一种基于数字散斑的应变测量方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115790422A(43)申请公布日2023.03.14(21)申请号202111055264.3G06T5/00(2006.01)(22)申请日2021.09.09G06N3/0464(2023.01)G06N3/048(2023.01)(71)申请人北京机械设备研究所G06N3/08(2023.01)地址100854北京市海淀区永定路50号（北京市142信箱208分箱）(72)发明人苑文楠贾彦翔侯师李继辉卞伟伟巴腾跃邱旭阳(74)专利代理机构北京天达知识产权代理事务所有限公司11386专利代理师侯永帅(51)Int.Cl.G01B11/16(2006.01)G06T7/11(2017.01)G06T7/194(2017.01)G06T7/90(2017.01)权利要求书3页说明书10页附图2页(54)发明名称一种基于数字散斑的应变测量方法和系统(57)摘要本发明涉及一种基于数字散斑的应变测量方法和系统，方法包括以下步骤：获取用于训练的散斑图像集，对散斑图像集中的每张散斑图像进行随机标记，基于所述随机标记生成训练样本集；基于所述训练样本集训练神经网络模型，得到散斑区域识别模型；获取被测表面的原始图像和变形图像；基于所述散斑区域识别模型识别所述原始图像的散斑区域；以所述原始图像的散斑区域中的每个散斑点为中心建立参考子区，通过亚像素搜索算法在所述变形图像中搜索所述参考子区对应的变形子区，基于所述参考子区和变形子区得到所述散斑点的位移；所有散斑点的位移构成所述变形图像的位移场；基于所述变形图像的位移场，通过面内应变计算方法计算得到被测表面的应变场。CN115790422ACN115790422A权利要求书1/3页1.一种基于数字散斑的应变测量方法，其特征在于，包括以下步骤：获取用于训练的散斑图像集，对散斑图像集中的每张散斑图像进行随机标记，基于所述随机标记生成训练样本集；基于所述训练样本集训练神经网络模型，得到散斑区域识别模型；获取被测表面的原始图像和变形图像；基于所述散斑区域识别模型识别所述原始图像的散斑区域；以所述原始图像的散斑区域中的每个散斑点为中心建立参考子区，通过亚像素搜索算法在所述变形图像中搜索所述参考子区对应的变形子区，基于所述参考子区和变形子区得到所述散斑点的位移；所有散斑点的位移构成所述变形图像的位移场；基于所述变形图像的位移场，通过面内应变计算方法计算得到被测表面的应变场。2.根据权利要求1所述的基于数字散斑的应变测量方法，其特征在于，对散斑图像集中的每张散斑图像进行随机标记，基于所述随机标记生成训练样本集，包括：分别采用不同颜色的画笔在所述散斑图像的散斑区域和背景区域进行随机标记，生成标记图像；遍历标记图像中的所有标记点，若所述标记点的颜色为散斑区域对应的颜色，则在散斑图像中以所述标记点坐标为中心，裁剪S×S的邻域图像作为散斑样本；若所述标记点的颜色为背景区域对应的颜色，则在散斑图像中以所述标记点坐标为中心，裁剪S×S的邻域图像作为背景样本，其中，S表示训练样本尺寸。3.根据权利要求1所述的一种基于数字散斑的应变测量方法，其特征在于，基于所述散斑区域识别模型识别所述原始图像的散斑区域，包括：在所述原始图像中，遍历以(S/2+1，S/2+1)为起点，(H‑S/2，W‑S/2)为终点的每一个像素点，以所述像素点为中心裁剪S×S的邻域图像作为识别窗口，将所述识别窗口输入所述散斑区域识别模型中判断当前中心点是否为散斑区域，若是，则标记所述像素点为散斑点；其中，H表示原始图像的高度，W表示原始图像的宽度，S表示训练样本尺寸。4.根据权利要求1所述的基于数字散斑的应变测量方法，其特征在于，以所述原始图像的散斑区域中的每个散斑点为中心建立参考子区，通过亚像素搜索算法在所述变形图像中搜索所述参考子区对应的变形子区，基于所述参考子区和变形子区得到所述散斑点的位移，包括：在所述原始图像f中以每个散斑点(x,y)为中心，以(2M+1)×(2M+1)的邻域构建参考子区；以作为形函数，以标准化最小平方距离函数为目标函数；通过反相组合匹配策略在变形图像g中搜索与所述参考子区最相似的变形子区；2CN115790422A权利要求书2/3页散斑点(x,y)的位移表示为Δx＝x′‑x,Δy＝y′‑y，其中，(x',y')表示变形子区的中心点坐标，f(x,y)和g(x′,y′)分别为点(x,y)在参考图像和变形图像中的灰度值，M为子区窗半径，u和v分别为点(x,y)在X方向和Y方向的位移；fm和gm分别为参考子区和变形子区的平均灰度，待定参数5.根据权利要求1所述的基于数字散斑的应变测量方法，其特征在于，基于所述变形图像的位移场，通过面内应变计算方法计算得到被测表面的应变场，包括：