1.一种基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法,其特征在于,包括以下步骤:随机在材料表面喷涂喷涂散斑,对材料施加外力作用使其发生形变并产生裂纹,使用不同焦距的相机组合来采集材料形变的多尺度信息;
构造多尺度材料形变图像序列作为数据集,所述的多尺度材料形变图像序列数据集包括训练集和测试集;
结合卷积、转置卷积、卷积LSTM神经网络,建立一个通过输入多尺度材料形变的图像序列来测量材料全局三维应变场的神经网络模型;
利用训练集数据训练材料三维应变场测量神经网络模型;
利用训练后的材料三维应变场测量神经网络模型,输入相机采集到的多尺度图像,实时测量材料的三维应变场,并通过应变场计算材料的裂纹区域,然后移动双目长焦相机来实时跟踪裂纹尖端;
所述随机在材料表面喷涂散斑,对材料施加外力作用使其发生形变并产生裂纹,使用不同焦距的相机组合来采集材料形变的多尺度信息,具体包括以下条件:在材料表面随机均匀地喷涂散斑,散斑颜色与材料背景分别采用黑色和白色;
在XYZ精密移动平台布置双目长焦相机和双目短焦相机来同时采集图像,其中双目长焦相机位于两个短焦相机之间;
所有相机采用外部触发的方式来保证图像在同一时刻被采集,相机的图像采集频率保持恒定,采集过程中相机白平衡、曝光时间保持恒定;
所有相机同时连续采集图像以记录材料在外力作用下的形变过程,其中双目短焦相机固定不动,用于采集材料全局图像信息,双目长焦相机利用XYZ精密移动平台控制跟踪采集材料裂纹尖端微小区域以记录材料裂纹区域的细节变化;
所述构造多尺度材料形变图像序列作为数据集,具体包括:
分别准确标定两组双目相机间的相对位置、相机成像模型,并确定材料的位置、大小和形状;
计算机仿真方法通过标定获得的相机参数、位置关系数据用于建立一个仿真模型,该模型中材料表面的散斑通过现有的散斑发生器模拟、公开的图像3D-DIC数据集以及实验采集获得;
对计算机仿真模型中的材料进行随机的三维形变并模拟裂纹的产生,根据立体成像模型计算带模拟散斑的材料在所有相机中的成像结果,在裂纹的产生过程中,移动双目长焦相机来跟踪裂纹尖端,记录裂纹延展的详细信息;
通过多次的模拟仿真来获取材料模型准确的三维形变应变场数据以及模型在所有相机中的投影;
将相机采集或仿真得到的图像数据加入一定的噪声作为原始数据,这种噪声是模拟实际线性相机的典型传感器噪声,形变产生的三维应变场作为形变过程中对应的真实结果,图像和应变场组成材料形变数据集,该数据集包括训练集和测试集;
所述结合卷积、转置卷积、卷积LSTM神经网络,建立一个通过输入多尺度材料形变的图像序列来测量材料全局三维应变场的神经网络模型,具体包括:结合2D卷积、3D卷积、转置卷积和卷积LSTM神经网络,构建一个能够同时计算材料全局和裂纹区域三维应变场,即多尺度材料三维应变场测量神经网络模型,该模型通过2D卷积层和3D卷积层来进行特征提取和细化,卷积LSTM层和用于融合不同尺度的应变场的时空特征,转置卷积层用于计算三维应变场;
多尺度材料三维应变场测量神经网络模型有四个输入,这四个输入分别为长焦双目相机和短焦双目相机的采集到的四组图像序列,该图像序列是四个相机同步采集到的,它记录了材料在外力作用下的形变过程;
多尺度材料三维应变场测量神经网络模型的2D卷积层分别对长焦或者短焦的双目图像进行特征提取,并将特征提取的结果组合到一起输入3D卷积层中,然后再通过转置卷积层得到三维应变场;长焦图像序列得到的是裂纹区域三维应变场,短焦图像序列得到的全局三维应变场;
将两个三维应变场结果共同输入到卷积LSTM层中,最后通过转置卷积层来融合两个应变场得到一个精度更高的三维应变场,该三维应变场结合了不同尺度和时间的特征信息,提供裂纹区域应变场测量结果;
长焦图像序列和短焦图像序列分别对应的两个三维应变场测量网络的结构相同,长焦双目相机采集到的图像包括明显的裂纹,两个网络的参数相互独立。
2.根据权利要求1所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法,其特征在于,所述利用训练集数据训练材料三维应变场测量神经网络模型,具体包括:用于训练多尺度材料三维应变场测量神经网络模型的数据输入有四个,分别是长焦和短焦双目相机采集到的图像序列;
多尺度材料三维应变场测量神经网络的输出数据是材料形变的全局三维应变场、裂纹区域三维应变场以及融合后的三维应变场;
所有三维应变场的计算结果均采用均误差函数用于评估模型估计结果与真实结果之间的误差;
该网络模型的训练过程采用多阶段训练方法,主要分为三个训练阶段包括:三维应变场测量网络训练阶段,三维应变场融合训练阶段以及网络微调训练阶段;
网络参数的训练过程是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进行训练:利用更新的θ进行神经网络参数优化和学习。
3.根据权利要求2所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法,其特征在于,所述所有三维应变场的计算结果均采用如下均误差函数评估模型估计结果与真实结果之间的误差,具体公式为其中,(u
4.根据权利要求2所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法,其特征在于,所述三个训练阶段分别为:训练阶段一:固定特征融合部分的网络参数不变,利用长焦和短焦的三维应变场误差来分别训练长焦三维应变场测量网络和短焦三维应变场测量网络;
训练阶段二:固定长短焦三维应变场测量部分的网络参数不变,利用融合后的三维应变场误差训练特征融合部分的网络参数;
训练阶段三:在阶段一和二的已训练的网络参数基础上继续训练网络,微调所有网络参数,得到一个更加准确的应变场测量模型,阶段三的误差ErrorError
5.根据权利要求4所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法,其特征在于,所述利用Adam梯度下降优化算法对网络进行训练:首先通过计算梯度的一阶矩估计p和二阶矩估计v:
其中,e是迭代次数,θ是参数矢量,E(θ)是损失函数,β
根据计算得到的p和v,结合学习率α,和极小偏差ε得到更新后的值θ;
利用更新的θ进行神经网络参数优化和学习,提高网络的精度。
6.根据权利要求5所述的基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法,其特征在于,所述利用训练后的材料三维应变场测量神经网络模型,输入相机采集到的多尺度图像,实时测量材料的三维应变场,并通过应变场计算材料的裂纹区域,然后移动双目长焦相机来实时跟踪裂纹尖端,具体包括:将采集到的图像调整为与数据集相同的格式,输入构建的多尺度材料三维应变场测量神经网络模型中;
多尺度材料三维应变场测量神经网络模型首先计算长焦和短焦图像的三维应变场[u通过对应变场求导数的方式寻找出裂纹尖端的位置;
其中
根据计算的得到的裂纹尖端的位置,移动XYZ精密移动平台来实时跟踪裂纹的延展,使得长焦双目相机始终能够跟随裂纹延展的方向移动;
连续重复上面过程实时的计算材料形变过程中的三维应变场。