[논문 리뷰] Learning and Visualizing Localized Geometric Features Using 3D-CNN: An Application to Manufacturability Analysis of Drilled Holes

Sambit Ghadai, Aditya Balu외 2명|arXiv (Cornell University)|2017. 11. 13.

Manufacturing Process and Optimization참고 문헌 8인용 수 4

한 줄 요약

이 논문은 3D-CNN 기반 프레임워크와 3D-GradCAM을 활용하여 CAD 모델 내 국소적 기하 특징을 학습하고 시각화함으로써 뚜렷한 기계가공 가능성 분석을 가능하게 한다. 볼륨화된 기하학적 구조에 표면 법선을 추가함으로써 모델은 부품을 기계가공 가능 또는 불가능으로 분류하고, 3D-GradCAM을 사용해 깊이-지름 비율이 높거나 벽 두께가 얇은 등의 국소적 특징을 강조하여 비가공 가능성을 유발하는 원인을 시각화한다. 테스트 데이터에서 79.38%의 정확도를 달성한다.

ABSTRACT

3D Convolutional Neural Networks (3D-CNN) have been used for object recognition based on the voxelized shape of an object. However, interpreting the decision making process of these 3D-CNNs is still an infeasible task. In this paper, we present a unique 3D-CNN based Gradient-weighted Class Activation Mapping method (3D-GradCAM) for visual explanations of the distinct local geometric features of interest within an object. To enable efficient learning of 3D geometries, we augment the voxel data with surface normals of the object boundary. We then train a 3D-CNN with this augmented data and identify the local features critical for decision-making using 3D GradCAM. An application of this feature identification framework is to recognize difficult-to-manufacture drilled hole features in a complex CAD geometry. The framework can be extended to identify difficult-to-manufacture features at multiple spatial scales leading to a real-time design for manufacturability decision support system.

연구 동기 및 목표

• 3D-CNN의 흑박상자 성격을 해소하기 위해 의사결정 과정의 해석 가능한 시각적 피드백을 제공함으로써 기계가공 가능성 평가의 해석 가능성 향상.
• 반감독 학습 방식으로 볼륨화된 CAD 모델에서 깊이-지름 비율, 얇은 벽 등의 국소적 기하 특징을 학습.
• 딥 러닝을 활용한 실시간 해석 가능한 설계-기계가공 가능성(DFM) 의사결정 지원 시스템 개발.
• 2D GradCAM을 3D로 확장하여 3차원 볼륨 데이터에서 비가공 가능성을 유발하는 국소적 공간 특징을 시각화.
• 기하 특징 표현을 향상시키기 위해 볼륨 데이터에 표면 법선 정보를 통합하여 분류 성능 향상.

제안 방법

• B-Rep CAD 모델을 렌더링 기반 방법을 사용해 3차원 볼륨 격자로 변환하고, 더 풍부한 기하 표현을 위해 표면 법선을 네 번째 채널로 통합.
• 3개의 합성곱층(볼륨 전용 모델의 경우 필터 크기 8, 4, 2; 볼륨+법선 모델의 경우 6, 3, 2)을 갖는 3D-CNN을 학습하고, 배치 정규화, ReLU 활성화 함수, 최대 풀링을 적용.
• 675개의 CAD 모델로 구성된 데이터셋을 사용하여 DFM 규칙에 따라 기계가공 가능 또는 불가능으로 레이블링된 이진 교차 엔트로피 손실을 사용하고 ADADELTA 최적화 기법을 적용.
• 최종 합성곱층을 통해 역전파된 기울기를 활용해 3D-GradCAM을 적용하여 입력에서 중요한 공간 영역을 식별.
• 선형 보간을 사용해 3D-GradCAM 히트맵을 입력 크기로 재샘플링하고, GPU 가속 레이 마arching 볼륨 렌더링을 통해 원본 볼륨 모델 위에 오버랩하여 3차원 시각화.
• 활성화 값에 색상 스케일을 매핑해 RGB로 변환하여 비가공 가능성 결정을 이끄는 특징의 실시간 3차원 시각화 제공.

실험 결과

연구 질문

• RQ1 3D-CNN는 볼륨화된 CAD 모델에서 기계가공 가능성 분류를 위한 국소적 기하 특징을 효과적으로 학습할 수 있는가?
• RQ2 볼륨 표현에 표면 법선을 통합함으로써 모델의 비가공 가능 특징 탐지 능력은 어떻게 향상되는가?
• RQ3 3D-GradCAM은 복잡한 CAD 기하 구조에서 비가공 가능성을 유발하는 특정 기하 특징을 얼마나 정확히 국소화하고 시각화할 수 있는가?
• RQ4 이 프레임워크는 새로운 기하 구조에 일반화되어 설계 수정을 위한 해석 가능한 피드백을 제공할 수 있는가?
• RQ5 볼륨 전용 입력에 비해 표면 법선을 입력 표현에 통합함으로써 기계가공 가능성 분류 성능에 어떤 정도 향상이 이루어지는가?

주요 결과

• 표면 법선 정보를 볼륨 기하 구조에 통합한 경우 DLDFM 프레임워크는 테스트 데이터에서 79.38%의 정확도를 달성했고, 볼륨 전용 입력일 경우 71.36%로 8%의 정확도 향상을 보였다.
• 3D-GradCAM은 깊이-지름 비율이 높거나 벽 두께가 얇은 등의 비가공 가능 특징을 복잡한 구성에서도 성공적으로 국소화하였다.
• 측면면에 너무 가까이 위치한 비가공 가능 뚜껑을 정확히 식별하여, 미세한 기하 위반을 탐지하는 데 있어 강건성을 입증하였다.
• 프레임워크는 단일 부품의 여러 면에 걸쳐 다수의 비가공 가능 특징을 시각화하여 다기능 시나리오에 대한 확장성과 유연성을 보였다.
• 표면 법선의 통합은 기하 제약 조건을 탐지하는 데 모델의 능력을 크게 향상시켰으며, 이는 8%의 정확도 향상으로 확인되었다.
• 3D-GradCAM 시각화를 통해 비가공 가능성로 분류된 국소적 특징을 직접 확인할 수 있었고, 이는 설계 반복 및 규칙 기반 재설계를 지원하는 데 기여하였다.