用于深度学习加工特征识别的三维CAD模型图表示

arXiv 2020 34.1 method

TLDR

提出三维CAD模型图表示，用于深度学习加工特征识别，优于体素表示。

评分理由

The paper introduces a novel graph representation and automatic dataset generation for machining feature recognition, with experimental comparison to voxels. Strengths include addressing interacting features and efficiency; weaknesses include reliance on synthetic data and lack of real-world validation.

Read-first 评分解释

综合优先阅读分 34.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 33。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：数据集、评估、实验、结果

近期性 8%

42.4

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2020

主题相关性 42%

20.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI for CAD、computer-aided design、neural CAD、generative CAD、parametric CAD、B-Rep、boundary representation、constructive solid geometry、CSG、sketch extrusion、CAD generation、CAD reconstruction、text-to-CAD、image-to-CAD、point cloud to CAD、CAD program

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：无；代码：无；数据：无；命中信号：数据集

研究版图角色

方法锚点

排序敏感性

稳定性：volatile；排名波动范围：110。

关键词评分

computer-aided design

AI for CAD

neural CAD

generative CAD

parametric CAD

B-Rep

boundary representation

constructive solid geometry

CSG

sketch extrusion

CAD generation

CAD reconstruction

CAD program

text-to-CAD

image-to-CAD

point cloud to CAD

深度分析

创新点

自动生成包含多个加工特征及面标签的三维CAD模型大数据集的方法
适用于图神经网络的简洁且信息丰富的三维CAD模型图表示
图表示与体素表示在训练深度神经网络分割三维CAD模型方面的比较
基于图的深度学习在交互特征识别中的评估

方法

本文提出了一种自动数据集生成方法，用于生成包含多个加工特征及面标签的三维CAD模型。引入了一种CAD模型的图表示，并将其输入图神经网络。与基于体素的表示在分割任务上进行了性能比较，并在交互特征识别上测试了该方法。

关键结果

图表示在三维CAD模型的深度学习上比体素更高效。图神经网络成功识别了单个加工特征并识别了复杂的交互特征。