概括
深度3D-DIC克服了传统3D测量方法的局限性. 这种新的方法可以准确地估计大位移,从而实现全自动的3D形状和位移重建.
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:
- 传统的数字图像关联 (DIC) 方法在3D测量中遇到很大的位移问题.
- 现有的深度学习DIC方法缺乏准确性,原因是移位估计有限,预先信息不足.
研究的目的:
- 开发一种基于学习的3D-DIC方法,能够处理大位移并提高准确性.
- 引入一个粗到细的网络,以进行可靠的3D位移估计.
主要方法:
- 拟议的深度3D-DIC利用G-RAFT网络进行大而准确的位移估计.
- 使用GMA网络进行粗位移估计,然后使用RAFT-DIC用于剩余小变形.
- 实施了粗细的策略,通过从小排位中减去大排位来完善排位领域.
主要成果:
- 深度3D-DIC实现了完全自动的,像素智能的3D形状和位移重建,无需手动参数输入.
- 实验结果显示的准确性与传统的基于子集的3D-DIC.相当.
- 在复杂的表面场景中表现出强大的概括能力和优势.
结论:
- 深度3D-DIC为3D位移估计提供了强大而准确的解决方案,解决了现有方法的关键局限性.
- 拟议的方法为传统的3D-DIC提供了一个完全自动化的替代方案,适合复杂的应用.
