In the field of mechanical engineering, particularly in managing 3D CAD model databases, there's a pressing challenge in efficiently identifying and reusing duplicate models instead of the costly process of creating new ones from scratch. Shape-based similarity retrieval stands out as a crucial solution for industry players like Epiroc, offering a strategy for duplicate detection and overcoming the constraints of text-based searches. In this thesis, we explore an innovative Machine Learning-based framework for shape retrieval, leveraging UV-Net to encode 3D models for effective shape description and incorporating Self-Supervised Learning to improve the identification of model similarities without relying heavily on labeled data. To assess the effectiveness of our approach and understand its performance, we tested it using three foundational ML models for a quantitative evaluation of the shape embeddings. The findings highlight the framework's ability to accurately identify similar models within extensive datasets. Moreover, we applied this methodology to retrieve similar models of ’Epirocs product 3D models within ’Epirocs Standard Part Dataset, demonstrating the successful integration of ML in mechanical design for efficient shape retrieval and presenting a viable industrial application for Epiroc. Despite its achievements, the study acknowledges limitations in system integration and computational efficiency, suggesting future research directions such as improving access to various file formats, enhancing the user interface, and optimizing computational resources. / Inom området maskinteknik, särskilt när det gäller hantering av 3D CAD-modelldatabaser, finns det en akut utmaning i att effektivt identifiera och återanvända dubbletter av modeller istället för den kostsamma processen att skapa nya från grunden. Formbaserad likhetshämtning framstår som en avgörande lösning för branschaktörer som Epiroc, och erbjuder en strategi för dubblettdetektering och att övervinna begränsningarna med textbaserade sökningar. I det här examensarbetet utforskar vi ett innovativt Maskininlärning-baserat ramverk för formåtervinning, utnyttjar UV-Net för att koda 3D-modeller för effektiv formbeskrivning och införlivar Självledd Inlärning för att förbättra identifieringen av modelllikheter utan att förlita oss mycket på märkta data. För att bedöma effektiviteten av vårt tillvägagångssätt och förstå dess prestanda, testade vi det med tre grundläggande ML-modeller för en kvantitativ utvärdering av forminbäddningarna. Resultaten belyser ramverkets förmåga att exakt identifiera liknande modeller inom omfattande datauppsättningar. Dessutom tillämpade vi denna metod för att hämta liknande modeller av Epirocs produkt-3D-modeller inom Epirocs standarddeldataset, vilket visar den framgångsrika integrationen av ML i mekanisk design för effektiv formhämtning och presenterar en hållbar industriell applikation för Epiroc. Trots sina framgångar erkänner studien begränsningar i systemintegration och beräkningseffektivitet, och föreslår framtida forskningsriktningar som att förbättra tillgången till olika filformat, förbättra användargränssnittet och optimera beräkningsresurser.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-347846 |
Date | January 2024 |
Creators | Chen, Shuyi |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS), Stockholm : KTH Royal Institute of Technology |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2024:126 |
Page generated in 0.0014 seconds