R³-DICnet:一个端到端递归剩余精炼DIC网络,用于更大的变形测量

科学领域:

• 光学计量学 在光学计量学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 数字图像相关性 (DIC) 是用于测量物体变形的关键光学计量技术.
• 基于深度学习 (DL) 的DIC方法在小型和复杂的变形分析中表现出色.
• 现有的DL-DIC方法具有有限的测量范围,阻碍了现实世界的应用.

研究的目的:

• 开发一种先进的深度学习DIC方法,能够准确地测量小和大变形.
• 在测量范围方面解决现有的深度学习DIC技术的局限性.
• 提高DIC测量的准确性,效率和概括能力.

主要方法:

• 提出了一个新的递归代余精炼DIC网络 (R3-DICnet).
• R3-DICnet模仿了传统的两步DIC方法,使用深度和浅度特征进行初始估计和代改进.
• 该方法使用合成图像实验,单轴拉伸试验和形分裂试验进行了验证.

主要成果:

• 在测量小型和大型变形时,R3-DICnet表现出高精度和效率.
• 拟议的网络表现出强大的泛化能力,在复杂的变形场景中表现优于现有方法.
• 实验验证证了R3-DICnet在实际测量中的准确性和稳定性.

结论:

• R3-DICnet有效地克服了以前的深度学习DIC方法的测量范围限制.
• 这种新的方法为各种应用中准确有效的变形测量提供了强大的工具.
• 对于复杂的变形分析和现实世界的工程问题,R3-DICnet显示出了显著的优势.