전통적인 디지털 영상 상관관계(DIC) 방법이 고정된 서브셋에 의존하여 고주파 변위 포착 능력이 부족하고 복잡한 변형에 대한 적응성이 떨어지는 문제를 해결하기 위해, Swin Transformer를 기반으로 변위와 변형률을 동기 예측하는 네트워크 모델을 제안하였다. 이 모델은 ST-DIC-d(변위 예측)와 ST-DIC-s(변형률 예측) 두 개의 서브네트워크로 구성된다. 먼저, Swin Transformer의 계층형 인코더-디코더 구조를 이용해 다중 스케일 특성 추출을 수행하며; 그 다음, 어텐션 메커니즘과 스킵 연결을 통해 이미지의 국부 및 전역 특성을 효과적으로 포착하여 변위장을 얻는다; 마지막으로, 변위장에서 변형률 계산층을 통해 변형률 성분을 정확히 계산한다. DIC Challenge 데이터셋에서의 실험 결과는 ST-DIC가 전통적인 DIC 방법 및 CNN 기반 모델에 비해 수직 변위 예측에서 평균 절대 오차를 21% 감소시켰음을 보여준다. 실제 인장 실험에서는 고경사 영역에서 최대 변형률 정확도가 8% 향상되었다. 본 논문에서 제안한 방법은 복잡한 변형 측정에 있어 더 높은 신뢰성과 정확성을 가진다.

디지털 영상 상관관계;Swin Transformer;고주파 변위;다중 스케일 특성 추출;변형률 측정