基于深度学习的无参考全场应变测量方法

《Engineering Applications of Artificial Intelligence》:A deep learning based method for reference-free full-field strain measurement

【字体: 大 中 小 】 时间:2026年03月01日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  在这项工作中,研究人员解决了在未变形构型的参考图像不可用时估计全场平面应变的问题。经典的数字图像相关(Digital Image Correlation, DIC)及基于图像的相关方法依赖于未变形状态和变形状态之间的比较,因此无法应用于此类场景。为了克服这一限

  
在这项工作中,研究人员解决了在未变形构型的参考图像不可用时估计全场平面应变的问题。经典的数字图像相关(Digital Image Correlation, DIC)及基于图像的相关方法依赖于未变形状态和变形状态之间的比较,因此无法应用于此类场景。为了克服这一限制,研究人员提出了一种基于深度学习的方法,直接从单一变形图像估计面内应变状态。训练卷积神经网络(Convolutional Neural Network, CNN)通过学习变形引起的纹理特征来回归两个主应变及其方向,将应变估计表述为一个数据驱动的回归问题。该方法使用从经典DIC散斑图案和通过光学显微镜获取的钢微观结构图像生成的合成变形图像进行验证。进行了系统的敏感性分析以评估子集大小和训练数据集大小的影响。在合成数据上,所提出的方法达到了超过0.96的决定系数,平均应变误差约为0.01 m/m。对变形图案的真实实验图像的初步验证表明,该方法可以捕捉有意义的应变分布,尽管精度低于基于参考的DIC,正如从统计的、无参考公式所预期的那样。因此,所提出的方法并非旨在取代经典DIC,而是为了在参考构型不可用的实验情况下实现应变估计。
基于深度学习的无参考全场应变测量方法解读

数字图像相关(Digital Image Correlation, DIC)是固体表面位移和应变场测量的主流方法,其核心原理是比对未变形参考图像与变形图像。然而,许多实际场景中参考图像无法获取,例如仅能获得变形后的材料微观结构显微图,这限制了传统DIC的应用。为了解决这一问题,研究人员提出一种无需参考图像的深度学习(Deep Learning, DL)方法,直接由单张变形图像估计面内应变状态,相关成果发表于《Engineering Applications of Artificial Intelligence》。该研究的意义在于开创了无参考全场应变测量的新范式,拓展了应变分析在参考构型缺失情境下的可行性。

为开展研究,主要采用了以下关键技术方法:基于卷积神经网络(Convolutional Neural Network, CNN)的DeepStrainNet网络,其主干采用VGG-16架构的卷积基作为特征提取器,并将分类头替换为三个神经元(分别对应主应变ε1、ε2和方向θ)的回归头,激活函数为线性函数。训练过程使用均方误差(Mean Squared Error, MSE)损失函数和Adam优化器,采用余弦衰减学习率策略。合成数据来源包括经典DIC散斑图案(一幅2160×4096像素图像)和X65钢光学显微镜微观结构图像(10幅1536×2048像素显微图),通过数字孪生(Digital Twin, DT)生成变形子集,并引入随机灰度噪声和光照变化以模拟实验不确定性。样本队列来源明确:散斑图案基于黑白喷漆制备,微观结构取自X65钢样品。敏感性分析确定了最优子集尺寸(99×99像素)和训练集规模(20000张图像)。

在研究结果部分,研究人员通过一系列实验验证了方法性能,并得出以下结论:

**数值验证**:首先,利用合成变形图像进行概念验证,基于光学流守恒原理和位移场解析式生成子集,变形参数范围设定为ε1∈[0,1.2],ε2∈[-0.6,0],θ∈[-25°,+25°]。敏感性分析表明,在微观结构图案上,子集尺寸从49×49增至99×99像素时平均R2提升至0.876,继续增至199×199像素无显著改进;训练集从5000增至20000张图像时平均R2达0.952,之后趋于稳定。此最优配置在散斑图案上也获得类似性能,R2分别为0.96(ε1)、0.98(ε2)和0.97(θ)。计算成本方面,模型推理时间约0.007秒/子集,训练约28分钟。在恒定应变场测试中(目标ε1=0.3,ε2=-0.1,θ=5°,添加5灰度级噪声),散斑图案的应变重建误差(偏差和标准差)约0.01 m/m,而微观结构图案的ε1偏差较大,且误差集中在微观结构不规则区域。在正弦应变梯度测试中(ε1沿水平方向从0到最大值变化),DeepStrainNet能重建总体趋势,但预测值倾向于低估目标值,误差水平高于恒定应变情况。

**实验应用**:针对真实散斑图案,采用带缺口DP600钢试样的拉伸实验数据,将试样左侧(约50000张子集)用于训练和验证,右侧(约10000张子集)用于测试,网络仅使用变形图像训练,无参考图像信息。与商业DIC软件(MatchID)对比,DeepStrainNet能正确捕捉应变梯度,但结果噪声较大,精度低于经典DIC。针对真实微观结构,训练集完全采用合成变形图像(基于X65钢未变形显微图生成),测试集使用同一材料变形样品断裂附近的显微图(两幅),并通过有限元(Finite Element, FE)模型估计预期应变水平(ε1≈0.3,ε2≈-0.15)。结果显示,次要应变ε2估计较准确(均值约-0.13),但主要应变ε1系统性低估。此外,网络能清晰区分样品树脂边界,表明其学习了有效变形模式并忽略非信息区域。

在讨论部分,研究人员指出,DeepStrainNet从单张图像提取应变信息是可行的,但假设纹理具有局部可重复的统计特性,当纹理性高度不规则时精度下降。合成数据与真实实验数据间的域差距是主要局限:合成图像虽模拟了噪声和光照变化,但仍缺乏真实微观结构中的晶界、相衬和拓扑噪声等复杂度。对于散斑图案,由于有大量标注真实图像,可直接从头训练网络;而微观结构分析中,真实标注不足,且FE模型仅提供宏观估计,难以通过微调或迁移学习弥补。尽管存在这些不足,网络对微观结构次要应变的准确估计及对树脂边界的识别表明该技术具有改进潜力。

最后,研究结论部分翻译如下:在本研究中,研究人员引入了DeepStrainNet,一种基于深度学习的从单一变形图像进行全场应变估计的方法,消除了对参考构型的需求。主要发现总结如下:
- 提出了一种新颖的无参考应变估计框架,证明了使用卷积神经网络可直接从单一变形图像推断主应变(ε1, ε2)及其方向(θ)。这代表了对经典DIC方法的一种概念性偏离,后者固有地依赖参考构型。
- 通过对源自经典散斑图案和真实微观结构图像的合成数据集的数值验证,证明了该方法的可行性,表明可从局部纹理变化中提取有意义的应变信息。
- 对真实实验图像的应用证实,DeepStrainNet能在无参考图像的情况下捕捉相关应变分布,尽管精度低于经典DIC,正如从统计的、无参考公式所预期。

当前验证局限于特定材料和变形场景,但结果仍展示了所提方法在参考图像不可用实验情境下的潜力。未来工作将聚焦于弥合合成数据与实验数据的域差距,探索域自适应技术、迁移学习、生成模型增强训练数据及引入空间平滑或物理约束的混合损失函数,并转向上下文感知架构(如编码器-解码器或注意力网络)以处理多尺度应变分析。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号