[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

说明书

本发明请求保护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，包括步骤：在材料表面喷涂随机喷涂散斑，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。结合卷积、转置卷积、卷积LSTM神经网络，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。本发明可移动的长焦双目相机对裂纹区域进行跟踪。

技术领域

本发明属于图像处理领域，尤其涉及图像复原技术。

背景技术

数字图像相关法(DIC)是一种在实验力学领域迅速推广的全场应变应变测量技术。它是一种在通用性、易用性和计量性能之间取得了很好的平衡的光学测量方法。该光学测量方法于上世纪80年代被提出，在过去几十年众多学者对DIC算法的性能、精度、稳定性等进行了改进，拓展了其应用范围和可用性。

2D-DIC只使用单个相机，限制了它只能测量平面内的形变而不能测量复杂的外形和形变。为了克服2D-DIC存在的限制，基于双目立体视觉原理的三维数字图像相关法(3D-DIC)得到了发展。3D-DIC可以测量复杂物体外形、应变、应变，相机测量前光轴不需要垂直测量物体表面，设备前期调整简单，环境敏感度较低。3D-DIC和计算机视觉的不断融合使其得到广泛应用。

传统的3D-DIC能够在一定程度上计算材料形变的位移场和应变场，但是其计算量巨大，很难做到实时测量。当左右图像视差较大、较小或材料发生大变形时，传统3D-DIC算法容易出现无法正确计算或计算结果精度低的问题。光照等外部条件也对3D-DIC的计算结果有着很大的影响。总之，计算量大、计算结果不稳定、条件要求严格等问题极大地制约了传统3D-DIC技术的应用。

当被测物体尺寸较大时，只能调整镜头焦距或者调整相机与测量物体之间的距离，这样会减少有效像素，不能准确反映测量物体的细节，造成测量结果精度不能满足要求。在力学实验中，裂纹延展的区域一般会越来越大，且裂纹本身比较微小，因此，单独的短焦相机难以准确获取裂纹区域的信息。采用不同焦距的动态多相机系统能够获得不同尺度的材料信息，利用长焦相机跟踪裂纹区域能够获取更多的裂纹区域的细节信息。

基于深度学习的数字图像相关法已经被提出了，它通过将连续变化的两帧图像同时输入到卷积神经网络中，通过一系列卷积、反卷积操作，最后得到两帧图像之间的应变场。基于深度学习的三维重建也取得了较好的重建效果，但是目前还没有可行的针对三维应变场计算的深度学习模型。材料在外力作用下发生形变是一个连续的过程，并且当前时刻的形变量与过去的形变存在一定的关系。因此，相比于只对某一时刻的图像数据进行处理，结合时间序列处理更多时刻的图像数据能够获得更好的应变场预测精度。卷积LSTM神经网络通过将卷积神经网络处理空间问题的能力和LSTM解决时间序列问题的能力相结合，在解决时空序列预测问题上表现出强大的性能和理论优势。再进一步结合2D卷积、3D卷积来提取和细化空间特征，并利用转置卷积来补充高频细节和上采样。因此，研究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能够更好的解决传统3D-DIC存在的问题。