Discente: VICTOR VILAÇA PADILHA PINTO

Título: TÉCNICAS DE COMPRESSÃO PARA OTIMIZAÇÃO DE MVCNNS NA CLASSIFICAÇÃO DE MODELOS MECÂNICOS EM CAD 3D

Orientador: PROF. DR. FRANCISCO MADEIRO BERNARDINO JUNIOR

Co-orientador: PROFA. DRA. VERUSCA SEVERO DE LIMA

Examinador Externo: PROF. DR. FELIPE ALBERTO BARBOSA SIMÃO FERREIRA

Examinador Interno: PROF. DR. RODRIGO DE PAULA MONTEIRO

Data: 26 DE MARÇO DE 2025

Horário: 14:30

Local: SALA DE ATOS (CSEC)

Resumo do projeto: 

No domínio do design e desenvolvimento de produtos, a recuperação eficiente e o reuso de modelos CAD 3D (Computer-Aided Design 3D) são essenciais para otimizar fluxos de trabalho e minimizar esforços redundantes. A rotulagem manual de modelos CAD, embora tradicional, é trabalhosa e sujeita a erros, evidenciando a necessidade de sistemas de classificação automatizados. As Redes Neurais Convolucionais de Múltiplas Vistas (MVCNN, do inglês  Multi-View Convolutional Neural Network) oferecem uma solução automatizada ao utilizar projeções 2D para representar objetos 3D, equilibrando alta precisão de classificação com eficiência computacional. Apesar de sua eficácia, as demandas computacionais das MVCNNs representam desafios em aplicações CAD em larga escala. Este estudo investiga o uso de estratégias de compressão, especificamente poda e quantização, no cenário de MVCNN aplicada à classificação de modelos mecânicos CAD 3D. Utilizando diferentes estratégias de poda e quantização, foram avaliados os trade-offs entre precisão de classificação, tempo de execução e uso de memória. Os resultados indicam que a quantização de 8 bits reduziu o uso de memória do modelo de 83,78 MB para 21,01 MB, com a precisão diminuindo apenas de 93,83% para 93,59%. Ao aplicar uma poda estruturada de 25%, o uso de memória do modelo foi reduzido de 83,78 MB para 47,16 MB, o tempo de execução caiu de 133 para 97 segundos e a precisão reduziu para 92,14%. Uma abordagem combinada de poda de 25% e quantização de 8 bits obteve uma eficiência de recursos ainda melhor, com o uso de memória reduzido para 11,86 MB, um tempo de execução de 99 segundos e precisão de 92,06%. Essa combinação de poda e quantização leva a uma otimização do modelo MVCNN, equilibrando uso de recursos e desempenho de classificação, sendo especialmente relevante em aplicações de grande escala.

Palavras-chave: CAD 3D; redes neurais convolucionais de múltiplas vistas; poda; quantização e técnicas de compressão.

Go to top Menu