From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures

要約

このペーパーでは、YOLOv8 インスタンス セグメンテーション モデルを使用して、トポロジーに最適化された構造を解釈可能な幾何学的パラメーターにリバース エンジニアリングするための新しいアプローチである YOLOv8-TO を紹介します。
密度ベースのトポロジ最適化手法では、設計の検討と CAD ツールとの統合のために、最適な密度分布をパラメトリック表現に変換するための後処理が必要です。
スケルトン化などの従来の方法は、複雑なジオメトリに対応できず、手動による介入が必要です。
YOLOv8-TO は、カスタム YOLOv8 モデルをトレーニングしてバイナリ密度分布から構造コンポーネントを自動的に検出および再構築することで、これらの課題に対処します。
このモデルは、Moving Morphable Components メソッドを使用して生成された、最適化された構造とランダムな構造の両方の多様なデータセットでトレーニングされます。
予測されたジオメトリのダイス係数に基づくカスタム再構成損失関数は、自己教師あり学習を通じてモデルの新しい回帰ヘッドをトレーニングするために使用されます。
この方法は、配布外のサンプルを含むさまざまなトポロジ最適化方法から生成されたテスト セットで評価され、スケルトン化アプローチと比較されます。
結果は、視覚的および構造的に類似したデザインの再構築において、YOLOv8-TO がスケルトン化よりも大幅に優れていることを示しています。
この方法では、Dice 係数が平均 13.84% 向上し、ピークの強化は 20.78% に達しました。
この方法は、複雑なジオメトリに対する適切な一般化と高速な推論時間を示しており、通常のワークステーションを使用する設計ワークフローへの統合に適しています。
制限には、非最大抑制しきい値に対する感度が含まれます。
YOLOv8-TO は、トポロジー最適化の後処理における大幅な進歩を表しており、設計の検討と製造のために最適化された構造の効率的かつ正確なリバース エンジニアリングを可能にします。

要約(オリジナル)

This paper introduces YOLOv8-TO, a novel approach for reverse engineering of topology-optimized structures into interpretable geometric parameters using the YOLOv8 instance segmentation model. Density-based topology optimization methods require post-processing to convert the optimal density distribution into a parametric representation for design exploration and integration with CAD tools. Traditional methods such as skeletonization struggle with complex geometries and require manual intervention. YOLOv8-TO addresses these challenges by training a custom YOLOv8 model to automatically detect and reconstruct structural components from binary density distributions. The model is trained on a diverse dataset of both optimized and random structures generated using the Moving Morphable Components method. A custom reconstruction loss function based on the dice coefficient of the predicted geometry is used to train the new regression head of the model via self-supervised learning. The method is evaluated on test sets generated from different topology optimization methods, including out-of-distribution samples, and compared against a skeletonization approach. Results show that YOLOv8-TO significantly outperforms skeletonization in reconstructing visually and structurally similar designs. The method showcases an average improvement of 13.84% in the Dice coefficient, with peak enhancements reaching 20.78%. The method demonstrates good generalization to complex geometries and fast inference times, making it suitable for integration into design workflows using regular workstations. Limitations include the sensitivity to non-max suppression thresholds. YOLOv8-TO represents a significant advancement in topology optimization post-processing, enabling efficient and accurate reverse engineering of optimized structures for design exploration and manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google