一种智能的方法，通过两级网络的有机适配，从边界表示重建基于特征的模型

《Engineering Applications of Artificial Intelligence》：An intelligent approach for reconstructing feature-based models from boundary representations via organic adaptation of two-level networks

本文提出一种两级学习流程，结合多任务分类网络和链接预测网络，解决B-Rep模型重建中的特征识别与序列确定问题。实验表明，该方法在Fusion 360数据集上显著提升特征识别准确率（94.51%）和序列生成的完整性（mInsIdenIoU 87.83%），优于基线方法。

　　

潘万斌|朱洪都|曹伟娟|高树明|李明

杭州电子科技大学媒体与设计学院，中国杭州310001

摘要

从边界表示（B-Rep）数据重建可编辑的基于特征的计算辅助设计（CAD）模型对于加速设计迭代和提高模型重用性具有重要意义，但这一过程受到以下两个问题的阻碍：（1）特征识别，尤其是在特征相互作用的情况下；（2）非唯一特征序列的确定。本文提出了一种两级学习框架，该框架结合了多任务分类网络和链接预测网络。多任务网络共同预测每个面的特征类型和每条边的优先关系，而链接预测网络则推断缺失的连接，将碎片化的区域合并成完整的特征实例。在Fusion 360分割数据集（包含35,680个用户创建的模型）上，手动标注了85,511个特征实例用于训练和评估。所提出的分类器的面/边准确率分别为94.51%/87.21%，交并比（IoU）得分分别为78.13%/56.41%（所有数据均为平均值），与UV-Net（典型的B-Rep学习基线）和BRepNet（典型的B-Rep模型拓扑消息传递基线）相比，面IoU分别提高了4.52和1.03个百分点。链接预测器的准确率为83.87%，IoU为72.22%，特征实例识别平均准确率（mInsIdenAcc）为74.11%，特征实例识别IoU（mInsIdenIoU）为87.83%。基于生成的特征优先关系图，可以自动生成有效的特征序列，并可用于下游CAD应用中，以重建可解释且可编辑的特征历史。

引言

目前，基于特征的设计方法是现代计算机辅助设计（CAD）中的主导范式。通过提供特征创建和约束机制，它使设计师能够高效地创建、修改和管理模型变体及产品系列（Chakrabarti等人，2011年；Camba等人，2016年）。实际上，许多CAD模型和产品被全部或部分重复使用（Bai等人，2010年；Schulz等人，2017年）。然而，检索到的旧模型通常仅以边界表示（B-Reps）的形式提供，缺乏原始特征和构建历史。因此，从这些B-Reps重建可编辑的基于特征的模型仍然严重依赖用户体验和手动操作，这既耗时又低效（Chang和Chen，2011年；Buonamici等人，2018年）。因此，自动化基于特征的模型重建对于提高工业工作流中的CAD模型重用性至关重要。

除了几何建模之外，工程人工智能（AI）经常采用决策支持范式来协调异构证据和不确定性，这体现在最近的多属性决策研究和跨工程应用的领域调查中（Butt等人，2025年；Naz等人，2025c等）。尽管这些研究针对不同的问题设置，但它们共同强调了将数据驱动的推理与领域约束相结合的实用需求。在CAD模型重用中，约束条件是几何有效性和可编辑性；这激发了直接在B-Rep的拓扑和几何上进行学习的算法研究。

最近发表在《工程应用人工智能》（EAAI）期刊上的工作进一步展示了社区对工程导向的几何AI的日益兴趣——即将几何数据转换为结构化和可操作的工程表示。代表性方向包括从点云重建可编辑的参数化CAD序列（RenCAD）（Lu等人，2026年），从拓扑优化的密度场中推导出可解释的几何参数化（Rochefort-Beaudoin等人，2025年），以及学习用于零件级理解的边界表示派生的图表示（Li等人，2025年）和加工特征识别（Zhang等人，2026年）。尽管取得了这些进展，但从B-Reps直接重建可编辑的特征历史仍然是一个未解决的问题。

从B-Reps重建基于特征的模型通常涉及特征识别、特征排序以及参数和约束的恢复。在这些过程中，当特征相互作用时，特征识别尤为困难，因为相互作用可能会改变局部拓扑结构，导致同一几何形状有多种合理的解释（Gao和Shah，1998年）。传统的图匹配和基于规则的方法在边界不完整或特征因相互作用而碎片化时往往失效（Shi等人，2020年）。此外，三维（3D）CAD模型中特征的顺序和参数化往往不是唯一的，不同的有效建模策略可能导致相同的最终几何形状；因此，重建必须符合预期的设计，同时满足精确的拓扑和几何一致性（Price等人，2013年）。从AI的角度来看，特征交互的解释和序列确定都可以视为具有多个合理假设的歧义解决问题；然而，与偏好排序任务不同，CAD重建必须满足精确的拓扑和几何一致性。

受这些挑战的启发，本研究提出了一种通过有机结合两级网络来从边界表示重建基于特征模型的智能方法。具体而言，本研究的目标是通过解决两个实际瓶颈来重建可解释且可编辑的特征历史：

• (1)
  特征实例识别，特别是在特征相互作用和边界碎片化的情况下；
• (2)
  有效特征序列的确定。

为此，设计了一个多任务分类网络来预测输入B-Rep模型中的面类型、边类型和虚拟链接，其中面类型表示面所属的特征类别，边类型编码相邻面之间的创建优先关系，虚拟链接连接由同一特征生成的面。利用这些预测，该方法能够识别边界不完整的面和被分割成多个不连通组件的面，将面聚类为特征实例，然后通过对推断出的优先关系进行贪心排序来生成多个可行的特征序列。

本文的其余部分组织如下：第2节概述了相关工作，指出了现有特征重建方法的局限性。第3节详细描述了所提出的方法。第4节报告了进行的实验，包括突出所提方法优点和局限性的实验结果。最后，第5节总结了本文并提出了未来工作的方向。

相关研究

相关研究

选择相关研究基于三个标准：输入格式、方法是否基于学习，以及目标任务。首先，输入必须是边界表示（B-Rep）模型。其次，方法必须涉及基于学习的方法。第三，任务必须与设计特征重建相关。其他输入格式，如点云或体素，由于依赖于根本不同的编码方法而被排除（Uy等人，2022年；Li等人，2023年）。

基本概念

在基于特征的设计方法中，CAD建模特征表示由一组共享参数定义的一类形状。通过选择特征类型并指定其参数，可以创建特定的形状实例。通过依次定义和组合多个特征实例来构建完整的模型。这些实例的有序列表被称为该形状的特征序列。在本文中，我们使用每个特征实例生成的面集来进行识别

实验与分析

通过在Fusion 360 Gallery分割数据集（Lambourne等人，2021年）上的实验验证了所提出网络的性能。该数据集按70:15:15的比例分为训练集、验证集和测试集。所有网络使用相同的训练数据、验证数据和测试数据。网络使用PyTorch和Deep Graph Library（DGL）实现，并在配备64GB RAM和24GB内存的RTX6000 GPU的PC上进行训练。优化器使用默认参数

结论与未来工作

本研究旨在通过提出一种智能重建基于特征模型的方法，来加速产品设计过程。所提出的方法专注于确定可用于自动高效构建B-Rep模型形状的特征及其序列。实验结果证明了所提方法的有效性

CRediT作者贡献声明

潘万斌：概念化、数据整理、形式分析、资金获取、调查、方法论、软件开发、监督、验证、可视化 - 原始草稿撰写、审稿与编辑。朱洪都：数据整理、调查、软件开发、验证、可视化、原始草稿撰写、审稿与编辑。曹伟娟：概念化、数据整理、调查、方法论、资源协调、软件开发、监督、验证、原始草稿撰写

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：62472134）、浙江省“先锋”和“领头雁”研发计划（编号：2024C01103、2025C01086）以及浙江省教育厅科研经费支持的项目（编号：Y202249511）的财政支持。