多轴制造的可达性深度神经隐式表示
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
CAPRI-Net是一种神经网络,可以通过自适应基元装配体的形式来学习三维计算机辅助设计模型的紧凑且可解释的隐式表示,可对提供为点云或体素网格的输入3D形状进行重构并通过构造实体几何(CSG)运算来获得齐次组合,该网络通过重建损失进行自监督,而不需要任何真实的形状装配。
Apr, 2021
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
利用深度学习技术对CAD表示的机械组件之间的自由度进行推断,通过重新定义配合移动方法以及缩小可能运动的轴线范围,并通过用户研究创建了带有可靠标签的动作注释测试集。
Aug, 2022
通过利用神经隐式扫描体模型,结合深度学习方法快速计算任务空间中任意点与机器人运动之间的有向距离,并结合几何碰撞检测器提供强大的精确性保证,实现了对商业物料拾取应用的加速。
Feb, 2024
几何深度学习在计算机辅助设计领域具有革命性的能力,通过利用基于机器学习的方法,CAD 设计师能够优化其工作流程,节省时间和精力,做出更明智的决策,并创造出创新且实用的设计。这篇综述提供了计算机辅助设计领域中基于学习的方法的全面概述,包括相似性分析和检索、2D 和 3D CAD 模型合成以及基于点云的 CAD 生成。此外,它还提供了完整的基准数据集及其特征,以及推动该领域研究的开源代码。最后的讨论涉及该领域面临的挑战,以及未来潜在的研究方向。
Feb, 2024
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
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
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。
Aug, 2024