طراحی نقشه راه توسعه فناوری های کیفی بینایی ماشین در سالن های پرس و بدنه صنایع خودروسازی ایران

هدف این مقاله تدوین نقشه راهی جهت به‌کارگیری فناوری‌های کیفی بینایی ماشین در سالن‌های پرس و بدنه صنایع خودروسازی است. جهت رسیدن به این هدف از مدل آزمایشگاه ملی سندیا استفاده و با به‌کارگیری این مدل، مهم‌ترین نیازهای کیفی سالن‌های پرس و بدنه شناسایی و با به‌کارگیری نظر متخصصین صنعتی و دانشگاهی و با استفاده از روش تحلیل سلسله مراتبی فرایند (ahp )، مهم‌ترین معیارها جهت به‌کارگیری سیستم‌های بینایی ماشین تدوین و بهترین سیستم‌های ارائه شده در دنیا برای اهداف مورد نظر شناسایی و با استفاده از تکنیک تاپسیس (tosis) اولویت‌بندی شده است. در نهایت، با بررسی‌های انجام شده راهکارهای عملی که صنایع خودروسازی می‌توانند جهت به‌کارگیری سیستم‌های بینایی ماشین از آنها استفاده نمایند، مشخص شده است.

Design Technology Roadmap for Developing Machine Vision Technologies in Press and Body Shops of Iranian Automotive Industries

Studies have shown that the use of machine vision systems in different processes of automotive industries is increasing dramatically in the majority of automobile companies in the world. Speed, precision, low cost, the simplicity of application and reliability of these systems are the most important reasons for the attractiveness of these systems in comparison with similar technologies. Therefore, Iranian automotive companies should develop solutions and strategies for using these systems. Developing a roadmap can provide good information for managers to make better investments by identifying the various factors which should be considered in these systems. For this purpose, in this paper, designing a roadmap for developing machine vision technologies in press and body shops of Iranian automotive industries has been considered. the Sandia National Laboratory roadmap model is used. Using this model, the most important quality requirements of press and body shops identified, the most important criteria for using machine vision systems prioritized, the best systems for the desired purposes identified and ranked, and finally, practical solutions, that can be used by automotive industries to implement machine vision technologies, suggested.