《Computer-Aided Design》：AAGATNet: An attentive graph network for machining feature recognition on free-form surfaces
编辑推荐：
本文构建了MFInstSeg++大规模复杂CAD模型数据集，提出基于GATv2注意力机制改进的AAGATNet模型，有效提升自由曲面加工特征识别精度，并在基准数据集验证中表现优异。
王飞琦|曹叶红|王海东|尹思琪|胡鑫|崔向阳
湖南大学机械与车辆工程学院，车辆先进设计与制造技术国家重点实验室，长沙，410082，湖南，中国
摘要
机械特征识别是智能制造的一项关键 enabling 技术，然而现有方法，特别是基于深度学习的方法，在处理具有自由形状表面的复杂 CAD 模型时存在显著的性能限制。这一挑战因缺乏能够捕捉此类几何复杂性的基准数据集而变得更加严峻。为了解决这些问题，我们做出了两项主要贡献。首先，我们构建了 MFInstSeg++，这是一个包含超过 67,000 个复杂 CAD 模型的大规模基准数据集，该数据集系统地包含了 B-样条曲面上的机械特征。为了支持研究的可重复性，我们公开提供了一个代表性的子集（MFInstSeg++ Mini）。其次，我们提出了 AAGATNet，这是一种新型的注意力图神经网络，它在高度有效的先前模型 AAGNet 的基础上进行了改进。AAGATNet 通过引入丰富的扩展几何和拓扑属性，提升了几何属性邻接图（gAAG）的表示能力。此外，它还引入了基于 GATv2 的注意力细化层（ARL），使模型能够动态地权衡相邻面的重要性，从而实现更具上下文意识的特征聚合。广泛的实验表明，AAGATNet 在我们的挑战性 MFInstSeg++ 数据集上的表现显著优于 AAGNet 基线模型，mIoU 和 F1 分数分别提高了 2.89% 和 0.93%，同时在原始的 MFInstSeg 基准数据集上也保持了出色的性能。我们的工作不仅提供了一个更真实的基准数据集，还提出了一个更强大的模型，代表了特征识别领域的重要进展，尤其是在处理涉及复杂自由形状表面的 CAD 模型时。
引言
自动特征识别（AFR）[1] 是数字制造领域的一项核心技术，它架起了计算机辅助设计（CAD）与下游应用（如计算机辅助工艺规划（CAPP）和计算机辅助制造（CAM）之间的桥梁。通过自动识别和解释几何模型中的语义信息（如孔、口袋和槽），AFR 加速了工艺规划，标准化了制造工作流程，并成为智能制造和工业 4.0 的关键推动因素。
在过去的几十年中，已经开发出了许多 AFR 方法，包括基于规则的方法、基于图的方法和混合方法。尽管这些传统方法在特定领域取得了成功，但它们往往在可扩展性、鲁棒性以及处理工业零件中各种交互特征的能力方面存在不足。最近，深度学习，特别是图神经网络（GNNs）[2]，成为这一任务的强大工具。GNNs 非常适合处理 B-Rep 模型的拓扑结构，从而催生了像 AAGNet [3] 这样的高效模型。然而，仍存在一个重要的研究空白：当这些方法应用于具有复杂、非解析的自由形状表面（如 B-样条或 NURBS）的 CAD 模型时，其性能会大幅下降。这些表面在现代产品设计中非常普遍，尤其是在航空航天、汽车和模具制造行业 [4]。
这种性能差距还因可用训练数据的不足而加剧。现有的机械特征识别公共数据集，即使是像 MFInstSeg 这样的最新数据集，也主要由具有平面或简单二次曲面特征的棱柱形零件组成。缺乏能够更好地反映现代零件几何复杂性的具有挑战性的大规模基准数据集，阻碍了更强大和通用特征识别模型的开发和验证。
为了解决方法和数据方面的这两个挑战，本文做出了以下贡献：
- 1.
一个新的基准数据集（MFInstSeg++）： 我们引入了 MFInstSeg++，这是一个包含超过 67,000 个模型的新的大规模数据集，专门为解决先前工作的局限性而设计。其关键创新在于能够在复杂的 B-样条曲面上程序化地生成机械特征，为社区提供了一个急需的、具有挑战性的基准。我们系统地在 B-样条曲面上及其周围添加了机械特征。虽然由于工业合作的原因，整个数据集仍然是专有的，但我们向研究社区发布了一个精选的子集（MFInstSeg++ Mini）以促进分析和验证。
- 2.
增强的图表示： 我们通过引入 13 个节点属性和 18 个边属性，显著扩展了几何属性邻接图（gAAG）。这些新的描述符，如拓扑方向和二面角，为模型提供了更多的几何和拓扑线索。
- 3.
一种新颖的注意力图神经网络架构（AAGATNet）： 我们提出了 AAGATNet，它通过引入基于 GATv2 的注意力细化层（ARL）来增强 AAGNet 框架。该模块使模型能够在特征聚合过程中自适应地关注最显著的相邻面，这对于区分复杂边界上的特征至关重要。
- 4.
全面的实验验证：
我们进行了广泛的实验，证明 AAGATNet 在我们的复杂 MFInstSeg++ 数据集上的表现显著优于基线模型，并且在原始的 MFInstSeg 基准数据集上也显示出强大的泛化能力。我们的消融研究系统地验证了我们每一项贡献的有效性。
本文的其余部分安排如下。第 2 节回顾了相关工作。第 3 节详细介绍了我们的方法论，包括 gAAG 表示、MFInstSeg++ 数据集和 AAGATNet 架构。第 4 节展示了我们的实验结果和讨论。最后，第 5 节总结了本文并提出了未来工作的方向。
部分片段
基于规则的方法
逻辑规则和专家系统方法。
Al-wswasi [5] 提出了一种智能 AFR 系统，该系统使用 STEP 文件识别旋转零件中的特征，并具有交互式学习和添加新特征的能力。Henderson [6] 提出了一种从 B-Rep 模型中自动提取制造特征（如孔和槽）的方法，实现了 CAD 和 CAM 之间的集成。Donaldson [7] 开发了一种基于规则的系统，用于识别 2.5D 机械零件中的特征，重点关注棱柱形状。
方法论概述
在以往研究的基础上，本文提出了一种基于图神经网络（GNNs）的复杂 CAD 模型的多任务特征识别方法。我们的方法论的核心基于三个关键贡献。首先，我们确定了一种全面的图表示方法，我们称之为几何属性邻接图（gAAG），这对于这项任务至关重要。gAAG 能够有效地编码边界表示（B-Rep）中固有的丰富拓扑、几何和属性信息。
实验与讨论
为了全面评估我们提出的 AAGATNet 模型的性能，并严格验证其在处理复杂几何形状方面的有效性，我们进行了一系列广泛的实验。本章的结构旨在对我们的贡献提供全面的分析。我们的评估主要在新的、几何形状复杂的 MFInstSeg++ 数据集上进行，同时在原始的 MFInstSeg 基准数据集上也进行了额外的验证。这种双数据集方法
结论与未来工作
在本文中，我们解决了在具有自由形状表面的复杂 CAD 模型上进行机械特征识别的挑战性问题。我们确定了阻碍该领域进展的两个主要瓶颈：缺乏具有代表性的基准数据集以及现有 GNN 架构在处理复杂几何形状方面的局限性。为了克服这些挑战，我们提出了两项主要贡献。首先，我们开发了 MFInstSeg++，这是一个新的大规模数据集，这是首次
CRediT 作者贡献声明
王飞琦：撰写 – 审稿与编辑，撰写 – 原稿，软件开发，形式分析，数据整理，概念化。曹叶红：形式分析，数据整理。王海东：撰写 – 审稿与编辑。尹思琪：撰写 – 审稿与编辑。胡鑫：资金获取。崔向阳：撰写 – 审稿与编辑，撰写 – 原稿，监督，资金获取。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。
致谢
我们衷心感谢 上海汽车工业科学技术发展基金会（2501） 和 国家自然科学基金（12302259）的支持。
