Aug, 2024

从CAD模型中自动特征识别和维度属性提取用于混合增减制造

HTML
PDF
TL;DR本研究解决了传统自动特征识别方法无法有效识别增材制造特征及提取几何维度和方向的问题。提出了一种基于Python Open Cascade生成合成CAD数据集的新方法，并应用分层图卷积神经网络（HGCNN）实现高精度的复合增减制造特征识别。研究结果显示，该方法的特征识别准确率超过97%，维度提取准确率达到100%，显著增强了混合制造中CAD、CAPP和CAM的集成效果。
发现论文，激发创造
  • 使用3D-CNN学习和可视化本地几何特征：应用于钻孔可制造性分析

    本文提出了一种基于3D Convolutional Neural Networks 和Gradient-weighted Class Activation Mapping的方法，能够解释3D-CNN的决策过程，并能够识别在对象内部感兴趣的本地特征，该框架可以扩展到多个空间尺度，为实时的制造可行性决策支持系统提供支持。

    Nov, 2017

  • 任意零件和工具形状的混合制造过程规划

    本文介绍了一种基于可访问性和支持要求的形态操作的AM/SM操作的通用框架，以确定由多模式流程计划组成的AM/SM操作，以利用每个操作的优势，并允许暂时性的过量材料沉积或挖除，最后使用搜索算法来获得最佳解决方案，证明了我们的方法在三维实例上的有效性。

    May, 2022

  • 基于CNN视觉处理的增材制造缺陷分类

    本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

    Jul, 2023

  • 可加工制造领域可用数据集的系统综述

    使用机器学习的视觉和其他传感器技术在增材制造过程中进行现场监测，收集大量数据集，用于确定制造输出的质量和检测缺陷。通过系统回顾，发现在增材制造领域存在影响质量评估和缺陷检测的开放图像数据集的可用性问题。

    Jan, 2024

  • 通过深度学习推进增材制造：现有进展与未来挑战的综述

    综述了近期对应用深度学习改进增材制造过程的研究，总结了其贡献和局限性，并指出了该领域中当前的挑战和前景，包括广泛几何类型的深度学习模型泛化、管理增材制造数据和模型的不确定性、利用生成模型克服有限和噪声的增材制造数据问题，以及揭示深度学习在增材制造中的潜力。

    Mar, 2024

  • 三维CAD模型特征提取的基于集合方法

    基于集合的特征提取方法应用于CAD模型，将几何信息的不确定性转化为一组特征子图，并通过确定特征边界和识别特征子图来实现特征提取系统。

    May, 2024

  • 基于CAD模型的混合增减制造自动特征识别与维度属性提取

    本研究解决了在混合制造中，CAD模型的自动特征识别面临的挑战，尤其是传统方法无法识别增材制造特征的问题。论文提出了一种新的合成CAD数据集和基于层次图卷积神经网络(HGCNN)的模型，精确识别增减特征并提取其维度，识别准确率超过97%，维度提取准确率达到100%。这一方法显著提升了CAD、CAPP和CAM在混合制造中的集成效果，为制造过程规划提供更精准的决策支持。

    Aug, 2024

  • 多轴制造的可达性深度神经隐式表示

    该研究解决了多轴增减制造中运动物体与固定物体之间的碰撞避免问题，提出了一种利用深度神经网络的隐式碰撞测量场表示方法。这种新方法能够从稀疏旋转采样中准确插值碰撞测量，并在小内存占用的情况下高效更新，以适应多分辨率数据及几何形状的增量变化。

    Aug, 2024

  • 激光粉床熔融轨迹显微图像的自动分割与分析

    本研究针对金属增材制造过程中的熔化轨迹分析提供了一个自动化解决方案。通过应用U-Net架构的图像分割神经网络，该方法能够高效识别和测量熔化轨迹的尺寸，取得了分类准确率超过99%和F1分数超过90%的优异性能，预示着在自动化和缺陷识别领域的潜在影响。

    Sep, 2024

  • 激光粉末床熔化轨迹显微镜图像的自动分割与分析

    本研究针对金属增材制造中显微镜图像处理的需求，提出了一种基于U-Net架构的图像分割神经网络，能够自动识别和测量熔化轨迹的尺寸。该模型在62个预标注图像上训练，表现出超过99%的分类准确率和超过90%的F1分数，展现了在不同设备和用户条件下的鲁棒性，为后续增材制造工艺的优化提供了有力支持。

    Sep, 2024