【技术实现步骤摘要】
本专利技术属于材料表面变形测量领域，具体涉及一种基于深度学习的材料表面变形位移场测量方法。
技术介绍
1、随着科学技术和工程技术的不断发展，材料测量技术也在持续快速的发展，被广泛应用于各种复杂的应力环境中，诸如航空发动机、火箭飞行器等大型特种设备及国防尖端领域，对生产制造发挥着极大的作用，在工业发展中具有具足轻重的作用。因此，对材料的力学行为研究具有十分重要的意义。
2、材料在外力的作用下表面的位移分布是表征材料表面变形的重要参数，通常能够直接反应材料结构的力学特性，从而为材料的选择提供理论支撑。随着实验力学技术的不断发展，越来越多的材料表面变形测量方法随之出现，这些方法被广泛应用于材料表面的变形表征中。传统的应变测量技术种类繁多，大致可分为接触式测量和非接触式测量两大类。接触式测量方法主要有应变片、引伸计、传感器等，这种测量方式的精度较高，稳定性较好。但由于需要接触被测物，在一定程度上对测量结果会产生较大的影响，不适用于微观物体以及较小弹性模量材料的变形测量。而非接触式测量方式有散斑干涉法、云纹干涉法、条纹投影法和数字图像相关方法，其中，数字图像相关算法因其具有操作设备简单、具有全场测量，适用范围广、测量精度高、环境要求较低等优点从众多方法中脱颖而出，是目前光测力学研究领域最为活跃的测量方法，吸引了许多学者在此相关领域展开深入研究。
3、数字图像相关法dic(digital image correlation)是一种用于全场测量的非接触式光学测量技术，该技术只需要通过相机采集被测物变形前后的散斑变形图像
4、数字图像相关算法通过整像素搜索和亚像素位移优化两个步骤测量试件的表面位移，整像素搜索通过各种匹配方法定位变形前后对应像素点位置坐标的整像素位移，如十字相乘法、傅里叶变换法、sift及群体智能算法等；为了进一步提高数字图像相关方法的测量精度，大量学者又提出了亚像素位移优化算法，如在1989年提出的正向增量牛顿拉夫逊(fa-ar)算法来计算位移场，极大的推动了dic算法的发展，但该方法在变形图像被更新时需要重新计算海森矩阵，这大大限制了计算效率。baker等又提出了反向组合高斯牛顿迭代(ic-gn)算法来进行图像子区配准，它有效避免了海森矩阵的重复计算，成为了最高效的亚像素匹配方法。但是在传统的数字图像相关算法中，计算步长的设置、子区大小、位移形函数、和插值方法、拟合方法的选择、迭代初值计算方法等因素都会影响数字图像相关算法的计算精度和速度。特别是对软材料进行拉伸试验时，由于其变形较大，散斑图变化较大，传统的dic算法不能对其进行准确的测量。
5、随着深度学习在计算机视觉领域中的飞速发展，深度学习逐渐开始应用于dic领域。min等人开始采用深度学习来代替传统的dic方法中的部分步骤，但是都存在计算精度和效率低的问题。boukhtache等借鉴了基于深度学习的光流法，采用计算机模拟的散斑图像数据集重新训练了和微调了多个现有的深度学习光流法框架并提出了strainnet，获得了与传统dic方法相当的位移场测量精度。yang等提出了一种基于深度学习的dic法deepdic，它包括了两个独立的卷积神经网络来分别进行端到端的位移场和应变场测量，但是该方法忽略了位移场和应变场之间的关系。
6、鉴于以上背景，如何将深度学习与数字图像相关法结合，提出一种速度快、鲁棒性好、测量精度高、且能克服传统数字图像相关法短板的基于深度学习的材料表面变形位移场测量方法，以实现对大变形位移场的准确测量，成为亟待解决的问题。
技术实现思路
1、鉴于此，本专利技术的目的在于提供一种基于深度学习的材料表面变形位移场测量方法，以解决传统数字图像相关法对大位移、大变形测量不准确的问题。
2、本专利技术提供的技术方案是：一种基于深度学习的材料表面变形位移场测量方法，包括如下步骤：
3、制作带标签的样本数据集，其中，所述样本数据集中的每个样本均包括与材料变形前的散斑图像对应的参考图像和与材料变形后的散斑图像对应的变形图像，所述参考图像和变形图像均由模拟生成的散斑图像处理得到，所述样本的标签为参考图像与变形图像之间对应的位移场，所述样本数据集包括训练数据集和验证数据集；
4、搭建基于深度学习的材料表面变形位移场测量模型并利用所述训练数据集和验证数据集对所述模型进行训练和验证，得到训练好的材料表面变形位移场测量模型，其中，所述模型包括特征提取模块、特征增强模块、特征匹配模块及位移场细化模块；所述特征提取模块用于使用加权卷积神经网络分别从输入的参考图像和变形图像中提取下采样密集特征；所述特征增强模块用于向提取的成对下采样密集特征中添加固定的2d正弦和余弦位置编码，并将添加位置编码后的下采样密集特征送到transformer中进行特征增强；所述特征匹配模块用于对增强后的成对下采样密集特征进行特征匹配并使用softmax匹配层获取初始位移场；所述位移场细化模块用于通过自关注层对所述初始位移场进行细化，得到细化后的位移场并作为所述材料表面变形位移场测量模型的输出；
5、采集材料表面变形前后的散斑图像并输入至所述训练好的材料表面变形位移场测量模型，得到待测量的材料表面变形位移场。
6、优选，散斑图像采用布尔模拟渲染器生成，所述布尔模拟渲染器通过在图像上随机渲染叠加黑色小圆盘，获得与实际散斑图像相似的合成斑点图像。
7、进一步优选，参考图像的尺寸是统一的，通过对散斑图像进行剪裁得到。
8、进一步优选，变形图像的生成方法如下：将生成的随机位移场应用于所述参考图像上，生成对应位移场下与参考图像对应的变形图像。
9、进一步优选，变形图像的生成方法具体步骤如下：
10、(1)选取不同像素大小的hermite元，并为每个hermite元生成多个随机位移场；
11、(2)将生成的随机位移场应用于所述参考图像上，得到无噪声的变形图像，之后，向所述无噪声的变形图像中加入高斯噪声，得到最终的变形图像，其中，所述高斯噪声水平不大于0.5％。
12、进一步优选，transformer中，对加入位置编码后的下采样密集特征进行多次自叠加、交叉注意和前馈网络。
13、进一步优选，特征增强模块中，采用swin-transformer的局部窗口注意力转移策略，将特征拆分为固定数量的局部窗口，窗口大小与特征大小相适应，将大小为h×w的窗口拆分为k×k个窗口，并在每个窗口内独立执行自关注和交叉关注。
14、进一步优选，对所述材料表面变形位移场测量模型进行训练的过程中，采用l1损失函数来监督模型的训练，所述l1损失函数如式：
15、
16、式中，n是位移场预测的数量，包括中间和最终位移场预测，θ表示本文档来自技高网...
【技术保护点】
1.一种基于深度学习的材料表面变形位移场测量方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：散斑图像采用布尔模拟渲染器生成，所述布尔模拟渲染器通过在图像上随机渲染叠加黑色小圆盘，获得与实际散斑图像相似的合成斑点图像。
3.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：参考图像的尺寸是统一的，通过对散斑图像进行剪裁得到。
4.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：变形图像的生成方法如下：将生成的随机位移场应用于所述参考图像上，生成对应位移场下与参考图像对应的变形图像。
5.根据权利要求4所述基于深度学习的材料表面变形位移场测量方法，其特征在于：变形图像的生成方法具体步骤如下：
6.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：Transformer中，对加入位置编码后的下采样密集特征进行多次自叠加、交叉注意和前馈网络。
7.根据权利要求1所述基于深度学习的材料表面变
8.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：对所述材料表面变形位移场测量模型进行训练的过程中，采用L1损失函数来监督模型的训练，所述L1损失函数如式：
9.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：对所述材料表面变形位移场测量模型进行训练的过程中，使用OneCycleLR学习率调度器动态调整学习率，学习率的初始值设置为4e-4；mian-batch梯度下降的batch大小设置为1；选择Adam作为优化方法；超参数β1和β2分别设置为0.9和0.999。
...【技术特征摘要】
1.一种基于深度学习的材料表面变形位移场测量方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：散斑图像采用布尔模拟渲染器生成，所述布尔模拟渲染器通过在图像上随机渲染叠加黑色小圆盘，获得与实际散斑图像相似的合成斑点图像。
3.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：参考图像的尺寸是统一的，通过对散斑图像进行剪裁得到。
4.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：变形图像的生成方法如下：将生成的随机位移场应用于所述参考图像上，生成对应位移场下与参考图像对应的变形图像。
5.根据权利要求4所述基于深度学习的材料表面变形位移场测量方法，其特征在于：变形图像的生成方法具体步骤如下：
6.根据权利要求1所述基于深度学习的材料表面变形位移场测量方法，其特征在于：transformer中，对加入位置编码后的下采样密...
【专利技术属性】
技术研发人员：王琳霖，邵景，潘新，刘哲，黄宁，李中一，王传云，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。