Eine Arbeitsgruppe der Universität Stanford hat an einem Forschungsprojekt zur Erstellung von CAD-Modellen aus digitalisierten 3D-Daten gearbeitet.
Minhyuk Sung, Doktorand im Bereich Informatik an der Universität Stanford, beraten von Leonidas Guibas, Professor für Informatik an der gleichnamigen Universität, schlug ein neues Scan-to-CAD-System vor, das eine gescannte 3D-Punktwolke mit mehreren geometrischen Primitiven einschließlich Ebene, Kugel, Zylinder und Kegel parametrisiert. Durch die Ausgabe-Primitive können die Benutzer die gescannten Daten in vielen nachgelagerten Anwendungen, wie z.B. der Formbearbeitung, einfach manipulieren.
Ziel ihrer Forschung ist es, ein stabiles und vollautomatisches System zu entwickeln, das ohne jegliche Benutzerführung läuft. Bestehende Techniken, die Primitive an die Eingangspunktwolke anpassen, beinhalten Benutzerparameter, deren Feinabstimmung für jede Eingabe entscheidend für die Leistung ist. Das Projektteam umgeht das Problem und automatisiert den Anpassungsprozess durch die Einführung eines auf Deep-Learning basierenden Systems, das die hochrangigen Informationen aus den Eingabedaten vorhersagt und die Primitive zuverlässiger auf der Grundlage der Informationen schätzt.
Die Vorhersage in der Prozesskette wird durch das Training eines neuronalen Netzwerks mit Prüfung in einer umfangreichen CAD-Datenbank ermöglicht, die von TraceParts bereitgestellt wird. Die folgende Abbildung zeigt einen Vergleich zwischen dem bestehenden Verfahren (1. Reihe) und der vorgeschlagenen Methode (2. Reihe). Das vorgeschlagene Deep-Learning-basierte System kann schwierige Fälle zuverlässiger bewältigen; z.B. am rechten Ende werden zwei benachbarte Zylinder mit leicht unterschiedlichen Radien (grün und hellblau) mit der bestehenden Technik nicht richtig erkannt, aber mit dem neuen Verfahren richtig unterschieden.
„Für die Recherche waren wir auf der Suche nach einer umfangreichen CAD-Datenbank, die wir für unser Projekt nutzen konnten. Wir sind auf die kostenlose 3D-CAD-Modellbibliothek von TraceParts gestoßen. Das Team von TraceParts hat uns vorgeschlagen, ihre API zu verwenden, um unsere Anwendung zu erstellen und somit ihre CAD-Datenbank mit unserer Anwendung zu verbinden. Der Zugriff auf die TraceParts-Datenbank ist für uns eine große Chance, da sie umfangreich und ausreichend diversifiziert ist. Es eignet sich hervorragend zur Unterstützung mehrerer Forschungsprojekte“, erklärt Minhyuk Sung in Bezug auf die TraceParts-Bibliothek.
Neben Sung und Guibas besteht das Forschungsteam an der Universität Stanford aus Lingxiao Li, Anastasia Dubrovina und Li Yi. Diese Forschungsarbeiten werden auf der CVPR 2019 vorgestellt, einer hochrangigen Konferenz für Computer Vision, die vom 16. bis 20. Juni 2019 in Long Beach, Kalifornien, USA, stattfinden wird.
Minhyuk Sung, Doktorand im Bereich Informatik an der Universität Stanford, beraten von Leonidas Guibas, Professor für Informatik an der gleichnamigen Universität, schlug ein neues Scan-to-CAD-System vor, das eine gescannte 3D-Punktwolke mit mehreren geometrischen Primitiven einschließlich Ebene, Kugel, Zylinder und Kegel parametrisiert. Durch die Ausgabe-Primitive können die Benutzer die gescannten Daten in vielen nachgelagerten Anwendungen, wie z.B. der Formbearbeitung, einfach manipulieren.
Ziel ihrer Forschung ist es, ein stabiles und vollautomatisches System zu entwickeln, das ohne jegliche Benutzerführung läuft. Bestehende Techniken, die Primitive an die Eingangspunktwolke anpassen, beinhalten Benutzerparameter, deren Feinabstimmung für jede Eingabe entscheidend für die Leistung ist. Das Projektteam umgeht das Problem und automatisiert den Anpassungsprozess durch die Einführung eines auf Deep-Learning basierenden Systems, das die hochrangigen Informationen aus den Eingabedaten vorhersagt und die Primitive zuverlässiger auf der Grundlage der Informationen schätzt.
Die Vorhersage in der Prozesskette wird durch das Training eines neuronalen Netzwerks mit Prüfung in einer umfangreichen CAD-Datenbank ermöglicht, die von TraceParts bereitgestellt wird. Die folgende Abbildung zeigt einen Vergleich zwischen dem bestehenden Verfahren (1. Reihe) und der vorgeschlagenen Methode (2. Reihe). Das vorgeschlagene Deep-Learning-basierte System kann schwierige Fälle zuverlässiger bewältigen; z.B. am rechten Ende werden zwei benachbarte Zylinder mit leicht unterschiedlichen Radien (grün und hellblau) mit der bestehenden Technik nicht richtig erkannt, aber mit dem neuen Verfahren richtig unterschieden.
„Für die Recherche waren wir auf der Suche nach einer umfangreichen CAD-Datenbank, die wir für unser Projekt nutzen konnten. Wir sind auf die kostenlose 3D-CAD-Modellbibliothek von TraceParts gestoßen. Das Team von TraceParts hat uns vorgeschlagen, ihre API zu verwenden, um unsere Anwendung zu erstellen und somit ihre CAD-Datenbank mit unserer Anwendung zu verbinden. Der Zugriff auf die TraceParts-Datenbank ist für uns eine große Chance, da sie umfangreich und ausreichend diversifiziert ist. Es eignet sich hervorragend zur Unterstützung mehrerer Forschungsprojekte“, erklärt Minhyuk Sung in Bezug auf die TraceParts-Bibliothek.
Neben Sung und Guibas besteht das Forschungsteam an der Universität Stanford aus Lingxiao Li, Anastasia Dubrovina und Li Yi. Diese Forschungsarbeiten werden auf der CVPR 2019 vorgestellt, einer hochrangigen Konferenz für Computer Vision, die vom 16. bis 20. Juni 2019 in Long Beach, Kalifornien, USA, stattfinden wird.
