Im Rahmen der additiven Fertigungsplanung bietet die geometriebasierte individuelle Fertigungsparametrisierung das Potential die Fertigungsgeschwindigkeit und -qualität weiter zu steigern. Dafür ist eine automatische Erkennung der zu fertigenden Geometriennotwendig, weshalb diese Arbeit die Eignung von faltungsbasierten künstlichen neuronalen Netzen zur Detektion von Regelgeometrien in Voxeldaten untersucht. Hierfür wird ein faltungsbasierter Detektionsalgorithmus entworfen und implementiert, welcher in der Lage ist, zylindrische, sphärische und ebene Flächen zu identifizieren. Dieser Algorithmus erreicht bei der Analyse von realen CAD-Daten eine Intersection over Union von 77,99% bzw. einen Dice-Score von 87,63 %. Dies entspricht den von vergleichbaren Algorithmen erreichten Genauigkeitswerten und bestätigt die Eignung des gewählten Ansatzes.:Kurzfassung III
Abstract IV
Abkürzungsverzeichnis VII
Formelzeichen und Symbole VIII
1 Einleitung 1
1.1 Motivation 1
1.2 Zielstellung 2
1.3 Struktur der Arbeit 2
2 Stand der Forschung 4
2.1 Überblick CAM-Prozess 4
2.2 Geometrierepräsentationen 5
2.3 Deep Learning und faltungsbasierte neuronale Netze 9
2.3.1 Grundlagen des maschinellen Lernens 9
2.3.2 Künstliche Neuronale Netze 12
2.3.3 Faltungsbasierte neuronale Netze 15
3 Anforderungen und Konzeption 24
3.1 Vorgehensmodell und Anforderungen 24
3.2 Lösungskonzept 27
3.2.1 Struktur des Algorithmus 27
3.2.2 Versuchsplanung 31
4 Datengenerierung 32
4.1 Trainings- und Validierungsdaten 32
4.2 Testdaten 37
5 Auswahl, Training und Optimierung eines CNN-Algorithmus 39
5.1 Auswahl und Vorstellung des CNN-Algorithmus 39
5.2 Training des CNN-Algorithmus 41
5.3 Optimierung des CNN-Algorithmus 46
6 Transferlernen und Postprocessing 50
6.1 Transferlernen 50
6.1.1 Generierung von Trainings- und Validierungsdaten 51
6.1.2 Auswirkungen des Transferlernens 53
6.2 Postprocessing 55
6.2.1 Ersetzen von unsicheren Klassifizierungsergebnissen 55
6.2.2 Ersetzen von Ausreißern 57
7 Diskussion der Ergebnisse 58
7.1 Erreichte Detektionsleistung 58
7.2 Beschränkungen der Implementierung 61
8 Zusammenfassung 65
8.1 Zusammenfassung 65
8.2 Ausblick 66
Literaturverzeichnis 68
Abbildungsverzeichnis 75
Tabellenverzeichnis 77
Anlagenverzeichnis 78
Selbstständigkeitserklärung 79 / In the context of additive manufacturing planning, geometry-based individual manufacturing parameterization offers the potential to further increase manufacturing speed and quality. For this purpose, an automatic detection of the geometries to be manufactured is necessary, which is why this thesis investigates the suitability of convolution-based artificial neural networks for the detection of regular geometries in voxel data. Therefore, a convolutional-based detection algorithm is designed and implemented, which is able to identify cylindrical, spherical and planar surfaces. This algorithm achieves an intersection over union detection accuracy of 77.99% and a dice score of 87.63 %, respectively, when analyzing real CAD data. This is in line with the accuracy values achieved by comparable algorithms and confirms the suitability of the chosen approach.:Kurzfassung III
Abstract IV
Abkürzungsverzeichnis VII
Formelzeichen und Symbole VIII
1 Einleitung 1
1.1 Motivation 1
1.2 Zielstellung 2
1.3 Struktur der Arbeit 2
2 Stand der Forschung 4
2.1 Überblick CAM-Prozess 4
2.2 Geometrierepräsentationen 5
2.3 Deep Learning und faltungsbasierte neuronale Netze 9
2.3.1 Grundlagen des maschinellen Lernens 9
2.3.2 Künstliche Neuronale Netze 12
2.3.3 Faltungsbasierte neuronale Netze 15
3 Anforderungen und Konzeption 24
3.1 Vorgehensmodell und Anforderungen 24
3.2 Lösungskonzept 27
3.2.1 Struktur des Algorithmus 27
3.2.2 Versuchsplanung 31
4 Datengenerierung 32
4.1 Trainings- und Validierungsdaten 32
4.2 Testdaten 37
5 Auswahl, Training und Optimierung eines CNN-Algorithmus 39
5.1 Auswahl und Vorstellung des CNN-Algorithmus 39
5.2 Training des CNN-Algorithmus 41
5.3 Optimierung des CNN-Algorithmus 46
6 Transferlernen und Postprocessing 50
6.1 Transferlernen 50
6.1.1 Generierung von Trainings- und Validierungsdaten 51
6.1.2 Auswirkungen des Transferlernens 53
6.2 Postprocessing 55
6.2.1 Ersetzen von unsicheren Klassifizierungsergebnissen 55
6.2.2 Ersetzen von Ausreißern 57
7 Diskussion der Ergebnisse 58
7.1 Erreichte Detektionsleistung 58
7.2 Beschränkungen der Implementierung 61
8 Zusammenfassung 65
8.1 Zusammenfassung 65
8.2 Ausblick 66
Literaturverzeichnis 68
Abbildungsverzeichnis 75
Tabellenverzeichnis 77
Anlagenverzeichnis 78
Selbstständigkeitserklärung 79
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:87666 |
| Date | 26 October 2023 |
| Creators | Vogt, Lucas |
| Contributors | Holtzhausen, Stefan, Hilbig, Arthur, Stelzer, Ralph, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:masterThesis, info:eu-repo/semantics/masterThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0076 seconds