本發(fā)明屬于深度學(xué)習(xí)領(lǐng)域及實(shí)驗(yàn)力學(xué)，尤其涉及一種基于gcn神經(jīng)網(wǎng)絡(luò)的應(yīng)變測量方法。

背景技術(shù)：

1、隨著航空航天、復(fù)合材料等領(lǐng)域的迅速發(fā)展，對復(fù)合材料在高溫環(huán)境下的性能需求越來越大。因此，研究這些材料在高溫環(huán)境下的力學(xué)特性對于材料的選擇和結(jié)構(gòu)設(shè)計(jì)具有非常重要的意義，應(yīng)變是材料力學(xué)特性的主要特征之一。目前對材料的應(yīng)變測量主要有接觸式和非接觸式兩類方法。

2、接觸式方法主要通過應(yīng)變片和引伸計(jì)實(shí)現(xiàn)應(yīng)變的測量，但這種方法只能獲得某些特定點(diǎn)的位移應(yīng)變數(shù)據(jù)，無法進(jìn)行試件表面的全場應(yīng)變測量。其次，高溫應(yīng)變片連接到試件表面會對材料起到局部強(qiáng)化作用，影響測量準(zhǔn)確度。

3、非接觸式的測量方法以光學(xué)測量方法為主，具有非接觸、全場測量的特點(diǎn),應(yīng)用最廣泛的光學(xué)測量方法是數(shù)字圖像相關(guān)(digital?image?correlation,dic)方法和基于u-net卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)力分析方法。

4、目前，使用光學(xué)方法進(jìn)行應(yīng)變測量面臨問題主要有兩個：(1)高溫等極端工況下dic算法某些參數(shù)的設(shè)置(如子集大小，步長，窗口函數(shù)等)會使應(yīng)變測量結(jié)果存在較大差異；(2)dic測量方法計(jì)算應(yīng)變測量結(jié)果時(shí)間過長?，F(xiàn)階段高溫材料應(yīng)變測量的環(huán)境一般在800℃以上，質(zhì)量較差的耐高溫散斑會嚴(yán)重影響傳統(tǒng)dic的測量結(jié)果，其次，高溫測量環(huán)境復(fù)雜，dic的測量結(jié)果受到多個參數(shù)如子集大小，步長，窗口函數(shù)等的影響，如果不能很好地設(shè)置這些參數(shù)，可能導(dǎo)致測量結(jié)果的失?。煌瑫r(shí)，在航空航天領(lǐng)域，采集的數(shù)字圖像眾多，計(jì)算量大，由于條件限制，無法廣泛使用高性能計(jì)算機(jī)用于測量環(huán)境，因此dic方法很難應(yīng)用在現(xiàn)場的高溫實(shí)時(shí)測量中。基于u-net卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)力分析方法存在對圖像局部特征提取不足，應(yīng)變測量準(zhǔn)確度不高等問題，尤其是在高溫環(huán)境下，基于u-net卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)力分析方法將不再適用，而圖卷積神經(jīng)網(wǎng)絡(luò)(graph?convolutional?networks,gcn)可以有效地捕捉圖像中像素或區(qū)域之間的關(guān)系，在復(fù)雜場景下具有較高的準(zhǔn)確性和魯棒性。

技術(shù)實(shí)現(xiàn)思路

1、針對上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出一種基于gcn神經(jīng)網(wǎng)絡(luò)的應(yīng)變測量方法，以實(shí)現(xiàn)高溫環(huán)境下的高精度、實(shí)時(shí)應(yīng)變測量測量。

2、為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于gcn神經(jīng)網(wǎng)絡(luò)的應(yīng)變測量方法，其具體包括以下步驟：

4、s1、根據(jù)實(shí)際工況需求采集被測試件的散斑圖像和散斑位移場并組成為數(shù)據(jù)集，用于后續(xù)對測量模型的訓(xùn)練和測試；

5、s2、根據(jù)gcn神經(jīng)網(wǎng)絡(luò)搭建散斑位移測量模型；

6、s3、將數(shù)據(jù)集輸入至散斑位移測量模型中進(jìn)行訓(xùn)練，得到最優(yōu)的測量模型配置，對散斑圖像的變形進(jìn)行位移測量，得到散斑位移的預(yù)測結(jié)果；

7、s4、基于步驟s3中得到的散斑位移的預(yù)測結(jié)果，計(jì)算散斑圖像中所有點(diǎn)的應(yīng)變，集合構(gòu)成被測物體的表面應(yīng)變場。

8、進(jìn)一步地，步驟s1具體包括：

9、s11、針對不同材料的被測試件，結(jié)合表面打磨法與噴涂法在被測試件表面制備耐高溫散斑；

10、s12、利用數(shù)字圖像相關(guān)方法對處理后的被測試件進(jìn)行測量，提取每個時(shí)間下的散斑圖像，并測量位移場，建立基于散斑圖像和散斑位移場的數(shù)據(jù)集。

11、更為具體的，步驟s12包括：

12、s121、使用材料拉伸試驗(yàn)機(jī)對處理后的被測試件進(jìn)行材料拉伸實(shí)驗(yàn)，以提取該工況下被測試件不同時(shí)刻的位移場建立數(shù)據(jù)集；

13、s122、開啟校準(zhǔn)ccd雙目相機(jī)和光源，對準(zhǔn)試樣中心，調(diào)節(jié)水平儀使試樣表面與ccd雙目相機(jī)平行，使用標(biāo)定板進(jìn)行標(biāo)定，消除系統(tǒng)誤差；根據(jù)拉伸試樣主要變形區(qū)啟動測量程序；

14、s123、進(jìn)行試驗(yàn)，啟動材料拉伸試驗(yàn)機(jī)，設(shè)定好實(shí)驗(yàn)拉伸速率，在材料拉伸試驗(yàn)機(jī)開始工作后，開啟ccd雙目相機(jī)拍攝；

15、s124、通過材料拉伸試驗(yàn)機(jī)獲取拉伸力以及位移量，通過ccd雙目相機(jī)得到原始散斑圖像與施加載荷后的變形散斑圖像；

16、s125、將某一時(shí)刻的散斑圖像分為多個子區(qū)域，每個子區(qū)域進(jìn)行原始散斑圖像與變形散斑圖像的匹配，獲得施加載荷該散斑子區(qū)域的位移值；計(jì)算所有子集區(qū)域的位移值，得到某一時(shí)刻的散斑位移場。

17、進(jìn)一步地，步驟s2具體包括：

18、s21、設(shè)計(jì)改進(jìn)非局部均值濾波算法對散斑圖像進(jìn)行降噪處理；

19、s22、對進(jìn)行降噪處理后的散斑圖像，選擇感興趣的矩形區(qū)域roi，將散斑特征點(diǎn)表示為圖結(jié)構(gòu)，以表示散斑特征點(diǎn)間的關(guān)聯(lián)；

20、s23、從圖結(jié)構(gòu)中獲取散斑特征點(diǎn)的坐標(biāo)和散斑特征點(diǎn)鄰接矩陣，并引入多尺度圖注意力模塊mgam，整合不同層次的散斑特征點(diǎn)信息；

21、s24、構(gòu)建深度殘差圖神經(jīng)網(wǎng)絡(luò)模型，基于gcn神經(jīng)網(wǎng)絡(luò)，結(jié)合初始散斑圖像殘差和高階鄰域散斑圖像殘差，通過一個多輸入殘差結(jié)構(gòu)來改善測量模型的學(xué)習(xí)效果。

22、更為具體的，步驟s21具體包括：

23、s211、采用滑動窗口方式，在全局散斑圖像上滑動一個固定大小的搜索框，對于每個搜索框內(nèi)的散斑圖像都執(zhí)行非局部均值濾波處理；并先通過最小二乘法擬合低階多項(xiàng)式，平滑窗口內(nèi)的散斑圖像，以窗口內(nèi)中心坐標(biāo)處的多項(xiàng)式值作為平滑后散斑圖像的中心像素的新灰度值，比較不同窗口中心點(diǎn)處多項(xiàng)式值的相似性，確定搜索框在全局圖像重建中的權(quán)值；

24、s212、對于每個搜索框，設(shè)i＝{i(x,y)|x,y∈s}為搜索框內(nèi)包含噪聲的散斑圖像，s表示像素點(diǎn)索引集合，x為中心像素點(diǎn)，即待去噪的目標(biāo)像素點(diǎn)，y為搜索框像素點(diǎn)，即除中心像素點(diǎn)以外的任一像素點(diǎn)；通過對i中所有像素的加權(quán)平均得到降噪后圖像，公式表示為：

25、o(x)＝∑y∈iμ·ω(x,y)i(y)；

26、其中，μ為降噪系數(shù)；ω(x,y)為相似權(quán)重系數(shù)；i(y)表示以搜索框像素點(diǎn)y為中心的圖像塊；o(x)表示以中心像素點(diǎn)x為中心的濾波后的圖像塊；根據(jù)散斑分布的局部密度ρ動態(tài)調(diào)整降噪系數(shù)μ，實(shí)現(xiàn)去噪強(qiáng)度與細(xì)節(jié)保留的自適應(yīng)平衡；散斑局部密度ρ定義為相似框內(nèi)散斑像素占比，計(jì)算公式如下：

27、

28、其中，n為搜索框內(nèi)的散斑像素?cái)?shù)；w為相似框的邊長；相似框采用多尺度滑動窗口策略；對于大尺度散斑結(jié)構(gòu)，選擇大邊長以保持連貫性；對于小尺度細(xì)節(jié)，切換小邊長以保留精細(xì)特征；

29、s213、計(jì)算相似權(quán)重系數(shù)ω(x,y)；基于歐氏距離來量化圖像塊之間的相似程度，并額外引入圖像塊的梯度信息對歐式距離進(jìn)行改進(jìn)；定義圖像塊v(x)和v(y)的梯度特征向量為和則改進(jìn)后搜索框像素點(diǎn)y和中心像素點(diǎn)x的歐氏距離d(x,y)為：

30、

31、其中，v(x)、v(y)分別為以x、y為中心的圖像塊的灰度值，和為圖像塊的梯度特征向量；α為梯度權(quán)重系數(shù)；

32、梯度權(quán)重系數(shù)α根據(jù)散斑局部結(jié)構(gòu)的復(fù)雜度自適應(yīng)調(diào)整，公式表示為：

33、

34、其中，是當(dāng)前相似框內(nèi)所有像素梯度幅值的平均值，表示搜索框內(nèi)像素梯度幅值的最大值，γ為經(jīng)驗(yàn)常數(shù)；當(dāng)局部結(jié)構(gòu)復(fù)雜，即梯度幅值高時(shí)，增大α，強(qiáng)化梯度信息的權(quán)重，反之則減?。?/p>

35、最后相似權(quán)重系數(shù)ω(x,y)的計(jì)算公式為：

36、

37、其中，h為濾波系數(shù)，m(x)為歸一化系數(shù)。

38、更為具體的，步驟s22具體包括：

39、s221、選擇感興趣矩形區(qū)域roi，對roi區(qū)域進(jìn)行特征檢測，形成帶有坐標(biāo)信息的初始時(shí)刻的興趣特征點(diǎn)集；然后依次對各個時(shí)刻的散斑圖像進(jìn)行全圖特征提取，得到各時(shí)刻的全圖特征點(diǎn)集，再將各時(shí)刻的全圖特征點(diǎn)集整合起來得到序列特征點(diǎn)集；

40、s222、將初始時(shí)刻的興趣特征點(diǎn)集與序列特征點(diǎn)集進(jìn)行匹配；獲取roi區(qū)域內(nèi)散斑特征點(diǎn)在不同時(shí)刻圖像上的坐標(biāo)，通過散斑特征點(diǎn)提取和特征匹配，在圖像上獲得散斑特征點(diǎn)的坐標(biāo)和位移由此將散斑特征表示為圖結(jié)構(gòu)，其中節(jié)點(diǎn)代表不同的散斑特征點(diǎn)，邊代表不同散斑特征點(diǎn)之間的相關(guān)關(guān)系；

41、s223、對于不同散斑特征點(diǎn)之間的相關(guān)關(guān)系，通過皮爾遜相關(guān)系數(shù)來計(jì)算散斑特征點(diǎn)間的相關(guān)性，構(gòu)建散斑特征點(diǎn)鄰接矩陣a(ri,rj)；

42、s224、對于得到的鄰接矩陣，只保留每個鄰接矩陣的上三角值，并將鄰接矩陣矢量化為gcn網(wǎng)絡(luò)訓(xùn)練所需要的特征向量，生成展平后的特征向量作為初級特征表示。

43、更為具體的，步驟s23具體包括：

44、s231、設(shè)計(jì)一個多尺度圖注意力模塊mgam，基于散斑特征點(diǎn)的圖結(jié)構(gòu)，首先通過通道注意力引導(dǎo)的全局池化，對圖中所有節(jié)點(diǎn)的特征按通道維度進(jìn)行平均，通過可學(xué)習(xí)的通道注意力機(jī)制，分析不同特征通道的重要性，得到全局特征；之后將每個散斑節(jié)點(diǎn)的局部特征輸入圖注意力模塊gam，生成與全局特征維數(shù)相同的局部散斑特征；再將全局特征與局部散斑特征進(jìn)行融合；

45、s232、同時(shí)通過gam在每個節(jié)點(diǎn)上應(yīng)用注意力機(jī)制，以學(xué)習(xí)節(jié)點(diǎn)之間的關(guān)系并聚合來自相鄰節(jié)點(diǎn)的信息；

46、s233、為使注意力系數(shù)在不同節(jié)點(diǎn)之間容易比較，對得到的注意力系數(shù)進(jìn)行歸一化，從而生成每個散斑節(jié)點(diǎn)新的特征表示。

47、更為具體的，步驟s24具體包括：

48、s241、對散斑圖數(shù)據(jù)結(jié)構(gòu)的輸入特征矩陣a(ri,rj)進(jìn)行特征轉(zhuǎn)換得到h(0)作為初始特征；

49、s242、在基礎(chǔ)gcn中加入高階鄰域殘差，每一層承接上一層的卷積輸出，以降低節(jié)點(diǎn)特征的傳播速度，同時(shí)加入初始?xì)埐?，保證每個散斑節(jié)點(diǎn)最終能保留一部分的初始特征；并通過引入超參數(shù)調(diào)節(jié)初始?xì)埐詈透唠A鄰域殘差之間的比例，提高位移測量模型面對不同散斑圖像時(shí)的處理性能。

50、進(jìn)一步地，步驟s3具體包括：

51、s31、獲取用于散斑位移測量模型的樣本數(shù)據(jù)，樣本數(shù)據(jù)為ccd工業(yè)相機(jī)拍攝得到原始散斑圖像與施加載荷后的變形散斑圖像，和s1所計(jì)算的散斑位移場；

52、s32、隨機(jī)打亂數(shù)據(jù)，按6:2:2比例將得到的樣本數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集；訓(xùn)練集用于訓(xùn)練散斑位移測量模型，通過反向傳播優(yōu)化權(quán)重系數(shù)；驗(yàn)證集用于監(jiān)控訓(xùn)練過程、調(diào)整超參數(shù)并選擇最優(yōu)模型配置；測試集僅在模型訓(xùn)練和調(diào)參完成后使用，輸入到最終確定的最優(yōu)模型中，評估其泛化能力和位移測量精度；

53、s33、將變形前后的散斑圖像，以及計(jì)算得到散斑位移場輸入到散斑位移測量模型中，得到散斑位移的預(yù)測結(jié)果。

54、進(jìn)一步地，步驟s4具體包括：

55、s41、基于步驟s3得到的散斑位移的預(yù)測結(jié)果，計(jì)算所有位移點(diǎn)的位移；

56、s42、基于得到的所有位移點(diǎn)的位移，在有限變形情況下計(jì)算格林應(yīng)變分量為，通過格林應(yīng)變分量，可以得到材料在各個方向上的應(yīng)變分布，從而構(gòu)建被測試件的表面應(yīng)變場。

57、基于上述的技術(shù)方案，本發(fā)明具有以下有益效果：

58、1、本發(fā)明構(gòu)建的一種基于gcn神經(jīng)網(wǎng)絡(luò)的應(yīng)變測量方法，解決了高溫環(huán)境下dic參數(shù)設(shè)置對應(yīng)變測量結(jié)果的影響這一難題，同時(shí)利用gcn神經(jīng)網(wǎng)絡(luò)使計(jì)算速度呈指數(shù)級下降，從而使得實(shí)時(shí)輸出應(yīng)變測量結(jié)果成為可能。

59、2、本發(fā)明設(shè)計(jì)了改進(jìn)的非局部均值濾波算法，在抑制噪聲的同時(shí)，最大化保留散斑特征的真實(shí)位移信息實(shí)現(xiàn)了動態(tài)權(quán)重分配，在去噪的同時(shí)更好地保留了散斑圖像的局部細(xì)節(jié)和結(jié)構(gòu)完整性，為后續(xù)散斑位移的準(zhǔn)備預(yù)測提供了高保真度的數(shù)據(jù)基礎(chǔ)。

60、3、本發(fā)明通過引入多尺度圖注意力模塊，實(shí)現(xiàn)了自適應(yīng)地學(xué)習(xí)散斑圖像中的局部信息，并在不同時(shí)間上捕捉到對象的特性；有助于提高散斑特征點(diǎn)的匹配效果，特別是在高溫等極端工況時(shí)散斑圖片質(zhì)量不高的情況下。

61、4、本發(fā)明通過多輸入殘差結(jié)構(gòu)執(zhí)行多層圖卷積操作，允許模型在深層時(shí)更好地利用不同的散斑圖像輸入信息來提高性能，更能獲取全面的散斑節(jié)點(diǎn)特征信息，在處理高溫散斑位移位移圖像數(shù)據(jù)集時(shí)更為有效。

62、綜上，本發(fā)明提出的基于圖神經(jīng)網(wǎng)絡(luò)的散斑位移測量模型擁有良好的時(shí)空特征提取和處理能力，能夠顯著提高應(yīng)變測量的效率，實(shí)時(shí)輸出應(yīng)變測量結(jié)果。