From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures

本文介绍了YOLOv8-TO，一种新颖的方法，使用YOLOv8实例分割模型将拓扑优化结构逆向工程成可解释的几何参数。基于密度的拓扑优化方法需要进行后处理，将最优密度分布转换为参数化表示，以进行设计探索和与CAD工具集成。传统的方法如骨架化在处理复杂几何形状时存在困难，并需要手动干预。YOLOv8-TO通过训练自定义的YOLOv8模型，自动检测和重构来自二进制密度分布的结构组件，从而解决了这些挑战。该模型在使用Moving Morphable Components方法生成的优化和随机结构的多样化数据集上进行训练。基于预测几何形状的Dice系数的自定义重构损失函数用于通过自监督学习来训练模型的新回归头。该方法在来自不同拓扑优化方法的测试集上进行评估，包括超出分布范围的样本，并与骨架化方法进行比较。结果显示，YOLOv8-TO在重构视觉和结构相似的设计方面明显优于骨架化。该方法展示了Dice系数平均提高13.84％，峰值增强达到20.78％。该方法表现出对复杂几何形状的良好泛化性和快速推理时间，适合在常规工作站上集成到设计工作流程中。局限性包括对非最大抑制阈值的敏感性。YOLOv8-TO代表了拓扑优化后处理的重大进展，实现了高效准确地逆向工程优化结构，以进行设计探索和制造。

本文旨在通过使用YOLOv8实例分割模型，将拓扑优化结构反向工程成可解释的几何参数，以便进行设计探索和与CAD工具的集成。

YOLOv8-TO通过训练自定义的YOLOv8模型，自动检测和重建二进制密度分布中的结构组件，解决了传统方法如骨架化处理复杂几何图形时需要手动干预的问题。

该方法在多个拓扑优化方法生成的测试集上进行了评估，并与骨架化方法进行了比较。结果表明，YOLOv8-TO在重建视觉和结构相似的设计方面显著优于骨架化方法。此外，该方法表现出对复杂几何图形的良好泛化性能和快速推理时间，适合于使用常规工作站集成到设计工作流程中。

最近的相关研究包括使用深度学习方法进行拓扑优化的研究，如使用卷积神经网络进行形状优化和生成。