System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数字图像相关,具体地,涉及一种基于深度学习与曲面拟合算法的两级亚像素位移测量方法,尤其是一种数字图像相关中基于深度学习与曲面拟合算法的两级亚像素位移测量方法。
技术介绍
1、数字图像相关(dic,digital image correlation)技术是一种三维、全场、无接触测量任何材料、物体轮廓、位移、振动和应变的光学测量技术。曲面拟合算法应用在数字图像相关领域当中,旨在求解变形前后的两幅图像表征的位移。数字图像相关的原理就是在参考图像上设置/划分区间,找到变形后的图片上产生位移变化的子区域,从而计算出变形子区相对于参考子区上的位移,最后利用得到的位移计算得到物体表面所发生的形变。相关系数曲面拟合算法是数字图像相关中位移求解的一种常见算法,它的基本思想最早是由芮嘉白等在其十字搜索算法中提出的,他认为相关系数的分布曲面具有单峰性,可通过插值或拟合的方法来获得亚像素峰顶位置。此后,经过学者们多年的研究,相关系数曲面拟合算法已逐步成为一种较成熟的亚像素位移测量算法,曲面拟合算法是一种经典的求解数字图像相关亚像素位移的一种算法,它的优势是求解简单,求解速度快,简单有效,求解效率高,但是不足是缺少精度,得到的位移与实际的位移误差较大,难以满足实际需要。
技术实现思路
1、本专利技术的目的在于至少部分地克服现有技术的缺陷,提供一种基于深度学习与曲面拟合算法的两级亚像素位移测量方法。
2、本专利技术的目的还在于提供一种数字图像相关中基于深度学习与曲面拟合算法的两级亚像
3、本专利技术的目的还在于提供一种数字图像相关中基于深度学习与曲面拟合算法的两级亚像素位移测量方法,满足实际应用需要。
4、为达到上述目的或目的之一,本专利技术的技术解决方案如下:
5、一种基于深度学习与曲面拟合算法的两级亚像素位移测量方法,所述测量方法包括:
6、步骤a:准备预定数量的与待测量图片相类似的图片作为训练集;
7、步骤b:使用训练集对深度学习模型real-esrgan进行训练,得到能够自动生成亚像素灰度值的模型;
8、步骤c:准备与训练集的数量成预定比例的测试集;
9、步骤d:使用测试集对训练好的模型进行测试,评估模型效果;
10、步骤e:将待测量的两幅图片放入已经训练好的能够自动生成亚像素灰度值的模型中得到散斑图亚像素灰度值;
11、步骤f:将两幅生成亚像素灰度值的图片的亚像素级的相关系数作为输入,输入到二元二次曲面拟合程序中;
12、步骤g:选取1764个点,统计所有点位移的平均值,得到实际位移。
13、根据本专利技术的一个优选实施例,在步骤a中,所述待测量图片为散斑图,散斑图的散斑类型包括人工喷漆散斑、自然纹理散斑和激光散斑,并且根据待测量的两幅散斑图的类型,准备相应的训练集。
14、根据本专利技术的一个优选实施例,在步骤b中,总共进行的迭代次数为5000,并且随机执行水平翻转和打乱顺序以进行数据增强;网络采用adam优化器进行训练;初始学习率lr设置为10-4,并在第1500步迭代时学习率减半;训练网络时,使用l1 loss、perceptualloss和gan loss的组合损失函数;网络模型在torch框架上实现。
15、根据本专利技术的一个优选实施例,在步骤c中,准备的测试集为与训练集类型相同的散斑图。
16、根据本专利技术的一个优选实施例,在步骤d中,观察指标psnr和ssim的大小,以确定训练效果是否理想。
17、根据本专利技术的一个优选实施例,所述测量方法还包括:
18、对测试集进行三次采样,进行降质处理,然后使用训练好的能够自动生成亚像素灰度值的模型对测试集的图片进行亚像素灰度值的生成,再与测试集的原始分辨率图片进行比较,得到训练结果好坏的一个评判指标。
19、根据本专利技术的一个优选实施例,亚像素位移测量是在整像素位移测量的基础上,选取一个点附近八个点的相关系数值进行曲面拟合,计算得到曲面的极值点,作为亚像素坐标的位置。
20、本专利技术的有益效果是:数字图像相关方法中,二元二次曲面拟合程序有着快速方便的优点,但是精度不太精确,不太能够满足一些需要精度情况下的条件,而对于两级亚像素位移测量方法,首先,第一级在深度学习模型上获得亚像素位移及亚像素级的相关系数,第二级为在第一级的基础上,得到相关系数,将相关系数进行拟合,得到拟合曲面的极值点,得到最终的位移为第二级亚像素位移测量。将深度学习方法和曲面拟合算法二者相结合,可以提高传统曲面拟合的精度,能够最大限度的减小误差。
本文档来自技高网...【技术保护点】
1.一种基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于,所述测量方法包括:
2.根据权利要求1所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
3.根据权利要求2所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
4.根据权利要求3所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
5.根据权利要求4所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
6.根据权利要求5所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于,所述测量方法还包括:
7.根据权利要求6所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
【技术特征摘要】
1.一种基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于,所述测量方法包括:
2.根据权利要求1所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
3.根据权利要求2所述的基于深度学习与曲面拟合算法的两级亚像素位移测量方法,其特征在于:
4.根据权利要求3所述的基于深度学习与曲面拟合算法的两...
【专利技术属性】
技术研发人员:刘小勇,裴晓日,李荣丽,郝兆朋,张晓伟,李凯凯,
申请(专利权)人:长春工业大学,
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。