[发明专利]基于深度学习的数字体积相关方法、装置、设备及介质

说明书

本公开提供一种基于深度学习的数字体积相关方法、装置、设备及介质。该基于深度学习的数字体积相关方法包括：生成深度学习网络训练所用的三维图像数据集；构建深度学习网络；利用三维图像数据集对深度学习网络进行训练；输入变形前和变形后的三维数字体积图像到训练好的深度学习网络并执行计算，得到亚体素精度的三维变形场。本公开利用深度学习网络直接对三维数字体积图像的变形场进行测量，避免了复杂的迭代求解，计算简单易行，测量具有高精度的同时，也极大提升了测量速度，能够实现实时的亚体素精度三维变形场预测。

技术领域

本公开涉及光学测量技术领域，尤其涉及一种基于深度学习的数字体积相关方法、装置、设备及介质。

背景技术

对三维变形场的准确定量在航空航天、材料科学、生物医学、工程建筑等领域中都发挥着重要的作用。与基于传感器等方法的接触式位移测量不同，光学测量方法可以获得全场变形，无需与待测试件直接接触，既不会破坏试件，又可以适应各种测量尺度和测量条件，因此具有更为广泛的应用场景。

数字体积相关(Digital Volume Correlation，DVC)方法是光学测量中一类典型的方法，其通过计算变形前后数字体积图像的相关性确定各采样点的位移值，属于二维数字图像相关(Digital Image Correlation，DIC)方法在三维问题上的推广。数字体积相关方法对位移的表征结果，较其他光学测量方法更加准确高效，现已得到了一系列成功的应用。

传统数字体积相关方法的具体实现过程如下：首先，在三维数字体积图像内选取感兴趣的位置作为采样点，并以此为中心在变形前图像中划分子区，用于后续的相关计算；其次，各采样点分别在变形后图像中进行整体素搜索计算，以逐点扫描的方式确定相关系数最大的位置，进而获得相应的整体素位移值；最后，以整体素位移为基础，以仿射形函数近似子区内位移分布，对变形前后图像的子区进行匹配，并通过迭代来确定最终的位移值，进而实现亚体素精度的位移测量。

然而，为了提高变形测量的准确性，传统数字体积相关方法是通过迭代来确定最终的位移值。这种迭代求解的计算过程，严重降低了数字体积相关方法的测量效率，限制了采样点选取的数量，阻碍了实时三维变形测量的实现。

发明内容

(一)要解决的技术问题

针对目前存在的技术问题，本公开提出一种基于深度学习的数字体积相关方法、装置、设备及介质。

(二)技术方案

为解决上述技术问题，本公开采用的技术方案如下：

本公开提供了一种基于深度学习的数字体积相关方法，包括：生成深度学习网络训练所用的三维图像数据集；构建深度学习网络；利用三维图像数据集对深度学习网络进行训练；输入变形前和变形后的三维数字体积图像到训练好的深度学习网络并执行计算，得到亚体素精度的三维变形场。

上述方案中，所述生成深度学习网络训练所用的三维图像数据集，包括：生成一系列变形前的模拟三维数字体积图像和变形后的模拟三维数字体积图像，作为深度学习网络训练和验证的数据集。

上述方案中，所述变形前的模拟三维数字体积图像中任一点 (X，Y，Z)的灰度值G₀由下式确定：

其中a_x、a_y、a_z分别是点扩散函数沿x、y、z方向的半高全宽， (X_c，i，Y_c，i，Z_c，i)是第i个散斑粒子的中心位置，b是三维模拟图像的背景强度，n是散斑粒子的个数。

上述方案中，所述变形后的模拟三维数字体积图像中任一点 (x，y，z)的灰度值G1由下式确定：