【技术实现步骤摘要】
本专利技术涉及数字图像相关领域(digital image correlation，dic)和图像风格迁移领域，具体涉及一种基于深度学习神经网络的dic散斑图像生成方法。
技术介绍
1、图像风格迁移是计算机视觉领域内的重要分支，它旨在将指定风格图片的风格迁移到另一图片或风格中去，从而生成具有该风格的内容图片或视频。图像风格迁移主要依赖深度学习神经网络尤其是vgg网络，通过训练好的网络模型对内容图片和风格图片进行特征提取，在尽量最小化风格损失和内容损失的条件下生成迁移图片，具有通用性强、适用性好的优点。
2、数字图像相关技术是一种非接触式光学测量方法，可用于应力应变测量，具有全场测量能力好、光路结构简单、可操作性强、环境适应性强以及非接触式测量等多方面的优点。dic测量时的一个重要环节是需要在物体表面喷涂散斑，通过匹配变形前后同一像素点(具有相同的灰度值)的位置来得到该点的位移向量，从而得到全场的位移图，变形前后像素点匹配的准确性决定了dic测量的准确性，像素点匹配以灰度值作为载体，而灰度值由所喷涂的散斑产生。因此，散斑质量极大的影响了dic测量的精度，高质量散斑对提升dic测量精度有着很大的帮助。然而，人为喷涂散斑具有很大的不确定性，如何稳定得到高质量散斑成为一个亟待解决的问题。
技术实现思路
1、为解决上述技术的不足，本专利技术将图像风格迁移技术应用于dic散斑制造，旨在稳定得到针对不同表面的高质量散斑。
2、为实现上述目的，本专利技术提出了一种基于深度学
3、步骤1、输入物体实际表面图像作为内容图像和高质量散斑式样图像作为风格图像。
4、步骤2、将图片分割成许多的小块，作为最小计算单元，然后通过线性嵌入层，将输入向量维度转变为预设值c。
5、其中，图片以rgb格式输入，尺寸为h×w×3。
6、其中，线性嵌入层对输入向量维度进行线性变换，将向量维度转变为预设值c。
7、步骤3、在设定窗口内做多头自注意力计算。
8、其中，多头自注意力计算时采用s2wat模型的方法计算。具体的，首先用0对图片的张量进行填充，避免图片边界信息丢失，然后采用spw注意力模块进行多头自注意力计算，计算完毕后取消填充。
9、步骤4、通过下采样操作将步骤2中小块进行合并，缩小分辨率，调整通道数形成层次化的设计，合并完成后继续在窗口内做多头自注意力计算。
10、其中，合并时将两个方向上相隔一个最小计算单元的4个单元进行拼接，然后在深度方向进行concat拼接，通过一个layernorm层，然后通过一个全连接层做线性变化，得到尺寸大小减半，通道数翻倍的张量。
11、其中，步骤4中多头自注意力计算与步骤3中多头自注意力计算过程一样。
12、步骤5、重复步骤4操作，进一步合并最小计算单元并利用新的计算单元在窗口内做多头自注意力计算。
13、步骤6、传输层传输。
14、参阅图3，其中，传输模块是一个三层层级结构，初始注意模块是msa，第二层注意模块是mha，第三层采用mlp模块，在这三个模块之前各自用一个layernorm模块连接。
15、步骤7、解码器解码并输出图片。
16、其中，解码器使用镜像vgg来解码程式化特征。
17、上述过程中所用到的计算模型通过s2wat预训练模型进行训练。
18、本专利技术公开了一种基于深度学习神经网络的dic散斑图像生成方法，输入物体实际表面图像作为内容图像和高质量散斑式样图像作为风格图像；将图片分割成许多的小块，作为最小计算单元，然后通过线性嵌入层，将输入向量维度转变为预设值c；在设定窗口内做多头自注意力计算；通过下采样操作将步骤2中小块进行合并，缩小分辨率，调整通道数形成层次化的设计，合并完成后继续在窗口内做多头自注意力计算；重复步骤4操作，进一步合并最小计算单元并利用新的计算单元在窗口内做多头自注意力计算；传输层传输；解码器解码并输出图片。
19、本专利技术的优势在于，区别于人工喷涂散斑以及其他喷涂方式的随机性，本专利技术根据物体实际表面情况自适应生成适合该表面的高质量散斑，具有自适应性强，通用性好的优点，大大减少了人为因素影响，从而提高dic测量精度，保证良好的实验可操作性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习神经网络的DIC散斑图像生成方法，其特征在于，包括如下步骤：
2.如权利要求1中所述的一种基于深度学习神经网络的DIC散斑图像生成方法，其特征在于，输入物体实际表面图片作为内容图片，高质量散斑式样图片作为风格图片。
3.如权利要求1中所述的一种基于深度学习神经网络的DIC散斑图像生成方法，其特征在于，在每两次做窗口多头自注意力计算之间需要通过下采样进行一次单元合并操作。
4.如权利要求1中所述的一种基于深度学习神经网络的DIC散斑图像生成方法，其特征在于，传输模块是一个三层层级结构，初始注意模块是MSA，第二层注意模块是MHA，第三层采用MLP模块，在这三个模块之前各自用一个LayerNorm模块连接。
5.如权利要求1中所述的一种基于深度学习神经网络的DIC散斑图像生成方法，其特征在于，解码器使用镜像VGG来解码程式化特征。
【技术特征摘要】
1.一种基于深度学习神经网络的dic散斑图像生成方法，其特征在于，包括如下步骤：
2.如权利要求1中所述的一种基于深度学习神经网络的dic散斑图像生成方法，其特征在于，输入物体实际表面图片作为内容图片，高质量散斑式样图片作为风格图片。
3.如权利要求1中所述的一种基于深度学习神经网络的dic散斑图像生成方法，其特征在于，在每两次做窗口多头自注意力计算之间需要通过下采样进行一次...
【专利技术属性】
技术研发人员：龙雨，杨成，蒋旭辉，姚永恒，刘聪，
申请(专利权)人：广西大学，
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。