真实工程CAD分割基准：规则法与学习法在孔洞检测中的较量

为什么CAD分割需要真实世界的基准

CAD（计算机辅助设计）分割是现代工程软件中的关键环节，它决定了机器能否自动理解一个三维模型的几何结构。然而，当前主流的CAD分割数据集大多是合成生成或自动标注的，这就带来一个长期被忽视的问题：这些方法在真实工程任务中究竟表现如何？

一项新研究正面回应了这一空白。研究者选择了紧固件相关的孔洞检测（fastener-relevant hole detection）作为切入点——这是一个典型的真实工程任务，不仅需要人工标注，而且其几何复杂度远高于常用的测试基准。换句话说，它更接近工程师在实际工作中面对的难题，而非实验室里理想化的数据。

两类方法的正面交锋

研究的核心是对比两大技术路线：基于规则的方法（rule-based）和基于学习的方法（learning-based）。

规则法：无需训练数据的稳健选择

研究团队开发了两种针对孔洞检测的规则方法。一种是图线搜索（graph-wire-search），另一种是**多视图（multi-view）**方法。这两者代表了传统几何推理的思路——通过预先设计的逻辑规则直接从模型的边界表示（B-Rep）中识别目标特征。

实验揭示了二者各自的性格：图线搜索方法倾向于高召回率（recall），也就是尽可能不漏掉任何孔洞；而多视图方法则倾向于高精确率（precision），即识别出的结果更可靠、误报更少。这种召回与精确之间的权衡，对工程落地有直接的指导意义——不同的生产场景对“宁可错杀”还是“宁可放过”有着截然不同的容忍度。

B-Rep（边界表示，Boundary Representation）是CAD领域最主流的三维几何表达方式，它用有向面、边、顶点及其拓扑关系来描述实体模型的外表面。与体素或点云不同，B-Rep保留了精确的几何语义（如平面、圆柱面、圆环面等），因此非常适合基于规则的特征识别。图线搜索方法正是利用了B-Rep的拓扑图结构：孔洞通常对应着一组首尾相连的圆弧边形成的环路，通过在拓扑图中搜索符合特定约束的子图，即可定位候选孔洞。多视图方法则另辟蹊径，将三维B-Rep投影为多个正交视图的二维轮廓，再在二维图像中检测圆形特征，最后将结果反投影回三维空间，从而规避了直接处理三维拓扑结构的复杂性。

学习法：高性能但对域偏移敏感

另一条路线是深度学习。研究引入了两个代表性的B-Rep分割模型——UV-Net和AAGNet，并基于新构建的人工标注基准数据集进行训练。

结果显示，当标注数据充足时，学习法能够取得很强的性能。但它也暴露出明显短板：在面对域偏移（domain shift）时，鲁棒性显著下降。也就是说，一旦测试数据的分布与训练数据不一致，模型的表现就会打折扣。这正是真实工程环境中频繁出现的情况，因为不同企业、不同产品线的CAD模型风格差异巨大。

UV-Net是一种专为B-Rep设计的图神经网络，它将模型的每个面参数化为UV坐标系下的特征图，再通过面邻接图（face adjacency graph）聚合全局信息，从而实现面级别的语义分割。AAGNet（Attributed Adjacency Graph Network）则在此基础上进一步丰富了边特征的表达，将面与面之间的几何关系（如凸/凹过渡、共享边类型）编码为图的边属性，使模型能够捕捉更细粒度的装配与特征语义。两者都依赖大量带标注的B-Rep数据来学习特征表示，这也正是域偏移问题的根源：不同来源的CAD模型在建模规范、特征粒度和参数化风格上差异显著，导致在一个数据集上学到的表示难以直接迁移到另一个数据集。

实验设计的严谨性

这项研究的价值不仅在于结论，更在于其系统化的实验设计。团队进行了四个维度的评估：

• 参数优化：为规则方法寻找最优配置；
• 基准数据集评估：在人工标注的真实工程数据上测试；
• 跨域泛化：在合成数据集上验证方法的迁移能力；
• 可行性评估：在不同数据集规模和不同IoU（交并比）阈值下考察方法的适用边界。

这种多角度的交叉验证，使得结论不再是单一场景下的偶然，而是具备更广泛的参考价值。尤其是对数据规模的敏感性分析，直接回答了工程团队最关心的问题：到底需要标注多少数据，学习法才划算？

IoU（Intersection over Union，交并比）是分割任务中衡量预测结果与真实标注重叠程度的核心指标，其值等于预测区域与标注区域的交集面积除以二者的并集面积，范围在0到1之间，越高表示预测越精准。在CAD分割场景中，IoU阈值的选取尤为关键：工程零件的孔洞边界往往存在微小的几何误差或建模歧义，过高的阈值会导致实际可用的预测结果被误判为失败，而过低的阈值又可能掩盖方法的真实缺陷。因此，在多个IoU阈值下系统评估方法性能，能够更真实地反映方法在工程容差范围内的实用性，也便于不同精度要求的应用场景做出针对性选择。

核心启示：数据需求与鲁棒性的权衡

研究提炼出的洞见清晰而务实。规则方法无需训练数据即可良好泛化，适合数据稀缺或需要快速部署的场景；学习方法在数据充足时性能更强，但要为域偏移下的鲁棒性付出代价。

这实际上揭示了一组贯穿机器学习落地的基本矛盾——数据需求与鲁棒性之间的取舍。没有哪一种方法是绝对的赢家，选择取决于具体任务的约束条件：你有多少标注预算？你的数据分布是否稳定？你更怕漏检还是误检？

更重要的是，研究者强调这些发现不仅适用于孔洞检测，还能为更广泛的真实世界CAD分割任务提供方法选择的指引。对于正在将AI引入工程设计流程的团队而言，这是一份难得的、以证据为基础的决策参考。

结语

在合成数据主导的研究生态里，这项工作把目光拉回到真实工程的复杂性上。它没有盲目鼓吹深度学习的优越，也没有固守传统规则法的可靠，而是用严谨的对比实验呈现了二者的边界与互补。对于CAD智能化这一正在加速的领域来说，理解“什么方法在什么条件下有效”，远比追逐单一的性能数字更有意义。