【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种端到端变形测量方法、系统、存储介质、设备。
技术介绍
1、数字图像相关(dic)技术是一种基于数字图像处理的非接触式变形测量方法。其具体技术流程通常包括：对物体在不同载荷状态下采集数字图像，进行图像预处理，基于相关算法搜索匹配的像素子区，计算其间的位移场，并进一步计算获得物体的平面内位移和形变。
2、虽然数字图像相关技术得到了广泛应用，但基于传统数字图像相关算法和处理流程的变形测量系统存在以下问题：
3、1、手动设置的相关性算法参数难以取得最优，相关计算不够鲁棒，图像噪声、光照变化等都会严重影响匹配准确率；
4、2、特征识别和匹配依赖预定义的算法原理和相关标准，无法自主学习和提取图像的高级特征；
5、3、各个处理模块独立分离，无法进行端到端训练和参数优化；
6、4、变形计算过程复杂耗时，难以实现实时测量；
7、5、缺乏对遮挡、边界效应等情况的有效处理，鲁棒性差；
8、6、变形测量系统检测精度与速度难以同时兼顾。
9、近年来，深度学习技术为数字图像相关技术带来了新的契机。特别是卷积神经网络结构在图像特征提取和匹配中的强大能力，以及端到端学习的思路，使其有可能打破传统数字图像相关技术的瓶颈，取得更好的测量性能。
10、具体来说，运用卷积神经网络实现的变形预测，可以端到端地学习和优化图像的特征描述、匹配与运动估计模块，无需手动设置计算参数和提取图像特征。理论上其测量精度可以显著提高。与此同时，
11、但是直接应用现有的深度学习变形预测网络到变形测量领域，仍存在一些问题，目前基于深度学习的光流算法研究仅停留在提出算法模型阶段，还没有形成从图像采集、处理到变形计算与结果展示的完整端到端测量系统，无法直接转化为工程应用的解决方案。
技术实现思路
1、为了解决上述问题，本专利技术提出一种基于深度学习的端到端变形测量系统，包括：包括：图像采集模块、图像预处理模块、roi区域更新模块、变形预测模块、结果可视化模块、界面显示模块；
2、图像采集模块用于实时捕获被测对象在变形过程中的连续图像序列；
3、图像预处理模块用于对图像采集模块获取的连续图像序列进行畸变校正、去噪处理，得到预处理后图像；
4、roi区域更新模块用于对预处理后图像进行待测区域的roi绘制，并计算图像位移数据，结合位移数据进行roi区域动态更新，得到散斑图像；
5、变形预测模块包括变形预测模型，用于对所述散斑图像的最新的roi区域进行位移和应变预测计算，结果以数组形式保存；
6、变形预测模型的构建过程包括：
7、(1)获取模拟的散斑图像；
8、(2)定义图像广义位移场；
9、(3)将所述广义位移场作用在所述模拟的散斑图像上，生成变形图像，模拟的散斑图像和变形图像组成图像对；根据所述广义位移场计算出对应的应变场；
10、(4)每对图像对和对应的广义位移场组成位移数据集，每对图像对和对应的应变场组成变形数据集；
11、(5)构建位移预测和应变预测模型，使用位移数据集和变形数据集分别对所述模型进行训练，得到训练好的位移预测模型和训练好的应变预测模型，训练好的位移预测模型和训练好的应变预测模型组成变形预测模型；
12、结果可视化模块用于获取变形预测模块的计算结果数组，并绘制为矢量图或应力云图传递给界面显示模块；
13、显示模块用于读取图像预处理模块、结果可视化模块的图像进行显示；还用于接收用户的参数输入，控制图像采集模块、图像预处理模块、roi区域更新模块、变形预测模块，实现人机交互。
14、进一步地，广义位移场使用刚体平移、旋转、拉伸/压缩、剪切和局部变形表示，数学表达式如下：
15、
16、
17、其中，表示广义位移场，u表示x方向广义位移场，v表示y方向广义位移场，为刚体旋转分量，θ表示随机旋转角度，为均匀拉伸/压缩、剪切分量，kx表x方向上的压缩分量，γx表示x方向的剪切分量，γy表示y方向的剪切分量，ky表示y方向上的压缩分量，为2d高斯函数表示的局部变形分量，表示x方向上2d高斯函数表示的局部变形分量，表示y方向上2d高斯函数表示的局部变形分量，为刚体平移分量，tx表示x方向上的刚体平移分量，ty表示y方向上的刚体平移分量，x表示对应的x坐标，y表示对应的y坐标，表示x方向上2d高斯函数表示的局部变形分量的幅度，表示y方向上2d高斯函数表示的局部变形分量的幅度，表示x方向上2d高斯函数表示的局部变形分量的峰值中心坐标，表示y方向上2d高斯函数表示的局部变形分量的峰值中心坐标，表示x方向上2d高斯函数表示的局部变形分量的x轴方向的标准差，表示x方向上2d高斯函数表示的局部变形分量的y轴方向的标准差，表示y方向上2d高斯函数表示的局部变形分量的y轴方向的标准差，表示y方向上2d高斯函数表示的局部变形分量的x轴方向的标准差。
18、进一步地，根据所述广义位移场计算出对应的应变场，公式如下：
19、
20、
21、
22、其中，εxx表示横向应变，kx表示横向应变中泊松比引起的体变应变，表示x方向上2d高斯函数表示的局部变形分量，εyy表示纵向应变，ky表示纵向应变中泊松比引起的体变应变，表示y方向上2d高斯函数表示的局部变形分量，εxy表示切向应变，γx表示横向应变中泊松比引起的体变剪切应变，γy表示纵向应变中泊松比引起的体变剪切应变。
23、进一步地，位移预测和应变预测模型采用编码-解码结构，位移预测和应变预测模型的输入与输出尺寸大小相同，编码器包含第一特征提取部分、第二特征提取部分、第三特征提取部分、第四特征提取部分、第五特征提取部分，第一特征提取部分的输出与第二特征提取部分的输入相连，第二特征提取部分的输出与第三特征提取部分的输入相连，第三特征提取部分的输出与第四特征提取部分的输入相连，第四特征提取部分的输出与第五特征提取部分的输入相连，每个特征提取部分是由两个卷积模块组成，每个特征提取部分的第一卷积模块的输入为所在特征提取部分的输入，每个特征提取部分的第一卷积模块的输出与第二卷积模块的输入相连，每个特征提取部分的第二卷积模块的输出为所在特征提取部分的输出，每一个卷积模块包含一个卷积层、一个batchnorm批量归一化层、一个leakyrelu激活层，第一特征提取部分输出第一特征图，第二特征提取部分输出第二特征图，第三特征提取部分输出第三特征图，第四特征提取部分输出第四特征图，第五特征提取部分输出第五特征图；
24、解码器包含第一上采样部分、第二上采样部分、第三上采样部分、第四上采样部分、第五上采样部分；
25、第一上采样部分由第一反卷积模块、第二反卷积模本文档来自技高网...
【技术保护点】
1.一种基于深度学习的端到端变形测量系统，其特征在于，包括：图像采集模块、图像预处理模块、ROI区域更新模块、变形预测模块、结果可视化模块、界面显示模块；
2.根据权利要求1所述的一种基于深度学习的端到端变形测量系统，其特征在于，广义位移场使用刚体平移、旋转、拉伸/压缩、剪切和局部变形表示，数学表达式如下：
3.根据权利要求2所述的一种基于深度学习的端到端变形测量系统，其特征在于，根据所述广义位移场计算出对应的应变场，公式如下：
4.根据权利要求1所述的一种基于深度学习的端到端变形测量系统，其特征在于，位移预测和应变预测模型采用编码-解码结构，位移预测和应变预测模型的输入与输出尺寸大小相同，编码器包含第一特征提取部分、第二特征提取部分、第三特征提取部分、第四特征提取部分、第五特征提取部分，第一特征提取部分的输出与第二特征提取部分的输入相连，第二特征提取部分的输出与第三特征提取部分的输入相连，第三特征提取部分的输出与第四特征提取部分的输入相连，第四特征提取部分的输出与第五特征提取部分的输入相连，每个特征提取部分是由两个卷积模块组成，每个特征提取部
5.根据权利要求4所述的一种基于深度学习的端到端变形测量系统，其特征在于，第一特征提取部分的第一卷积模块中的卷积层使用的卷积核为7×7，步长为1，第一特征提取部分的第二卷积模块中的卷积层使用的卷积核为5×5，步长为1；第二特征提取部分到第五特征提取部分的第一卷积模块中的卷积层使用的卷积核为5×5，步长为2，第二特征提取部分到第五特征提取部分的第一卷积模块中的卷积层使用的卷积核为3×3，步长为1。
6.根据权利要求4所述的一种基于深度学习的端到端变形测量系统，其特征在于，每个反卷积模块包含一个反卷积层和和一个LeakyReLU激活层，反卷积层使用的卷积核大小为4×4，步长为2。
7.根据权利要求4所述的一种基于深度学习的端到端变形测量系统，其特征在于，位移预测和应变预测模型利用多尺度损失函数进行训练：
8.一种基于深度学习的端到端变形测量方法，其特征在于，基于权利要求1-7任一项所述的系统实现，包括：
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求8所述方法的步骤。
10.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括计算机可读指令，所述处理器被配置用于调用所述计算机可读指令，执行如权利要求8所述的方法。
...【技术特征摘要】
1.一种基于深度学习的端到端变形测量系统，其特征在于，包括：图像采集模块、图像预处理模块、roi区域更新模块、变形预测模块、结果可视化模块、界面显示模块；
2.根据权利要求1所述的一种基于深度学习的端到端变形测量系统，其特征在于，广义位移场使用刚体平移、旋转、拉伸/压缩、剪切和局部变形表示，数学表达式如下：
3.根据权利要求2所述的一种基于深度学习的端到端变形测量系统，其特征在于，根据所述广义位移场计算出对应的应变场，公式如下：
4.根据权利要求1所述的一种基于深度学习的端到端变形测量系统，其特征在于，位移预测和应变预测模型采用编码-解码结构，位移预测和应变预测模型的输入与输出尺寸大小相同，编码器包含第一特征提取部分、第二特征提取部分、第三特征提取部分、第四特征提取部分、第五特征提取部分，第一特征提取部分的输出与第二特征提取部分的输入相连，第二特征提取部分的输出与第三特征提取部分的输入相连，第三特征提取部分的输出与第四特征提取部分的输入相连，第四特征提取部分的输出与第五特征提取部分的输入相连，每个特征提取部分是由两个卷积模块组成，每个特征提取部分的第一卷积模块的输入为所在特征提取部分的输入，每个特征提取部分的第一卷积模块的输出与第二卷积模块的输入相连，每个特征提取部分的第二卷积模块的输出为所在特征提取部分的输出，每一个卷积模块包含一个卷积层、一个batchnorm批量归一化层、一个leakyrelu激活层，第一特征提取部分输出第一特征图，第二特征提取部分输出第二特征图，第三特征提取...
【专利技术属性】
技术研发人员：梅爽，雷靖，邱望德，万雷兵，文国军，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。