그래프 신경망을 이용한 인스턴스 단위 기계가공 특징형상 인식 = Instance-level recognition of machining feature using a graph neural network

다국어 초록 (Multilingual Abstract)

The machining features in a three dimensional (3D) computer-aided design
(CAD) model are shapes with engineering meaning created through
machining processes such as cutting or turning. With recent advancements
of process automation technology in the manufacturing industry, researches
on machining feature recognition from a 3D CAD model are being
conducted to automatically generate machining commands and tool paths
based on recognized machining features.
The previous researches have focused on face-level recognition, which
means classifying each face of a 3D CAD model as a machining feature
class. However, face-level recognition cannot recognize a set of faces that
constitute machining features. As machining information such as machining
command is mainly composed of machining feature instances, it is not
possible to extract machining information from the result of face-level
recognition.
To solve this problem, this study proposes a method for instance-level
machining feature recognition using graph neural networks (GNNs).
Instance-level machining feature recognition means identifying a set of faces
that belong to the same machining feature instance. This enables it to
recognize a set of faces that constitute a machining feature and extract
meaningful machining information.
To achieve this, encoders are defined to embed the surfaces and curves of
the 3D CAD model, extracting feature vectors of surfaces and curves.
These feature vectors are then used as input feature vectors for the GNNs.
In addition, a two stage GNN architecture is defined. The first stage GNN
uses the feature vectors of surfaces and curves to classify faces into
machining feature classes. The second stage GNN classifies faces on
instance-level using the face-level recognition results and the feature
vectors of surfaces and curves.
In order to train the proposed model, a dataset for it is required. However,
as publicly available CAD model datasets contain only face-level labeling
information, they cannot be used for this study. Therefore, in this study, the
automatic generation code of MFCAD++ dataset, a publicly available CAD
model dataset, is modified to automatically generate a CAD model dataset
containing instance-level labeling information. The generated dataset
contains 50,900 CAD models. The dataset is split into 30,540 training
datasets, 10,180 validation datasets, and 10,180 test datasets.
Finally, the proposed model is trained with the training dataset. And the
hyper-parameters are tuned based on the random search method with the
validation dataset. Subsequently, the performance of the model is evaluated
on the test dataset. As a results, the proposed method exhibits an accuracy
of 97.82% and pIoU of 95.93% for instance-level recognition.

국문 초록 (Abstract)

3차원 형상 내 기계가공 특징형상(machining feature)은 절삭이나 선삭
등의 과정을 통해 생성되는 공학적 의미를 갖는 형상이다. 최근 제조업에
있어 공정 자동화 기술의 고도화에 따라 3차원 형상 내에서 기계가공 특
징형상을 자동으로 인식하고, 이를 기반으로 가공 명령 및 공구 경로를
자동으로 생성하는 기계가공 특징형상 인식(machining feature
recognition)에 대한 연구들이 진행되고 있다.
기존 연구들은 면 단위 인식(face-level recognition)에 초점을 맞추고
있다. 면 단위 인식은 3차원 형상을 구성하는 각각의 면을 기계가공 특징
형상으로 분류하는 것을 말한다. 그러나, 면 단위 인식은 각각의 기계가공
특징형상을 구성하는 면의 집합을 인식할 수 없다. 가공 명령과 같은 가
공 정보는 주로 기계가공 특징형상 단위로 이루어지기 때문에, 면 단위
인식 결과를 통한 가공 정보의 추출이 불가능하다.
본 연구에서는 이를 해결하기 위해 그래프 신경망(graph neural
network, GNN)을 이용해 인스턴스 단위(instance-level)로 기계가공 특징
형상을 인식하는 방법을 제안한다. 인스턴스 단위 특징형상 인식은 동일
한 기계가공 특징형상 인스턴스에 속하는 면들의 집합을 인식하는 것이
다. 이는 기계가공 특징형상을 구성하는 면 집합을 인식할 수 있게 하여,
의미 있는 가공 정보를 추출할 수 있게 한다.
이를 위해, CAD 모델을 구성하는 곡면(surface)과 곡선(curve)을 임베
딩(embedding)하는 인코더를 정의하여, 곡면과 곡선의 특징 벡터를 추출
하였다. 그리고, 특징 벡터를 뒤에 오는 그래프 신경망의 입력 특징 벡터
로 사용하였다. 또한, 두 단계로 구성된 GNN을 정의하였다. 첫 번째 단계
의 GNN은 곡선과 곡면의 특징 벡터를 이용해 면을 특징형상들로 분류한
다. 두 번째 단계의 GNN은 면 단위 분류 결과와 곡선과 곡면의 특징 벡
터를 이용해 인스턴스 단위로 면을 분류한다.
제안한 모델을 학습하기 위해서는 학습에 사용할 데이터셋이 필요하다.
그러나, 공개된 CAD 모델 데이터셋들은 면 단위 라벨링 정보만 포함하고
있어 본 연구에 이용할 수 없다. 따라서 본 연구에서는 공개된 CAD 모델
데이터셋의 일종인 MFCAD++ 데이터셋의 자동 생성 코드를 수정하여 인
스턴스 단위의 라벨링 정보를 포함한 CAD 모델 데이터셋을 자동 생성하
였다. 생성한 데이터셋은 50,900개의 CAD 모델을 포함한다. 그리고 이를
학습 데이터셋(training dataset) 30,540개, 검증 데이터셋(validation
dataset) 10,180개 테스트 데이터셋(test dataset) 10,180개로 분할하였다.
마지막으로 학습 데이터셋을 이용해 제안한 모델을 학습하였다. 그리고,
검증 데이터셋을 가지고 랜덤 탐색(random search) 방법을 기반으로 하
이퍼 파라미터(hyper-parameter)를 튜닝(tuning)하였다. 마지막으로 테스
트 데이터셋을 가지고 모델의 성능을 정량적으로 평가했다. 그 결과, 인스
턴스 단위 인식에 대해 97.82%의 정확도와 95.93%의 pIoU를 달성하였다