Segmentation sémantique des conceptions critiques corrosives dans des structures de carrosserie blanche pour la simulation de corrosion

Résumé L'extension des simulations de corrosion basées sur la méthode des éléments finis (FEM) à l'ensemble des structures de carrosserie blanche entraîne des coûts computationnels extrêmement élevés. Comme la corrosion ne se produit que dans des zones critiques corrosives, la FEM est limitée à celles-ci. L'objectif est une segmentation sémantique des conceptions critiques corrosives, qui sont des bords et des flasques dans des structures de carrosserie blanche. Différentes approches déterministes ainsi que des approches d'apprentissage automatique et d'apprentissage profond sont proposées et comparées en ce qui concerne leur capacité à segmenter les conceptions critiques en fonction de la géométrie et des relations spatiales des pièces seulement. La détection de bords déterministes fournit un moyen rapide et très précis de segmenter les bords des pièces, tandis que la détection des flasques déterministes décrite n'est pas adaptée pour capturer la pleine diversité des structures de flasques. Comme l'approche d'apprentissage automatique basée sur les caractéristiques évalue plus de propriétés de manière plus flexible, la performance de la détection des flasques est significativement augmentée et même la segmentation des bords obtient des résultats légèrement meilleurs. L'évaluation des structures de graphes avec une méthode d'apprentissage profond géométrique échoue car l'ensemble d'apprentissage est trop petit pour représenter suffisamment les structures complexes et variées de l'ensemble de test.