- AutorIn
- Arthur Hilbig Technische Universität Dresden, Institut für Maschinenelemente und Maschinenkonstruktion
- Titel
- Autonome Flächenrückführung von parametrischen Oberflächenmodellen im Reverse Engineering technischer Komponenten
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-1068206
- Übersetzter Titel (EN)
- Autonomous Surface Reconstruction of Parametric Surface Models in Reverse Engineering of Mechanical Components
- Erstveröffentlichung
- 2026
- Datum der Einreichung
- 13.01.2026
- Datum der Verteidigung
- 02.09.2026
- Abstract (DE)
- Die Analyse von Gestaltungsmerkmalen und Konstruktionsprinzipien technischer Bauteile bildet die zentrale Thematik des Reverse Engineering (RE), um parametrisch nutzbare Flächenmodelle und Modellierungsfeatures aus 3D-Scans abzuleiten. Eine durchgängige, computerbasierte Verarbeitungsweise in der Flächenrückführung ist bislang nicht vollständig etabliert, da Abweichungen der Realgeometrie zur Nominalgeometrie durch variable Fertigungstoleranzen und Messfehler beeinflusst werden. Die ausreißerbehaftete Oberflächengestalt folgt dabei keiner gaußschen Verteilung, und Geometrieartefakte streuen richtungsabhängig. Gängige algorithmische Flächenrückführungsansätze (krümmungsbasierte Segmentierung und direkte Geometrieregression) erfordern daher häufig Experteninterventionen. Ziel dieser Arbeit ist es, Geometrieanalysemethoden in der Flächenrückführung robuster gegenüber abweichungs- und rauschbehafteten Geometriegestalten eines 3D-Scans zu gestalten. Mithilfe von Deep-Learning (DL)-basierten Erkennungsansätzen soll der Umgang mit geometriespezifischen Unschärfen verbessert werden, um die menschliche Überwachungsfunktion zu reduzieren und den Automatisierungsgrad zu erhöhen. Hierfür wird ein semantischer, volumenbasierter und patchweiser Instanzsegmentierungsansatz vorgeschlagen, der mithilfe von 3D-Convolutional Neural Networks (CNNs) die Teilflächenbereiche einer Tessellation sowohl in einzelne Geometrieprimitive (Ebene, Zylinder, Konus, Torus, Sphäre) unterteilt, als auch unzulässige Gestaltsabweichungen geometriesensitiv separiert. Als Grundlage der 3D-CNN-Segmentierung dient eine \textit{Signed Distance Field}-Volumenkörperrepräsentation, die eine subvoxelgenaue Oberflächenauflösung ermöglicht. In Kombination mit einem neuartigen, expliziten Annotierungsschema werden sowohl Teilflächenbegrenzungen als auch unzulässige Gestaltsabweichungen, Oberflächenunvollkommenheiten sowie unbestimmte Flächenübergangs- und Kantenbereiche differenziert. Die Basis bildet eine prozessuale, synthetische Datensatzerzeugung, die gezielte Geometriemanipulationen und -augmentationen ermöglicht, um aus Nominalgeometriemodellen scanähnliche und realitätsnahe Oberflächentopologien zu generieren. Die eingebrachten Gestaltsabweichungen orientieren sich in neuartiger Weise an normierten Grenzwerten und Größenordnungen der geometrischen Produktspezifikation, um relative Größeneffekte und Toleranzbänder systematisch abzubilden. Das Ergebnis ist eine datengetriebene, robuste Segmentierung in der RE-Flächenrückführung, die Geometriebestandteile automatisiert identifiziert und unzulässige Gestaltsabweichungen explizit unterscheidet. Dadurch wird sichergestellt, dass Geometrieartefakte und Datenunschärfen nur geringen Einfluss auf die Parameterapproximation im Oberflächenfitting haben.
- Abstract (EN)
- The analysis of design features and construction principles of technical components is a central topic in Reverse Engineering (RE), aimed at deriving parametrically usable surface models and modeling features from 3D scans. A fully continuous, computer-based processing method in RE has yet to be established, as variable manufacturing tolerances and measurement errors introduce deviations between actual and nominal geometry. These deviations, influenced by outliers, result in surface shapes that do not conform to a Gaussian distribution, with geometry artifacts exhibiting directional distribution. Common algorithmic surface reconstruction approaches, such as curvature-based segmentation and direct geometry regression, often require expert intervention. This work seeks to advance geometry analysis methods for surface reconstruction, making them more robust against deviation- and noise-dependent geometry variations in 3D scans. By leveraging Deep Learning (DL)-based recognition approaches, this study aims to enhance the handling of geometry-specific uncertainties, thereby reducing the need for human supervision and increasing the level of automation. Specifically, an instance volume-based patch-wise segmentation approach is proposed, employing 3D Convolutional Neural Networks (CNNs) to partition the sub-surface regions of a tessellation into individual geometric primitives (plane, cylinder, cone, torus, sphere) while also differentiating between tolerated and non-permitted shape deviations. A Signed Distance Field solid representation serves as the foundation for 3D CNN segmentation, facilitating subvoxel-precise surface resolution. This is combined with a novel, explicit annotation scheme that distinguishes sub-surface boundaries and non-permitted shape deviations, such as surface imperfections, undefined surface transitions and edge sections. A procedural synthetic dataset generation process supports this approach, enabling selective geometry manipulations and augmentations to produce scan-like, realistic surface topologies from nominal geometry models. The applied shape deviations are newly designed based on standardized limit values and geometric product specification orders of magnitude, systematically mapping relative size effects and tolerance bands. The result is a data-driven, robust segmentation process for RE surface reconstruction that automatically identifies geometric elements and explicitly distinguishes non-permitted shape deviations. This ensures that geometry artifacts and data uncertainties do not compromise parameter approximation in surface fitting.
- Freie Schlagwörter (DE)
- Reverse Engineering, Flächenrückführung, Deep Learning, Segmentierung
- Freie Schlagwörter (EN)
- Reverse Engineering, Surface Reconstruction, Deep Learning, Segmentation
- Klassifikation (DDC)
- 620
- Klassifikation (RVK)
- ZL 3225
- GutachterIn
- Prof. Dr. Kristin Paetzold-Byhain
- Prof. Dr. Sandro Wartzack
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-1068206
- Veröffentlichungsdatum Qucosa
- 11.09.2026
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY-NC-SA 4.0- Inhaltsverzeichnis
Danksagung Zusammenfassung Abstract Nomenklatur und Notation 1 Einleitung 1.1 Motivation und Ausgangssituation 1.2 Forschungsziel 1.3 Forschungsansatz und -umfang 1.4 Gliederung der Arbeit 2 Grundlagen des Reverse Engineering 2.1 Terminologie und Taxonomie im Kontext der Produktentwicklung 2.2 Geometrische Modellierung und Produktspezifikation 2.2.1 Feature-based Design im CAD 2.2.2 Geometrische Stetigkeit und Flächenkrümmung 2.2.3 Teilflächenarten und geometrische Primitivoberflächen 2.2.4 Geometrische Unsicherheit und nicht-ideale Oberflächenmodelle 2.3 Verfahrensschritte im Reverse Engineering 2.3.1 Datenerfassung 2.3.2 Datenaufbereitung 2.4 Flächenrückführung: Segmentierung und Fitting 2.4.1 Regions- und Flächenkrümmungsbasierte Verfahren 2.4.2 Direkte Parameterschätzverfahren 2.4.3 Clusteranalyse 2.5 Prozesserweiterung: Topologierückführung 2.5.1 Zwangsbedingungserkennung und -anpassung und Regularitäten 2.5.2 Inverse Prozessmodellierung 2.6 Zusammenfassung und Problemklarifizierung 3 Deep-Learning-Ansätze zur geometrischen Analyse 3.1 Grundlagen Machine Learning und künstliche neuronale Netzwerke 3.1.1 Definitionen, Hintergründe und Lernparadigmen 3.1.2 Modellarchitektur: Verknüpfungs- und Kopplungsmöglichkeiten 3.1.3 Optimierungsverfahren: Fehlerrückführung und Gradientenabstieg 3.2 Schlüsselaspekte des Geometric Deep Learning 3.2.1 Geometrische Prinzipien und Vorabinformation 3.2.2 Euklidische Geometrierepräsentationen: CNNs 3.2.3 Mengenrepräsentation und Geometrische Graphen 3.3 Modalitäten von Segmentationsmodellen 3.3.1 Projektionsbasierte Ansätze 3.3.2 Volumenbasierte Ansätze 3.3.3 Punktwolkenbasierte Ansätze 3.4 Zusammenfassung und forschungsmethodische Folgerungen 3.4.1 Eingrenzung des Forschungsbedarfs 3.4.2 Konkretisierung des Forschungsansatzes 4 Konzeptioneller Ansatz und Methoden der DL-basierten Flächenrückführung 4.1 Distanzfelder als Ansatz der impliziten Geometrierepräsentation 4.2 Mathematische Formulierung und Problemdarstellung 4.3 Allgemeines Prozessmodell der Segmentierung 4.4 Patch-weise Segmentierung und Diskretisierung 4.4.1 Geometrieadaptive Patch-Positionierung 4.4.2 Lokale Wohldefiniertheit eines B-reps 4.5 Explizite Annotation 4.5.1 Gestaltsabweichungen und begrenzt-skalierender Größeneffekt 4.5.2 Teilflächenbegrenzungen zur Instanzsegmentierung 5 Lerndatensatzsynthese 5.1 Formalisierung der Datendomäne und Ansatz der Datensatzerstellung 5.2 Datenerhebung und -vorverarbeitung 5.2.1 Datenverifikation und topologische Korrektheit 5.2.2 Aussortierung von Gleichteilen und Dupletten 5.2.3 Datansatzbereinigung – Geometrische Grenzfälle 5.2.4 Geometriemodellstatistik 5.3 Datenaugmentation und Oberflächenstrukturierung 5.3.1 Abweichung 1. Ordnung – Formabweichungen durch Verzeichnung 5.3.2 Abweichung 2. Ordnung – Frequenzmodulation von Welligkeiten 5.3.3 Abweichung 3. Ordnung – Rauheitsmodellierung 5.3.4 Unzulässige Abweichungen – Morphing von Teilflächenübergängen 5.3.5 Unzulässige Abweichungen – Ausreißer-Artefakt-Synthese 5.3.6 Abschließende Augmentation und Annotation 5.4 Erstellung eines realen Testdatensatzes 6 Deep-Learning-basierte Volumensegmentierung 6.1 Methodik, Implementierungsdetails und Regularisierung 6.1.1 Lernstrategie und Versuchsdesign 6.1.2 Modellselektion und Architekturkonfiguration 6.1.3 Trainings- und Evaluationsmetriken 6.1.4 Lernprozesskonfiguration und Hyperparameter 6.2 Datensatzvorbereitung 6.2.1 Patch-Extraktion und Datenstrukturierung 6.2.2 Histogrammbasierte Datenbalancierung 6.3 Ergebnisse der Voruntersuchung 6.3.1 Lernfortschritt, -stabilität und Konvergenz 6.3.2 Differenzierung tolerierter zu unzulässigen Gestaltsabweichungen 6.4 Ergebnisse der Hauptuntersuchung 6.4.1 Generalisierung und Übertragbarkeit auf die reale Domäne 6.4.2 Klassenspezifische Segmentierungsgüte und Instanzbildung 6.4.3 Domänenvergleich und Gestaltsinterdependenzen 6.5 Post-Processing und Einbettung in das Prozessmodell 6.5.1 Kalibrierung der Patch-Überlappungsbreite 6.5.2 Rücktransformation und Komponentenbildung 6.5.3 Segmentaggregation und Fitting 7 Anwendung und Diskussion der DL-basierten Flächenrückführung 7.1 Validierungssystematik 7.1.1 Validierungsvorbereitung und Segmentkorrespondenz 7.1.2 Gütekriterien und Vergleichsmetriken 7.2 Experimentelle Validierung und quantitative Analysen 7.2.1 Gesamtergebnisse der Segmentierungsgüte und Instanzbildung 7.2.2 Robustheit gegenüber Gestaltsabweichungen 7.2.3 Analyse der Rotationsäquivarianz 7.2.4 Stetigkeitssensitivität an Teilflächenübergängen 7.2.5 Minimalmaß und Skalenabhängigkeit differenzierbarer Primitive 7.3 Qualitative Analysen der Segmentierungsgüte 7.3.1 Detektion unzulässiger Gestaltsabweichungen 7.3.2 Reale Fallbeispiele und Parameterregularitäten 7.3.3 Fehlklassifikationen und Modellrestriktionen 8 Schlussbetrachtung 8.1 Zusammenfassung 8.2 Ergebnisse und Einschränkungen 8.3 Ausblick Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Publikationsliste A) Hauptbeiträge B) Zu anderen Themenbereichen C) Vorträge D) Patente und Patentbeteiligungen