论文地址:https://www.sciencedirect.com/science/article/pii/S0736584523001369
代码地址:https://github.com/whjdark/AAGNet
AAGNet: A graph neural network towards multi-task machining feature
recognition(面向多任务加工特征识别的图神经网络)2024 Robotics and Computer-Integrated Manufacturing(RCIM)
摘要
加工特征识别(MFR)是计算机辅助工艺规划(CAPP)中从CAD模型中的几何实体推断制造语义的重要步骤。传统的基于规则的MFR方法由于表示其可变拓扑结构的复杂性而难以处理相交特征。这激发了基于深度学习的方法的发展,这种方法可以从数据中学习,克服基于规则的方法的局限性。然而,一些现有的深度学习方法在使用某些表示(如体素或点云)时会损害几何和拓扑信息。为了解决这些挑战,我们提出了一种名为AAGNet的新型图神经网络,用于使用几何属性邻接图(gAAG)表示来自动识别特征,该表示保留了中性边界表示(B-Rep)模型的拓扑、几何和扩展属性。此外,现有的一些方法(如UV-Net、Hierarchical CADNet)缺乏加工特征实例分割的能力,这是特征识别的一个子任务,需要网络识别不同的加工特征及其构成的B-Rep面实体,是后续工艺规划的关键任务。AAGNet被设计为一个多任务网络,可以同时进行语义分割、实例分割和底面分割,以识别加工特征、与这些特征相关联的人脸及其底面。AAGNet在各种开源数据集上进行评估,包括MFCAD, MFCAD++和新引入的MFInstSeg数据集,其中包含超过60,000个STEP文件和加工特征实例标签。实验结果表明,AAGNet在精度和复杂性方面优于其他最先进的方法,显示了其作为CAPP中MFR灵活解决方案的潜力。
目前面临的挑战是:
- 一些方法不能直接从边界表示(B-Rep)中学习特征识别,需要转换为经过充分研究的中间表示,如点云、多视图图像、网格或体素。这种转换可能会导致拓扑、几何和属性的丢失,从而导致特征识别的准确性降低。
- 一些算法要么将特征实例分割和分类分为两个阶段,要么只能执行一个任务,导致组合系统更加复杂和耗时。
本文的贡献:
- 本文提出了一种新的图结构,称为几何属性邻接图(gAAG),专门为中性B-Rep数据设计。gAAG不仅包含曲面和曲线的UV网格表示几何信息,还包含派生的面邻接图(FAG)编码拓扑信息。此外,它还包括来自面和边实体的扩展属性。
- 发布了一个开源的加工特征实例分割(MFInstSeg)数据集,该数据集包括60k多个合成CAD模型,这些模型标记了语义分割、实例分割和底面分割信息。
- 提出了一种新的加工特征识别网络AAGNet。AAGNet设计用于使用拓扑、几何信息和来自中性B-Rep数据的扩展属性来执行多任务加工特征识别。
Machining Feature Recognition (MFR): 它指的是利用深度学习技术识别和提取工程零件中的加工特征。在机械加工中,工程师通常需要对零件进行加工