CN114049329B 基于卷积lstm神经网络的面向材料有效区域位移场测量方法 （重庆邮电大学）

基于卷积LSTM神经网络的面向材料有效区本发明请求保护一种基于卷积LSTM神经网机连续采集图像以记录材料在外力作用下发生形变的过程。构造材料形变图像序列作为数据输入材料形变的图像序列来实时测量材料位移数据训练材料位移场测量和裂纹区域分割的多22.根据权利要求1所述的一种基于卷积LSTM神经网络的面向材料有效区域位移场测量材料表面保持平整，使得不存在凹凸不平的情况；散斑颜色与材料背3.根据权利要求1所述的一种基于卷积LSTM神经网络的面向材料有效区域位移场测量选择一张原始图像作为初始参考帧，这张原始图像采用模拟散斑发生器生成的图像，3位移场和裂纹区域分割结果作为第n个时重复以上操作，对超过1000张图像进行模拟位移和裂纹，生4.根据权利要求3所述的一种基于卷积LSTM神经网络的面向材料有效区域位移场测量xchfhcho为Ht-1c5.根据权利要求4所述的一种基于卷积LSTM神经网络的面向材料有效区域位移场测量对于位移场测量分支的结果，采用平均误差函数用于评估模型估计e通过链式法则将总误差反向传播，利用Adam梯度下降优化算法对网络6.根据权利要求5所述的一种基于卷积LSTM神经网络的面向材料有效区域位移场测量47.根据权利要求6所述的一种基于卷积LSTM神经网络的面向材料有效区域位移场测量将采集到的图像序列调整为与数据集相同的格式，输入构建的卷积LSTM层的输出分别经过位移场测量分支和裂纹区域分割分支用于同时测量位移场和5[0002]数字图像相关法(DIC)是一种在实验力学领域迅速推广的全场位移应变测量技[0003]传统的DIC方法采用在材料表面喷洒随机散斑来创造纹理特征，用相机连续拍摄变形后图像中寻找与该子区域的互相关系数为最大值的区域，即该子区域在变形后的位域高精度位移场测量的多任务卷积LSTM神经网络来更好的解决传统DI6构建的神经网络能够利用GPU资源进行加速，在高性能GPU上能够实现实时测量位移场测的位移场和裂纹区域分割结果作为第n个时刻网络的入材料形变的图像序列来实时测量材料位移场并分割裂纹区域的神经网络模型，具体包7t为t时刻输入门的输入，ft为t时刻遗忘门的输入，ot为t时刻输出门的输xchf8[0033]通过链式法则将总误差反向传播，利用Adam梯度下经网络模型中；输入图像会先通过4次卷积下采样进行特征提取和细化后输入到卷积LSTM分割图像裂纹区域的多任务卷积LSTM神经网络；并利用训练集的数据训练该神经网络模[0047]2、本发明利用计算机模拟产生散斑和形变的方式生成用于深度学习训练的数据9[0050]图1是本发明提供优选实施例面向材料有效区域高精度位移场测量的多任务卷积[0051]图2是根据一示例性实施例示出的一种面向材料有效区域高精度位移场测量的多[0059]本发明的面向材料有效区域高精度位移场测量的多任务卷积LSTM神经网络的实变的图像序列来实时测量材料位移场并分割裂纹区域的神[0063]步骤4.利用训练集数据训练材料位移场测量和裂纹区域分割的多任务卷积LSTM[0067]作为本实施例一种可能的实现方式，所述步骤1在材料表面喷涂随机喷涂散斑如[0069]步骤12,喷涂的散斑的直径应在1mm～4mm之间，散斑应该在材料表面随机均匀分[0071]步骤14,相机与材料之间的距离应满足成[0073]步骤16,一组实验采集的图像序列至少包含10张[0075]步骤21,选择一张图像最为初始参[0077]步骤23,通过计算机模拟裂纹产生和延展过[0078]步骤24,将第一张图像和第二张图像n+1张图像作为第n个时刻的输入数据，第n次计算机模拟的位移场和裂纹区域分割结果作[0080]作为本实施例一种可能的实现方式，所述步骤3构建的多任务卷积LSTM神经网络[0082]步骤32,卷积LSTM层通过改进原有的全连接LSTM层的结构，将各门之间和内部状t为t时刻输入门的输入，ft为t时刻遗忘门的输入，ot为t时刻输出门的输xchf[0089]步骤33,在卷积LSTM层的输入之前加上4[0096]步骤42,对于位移场测量分支的结果，采用如下的平均误差函数用于评估模型估[0099]步骤43,对于裂纹区域分割分支的结[0104]步骤45,通过链式法则将总误差反向传播，利[0114]步骤52,输入图像会先通过4次卷积下采样进行特征提取和细化后输入到卷积[0115]步骤53,卷积LSTM层的输出分别经过位移场测量分支和裂纹区域分割分支用于同[0116]步骤54,将非裂纹区域设置为有效区域[0117]步骤55,通过输入连续的形变数据，完成实