초록 ▼

□ 연구개요
본 연구의 최종 목표는 딥러닝 (deep learning) 기술을 기반으로 기계 부품에 대한 3D CAD 모델을 사용 목적에 맞는 상세도 (level of detail; LOD)로 단순화하는 것임. 이를 위해, 1) 단순화 학습용 3D CAD 모델 세트 구축한 후, 이를 딥러닝에 적합한 입력 형식인 2) 3D 복셀 (voxel)로 변환함. 그리고 3D 합성곱 레이어(convolution layer)가 적용된 적대적 생성 신경망 (generative adversarial networks; GAN) 기반의 3) 3D

□ 연구개요
본 연구의 최종 목표는 딥러닝 (deep learning) 기술을 기반으로 기계 부품에 대한 3D CAD 모델을 사용 목적에 맞는 상세도 (level of detail; LOD)로 단순화하는 것임. 이를 위해, 1) 단순화 학습용 3D CAD 모델 세트 구축한 후, 이를 딥러닝에 적합한 입력 형식인 2) 3D 복셀 (voxel)로 변환함. 그리고 3D 합성곱 레이어(convolution layer)가 적용된 적대적 생성 신경망 (generative adversarial networks; GAN) 기반의 3) 3D 모델 단순화 딥러닝 모델을 개발함

□ 연구 목표대비 연구결과
본 연구의 최종 목표 달성을 위해서 3년의 연구기간에 걸쳐 단순화 학습용 3D CAD 모델 구축 및 변환, 3D 인코더와 3D 디코더 구성 기법 개발, GAN 기반 3D CAD 모델 단순화 딥러닝 모델 개발을 연차별로 수행함.
1) 1차년도 연구 목표: 단순화 학습용 3D CAD 모델 구축 및 변환
- 공개형 기계 부품 데이터세트 ESB와 DSB를 활용함. 데이터세트 구축을 위해 단순화 형상 타입 및 모델링 조건을 정립함. 이후 각 모델들에 대해 저작 과정을 거치고, OBJ형식의 3D 메쉬 파일을 복셀로 변환함. 1차년도에 구축한 단순화 학습용 데이터세트는 각 모델마다 참조모델, 단순화 전 모델, 단순화 후 모델이 포함되어있으며 총 2,955개의 모델로 구성됨
2) 2차년도 연구 목표: 3D 인코더와 3D 디코더 구성 기법 개발
- 3D 합성곱 레이어를 통해 3D 인코더와 3D 디코더로 구성된 네트워크를 정의하였다. 네트워크는 3D 복셀의 격자 크기에 따라 30, 64, 128에 대응되는 네트워크를 각각 정의함. 또한, 1차년도에서 구축한 데이터세트의 한계점을 보완하기 위해 약10만개의 데이터세트를 자체적인 모델링을 통해 추가 구축함. 이후 네트워크와 데이터세트를 활용하여 네트워크의 성능을 검증하기 위한 3D 복셀 재생성 실험을 수행하였으며, 평균 오차율이 1% 미만으로 계산되었음
3) 3차년도 연구 목표: GAN 기반 3D CAD 모델 단순화 딥러닝 모델 개발
- 2차년도 연구 결과를 기반으로 생성적 적대 신경망(generative adversarial networks; GAN) 기반의 네트워크를 정의함. 네트워크 정의를 위해 유사 연구인 Pix2Pix와 shape inpainting을 참고하였으며, 최적화 함수와 손실 함수의 정의를 위해 Adam optimizer와 WGAN을 참고함. GAN 기반 3D CAD 모델 단순화 딥러닝 모델을 개발하였으며 단순화 실험에서는 평균 오차율이 약 7%로 계산되었음

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
활용 계획: 1차년도와 2차년도에 구축한 단순화 학습용 데이터세트는 3D 딥러닝 분야의 다양한 연구들(2D 이미지로부터 3D 데이터 재생성, 3D 객체 분류, 3D 형상 분할 등)에서 학습 및 검증 데이터로 사용될 수 있음. 3차년도 딥러닝 모델 개발 과정에서 연구된 손실 함수, 네트워크 구조, 최적화 기법 등은 기계 부품 검색, 조립체 구성품 식별, 3D 설계 최적화 등 설계 및 생산 공학 분야에서 응용이 가능함
기대효과: 3D CAD 모델의 단순화 분야에 딥러닝 기술 접목으로 기존 방법으로는 어려웠던 여러 문제들(CAD 모델의 노이즈, 빠른 단순화 연산, 모델 형식 독립성)을 해결하는 기반을 마련할 수 있음

(출처 : 연구결과 요약문 2p)