Pour résoudre le problème de la capacité insuffisante de capture des déplacements de haute fréquence et de l'adaptabilité faible aux contraintes complexes causées par la dépendance des méthodes classiques de corrélation d'images numériques (DIC) à un sous-ensemble fixe, un modèle de réseau de prédiction synchrone des déplacements et des contraintes basé sur Swin Transformer a été proposé. Ce modèle est composé de deux sous-réseaux (ST-DIC-d (prédiction des déplacements) et ST-DIC-s (prédiction des contraintes)). Tout d'abord, une extraction de caractéristiques multi-échelles est effectuée à l'aide de la structure encodeur-décodeur en couches de Swin Transformer. Ensuite, par le biais d'un mécanisme d'attention et de connexions sautées, les caractéristiques locales et globales de l'image sont efficacement capturées, ce qui permet d'obtenir un champ de déplacements. Enfin, à travers une couche de calcul des contraintes, les composantes de contraintes sont calculées avec précision à partir du champ de déplacements. Les résultats des expériences sur l'ensemble de données DIC Challenge montrent que par rapport aux méthodes DIC traditionnelles et aux modèles basés sur CNN, l'erreur absolue moyenne dans la prédiction des déplacements verticaux est réduite de 21%. Dans une expérience réelle de traction, la précision de la déformation maximale du champ contraintes de ST-DIC augmente de 8% dans des zones de forte pente. La méthode proposée dans cet article présente une fiabilité et une précision plus élevées dans la mesure des déformations complexes.

corrélation d'images numériques; Swin Transformer; déplacement haute fréquence; extraction de caractéristiques multi-échelles; mesure des contraintes