区分工件：评估卷积神经网络的饱和点

先前工作表明，在代理计算机辅助设计（CAD）模型上训练的卷积神经网络（CNNs）能够从照片中检测和分类真实世界工件。其应用支持设计中数字与物理资产的孪生，包括从模型库中快速提取零件几何形状、信息搜索与检索，以及在现场识别部件以进行维护、修理和记录。CNNs 在分类任务中的性能已被证明依赖于训练数据集大小和类别数。先前工作使用了相对较小的代理模型数据集（<$100$ 个模型），问题仍在于 CNN 在日益增大的模型库中区分模型的能力。本文提出一种从在线 CAD 模型库生成合成图像数据集的方法，并进一步研究在合成数据上训练的现成 CNN 架构随着类别规模增大对模型进行分类的能力。我们整理了 1,000 个 CAD 模型并处理后生成大规模代理数据集，特征为以 10$^{\circ}$、30$^{\circ}$、60$^{\circ}$ 和 120$^{\circ}$ 度步长覆盖模型。研究结果表明，计算机视觉算法能够对多达 200 的模型库中的工件进行分类，超出该点后 CNN 性能显著恶化，限制了其当前用于物理到数字工件自动孪生的能力。尽管如此，前 5 结果中更常找到匹配，显示出在大型代理模型库上进行信息搜索与检索的潜力。