.png){kind=icon}
返回
A deep learning based method for reference-free full-field strain measurement
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2026.114302.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究中，我们解决了在无法获取未变形构型参考图像时估算全场平面应变的问题。传统的数字图像相关法（DIC）及相关基于图像的方法依赖于未变形与变形状态之间的比较，因此无法应用于此类场景。为克服此限制，我们提出了一种基于深度学习的方法，直接从单幅变形图像中估算平面应变状态。通过训练卷积神经网络，利用学习到的变形诱导纹理特征，回归两个主应变及其方向，将应变估算表述为一个数据驱动的回归问题。该方法使用从传统DIC散斑图案和光学显微镜采集的钢微观结构图像生成的合成变形图像进行验证。进行了系统敏感性分析，以评估子集大小和训练数据集大小的影响。在合成数据上，所提方法获得的确定系数超过0.96，平均应变误差约为0.01 m/m。初步对真实实验变形图像的验证表明，该方法能够捕捉有意义的应变分布，尽管其精度低于基于参考的DIC，这与统计型无参考公式法的预期一致。因此，所提方法并非旨在替代传统DIC，而是旨在实现参考构型不可用情况下的应变估算。
Keyword:
Strain measurement
Deep learning
Reference-free measurement
Digital Image Correlation
Experimental mechanics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.5K
被引数:
3.5W
机构
暂无机构信息
引用论文
The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性OAAI
OAAI分享收藏Towards Material Testing 2.0. A review of test design for identification of constitutive parameters from full‐field measurements.png)
StrainOAAI
StrainIF0
OAAI分享收藏Effect of DIC Spatial Resolution, Noise and Interpolation Error on Identification Results with the VFMStrainOAAI
StrainIF0
OAAI分享收藏
查看更多内容