目前没有有效的方法来使用B-rep模型作为神经网络的输入,因此这些模型必须近似为适合深度学习的格式。通常,形状近似使用体素模型和点云。然而,近似模型不能精确地表示三维形状,其精度随分辨率而变化。此外,它们无法捕获形状的几何属性,并且难以表示B-rep模型的拓扑结构。最重要的是,处理这些模型需要大量的内存资源,进行高分辨率近似是一个挑战。
最近,人们提出了将B-rep模型应用于深度学习而不需要三维形状近似的方法。Cao等提出了一种直接使用B-rep模型的方法。在该方法中,将构成B-rep模型的面和边表示为一个面邻接图,并使用图神经网络识别特征。然而,这种技术仅限于由平面组成的形状。为了解决这一限制,UV-Net和Hierarchical CADNet专注于学习曲线和曲面的几何信息。UV- net在UV空间中将B-rep模型的面和边分别近似为二维网格和一维网格。然后使用卷积神经网络(CNN)提取人脸和边缘的特征向量。将这些面和边之间的邻接关系表示为图,并使用图神经网络进行人脸分类。类似地,分层CADNet将B-rep模型表示为人脸邻接图,将其从B-rep模型维度投影到单位人脸维度以提取曲线特征。然后使用图卷积网络(GCN)实现人脸分类。这些方法将B-rep模型的数据结构转换为一个面邻接图,导致与相邻实体之间的一些拓扑位置信息丢失。Lambourne等提出了另一种人脸分类方法。他们利用基于共边的邻面和边的特征向量。在本研究中,邻接关系被表示为一个矩阵来表示拓扑实体之间的连接。采用拓扑行走的概念,将相邻实体的特征表示为单个特征矩阵。随后,利用多层感知器(MLP)进行人脸分类。Cha和Kim介绍了一种方法,在人脸分类之后,使用连接成分分析来识别包含在相同特征中的人脸集。
特征识别方法具有很高的性能,准确率超过95%。然而,它们只能根据特征对单个人脸进行分类,而无法找到构成特征的人脸集。此外,它们不能识别设计历史,即特征的顺序,以及定义特征的参数。
以前的大多数深度学习方法都没有直接从边界表示(B-Rep)中学习,而是将其转换为另一种形状表示(例如体素或点云表示)。该方法的成功在很大程度上依赖于用于构建替代表示的分辨率,下一节将给出更多细节。此外,这些没有利用B-Rep几何和拓扑信息的学习,这些信息可能有利于加工特征识别。