TopoGNN：基于NURBS几何嵌入的异构B-Rep图学习用于工业加工特征识别

《Computer-Aided Design》：TopoGNN: Heterogeneous B-Rep graph learning with NURBS-based geometric embeddings for industrial machining feature recognition

　　

•异构B-Rep图联合建模面、边和顶点。•方向感知关系改进CAD原生特征识别。•自监督NURBS和UV嵌入补充手工设计特征。•TopoGNN在Fusion 360上达到97.21%准确率和0.8757 mIoU。•该方法可推广至工业CAD数据和TMCAD基准。引言加工特征识别（MFR）是从三维CAD模型中识别与制造相关的几何特征的过程，是设计与下游工艺规划活动（如计算机辅助工艺规划（CAPP）和计算机辅助制造（CAM））之间的关键桥梁。自动化这一过程一直是制造研究的长期目标，因为手动特征识别耗时、易出错，且无法应对现代工业零件的复杂性。至今，公开的CAD数据集未能充分捕捉真实工业零件的几何和拓扑复杂性，因此，当前最先进的方法尚未在此类条件下进行评估。传统MFR方法依赖基于规则的算法，包括基于图的子图匹配[1]、体和单元分解[2]、基于提示的推理[3]及几何模式匹配[4]。尽管这些方法对标准特征类型有效，但需要为每个新特征类扩展手工设计规则，且难以处理工业零件中常见的相互作用、相交和非标准几何。近年来，深度学习作为一种数据驱动替代方案出现，可直接从示例中学习解读三维几何，无需人工规则工程。任何基于学习的MFR系统的核心设计决策之一是输入表示的选择。如表1所示，先前研究探索了体素网格[6]、多视角投影[7]、[8]、点云[9]、网格[10]和体积图[11]。这些表示均涉及从原生CAD格式的有损转换：体素化丢失参数精度，投影丢失三维拓扑，点采样破坏表面连续性，细分引入离散化伪影。直接在原生边界表示（B-Rep）上运行的方法完全避免这些转换损失，保留精确的NURBS曲面参数化、精确的边曲线及实体的完整拓扑结构。近期B-Rep原生方法，如UV-Net [12]、分层CADNet [13]、BRepNet [14]和BRepGAT [15]，在公开基准上取得显著成果。然而，大多数方法仍采用以面为中心的形式化方法，仅将面视为图节点，共享边界仅通过邻接或边属性间接呈现。该表示保留邻域信息，但抑制了几何和拓扑信号，如边界曲线几何、端点连接性、面-边方向、环绕循环的边顺序等，而这些正是加工语义的核心。B-Rep实体本质上具有异质性。面、边和顶点是几何上不同的实体，通过关联、邻接和顺序关系连接，这些关系具有不同含义。面-边关系表达曲面如何使用有向边界曲线，边-顶点关系编码曲线端点和方向，循环上的边-边关系保留边界结构以区分外轮廓、孔和中断。将这些交互折叠成同构面邻接图，会将根本不同的拓扑关系强行塞入单一消息传递通道。本文提出TopoGNN，一个用于MFR的CAD原生框架，明确保留这种多实体结构。从STEP出发，我们提取面、边和顶点的NURBS数据及手工设计描述符，为每个实体学习特定类型的自监督嵌入，将其组装成异构B-Rep图，并使用GATv2 [5]分类器进行方向感知的消息传递以实现逐面MFR。如图1所示，该框架旨在结合几何保真度与拓扑特异性，而非在二者间取舍。我们在公开Fusion 360 Gallery基准[16]、分类数据集TMCAD [17]及行业合作伙伴提供的专有工业数据集上评估该方法，以反映真实CAD模型复杂性。完整模型在Fusion 360上达到97.21%准确率和0.8757 mIoU，在工业数据集上达到83.0±0.4%准确率及0.507±0.010 mIoU（五个种子的均值±标准差），消融实验表明异构关系与学习NURBS嵌入均对超越CAD原生基线的提升做出贡献。为量化工业数据集规模有限所导致的不确定性，我们额外报告了TopoGNN及所有重训基线在所有73个工业零件上的模型级交叉验证。本文主要贡献如下：1. 我们在显式异构B-Rep图上公式化MFR，其中面、边和顶点被建模为不同节点类型，通过编码方向感知关联、循环结构、端点连接性和面邻接的有向关系连接。2. 我们提出TopoGNN，一个CAD原生学习框架，将异构拓扑与源自原生B-Rep表示的学习几何嵌入（包括NURBS和UV描述符）相结合，使用特定类型的基于Transformer的变分自编码器。3. 我们设计了一种关系感知的异构图神经网络，捕捉不同实体类型和关系类别间的交互模式，以实现有效特征推理。4. 我们在公开和工业基准上提供全面评估及组件消融实验，展示异构拓扑与学习参数几何对工业级MFR的单独及联合影响。TopoGNN实现将在本工作被接收后作为开源发布。片段文献综述自动特征识别构成CAD与下游制造规划间的关键接口，将几何模型转换为与制造相关的实体，如孔、凹槽和槽口[22]、[23]、[24]。在工艺规划背景下，核心挑战不仅在于分配语义标签，还需保留恢复加工意图、尺寸和可访问性约束所需的几何与拓扑信息。在过去四十年中，…异构B-Rep图表示第2节讨论的GNN方法在面邻接图（FAG）上运行[13]、[60]。在FAG中，每个面表示为节点，每当两个面对应在原始CAD模型中共享边界时，便在两节点间添加边。该构造产生同构图，每个节点代表相同实体类型（一个面）。尽管FAG有效捕获面级拓扑和邻域结构，但其编码信息本质受限。边…输入嵌入用于异构实体每种节点类型需专属嵌入策略，因面、边和顶点携带几何上不同的原始特征（见图3高级概述）。我们训练三个独立变分自编码器（每种实体类型一个），通过自监督重建第3.3节所述原始参数输入，学习紧凑的d维潜在表示。推理时VAE均值μ作为学习嵌入，三组嵌入被组合…实现整个流程以Python实现，使用OpenCASCADE进行B-Rep解析与几何计算，PyTorch [67]用于神经网络训练，PyTorch Geometric [68]用于异构图数据结构与批处理。NURBS提取与手工特征计算离线执行并缓存为序列化文件，使STEP文件仅读取一次。图构建与GNN训练完全基于预计算特征运行。OCCWL库[69]用于UV…工业加工数据集表4在工业数据集上比较TopoGNN与五个重训CAD原生基线，采用第5.4节多运行协议。为使比较尽可能公平，每种方法在其流程允许情况下均在Fusion 360 Gallery训练分区上预训练，并接受相同基于验证的超参搜索，使报告数值反映每种架构最佳状态而非默认设置产物。TopoGNN达到83.0±0.4%准确率及…消融实验我们进行消融实验以分离手工特征、异构拓扑、几何输入、模型容量与自监督预训练的贡献。除非另有说明，所有消融实验均在Fusion 360上使用与最终模型相同数据分割、优化计划与预测头进行，使观察差异可归因于研究组件而非次要训练效应。表9结果表明…结论我们提出TopoGNN，一个直接通过显式异构面-边-顶点图及特定类型自监督几何嵌入在STEP B-Rep上运行的MFR CAD原生框架。通过保留方向感知关联、循环排序、端点连接性与面邻接，模型保留在仅面CAD图中基本被抑制的制造相关拓扑信息。在三个基准上，TopoGNN取得强大且一致…CRediT作者贡献声明Konstantinos Gkrispanis：写作 – 审阅与编辑，写作 – 原稿，可视化，验证，软件，方法论，调查，形式化分析，数据管理，概念化。Stavros Nousias：写作 – 审阅与编辑，监督，概念化。Jovana Knezevic-Sorger：写作 – 审阅与编辑，资源，数据管理。Claas R?ver：写作 – 审阅与编辑，资源，数据管理。André Borrmann：写作 – 审阅与编辑，监督，资源，项目…利益冲突声明作者声明无已知竞争性财务利益或个人关系可能影响本论文报告的工作。致谢本论文研究获以下资助：巴伐利亚州联合会研究计划（BayVFP）"数字化"资助线，编号DIK0544/02。Konstantinos Gkrispanis|Stavros Nousias|Jovana Knezevic-Sorger|Claas R?ver|André Borrmann