基于新型数据代理流程从不完美模型中自动识别特征

《Proceedings of the Design Society》：Automatic feature recognition from imperfect models using a novel workflow of data surrogation

　　

研究团队提出了一种从不完美计算机辅助设计（Computer-Aided Design, CAD）模型中识别特征的新型方法，涵盖三个核心贡献：构建全面的数据集、开发新型数据代理（Data Surrogation）方法以及构建基于机器学习（Machine Learning, ML）的自动化特征识别模型。研究背景聚焦于当前数字工具生成的CAD模型普遍存在非平滑特征等结构缺陷，此类"不完美模型"难以直接应用于计算机辅助制造（Computer-Aided Manufacturing, CAM）等终端场景，而传统预处理与重建流程效率低下且易出错。研究方法采用体素（Voxel）数据结构处理VR雕刻、激光扫描及生成式设计等新兴快速设计方法输出的网格、点云或体素表示；数据生成环节利用自主研发VR雕刻工具获取基础不完美数据，经缩放与平移等启发式增强后训练U-Net网络学习人工缺陷模式，最终生成2400个/类别的代理数据集；特征识别环节构建定制化三维卷积神经网络（3D Convolutional Neural Network, 3D CNN），分别在完美与不完美混合数据集（D₁）、纯完美数据集（D₂）及纯不完美数据集（D₃）上进行训练。研究结果表明，U-Net生成的模型体素精度（Voxel Accuracy）超0.92、Dice系数超0.6，能够有效复现人工缺陷；基于D₁训练的自动特征识别（Automatic Feature Recognition, AFR）模型在未见测试集上达到92.86%的准确率，显著优于仅基于完美数据训练的65.7%及仅基于不完美数据训练的83.57%。该研究为VR建模、逆向工程及再制造等领域的实时参数化模型生成提供了新范式。

**研究背景与问题阐述**

传统CAD建模在工程产品设计领域应用广泛，但近年来快速成型与逆向工程需求推动了虚拟现实（Virtual Reality, VR）雕刻、激光扫描重建、生成式人工智能（Artificial Intelligence, AI）设计及基于图像的重建方法等替代方案的发展。这些方法的输出通常为网格（STL格式）、点云或体素表示，需进一步处理为参数化模型以适配有限元分析（Finite Element Analysis, FEA）、计算机辅助工艺规划（Computer-Aided Process Planning, CAPP）及产品生命周期管理（Product Lifecycle Management, PLM）等下游应用。特征识别（Feature Recognition, FR）作为实现上述转换的核心环节，旨在从输入几何中识别并提取加工特征等应用特定区域。然而，新兴设计方法的输出常因扫描不当、遮挡、网格生成算法不一致或磨损零件扫描等因素，产生结构不一致性与噪声（即"不完美性"），导致模型存在非流形几何、断裂边及定义不清的面片。此类不完美模型现有基于规则或机器学习的方法均难以直接处理，传统预处理流程繁琐且易出错，已成为快速设计工作流的关键瓶颈。

现有自动特征识别技术虽在标准数据上表现优异，但存在明显局限：启发式方法依赖预定义几何规则，缺乏泛化性；图匹配方法虽具一定通用性，但难以处理相交特征，且在不完美模型的断裂边与非流形几何面前失效；机器学习方法虽更具泛化潜力，但其有效性仅在略微含噪数据上得到验证，对于VR输出、低分辨率相机扫描或磨损零件激光扫描等高噪声场景的适应性尚未经正式检验。因此，开发能够直接从不完美CAD模型中识别特征的方法成为迫切需求。

**研究设计与核心贡献**

针对上述问题，研究人员提出了一种新型工作流，包含三项核心贡献：构建面向机器学习特征识别的不完美CAD模型综合数据集；开发可适配其他模型重建方法的通用数据代理技术；验证基于该数据集的三维CNN特征识别模型有效性。研究聚焦棱柱类零件的加工特征，以FeatureNet数据集的22类特征为基础，经重新分类为环形槽（O-Ring）、圆形端部 pocket（Circular End Pocket）、圆形端部槽（Circular End Slot）、圆形pocket（Circular Pocket）、非矩形pocket（Non-Rectangular Pocket）、矩形pocket（Rectangular Pocket）及三角形pocket（Triangular Pocket）共7种设计特征类型。

数据生成流程包含三个关键阶段。第一阶段为完美数据整理：采用FeatureNet数据集作为基准，通过光线追踪（Ray Tracing）将网格模型体素化为64×64×64分辨率的三维网格，其中0表示材料缺失（特征存在）、1表示材料存在。第二阶段为不完美数据生成与增强：研究人员首先利用自主研发VR雕刻工具手动生成140个基础不完美模型（每类20个），通过提取特征尺寸参数并在FreeCAD中重建对应完美模型，形成完美-不完美配对；随后对配对数据执行缩放（Shrinkage）与平移（Shifting）增强，每类生成700个样本；继而采用编码器-解码器结构的3D U-Net（含4级编码解码层、Conv3D与ConvTranspose层及跳跃连接）学习不完美模式，输入完美体素模型、输出对应不完美模型，训练目标为最小化重建损失；最终利用训练完备的U-Net将FeatureNet的1000个/类别完美模型转化为不完美模型，结合增强数据形成每类3400个样本的最终数据集。第三阶段为自动特征识别模型训练：构建定制化三维CNN（含4个卷积层、1个全连接层、728775个参数），分别在混合数据集（D₁）、纯完美数据集（D₂）与纯不完美数据集（D₃）上训练，并通过超参数优化获取最优配置。

**研究结果分析**

U-Net数据代理效果验证。定性评估显示，U-Net能够成功复现不完美特征的同时保持拓扑与空间信息；定量指标表明，所有特征类型的体素精度均高于0.92，与手动生成数据的差异控制在4%以内，证实模型有效保留了特征位置与尺寸；Dice系数均高于0.6，与训练数据差异在15%以内，表明成功添加了 substantial 噪声。较低的Dice系数与较高的体素精度组合，印证了生成模型与原始模型相似但含高噪声的预期。

自动特征识别模型测试。在由140个未见样本组成的测试集上，基于D₁训练的模型准确率达92.86%，混淆矩阵显示仅非矩形pocket（NR）存在识别困难；基于D₃训练的模型准确率83.57%，除NR外对圆形端部槽（V-CEnd）与圆形端部pocket（CEnd）存在混淆；基于D₂训练的模型准确率仅65.7%，对三角形pocket（Tri）、CEnd、V-CEnd及NR均存在识别困难。这一结果清晰表明，融合不完美数据的训练显著提升了模型对真实不完美输入的识别能力。

**讨论与意义阐释**

研究结果验证了所生成数据集及数据代理方法的准确性。U-Net生成数据与手动生成数据在体素精度与Dice系数上的高度匹配，证明了代理数据生成流程在复现类人不完美性方面的有效性。自动特征识别模型的测试进一步凸显了不完美数据集的关键价值：相较于纯完美数据训练，混合数据训练带来27个百分点的准确率提升，而纯不完美数据相较混合数据存在9个百分点的性能差距，说明完美数据为网络提供了特征形状的基准结构认知，而不完美数据增强了噪声鲁棒性。该工作流可有效减少耗时且易出错的噪声过滤与网格重建步骤，与扫描、图像CAD重建等数字工作流具有兼容性。92%以上的高识别准确率为开发直觉式CAD建模器、实现AI实时参数化模型生成奠定了基础。

研究也存在一定局限：当前仅涵盖2.5D特征，未涉及完整三维特征及相交特征识别。未来研究方向包括：扩展至完整三维特征识别；发展相交特征识别能力；将体素数据集转换为有符号距离场（Signed Distance Field）以降低计算需求。

**研究结论**

该论文构建了一个面向特征识别的不完美体素模型综合数据集，可支持VR建模、再制造及逆向工程等下游应用。研究提出了基于三维CNN-U-Net的完美数据增强新策略，生成数据的体素精度与原始不完美数据差异在4%以内，Dice系数差异在15%以内，实现了对人工缺陷的有效复现。基于该数据集训练的机器学习特征识别模型在测试集上达到92.8%的准确率，显著优于仅基于完美数据（65.7%）或仅基于不完美数据（83.5%）训练的模型。该研究开创了与最新高速低保真CAD工作流相适应的特征识别研究新范式。