A Convolutional Neural Network Approach to the Classification of Engineering Models【阅读笔记】

A Convolutional Neural Network Approach to the Classification of Engineering Models

A Convolutional Neural Network Approach to the Classification of Engineering Models(基于卷积神经网络的工程模型分类)

2021年发布在IEEE Access 。

论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9343314

摘要

本文提出了一种使用卷积神经网络(cnn)对工程(CAD)模型进行分类的深度学习方法。由于大量带注释的数据集的可用性以及gpu形式的足够计算能力，最近提出了许多基于深度学习的对象分类解决方案，特别是在图像和图形模型领域。然而，对于CAD模型的功能分类任务，很少有解决方案被提出。因此，在本研究中，CAD模型已从工程形状基准(ESB)，国家设计库(NDR)中收集，并使用建模软件创建的新模型进行扩充，以形成数据集-“CADNET”。受流行的ResNet的启发，提出在CADNET中使用残差网络架构。选择加权光场描述子(LFD)方案作为特征提取方法，并将生成的图像作为CNN的输入。使用类权重方法解决了数据集中的类不平衡问题。在CADNET上使用深度网络和其他网络架构对其他特征(如测地线距离等)进行了实验。基于lfd的CNN方法使用所提出的网络架构，以及梯度增强，在CADNET上产生了最好的分类精度。

介绍

目前CAD模型分类问题存在的挑战：

• 大多数CAD数据集只有几百个模型。
• 拥有大量CAD模型的数据集要么是专有的(不可公开获取)，要么缺乏分类信息。
• CNN等深度学习领域的最新进展尚未得到利用。

本文的贡献如下：

• 创建了一个名为“CADNET”的数据集，适用于基于深度学习的方法。
• 一种基于cnn的深度学习方法，使用残差网络结构对CAD模型进行分类，该方法受到ResNet的启发，滤波器数量少得多，从而大大减少了参数数量。
• 采用类权的思想，缓解了CADNET中类不平衡的问题。
• 提出了基于梯度的增强方法。
• 所提出的网络以更少的训练时间产生了更好的分类精度。

使用深度学习对3D CAD模型进行分类的整体流程大致可以描述如下:

• 获得一个适合于训练和测试深度学习架构的三维CAD模型数据集。
• 利用特征提取方法从CAD模型中提取特征。
• 构建一个深度学习架构，该架构可以使用提取的表示作为输入进行有效的训练。
• 结果的后处理(如有)。
• 测试网络的性能。

CADNET数据集

CADNET 数据集，这是一个注释收集了3317个3D 工程模型超过43个类别。由于大型注释数据集的可用性和 GPU 形式的计算能力，近年来提出了许多基于深度学习的对象分类方法，特别是在图像和图形模型领域。然而，对于 CAD 模型的功能分类问题，目前提出的解决方案很少。因此，对于这项研究，CAD 模型已经从工程形状基准(ESB) ，国家设计知识库(NDR)收集，并增加了新的模型创建使用建模软件来形成一个数据集-“ CADNET”。

该数据集的格式是.stl格式

数据集的下载：https://github.com/bharadwaj-manda/CADNET-Dataset

框架

实验结果

局限性和可能的未来工作

这项工作的范围仅限于3D CAD网格模型。

其他类型的输入，如图像或甚至3D点集等，不被提议的方法处理。考虑建立一个统一的网络架构来处理多种输入格式是值得探索的。此外，改进结果的一种可能方法是使用更深层的网络，并在每层中使用更多的过滤器。

此外，当数据集开放时，用户可以为增强数据集做出贡献，这反过来又可以用来提高网络的性能。作为该工作的延伸，可以开发基于cnn的三维CAD模型自动检索系统。使用所提出的CNN分类结果，可以将搜索引擎的输入查询与CADNET数据库中的模型进行比较。目前的工作还可以扩展到CAD装配模型检索和基于草图的CAD模型检索。

结论

我们使用来自现有数据集ESB和NDR的可用数据，构建了一个具有功能分类的3D CAD(工程)模型集合，称为CADNET，并使用手动生成的模型对其进行扩充。然后为3D CAD模型建立了一个卷积神经网络(CNN)分类器，这可能是第一次。观察到，将3D CAD模型直接处理成3D CNN的效果很差。因此，然后使用光场描述子(LFD)从CAD模型中提取特征，并将获得的图像输入到所提出的CNN中。

用于CAD模型的残余网络体系结构具有更少数量的过滤器(从而减少了过滤器的数量。并提出了训练参数和训练时间。我们还观察到每个CAD模型20张图像就足够了。使用类权重方法解决了类不平衡的问题。CNN结果的后处理使用XGBoost / CatBoost完成。与其他特征/网络相比，所提出的方法具有最高的分类精度。还讨论了将这项工作扩展到相关研究问题的可能性。

t / CatBoost完成。与其他特征/网络相比，所提出的方法具有最高的分类精度。还讨论了将这项工作扩展到相关研究问题的可能性。