CN111186139B - 一种3d打印模型的多层次并行切片方法 - Google Patents
一种3d打印模型的多层次并行切片方法 Download PDFInfo
- Publication number
- CN111186139B CN111186139B CN201911355386.7A CN201911355386A CN111186139B CN 111186139 B CN111186139 B CN 111186139B CN 201911355386 A CN201911355386 A CN 201911355386A CN 111186139 B CN111186139 B CN 111186139B
- Authority
- CN
- China
- Prior art keywords
- array
- sub
- tangent
- computing node
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Devices For Executing Special Programs (AREA)
Abstract
本发明涉及一种3D打印模型的多层次并行切片方法,该方法通过多层次并行处理的方式对三维模型切片进行加速,具体包含四个层次的切片并行化,分别为计算节点级、多GPU级、线程块级和线程级。在每一层次的并行化中,依据当前层次的地址空间分布、访存方式及数据结构特点设计了相应的任务划分与数据交互方案,使得各并行执行单元负载均衡及减少数据通信量。在线程级的并行化中,采用了对数组索引原子加的方式解决并行***时的数据竞争问题。本发明能够在不降低原有切片精度的情况下,有效地降低三维模型切片处理耗时。同时,通过各计算节点对相应子模型文件的并行读取,能够降低硬盘I/O时间;各计算节点仅需对子模型数据进行处理,减少了内存占用量。
Description
技术领域
本发明属于3D打印技术领域,具体涉及一种3D打印模型的多层次并行切片方法。
背景技术
3D打印是指对三维实体进行数字建模和分层,再通过某种材料和相关支持技术对物体进行逐层累加制造的过程。分层切片过程沟通了物品存储在计算机中的三维模型表示和最终加工出来的成品,三维数字模型只有预先被处理分层为一系列的二维平面数据,才能被3D打印设备识别并执行实际物品的打印。
STL是一种可在CAD和打印设备之间进行协作的数据格式,它是3D打印领域事实上的文件格式标准,它使用大量三角形面片来近似表示原始CAD模型,STL文件中记录了各三角面片的顶点信息和单位法向量。随着工业需求的不断提高,待打印制造物品的三维模型表示越来越复杂,对成品的精度的要求也越来越高,这些因素使得对三维模型的切片处理过程的耗时大幅度增加,逐渐成为制约3D打印整体生产效率提升的一个瓶颈。
文献“STL模型的分层邻接排序快速切片算法,计算机辅助设计与图形学学报,2011,Vol23(4),p600-606”公开了一种STL模型的分层邻接排序快速切片算法。该方法首先求出模型内各三角面片在切片方向上投影的最大与最小坐标值,结合各切平面的坐标值,进而确定与每个三角面片相交的切平面,并求出三角面片与切平面的交点坐标。此外,对于各切片层,按照三角面片间的邻接关系构造交点链表,对交点进行存储。文献所述方法相较于传统基于拓扑信息提取及矩形分组的切片方法取得了性能提升。文献所述方法本质上仍是一种串行算法,未对切片问题本身所具备的并行化处理潜力进行分析及加以利用,在对较大规模三维模型进行切片时,耗时依然很长,影响切片处理效率。
发明内容
要解决的技术问题
为了减少三维模型切片处理过程的耗时,提升切片效率,本发明提出了一种处理3D打印模型的多层次并行切片方法。设计四级并行化切片方案,利用了切片问题本身具备的并行化潜力,依靠各执行单元并行处理达到了降低三维模型切片处理耗时的效果,并且不降低原有的切片精度。
技术方案
一种3D打印模型的多层次并行切片方法,其特征在于步骤如下:
步骤1:执行计算节点级切片并行化,在集群内,以面片为基本单元在计算节点间做任务划分,根据划分结果分割原始模型文件得到多个子模型文件;
步骤2:执行多GPU级切片并行化,在每个计算节点内,以面片为基本单元在多个GPU间做任务划分,根据划分结果将对应子模型文件分次读入内存并构造面片和顶点数组,将切片所需的面片和顶点数组从计算节点主存导入GPU内存;
步骤3:执行线程块级切片并行化,将导入GPU内存的面片数组在各线程块之间划分为多个子面片数组;
步骤4:执行线程级的切片并行化,将属于一个线程块的子面片数组在各线程之间划分,线程依次处理分配到的各面片,对每个面片求取与其相交的所有切平面,并计算切线段,线程将切线段互斥地***对应层的切线段数组;
步骤5:将切线段数组从各GPU内存导出到主存,在CPU端合并各GPU计算结果,在每层产生一个对应于当前计算节点的子切线段数组;
步骤6:在计算节点之间按层进行任务划分,根据划分结果按层收集合并子切线段数组,在分配得到的每一层中得到一个对应的切线段数组;
步骤7:各计算节点对当前节点内存在的各层切线段数组依次处理,并行执行切线段连接生成层内切片轮廓线。
所述的步骤1中在计算节点间做任务划分是指,以面片为基本单元,以连续均分的方式划分原始模型文件,均分后的余数分配给最后一个计算节点;根据划分结果分割原始模型文件后形成若干子模型文件,一个计算节点分配一个。
所述步骤2中在多个GPU间做任务划分指,以面片为基本单元,以连续均分的方式划分子模型文件,均分后的余数分配给最后一个GPU。
所述步骤2中子模型文件读入及构造数组是指,计算节点根据任务划分结果,分若干次读取分配到的子模型文件,读取次数等于计算节点中包含的GPU数。读取完毕后计算节点主存中包含同组数的模型数据,每组包含一个面片数组和一个顶点数组。
所述步骤3中将面片在线程块之间划分,是首先采用连续均分的方式分配面片,对于均分后的余数采取一次一个依次分配给各线程块,使任务量分配均衡及每个线程块分到连续的面片。
所述步骤4中将子面片数组在线程之间划分,是采用一次一个在各线程间依次分配的方式,以使任务量分配均衡,及使相邻线程读取的内存单元连续,促成对GPU内存的合并读取以提升访存带宽。
所述步骤4中将切线段互斥地***数组,是指参与并行的线程在处理各自的三角面片时,计算出的切线段有几率属于同一层,需互斥地向同一数组中***数据。互斥***方式是,设置一个数组索引指向数组中下一个空闲的待***位置,规定***数据时需对数组索引执行原子加操作,并获取数组索引的当前值作为***位置。
所述步骤5中合并各GPU计算结果,是在CPU端对切线段数据按层进行合并处理,即将属于同一层的切线段合并到同一个数组中。
所述步骤6中在计算节点间收集合并切线段数据,具体包括以下步骤:
1)以层为基本单元,以连续均匀划分的方式在计算节点间分配合并任务,均分后的余数分配给最后一个计算节点;
2)计算节点对分配到的层执行数据合并,收集所有计算节点中位于同一层的切线段数据,统一合并到一个数组中;切线段数据合并完成后,各计算节点丢弃不属于当前计算节点的层的数据,释放内存空间。
有益效果
本发明提出的一种3D打印模型的多层次并行切片方法,该方法通过多层次并行处理的方式对三维模型切片进行加速,具体包含四个层次的切片并行化,分别为计算节点级、多GPU级、线程块级和线程级。在每一层次的并行化中,依据当前层次的地址空间分布、访存方式及数据结构特点设计了相应的任务划分与数据交互方案,使得各并行执行单元负载均衡及减少数据通信量。在线程级的并行化中,采用了对数组索引原子加的方式解决并行***时的数据竞争问题。本发明能够在不降低原有切片精度的情况下,有效地降低三维模型切片处理耗时。同时,通过各计算节点对相应子模型文件的并行读取,能够降低硬盘I/O时间;各计算节点仅需对子模型数据进行处理,减少了内存占用量。
附图说明
图1是本发明提出的四级并行化切片方法的各级流程框图;
图2是本发明提出的3D打印模型的四级并行化切片的各级执行单元结构图;
图3是本发明中计算节点级并行化任务划分示意图;
图4是本发明中多GPU级并行化任务划分示意图;
图5是本发明中线程块级并行化任务划分示意图;
图6是本发明中线程级并行化任务划分示意图;
图7是一实施例中两线程互斥地向同层切线段数组***数据示意图;
图8是原有方案和当前方案的切片耗时对比图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
参照图1-2,本发明通过多层次并行的方法提高三维模型的切片处理速度,具体包含四个层次的并行化。从自顶向下的角度看,分别为计算节点级、多GPU级、线程块级和线程级。
步骤一:执行计算节点级切片并行化,在集群内,以面片为基本单元在计算节点间做任务划分,根据划分结果分割原始模型文件,执行步骤二,完毕后在计算节点间收集合并切线段数据。
所述在计算节点间做任务划分是指,以面片为基本单元,以连续均分的方式划分原始模型文件,均分后的余数分配给最后一个计算节点。根据划分结果分割原始模型文件后形成若干子模型文件,一个计算节点分配一个。
参照图3,一个STL模型文件包含的面片总数N,集群中计算节点数为n1,每个计算节点均分到的面片数量为unify_count1,最后一个进程分到的面片数量为last_count1,则:
所述分割原始模型文件的益处有:
1)减少每个计算节点从硬盘读入内存的数据量,进而减少I/O时间;
2)减少每个计算节点的内存使用量,使得在计算节点内存总量固定的情况下,能够对更大的模型切片;
3)各计算节点并行执行切片计算,带来计算时间的有效降低。
所述在计算节点间收集合并切线段数据,具体包括以下步骤:
1)以层为基本单元,以连续均匀划分的方式在计算节点间分配合并任务,均分后的余数分配给最后一个计算节点。
每个计算节点均分得的层数为unify_layer_count,均分剩余的余数分配给最后一个计算节点,分得的层数为last_layer_count,则:
2)计算节点对分配到的层执行数据合并,收集所有计算节点中位于同一层的切线段数据,统一合并到一个数组中。在一个实施例中,使用MPI的MPI_Gather()接口对切线段数据进行合并操作,合并一层的数据调用一次此接口。切线段数据合并完成后,各计算节点丢弃不属于当前计算节点的层的数据,释放内存空间。
步骤二:执行多GPU级切片并行化,在计算节点内,以面片为基本单元在多个GPU间做任务划分,根据划分结果将子模型文件分次读入内存并构造面片和顶点数组,将切片所需数据从计算节点主存导入GPU内存,执行步骤三,完毕后将切线段数据从各GPU内存导出到主存,在CPU端合并各GPU计算结果。
所述在多个GPU间做任务划分指,以面片为基本单元,以连续均分的方式划分子模型文件,均分后的余数分配给最后一个GPU。
参照图4,每个计算节点中GPU数量为n2,当前计算节点分配到的子模型文件中包含的面片数量为count1,每个GPU均分得的面片数量为unify_count2,最后一个GPU分得的面片数量为last_count2,则:
所述步骤二中子模型文件读入及构造数组是指,计算节点根据任务划分结果,分若干次读取分配到的子模型文件,读取次数等于计算节点中包含的GPU数。读取完毕后计算节点主存中包含同组数的模型数据,每组包含一个面片数组和一个顶点数组。
其中,读取完毕后,计算节点主存中包含n2组数据,每组数据包含一个面片数组Face[]和一个顶点数组Vertex[]。在面片数组中,一个元素记录了一个面片中包含的三个顶点的索引,索引指顶点在Vertex[]数组中的下标。在顶点数组中,一个元素记录了顶点的x,y,z三维坐标系坐标。
进一步,所述合并各GPU计算结果,是在CPU端对切线段数据按层进行合并处理,即将属于同一层的切线段合并到同一个数组中。
在一个实施例中,使用OpenMP实现对计算节点内多GPU的控制,其中,创建的OpenMP线程数等于计算节点内的GPU数,一个OpenMP线程接管一个GPU计算卡。
步骤三:执行线程块级切片并行化,将导入GPU内存的面片数组在各线程块之间划分,执行步骤四。
所述将面片在线程块之间划分,是首先采用连续均分的方式分配面片,对于均分后的余数采取一次一个依次分配给各线程块,使任务量分配均衡及每个线程块分到连续的面片。
参照图5,线程块数量为n3,GPU内存中Face[]数组的面片数为count2,均分后的余数为remain_count,每个线程块分到的面片数为face_count,每个线程块具有连续且唯一的编号id,则:
在一个实施例中,将线程块组织为一维的,并根据GPU中包含流多处理器的数量合理设置线程块数。
步骤四:执行线程级的切片并行化,将属于一个线程块的子面片数组在各线程之间划分,线程依次处理分配到的各面片,对每个面片求取与其相交的所有切平面,并计算切线段,线程将切线段互斥地***对应层的切线段数组。
参照图6,线程数量为n4,所述将子面片数组在线程之间划分,是采用一次一个在各线程间依次分配的方式,以使任务量分配均衡,及使相邻线程读取的内存单元连续,促成对GPU内存的合并读取以提升访存带宽。
所述将切线段互斥地***数组,是指参与并行的线程在处理各自的三角面片时,计算出的切线段有几率属于同一层,需互斥地向同一数组中***数据。互斥***方式是,设置一个数组索引指向数组中下一个空闲的待***位置,规定***数据时需对数组索引执行原子加操作,并获取数组索引的当前值作为***位置。
在一个实施例中,将线程组织为一维的,一个线程块中包含的线程数通常为32的整数倍,依据GPU上寄存器等硬件资源数合理选取线程数。
参照图7,在一个实施例中,采用一个索引e记录arr数组当前待***的位置,线程x与线程y分别计算出同一切平面与各自三角面片的切线段s1与s2,欲同时向arr数组***,线程x执行AtomAdd(e),Insert(s1),线程y执行AtomAdd(e),Insert(s2),实现了向同一数组的互斥的正确***。
步骤五:各计算节点依据分配到的层,并行执行切线段连接生成层内切片轮廓线。
其中,各计算节点分配到的层是指,步骤一中在计算节点间收集合并切线段数据时分配的层。在数据收集合并期间,切线段数据被均衡地按层划分给了集群内各计算节点。划分后各层数据互相独立,各计算节点能够并行执行切线段连接生成层内切片轮廓线,完成对模型的切片处理。
参照图8,对原有方案和当前方案的切片耗时进行对比,其中原有方案指串行切片方案,当前方案指所述多层次并行切片方案,测试所用硬件设备为一个GPU集群,集群中包含两个计算节点,计算节点上CPU型号为Intel(R)Xeon(R)Gold [email protected],每个计算节点上有三块GPU计算卡,型号为Tesla V100-PCIE-32GB。测试结果显示,所述多层次并行切片方案可以有效降低切片耗时,且模型规模越大,加速效果越明显。
Claims (8)
1.一种3D打印模型的多层次并行切片方法,其特征在于步骤如下:
步骤1:执行计算节点级切片并行化,在集群内,以面片为基本单元在计算节点间做任务划分,根据划分结果分割原始模型文件得到多个子模型文件;
所述的在计算节点间做任务划分:以面片为基本单元,以连续均分的方式划分原始模型文件,均分后的余数分配给最后一个计算节点;根据划分结果分割原始模型文件后形成若干子模型文件,一个计算节点分配一个;
所述的根据划分结果分割原始模型文件后形成若干子模型文件:一个STL模型文件包含的面片总数N,集群中计算节点数为n1,每个计算节点均分到的面片数量为unify_count1,最后一个进程分到的面片数量为last_count1,则:
步骤2:执行多GPU级切片并行化,在每个计算节点内,以面片为基本单元在多个GPU间做任务划分,根据划分结果将对应子模型文件分次读入内存并构造面片和顶点数组,将切片所需的面片和顶点数组从计算节点主存导入GPU内存;
步骤3:执行线程块级切片并行化,将导入GPU内存的面片数组在各线程块之间划分为多个子面片数组;
步骤4:执行线程级的切片并行化,将属于一个线程块的子面片数组在各线程之间划分,线程依次处理分配到的各面片,对每个面片求取与其相交的所有切平面,并计算切线段,线程将切线段互斥地***对应层的切线段数组;
步骤5:将切线段数组从各GPU内存导出到主存,在CPU端合并各GPU计算结果,在每层产生一个对应于当前计算节点的子切线段数组;
步骤6:在计算节点之间按层进行任务划分,根据划分结果按层收集合并子切线段数组,在分配得到的每一层中得到一个对应的切线段数组;
步骤7:各计算节点对当前节点内存在的各层切线段数组依次处理,并行执行切线段连接生成层内切片轮廓线。
2.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤2中在多个GPU间做任务划分指,以面片为基本单元,以连续均分的方式划分子模型文件,均分后的余数分配给最后一个GPU。
3.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤2中子模型文件读入及构造数组是指,计算节点根据任务划分结果,分若干次读取分配到的子模型文件,读取次数等于计算节点中包含的GPU数;读取完毕后计算节点主存中包含同组数的模型数据,每组包含一个面片数组和一个顶点数组。
4.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤3中将面片在线程块之间划分,是首先采用连续均分的方式分配面片,对于均分后的余数采取一次一个依次分配给各线程块,使任务量分配均衡及每个线程块分到连续的面片。
5.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤4中将子面片数组在线程之间划分,是采用一次一个在各线程间依次分配的方式,以使任务量分配均衡,及使相邻线程读取的内存单元连续,促成对GPU内存的合并读取以提升访存带宽。
6.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤4中将切线段互斥地***数组,是指参与并行的线程在处理各自的三角面片时,计算出的切线段有几率属于同一层,需互斥地向同一数组中***数据;互斥***方式是,设置一个数组索引指向数组中下一个空闲的待***位置,规定***数据时需对数组索引执行原子加操作,并获取数组索引的当前值作为***位置。
7.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤5中合并各GPU计算结果,是在CPU端对切线段数据按层进行合并处理,即将属于同一层的切线段合并到同一个数组中。
8.根据权利要求1所述的一种3D打印模型的多层次并行切片方法,其特征在于所述步骤6中在计算节点间收集合并切线段数据,具体包括以下步骤:
1)以层为基本单元,以连续均匀划分的方式在计算节点间分配合并任务,均分后的余数分配给最后一个计算节点;
2)计算节点对分配到的层执行数据合并,收集所有计算节点中位于同一层的切线段数据,统一合并到一个数组中;切线段数据合并完成后,各计算节点丢弃不属于当前计算节点的层的数据,释放内存空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355386.7A CN111186139B (zh) | 2019-12-25 | 2019-12-25 | 一种3d打印模型的多层次并行切片方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355386.7A CN111186139B (zh) | 2019-12-25 | 2019-12-25 | 一种3d打印模型的多层次并行切片方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111186139A CN111186139A (zh) | 2020-05-22 |
CN111186139B true CN111186139B (zh) | 2022-03-15 |
Family
ID=70703318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911355386.7A Active CN111186139B (zh) | 2019-12-25 | 2019-12-25 | 一种3d打印模型的多层次并行切片方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111186139B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297400B (zh) * | 2021-05-31 | 2024-04-30 | 西北工业大学 | 一种3d打印模型的元数据提取方法 |
CN113681897B (zh) * | 2021-08-27 | 2023-03-03 | 深圳市纵维立方科技有限公司 | 切片处理方法、打印方法、***、设备和存储介质 |
CN114311682B (zh) * | 2022-03-03 | 2022-08-02 | 深圳市创想三维科技股份有限公司 | 模型生成方法、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819675A (zh) * | 2010-04-19 | 2010-09-01 | 浙江大学 | 一种基于gpu的层次包围盒的快速构造方法 |
CN101908087A (zh) * | 2010-07-16 | 2010-12-08 | 清华大学 | 基于gpu的集成电路电源地线网络的并行仿真方法 |
EP2750018A3 (en) * | 2012-12-27 | 2015-05-20 | LSI Corporation | Non-volatile memory program failure recovery via redundant arrays |
CN105630409A (zh) * | 2014-11-25 | 2016-06-01 | Sap欧洲公司 | 使用存储器内阵列和盘上页结构的双重数据存储 |
CN106202145A (zh) * | 2016-06-17 | 2016-12-07 | 北京四维新世纪信息技术有限公司 | 一种数据密集型计算的遥感图像预处理*** |
CN106686352A (zh) * | 2016-12-23 | 2017-05-17 | 北京大学 | 多gpu平台的多路视频数据的实时处理方法 |
CN106846236A (zh) * | 2016-12-26 | 2017-06-13 | 中国科学院计算技术研究所 | 一种可扩展的分布式gpu加速方法及装置 |
CN107563955A (zh) * | 2017-09-12 | 2018-01-09 | 武汉锐思图科技有限公司 | 一种基于gpu的并行地图切片方法及*** |
CN109159425A (zh) * | 2018-08-21 | 2019-01-08 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维模型的切片方法及三维打印装置 |
CN109857543A (zh) * | 2018-12-21 | 2019-06-07 | 中国地质大学(北京) | 一种基于多节点多gpu计算的流线模拟加速方法 |
US10379868B1 (en) * | 2019-02-04 | 2019-08-13 | Bell Integrator Inc. | Optimization method with parallel computations |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN104239133B (zh) * | 2014-09-26 | 2018-03-30 | 北京国双科技有限公司 | 一种日志处理方法、装置及服务器 |
US10474458B2 (en) * | 2017-04-28 | 2019-11-12 | Intel Corporation | Instructions and logic to perform floating-point and integer operations for machine learning |
CN108555301B (zh) * | 2018-05-03 | 2020-09-29 | 温州职业技术学院 | 一种大型精密金属零件的分区并行式三维打印成型方法 |
CN110349255B (zh) * | 2019-07-15 | 2023-04-25 | 万东百胜(苏州)医疗科技有限公司 | 一种器官超声建模3d打印方法 |
-
2019
- 2019-12-25 CN CN201911355386.7A patent/CN111186139B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819675A (zh) * | 2010-04-19 | 2010-09-01 | 浙江大学 | 一种基于gpu的层次包围盒的快速构造方法 |
CN101908087A (zh) * | 2010-07-16 | 2010-12-08 | 清华大学 | 基于gpu的集成电路电源地线网络的并行仿真方法 |
EP2750018A3 (en) * | 2012-12-27 | 2015-05-20 | LSI Corporation | Non-volatile memory program failure recovery via redundant arrays |
CN105630409A (zh) * | 2014-11-25 | 2016-06-01 | Sap欧洲公司 | 使用存储器内阵列和盘上页结构的双重数据存储 |
CN106202145A (zh) * | 2016-06-17 | 2016-12-07 | 北京四维新世纪信息技术有限公司 | 一种数据密集型计算的遥感图像预处理*** |
CN106686352A (zh) * | 2016-12-23 | 2017-05-17 | 北京大学 | 多gpu平台的多路视频数据的实时处理方法 |
CN106846236A (zh) * | 2016-12-26 | 2017-06-13 | 中国科学院计算技术研究所 | 一种可扩展的分布式gpu加速方法及装置 |
CN107563955A (zh) * | 2017-09-12 | 2018-01-09 | 武汉锐思图科技有限公司 | 一种基于gpu的并行地图切片方法及*** |
CN109159425A (zh) * | 2018-08-21 | 2019-01-08 | 东莞中国科学院云计算产业技术创新与育成中心 | 三维模型的切片方法及三维打印装置 |
CN109857543A (zh) * | 2018-12-21 | 2019-06-07 | 中国地质大学(北京) | 一种基于多节点多gpu计算的流线模拟加速方法 |
US10379868B1 (en) * | 2019-02-04 | 2019-08-13 | Bell Integrator Inc. | Optimization method with parallel computations |
Non-Patent Citations (1)
Title |
---|
3D打印技术中的数据文件格式;李彦生,尚奕彤,袁艳萍,陈继民,李东方,王颖,刘春春,窦阳;《北京工业大学学报》;20160713;第1009-1016页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111186139A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111186139B (zh) | 一种3d打印模型的多层次并行切片方法 | |
US20200257268A1 (en) | Creating a voxel representation of a three dimensional (3-d) object | |
KR20130016120A (ko) | 가속 구조를 구성하기 위한 시스템, 방법 및 컴퓨터 판독가능한 기록 매체 | |
CN109255828B (zh) | 执行相交测试以绘制3d场景图像的方法、光线跟踪单元 | |
US20090106530A1 (en) | System, method, and computer program product for generating a ray tracing data structure utilizing a parallel processor architecture | |
CN102306396A (zh) | 一种三维实体模型表面有限元网格自动生成方法 | |
JP2010033561A (ja) | マルチプロセッサ・システム上でデータ・セットを区分化およびソートするための方法および装置 | |
CN110516316B (zh) | 一种间断伽辽金法求解欧拉方程的gpu加速方法 | |
CN106845536B (zh) | 一种基于图像缩放的并行聚类方法 | |
CN102339479A (zh) | 使用光谱分析的伸展驱动的网格参数化 | |
Schlag et al. | Scalable edge partitioning | |
CN111080653B (zh) | 一种用区域分割和分组随机精简法精简多视角点云的方法 | |
Morozov et al. | Efficient delaunay tessellation through KD tree decomposition | |
CN110211234B (zh) | 一种网格模型缝合***和方法 | |
CN106484532B (zh) | 面向sph流体模拟的gpgpu并行计算方法 | |
CN112947870A (zh) | 一种3D打印模型的G-code并行生成方法 | |
CN110188462A (zh) | 基于神威架构的lbm算法优化方法 | |
Dhar et al. | GDP: GPU accelerated detailed placement | |
Martin et al. | Load-Balanced Isosurfacing on Multi-GPU Clusters. | |
CN116186571B (zh) | 车辆聚类方法、装置、计算机设备及存储介质 | |
CN110083446A (zh) | 一种gpu并行与零io模式下遥感影像实时处理方法及*** | |
CN115344383A (zh) | 一种基于进程并行的流线可视化并行加速方法 | |
CN110110158A (zh) | 一种三维网格数据的存储空间划分方法及*** | |
Binyahib | Scientific visualization on supercomputers: A survey | |
CN112764935A (zh) | 大数据处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |