Boundary Representation Compatible Feature Recognition for Manufacturing CAD Models【浅读笔记】

最新推荐文章于 2025-11-19 08:48:46 发布

原创

最新推荐文章于 2025-11-19 08:48:46 发布 · 1.3k 阅读

标签

#笔记

文章介绍了一种基于图神经网络的特征识别方法，用于处理BREP格式的制造CAD模型。GNN在FeatureNet和MPI数据集上表现出高精度，有助于CAD-CAPP系统的集成。未来工作将关注高阶NURBS曲面的编码兼容性，以实现更全面的制造业自动化。

Boundary Representation Compatible Feature Recognition for Manufacturing CAD Models(制造CAD模型的边界表示兼容特征识别)
2023发布在 Elsevier

摘要

提出了一种与边界表示(BREP)兼容的基于图神经网络(GNN)的特征识别数据表示方法。该数据表示遵循BREP和STEP AP 203标准，可以将整体制造CAD信息传输到深度神经网络，这有助于识别小的局部几何特征和高度复杂的交互式几何特征。相反，由于其直接编码方法，这种数据表示可以很容易地转换回传统的CAD模型。在此数据表示下，GNN在36类FeatureNet+数据集上的准确率达到99.57%，在具有高度交互特征的加工过程识别(MPI)数据集上的准确率达到99.12%。这种方法在很大程度上有利于计算机辅助工艺规划，为未来的工业自动化铺平道路。

目前存在的挑战

CAD模型作为人类设计的几何信息载体，其表面和边缘的数量是可变的，且具有不同的特征属性，这对CNN的高效分析提出了挑战。因此，通常采用特征工程技术将CAD模型转换为基于网格的表示(如体素、深度图像和多视图图像来创建关键的模型信息，以帮助CNN模型更快地学习。

现有方法的局限性之一是基于网格的表示分辨率较低，并且会丢失数据，人类设计的大量几何信息对于训练精确的深度学习模型非常重要。由于所有的几何属性，包括位置，尺寸和形状的特征，可以很大程度上影响最终的加工决策，从CAD模型的任何信息丢失可能会导致工业生产中不可接受的误差。

制造业CAD模型大多采用边界表示(BREP)模型。BREP模型包含两个部分:一是属性邻接图(AAG)，它对面、边和顶点之间的邻接信息进行编码;另一个是每个面、边和顶点的解析几何描述。

传统方法仅使用AAG来实现特征识别和分类。然而，由于AAG只包含邻接关系，没有对曲面、边缘和顶点的形状和坐标进行详细描述，因此基于AAG的分类器应用有限，无法区分表面波动引起的过程差异。AAG是一种可以用邻接矩阵(Adjacency Matrix, AM)表示的图数据结构，在GNN训练中得到了广泛的应用。

大多数基于GNN的CAD分类都是在点云上进行的。然而，点云只能近似于原始CAD模型，这就需要在点密度和计算效率之间进行权衡。