GMDIC:一种基于对大型变形位移场的全球匹配的数字图像相关性测量方法
概括
一种新的深度学习方法增强了数字图像相关性 (DIC),用于测量斑点图像中的大变形. 这种方法提高了准确性和速度,在复杂的场景中表现优于传统技术.
科学领域:
- 光学测量 测量 光学测量
- 机械工程 机械工程
- 计算机视觉 计算机视觉
背景情况:
- 数字图像相关性 (DIC) 是一种非接触式光学方法,用于全场移位和应变测量.
- 传统的DIC在大变形,参数设置,匹配精度和计算速度方面面临限制.
- 深度学习 (DL) 显示出在DIC应用中克服这些挑战的潜力.
研究的目的:
- 开发一种新的基于深度学习的DIC方法,用于在复杂的大变形中准确地测量位移场.
- 增强特征表示,解决传统DIC方法的局限性.
主要方法:
- 一个新的深度学习网络,将Swin-Transformer与多头注意力和ECA注意力模块相结合.
- 整合位置信息以提高特征表示能力.
- 开发一个全面的移位现场数据集用于培训,模拟现实世界条件和复杂的变形.
主要成果:
- 拟议的DL-DIC模型在实践实验中实现了与传统DIC相美的位移预测准确度.
- 该模型在传统的DIC方法中表现出优越的性能,特别是在大排位场景中.
- 该网络有效地处理复杂的变形和大规模的图像数据.
结论:
- 拟议的基于深度学习的DIC方法为测量复杂的大变形中的位移场提供了强大的解决方案.
- 这种方法显著改善了传统DIC的精度和效率限制.
- 该方法对材料科学和工程中的先进应用具有前景,需要精确的变形分析.


