JP7363589B2 - 塗装品質予測装置および学習済みモデルの生成方法 - Google Patents

Description

本発明は、塗装品質予測装置および学習済みモデルの生成方法に関する。

従来、一定水準の仕上がり肌が得られる塗装方法が知られている（たとえば、特許文献１参照）。

特許文献１の塗装方法は、塗装環境の変動が検出された場合に、その塗装環境の変動に応じた塗装条件の変更が行われるように構成されている。これにより、一定水準の仕上がり肌が得られるので、塗装品質の安定性を向上させることが可能である。

特開２０００－２４６１６７号公報

ここで、上記した塗装方法では、被塗装物に対する塗装時にフィードバック制御して塗装品質を安定させることが可能であるが、被塗装物に対して塗装が行われる前に塗装品質を予測するものではない。

本発明の一の目的は、被塗装物に対して塗装が行われる前に塗装品質を予測することが可能な塗装品質予測装置を提供することである。本発明の他の目的は、塗装品質を予測する塗装品質予測装置に用いられる学習済みモデルを生成することが可能な学習済みモデルの生成方法を提供することである。

本発明による塗装品質予測装置は、塗料の特性およびその塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性との関係が学習された学習済みモデルと、学習済みモデルを用いて、塗料の特性および塗装時の条件から塗膜の表面の平滑性を算出する算出部とを備える。塗料の塗装時の条件は、被塗装物の面の向きを含む。
本発明による塗装品質予測装置は、塗料の特性およびその塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性との関係が学習された学習済みモデルと、学習済みモデルを用いて、塗料の特性および塗装時の条件から塗膜の表面の平滑性を算出する算出部とを備える。塗料は、中塗り塗料と、ベース塗料と、クリア塗料とを含む。塗膜は、中塗り塗膜と、中塗り塗膜上に形成されるベース塗膜と、ベース塗膜上に形成されるクリア塗膜とを含む。

このように構成することによって、塗膜の表面の平滑性を予測することができるので、被塗装物に対して塗装が行われる前に予め平滑性を把握することができる。

上記塗料がベース塗料を含む場合において、ベース塗料の特性は、そのベース塗料の材料に基づいて算出されていてもよい。

上記塗装品質予測装置において、学習済みモデルは、塗料の特性およびその塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の測定結果を複数の波長領域に分解して得られる各波長領域の値との関係が学習されていてもよい。

本発明による塗装品質予測装置は、塗料に関する情報およびその塗料の塗装時の条件と、その塗料がその条件で塗装された複数の被塗装物における塗色のばらつきとの関係が学習された学習済みモデルと、学習済みモデルを用いて、塗料に関する情報および塗装時の条件から塗色のばらつきを算出する算出部とを備える。

このように構成することによって、塗色のばらつきを予測することができるので、被塗装物に対して塗装が行われる前に予め塗色のばらつきを把握することができる。

上記塗装品質予測装置において、塗色のばらつきは、ＣＩＥ１９７６Ｌ^*ａ^*ｂ^*表色系における各値のばらつきを含んでいてもよい。

上記塗装品質予測装置において、塗料に関する情報は、塗料の見本色を含んでいてもよい。

本発明による学習済みモデルの生成方法は、塗料の特性と、その塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性とを含む教師データを取得するステップと、教師データを用いて、塗料の特性および塗装時の条件が入力された場合に塗膜の表面の平滑性を出力する学習済みモデルを生成するステップとを備える。塗料の塗装時の条件は、被塗装物の面の向きを含む。
本発明による学習済みモデルの生成方法は、塗料の特性と、その塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性とを含む教師データを取得するステップと、教師データを用いて、塗料の特性および塗装時の条件が入力された場合に塗膜の表面の平滑性を出力する学習済みモデルを生成するステップとを備える。塗料は、中塗り塗料と、ベース塗料と、クリア塗料とを含む。塗膜は、中塗り塗膜と、中塗り塗膜上に形成されるベース塗膜と、ベース塗膜上に形成されるクリア塗膜とを含む。

本発明による学習済みモデルの生成方法は、塗料に関する情報と、その塗料の塗装時の条件と、その塗料がその条件で塗装された複数の被塗装物における塗色のばらつきとを含む教師データを取得するステップと、教師データを用いて、塗料に関する情報および塗装時の条件が入力された場合に塗色のばらつきを出力する学習済みモデルを生成するステップとを備える。

本発明の塗装品質予測装置によれば、被塗装物に対して塗装が行われる前に塗装品質を予測することができる。本発明の学習済みモデルの生成方法によれば、塗装品質を予測する塗装品質予測装置に用いられる学習済みモデルを生成することができる。

第１実施形態による塗装品質予測装置を示したブロック図である。 第１実施形態による学習装置を示したブロック図である。 塗装品質が予測される塗膜の一例を示した模式図である。 第１実施形態の学習装置による学習動作を説明するためのフローチャートである。 第１実施形態の塗装品質予測装置による予測動作を説明するためのフローチャートである。 第２実施形態による塗装品質予測装置を示したブロック図である。 第２実施形態による学習装置を示したブロック図である。 第２実施形態の学習装置による学習動作を説明するためのフローチャートである。 第２実施形態の塗装品質予測装置による予測動作を説明するためのフローチャートである。 第２実施形態の塗装品質予測装置による予測結果を説明するための図である。

以下、本発明の実施形態を説明する。

（第１実施形態）
まず、図１～図３を参照して、本発明の第１実施形態による塗装品質予測装置１および学習装置２の構成について説明する。

塗装品質予測装置１（図１参照）は、学習済みモデル１２ａを用いて塗膜１００（図３参照）の表面の平滑性を推定するように構成されている。学習装置２（図２参照）は、塗膜１００の表面の平滑性を推定するための学習済みモデル２０ｂを生成するように構成されている。なお、塗装品質予測装置１に格納されている学習済みモデル１２ａは、学習装置２によって生成された学習済みモデル２０ｂと同じである。

ここで、図３に示すように、塗膜１００は、たとえば、中塗り塗膜１０１とベース塗膜１０２とクリア塗膜１０３とを含み、たとえば車体の鋼板１５０上に形成されている。鋼板１５０上には、電着塗膜１５１が形成されている。電着塗膜１５１上には、中塗り塗膜１０１が形成されている。中塗り塗膜１０１上には、ベース塗膜１０２が形成されている。ベース塗膜１０２上には、クリア塗膜１０３が形成されている。そして、塗装品質予測装置１は、電着塗膜１５１上の塗膜１００の平滑性を予測するように構成されている。

この塗膜１００の平滑性は、平滑性測定装置（図示省略）を用いて行うことが可能である。平滑性測定装置では、光源から塗膜１００の表面にレーザ光が照射され、その反射光が検出器で検出されるとともに、光源が表面に沿って移動されることで表面がスキャンされることにより、反射光の明暗が決められた間隔で一点ずつ測定され、表面の光学的プロファイルが検出される。そして、光学的プロファイルがフィルタ処理されることにより、複数の波長領域に分解されて波長領域毎に数値化される。このような平滑性測定装置としては、たとえば、ＢＹＫ－Ｇａｒｄｎｅｒ社製の「Ｗａｖｅ－Ｓｃａｎ Ｄｕａｌ」を挙げることができる。

本実施形態では、光学的プロファイルが第１波長領域～第４波長領域に分解される。第１波長領域は、相対的に長波長側の領域であり、第４波長領域は、相対的に短波長側の領域である。第２波長領域および第３波長領域は、第１波長領域および第４波長領域の間の領域であり、第２波長領域が長波長側であり、第３波長領域が短波長側である。第１波長領域の値は、塗膜１００の表面の肌のうねり（波打ち）を評価する指標である。第４波長領域の値は、塗膜１００の表面の艶感を評価する指標である。第２波長領域の値および第３波長領域の値は、肌のうねりおよび艶感に関与する指標である。第１波長領域～第４波長領域では、値が小さくなるほど平滑性が良好である。なお、光学的プロファイルは、本発明の「塗膜の表面の測定結果」の一例である。

このため、塗装品質予測装置１は、学習済みモデル１２ａを用いて各波長領域の値を推定するように構成されている。学習装置２は、各波長領域の値を推定するための学習済みモデル２０ｂを生成するように構成されている。

学習装置２は、図２に示すように、生データ２０ａを前処理して教師データを生成し、その教師データを用いて学習済みモデル２０ｂを生成するように構成されている。この学習装置２は、演算部２１と、記憶部２２と、入力部２３と、出力部２４とを備えている。

演算部２１は、記憶部２２に記憶されたプログラムなどに基づいて演算処理を実行することにより、学習装置２を制御するように構成されている。記憶部２２には、プログラムやそのプログラムの実行の際に参照されるデータベースなどが記憶されている。たとえば、記憶部２２には、学習用プログラム２２ａ、ベース特性判断プログラム２２ｂ、顔料ＤＢ２２ｃおよび光輝材ＤＢ２２ｄが格納されている。入力部２３は、生データ２０ａが入力可能に構成され、出力部２４は、学習済みモデル２０ｂを出力可能に構成されている。

生データ２０ａは、過去に実際に行った塗装に関する各種情報や塗装後の平滑性の評価結果などを含み、それらが関連付けられている。生データ２０ａには、たとえば、「塗料の材料」、その塗料を製造した「塗料メーカ名」、その塗料を用いた塗装に関する「塗装時データ」、その塗料を用いた塗装が行われたときの「塗装時条件」、および、そのような設定で形成された塗膜１００の平滑性測定装置による測定結果が含まれている。

具体例として、生データ２０ａの１つのレコードには以下の項目が含まれ、生データ２０ａは多数のレコードによって構成されている。

（ａ１）中塗り塗料の種別
（ａ２）中塗り塗料の色
（ａ３）ベース塗料の材料
（ａ４）クリア塗料の種別
（ｂ）塗料メーカ名
（ｃ１）ベース塗料の不揮発性成分の分量
（ｃ２）クリア塗料の不揮発性成分の分量
（ｃ３）中塗り塗膜の厚み
（ｃ４）ベース塗膜の厚み
（ｃ５）クリア塗膜の厚み
（ｄ１）塗装方向（被塗装物の面の向き）
（ｄ２）積層方式
（ｄ３）塗装環境
（ｅ１）第１波長領域の値
（ｅ２）第２波長領域の値
（ｅ３）第３波長領域の値
（ｅ４）第４波長領域の値
上記項目において、「中塗り塗料の種別」は、水性か溶剤かを示すものである。「中塗り塗料の色」は、色味を示すものである。「ベース塗料の材料」は、塗料配合を示すものであり、配合された顔料名称および光輝材名称とそれらの配合量を示す情報である。この塗料配合を用いて後述する前処理（ベース塗料の特性判断）が行われる。「クリア塗料の種別」は、１液型か２液型かを示すものである。「塗装方向」は、被塗装物の面が鉛直方向と直交するように配置された被塗装物に対する塗装であるか、被塗装物の面が水平方向と直交するように配置された被塗装物に対する塗装であるかを示すものである。「積層方式」は、３ＷＥＴか３Ｃ２Ｂかを示すものである。３ＷＥＴは、中塗り・ベース・クリアを塗装した後に焼き付けを行う方式であり、３Ｃ２Ｂは、中塗りを塗装した後に焼き付けを行い、ベース・クリアを塗装した後に焼き付けを行う方式である。「塗装環境」は、塗装ブース内が高温高湿か低温低湿か標準かを示すものである。「第１波長領域の値～第４波長領域の値」は、平滑性測定装置による測定結果である。なお、項目（ａ１）～（ａ４）は、「塗料の材料」に含まれる項目であり、項目（ｃ１）～（ｃ５）は、「塗装時データ」に含まれる項目であり、項目（ｄ１）～（ｄ３）は、「塗装時条件」に含まれる項目である。

また、学習装置２は、生データ２０ａの「ベース塗料の材料」および「塗料メーカ名」を用いて、「ベース塗料の特性」を判断するように構成されている。具体的には、演算部２１によってベース特性判断プログラム２２ｂが実行されることにより、「ベース塗料の材料」および「塗料メーカ名」から、顔料ＤＢ２２ｃおよび光輝材ＤＢ２２ｄが参照され、「ベース塗料の特性」が判断される。「ベース塗料の特性」は、下記の「ベース塗料の顔料に関する特性」および「ベース塗料の光輝材に関する特性」によって構成されている。

顔料ＤＢ２２ｃには顔料に関する情報が蓄積されており、顔料ＤＢ２２ｃは、「ベース塗料の材料（顔料名称およびその配合量）」および「塗料メーカ名」から、「ベース塗料の顔料に関する特性」を導出するために設けられている。「ベース塗料の顔料に関する特性」には、たとえば以下の項目が含まれている。

（ａ３１）各種顔料の配合量
（ａ３２）各種顔料のトータルの配合量
（ａ３３）ベース塗料の粘度係数
また、「各種顔料の配合量」には、たとえば以下の項目が含まれている。

（ａ３１１）有機赤色顔料配合量
（ａ３１２）無機赤色顔料配合量
（ａ３１３）有機黄色顔料配合量
（ａ３１４）無機黄色顔料配合量
（ａ３１５）白色顔料配合量
（ａ３１６）紫色顔料配合量
（ａ３１７）青色顔料配合量
（ａ３１８）黒色顔料配合量
（ａ３１９）マルーン色顔料配合量
（ａ３２０）緑色顔料配合量
光輝材ＤＢ２２ｄには光輝材に関する情報が蓄積されており、光輝材ＤＢ２２ｄは、「ベース塗料の材料（光輝材名称およびその配合量）」および「塗料メーカ名」から、「ベース塗料の光輝材に関する特性」を導出するために設けられている。「ベース塗料の光輝材に関する特性」には、たとえば以下の項目が含まれている。

（ａ３４）粒径毎の光輝材の配合量
（ａ３５）光輝材のトータルの配合量
（ａ３６）塗膜内の光輝材の占有量
（ａ３７）光輝材の厚みによる影響
（ａ３８）光輝材の粒径のばらつき
（ａ３９）光輝材の重量
また、「粒径毎の光輝材の配合量」には、たとえば以下の項目が含まれている。

（ａ３４１）粒径が０～８μｍの光輝材の配合量
（ａ３４２）粒径が８～１２μｍの光輝材の配合量
（ａ３４３）粒径が１２～１６μｍの光輝材の配合量
（ａ３４４）粒径が１６～２０μｍの光輝材の配合量
（ａ３４５）粒径が２０～２４μｍの光輝材の配合量
すなわち、学習装置２は、「ベース塗料の材料」から「ベース塗料の特性」を算出し、生データ２０ａの「ベース塗料の材料」を「ベース塗料の特性」に置き換えて教師データとするようになっている。そして、学習装置２では、演算部２１によって学習用プログラム２２ａが実行されることにより、学習済みモデル２０ｂが生成される。この学習済みモデル２０ｂは、「塗料の特性」、「塗料メーカ名」、「塗装時データ」および「塗装時条件」が入力された場合に、「第１波長領域の値～第４波長領域の値」を出力するように構成されている。なお、「塗料の特性」は、「中塗り塗料の種別」、「中塗り塗料の色」、「ベース塗料の特性」および「クリア塗料の種別」によって構成されている。

ここで、学習済みモデル２０ｂでは、「第１波長領域の値」の出力に大きく寄与する要因として「塗装方向」が設定され、「第４波長領域の値」の出力に大きく寄与する要因として「クリア塗膜の厚み」が設定されており、これらは過去の経験と合致するものである。

塗装品質予測装置１は、図１に示すように、演算部１１と、記憶部１２と、入力部１３と、出力部１４とを備えている。なお、演算部１１は、本発明の「算出部」の一例である。

演算部１１は、記憶部１２に記憶されたプログラムなどに基づいて演算処理を実行することにより、塗装品質予測装置１を制御するように構成されている。記憶部１２には、プログラムやそのプログラムの実行の際に参照されるデータベースなどが記憶されている。たとえば、記憶部１２には、学習済みモデル１２ａ、ベース特性判断プログラム１２ｂ、顔料ＤＢ１２ｃおよび光輝材ＤＢ１２ｄが格納されている。入力部１３は、入力データ１０ａが入力可能に構成され、出力部１４は、予測結果１０ｂを出力可能に構成されている。

塗装品質予測装置１のベース特性判断プログラム１２ｂ、顔料ＤＢ１２ｃおよび光輝材ＤＢ１２ｄは、学習装置２のベース特性判断プログラム２２ｂ、顔料ＤＢ２２ｃおよび光輝材ＤＢ２２ｄと同様に構成されている。入力データ１０ａには、平滑性を予測したい塗装に関する各種情報が含まれている。すなわち、入力データ１０ａには、たとえば、「塗料の材料」、「塗料メーカ名」、「塗装時データ」および「塗装時条件」が含まれている。

このため、塗装品質予測装置１では、入力データ１０ａが入力された場合に、演算部１１によってベース特性判断プログラム１２ｂが実行されることにより、「ベース塗料の材料」および「塗料メーカ名」から、顔料ＤＢ１２ｃおよび光輝材ＤＢ１２ｄが参照され、「ベース塗料の特性」が判断される。この塗装品質予測装置１によるベース塗料の特性判断は、学習装置２によるベース塗料の特性判断と同様にして行われる。

そして、塗装品質予測装置１は、学習済みモデル１２ａを用いて、「塗料の特性」、「塗料メーカ名」、「塗装時データ」および「塗装時条件」から、「第１波長領域の値～第４波長領域の値」を算出するように構成されている。塗装品質予測装置１は、「第１波長領域の値～第４波長領域の値」を予測結果１０ｂとして出力する。「第１波長領域の値～第４波長領域の値」が小さいほど、塗膜１００の表面が平滑であると予測される。

－学習動作－
次に、図４を参照して、第１実施形態の学習装置２による学習動作（学習済みモデルの生成方法）について説明する。なお、以下の各ステップは演算部２１によって実行される。

まず、図４のステップＳ１において、生データ２０ａが取得される。生データ２０ａには、「塗料の材料」、「塗料メーカ名」、「塗装時データ」、「塗装時条件」および「第１波長領域の値～第４波長領域の値」が含まれている。

次に、ステップＳ２において、ベース特性判断プログラム２２ｂが実行されることにより、「ベース塗料の材料」および「塗料メーカ名」から「ベース塗料の特性」が算出される。これにより、教師データが生成される。この教師データには、「塗料の特性」、「塗料メーカ名」、「塗装時データ」、「塗装時条件」および「第１波長領域の値～第４波長領域の値」が含まれ、それらが関連付けられている。

次に、ステップＳ３において、学習用プログラム２２ａが実行されることにより、教師データを用いて学習済みモデル２０ｂが生成される。この学習済みモデル２０ｂでは、「塗料の特性」、「塗料メーカ名」、「塗装時データ」および「塗装時条件」が入力された場合に、「第１波長領域の値～第４波長領域の値」が出力される。

－予測動作－
次に、図５を参照して、第１実施形態の塗装品質予測装置１による塗装品質の予測動作について説明する。なお、塗装品質予測装置１の記憶部１２には学習済みモデル１２ａが格納され、その学習済みモデル１２ａは学習装置２によって生成された学習済みモデル２０ｂである。また、以下の各ステップは演算部１１によって実行される。

まず、図５のステップＳ１１において、入力データ１０ａが取得される。入力データ１０ａには、「塗料の材料」、「塗料メーカ名」、「塗装時データ」および「塗装時条件」が含まれている。

次に、ステップＳ１２において、ベース特性判断プログラム１２ｂが実行されることにより、「ベース塗料の材料」および「塗料メーカ名」から「ベース塗料の特性」が算出される。これにより、入力データ１０ａの「塗料の材料」が「塗料の特性」に置き換えられる。

次に、ステップＳ１３において、学習済みモデル１２ａを用いて、「塗料の特性」、「塗料メーカ名」、「塗装時データ」および「塗装時条件」から、「第１波長領域の値～第４波長領域の値」が算出される。

－効果－
第１実施形態では、上記のように、「塗料の特性」および「塗装時条件」などと塗膜１００の表面の平滑性（第１波長領域の値～第４波長領域の値）との関係が学習された学習済みモデル１２ａが設けられ、その学習済みモデル１２ａを用いて「塗料の特性」および「塗装時条件」などから塗膜１００の表面の平滑性が算出されることによって、被塗装物に対して塗装が行われる前に予め平滑性を把握することができる。このため、予め塗料の材料などを調整して所望の平滑性が得られるようにすることができるので、生産性の向上を図ることができる。

また、第１実施形態では、「第１波長領域の値」および「第４波長領域の値」が予測されることによって、「第１波長領域の値」により塗膜１００の表面の肌のうねりを評価するとともに、「第４波長領域の値」により塗膜１００の表面の艶感を評価することができる。

また、第１実施形態では、「ベース塗料の材料」から「ベース塗料の特性」が算出されることによって、学習済みモデル１２ａを用いた予測精度の向上を図ることができる。たとえば、「ベース塗料の特性」のうち「ベース塗料の粘度係数」は、「第１波長領域の値」および「第２波長領域の値」の出力に比較的大きく寄与する要因であり、その要因を考慮した上で予測することができる。

また、第１実施形態では、学習装置２によって、平滑性を予測する塗装品質予測装置１に用いられる学習済みモデル１２ａを生成することができる。

（第２実施形態）
次に、図６、図７および図１０を参照して、本発明の第２実施形態による塗装品質予測装置３および学習装置４の構成について説明する。

塗装品質予測装置３（図６参照）は、学習済みモデル３２ａを用いて塗膜１００（図３参照）の塗色のばらつきを推定するように構成されている。学習装置４（図７参照）は、塗膜１００の塗色のばらつきを推定するための学習済みモデル４０ｂを生成するように構成されている。なお、塗装品質予測装置３に格納されている学習済みモデル３２ａは、学習装置４によって生成された学習済みモデル４０ｂと同じである。

ここで、塗色のばらつきとは、複数の被塗装物における塗色のばらつきである。これは、車体の生産現場などにおいて被塗装物（たとえばボディやバンパ）に対する塗装が長期間にわたって多数行われる場合には、同一の塗料を用いて同一の条件で塗装を行っても、塗色にばらつきが生じてしまうためである。すなわち、完全に一致する塗装を繰り返し行うことは困難である。このため、塗装品質予測装置３は、同一の塗料および同一の条件で繰り返し行われる塗装についての、複数の被塗装物における塗色のばらつきを予測するように構成されている。

また、塗膜１００の塗色は、たとえば多角度分光測色計（図示省略）を用いて測定することが可能である。多角度分光測色計では、ＣＩＥ１９７６Ｌ^*ａ^*ｂ^*表色系における測色値を複数の角度で測定可能である。なお、Ｌ^*は明度を表し、ａ^*およびｂ^*は色度を表す。本実施形態では、ハイライト方向（Ｌ^*ａ^*ｂ^*２５°）とシェード方向（Ｌ^*ａ^*ｂ^*７５°）との２方向の測色値を用いた。このような多角度分光測色計としては、たとえば、コニカミノルタ社製の「ＣＭ－５１２ｍ３Ａ」を挙げることができる。

このため、塗装品質予測装置３は、学習済みモデル３２ａを用いて、Ｌ^*ａ^*ｂ^*２５°の各値およびＬ^*ａ^*ｂ^*７５°の各値のばらつきを推定するように構成されている。学習装置４は、Ｌ^*ａ^*ｂ^*２５°の各値およびＬ^*ａ^*ｂ^*７５°の各値のばらつきを推定するための学習済みモデル４０ｂを生成するように構成されている。

学習装置４は、図７に示すように、生データ４０ａを前処理して教師データを生成し、その教師データを用いて学習済みモデル４０ｂを生成するように構成されている。この学習装置４は、演算部４１と、記憶部４２と、入力部４３と、出力部４４とを備えている。

演算部４１は、記憶部４２に記憶されたプログラムなどに基づいて演算処理を実行することにより、学習装置４を制御するように構成されている。記憶部４２には、プログラムやそのプログラムの実行の際に参照されるデータベースなどが記憶されている。たとえば、記憶部４２には、学習用プログラム４２ａ、ベース特性判断プログラム４２ｂ、材料ＤＢ４２ｃ、Ｌ^*ａ^*ｂ^*値加工プログラム４２ｄ、および、ばらつき算出プログラム４２ｅが格納されている。入力部４３は、生データ４０ａが入力可能に構成され、出力部４４は、学習済みモデル４０ｂを出力可能に構成されている。

生データ４０ａは、過去に実際に行った塗装に関する各種情報や塗装後の測色結果などを含み、それらが関連付けられている。生データ４０ａには、たとえば、塗料に関する情報である「塗料情報」、その塗料を用いた塗装が行われたときの「塗装時条件」、および、その塗料を用いてその条件で塗装された塗膜１００の多角度分光測色計による測色結果が含まれている。

具体例として、生データ４０ａの１つのレコードには以下の項目が含まれ、生データ４０ａは多数のレコードによって構成されている。

（ｆ１）塗料メーカ名
（ｆ２）塗膜の層構造
（ｆ３）中塗り塗料の種別
（ｆ４）ベース塗料の材料
（ｆ５）マスターのＬ^*ａ^*ｂ^*値
（ｇ１）塗装が行われた生産ライン
（ｇ２）塗装された車種
（ｇ３）塗装された部位（ボディまたはバンパ）
（ｈ１）塗装された塗膜のＬ^*ａ^*ｂ^*値
（ｉ１）塗装が行われた日付
上記項目において、「塗料メーカ名」、「中塗り塗料の種別」および「ベース塗料の材料」は、第１実施形態と同様である。「マスターのＬ^*ａ^*ｂ^*値」は、塗料の見本色であり、見本となる「Ｌ^*２５°値」、「ａ^*２５°値」、「ｂ^*２５°値」、「Ｌ^*７５°値」、「ａ^*７５°値」および「ｂ^*７５°値」が含まれている。「塗装された塗膜のＬ^*ａ^*ｂ^*値」は、過去の測色結果であり、実測された「Ｌ^*２５°値」、「ａ^*２５°値」、「ｂ^*２５°値」、「Ｌ^*７５°値」、「ａ^*７５°値」および「ｂ^*７５°値」が含まれている。なお、項目（ｆ１）～（ｆ５）は、「塗料情報」に含まれる項目であり、項目（ｇ１）～（ｇ３）は、「塗装時条件」に含まれる項目である。

そして、学習装置４は、演算部４１によってばらつき算出プログラム４２ｅが実行されることにより、生データ４０ａからＬ^*ａ^*ｂ^*２５°の各値およびＬ^*ａ^*ｂ^*７５°の各値のばらつきが算出されるように構成されている。具体的には、生データ４０ａの多数のレコードが「塗料情報」および「塗装時条件」が共通するものでグループ化される。すなわち、項目（ｆ１）～（ｆ５）および（ｇ１）～（ｇ３）がすべて一致するレコードがグループ化される。そして、各グループのレコードが「塗装が行われた日付」を用いて所定期間（たとえば１か月）毎に分けられ、所定期間毎の「塗装された塗膜のＬ^*ａ^*ｂ^*値」の標準偏差および共分散が算出される。次に、各グループにおいて全期間で中央値となる所定期間の標準偏差および共分散が代表値として採用される。その後、各グループで共通する「塗料情報」および「塗装時条件」に、各グループで代表値として採用された標準偏差および共分散が関連付けられる。すなわち、「塗料情報」および「塗装時条件」に「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」が関連付けられる。「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」は、以下の項目によって構成されている。なお、標準偏差および共分散は、後述する相関関係の算出の際に利用される。

（ｊ１）Ｌ^*２５°の標準偏差
（ｊ２）Ｌ^*７５°の標準偏差
（ｊ３）ａ^*２５°の標準偏差
（ｊ４）ａ^*７５°の標準偏差
（ｊ５）ｂ^*２５°の標準偏差
（ｊ６）ｂ^*７５°の標準偏差
（ｋ１）Ｌ^*×ａ^*２５°の共分散
（ｋ２）Ｌ^*×ａ^*７５°の共分散
（ｋ３）ａ^*×ｂ^*２５°の共分散
（ｋ４）ａ^*×ｂ^*７５°の共分散
（ｋ５）Ｌ^*×ｂ^*２５°の共分散
（ｋ６）Ｌ^*×ｂ^*７５°の共分散
また、学習装置４は、演算部４１によってＬ^*ａ^*ｂ^*値加工プログラム４２ｄが実行されることにより、「マスターのＬ^*ａ^*ｂ^*値」から「Ｌ^*ａ^*ｂ^*加工値」が算出されるように構成されている。「Ｌ^*ａ^*ｂ^*加工値」には、たとえば以下の項目が含まれている。

（ｌ１）ａ^*２５°の絶対値
（ｌ２）ａ^*７５°の絶対値
（ｌ３）ｂ^*２５°の絶対値
（ｌ４）ｂ^*７５°の絶対値
（ｍ１）２５°の彩度
（ｍ２）７５°の彩度
（ｎ１）Ｌ^*のフリップフロップ値
（ｎ２）ａ^*のフリップフロップ値
（ｎ３）ｂ^*のフリップフロップ値
項目（ｌ１）～（ｌ４）は、色味の強さを表す。項目（ｎ１）～（ｎ３）は、角度による変化を表す。なお、「２５°の彩度」および「７５°の彩度」は、それぞれ、以下の式（１）および（２）によって算出される。

また、「Ｌ^*のフリップフロップ値」、「ａ^*のフリップフロップ値」および「ｂ^*のフリップフロップ値」は、それぞれ、以下の式（３）～（５）によって算出される。

Ｌ^*のフリップフロップ値＝Ｌ^*２５°－Ｌ^*７５° ・・・（３）
ａ^*のフリップフロップ値＝ａ^*２５°－ａ^*７５° ・・・（４）
ｂ^*のフリップフロップ値＝ｂ^*２５°－ｂ^*７５° ・・・（５）
また、学習装置４は、「ベース塗料の材料」および「塗料メーカ名」を用いて、「ベース塗料の特性」を判断するように構成されている。具体的には、演算部４１によってベース特性判断プログラム４２ｂが実行されることにより、「ベース塗料の材料」および「塗料メーカ名」から材料ＤＢ４２ｃが参照されて「ベース塗料の特性」が判断される。材料ＤＢ４２ｃには顔料および光輝材に関する情報が蓄積されており、材料ＤＢ４２ｃは、「ベース塗料の材料（顔料名称およびその配合量と光輝材名称およびその配合量）」および「塗料メーカ名」から、「ベース塗料の特性」を導出するために設けられている。「ベース塗料の特性」には、たとえば以下の項目が含まれている。

（ｏ１）赤色顔料配合量指数
（ｏ２）黄色顔料配合量指数
（ｏ３）青色顔料配合量指数
（ｏ４）白色顔料配合量指数
（ｏ５）黒色顔料配合量指数
（ｏ６）メタリック系顔料配合量指数
（ｏ７）マイカ系顔料配合量指数
（ｐ１）光輝材の粒径の二乗和
このように、学習装置４は、ばらつきの算出とマスターのＬ^*ａ^*ｂ^*値の加工とベース塗料の特性判断とが前処理として行われるように構成されている。そして、前処理で得られた「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」と「Ｌ^*ａ^*ｂ^*加工値」とが「塗料情報」および「塗装時条件」に関連付けられるとともに、「ベース塗料の材料」が「ベース塗料の特性」に置き換えられることにより、教師データが生成される。次に、学習装置４では、演算部４１によって学習用プログラム４２ａが実行されることにより、学習済みモデル４０ｂが生成される。この学習済みモデル４０ｂは、「ベース塗料の材料」が「ベース塗料の特性」に置き換えられた「塗料情報」、「塗装時条件」および「Ｌ^*ａ^*ｂ^*加工値」が入力された場合に、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」を出力するように構成されている。

塗装品質予測装置３は、図６に示すように、演算部３１と、記憶部３２と、入力部３３と、出力部３４とを備えている。なお、演算部３１は、本発明の「算出部」の一例である。

演算部３１は、記憶部３２に記憶されたプログラムなどに基づいて演算処理を実行することにより、塗装品質予測装置３を制御するように構成されている。記憶部３２には、プログラムやそのプログラムの実行の際に参照されるデータベースなどが記憶されている。たとえば、記憶部３２には、学習済みモデル３２ａ、ベース特性判断プログラム３２ｂ、材料ＤＢ３２ｃおよびＬ^*ａ^*ｂ^*値加工プログラム３２ｄが格納されている。入力部３３は、入力データ３０ａが入力可能に構成され、出力部３４は、予測結果３０ｂを出力可能に構成されている。

塗装品質予測装置３のベース特性判断プログラム３２ｂ、材料ＤＢ３２ｃおよびＬ^*ａ^*ｂ^*値加工プログラム３２ｄは、学習装置４のベース特性判断プログラム４２ｂ、材料ＤＢ４２ｃおよびＬ^*ａ^*ｂ^*値加工プログラム４２ｄと同様に構成されている。入力データ３０ａには、塗色のばらつきを予測したい塗装に関する各種情報が含まれている。すなわち、入力データ３０ａには、たとえば、「塗料情報」および「塗装時条件」が含まれている。

このため、塗装品質予測装置３では、入力データ３０ａが入力された場合に、演算部３１によってベース特性判断プログラム３２ｂが実行されることにより、「ベース塗料の材料」および「塗料メーカ名」から材料ＤＢ３２ｃが参照されて「ベース塗料の特性」が判断される。また、塗装品質予測装置３では、入力データ３０ａが入力された場合に、演算部３１によってＬ^*ａ^*ｂ^*値加工プログラム３２ｄが実行されることにより、「Ｌ^*ａ^*ｂ^*加工値」が算出される。この塗装品質予測装置３によるベース塗料の特性判断およびＬ^*ａ^*ｂ^*値の加工は、学習装置４によるベース塗料の特性判断およびＬ^*ａ^*ｂ^*値の加工と同様にして行われる。

そして、塗装品質予測装置３は、学習済みモデル３２ａを用いて、「ベース塗料の材料」が「ベース塗料の特性」に置き換えられた「塗料情報」、「塗装時条件」および「Ｌ^*ａ^*ｂ^*加工値」から、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」を算出するように構成されている。

次に、塗装品質予測装置３は、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」を用いて相関関係を算出するように構成されている。具体的には、「Ｌ^*×ａ^*７５°の共分散」、「Ｌ^*７５°の標準偏差」および「ａ^*７５°の標準偏差」から、図１０の（ａ）に示すようなＬ^*ａ^*７５°の相関関係が算出される。「ａ^*×ｂ^*７５°の共分散」、「ａ^*７５°の標準偏差」および「ｂ^*７５°の標準偏差」から、図１０の（ｂ）に示すようなａ^*ｂ^*７５°の相関関係が算出される。「Ｌ^*×ｂ^*７５°の共分散」、「Ｌ^*７５°の標準偏差」および「ｂ^*７５°の標準偏差」から、図１０の（ｃ）に示すようなＬ^*ｂ^*７５°の相関関係が算出される。同様に、「Ｌ^*×ａ^*２５°の共分散」、「Ｌ^*２５°の標準偏差」および「ａ^*２５°の標準偏差」から、Ｌ^*ａ^*２５°の相関関係が算出される。「ａ^*×ｂ^*２５°の共分散」、「ａ^*２５°の標準偏差」および「ｂ^*２５°の標準偏差」から、ａ^*ｂ^*２５°の相関関係が算出される。「Ｌ^*×ｂ^*２５°の共分散」、「Ｌ^*２５°の標準偏差」および「ｂ^*２５°の標準偏差」から、Ｌ^*ｂ^*２５°の相関関係が算出される。これらの相関関係がたとえば予測結果３０ｂであり、その予測結果３０ｂがディスプレイ（図示省略）などに出力される。

図１０の例の各グラフでは、一点鎖線で囲まれた楕円領域が、約６８．３％の確率で収まる領域であり、二点鎖線で囲まれた楕円領域が、約９５．５％の確率で収まる領域であり、実線で囲まれた楕円領域が、約９９．７％の確率で収まる領域である。このため、各楕円領域が小さいほど、塗色のばらつきが小さいと予測される。

－学習動作－
次に、図８を参照して、第２実施形態の学習装置４による学習動作（学習済みモデルの生成方法）について説明する。なお、以下の各ステップは演算部４１によって実行される。

まず、図８のステップＳ２１において、生データ４０ａが取得される。生データ４０ａには、「塗料情報」、「塗装時条件」および「塗装された塗膜のＬ^*ａ^*ｂ^*値」などが含まれている。

次に、ステップＳ２２において、生データ４０ａを加工して教師データが生成される。具体的には、ばらつき算出プログラム４２ｅが実行されることにより、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」が算出される。また、Ｌ^*ａ^*ｂ^*値加工プログラム４２ｄが実行されることにより、「Ｌ^*ａ^*ｂ^*加工値」が算出される。また、ベース特性判断プログラム４２ｂが実行されることにより、「ベース塗料の特性」が算出される。これらを用いて教師データが生成される。この教師データには、「ベース塗料の材料」が「ベース塗料の特性」に置き換えられた「塗料情報」、「塗装時条件」、「Ｌ^*ａ^*ｂ^*加工値」および「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」が含まれ、それらが関連付けられている。

次に、ステップＳ２３において、学習用プログラム４２ａが実行されることにより、教師データを用いて学習済みモデル４０ｂが生成される。この学習済みモデル４０ｂでは、「ベース塗料の材料」が「ベース塗料の特性」に置き換えられた「塗料情報」、「塗装時条件」および「Ｌ^*ａ^*ｂ^*加工値」が入力された場合に、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」が出力される。

－予測動作－
次に、図９を参照して、第２実施形態の塗装品質予測装置３による塗装品質の予測動作について説明する。なお、塗装品質予測装置３の記憶部３２には学習済みモデル３２ａが格納され、その学習済みモデル３２ａは学習装置４によって生成された学習済みモデル４０ｂである。また、以下の各ステップは演算部３１によって実行される。

まず、図９のステップＳ３１において、入力データ３０ａが取得される。入力データ３０ａには、「塗料情報」および「塗装時条件」が含まれている。

次に、ステップＳ３２において、入力データ３０ａが加工される。具体的には、Ｌ^*ａ^*ｂ^*値加工プログラム３２ｄが実行されることにより、「Ｌ^*ａ^*ｂ^*加工値」が算出される。また、ベース特性判断プログラム３２ｂが実行されることにより、「ベース塗料の特性」が算出される。

次に、ステップＳ３３において、学習済みモデル３２ａを用いて、「ベース塗料の材料」が「ベース塗料の特性」に置き換えられた「塗料情報」、「塗装時条件」および「Ｌ^*ａ^*ｂ^*加工値」から、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」が算出される。そして、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」を用いて相関関係が算出される。

－効果－
第２実施形態では、上記のように、「塗料情報」および「塗装時条件」などと塗膜１００の塗色のばらつきとの関係が学習された学習済みモデル３２ａが設けられ、その学習済みモデル３２ａを用いて「塗料情報」および「塗装時条件」などから塗膜１００の塗色のばらつきが算出されることによって、被塗装物に対して塗装が行われる前に予め塗色のばらつきを把握することができる。このため、予め塗料の材料などを調整して所望のばらつきとなるようにすることができるので、生産性の向上を図ることができる。

また、第２実施形態では、「Ｌ^*ａ^*ｂ^*２５°および７５°の標準偏差および共分散」から相関関係が算出されることによって、各パラメータの相関を把握することができる。すなわち、ばらつきの度合いに加えて、ばらつきの傾向を把握することができる。

また、第２実施形態では、塗装される部位毎に塗色のばらつきを予測することによって、たとえば、ボディでの塗色のばらつきと、バンパでの塗色のばらつきとを把握することができるので、全体の仕上がりを考慮しながら、予め塗料の材料などを調整することができる。

また、第２実施形態では、学習装置４によって、塗色のばらつきを予測する塗装品質予測装置３に用いられる学習済みモデル３２ａを生成することができる。

（他の実施形態）
なお、今回開示した実施形態は、すべての点で例示であって、限定的な解釈の根拠となるものではない。したがって、本発明の技術的範囲は、上記した実施形態のみによって解釈されるものではなく、特許請求の範囲の記載に基づいて画定される。また、本発明の技術的範囲には、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれる。

たとえば、第１実施形態では、塗膜１００が３層構造である例を示したが、これに限らず、塗膜が何層であってもよい。たとえば、クリア塗膜が２層で構成されていてもよい。なお、第２実施形態についても同様である。

また、第１実施形態では、塗膜１００が車体の鋼板１５０に形成される例を示したが、これに限らず、塗膜が車体以外に形成されていてもよいし、塗膜が鋼板以外に形成されていてもよい。なお、第２実施形態についても同様である。

また、第１実施形態では、「第１波長領域の値～第４波長領域の値」が推定される例を示したが、これに限らず、「第１波長領域の値～第４波長領域の値」のうちの少なくともいずれか一つが推定されるようにしてもよい。たとえば、肌のうねりを評価する指標である「第１波長領域の値」のみが推定されるようにしてもよいし、艶感を評価する指標である「第４波長領域の値」のみが推定されるようにしてもよい。また、「第１波長領域の値」および「第４波長領域の値」の２つが推定されるようにしてもよい。

また、第１実施形態では、生データ２０ａの前処理が学習装置２で行われる例を示したが、これに限らず、学習装置とは別の装置で前処理が行われ、前処理後の教師データが学習装置に入力されるようにしてもよい。なお、第２実施形態についても同様である。

また、第２実施形態では、ＣＩＥ１９７６Ｌ^*ａ^*ｂ^*表色系における各値のばらつきが学習されて予測される例を示したが、これに限らず、その他の表色系でのばらつきが学習されて予測されるようにしてもよい。

また、第２実施形態では、Ｌ^*ａ^*ｂ^*２５°および７５°の各値を用いてばらつきが学習されて予測される例を示したが、これに限らず、その他の値を用いてばらつきが学習されて予測されるようにしてもよい。

また、第２実施形態では、標準偏差および共分散が推定され、標準偏差および共分散から相関関係が算出され、その相関関係が予測結果３０ｂとして出力される例を示したが、これに限らず、標準偏差のみが推定され、その標準偏差が予測結果として出力されるようにしてもよい。

また、第２実施形態では、全期間で中央値となる所定期間の標準偏差および共分散が採用される例を示したが、標準偏差および共分散の決定方法はこれに限定されない。たとえば、全期間の標準偏差および共分散が算出されるようにしてもよい。

本発明は、塗装品質予測装置および学習済みモデルの生成方法に利用可能である。

１ 塗装品質予測装置
１１ 演算部（算出部）
１２ａ 学習済みモデル
２０ｂ 学習済みモデル
３ 塗装品質予測装置
３１ 演算部（算出部）
３２ａ 学習済みモデル
４０ｂ 学習済みモデル
１００ 塗膜
１０１ 中塗り塗膜
１０２ ベース塗膜
１０３ クリア塗膜

Claims (10)

1. 塗料の特性およびその塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性との関係が学習された学習済みモデルと、
   前記学習済みモデルを用いて、塗料の特性および塗装時の条件から塗膜の表面の平滑性を算出する算出部とを備え、
   塗料の塗装時の条件は、被塗装物の面の向きを含むことを特徴とする塗装品質予測装置。
2. 塗料の特性およびその塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性との関係が学習された学習済みモデルと、
   前記学習済みモデルを用いて、塗料の特性および塗装時の条件から塗膜の表面の平滑性を算出する算出部とを備え、
   前記塗料は、中塗り塗料と、ベース塗料と、クリア塗料とを含み、
   前記塗膜は、中塗り塗膜と、前記中塗り塗膜上に形成されるベース塗膜と、前記ベース塗膜上に形成されるクリア塗膜とを含むことを特徴とする塗装品質予測装置。
3. 請求項２に記載の塗装品質予測装置において、
   前記ベース塗料の特性は、そのベース塗料の材料に基づいて算出されることを特徴とする塗装品質予測装置。
4. 請求項１～３のいずれか１つに記載の塗装品質予測装置において、
   前記学習済みモデルは、塗料の特性およびその塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の測定結果を複数の波長領域に分解して得られる各波長領域の値との関係が学習されていることを特徴とする塗装品質予測装置。
5. 塗料に関する情報およびその塗料の塗装時の条件と、その塗料がその条件で塗装された複数の被塗装物における塗色のばらつきとの関係が学習された学習済みモデルと、
   前記学習済みモデルを用いて、塗料に関する情報および塗装時の条件から塗色のばらつきを算出する算出部とを備えることを特徴とする塗装品質予測装置。
6. 請求項５に記載の塗装品質予測装置において、
   塗色のばらつきは、ＣＩＥ１９７６Ｌ^*ａ^*ｂ^*表色系における各値のばらつきを含むことを特徴とする塗装品質予測装置。
7. 請求項５または６に記載の塗装品質予測装置において、
   塗料に関する情報は、塗料の見本色を含むことを特徴とする塗装品質予測装置。
8. 塗料の特性と、その塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性とを含む教師データを取得するステップと、
   前記教師データを用いて、塗料の特性および塗装時の条件が入力された場合に塗膜の表面の平滑性を出力する学習済みモデルを生成するステップとを備え、
   塗料の塗装時の条件は、被塗装物の面の向きを含むことを特徴とする学習済みモデルの生成方法。
9. 塗料の特性と、その塗料の塗装時の条件と、その塗料がその条件で塗装された塗膜の表面の平滑性とを含む教師データを取得するステップと、
   前記教師データを用いて、塗料の特性および塗装時の条件が入力された場合に塗膜の表面の平滑性を出力する学習済みモデルを生成するステップとを備え、
   前記塗料は、中塗り塗料と、ベース塗料と、クリア塗料とを含み、
   前記塗膜は、中塗り塗膜と、前記中塗り塗膜上に形成されるベース塗膜と、前記ベース塗膜上に形成されるクリア塗膜とを含むことを特徴とする学習済みモデルの生成方法。
10. 塗料に関する情報と、その塗料の塗装時の条件と、その塗料がその条件で塗装された複数の被塗装物における塗色のばらつきとを含む教師データを取得するステップと、
    前記教師データを用いて、塗料に関する情報および塗装時の条件が入力された場合に塗色のばらつきを出力する学習済みモデルを生成するステップとを備えることを特徴とする学習済みモデルの生成方法。

Images