SHARP Challenge 2023: Fortschritte in der 3D-Rückentwicklung

In der heutigen Welt ist es ganz normal, Objekte mithilfe von Software zu entwerfen. Diese Software, die als Computer-Aided Design (CAD) bekannt ist, ermöglicht Ingenieuren und Designern, Modelle zu erstellen, bevor sie in der realen Welt gefertigt werden. Allerdings erfordert die Erstellung dieser CAD-Modelle viel Können und Wissen. Manchmal müssen Leute CAD-Modelle aus realen Objekten nachbauen, die in 3D gescannt wurden. Dieser Prozess wird als 3D-Rückentwicklung bezeichnet.

Die SHARP Challenge 2023 beschäftigt sich mit den Herausforderungen, 3D-Scans von Objekten wieder in CAD-Modelle umzuwandeln. Diese Challenge sucht nach neuen Ideen und Lösungen, die helfen können, diesen Prozess zu verbessern, insbesondere in realen Anwendungsszenarien. Das Hauptziel ist es, besser zu verstehen, wie man 3D-Scans nimmt und die ursprünglichen CAD-Designs herausfindet, einschliesslich der Schritte, die unternommen wurden, um diese Designs zu erstellen.

#Ziele und Datensätze

Die Herausforderung besteht aus drei Hauptaufgaben, die jeweils verschiedene Aspekte des Rückentwicklungsprozesses fokussieren. Um den Teilnehmern zu helfen, wurden neue Datensätze erstellt, die sowohl die 3D-Scans von realen Objekten als auch deren entsprechende CAD-Modelle bereitstellen. Diese Datensätze enthalten realistische Beispiele, was sie sehr nützlich für das Testen neuer Ideen macht.

#Aufgabe 1: Kanten und deren Schärfe finden

Die erste Aufgabe dreht sich um die Identifizierung von Kanten aus einem 3D-Scan. Bei CAD-Modellen sind Kanten wichtig, weil sie die Form und Struktur des Objekts definieren. In dieser Aufgabe müssen die Teilnehmer herausfinden, welche Kanten im gescannten Objekt vorhanden sind und ob diese Kanten scharf oder glatt sind. Eine scharfe Kante hat einen deutlichen Winkel, während eine glatte Kante sanft übergeht.

#Aufgabe 2: Flächen in CAD-Modellen segmentieren

Die zweite Aufgabe konzentriert sich darauf, die Oberflächenflächen der CAD-Modelle aus den 3D-Scans zu segmentieren. CAD-Modelle bestehen oft aus flachen Oberflächen, die als Flächen bekannt sind. Das Ziel hier ist es, Punkte aus dem 3D-Scan entsprechend der Fläche zu klassifizieren, zu der sie im CAD-Modell gehören. Jede Fläche kann unterschiedliche Formen haben, wie Ebenen oder Kurven, und die Identifizierung dieser Flächen hilft, das Objekt genau nachzubauen.

#Aufgabe 3: Entwurfsschritte identifizieren

Die dritte Aufgabe geht über die Formen des Objekts hinaus. Bei CAD-Designs gibt es oft eine bestimmte Reihenfolge, in der Teile erstellt werden. Diese Aufgabe erfordert von den Teilnehmern, die Reihenfolge der Schritte herauszufinden, die unternommen wurden, um ein bestimmtes Objekt in CAD zu erstellen. Diese Schritte zu kennen, ist entscheidend, um genau darzustellen, wie das Objekt hergestellt wurde.

#Herausforderungen mit 3D-Scans

Eine der grössten Herausforderungen bei 3D-Scans ist, dass sie aufgrund des Scanprozesses Fehler aufweisen können. Dazu gehören fehlende Teile oder unerwünschte Unebenheiten auf den Oberflächen. Diese Unvollkommenheiten erschweren es, das ursprüngliche CAD-Design genau nachzubauen. Daher ermutigt die Challenge Forscher, Methoden zu entwickeln, die mit diesen Mängeln effektiv umgehen können.

#Struktur der Datensätze

Die in der SHARP Challenge verwendeten Datensätze sind so gestaltet, dass sie eine Vielzahl von Beispielen bieten, aus denen die Teilnehmer lernen können. Der CC3D-Datensatz beispielsweise enthält Paare von 3D-Scans und deren entsprechenden CAD-Modellen. Diese Paarung ermöglicht es den Forschern, ihre Methoden an realen Beispielen zu trainieren, wodurch ihre Lösungen besser auf reale Anwendungsszenarien übertragbar sind.

Jede Spur der Herausforderung verwendet eine Version dieses Datensatzes, die auf ihre spezifischen Aufgaben zugeschnitten ist. So haben alle Teilnehmer Zugang zu denselben Ressourcen, wenn sie ihre Lösungen entwickeln.

#Vorgeschlagene Methoden

Um zu messen, wie gut die Teilnehmer in der Challenge abschneiden, wurden mehrere Basislinienmethoden vorgeschlagen. Diese Methoden dienen als Ausgangspunkt für Forscher und bieten eine Möglichkeit, neue Ideen mit etablierten Techniken zu vergleichen.

#Basislinie für Aufgabe 1

Für die erste Aufgabe verwendet die vorgeschlagene Methode einen Prozess, der hilft, Kantenpunkte im 3D-Scan zu erkennen. Sobald die Kantenpunkte gefunden sind, werden sie basierend auf ihren Eigenschaften gruppiert. Dadurch wird ein klareres Verständnis dafür ermöglicht, welche Kanten vorhanden sind. Die Methode beinhaltet auch eine Bewertung, wie scharf jede Kante ist, was für das CAD-Modeling wichtig ist.

#Basislinie für Aufgabe 2

In der zweiten Aufgabe beinhaltet die Basislinienmethode die Vorhersage, zu welcher Fläche jeder Punkt im Scan gehört. Die Methode zielt darauf ab, eine Matrix zu erzeugen, die die Flächenmitgliedschaften für die Punkte darstellt. Dies geschieht mit Techniken, die die Eigenschaften jedes Punktes berücksichtigen und eine genauere Segmentierung des gescannten Objekts ermöglichen.

#Basislinie für Aufgabe 3

Für die letzte Aufgabe beinhaltet die Basislinienmethode die Vorhersage einer Sequenz von Schritten und Operationen, die zur Erstellung des Objekts führen. Die Teilnehmer müssen herausfinden, welche Operationen verwendet wurden und in welcher Reihenfolge sie angewendet wurden. Diese Methode konzentriert sich darauf, die Schritte direkt aus den 3D-Scan-Daten zu lernen, was das Verständnis dafür erleichtert, wie das Modell entwickelt wurde.

#Evaluationsmetriken

Um die Leistung der vorgeschlagenen Methoden zu bewerten, werden in jeder Aufgabe spezifische Metriken verwendet. Diese Metriken helfen dabei zu quantifizieren, wie gut die Lösungen in Bezug auf die Ziele jeder Aufgabe abschneiden.

#Evaluation für Aufgabe 1

Die Teilnehmer in der ersten Aufgabe werden danach bewertet, wie genau sie Kanten rekonstruieren, ihre Längen schätzen und deren Schärfe klassifizieren können. Die Bewertung berücksichtigt, wie nah die vorhergesagten Kanten den tatsächlichen Kanten im CAD-Modell sind.

#Evaluation für Aufgabe 2

Für die zweite Aufgabe wird die Bewertung auf die Genauigkeit der Flächensegmentierung fokussiert. Die vorhergesagten Flächenmitgliedschaften werden mit den Referenzdaten verglichen, um zu sehen, wie gut die Lösungen übereinstimmen. Ein Punktesystem wird verwendet, um zu quantifizieren, wie gut die Flächen identifiziert wurden.

#Evaluation für Aufgabe 3

In der letzten Aufgabe wird die Bewertung darin bestehen zu überprüfen, wie genau die vorgeschlagenen Methoden die Reihenfolge der CAD-Operationsschritte identifizieren. Sowohl die Zugehörigkeit zu spezifischen Schritten als auch die Arten von Operationen werden bei der Berechnung der Punkte berücksichtigt.

#Fazit

Die SHARP Challenge 2023 bietet eine wertvolle Gelegenheit für Forscher, sich mit den Komplexitäten auseinanderzusetzen, 3D-Scans in nutzbare CAD-Modelle umzuwandeln. Durch den Fokus auf reale Anwendungsszenarien und die Bereitstellung umfassender Datensätze ermutigt die Challenge zu innovativen Lösungen, die das Feld der Rückentwicklung erheblich verbessern können. Jede Aufgabe bietet eine einzigartige Perspektive, durch die die Teilnehmer die Feinheiten des CAD-Modelings erkunden können, und die Ergebnisse werden zu Fortschritten beitragen, die verschiedenen Branchen zugutekommen. Mit den fortlaufenden Verbesserungen in Technologie und Methoden sieht die Zukunft der CAD-Rückentwicklung vielversprechend aus.