[pt] Modelos CAD 3D ricos em dados são essenciais durante os diferentes
estágios do ciclo de vida de projetos de engenharia. Devido à recente
popularização da metodologia Modelagem de Informação da Construção e
do uso de Gêmeos Digitais para a manufatura inteligente, a quantidade de
detalhes, o tamanho, e a complexidade desses modelos aumentaram significativamente.
Apesar desses modelos serem compostos de várias geometrias
repetidas, os softwares de projeto de plantas geralmente não proveem nenhuma
informação de instanciação. Trabalhos anteriores demonstraram que
removendo a redundância na representação dos modelos CAD 3D reduz significativamente
o armazenamento e requisição de memória deles, ao passo
que facilita otimizações de renderização. Este trabalho propõe um arcabouço
para correspondência de formas baseado em aprendizado profundo
que minimiza as informações redundantes de um modelo CAD 3D a esse
respeito. Nos apoiamos nos avanços recentes no processamento profundo de
nuvens de pontos, superando desvantagens de trabalhos anteriores, como
a forte dependencia da ordenação dos vértices e topologia das malhas de
triângulos. O arcabouço desenvolvido utiliza nuvens de pontos uniformemente
amostradas para identificar similaridades entre malhas em modelos
CAD 3D e computam uma matriz de transformação afim ótima para
instancia-las. Resultados em modelos CAD 3D reais demonstram o valor
do arcabouço proposto. O procedimento de registro de nuvem de pontos
desenvolvido atinge um erro de superfície menor, ao mesmo tempo que executa
mais rápido que abordagens anteriores. A abordagem supervisionada
de classificação desenvolvida antinge resultados equivalentes em comparação
com métodos limitados anteriores e os superou significativamente num
cenário de embaralhamento de vértices. Propomos também uma abordagem
auto-supervisionada que agrupa malhas semelhantes e supera a necessidade
de rotular explicitamente as geometrias no modelo CAD 3D. Este método
auto-supervisionado obtém resultados competitivos quando comparados às
abordagens anteriores, até mesmo superando-as em determinados cenários. / [en] Data-rich 3D CAD models are essential during different life-cycle stages
of engineering projects. Due to the recent popularization of Build Information
Modeling methodology and the use of Digital Twins for intelligent
manufacturing, the amount of detail, size, and complexity of these models
have significantly increased. Although these models are composed of several
repeated geometries, plant-design software usually does not provide any
instancing information. Previous works have shown that removing redundancy
in the representation of 3D CAD models significantly reduces their
storage and memory requirements, whilst facilitating rendering optimizations.
This work proposes a deep-learning-based shape-matching framework
that minimizes a 3D CAD model s redundant information in this regard.
We rely on recent advances in the deep processing of point clouds, overcoming
drawbacks from previous work, such as heavy dependency on vertex
ordering and topology of triangle meshes. The developed framework uses
uniformly sampled point clouds to identify similarities among meshes in 3D
CAD models and computes an optimal affine transformation matrix to instantiate
them. Results on actual 3D CAD models demonstrate the value
of the proposed framework. The developed point-cloud-registration procedure
achieves a lower surface error while also performing faster than previous
approaches. The developed supervised-classification approach achieves
equivalent results compared to earlier, limited methods and significantly
outperformed them in a vertex shuffling scenario. We also propose a selfsupervised
approach that clusters similar meshes and overcomes the need
for explicitly labeling geometries in the 3D CAD model. This self-supervised
method obtains competitive results when compared to previous approaches,
even outperforming them in certain scenarios.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:61206 |
| Date | 11 November 2022 |
| Creators | LUCAS CARACAS DE FIGUEIREDO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0026 seconds