基于图神经网络的B-Rep模型加工特征识别方法

doi:10.12141/j.issn.1000-565X.240329

摘要/Abstract

摘要：

自动特征识别是智能制造的关键技术之一。传统的基于规则的识别算法可扩展性较差，而基于深度卷积网络的方法以离散模型为输入，准确度不高，且识别结果难以精确映射回原始计算机辅助设计（CAD）模型，造成应用不便。针对上述不足，该文提出了一种基于图神经网络的、能够直接处理边界表示（B-Rep）模型的加工特征识别方法。该方法首先从B-Rep结构中提取有效的属性和几何信息，形成特征描述符；接着根据CAD模型拓扑结构建立具有高级语义信息的邻接图；进而以邻接图为输入，构建高效的图神经网络模型，通过引入可微的广义消息聚合函数和残差连接机制，提升模型的信息聚合及多层级特征捕捉能力，同时采用消息归一化策略确保训练稳定性并加速收敛；训练完成后，网络能对B-Rep模型中的所有面进行分类标注，实现特征识别。将该方法在公共数据集MFCAD++上进行测试，取得了99.53%的准确率和99.15%的平均交并比，说明该方法优于现有的同类研究成果。采用更复杂的测试用例和工程应用中的典型真实CAD案例作进一步检验，结果均表明该方法具有更好的泛化能力以及更强的适应性。

关键词: 加工特征识别, 图神经网络, 深度学习, 计算机辅助设计

Abstract:

Automatic feature recognition is one of the key technologies of intelligent manufacturing. Traditional rule-based recognition algorithms have poor scalability, and the methods based on deep convolutional networks are of low accuracy because they use discrete models as input and the recognition results are difficult to accurately map back to the original CAD model, causing inconvenience in application. In view of these shortcomings, a feature recognition method based on graph neural network, which can directly analyze B-Rep models, is proposed. The method extracts effective characteristic information and geometric information from the B-Rep structures to form a feature descriptor, and then establishes an adjacency graph with high-level semantic information based on the topological structure of the CAD model. By taking the adjacency graph as the input, an efficient graph neural network model is constructed. By introducing a differentiable generalized message aggregation function and a residual connection mechanism, the model possesses stronger information aggregation performance and multi-level feature capture capabilities. What is more, message normalization strategy is used to ensure the stability of the training process and to accelerate the convergence of the model. After the training, the network can directly classify and annotate all faces in the B-Rep model, thereby realizing feature recognition. Experimental results on the public dataset MFCAD++ demonstrate that the proposed method achieves an accuracy of 99.53% and an average intersection-over-union ratio of 99.15%, which outperforms other similar studies. Further evaluations using more complex testing cases and typical CAD cases from real engineering applications show that the proposed method is of better generalization ability and adaptability.

Key words: machining feature recognition, graph neural network, deep learning, computer-aided design

中图分类号:

TP391.41

胡广华, 代志刚, 王清辉. 基于图神经网络的B-Rep模型加工特征识别方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 20-31.

HU Guanghua, DAI Zhigang, WANG Qinghui. Machining Feature Recognition Method of B-Rep Model Based on Graph Neural Network[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(5): 20-31.

图/表 18

图1

表1

表2

图2

图3

表3

表4

表5

图4

图5

表6

图6

表7

表8

表9

图7

表10

表11

参考文献 24

1	KROT K， CZAJKA J ．Processing of design and technological data due to requirements of computer aided process planning systems［C］∥Proceedings of the International Conference on Intelligent Systems in Production Engineering and Maintenance．Wroclaw：Springer International Publishing，2019：267-274．
2	BABIC B， NESIC N， MILJKOVIC Z ．A review of automated feature recognition with rule-based pattern recognition［J］．Computers in Industry，2008，59（4）：321-337．
3	JOSHI S， CHANG T C ．Graph-based heuristics for recognition of machined features from a 3D solid model［J］．Computer-Aided Design，1988，20（2）：58-66．
4	VANDENBRANDE J H， REQUICHA A A G ．Spatial reasoning for the automatic recognition of machinable features in solid models［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15（12）：1269-1285．
5	ZHANG Y， LUO X， ZHANG B，et al ．Semantic approach to the automatic recognition of machining features［J］．The International Journal of Advanced Manufacturing Technology，2017，89：417-437．
6	赵鹏，盛步云．基于切削体分解组合策略的工艺特征识别方法［J］．华南理工大学学报（自然科学版），2011，39（8）：30-35．
	ZHAO Peng， SHENG Bu-yun ．Craft characteristic recognition method based on the combination of cutting body decomposition［J］．Journal of South China University of Technology （Natural Science Edition），2011，39（8）：30-35．
7	VERMA A K， RAJOTIA S ．A hybrid machining feature recognition system［J］．International Journal of Manufacturing Research，2009，4（3）：343-361．
8	HAN J H， PRATT M， REGLI W C ．Manufacturing feature recognition from solid models： a status report［J］．IEEE Transactions on Robotics and Automation，2000，16（6）：782-796．
9	ZHANG Z， JAISWAL P，RAI R ．FeatureNet：machining feature recognition based on 3D convolution neural network［J］．Computer-Aided Design，2018，101：12-22．
10	SHI P， QI Q， QIN Y，et al ．A novel learning-based feature recognition method using multiple sectional view representation［J］．Journal of Intelligent Manufacturing，2020，31：1291-1309．
11	SHI P， QI Q， QIN Y，et al ．Intersecting machining feature localization and recognition via single shot multibox detector［J］．IEEE Transactions on Industrial Informatics，2020，17（5）：3292-3302．
12	ZHANG H， ZHANG S， ZHANG Y，et al ．Machining feature recognition based on a novel multi-task deep learning network［J］．Robotics and Computer-Integrated Manufacturing，2022，77：102369/1-17．
13	HANOCKA R， HERTZ A， FISH N，et al ．MeshCNN： a network with an edge［J］．ACM Transactions on Graphics （ToG），2019，38（4）：1-12．
14	FENG Y， FENG Y， YOU H，et al ．MeshNet： mesh neural network for 3D shape representation［C］∥Proceedings of the AAAI Conference on Artificial Intelligence．Honolulu：AAAI，2019：8279-8286．
15	CAO W， ROBINSON T， HUA Y，et al ．Graph representation of 3D CAD models for machining feature recognition with deep learning［C］∥Proceedings of the Design Automation Conference， the ASME International Design Engineering Technical Conferences and the Computers and Information in Engineering Conference．［S.l.］：American Society of Mechanical Engineers，2020，84003：V11 AT 11A003/1-11．
16	COLLIGAN A R， ROBINSON T T， Nolan D C，et al ．Hierarchical CADNet： learning from B-Reps for machining feature recognition［J］．Computer-Aided Design，2022，147：103226/1-16．
17	WU H， LEI R， PENG Y，et al ．AAGNet： a graph neural network towards multi-task machining feature recognition［J］．Robotics and Computer-Integrated Manufacturing，2024，86：102661/1-20．
18	JAYARAMAN P K， SANGHI A， LAMBOURNE J G，et al ．UV-Net： learning from boundary representations［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2021．［S.l.］：IEEE，2021：11703-11712．
19	GILMER J， SCHOENHOLZ S S， RILEY P F，et al ．Neural message passing for quantum chemistry［C］∥Proceedings of the International Conference on Machine Learning．Sydney：PMLR，2017：1263-1272．
20	KIPF T N， WELLING M ．Semi-supervised classification with graph convolutional networks［EB/OL］．（2016-09-09）［2024-06-15］．.
	1609.02907．
21	HAMILTON W， YING Z， LESKOVEC J ．Inductive representation learning on large graphs［C］∥Proceedings of the Conference on Advances in Neural Information Processing Systems．Long Beach：［s.n.］，2017：1025-1035．
22	XU K， HU W， LESKOVEC J，et al ．How powerful are graph neural networks？［EB/OL］．（2018-10-01）［2024-06-15］．．
23	LI G， XIONG C， THABET A，et al ．DeeperGCN：all you need to train deeper gcns［EB/OL］．（2020-06-13）［2024-06-15］．.
	07739．
24	MISRA D ．Mish：a self regularized non-monotonic activation function［EB/OL］．（2019-08-23）［2024-06-15］．．

编辑推荐 0

Metrics

阅读次数

全文

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	4	0	0	3

来源	本网站	其他网站

次数	4	3
比例	57%	43%

摘要

161

最新录用	在线预览	正式出版

92	0	69

来源	本网站	其他网站

次数	100	61
比例	62%	38%

属性	符号	注释
类型	$F t$	平面、圆柱曲面等
面积	$F a$	面积
质心	$F c$	（x，y，z）
法向量	$F n$	（i，j，k）
环数	$F l$	外环与内环数量之和
边界框比	$F r$	宽度与长度之比

属性	符号	注释
类型	$E t$	直线、圆、B样条曲线等
长度	$E l$	边长
凹凸性	$E c$	凹、凸、平滑
闭合性	Closure	起点和终点重合与否
二面角	$θ d i$	邻面之间的二面角

信息		特征向量	维数	输入模块	输出维度
几何信息	曲面上的uv点	［X，Y，Z，i，j，k，mask］	7	2D CNN	128
几何信息	曲线上的uv点	［X，Y，Z， $T x$ ， $T y$ ， $T z$ ， $i 1$ ， $j 1$ ， $k 1$ ， $i 2$ ， $j 2$ ， $k 2$ ］	12	1D CNN	128
属性信息	B-Rep面	［ $F t$ ， $F a$ ， $F c$ ， $F n$ ， $F l$ ， $F r$ ］	10	MLP	128
属性信息	B-Rep边	［ $E t$ ， $E l$ ， $E c$ ，Closure， $θ d i$ ］	5	MLP	128

网络层	输入特征尺寸	输出特征尺寸
Conv2d（7，32，3，1，1）	（N_v，7，10，10）	（N_v，32，10，10）
BatchNorm2d	（N_v，32，10，10）	（N_v，32，10，10）
Activation	（N_v，32，10，10）	（N_v，32，10，10）
Conv2d（32，64，3，1，1）	（N_v，32，10，10）	（N_v，64，10，10）
BatchNorm2d	（N_v，64，10，10）	（N_v，64，10，10）
Activation	（N_v，64，10，10）	（N_v，64，10，10）
Conv2d（64，128，3，1，1）	（N_v，64，10，10）	（N_v，128，10，10）
BatchNorm2d	（N_v，128，10，10）	（N_v，128，10，10）
Activation	（N_v，128，10，10）	（N_v，128，10，10）
AdaptiveAvgPool2d	（N_v，128，10，10）	（N_v，128，1，1）
Flatten	（N_v，128，1，1）	（N_v，128）

网络层	输入特征尺寸	输出特征尺寸
Conv1d（12，32，3，1，1）	（N_e，12，10）	（N_e，32，10）
BatchNorm1d	（N_e，32，10）	（N_e，32，10）
Activation	（N_e，32，10）	（N_e，32，10）
Conv1d（32，64，3，1，1）	（N_e，32，10）	（N_e，64，10）
BatchNorm1d	（N_e，64，10）	（N_e，64，10）
Activation	（N_e，64，10）	（N_e，64，10）
Conv1d（64，128，3，1，1）	（N_e，64，10）	（N_e，128，10）
BatchNorm1d	（N_e，128，10）	（N_e，128，10）
Activation	（N_e，128，10）	（N_e，128，10）
AdaptiveAvgPool1d	（N_e，128，10）	（N_e，128，1）
Flatten	（N_e，128，1）	（N_e，128）