Nous avons le plaisir de vous convier à la soutenance de thèse de M. Chao ZHANG intitulée « Reconstruction de modèles CAO paramétriques 3D basés sur l'apprentissage automatique à partir de dessins 2D ».
La soutenance se déroulera le jeudi 10 juillet 2025 à 14h00 dans l’amphithéâtre J001 du Campus d’Aix-en-Provence, Arts et Métiers.
Vous pourrez également suivre la soutenance de thèse via le lien Teams suivant :
Membre du jury :
NOM et Prénom | Fonction et établissement | Examinateur / Rapporteur / Invité |
RIVEST Louis | Professor, ÉTS Montréal | Examinateur |
DIGNE Julie | Research Director, UCB Lyon 1 | Examinateur |
GIANNINI Franca | Research Director, IMATI-CNR | Rapporteur |
MORIN Géraldine | Professor, Université de Toulouse | Rapporteur |
PERNOT Jean-Philippe | Professor, Arts et Métiers | Rapporteur |
POLETTE Arnaud | Ass. Professor, Arts et Métiers | Rapporteur |
PINQUIÉ Romain | Ass. Professor, Grenoble INP | Rapporteur |
DE CHARNACE Henri | CTO, Cognitive Design Systems | Rapporteur |
Résumé :
Résumé : La reconstruction 3D est un domaine de recherche important qui a reçu beaucoup d'attention de la part des universités et de l'industrie. La reconstruction de modèles CAO paramétriques à partir de dessins 2D est une tâche complexe qui prend du temps. Cette thèse se concentre sur la reconstruction automatique et efficace de modèles CAO paramétriques 3D à partir de dessins 2D. Une revue systématique de la littérature a montré que les méthodes existantes ont des performances limitées dans la reconstruction de modèles CAO éditables à partir de dessins 2D. Dans ce projet, nous avons divisé la tâche de reconstruction 3D en trois problèmes de recherche : la représentation, l'apprentissage et l'optimisation. Nous explorons trois stratégies de reconstruction différentes. Tout d'abord, une approche basée sur des règles est proposée pour convertir les dessins 2D en modèles B-Rep muets. Ensuite, une approche basée sur l'apprentissage profond convertit les modèles B-Rep muets en modèles paramétriques. Cette stratégie de reconstruction met en œuvre le pipeline de reconstruction avec des modèles B-Rep muets comme résultats intermédiaires. La troisième stratégie de reconstruction est une optimisation du premier pipeline afin de remédier à ses lacunes en matière de représentation des données et d'algorithmes. Cette approche convertit directement les dessins 2D en modèles CAO paramétriques 3D basés sur l'apprentissage par renforcement sans avoir besoin de résultats intermédiaires. Les résultats reconstruits démontrent de bonnes performances dans les comparaisons qualitatives et quantitatives. En outre, nos algorithmes seront intégrés dans des logiciels commerciaux pour des applications industrielles dans le domaine de l'impression 3D et de la transformation numérique en 3D.
Mots-clés : Rétro-ingénierie, reconstruction CAO, modélisation paramétrique, dessin 2D, apprentissage automatique, réseau neuronal, apprentissage par renforcement
Abstract : 3D reconstruction is a significant research area that has received much attention from academic and industry. Reconstructing parametric CAD models from 2D drawings is a complex and time-consuming task. This thesis concentrates on automatically and efficiently reconstructing 3D parametric CAD models from 2D drawings. Through a systematic literature review, the existing methods have limited performance in reconstructing editable CAD models from 2D drawings. In this project, we have divided the 3D reconstruction task into three research problems: representation, learning, and optimization. We explore three different reconstruction strategies. First, a rule-based approach is proposed to convert 2D drawings into dumb B-Rep models. Next, a deep learning-based approach converts dumb B-Rep models into parametric models. This reconstruction strategy implements the reconstruction pipeline with dumb B-Rep models as intermediate results. The third reconstruction strategy is an optimization of the first pipeline to address its shortcomings in data representations and algorithms. This approach directly converts 2D drawings into 3D parametric CAD models based on reinforcement learning without the need for intermediate results. The reconstructed results demonstrate good performance in both qualitative and quantitative comparisons. Additionally, our algorithms will be integrated into commercial software for industrial applications in 3D printing and 3D digital transformation.
Keywords : Reverse engineering, CAD reconstruction, Parametric modeling, 2D drawing, Machine learning, Neural network, Reinforcement learning
Thèse dirigée par PERNOT Jean-Philippe et co-encadrée par Arnaud POLETTE et Romain PINQUIE.