[发明专利]面向材料力学性能的智能三维位移场及应变场测量方法

说明书

本发明请求保护一种面向材料力学性能的智能三维位移场及应变场测量方法，包括以下步骤：步骤1.在材料表面喷涂随机喷涂散斑，使用两个相机同时连续采集图像以记录材料在外力作用下发生形变的过程。步骤2.构造记录材料形变的双目图像作为数据集；步骤3.结合2D卷积、3D卷积、转置卷积、卷积LSTM和多任务神经网络，建立一个三维位移场和应变场的神经网络模型。步骤4.利用训练集数据训练三维位移场和应变场计算神经网络模型。步骤5.计算材料的三维位移场和应变场。本发明通过2D卷积来提取图像中的特征信息，利用3D卷积对特征信息进行细化和编码，最后利用卷积LSTM神经网络的时间和空间特征提取能力结合转置卷积来计算材料三维位移场和应变场。

技术领域

本发明属于人工智能和光学测量领域，具体属于一种面向材料力学性能测量的三维位移场和应变场计算方法。

背景技术

数字图像相关法(DIC)是一种在实验力学领域迅速推广的全场位移应变测量技术。它是一种在通用性、易用性和计量性能之间取得了很好的平衡的光学测量方法。该光学测量方法于上世纪80年代被提出，在过去几十年众多学者对 DIC算法的性能、精度、稳定性等进行了改进，拓展了其应用范围和可用性。

2D-DIC只使用单个相机，限制了它只能测量平面内的形变而不能测量复杂的外形和形变。为了克服2D-DIC存在的限制，基于双目立体视觉原理的三维数字图像相关法(3D-DIC)得到了发展。3D-DIC可以测量复杂物体外形、位移、应变，相机测量前光轴不需要垂直测量物体表面，设备前期调整简单，环境敏感度较低。3D-DIC和计算机视觉的不断融合使其得到广泛应用。

传统的3D-DIC能够在一定程度上计算材料形变的位移场和应变场，但是其计算量巨大，很难做到实时测量。当左右图像视差较大、较小或材料发生大变形时，传统3D-DIC算法容易出现无法正确计算或计算结果精度低的问题。光照等外部条件也对3D-DIC的计算结果有着很大的影响。总之，计算量大、计算结果不稳定、条件要求严格等问题极大地制约了传统3D-DIC技术的应用。

基于深度学习的数字图像相关法已经被提出了，它通过将连续变化的两帧图像同时输入到卷积神经网络中，通过一系列卷积、反卷积操作，最后得到两帧图像之间的位移场。基于深度学习的三维重建也取得了较好的重建效果，但是目前还没有可行的针对三维位移场和应变场计算的深度学习模型。材料在外力作用下发生形变是一个连续的过程，并且当前时刻的形变量与过去的形变存在一定的关系。因此，相比于只对某一时刻的图像数据进行处理，结合时间序列处理更多时刻的图像数据能够获得更好的位移场预测精度。卷积LSTM神经网络通过将卷积神经网络处理空间问题的能力和LSTM解决时间序列问题的能力相结合，在解决时空序列预测问题上表现出强大的性能和理论优势。再进一步结合2D卷积、3D卷积来提取和细化空间特征，并利用转置卷积来补充高频细节和上采样。因此，研究一种面向材料力学性能测量的智能三维位移场和应变场计算方法能够更好的解决传统3D-DIC存在的问题。

申请公布号为CN112233104A，一种实时位移场和应变场检测方法、系统、装置和存储介质，涉及机器视觉技术，包括以下步骤：获取第一图像和第一配置参数；根据所述第一配置参数对所述第一图像进行分割，得到多个第一子图；提取各所述第一子图的第一特征；获取第二图像和第二配置参数；根据所述第二配置参数对所述第二图像进行分割，得到多个第二子图；根据各所述第一子图的第一特征进行特征搜索，确定各所述第一子图的第一特征在对应的第二子图中的第二位置，根据第二位置得到各所述第一子图的第二中心坐标；根据各所述第一子图的第一中心坐标和第二中心坐标，得到应变场。本方案可以大大提升应变场的检测效率。该技术采用图像分割的的方式提高了应变场计算的效率，使得该技术能够实时运行。但是该技术仍然是属于传统的二维位移场和应变场测量范围内，针对三维上的位移无法进行准确的检测。本发明利用深度学习来进行三维位移场和应变场计算，采用高性能GPU来加速计算过程，在GPU 算力足够的情况下，同样能够实时计算位移场和应变场。且本发明能够计算三维位移场和应变场，相比二维的位移场和应变场计算方法，本发明能够计算深度方向上的位移和应变，能够准确计算一些外形复杂的物体表面的三维位移场和应变场。