工业CT图像重建工作站精准配置2022

时间:2022-07-03   来源:   网友评论:0   人气: 267 作者:

(一).工业CT图像重建软件介绍
CT扫描无损检测,使您能够“看穿”固体物体——曾经被认为是未来的工具——但这项技术今天就在这里,有比你想象的更广泛和更容易获得。

ct-station.png

CT扫描应用场景
•逆向工程——对现有零件或对象进行测量,然后创建精确的 CAD 复制品的过程。当您拥有制造的零件或物体,但没有原始印刷品或设计数据时,这项技术非常有用。
• 艺术赝品——对于被认为是工业产品的东西来说有点不寻常,但每年都有数百家艺术博物馆、经销商和拍卖行使用扫描来验证艺术品以及雕塑的结构完整性。
• 雕塑到制造加工——再次,艺术家将经常有他们的雕塑在铸造青铜雕像或生产高级时装系列之前,模型,无论是成型的还是人类的,都要扫描尺寸。
• 制造——用于组件的内部质量检查并确保零件符合规格;这包括由金属、塑料、聚合物、复合材料甚至 3D 打印产品制成的注塑、铸造、锻造或制造部件
• 发电/核能 —— 可以扫描核电厂或常规电力的复杂、难以到达和危险区域用于管道校准、锅炉完整性、安全壳建筑稳定性等的发电设施
• 汽车和航空航天——允许工程师对机械进行虚拟测试,帮助了解故障,用作分析结构、模拟反应的研发工具
• 艺术——检测伪造品和雕塑完整性金属铸件——检查气泡和整体孔隙率
• 塑料行业——检测质量、壁厚和孔隙率分析
• 模具制造——提供强大的检测和测量工具来验证精确的注塑模具并检查零件的结构完整性.

工业CT重建软件提供完整3D图像重建、分割和模型生成(建模),数字测量及检测、部件内部缺陷分析,通过转换基于体素的3D点云,支持高质量模型导出到CAD设计、逆向工程、有限元结构仿真模拟计算和3D 打印等功能,更全面满足应用需求。

目前主流工业CT软件:
商业版:VGstudio MAX,赛默飞Avizo、新思科技Simpleware…
开源版:ASTRA工具箱(基于MatLAB和Python,支持GPU计算)

随着高分辨率、大物体的三维重建的工程需求使得投影数据量激增,使重建出的CT图像的数据量也激增,从而重建速度就成为一个瓶颈,对计算机的计算性能要求越来越高;
 

(二).CT图像重建软件计算特点

2022-A310-AX420-WS.jpg

图形工作站硬件主要承担三个方面:
(1)三维重建(计算) :主要是对重建物体的参数进行设定,如X,Y,Z三个方向的比例因子,阈值分刮的设置以及插值方法的选择。
(2)三维显示模块(图形生成):对三维重建图像的各种操作,如旋转、缩放、改变重建物体的颜色和视图等功能。
(3)三维分析模块(数据可视化):对三维重建图像的测量剖切和剪裁等操作,通过对三维重建图像的分析可以获得物体内部任意方向的结构图,使检测人员无损观察物体内部的结构。

2.1 从软件功能分类看计算硬件

 

软件任务

功能

计算环节

1

CT重建

重建三维体积数据集,图像可视化,图像分割与处理

基于CT数据,计算出体素,

方式1 CPU的计算,有限多核高频

方式2 GPU计算

2

材料分析

无损缺陷检测

三维渲染(体可视化、切片)计算),涉及CPU生成图形定点计算,GPU纹理处理

3

几何分析

坐标测量

创建三维模型,大量的几何顶点计算,模型流畅,CPU频率是关键

4

仿真模拟

网格生成,结构力学模拟等

基于有限元算法求解计算,

多核并行计算,cpu高频、大内存带宽

5

逆向工程

生成网格模型

CAD3D打印

3


2.2 从关键任务看硬件配置特点

No

主要任务

关键硬件

1

图像重建/处理

多个 CPU 内核(适用于许多模块,包括大多数图像处理模块)

CPU时钟频率

2

可视化大数据

LDASMS

高速硬盘

系统内存

显存

内存到 GPU/CPU 带宽

3

基本体绘制

GPU 填充率(每秒纹素)

4

高级体积渲染

(体积渲染模块)

大量使用像素着色器

GPU 时钟频率、GPU 核心数

5

大型几何体渲染

GPU时钟频率,每秒三角形数

6

高性能平滑和降噪图像滤波器

绝对渗透率计算

GPU 速度、GPU 核心数(流处理器)、CUDA兼容(NVIDIA

7

其他计算模块、显示模块数据提取

CPU时钟频率

多个CPU内核

8

人工智能AI使用GPU API编程的自定义模块进行GPU 计算

GPU 时钟频率、GPU 核心数(流处理器)

GPU系统,例如 NVIDIA GPU CUDA计算


2.3 硬件配置特点

 

关键硬件

主要任务

推荐

配置参考

1

CPU

图像处理算法的性能

支持AVX2 扩展

Intel 酷睿、Xeon

核数建议超过8个以上

2

GPU

(1)图形生成:

大体积数据的直接体渲染或从数据中提取的大三角表面可视化的性能在很大程度上取决于 GPU 的能力

基于OpenGL

RTX A4000

RTX A5000

RTX A6000

(2)CT重建

(3)AI训练

GPU FP32性能、显存

 

3

内存

系统中的可用内存量将是对可以加载和处理的数据大小的主要限制

 

内存容量建议是数据集的4~8

4

硬盘

快速加载或保存大数据的能力在很大程度上取决于硬盘驱动器的性能

 

高速SSD

5

网口

数据读取与存储

 

 


 

文章评论