지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최영
- 발행연도
- 2019
- 저작권
- 중앙대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문의 목적은 삼각 메시로 구성된 플랜트 캐드 데이터에서 프리미티브 인식 및 새로운 경량화 포맷을 제안하는 것이다. 다양한 부서 및 기업 간의 네트워크를 통한 협업 환경이 구축되고 있는 현 상황에서 대용량 3D CAD 설계 데이터는 데이터 공유의 큰 걸림돌이다. 하지만 플랜트와 같이 대규모 설계 과정에서, 3D CAD 설계 데이터의 대용량화는 피할 수 없다. 또한 보안과 접근성 향상 등의 이유로 설계 데이터를 일반 데이터 포맷(STL)으로 변환하며, 이 경우 데이터의 크기는 더욱 증가된다. 그러므로 플랜트 설계 및 시공 과정에서 원활한 협업 환경 구축 및 데이터 공유를 위하여 3D CAD 설계 데이터의 경량화가 필요하다. 플랜트 캐드 데이터를 메시 세그먼테이션, 프리미티브 인식, XML 변환 데이터 출력으로 처리하였다. 메시 세그먼테이션에서는 플랜트 캐드 데이터에 적합하도록 솔리드와 서피스 세그먼테이션을 진행하였다. 서피스 세그먼테이션에는 기계학습 방법을 적용하였다. 프리미티브 인식을 위해, Gaussian sphere와 Convolutional neural network (CNN), Oriented bounding box(OBB)를 이용하여 프리미티브를 분류하고, 최소자승법을 이용하여 프리미티브의 파라미터를 추출하였다. 전체 메시 중 프리미티브로 인식된 메시는 파라미터로, 인식되지 않은 메시는 메시의 형태로 분류 후, 제안하는 XML 포맷으로 변환 저장하였다. Test 데이터에 대해, 전체 메시 중 평균적으로 96.03%의 메시를 프리미티브로 인식하였으며, Test 데이터 크기 대비 최대 3.65%까지 데이터를 경량화 하였다.
목차
1. 서 론 11.1 연구 배경 11.2 관련 연구 41.2.1 CAD 데이터 경량화 포맷 41.2.2 플랜트 캐드 데이터의 프리미티브 인식 61.2.3 메시 세그먼테이션 71.2.4 서피스 피팅 152. 본 론 182.1 개요 182.2 메시 세그먼테이션 212.2.1 플랜트 캐드 데이터의 특징 212.2.2 솔리드 형상의 세그먼테이션 262.2.3 서피스 형상의 세그먼테이션 292.3 프리미티브 인식 362.3.1 가우시안 구를 이용한 메시 분류 362.3.2 Oriented bounding box (OBB)를 이용한 메시 분류 382.3.3 CNN을 이용한 메시 분류 422.3.4 프리미티브 형상의 기하학적 특성 442.3.5 최소자승법을 이용한 파라미터 추출 462.4 XML 변환 데이터 출력 493. 테스트 결과 513.1 프리미티브 인식 Test Case 1: Example plant CAD data 523.1.1 솔리드 세그먼테이션 결과 523.1.2 서피스 세그먼테이션 결과 543.1.3 Test Case 1에 대한 고찰 653.2 프리미티브 인식 Test case 2 : Power plant model 683.2.1 솔리드 세그먼테이션 결과 683.2.2 서피스 세그먼테이션 결과 703.2.3 Test Case 2에 대한 고찰 733.3 테스트 결과에 대한 고찰 754. 결론 77참고문헌 78국문초록 82Abstract 84
최근 본 자료
댓글(0)
0