[发明专利]一种基于多尺度深度卷积神经网络的全场位移在线识别方法

说明书

本发明提供一种基于多尺度深度卷积神经网络的全场位移在线识别方法包括步骤1，建立散斑图像‑位移数据集，标识出散斑图像对应的位移；步骤2，根据散斑图像的位移，将其分为不同尺度的数据集，并将散斑图裁剪到相应的尺寸；步骤3，构建基于深度学习的多尺度卷积神经网络，自动判断输入的散斑图的尺度，并输出相应的位移。本发明提出的多尺度神经网络，通过融合多个单尺度上学习到的位移信息，实现位移场的准确预测，并通过设计实验对所提方法的有效性进行验证，结果表明所提出的全场位移在线识别方法可提供准确的位移预测结果。

技术领域

本发明涉及多尺度深度卷积神经网络技术领域，特别涉及一种基于多尺度深度卷积神经网络的全场位移在线识别方法。

背景技术

位移场是最直观反映物理实体的当前受载荷状态的物理量之一，可用于表征材料的刚度，评估结构关键部件的损伤状态等。现有的位移场测量方法主要是数字图像相关(DIC)方法，因其操作简单、环境要求低而被广泛应用于表面位移测量。该方法涉及跟踪(或匹配)两个图像之间的相同点，每次跟踪过程涉及优化计算，因而当识别出的斑点图像面积较大时，位移场的计算会非常耗时，导致DIC方法难以实现位移场的在线实时预测。近年来，以深度学习方法为代表的人工智能技术发展迅速，已被成功用于人脸识别、语义分割、自动驾驶等领域。为实现位移场的在线预测，少量研究工作基于深度学习构建了一个3D深度卷积神经网络(CNN)来预测斑点图像的位移，但由于只使用了单尺度子集图像的单尺度卷积神经网络进行模型训练，该方法的预测精度不足，仅适用于小变形。

发明内容

本发明为了解决该问题，本专利提出了一种基于通过融合多个单尺度上学习到的位移信息，实现位移场的准确预测的多尺度神经网络模型的全场位移在线识别方法。

提供一种基于多尺度深度卷积神经网络的全场位移在线识别方法，其特征在于，所述全场位移在线识别方法包括以下步骤：

步骤1，建立散斑图像-位移数据集，标识出散斑图像对应的位移；

步骤2，根据散斑图像的位移，将其分为不同尺度的数据集，并将散斑图裁剪到相应的尺寸；

步骤3，构建基于深度学习的多尺度卷积神经网络，自动判断输入的散斑图的尺度，并输出相应的位移；

所述多尺度卷积神经网络包括特征提取模块和多尺度决策融合模块；

所述特征提取模块包括小尺度CNN网络、中尺度CNN网络、大尺度CNN网络和全尺度CNN网络，分别输出小尺度特征向量、中尺度特征向量、大尺度特征向量和全尺度特征向量；

所述多尺度决策融合模块将四个不同尺度的特征向量生成系数矩阵，并通过系数矩阵与小尺度特征向量、中尺度特征向量和大尺度特征向量进行融合生成输出向量。

更近一步地，所述小尺度CNN网络包括依次连接的第一小尺度卷积模块、平均池化层、第二小尺度卷积模块、第三小尺度卷积模块、第四小尺度卷积模块、第五小尺度卷积模块和第六小尺度卷积模块；

所述中尺度CNN网络包括依次连接的第一中尺度卷积模块、平均池化层、第二中尺度卷积模块、第三中尺度卷积模块、第四中尺度卷积模块、第五中尺度卷积模块和第六中尺度卷积模块；

所述大尺度CNN网络包括依次连接的第一大尺度卷积模块、平均池化层、第二大尺度卷积模块、第三大尺度卷积模块、第四大尺度卷积模块、第五大尺度卷积模块、第六大尺度卷积模块和第七大尺度卷积模块；

所述全尺度CNN网络包括依次连接的第一全尺度卷积模块、平均池化层、第二全尺度卷积模块、第三全尺度卷积模块、第四全尺度卷积模块、第五全尺度卷积模块、第六全尺度卷积模块和第七全尺度卷积模块；

各卷积模块均包括依次连接的数量和尺寸不同的卷积核、归一化单元和Relu函数单元。