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

Sambit Ghadai, Aditya Balu+2 more|arXiv (Cornell University)|Nov 13, 2017

Manufacturing Process and Optimization参考文献 8被引用 4

一句话总结

该论文提出了一种基于3D-CNN的框架，并结合3D-GradCAM，用于学习和可视化CAD模型中局部几何特征，以实现对钻孔可制造性的可解释性分析。通过在体素化几何结构中加入表面法线，该模型可将零件分类为可制造或不可制造，并利用3D-GradCAM突出显示导致不可制造性的特定局部特征（如高深径比或薄壁结构），在测试数据上实现了79.38%的准确率。

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.

研究动机与目标

• 通过实现决策过程的可视化可解释性，解决3D-CNN在可制造性评估中存在黑箱问题。
• 以半监督方式从体素化CAD模型中学习局部几何特征（如深径比和薄壁结构）。
• 利用深度学习开发一种实时、可解释的可制造性设计（DFM）决策支持系统。
• 将2D GradCAM扩展至3D，以可视化导致3D体素数据中不可制造性的空间局部化特征。
• 通过在体素数据中加入表面法线信息以增强几何特征表示，从而提升分类性能。

提出的方法

• 使用基于渲染的方法将B-Rep CAD模型转换为3D体素网格，并将表面法线作为第四通道嵌入，以实现更丰富的几何表示。
• 训练一个包含三层卷积的3D-CNN（体素仅模型的滤波器大小为8、4、2；体素+法线模型的滤波器大小为6、3、2），随后进行批量归一化、ReLU激活和最大池化操作。
• 使用ADADELTA优化网络，并在包含675个CAD模型的数据集上采用二元交叉熵损失进行训练，这些模型根据可制造性设计规则被标记为可制造或不可制造。
• 应用3D-GradCAM通过反向传播最终卷积层的梯度，生成类别激活图，以识别输入中的关键空间区域。
• 使用线性插值将3D-GradCAM热图重采样至输入尺寸，并通过GPU加速的射线追踪体素渲染技术叠加在原始体素模型上，实现3D可视化。
• 使用颜色映射将激活值转换为RGB颜色，实现实时3D可视化，以显示驱动不可制造性决策的特征。

实验结果

研究问题

• RQ1 3D-CNN能否有效从体素化CAD模型中学习局部几何特征，以实现可制造性分类？
• RQ2 在体素表示中引入表面法线如何提升模型检测不可制造特征的能力？
• RQ3 3D-GradCAM在复杂CAD几何结构中，能够在多大程度上定位并可视化导致不可制造性的特定几何特征？
• RQ4 该框架是否能泛化至未见过的几何结构，并为设计修改提供可解释的反馈？
• RQ5 与仅使用体素输入相比，输入表示中使用表面法线在可制造性分类中能带来多大的性能提升？

主要发现

• 当使用表面法线增强的体素化几何结构时，DLDFM框架在测试数据上达到79.38%的准确率，而仅使用体素输入时为71.36%。
• 3D-GradCAM成功定位了高深径比和靠近孔附近的薄壁等不可制造特征，即使在复杂构型下也表现良好。
• 该方法正确识别出一个因过于靠近侧面而不可制造的孔，表明其在检测细微几何违规方面具有鲁棒性。
• 该框架能够可视化单个零件不同面上的多个不可制造特征，显示出在多特征场景下的可扩展性。
• 表面法线的集成显著提升了模型检测关键几何约束的能力，表现为准确率提升了8%。
• 3D-GradCAM可视化结果可直接反馈导致不可制造性分类的局部特征，支持设计迭代与基于规则的重构。