通过基于初始斑点定位技术的深度学习算法对立体DIC进行实验和模拟调查

科学领域:

• 机械工程 机械工程
• 计算机视觉 计算机视觉
• 材料科学 材料科学 材料科学

背景情况:

• 精确的初始斑点定位对于基于深度学习的立体数字图像相关性 (立体DIC) 来说至关重要.
• 不准确的定位导致生成数据集和变形场计算中的错误.
• 现有的方法需要优化,以便精确地估计外部参数.

研究的目的:

• 提出一种优化的外部参数估计算法,用于在立体DIC中准确定位斑点.
• 开发和验证深度学习模型,用于同时测量移位和应变场.
• 提高立体DIC技术的整体准确性和可靠性.

主要方法:

• 使用模拟来评估各种外部参数估计算法的准确性.
• 应用了一个优化的算法来生成一个立体光斑图像数据集.
• 开发了一种改进的双分支CNN解卷架构 (DAS-Net),用于位移和应变输出.

主要成果:

• 优化的外部参数估计使实验图像和数据集图像之间的差异最小化 (平均绝对百分比误差<2%).
• 与以前的方法相比,DAS-Net在模拟中显示出更少的位移错误.
• 实验验证证证实了DAS-Net.net对移位和应变场的准确测量.

结论:

• 优化的外部参数估计显著提高了立体DIC的初始斑点定位精度.
• 拟议的DAS-Net算法有效地以高精度测量移位和应变场.
• 这项工作提高了基于深度学习的立体DIC用于实验力学的可靠性和适用性.