In the rapidly evolving realm of CAD model retrieval, efficient 3D shape retrieval and reuse remains a challenge in some CAD systems, causing increased design times and costs. This research sought to bridge this gap, investigating the efficacy of machine learning algorithms like 3D CNN Autoencoding and K-NN clustering in enhancing CAD model retrieval. Following an applied research methodology a 3D Shape Retrieval Tool (SRT) prototype was developed. Quantitative evaluation results showed a promising mean Average Precision (mAP) of 69%. Qualitative evaluation results included feedback from three end-users underscoring the need for advanced filtering and seamless tool integration. The findings provide a foundation for future work, highlighting potential areas like dataset augmentation, incorporating natural language processing, or harnessing superior hardware for improved performance.

Inom det snabbt utvecklande området för CAD-modellhämtning, förblir effektiv hämtning och återanvändning av existerande 3D-modeller en utmaning i vissa CAD/PLM-system, vilket leder till ökade designtider och kostnader. Denna forskning syftade till att överbrygga detta glapp genom att undersöka effektiviteten av maskininlärningsalgoritmer som 3D CNN Autoencoding och K-NN klustering för att förbättra CAD-modellhämtning. Med hjälp av en tillämpad forskningsmetodik utvecklades en 3D prototyp. Kvantitativa utvärderingsresultat visade en lovande genomsnittlig precision på 69%. Kvalitativa utvärderingsresultat inkluderade återkoppling från tre slutanvändare som underströk behovet av avancerad filtrering och smidig verktygsintegration. Resultaten ger en grund för framtida arbete, och lyfter fram potentiella områden som dataset augmentation, införande av naturlig språkbearbetning eller användning av avancerad hårdvara för förbättrad prestanda.