- شناسایی دقیق پلتفرم بدنه خودرو پیش از ورود به کابین پاشش رنگ، برای جلوگیری از خطاهای پرهزینه، بهینه‌سازی مصرف مواد و افزایش قابلیت اطمینان در خط تولید خودرو امری حیاتی است. سیستم‌های متداول مبتنی بر حسگرهای نوری به دلیل ناتوانی در تمایز بدنه‌های مشابه و پردازش بلادرنگ، فاقد دقت لازم در محیط پیچیده صنعتی هستند. این پژوهش به طراحی و پیاده‌سازی یک سامانه هوشمند مبتنی بر پردازش تصویر و یادگیری عمیق می‌پردازد که قادر به تشخیص خودکار و دقیق سه پلتفرم مختلف بدنه خودرو (X200، SP100 و X200 بهینه) است. در معماری پیشنهادی، از پایه ResNet همراه با انتقال یادگیری و تکنیک‌های پیشرفته افزایش داده برای تطبیق پذیری و مقاوم‌سازی در برابر شرایط متغیر محیط صنعتی (تغییرات نور و پیچیدگی پس‌زمینه) استفاده شد. مدل بر روی مجموعه داده‌ای جامع و واقعی، جمع‌آوری شده از خط تولید، آموزش و به‌طور گسترده ارزیابی گردید. نتایج تجربی نشان داد که مدل ResNet-50 به دقت تشخیص ۱۰۰٪ و سطح اطمینان متوسط بالای ۹۸٪ در محیط عملیاتی و پرچالش دست یافته است. این سامانه از پایداری و قابلیت اطمینان بالایی برخوردار است و پتانسیل کامل برای جایگزینی با سیستم‌های سنتی به منظور کاهش خطا، صرفه‌جویی در مصرف مواد و کاهش وابستگی به مداخله انسانی در خط رنگ خودرو را دارا می‌باشد.