FeatureNet Machining feature recognition based on 3D Convolution Neural Network

FeatureNet: Machining feature recognition based on 3D Convolution Neural Network

FeatureNet: Machining feature recognition based on 3D Convolution Neural Network(feature net:基于三维卷积神经网络的加工特征识别)

2018 Computer-Aided Design

https://github.com/madlabub/Machining-feature-dataset

摘要

自动化加工特征识别是实体建模的一个分支学科，近三十年来一直是一个活跃的研究领域，是数字化制造过程中从计算机辅助设计(CAD)模型中检测制造信息的关键组成部分。本文提出了一种利用深度三维卷积神经网络(3D- cnn)学习机械零件CAD模型加工特征的新框架——FeatureNet。FeatureNet在大型3D模型数据集上学习复杂制造特征形状的分布，并发现有助于自动识别过程的显著特征。为了对FeatureNet进行训练，自动构建带有标记加工特征的三维CAD模型的大规模机械零件数据集。该框架能够从体素等低级几何数据中识别出高精度的制造特征。该框架还可以识别三维CAD模型中的平面相交特征。广泛的数值实验表明，FeatureNet能够显著改进最先进的制造特征检测技术。所开发的数据驱动框架可以很容易地扩展到识别各种加工特征，从而为实时计算机辅助工艺规划(CAPP)系统奠定坚实的基础。

现有的特征识别技术存在以下问题:

• 1. 不能学习和概括。
• 2. 缺乏对输入CAD模型噪声的容忍度。
• 3. 计算密集且不灵活。
• 4. 侧重于特定类型的CAD表示，因此不能在不同的互操作性情况下进行推广。
• 5. 处理特征变化的能力有限。

本文的贡献有三个方面:

• (1)提出了一个使用Deep 3D- cnn从机械零件CAD模型中学习加工特征的新框架。
• (2)为了训练所开发的3D深度学习模型，自动构建了一个包含3D CAD模型的大规模加工特征数据集(称为FeatureNet数据库)。
• (3)证明了我们学习的深度学习模型在识别各种3D CAD模型中的复杂加工特征方面的优势。

框架

结论

为了识别三维CAD模型中的加工特征，本文开发了一个基于三维CNN的框架，该框架在三维体素网格上运行。为了训练这个三维深度学习模型(称为FeatureNet)，自动构建了一个带有标记加工特征的大规模三维CAD模型数据集。我们的三维CNN模型在各种加工特征识别任务上明显优于现有的方法，并且它也是一种有前途的平面相交加工特征识别方法。据我们所知，这是第一个将深度学习应用于机械加工特征识别的应用。同一框架可以很容易地扩展，以学习各种不同制造过程的各种加工特征。此外，该框架还可用于识别增材制造零件中的不可制造特征。多个训练好的3D cnn可以同时组合在一起，使用不同的制造工艺对给定的3D CAD模型的可制造性进行推理。将分割和分类任务相结合是未来工作的一个很有前景的方向。通过重构深层CNN架构和在大型多特征数据集上进行训练，CNN可以同时完成这两项任务。
NN架构和在大型多特征数据集上进行训练，CNN可以同时完成这两项任务。