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。