# drawing

**Repository Path**: creasson/drawing

## Basic Information

- **Project Name**: drawing
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-30
- **Last Updated**: 2026-02-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README


# TGnet (2025年9月17日):
https://github.com/Seamus113/TGnet
在计算机辅助工艺规划（CAPP）中，加工特征识别（MFR）帮助自动识别 3D CAD 模型中的制造特征。 
基于规则和传统的机器学习方法通常难以处理复杂的特征交互和泛化。 相比之下，深度学习的最新进展带来了更稳健、更有效的解决方案
本文提出了 TGNet，这是一种神经网络，结合了用于局部特征提取的图神经网络和用于全局上下文建模的 Transformer 模块。
它通过统一几何采样、属性嵌入和层级特征融合，高效处理边界表示（B-Rep）数据。
TGNet 设计为多任务网络，能够精确识别和定位加工特征及相关表面，为后续作如零件尺寸测量提供关键支持。
为评估 TGNet，我们构建了两个全注释的管道和金属板数据集，涵盖广泛的制造特征。
实验结果表明，TGNet 在多种任务中表现出色，展现出在实际工业应用中的巨大潜力。

# CADnet ( 2021年5月28日)
https://gitlab.com/qub_femg/machine-learning/cadnet/-/tree/master

# CADNET-Dataset
https://github.com/bharadwaj-manda/CADNET-Dataset

# GAT-CADNet (2024年12月29日)
https://github.com/Liberation-happy/GAT-CADNet

# AAGnet (2024年12月16日)
https://github.com/whjdark/AAGNet

加工特征识别（MFR）是计算机辅助工艺规划（CAPP）中的关键步骤，通过 CAD 模型中的几何实体推断制造语义。
传统的基于规则的 MFR 方法难以处理相交特征，因为表示其可变拓扑结构的复杂性。这推动了基于深度学习的方法的发展，
这些方法能够从数据中学习并克服基于规则的方法的局限性。然而，一些现有的深度学习方法在使用体素或点云等特定表示时，会牺牲几何和拓扑信息。
为应对这些挑战，我们提出了一种名为 AAGNet 的新图神经网络，用于自动特征识别，采用几何属性邻接图（gAAG）表示，
保留中性边界表示（B-Rep）模型中的拓扑、几何和扩展属性。此外，一些现有方法（如 UV-Net、分层 CADNet）缺乏加工特征实例分割的能力，
而特征实例分割是特征识别的一个子任务，需要网络识别不同的加工特征及其构成的 B 代表面实体，这对后续工艺规划至关重要
。AAGNet 被设计为一个多任务网络，可以同时执行语义分割、实例分割和底部面分割，以识别加工特征、与这些特征相关的面及其底部面。
AAGNet 在多个开源数据集上进行评估，包括 MFCAD、MFCAD++以及新推出的 MFInstSeg 数据集，
该数据集包含超过 6 万个 STEP 文件和加工特征实例标签。 

SSLFR-master
https://github.com/HARRIXJANG/SSLFR_master
SSLFR 是一种用于加工特征识别的点云自监督学习（SSL）框架。该框架首先使用大量未标记的点云数据进行预训练。
之后，使用标记数据对预训练框架进行微调。最后，该微调框架可直接用于加工特征识别。