Um das Problem der unzureichenden Fähigkeit zur Erfassung von hochfrequenten Verschiebungen und der geringen Anpassungsfähigkeit an komplexe Spannungen zu lösen, die durch die Abhängigkeit traditioneller Digitalbildkorrelationsmethoden (DIC) von einer festen Teilmenge verursacht werden, wurde ein Modell für ein auf Swin Transformer basierendes Netzwerk zur synchronen Vorhersage von Verschiebungen und Spannungen vorgeschlagen. Dieses Modell besteht aus zwei Teilnetzen (ST-DIC-d (Verschiebungsvorhersage) und ST-DIC-s (Spannungsvorhersage)). Zunächst wird mit Hilfe der Schicht-Struktur des Encoder-Decoder von Swin Transformer eine mehrskalige Merkmalsextraktion durchgeführt. Anschließend werden durch einen Aufmerksamkeitsmechanismus und übersprungene Verbindungen lokal und global Merkmale des Bildes effektiv erfasst, um ein Verschiebungsfeld zu erhalten. Schließlich werden durch eine Spannungsberechnungsschicht die Spannungskomponenten genau aus dem Verschiebungsfeld berechnet. Die Ergebnisse der Experimente mit dem DIC Challenge-Datensatz zeigen, dass im Vergleich zu herkömmlichen DIC-Methoden und CNN-basierten Modellen der mittlere absolute Fehler bei der vertikalen Verschiebungsvorhersage um 21% reduziert wird. In einem realen Zugversuch erhöht sich die Genauigkeit des maximalen Dehnungsfelds von ST-DIC an steilen Stellen um 8%. Die in diesem Artikel vorgeschlagene Methode weist eine höhere Zuverlässigkeit und Genauigkeit bei der Messung komplexer Verformungen auf.

Digitale Bildkorrelation; Swin Transformer; hochfrequente Verschiebung; mehrskalige Merkmalsextraktion; Spannungsmessung