从密度到几何：YOLOv8实例分割用于优化结构的逆向工程
计算机视觉与模式识别
2024-04-30 v1 计算工程、金融与科学
摘要
本文介绍了YOLOv8-TO，一种利用YOLOv8实例分割模型将拓扑优化结构逆向工程为可解释几何参数的新方法。基于密度的拓扑优化方法需要后处理，将最优密度分布转换为参数化表示，以便进行设计探索并与CAD工具集成。传统方法如骨架化在处理复杂几何时存在困难，且需要人工干预。YOLOv8-TO通过训练自定义YOLOv8模型，自动从二值密度分布中检测和重建结构组件，解决了这些挑战。模型使用通过移动可变形组件方法生成的多样数据集（包括优化结构和随机结构）进行训练。基于预测几何的Dice系数的自定义重建损失函数，通过自监督学习训练模型的新回归头。该方法在来自不同拓扑优化方法（包括分布外样本）的测试集上进行了评估，并与骨架化方法进行了比较。结果表明，YOLOv8-TO在重建视觉和结构相似的设计方面显著优于骨架化。该方法在Dice系数上平均提升13.84%，峰值提升达20.78%。该方法展现出对复杂几何的良好泛化能力和快速推理时间，使其适合在常规工作站上集成到设计工作流中。局限性包括对非极大值抑制阈值的敏感性。YOLOv8-TO代表了拓扑优化后处理的重要进展，能够高效准确地逆向工程优化结构，用于设计探索和制造。
引用
@article{arxiv.2404.18763,
title = {From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures},
author = {Thomas Rochefort-Beaudoin and Aurelian Vadean and Sofiane Achiche and Niels Aage},
journal= {arXiv preprint arXiv:2404.18763},
year = {2024}
}