粗糙度信息、材质信息的组合对应的评价值。与形状信息、面粗糙度信息、材质信息的该组合对应的评价值是所估计出的与涂装面的鲜映性有关的评价值。
位置确定部140将摄像图像及形状信息与面粗糙度信息相关联，来记录涂装面上的获取到面粗糙度信息的位置。更具体地说，将获取到面粗糙度信息时的摄像图像及形状信息与面粗糙度信息相关联地记录于未图示的数据库等。由此，确定涂装面上的获取到面粗糙度信息时的位置。
位置确定部140也可以通过将涂装面上的获取到面粗糙度信息及材质信息的位置与摄像图像相关联地记录，来确定涂装面上的获取到面粗糙度信息和材质信息时的位置。
输出部400输出所估计出的与涂装面的鲜映性有关的评价值。
[涂装评价装置的处理过程]
接着，参照图2的流程图来说明本实施方式所涉及的涂装评价装置的处理过程。此外，设为在图2的流程图所示的处理开始前，已经由评价模型设定部120设定了评价模型。
在步骤S102中，面粗糙度获取部17获取表示作为涂装评价的对象的涂装面的表面粗糙度的面粗糙度信息。除此以外，形状获取部11也可以获取表示涂装面的弯曲形状的形状信息。材质获取部13也可以获取表示涂装面的材质的材质信息。图像获取部21也可以获取涂装面的摄像图像。
在步骤S104中，位置确定部140将摄像图像及形状信息与面粗糙度信息相关联，来记录涂装面上的获取到面粗糙度信息的位置，由此确定涂装面上的获取到面粗糙度信息时的位置。
此外，位置确定部140也可以通过将涂装面上的获取到面粗糙度信息及材质信息的位置与摄像图像相关联地记录，来确定涂装面上的获取到面粗糙度信息和材质信息时的位置。
在步骤S111中，评价值估计部130估计评价值。更具体地说，评价值估计部130计算来自评价模型的与向评价模型的输入对应的输出。然后，将从评价模型输出的值估计为与向评价模型的输入对应的评价值。
例如，在评价模型是通过基于以已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入形状信息和面粗糙度信息的组合。然后，评价值估计部130估计与形状信息及面粗糙度信息的组合对应的评价值。
在评价模型是通过基于以已评价涂装面的形状信息、已评价涂装面的材质信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入形状信息和材质信息的组合。然后，评价值估计部130估计与形状信息及材质信息的组合对应的评价值。
在评价模型是通过基于以已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的材质信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型的情况下，评价值估计部130对评价模型输入形状信息、面粗糙度信息、材质信息的组合。然后，评价值估计部130估计与形状信息、面粗糙度信息、材质信息的组合对应的评价值。
在步骤S113中，输出部400输出由评价值估计部130估计出的评价值。
[实施方式的效果]
如以上详细说明的那样，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序获取表示涂装面的弯曲形状的形状信息、以及表示涂装面的表面粗糙度的面粗糙度信息，使用针对包含形状信息和面粗糙度信息的输入而输出涂装面的鲜映性的评价值的评价模型，来估计与形状信息及面粗糙度信息的组合对应的评价值。
由此，能够高精度地评价涂装面的鲜映性。特别是，即使在涂装面为曲面的情况下也能够高精度地评价涂装面的鲜映性。另外，通过评价模型来估计评价值，因此不需要用于评价涂装面的鲜映性的专用的设备、熟手，能够削减评价涂装面的鲜映性时的成本。
另外，在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中，评价模型也可以是通过基于以已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。由此，能够通过根据与具有各种曲面形状的已评价涂装面有关的训练数据生成的评价模型来高精度地评价涂装面的鲜映性。
另外，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序既可以获取涂装面的设计数据作为形状信息，也可以获取对涂装面进行测量而得到的测量数据作为形状信息。由此，能够考虑涂装面的弯曲形状来高精度地评价涂装面的鲜映性。
并且，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序也可以获取涂装面的摄像图像，将摄像图像及形状信息与面粗糙度信息相关联，来记录涂装面上的获取到面粗糙度信息的位置。由此，确定涂装面上的获取到面粗糙度信息时的位置。另外，能够高精度地评价涂装面的鲜映性。
另外，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序也可以获取表示涂装面的材质的材质信息，使用针对包含材质信息、形状信息、面粗糙度信息的输入而输出涂装面的鲜映性的评价值的评价模型，来估计与形状信息、面粗糙度信息、材质信息的组合对应的评价值。通过除了将涂装面的形状信息、面粗糙度信息使用于涂装面的鲜映性的评价以外，还将涂装面的材质信息使用于涂装面的鲜映性的评价，能够高精度地评价涂装面的鲜映性。
并且，在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中，评价模型也可以是通过基于以已评价涂装面的材质信息、已评价涂装面的形状信息、已评价涂装面的面粗糙度信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。由此，能够通过根据与由各种曲面形状、各种材质构成的已评价涂装面有关的训练数据生成的评价模型来高精度地评价涂装面的鲜映性。
另外，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序获取表示涂装面的表面粗糙度的面粗糙度信息和表示涂装面的材质的材质信息，使用针对包含面粗糙度信息和材质信息的输入而输出涂装面的鲜映性的评价值的评价模型，来估计与面粗糙度信息及材质信息的组合对应的评价值。
由此，能够高精度地评价涂装面的鲜映性。另外，通过评价模型来估计评价值，因此不需要用于评价涂装面的鲜映性的专用的设备、熟手，能够削减评价涂装面的鲜映性时的成本。
另外，在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中，评价模型也可以是通过基于以已评价涂装面的面粗糙度信息、已评价涂装面的材质信息、已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。由此，能够通过根据与具有各种面粗糙度、材质样式的已评价涂装面有关的训练数据生成的评价模型来高精度地评价涂装面的鲜映性。
另外，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序也可以获取与涂装面的涂装厚度、材料反射率、明度、彩度、色相中的至少任一者有关的设计数据作为材质信息。由此，能够更详细地考虑涂装面的材质来高精度地评价涂装面的鲜映性。
并且，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序也可以获取对涂装面进行测量而得到的、与涂装面的涂装厚度、材料反射率、明度、彩度、色相中的至少任一者有关的测量数据作为材质信息。由此，能够更详细地考虑涂装面的材质来高精度地评价涂装面的鲜映性。
并且，本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序也可以获取涂装面的摄像图像，将涂装面上的获取到面粗糙度信息及材质信息的位置与摄像图像相关联地记录。由此，确定涂装面上的获取到面粗糙度信息和材质信息时的位置。另外，能够高精度地评价涂装面的鲜映性。
并且，在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中，涂装面的鲜映性的评价值也可以是根据涂装面的平滑度、涂装面处的漫反射占反射光的比例、映现于涂装面的像的分辨率中的至少一者来决定的指标。像这样，明示出涂装面的鲜映性的评价的基准。
另外，在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中使用的评价模型也可以由包括输入层和输出层的神经网络构成。在此，也可以将被输入到输入层的输入数据与被从输出层输出的输出数据相互关联来使评价模型进行学习，该输出数据包含表示涂装面的弯曲形状的形状信息和表示涂装面的表面粗糙度的面粗糙度信息，该输出数据包含涂装面的鲜映性的评价值。
由此，能够表现在涂装面的形状信息及面粗糙度信息与涂装面的鲜映性的评价值之间成立的关系。其结果，不需要用于评价涂装面的鲜映性的专用的设备、熟手，能够削减评价涂装面的鲜映性时的成本。
并且，关于在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中使用的评价模型，也可以通过以下方式来生成：获取以表示涂装面的弯曲形状的形状信息、表示涂装面的表面粗糙度的面粗糙度信息、涂装面的鲜映性的评价值为组合的训练数据，进行基于训练数据的机器学习，以针对包含形状信息和面粗糙度信息的输入而输出涂装面的鲜映性的评价值的方式构成。由此，能够获得表现涂装面的形状信息及面粗糙度信息与涂装面的鲜映性的评价值之间成立的关系的评价模型。
另外，在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中使用的评价模型也可以由包括输入层和输出层的神经网络构成。在此，也可以将被输入到输入层的输入数据与被从输出层输出的输出数据相互关联来使评价模型进行学习，该输入数据包含表示涂装面的表面粗糙度的面粗糙度信息和表示涂装面的材质的材质信息，该输出数据包含涂装面的鲜映性的评价值。
由此，能够表现在涂装面的面粗糙度信息及材质信息与涂装面的鲜映性的评价值之间成立的关系。其结果，不需要用于评价涂装面的鲜映性的专用的设备、熟手，能够削减评价涂装面的鲜映性时的成本。
并且，关于在本实施方式所涉及的涂装评价装置、涂装评价方法、涂装评价程序中使用的评价模型，也可以通过以下方式来生成：获取以表示涂装面的表面粗糙度的面粗糙度信息、表示涂装面的材质的材质信息、涂装面的鲜映性的评价值为组合的训练数据，进行基于训练数据的机器学习，以针对包含面粗糙度信息和材质信息的输入而输出涂装面的鲜映性的评价值的方式构成。由此，能够获得表现在涂装面的面粗糙度信息及材质信息与涂装面的鲜映性的评价值之间成立的关系的评价模型。
在上述的实施方式中示出的各功能能够通过一个或多个处理电路来实现。处理电路包括进行过编程的处理器、电路等，并且，还包括专用集成电路(ASIC)那样的装置、以执行所记载的功能的方式配置的电路构成要素等。
以上，按照实施方式说明了本发明的内容，但是本发明不限定于这些记载，能够进行各种变形和改进，这对于本领域技术人员而言是显而易见的。不应理解为构成本公开的一部分的论述和附图是用于限定本发明的。对于本领域技术人员而言，根据本公开，各种代替实施方式、实施例以及运用技术会是显而易见的。
本发明当然包含在此未记载的各种实施方式等。因而，本发明的保护范围是仅由从上述的说明来看妥当的权利要求书所涉及的发明特定事项来确定的。
本申请要求以2021年6月21日申请的国际申请PCT/IB2021/000416为基础的优先权，通过参照将该申请的全部内容并入到本说明书中。
附图标记说明
11：形状获取部；13：材质获取部；17：面粗糙度获取部；21：图像获取部；100：控制器；120：评价模型设定部；130：评价值估计部；140：位置确定部；400：输出部。

Claims (21)

1.一种涂装评价装置，具备：形状获取部，其获取表示涂装面的弯曲形状的形状信息；面粗糙度获取部，其获取表示所述涂装面的表面粗糙度的面粗糙度信息；以及控制器，所述涂装评价装置的特征在于，
所述控制器使用针对包含所述形状信息和所述面粗糙度信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述形状信息及所述面粗糙度信息的组合对应的评价值。
2.根据权利要求1所述的涂装评价装置，其特征在于，
所述评价模型是通过基于以已评价涂装面的形状信息、所述已评价涂装面的面粗糙度信息、以及所述已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
3.根据权利要求1所述的涂装评价装置，其特征在于，
所述形状获取部获取所述涂装面的设计数据作为所述形状信息。
4.根据权利要求1所述的涂装评价装置，其特征在于，
所述形状获取部获取对所述涂装面进行测量而得到的测量数据作为所述形状信息。
5.根据权利要求1所述的涂装评价装置，其特征在于，
还具备图像获取部，所述图像获取部获取所述涂装面的摄像图像，
所述控制器将所述摄像图像及所述形状信息与所述面粗糙度信息相关联，来记录所述涂装面上的获取到所述面粗糙度信息的位置。
6.根据权利要求1所述的涂装评价装置，其特征在于，
还具备材质获取部，所述材质获取部获取表示所述涂装面的材质的材质信息，
所述控制器使用针对包含所述材质信息、所述形状信息以及所述面粗糙度信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述形状信息、所述面粗糙度信息及所述材质信息的组合对应的评价值。
7.根据权利要求6所述的涂装评价装置，其特征在于，
所述评价模型是通过基于以已评价涂装面的所述材质信息、所述已评价涂装面的形状信息、所述已评价涂装面的面粗糙度信息以及所述已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
8.一种涂装评价装置，具备：面粗糙度获取部，其获取表示涂装面的表面粗糙度的面粗糙度信息；材质获取部，其获取表示所述涂装面的材质的材质信息；以及控制器，所述涂装评价装置的特征在于，
所述控制器使用针对包含所述面粗糙度信息和所述材质信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述面粗糙度信息及所述材质信息的组合对应的评价值。
9.根据权利要求8所述的涂装评价装置，其特征在于，
所述评价模型是通过基于以已评价涂装面的面粗糙度信息、所述已评价涂装面的材质信息以及所述已评价涂装面的鲜映性的评价值为组合的训练数据进行机器学习而生成的学习模型。
10.根据权利要求8所述的涂装评价装置，其特征在于，
所述材质获取部获取与所述涂装面的涂装厚度、材料反射率、明度、彩度及色相中的至少任一者有关的设计数据作为所述材质信息。
11.根据权利要求8所述的涂装评价装置，其特征在于，
所述材质获取部获取对所述涂装面进行测量而得到的、与所述涂装面的涂装厚度、材料反射率、明度、彩度及色相中的至少任一者有关的测量数据作为所述材质信息。
12.根据权利要求8所述的涂装评价装置，其特征在于，
还具备图像获取部，所述图像获取部获取所述涂装面的摄像图像，
所述控制器将所述涂装面上的获取到所述面粗糙度信息及所述材质信息的位置与所述摄像图像相关联地记录。
13.根据权利要求1～12中的任一项所述的涂装评价装置，其特征在于，
所述涂装面的鲜映性的评价值是根据所述涂装面的平滑度、所述涂装面处的漫反射占反射光的比例以及映现于所述涂装面的像的分辨率中的至少一者来决定的指标。
14.一种涂装评价方法，其特征在于，
获取表示涂装面的弯曲形状的形状信息，
获取表示所述涂装面的表面粗糙度的面粗糙度信息，
使用针对包含所述形状信息和所述面粗糙度信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述形状信息及所述面粗糙度信息的组合对应的评价值。
15.一种涂装评价程序，由控制形状获取部和面粗糙度获取部的计算机执行，所述形状获取部获取表示涂装面的弯曲形状的形状信息，所述面粗糙度获取部获取表示所述涂装面的表面粗糙度的面粗糙度信息，所述涂装评价程序用于使所述计算机执行以下步骤：
使用所述形状获取部来获取所述形状信息；
使用所述面粗糙度获取部来获取所述面粗糙度信息；以及
使用针对包含所述形状信息和所述面粗糙度信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述形状信息及所述面粗糙度信息的组合对应的评价值。
16.一种评价模型，由包括输入层和输出层的神经网络构成，所述评价模型的特征在于，
所述评价模型是将被输入到所述输入层的输入数据与被从所述输出层输出的输出数据相互关联来进行学习所得到的模型，
所述输入数据包含表示涂装面的弯曲形状的形状信息和表示所述涂装面的表面粗糙度的面粗糙度信息，
所述输出数据包含所述涂装面的鲜映性的评价值。
17.一种评价模型生成方法，其特征在于，
获取以表示涂装面的弯曲形状的形状信息、表示所述涂装面的表面粗糙度的面粗糙度信息以及所述涂装面的鲜映性的评价值为组合的训练数据，
进行基于所述训练数据的机器学习，来生成针对包含所述形状信息和所述面粗糙度信息的输入而输出所述涂装面的鲜映性的评价值的评价模型。
18.一种涂装评价方法，其特征在于，
获取表示涂装面的表面粗糙度的面粗糙度信息，
获取表示所述涂装面的材质的材质信息，
使用针对包含所述面粗糙度信息和所述材质信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述面粗糙度信息及所述材质信息的组合对应的评价值。
19.一种涂装评价程序，由控制面粗糙度获取部和材质获取部的计算机执行，所述面粗糙度获取部获取表示涂装面的表面粗糙度的面粗糙度信息，所述材质获取部获取表示所述涂装面的材质的材质信息，所述涂装评价程序用于使所述计算机执行以下步骤：
使用所述面粗糙度获取部来获取所述面粗糙度信息；
使用所述材质获取部来获取所述材质信息；以及
使用针对包含所述面粗糙度信息和所述材质信息的输入而输出所述涂装面的鲜映性的评价值的评价模型，来估计与所述面粗糙度信息及所述材质信息的组合对应的评价值。
20.一种评价模型，由包括输入层和输出层的神经网络构成，所述评价模型的特征在于，
所述评价模型是将被输入到所述输入层的输入数据与被从所述输出层输出的输出数据相互关联来进行学习所得到的模型，
所述输入数据包含表示涂装面的表面粗糙度的面粗糙度信息和表示所述涂装面的材质的材质信息，
所述输出数据包含所述涂装面的鲜映性的评价值。
21.一种评价模型生成方法，其特征在于，
获取以表示涂装面的表面粗糙度的面粗糙度信息、表示所述涂装面的材质的材质信息以及所述涂装面的鲜映性的评价值为组合的训练数据，
进行基于所述训练数据的机器学习，来生成针对包含所述面粗糙度信息和所述材质信息的输入而输出所述涂装面的鲜映性的评价值的评价模型。
CN202280041949.9A 2021-06-21 2022-06-13 涂装评价装置和涂装评价方法 Pending CN117480383A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
PCT/IB2021/000416 WO2022269302A1 (ja) 2021-06-21 2021-06-21 塗装評価装置及び塗装評価方法
IBPCT/IB2021/000416 2021-06-21
PCT/IB2022/000312 WO2022269342A1 (ja) 2021-06-21 2022-06-13 塗装評価装置及び塗装評価方法

Publications (1)

Publication Number Publication Date
CN117480383A true CN117480383A (zh) 2024-01-30

Family

ID=84544201

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202180099260.7A Pending CN117501108A (zh) 2021-06-21 2021-06-21 涂装评价装置和涂装评价方法
CN202280041949.9A Pending CN117480383A (zh) 2021-06-21 2022-06-13 涂装评价装置和涂装评价方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202180099260.7A Pending CN117501108A (zh) 2021-06-21 2021-06-21 涂装评价装置和涂装评价方法

Country Status (5)

Country Link
US (1) US20240230547A1 (zh)
EP (2) EP4361613A4 (zh)
JP (2) JPWO2022269302A1 (zh)
CN (2) CN117501108A (zh)
WO (2) WO2022269302A1 (zh)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07109405B2 (ja) * 1989-06-26 1995-11-22 日産自動車株式会社 塗装鮮映性測定方法
US4989984A (en) * 1989-11-08 1991-02-05 Environmental Research Institute Of Michigan System for measuring optical characteristics of curved surfaces
JP3006321B2 (ja) * 1992-11-17 2000-02-07 日産自動車株式会社 ウェット鮮映性測定装置
JP3257182B2 (ja) * 1993-09-27 2002-02-18 日産自動車株式会社 塗装処理装置及び塗装処理方法
JP3322034B2 (ja) * 1994-10-24 2002-09-09 日産自動車株式会社 塗装品質解析装置
JP3358434B2 (ja) * 1996-03-27 2002-12-16 日産自動車株式会社 塗装品質解析装置
JP4534795B2 (ja) * 2005-02-25 2010-09-01 トヨタ自動車株式会社 塗膜評価装置及び方法
JP2006266728A (ja) 2005-03-22 2006-10-05 Honda Motor Co Ltd 塗膜外観の評価方法及び塗装物
JP2006308476A (ja) * 2005-04-28 2006-11-09 Tokyo Seimitsu Co Ltd 表面粗さ／形状測定装置
JP2014149286A (ja) * 2013-01-31 2014-08-21 Nireco Corp 面粗さ測定装置
DE102015118551A1 (de) * 2015-10-29 2017-05-04 Basf Coatings Gmbh Verfahren zum Ermitteln von Texturparametern eines Lacks
JP6787396B2 (ja) * 2016-04-08 2020-11-18 コニカミノルタ株式会社 光学測定装置、画像の生成方法および画像の生成プログラム
BR102016028266A2 (pt) * 2016-12-01 2018-06-19 Autaza Tecnologia Ltda - Epp Método e sistema para a inspeção automática de qualidade de materiais
US11002676B2 (en) * 2018-04-09 2021-05-11 Hunter Associates Laboratory, Inc. UV-VIS spectroscopy instrument and methods for color appearance and difference measurement
CN110146034A (zh) * 2019-06-20 2019-08-20 本钢板材股份有限公司 一种基于表面波纹度的冷轧薄钢板表面质量的判别方法

Also Published As

Publication number Publication date
US20240230547A1 (en) 2024-07-11
WO2022269302A1 (ja) 2022-12-29
JPWO2022269302A1 (zh) 2022-12-29
EP4361613A4 (en) 2024-05-29
EP4361614A1 (en) 2024-05-01
CN117501108A (zh) 2024-02-02
JPWO2022269342A1 (zh) 2022-12-29
EP4361613A1 (en) 2024-05-01
WO2022269342A1 (ja) 2022-12-29

Similar Documents

Publication Publication Date Title
US7711182B2 (en) Method and system for sensing 3D shapes of objects with specular and hybrid specular-diffuse surfaces
CA2378867C (en) Method and system for measuring the relief of an object
US9074879B2 (en) Information processing apparatus and information processing method
US20070176927A1 (en) Image Processing method and image processor
JP2009236917A (ja) 物体の３ｄ座標を決定するための方法及び装置
JP6894672B2 (ja) 情報処理装置、情報処理方法、プログラム
KR20070047309A (ko) 투명한 객체 높이 측정법
Silvester et al. A critical assessment of the potential for structure‐from‐motion photogrammetry to produce high fidelity 3D dental models
JP5599849B2 (ja) レンズ検査装置及びその方法
JP2022177166A (ja) 検査方法、プログラム、及び、検査システム
JP6237032B2 (ja) 色と三次元形状の計測方法及び装置
JP4379626B2 (ja) ３次元形状計測方法及びその装置
JP2017044596A (ja) 膜厚測定装置および膜厚測定方法
WO2020012707A1 (ja) ３次元測定装置及び方法
JP7179439B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN117480383A (zh) 涂装评价装置和涂装评价方法
JP5967470B2 (ja) 検査装置
JP2021063700A (ja) 三次元計測装置、コンピュータプログラム、制御システム及び物品の製造方法
JP2010025575A (ja) 膜厚測定方法および装置
JP2020129187A (ja) 外形認識装置、外形認識システム及び外形認識方法
US20240288375A1 (en) Coating evaluation device and coating evaluation method
WO2022269301A1 (ja) 塗装評価装置及び塗装評価方法
JP7262800B2 (ja) 三次元画像生成システム、三次元画像生成方法、三次元画像生成プログラムおよび記録媒体
KR102552777B1 (ko) 모발 광택 진단 시스템 및 모발 광택 진단 방법
JP2024055569A (ja) ３次元計測装置、３次元計測方法、プログラム、システム、及び物品の製造方法

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