Boundary Representation Compatible Feature Recognition for Manufacturing CAD Models【浅读笔记】

Boundary Representation Compatible Feature Recognition for Manufacturing CAD Models(制造CAD模型的边界表示兼容特征识别)
2023发布在 Elsevier

摘要

提出了一种与边界表示(BREP)兼容的基于图神经网络(GNN)的特征识别数据表示方法。该数据表示遵循BREP和STEP AP 203标准，可以将整体制造CAD信息传输到深度神经网络，这有助于识别小的局部几何特征和高度复杂的交互式几何特征。相反，由于其直接编码方法，这种数据表示可以很容易地转换回传统的CAD模型。在此数据表示下，GNN在36类FeatureNet+数据集上的准确率达到99.57%，在具有高度交互特征的加工过程识别(MPI)数据集上的准确率达到99.12%。这种方法在很大程度上有利于计算机辅助工艺规划，为未来的工业自动化铺平道路。

目前存在的挑战

CAD模型作为人类设计的几何信息载体，其表面和边缘的数量是可变的，且具有不同的特征属性，这对CNN的高效分析提出了挑战。因此，通常采用特征工程技术将CAD模型转换为基于网格的表示(如体素、深度图像和多视图图像来创建关键的模型信息，以帮助CNN模型更快地学习。

现有方法的局限性之一是基于网格的表示分辨率较低，并且会丢失数据，人类设计的大量几何信息对于训练精确的深度学习模型非常重要。由于所有的几何属性，包括位置，尺寸和形状的特征，可以很大程度上影响最终的加工决策，从CAD模型的任何信息丢失可能会导致工业生产中不可接受的误差。

制造业CAD模型大多采用边界表示(BREP)模型。BREP模型包含两个部分:一是属性邻接图(AAG)，它对面、边和顶点之间的邻接信息进行编码;另一个是每个面、边和顶点的解析几何描述。

传统方法仅使用AAG来实现特征识别和分类。然而，由于AAG只包含邻接关系，没有对曲面、边缘和顶点的形状和坐标进行详细描述，因此基于AAG的分类器应用有限，无法区分表面波动引起的过程差异。AAG是一种可以用邻接矩阵(Adjacency Matrix, AM)表示的图数据结构，在GNN训练中得到了广泛的应用。

大多数基于GNN的CAD分类都是在点云上进行的。然而，点云只能近似于原始CAD模型，这就需要在点密度和计算效率之间进行权衡。

方法

其实就是根据实体的面和面之间的关系构建面邻接图，面作为点，边缘作为边。对于实体的面和边用了本文作者所提出的这种编码机制然后进行图卷积进行下游任务。和UV-net差不多的原理。

结论

为工件分类和特征面识别提供了一种与BREP兼容的GNN分类器数据表示。在36类feature net +数据集上对单个特征分类准确率达到99.57%，在MPI数据集上对复杂的交互特征分解准确率达到99.12%。该应用程序可以帮助识别制造过程，并弥合CAD和CAPP系统之间的差距。目前的限制是这种表示不能对高阶NURBS曲线进行编码，其性能需要在一些自由曲面工件上进行验证。然而，这一概念对制造CAPP系统是有益的，其优异的性能已经在大多数应用的铣削特征上得到了验证。未来的工作将集中在改进这种高阶NURBS曲面的数据表示，使其与STEP AP 203标准完全兼容，使深度神经网络能够感知制造CAD设计的所有信息，进行抽象决策，实现制造业自动化。研究了一种将复杂模型转化为多个几何特征的合适的特征分割方法。并对其在CAD设计诊断和改进中的应用进行了研究。未来将在其他数据集上执行更多的验证。