Machining Feature Recognition Method of B-Rep Model Based on Graph Neural Network

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

Abstract

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

CLC Number:

TP391.41

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.

Figures/Tables 18

Fig.1

Table1

Attributes of B-Rep faces"

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

Table1

Table 2

Attributes of B-Rep edges"

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

Table 2

Fig.2

Fig.3

Table 3

Input encoding"

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

Table 3

Table 4

Table 5

Fig.4

Fig.5

Table 6

Fig.6

Table 7

Table 8

Table 9

Fig.7

Table 10

Table 11

References 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］．．

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）

网络	准确率/%	平均交并比/%	参数量/10⁶
UV-Net	98.95	98.11	4.95
Hierarchical CADNet（adj）	96.52	—	6.62
Hierarchical CADNet（edge）	97.37	—	9.76
AAGNet	99.26	98.65	0.44
文中模型	99.53	99.15	0.46

聚合函数	准确率/%	平均交并比/%	参数量
SoftMax	99.53	99.15	460 458
PowerMean	99.09	98.31	460 458

GNN层数	准确率/%	平均交并比/%	参数量
2	98.99	98.13	260 394
3	99.20	98.53	327 082
4	99.31	98.76	393 770
5	99.53	99.15	460 458
6	99.29	98.66	527 146