[发明专利]基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法

权利要求书

1.一种基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法，其特征在于，包括以下步骤：

随机在材料表面喷涂喷涂散斑，对材料施加外力作用使其发生形变并产生裂纹，使用不同焦距的相机组合来采集材料形变的多尺度信息；

构造多尺度材料形变图像序列作为数据集，所述的多尺度材料形变图像序列数据集包括训练集和测试集；

结合卷积、转置卷积、卷积LSTM神经网络，建立一个通过输入多尺度材料形变的图像序列来测量材料全局三维应变场的神经网络模型；

利用训练集数据训练材料三维应变场测量神经网络模型；

利用训练后的材料三维应变场测量神经网络模型，输入相机采集到的多尺度图像，实时测量材料的三维应变场，并通过应变场计算材料的裂纹区域，然后移动双目长焦相机来实时跟踪裂纹尖端。

2.根据权利要求1所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法，其特征在于，所述随机在材料表面喷涂散斑，对材料施加外力作用使其发生形变并产生裂纹，使用不同焦距的相机组合来采集材料形变的多尺度信息，具体包括以下条件：

在材料表面随机均匀地喷涂散斑，散斑颜色与材料背景分别采用黑色和白色；

在XYZ精密移动平台布置双目长焦相机和双目短焦相机来同时采集图像，其中双目长焦相机位于两个短焦相机之间；

所有相机采用外部触发的方式来保证图像在同一时刻被采集，相机的图像采集频率保持恒定，采集过程中相机白平衡、曝光时间保持恒定；

所有相机同时连续采集图像以记录材料在外力作用下的形变过程，其中双目短焦相机固定不动，用于采集材料全局图像信息，双目长焦相机利用XYZ精密移动平台控制跟踪采集材料裂纹尖端微小区域以记录材料裂纹区域的细节变化。

3.根据权利要求1所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法，其特征在于，所述构造多尺度材料形变图像序列作为数据集，具体包括：

分别准确标定两组双目相机间的相对位置、相机成像模型，并确定材料的位置、大小和形状；

计算机仿真方法通过标定获得的相机参数、位置关系数据用于建立一个仿真模型，该模型中材料表面的散斑通过现有的散斑发生器模拟、公开的图像3D-DIC数据集以及实验采集获得；

对计算机仿真模型中的材料进行随机的三维形变并模拟裂纹的产生，根据立体成像模型计算带模拟散斑的材料在所有相机中的成像结果，在裂纹的产生过程中，移动双目长焦相机来跟踪裂纹尖端，记录裂纹延展的详细信息；

通过多次的模拟仿真来获取材料模型准确的三维形变应变场数据以及模型在所有相机中的投影；

将相机采集或仿真得到的图像数据加入一定的噪声作为原始数据，这种噪声是模拟实际线性相机的典型传感器噪声，形变产生的三维应变场作为形变过程中对应的真实结果，图像和应变场组成材料形变数据集，该数据集包括训练集和测试集。