某世界500强汽车厂商
涂装是汽车整车制造中非常重要的一环，但目前在涂装质量评价、检测、修复环节，国内外绝大多数汽车厂商都是采用人工检测的方式。依靠行业专家对漆面质量进行评审，然后再由技术人员对瑕疵处进行打磨抛光。人工检测缺陷后由技术工人手工打磨的方式虽然能够精准地找到漆面瑕疵并进行修复。但检测和修复效果极度依赖于评审专家以及技术人员的经验水平、耗时长，并且严重阻碍国内汽车厂商高品质车辆的产出以及量产车辆的涂装质量控制。因此，如何将涂装主观评价数字化，实现涂装全流程高度自动化，是汽车厂商实现转型升级的必由之路。
客户简介
该公司连续多年进入世界500强，是中国汽车行业十强，是国家“创新型企业”和“国家汽车整车出口基地企业”。本次合作的是整车试制研究院，是为了试制先期的测试车辆，加快重点整车新品项目，确保项目质量和进度而特别设立的。为进一步推进汽车产业的2025智能化建设，该公司投入大量的财力、人力推动透明化工厂建设，基于汽车工业的智能创新大数据平台，实现网络化、智能化、自组织、个性化生产模式。
面临问题
该厂现阶段整车的漆面质量和等级评级主要依靠国外专家进行评测，然后指导技术人员进行再抛光或打磨，这种方式存在耗时长、对外依赖性强等弊端，因此该厂希望能将现有的专家经验与机器学习/深度学习技术及先进设备测量检测技术相整合，构建漆面实时质量检测系统，针对车身漆面实时判断该漆面质量是否合格，若不合格，判断为何种瑕疵。然后通过机器对专家经验的有效学习，凭借漆面图像实现对漆面质量的等级分类。同时建设涂装机器人，自动化完成漆面的打磨抛光工艺，实现涂装机器人的智能控制系统，针对漆面瑕疵处的精准智能打磨抛光。
如何解决
1.搭建漆面质量数据库。汽车漆面质量数据库收集汽车漆面在不同的表面、颜色、光源等条件下出现的的漆面图像，为后续机器学习深度学习建模提供了数据支撑、有效性与泛化能力。
2.涂装主观评价匹配模型。基于该厂现有的各类漆面检测仪器设备数据，通过建立相应的机器学习模型，将该类数据与专家评价结果建立有效的匹配关系，使得检测数据对于漆面质量的评价不仅是合格／不合格，做到基于数据评价漆面质量的优劣。
3.漆面质量判别模型。在涂装专家评价与数据匹配的基础上，加上漆面的高清图像数据，建立深度学习模型，模拟专家对于漆面的评价过程及方法，从图像中直接判别整车漆面的质量优劣，筛选出C级及更高质量的漆面。应用的算法主要有CNN卷积神经网络、RCNN（Regions with CNN）、Fast-RCNN或Faster-RCNN等。
2.涂装主观评价匹配模型。基于该厂现有的各类漆面检测仪器设备数据，通过建立相应的机器学习模型，将该类数据与专家评价结果建立有效的匹配关系，使得检测数据对于漆面质量的评价不仅是合格／不合格，做到基于数据评价漆面质量的优劣。
3.漆面质量判别模型。在涂装专家评价与数据匹配的基础上，加上漆面的高清图像数据，建立深度学习模型，模拟专家对于漆面的评价过程及方法，从图像中直接判别整车漆面的质量优劣，筛选出C级及更高质量的漆面。应用的算法主要有CNN卷积神经网络、RCNN（Regions with CNN）、Fast-RCNN或Faster-RCNN等。
实施效果
1.建立了漆面质量数据库，采集漆面常见缺陷图像、色差仪、橘皮仪等仪器测试数据、专家等级评价数据等；
2.漆面质量判别模型能够对电泳、中涂、面漆的气泡、橘皮等缺陷进行较为精确的识别，节省人力约51%，效率大幅提升。
2.漆面质量判别模型能够对电泳、中涂、面漆的气泡、橘皮等缺陷进行较为精确的识别，节省人力约51%，效率大幅提升。
准备好开始大数据升级了吗？
联系我们
