Hierarchical CADNet Learning from B-Reps for Machining Feature Recognition【精读】

Hierarchical CADNet: Learning from B-Reps for Machining Feature Recognition

Hierarchical CADNet: Learning from B-Reps for Machining Feature Recognition(分层CADNet:从brep中学习加工特征识别)

2022 分层CADNet:从brep中学习加工特征识别

https://github.com/xupeiwust/hierarchical-cadnet

摘要

深度学习方法已被证明能够在某些情况下识别计算机辅助设计(CAD)模型中的形状特征(例如加工特征)，但在特征相交时仍然存在问题，并且在利用包含典型CAD模型的边界表示(B-Rep)的几何和拓扑信息时仍然存在问题。本文提出了一种新的分层B-Rep图形状表示方法，该方法对B-Rep的曲面几何和面拓扑信息进行编码。为了学习这种新的形状表示，我们创建了一种名为hierarchical CADNet的新型分层图卷积网络，该网络在特征识别(包括相交的加工特征)方面优于其他最先进的神经结构，并提高了一些更复杂的CAD模型的精度。

存在的问题： 当前的深度学习方法在某些情况下能够识别计算机辅助设计（CAD）模型中的形状特征（例如加工特征），但是在特征相交的情况下仍然存在问题，并且在利用组成典型CAD模型边界表示（B-Rep）的几何和拓扑信息方面也存在不足。

本文的创新点： 一种新的分层B-Rep图形状表示方法，该方法对B-Rep的曲面几何和面拓扑信息进行编码。

加工特征识别(Machining Feature Recognition, MFR) 是计算机辅助工艺规划(Computer-Aided Process Planning, CAPP)系统中的一个重要组成部分。它指的是使用计算机算法自动识别CAD模型中的各种加工特征，以便后续进行加工规划。

CAD模型是由一系列的几何和拓扑元素组成，这些元素描述了零件的形状。加工特征是CAD模型中的特定组合这些元素，代表着该零件在制造过程中需要进行某些特定加工的部分。例如，一个孔就是一个加工特征，它由一个圆形面和一些边缘组成。其他常见的加工特征还包括槽、台阶、倒角等。

加工特征识别的目标是从CAD模型中自动提取出这些加工特征，并给每个特征打上标签，例如“孔”、“槽”等。这需要识别算法能够理解CAD模型的几何和拓扑信息，并能从中提取出对制造有意义的特征。

这项技术对于制造业非常重要，因为它可以大大提高工艺规划的效率。人工识别加工特征是一个非常耗时的过程，而且容易出错。利用自动化的加工特征识别技术，可以快速、准确地识别出CAD模型中的所有加工特征，并生成相应的加工代码。这不仅可以提高生产效率，还可以降低人为错误，提高加工质量。

总体来说，加工特征识别是连接CAD和CAM系统的重要桥梁，它将CAD模型转化为后续可以进行数控加工的数字信息，是实现自动化制造的关键技术之一。

介绍

本文提出了一种新的层次B-Rep图形状表示，用于从B-Rep CAD模型中学习。这个表示由两个层次的层次图结构组成：一个层次表示B-Rep面邻接图，第二个层次基于表示CAD模型边界的三角形网格面的图。面邻接图编码了CAD模型的拓扑信息，而面图编码了表面的几何信息。这样，可以同时从CAD模型的几何形状和拓扑中学习。

Hierarchical CADNet

Hierarchical CADNet图形状表示，它包含两个层次：

• B-Rep面邻接图层次(B-Rep Level)。
  • 第一级描述B-Rep面邻接关系，因此捕获CAD模型拓扑的信息。它还可以定义面之间的边缘凸度。
  • 图中的每个顶点对应一个B-Rep面，并有一组特征属性与之相关联。这些顶点特征包括：
    • 加工特征类别标签，
    • 面类型（平面、圆柱面、圆锥面等），
    • 面的面积，
    • 面的质心坐标。
• 基于三角形网格面的图层次(Facet Level)。
  • 这一层用于描述CAD模型表面的几何信息。它由CAD模型边界的三角网格面构建而成，其中每个图中的顶点对应网格中的一个面。
  • 在第二个层次，即三角形网格面图层次，用于描述CAD模型表面的几何形状。它由三角形网格的面构成，图中的每个顶点对应网格中的一个面。网格可以通过将CAD模型转换为标准的三角形语言（STL）文件格式来构建。
  • 主要关注的是CAD模型表面的几何属性，如面片的法线、面积和质心坐标。

在这两个图层之间，存在持久链接，这些链接表示哪些面片属于每个B-Rep面。这意味着在B-Rep面邻接图中的一个B-Rep面可以有多个面片与之关联。“面片”指的是构成CAD模型表面的小块或区域。在边界表示（B-Rep）模型中，一个B-Rep面通常由多个面片组成，这些面片是模型的表面在特定尺度下的表示。

框架

• Graph Embedding Layer图嵌入层。用于将图中的节点特征映射到固定大小的低维空间。
• Graph Convolutional Layer (Adjacency A)图卷积层(邻接A)
• Graph Convolutional Layer (Edge E)图卷积层(边E)
• Transfer Layer (Projection P or Embedding B)传输层(投影P或嵌入B)
• Softmax Layer
• Residual Connection残差连接

Spatial graph convolutional layer

上面描述的卷积层假设邻接矩阵A中只有一种类型的边。

这意味着不能使用这个图卷积来学习边缘的凹凸性。可以创建一个替代邻接张量A∈R n×n×L，其中L为张量中对应不同边类型(I, E1, E2··EL−1)的邻接矩阵切片数。

本文使用了三种边缘类型:凸边、凹边和其它边。

每个顶点可以有许多特征，其中C表示顶点特征的总数。

Graph pool embedding layer

用于将学习到的图特征映射到一个固定大小的嵌入矩阵的层。

Transfer layer

实验

为了验证Hierarchical CADNet的有效性，作者在实验中测试了两种不同的版本：

1. Hierarchical CADNet (Edge)：这种版本的网络利用了B-Rep面之间的边缘凸度信息。在B-Rep面邻接图层中，作者引入了一个多切片邻接矩阵（adjacency tensor），其中每个切片对应一种边类型（如凸边、凹边等）。网络能够学习不同类型边的组合，从而捕捉边凸度信息，这对加工特征识别任务至关重要。B-Rep面之间的边缘凸度信息指的是B-Rep边界表示模型中面之间的边缘的弯曲程度。
2. Hierarchical CADNet (Adj)：这种版本的网络只使用了B-Rep面邻接矩阵，没有利用边缘凸度信息。在这个版本中，网络仅通过聚合顶点的特征以及其邻居顶点的特征来产生新的上下文顶点表示，而不考虑边的凸度信息。

"Accuracy per face (%)"是指对于每个B-Rep面（B-Rep face），神经网络预测其所属的加工特征类别的准确率。
"Accuracy per primitive (%)"是指对于每个基础几何元素（如点、边、面等），神经网络预测其所属的加工特征类别的准确率。

结论

• 介绍了一种改进的、具有加工特征的CAD模型自动构建方法。该方法允许生成具有相交加工特征的CAD模型。

• 提出了一种新的加工特征数据集MFCAD++，该数据集比以前的MFCAD数据集包含更复杂的CAD模型以及非平面加工特征。

• 提出了一种新的分层B-Rep图结构，用于编码B-Rep CAD模型的信息。

• 提出了一种编码结构，表示B-Rep CAD模型的表面几何形状和面拓扑结构，同时也可以用作图神经网络的输入表示。

• 提出了一种新的分层图卷积网络，称为分层CADNet，它可以从这些分层B-Rep图结构中学习。与最先进的框架相比，这种新方法可以在多个数据集上获得可比或更好的结果。

状和面拓扑结构，同时也可以用作图神经网络的输入表示。

• 提出了一种新的分层图卷积网络，称为分层CADNet，它可以从这些分层B-Rep图结构中学习。与最先进的框架相比，这种新方法可以在多个数据集上获得可比或更好的结果。

• 展示了学习B-Rep面部拓扑和边缘凸性信息对加工特征识别任务的好处。