1 |
1
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비하는 컴퓨팅 장치에서 수행되는 방법으로서, 기계가공과 관련된 3D 모델을 획득하는 동작;상기 3D 모델에서 기 설정된 기준면을 인식하는 동작;상기 기준면에 대해 기 설정된 특징형상 기술자(Feature Discriptor)를 추출하는 동작; 및추출한 특징형상 기술자를 상기 3D 모델의 특징형상 타입으로 라벨링 한 후 인공 신경망 모델로 입력하여 상기 인공 신경망 모델이 특징형상 기술자로부터 해당 3D 모델의 특징형상 타입을 분류하도록 상기 인공 신경망 모델을 학습시키는 동작을 포함하는, 기계가공 특징형상 인식 방법
|
2 |
2
청구항 1에 있어서, 상기 3D 모델의 기준면에는 기 설정된 색상이 부여되고, 상기 기준면을 인식하는 동작은, 상기 3D 모델에서 상기 색상에 기반하여 기 설정된 기준면을 인식하는, 기계가공 특징형상 인식 방법
|
3 |
3
청구항 1에 있어서, 상기 특징형상 기술자는, 대상면의 타입, 대상 면의 곡률, 대상 면의 폭, 외부 루프에 있는 인접 면 정보, 외부 루프에서 연속성을 갖는 인접 면 정보, 외부 루프에 수직한 인접 면 정보, 및 내부 루프의 위치와 볼록도 정보 중 적어도 하나를 포함하는, 기계가공 특징형상 인식 방법
|
4 |
4
청구항 3에 있어서, 상기 기계가공 특징형상 인식 방법은, 상기 특징형상 기술자를 정수로 인코딩하는 동작을 더 포함하는, 기계가공 특징형상 인식 방법
|
5 |
5
청구항 4에 있어서, 상기 인코딩하는 동작은, 상기 대상면의 타입, 대상면의 곡률, 및 대상 면의 폭 중 적어도 하나를 면 관련 항목으로 분류하여 제1 인코딩을 수행하는 동작;상기 외부 루프에 있는 인접 면 정보, 외부 루프에서 연속성을 갖는 인접 면 정보, 및 외부 루프에 수직한 인접 면 정보 중 적어도 하나를 외부 루프 관련 항목으로 분류하여 제2 인코딩을 수행하는 동작; 및상기 내부 루프의 위치 및 볼록도 정보 중 적어도 하나를 내부 루프 관련 항목으로 분류하여 제3 인코딩을 수행하는 동작을 포함하는, 기계가공 특징형상 인식 방법
|
6 |
6
청구항 5에 있어서, 상기 제1 인코딩에 의한 기 설정된 개수의 정수 값, 상기 제2 인코딩에 의한 기 설정된 개수의 정수 값, 및 상기 제3 인코딩에 의한 기 설정된 개수의 정수 값을 기반으로 정수 배열을 구성하는 동작; 및상기 정수 배열을 상기 인공 신경망 모델로 입력하는 동작을 포함하는, 기계가공 특징형상 인식 방법
|
7 |
7
청구항 5에 있어서, 상기 제2 인코딩을 수행하는 동작은, 상기 외부 루프와 관련된 모든 인접 면의 개수 대비 각 면 타입의 인접면의 비율을 산출하는 동작; 및상기 모든 인접 면의 개수 대비 각 면 타입의 인접면의 비율을 정수로 인코딩하는 동작을 포함하는, 기계가공 특징형상 인식 방법
|
8 |
8
청구항 7에 있어서, 상기 외부 루프에 있는 인접 면 정보, 상기 외부 루프에서 연속성을 갖는 인접 면 정보, 및 상기 외부 루프에 수직한 인접 면 정보는,해당 인접 면들의 타입과 볼록도(convexity) 쌍의 개수를 포함하고, 상기 볼록도는, 오목(concave) 및 볼록(convex)를 포함하는, 기계가공 특징형상 인식 방법
|
9 |
9
청구항 8에 있어서, 상기 비율을 산출하는 동작은, 상기 외부 루프 관련 항목 중 외부 루프에서 연속성을 갖는 인접 면 정보 및 외부 루프에 수직한 인접 면 정보의 경우, 해당 볼록도(convexity)가 볼록(convex)인 경우는 제외하고 오목(concave)인 인접면들의 비율만을 산출하는, 기계가공 특징형상 인식 방법
|
10 |
10
청구항 1에 있어서, 상기 인공 신경망 모델을 학습시키는 동작 이후에,특징형상 타입을 분류하기 위한 3D 모델을 획득하는 동작;상기 획득한 3D 모델의 각 면에 대해 기 설정된 특징형상 기술자를 추출하는 동작; 및추출한 상기 특징형상 기술자를 학습 완료된 상기 인공 신경망 모델에 입력하여 상기 3D 모델의 특징형상 타입을 분류하는 동작을 더 포함하는, 기계가공 특징형상 인식 방법
|
11 |
11
제1항 내지 제10항 중 어느 한 항의 특징형상 인식 방법을 실행시키도록 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
12 |
12
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비하는 컴퓨팅 장치로서, 기계가공과 관련된 3D 모델에서 기 설정된 기준면을 인식하고, 상기 기준면에 대해 기 설정된 특징형상 기술자(Feature Discriptor)를 추출하는 전처리 모듈; 및추출한 특징형상 기술자를 상기 3D 모델의 특징형상 타입으로 라벨링 한 후 인공 신경망 모델로 입력하여 상기 인공 신경망 모델이 특징형상 기술자로부터 해당 3D 모델의 특징형상 타입을 분류하도록 상기 인공 신경망 모델을 학습시키는 인식 모듈을 포함하는, 컴퓨팅 장치
|
13 |
13
청구항 12에 있어서, 상기 3D 모델의 기준면에는 기 설정된 색상이 부여되고, 상기 전처리 모듈은, 상기 3D 모델에서 상기 색상에 기반하여 기 설정된 기준면을 인식하는, 컴퓨팅 장치
|
14 |
14
청구항 12에 있어서, 상기 특징형상 기술자는, 대상면의 타입, 대상 면의 곡률, 대상 면의 폭, 외부 루프에 있는 인접 면 정보, 외부 루프에서 연속성을 갖는 인접 면 정보, 외부 루프에 수직한 인접 면 정보, 및 내부 루프의 위치와 볼록도 정보 중 적어도 하나를 포함하는, 컴퓨팅 장치
|
15 |
15
청구항 14에 있어서, 상기 전처리 모듈은, 상기 특징형상 기술자를 정수로 인코딩 하여 상기 인식 모듈로 전달하는, 컴퓨팅 장치
|
16 |
16
청구항 15에 있어서, 상기 전처리 모듈은, 상기 대상면의 타입, 대상면의 곡률, 및 대상 면의 폭 중 적어도 하나를 면 관련 항목으로 분류하여 제1 인코딩을 수행하고, 상기 외부 루프에 있는 인접 면 정보, 외부 루프에서 연속성을 갖는 인접 면 정보, 및 외부 루프에 수직한 인접 면 정보 중 적어도 하나를 외부 루프 관련 항목으로 분류하여 제2 인코딩을 수행하며, 상기 내부 루프의 위치와 볼록도 정보 중 적어도 하나를 내부 루프 관련 항목으로 분류하여 제3 인코딩을 수행하는, 컴퓨팅 장치
|
17 |
17
청구항 16에 있어서, 상기 전처리 모듈은, 상기 제1 인코딩에 의한 기 설정된 개수의 정수 값, 상기 제2 인코딩에 의한 기 설정된 개수의 정수 값, 및 상기 제3 인코딩에 의한 기 설정된 개수의 정수 값을 기반으로 정수 배열을 구성하여 상기 인식 모듈로 전달하고, 상기 인식 모듈은, 상기 정수 배열을 상기 인공 신경망 모델로 입력하는, 컴퓨팅 장치
|
18 |
18
청구항 16에 있어서, 상기 전처리 모듈은, 상기 제2 인코딩의 수행 시, 상기 외부 루프와 관련된 모든 인접 면의 개수 대비 각 면 타입의 인접면의 비율을 산출하고, 상기 모든 인접 면의 개수 대비 각 면 타입의 인접면의 비율을 정수로 인코딩하는, 컴퓨팅 장치
|
19 |
19
청구항 18에 있어서, 상기 외부 루프에 있는 인접 면 정보, 상기 외부 루프에서 연속성을 갖는 인접 면 정보, 및 상기 외부 루프에 수직한 인접 면 정보는,해당 인접 면들의 타입과 볼록도(convexity) 쌍의 개수를 포함하고, 상기 볼록도는, 오목(concave) 및 볼록(convex)를 포함하는, 컴퓨팅 장치
|
20 |
20
청구항 19에 있어서, 상기 전처리 모듈은, 상기 비율의 산출 시, 상기 외부 루프 관련 항목 중 외부 루프에서 연속성을 갖는 인접 면 정보 및 외부 루프에 수직한 인접 면 정보의 경우, 해당 볼록도(convexity)가 볼록(convex)인 경우는 제외하고 오목(concave)인 인접면들의 비율만을 산출하는, 컴퓨팅 장치
|
21 |
21
청구항 12에 있어서, 상기 인공 신경망 모델의 학습이 완료된 후, 상기 전처리 모듈은, 특징형상 타입을 분류하기 위한 3D 모델을 획득하고, 상기 획득한 3D 모델의 각 면에 대해 기 설정된 특징형상 기술자를 추출하며,상기 인식 모듈은, 추출한 상기 특징형상 기술자를 학습 완료된 상기 인공 신경망 모델에 입력하여 상기 3D 모델의 특징형상 타입을 분류하는, 컴퓨팅 장치
|