Comparison and Evaluation of Conventional and Machine Learning-Assisted Reverse Engineering Workflows

Скорочена інформація про документ
dc.contributor.authorKunytsia, Artem
dc.contributor.authorLashyna, Yuliia
dc.date.accessioned2026-02-17T13:24:49Z
dc.date.available2026-02-17T13:24:49Z
dc.date.issued2025
dc.description.abstractReverse engineering workflows play a crucial role in converting physical components into digital CAD models, impacting efficiency and accuracy in various industries. Traditional manual approaches, while highly precise, are often slow and resource-intensive, prompting exploration of machine learning (ML) methods promising accelerated results. The aim of this study is to perform a comparative overview and practical evaluation of conventional and ML-assisted reverse engineering workflows, identifying their accuracy, speed, and applicability to support evidence-based recommendations for workflow selection. As part of the study, a steel chuck-jaw was scanned using a high-precision scanner as an example of a part for reverse engineering. Three distinct CAD models were created: the first by manual surfacing in CATIA V5, the second by semi-automatic fitting in Geomagic Design X, and the third using the ML-based Point2CAD pipeline followed by post-processing in Geomagic Design X. The models were then assessed by comparing surface-to-cloud deviations and the total time required for reconstruction. The manual CATIA workflow achieved the best accuracy but demanded significant time and hands-on effort. The semi-automatic Geomagic workflow offered an effective balance between accuracy and efficiency. The Point2CAD approach dramatically reduced reconstruction time but resulted in significant local deviations, even though the overall geometry was acceptably maintained. These results suggest selecting manual workflow for tasks where accuracy is critical, semi-automatic workflow can be recommended for standard precision tasks with balanced effort, and ML-assisted workflow – for rapid prototyping or digital archiving when moderate inaccuracy is permissible and the necessary hardware is available. Additionally, the comparative overview underscores that selecting a suitable reverse engineering workflow depends significantly on project-specific requirements, particularly regarding required accuracy, available hardware, and acceptable processing time.
dc.description.abstractotherВибір процесу зворотної розробки має суттєвий вплив на ефективність та точність при перетворенні фізичних об’єктів у цифрові CAD-моделі у різних галузях промисловості. Традиційні ручні підходи, хоч і є дуже точними, але часто виявляються повільними та ресурсомісткими, що спонукає розробників до вивчення можливості застосування методів машинного навчання (МН) з метою прискорення робочого процесу. Метою цього дослідження є проведення порівняльного аналізу та практичної оцінки традиційних та автоматизованих за допомогою МН процесів зворотної розробки, визначення їх точності, швидкості та застосовності для надання обґрунтованих рекомендацій щодо вибору робочого процесу. В межах дослідження за допомогою високоточного сканера було відскановано сталевий кулачок патрона в якості прикладу деталі для зворотного проєктування. Було створено три різні CAD-моделі: перша – шляхом ручного відтворення поверхонь у CATIA V5, друга – за допомогою напівавтоматичного методу в Geomagic Design X, і третя – з використанням Point2CAD на основі МН з подальшою постобробкою в Geomagic Design X. Точність отриманих моделей оцінювалась шляхом порівняння відхилення поверхні від вихідної хмари точок. Ефективність робочих процесів порівнювалась на основі аналізу загального часу, необхідного для реконструкції. Ручний робочий процес у CATIA дозволив досягти найвищої точності, але виявився найбільш тривалим та трудомістким. Напівавтоматичний процес у Geomagic Design X продемонстрував оптимальний баланс між точністю та ефективністю. Підхід, що базується на використанні Point2CAD, значно скоротив час реконструкції, проте призвів до суттєвих локальних відхилень, хоча загальну геометрію виробу було збережено на прийнятному рівні. Отримані результати свідчать про те, що ручне відтворення поверхонь слід обирати для завдань, де точність є критично важливою, напівавтоматичний робочий процес зворотного проєктування може бути рекомендований для завдань зі стандартною точністю та збалансованими зусиллями, а підходи, засновані на використанні методів машинного навчання, – для швидкого прототипування або цифрового архівування, коли допустима помірна неточність і є в наявності необхідне обладнання. Таким чином, вибір відповідного процесу зворотної розробки значною мірою залежить від специфічних вимог проєкту, зокрема щодо необхідної точності, доступного обладнання та прийнятного часу обробки.
dc.format.pagerangeP. 298-308
dc.identifier.citationKunytsia, A. Comparison and Evaluation of Conventional and Machine Learning-Assisted Reverse Engineering Workflows / Artem Kunytsia, Yuliia Lashyna // Mechanics and Advanced Technologies. – 2025. – Vol. 9, No. 3(106). – P. 298-308. – Bibliogr.: 15 ref.
dc.identifier.doihttps://doi.org/10.20535/2521-1943.2025.9.3(106).333347
dc.identifier.orcid0009-0001-3489-7202
dc.identifier.orcid0000-0003-3451-8740
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78831
dc.language.isoen
dc.publisherIgor Sikorsky Kyiv Polytechnic Institute
dc.publisher.placeKyiv
dc.relation.ispartofMechanics and Advanced Technologies, Vol. 9, No. 3(106)
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectreverse engineering
dc.subjectpoint cloud
dc.subjectCAD reconstruction
dc.subjectmachine learning
dc.subjectworkflow selection
dc.subjectdimensional accuracy
dc.subjectзворотна розробка
dc.subjectхмара точок
dc.subjectреконструкція САПР
dc.subjectмашинне навчання
dc.subjectвибір робочого процесу
dc.subjectточність розмірів
dc.subject.udc658.5
dc.titleComparison and Evaluation of Conventional and Machine Learning-Assisted Reverse Engineering Workflows
dc.title.alternativeПорівняння та оцінка традиційних і заснованих на машинному навчанні робочих процесів зворотного інжинірингу
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
298-308.pdf
Розмір:
1.31 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Mechanics and Advanced Technologies, Vol. 9, No. 3 (106)