Verbesserung der digitalen Bildkorrelation auf Basis von Deep Learning mit der Methode der Gebietszerlegung

Die auf Deep Learning basierende digitale Bildkorrelation (DL-basierte DIC) hat in den letzten zwei Jahren zunehmend an Aufmerksamkeit gewonnen. Bestehende DL-basierte DIC-Algorithmen sind jedoch unpraktisch, da ihre Anwendungsfälle größtenteils auf kleine Deformationen begrenzt sind. Um die Verwendung von DL-basierter DIC in realen allgemeinen experimentellen Mechanik-Szenarien, die große Deformationen und Drehungen beinhalten würden, zu ermöglichen, schlagen wir vor, die DL-basierte DIC mit der Methode der Gebietszerlegung (DDM) zu verbessern. In der verbesserten Methode wird der Interessengebiet in Unterbilder unterteilt, und die Unterbilder werden vorab mithilfe der vorregistrierten Kontrollpunkte ausgerichtet, um die großen Deformationskomponenten effektiv zu eliminieren. Die verbleibenden Deformationen in jedem Unterbild sind klein und begrenzt, und können gut mithilfe bestehender DL-basierter DIC-Methoden extrahiert werden. Durch synthese- und realweltliche Experimente kann die verbesserte DL-basierte DIC-Methode eine hochgenaue pixelweise Zuordnung in praktischen Anwendungen mit starker Robustheit und hoher rechnerischer Effizienz erreichen. Die verbesserte DL-basierte DIC kombiniert die Vorteile traditioneller und DL-basierter DIC-Methoden, überwindet jedoch die Einschränkungen, verbessert erheblich die Robustheit und Anwendbarkeit bestehender DL-basierter Methoden.