CN116049924B - 一种基于Cuda的三维零件差异分析方法 - Google Patents

一种基于Cuda的三维零件差异分析方法 Download PDF

Info

Publication number
CN116049924B
CN116049924B CN202310206965.5A CN202310206965A CN116049924B CN 116049924 B CN116049924 B CN 116049924B CN 202310206965 A CN202310206965 A CN 202310206965A CN 116049924 B CN116049924 B CN 116049924B
Authority
CN
China
Prior art keywords
octree
triangle
node
size
triangles
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
Application number
CN202310206965.5A
Other languages
English (en)
Other versions
CN116049924A (zh
Inventor
易平
朱凌穹
胡建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Eman Technology Co ltd
Original Assignee
Wuhan Eman Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Eman Technology Co ltd filed Critical Wuhan Eman Technology Co ltd
Priority to CN202310206965.5A priority Critical patent/CN116049924B/zh
Publication of CN116049924A publication Critical patent/CN116049924A/zh
Application granted granted Critical
Publication of CN116049924B publication Critical patent/CN116049924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种基于Cuda的三维零件差异分析算法，包括：获取GPU总显存；加载目标体与工具体的三维网格数据并统计三角形总数；统计三角形尺寸的分布范围；计算三角形顶点参数的GPU内存占用，并计算得到顶点坐标存储完成后的剩余显存；对1~N层八叉树中每个八叉树节点所包含的三角形进行索引并预测其内存占用；计算当前八叉树节点所包含的三角形，并添加至索引列表；根据八叉树根节点尺寸、距离公差及八叉树叶子节点编号，计算每个八叉树叶子节点的边界；对三角网格结果进行距离检测和可视化显示。本发明能改善CAD/CAE过程中几何对象相似分析的计算效率，优化零件差异对比计算结果的展示方式。

Description

一种基于Cuda的三维零件差异分析方法
技术领域
本发明属于CAD设计、CAE仿真分析领域，具体涉及一种基于Cuda的三维零件差异分析算法。
背景技术
模具设计过程中经常出现产品设计变更的情况，设计员需要通过对比新旧产品的差异来确认需要在何处对模具结构进行修改。人工对比时经常存在遗漏的情况。现有分析软件通常会将进行对比的零件分别定义为目标体与工具体，目前有采用两种分析模式：全量分析模式，将需要对比的目标体与工具体的曲面轮廓离散成点云，对比工具体点云中各点到目标体点云的距离；局部分析模式，采取采样的方式抽取目标提与工具体的曲面轮廓的关键点，只要工具体上存在关键点无法与目标体匹配的，则认定该曲面存在差异。现有技术中存在以下不足：1、全量分析方法存在计算量大，耗时太久，占用内存资源高等问题；
2、局部分析方法的最大的问题在于，部分曲面结构复杂且面积大，仅标识出该曲面无助与定位细节差异，同时存在目标体中曲面与工具体中曲面外形完全相同，但非一对一的关系，这样就会造成误判。
发明内容
本发明的目的在于，提供一种基于Cuda的三维零件差异分析算法，能改善CAD/CAE过程中几何对象相似分析的计算效率，优化零件差异对比计算结果的展示方式。
为解决上述技术问题，本发明的技术方案为：一种基于Cuda的三维零件差异分析算法，包括以下步骤：
三维零件包括目标体和工具体；其中，将待比较的两个三维几何对象中任意一个定义为目标体，另外一个定义为工具体；将目标体与工具体的三维几何通过三角剖分转换为三维网格数据；
一、N层八叉树构建及显存分配：
S1、通过Cuda API cuMemGetInfo获取GPU总显存大小M0；加载目标体与工具体的三维网格数据并统计三角形总数S；
S2、统计三角形尺寸大小的分布范围F（尺寸，概率）；
S3、计算三角形顶点参数的GPU内存占用，并计算得到顶点坐标存储完成后的剩余显存大小M1；
S4、对1~N层八叉树中每个八叉树节点所包含的三角形进行索引并预测其内存占用；
S5、计算当前八叉树节点所包含的三角形，并添加至索引列表；
S6、根据八叉树根节点尺寸、距离公差及八叉树叶子节点编号U，计算每个八叉树叶子节点的边界；
S7、对三角形与八叉树节点位置关系进行判定；
S8、跳转至S4，直至剩余显存M小于预设的显存阈值，记录此时八叉树层数n为八叉树最大层数N；
二、三角网格距离检测：
S9、将八叉树的最小单元划分为R*C份,其中，C为Cuda核心数目，R为满足R*C>=8N的最小整数；
S10、计算各三角形之间的距离；
S11、为目标体、工具体分别分配输出索引显存Mg与Mt用于存储不满足最小距离三角形索引，并初始化为false；
S12、GPU并行计算每个八叉树数叶子节点中目标体三角形与工具体三角形的相对位置关系；计算目标体三角网格与工具体三角网格间的重合性；
S13、对三角网格结果进行可视化显示。
S3中顶点坐标存储完成后的剩余显存大小M1的计算方法为：
M1=M0-S0*72
其中S0为此时的三角形个数，每个三角形数据存在3个顶点，每个顶点具备3个浮点坐标值，每个浮点坐标值的大小为8，故三角形顶点参数的GPU内存占用为S0*3*3*8=S0*72。
S4中内存占用的计算规则为：
设定当前八叉树节点的父节点中的所有三角形均匀分布在本节点与其兄弟节点内，则有尺寸为s的三角形出现在尺寸为t的八叉树的边缘附近的概率P为：
P=(1-(s/t)3)/2
其中，靠近边缘处六个面中有三个面与其兄弟八叉树相邻，因此三角形有较大概率同时属于其兄弟八叉树节点，边缘处三角形大概率被2个以上八叉树节点所包含，因此这部分三角形索引所占用显存将会翻倍，故每个三角形索引所需要的显存预期为：P*2+(1-P)=1+P。
显存阈值为S*4。
当前层中八叉树节点中索引的三角型所需显存M2为：
M2=ΣS*Fi概率*[1+Fi尺寸/(L/2n)3]
式中，L为八叉树根节点尺寸，n为当前层数，Fi尺寸和 Fi概率分别为S2中F(尺寸,概率)数组中的每条数据；其中，八叉树根节点尺寸取长宽高均值；故当前八叉树层索引完成后的剩余显存大小M1=M0-S*72-ΣS*Fi概率*[1+Fi尺寸/(L/2N)3]*4。
在S5中，当前八叉树中父节点中所包含的三角型索引、三角形的顶点数据、当前八叉树节点的边界作为计算的输入。
S7中的判定方法为：当满足三角形至少有一个顶点在八叉树节点边界范围内时，判定三角形在八叉树节点内部；当满足三角形至少一条边与八叉树节点六面相交时，判定三角形与八叉树节点相交；当八叉树节点的十二条边中至少一条穿过三角形时，判定三角形包围八叉树节点。
还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述方法的步骤。
还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法的步骤。
与现有技术相比，本发明的有益效果为：
1、利用GPU核心数量优势，通过GPU并行计算每个八叉树数叶子节点中目标体三角形与工具体三角形的相对位置关系，计算目标体三角网格与工具体三角网格间的重合性，改善CAD/CAE过程中几何对象相似分析的计算效率。
2、优化了零件差异对比计算结果的展示方式，对三角网格结果进行可视化显示，以可分割的彩色网格代替不可分割的三维曲面。
附图说明
图1为本发明实施例中线性展开的数据结构的示意图；
图2为本发明实施例中八叉树节点编码的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例的技术方案为：
0、三维零件包括目标体和工具体；其中，将待比较的两个三维几何对象中任意一个定义为目标体，另外一个定义为工具体；将目标体与工具体的三维几何通过三角剖分转换为三维网格数据。
1、N层八叉树构建及显存分配
S1.通过Cuda API cuMemGetInfo获取GPU总显存大小M0;加载目标体与工具体的三维网格数据并统计三角形总数S。
S2.统计三角形尺寸大小分布范围,格式如下：
F(尺寸,概率)=[{0.1:0.05},{0.2:0.1},{0.5:0.15},{1.0:0.4}:{2.0:0.3}]
上述格式表示:
尺寸小于0.1的三角形占比为5%
尺寸小于0.1~0.2的三角形占比为10%
尺寸小于0.2~0.5的三角形占比为15%
尺寸小于0.5~1的三角形占比为40%
尺寸大于2的三角形占比为30%
上述各项数值为本实施例中列举的具体数值，各项数值可根据实际情况调整。
S3.计算三角形顶点参数的GPU内存占用为：
S0*3*3*8每个三角形数据存在3个顶点,总共有S0个三角形，每个顶点分别有x/y/z三个浮点坐标值，8为每个浮点数据大小。
因此，顶点坐标存储完成后剩余显存大小M1=M0-S0*72
S4.对八叉树1~N层中每个八叉树节点所包含的三角形进行索引并预测其内存占用。
计算规则如下：
假定当前八叉树节点的父节点中的所有三角形均匀分布在本节点与其兄弟节点内。
尺寸为s的三角形出现在尺寸为t的八叉树的边缘附近的概率约为:
P=(1-(s/t)3)/2，靠近边缘处六个面中有三个面与其兄弟八叉树相邻，因此三角形有较大概率同时属于其兄弟八叉树节点。
边缘处三角形可能被2个以上八叉树节点所包含，因此这部分三角形索引所占用显存将会翻倍。因此，每个三角形索引所需要的显存预期为：
P*2+(1-P)=1+P
因此，结合S3中三角形尺寸分布可求得当前层中八叉树节点中索引的三角型所需显存为：
M2=ΣS*Fi概率*(1+Fi尺寸/(L/2n)3)
S为当前节点父节点所包含的三角形总数，L为八叉树根节点尺寸（取长宽高均值），n为当前层数，Fi为S2中F(尺寸,概率)数组中的每条数据。
因此，当前八叉树层索引完成后剩余显存:
M1=M0-S*72-ΣS*Fi概率*(1+Fi尺寸/(L/2N)3)*4
S5.计算当前八叉树节点中所包含的三角形,并添加至索引列表。
其父节点中所包含的三角型索引、三角形的顶点数据、当前八叉树节点的边界作为计算的输入。
S6.根据八叉树根节点尺寸（L,W,H）与距离公差tol及八叉树叶子节点编号U计算每个八叉树叶子节点的边界。
S7.三角形与八叉树节点位置关系判定，其中：
7.1三角形在八叉树节点内部
需要满足三角形至少有一个顶点在八叉树节点边界范围内。
7.2三角形与八叉树节点相交
需要满足三角形至少一条边与八叉树节点六面相交。
7.3三角形包围八叉树节点
八叉树节点的十二条边中至少一条穿过三角形。
S8.重复S4的计算，直至剩余显存M小于S*4(最差情况下目标体与工具体中所有网格均不相同，输出结果需要索引所有三角网格的序号)
记此时八叉树层数n为八叉树最大层数N。
2、三角网格距离检测
S9.将八叉树的最小单元划分为R*C份,C为CUDA核心数目，R为满足R*C>=8N的最小整数
S10.计算三角形的距离：
3.1三角形相交判断：若三角形相较，则必有两三角A/B形必有A的边穿过B，转换为计算直线段与三角形相较问题。
3.2三角形距离计算：分为A的三个顶点到B距离最短与A、B中的边距离最短两种情况。
1) A中顶点P到三角形B距离为最短距离则必存在P点投影至B所在平面上的点P’在B内部（否则必定属于A、B边距最短情况），此时P到B的最短距离即为P到P’距离。
2) A、B中的边距离最短两种情况可转换为直线段的距离计算。
S11.为目标体、工具体分配输出索引显存Mg与Mt用于存储不满足最小距离三角形索引，并初始化为false。
S12.GPU并行计算每个八叉树数叶子节点中目标体三角形与工具体三角形的相对位置关系。每轮次启用C个GPU线程，并行计算执行C个叶子节点的三角形位置信息。
如目标体在叶子节点Y中有G1,G2,G3三个三角形，工具标体在叶子节点Y中有T1,T2,T3,T4四个三角形。
分别计算G1~G3与T1~T3的距离,伪代码如下：
循环G1~G3
循环 T1~T4：
计算 Gm 到 Tn的距离 Dmn
若Dmn小于tol
记Gm三角形的ID为i,Tn三角形ID为k
将显存Mg[i] 置为true表示与工具体最小距离小于公差
将显存Tg[k] 置为true表示与目标体最小距离小于公差
退出当T1~T4循环
此段伪代码用于计算目标体三角网格与工具体三角网格间的重合性。
数组Mg中被置为false的部分代表目标体三角网格中与工具体不重合的三角形；
数组Tg中被置为false的部分代表工具体三角网格中目标体与不重合的三角形。
S13.可视化三角网络显示结果
创建工具体结果模型与目标体结果模型,并设置为不同颜色。
顺序遍历S4中显存Mg与Mt中被置为false的三角形索引，得到其对应的三角形顶点坐标，将目标体与工具体中的三角形分别添加目标体结果模型与工具体结果模型。即可直观显示目标体与工具体差异点。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于Cuda的三维零件差异分析方法，其特征在于，包括以下步骤：
三维零件包括目标体和工具体；其中，将待比较的两个三维几何对象中任意一个定义为目标体，另外一个定义为工具体；将目标体与工具体的三维几何通过三角剖分转换为三维网格数据；
一、N层八叉树构建及显存分配：
S1、通过Cuda API cuMemGetInfo获取GPU总显存大小M0；加载目标体与工具体的三维网格数据并统计三角形总数S；
S2、统计三角形尺寸大小的分布范围F（尺寸，概率）；
S3、计算三角形顶点参数的GPU内存占用，并计算得到顶点坐标存储完成后的剩余显存大小M1；
S4、对1~N层八叉树中每个八叉树节点所包含的三角形进行索引并预测其内存占用；
S5、计算当前八叉树节点所包含的三角形，并添加至索引列表；
S6、根据八叉树根节点尺寸、距离公差及八叉树叶子节点编号U，计算每个八叉树叶子节点的边界；
S7、对三角形与八叉树节点位置关系进行判定；
S8、跳转至S4，直至剩余显存大小M1小于预设的显存阈值，记录此时八叉树层数n为八叉树最大层数N；
二、三角网格距离检测：
S9、将八叉树的最小单元划分为R*C份,其中，C为Cuda核心数目，R为满足R*C>=8N的最小整数；
S10、计算各三角形之间的距离；
S11、为目标体、工具体分别分配输出索引显存Mg与Mt用于存储不满足最小距离小于距离公差的比较判定，并初始化为false；其中，最小距离为叶子节点中目标体三角形与工具体三角形的距离；
S12、GPU并行计算每个八叉树数叶子节点中目标体三角形与工具体三角形的相对位置关系；计算目标体三角网格与工具体三角网格间的重合性；
S13、对三角网格结果进行可视化显示。
2. 根据权利要求1所述的一种基于Cuda的三维零件差异分析方法，其特征在于，S3中顶点坐标存储完成后的剩余显存大小M1的计算方法为：
M1=M0-S0*72
其中S0为此时的三角形个数，每个三角形数据存在3个顶点，每个顶点具备3个浮点坐标值，每个浮点坐标值的大小为8，故三角形顶点参数的GPU内存占用为S0*3*3*8=S0*72。
3.根据权利要求1所述的一种基于Cuda的三维零件差异分析方法，其特征在于，S4中内存占用的计算规则为：
设定当前八叉树节点的父节点中的所有三角形均匀分布在本节点与其兄弟节点内，则有尺寸为s的三角形出现在尺寸为t的八叉树的边缘附近的概率P为：
P=(1-(s/t)3)/2
其中，靠近边缘处六个面中有三个面与其兄弟八叉树相邻，因此三角形有较大概率同时属于其兄弟八叉树节点，边缘处三角形大概率被2个以上八叉树节点所包含，因此这部分三角形索引所占用显存将会翻倍，故每个三角形索引所需要的显存预期为：P*2+(1-P)=1+P。
4.根据权利要求1所述的一种基于Cuda的三维零件差异分析方法，其特征在于，显存阈值为S*4。
5. 根据权利要求3所述的一种基于Cuda的三维零件差异分析方法，其特征在于，当前层中八叉树节点中索引的三角型所需显存M2为：
M2=ΣS*Fi概率*[1+Fi尺寸/(L/2n)3]
式中，L为八叉树根节点尺寸，n为当前层数，Fi尺寸和Fi概率分别为S2中F(尺寸,概率)数组中的每条数据；其中，八叉树根节点尺寸取长宽高均值；
故当前八叉树层索引完成后的剩余显存大小M1=M0-S*72-ΣS*Fi概率*[1+Fi尺寸/(L/2N)3]*4。
6.根据权利要求1所述的一种基于Cuda的三维零件差异分析方法，其特征在于，在S5中，当前八叉树中父节点中所包含的三角型索引、三角形的顶点数据、当前八叉树节点的边界作为计算的输入。
7.根据权利要求1所述的一种基于Cuda的三维零件差异分析方法，其特征在于，S7中的判定方法为：当满足三角形至少有一个顶点在八叉树节点边界范围内时，判定三角形在八叉树节点内部；当满足三角形至少一条边与八叉树节点六面相交时，判定三角形与八叉树节点相交；当八叉树节点的十二条边中至少一条穿过三角形时，判定三角形包围八叉树节点。
8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
CN202310206965.5A 2023-03-07 2023-03-07 一种基于Cuda的三维零件差异分析方法 Active CN116049924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310206965.5A CN116049924B (zh) 2023-03-07 2023-03-07 一种基于Cuda的三维零件差异分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310206965.5A CN116049924B (zh) 2023-03-07 2023-03-07 一种基于Cuda的三维零件差异分析方法

Publications (2)

Publication Number Publication Date
CN116049924A CN116049924A (zh) 2023-05-02
CN116049924B true CN116049924B (zh) 2023-07-04

Family

ID=86123938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310206965.5A Active CN116049924B (zh) 2023-03-07 2023-03-07 一种基于Cuda的三维零件差异分析方法

Country Status (1)

Country Link
CN (1) CN116049924B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910505A (zh) * 2019-11-29 2020-03-24 西安建筑科技大学 一种场景模型的加速渲染方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100450823B1 (ko) * 2001-11-27 2004-10-01 삼성전자주식회사 깊이 이미지 기반 3차원 물체의 표현을 위한 노드 구조
JP4381743B2 (ja) * 2003-07-16 2009-12-09 独立行政法人理化学研究所 境界表現データからボリュームデータを生成する方法及びそのプログラム
US8169434B2 (en) * 2008-09-29 2012-05-01 Microsoft Corporation Octree construction on graphics processing units
CN106373192B (zh) * 2016-09-07 2019-03-26 成都理工大学 一种非拓扑一致性三维网格块体追踪算法
US10915670B2 (en) * 2016-09-14 2021-02-09 Autodesk, Inc. Spatial constraint based triangular mesh operations in three dimensions
BR112019003587A8 (pt) * 2016-10-12 2022-09-27 Hewlett Packard Development Co Serializar uma representação de um objeto tridimensional
CN106846457B (zh) * 2016-11-25 2020-05-26 国家超级计算天津中心 一种ct切片数据可视化重构的八叉树并行构造方法
CN114627219A (zh) * 2020-12-11 2022-06-14 中兴通讯股份有限公司 三维场景数据的渲染方法及装置、存储介质、电子装置
CN113868476B (zh) * 2021-09-28 2024-03-12 西安热工研究院有限公司 一种基于局部密度的八叉树点云预处理方法
CN114529648A (zh) * 2022-02-18 2022-05-24 北京市商汤科技开发有限公司 模型展示方法、设备、装置、电子设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910505A (zh) * 2019-11-29 2020-03-24 西安建筑科技大学 一种场景模型的加速渲染方法

Also Published As

Publication number Publication date
CN116049924A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110795797B (zh) 一种mbd模型加工特征识别及信息提取方法
JP4381743B2 (ja) 境界表現データからボリュームデータを生成する方法及びそのプログラム
CN111382777B (zh) 从网格中提取特征树
CN106780751A (zh) 基于改进的屏蔽泊松算法的三维点云重建方法
CN105761303A (zh) 在3d建模组件上创建包围盒
CN115661374B (zh) 一种基于空间划分和模型体素化的快速检索方法
CN111243094A (zh) 一种基于点灯法的三维模型精确体素化方法
CN114119804A (zh) 平面模型包围多边形生成方法、装置及家具轮廓识别方法
JP2022125003A (ja) 機械部品を表す３ｄモデル化オブジェクトのセグメント化
CN116049924B (zh) 一种基于Cuda的三维零件差异分析方法
CN112734934A (zh) 一种基于相交边映射的stl模型3d打印切片方法
CN115330971B (zh) 一种面向渲染性能优化的几何模型轻量化方法
CN110738726B (zh) 一种基于八叉树的机器人视觉引导三维物体重建方法
CN111383341A (zh) 从原始网格生成结构化的3d模型
CN114882496B (zh) 基于深度图像的三维部件相似度计算方法
CN116798028A (zh) 三维零件的尺寸自动标注方法
Ji et al. Point cloud segmentation for complex microsurfaces based on feature line fitting
Varnuška et al. Simple holes triangulation in surface reconstruction
CN112819108B (zh) 一种多源异构模型的切片融合方法、系统及存储介质
CN110060346A (zh) 确定代表真实对象皮肤的小面的集合
CN111696111B (zh) 一种基于ssdf衰减图聚类的3d模型网格分割方法
Falcidieno et al. Natural surface approximation by constrained stochastic interpolation
CN114089692A (zh) 一种适用于零件复杂细长面的快速数控编程方法
Owada et al. Enumeration of contour correspondence
CN113673006B (zh) 一种物理热工耦合可视化全堆芯复杂几何建模方法及系统

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