전통적인 디지털 이미지 상관 (DIC) 방법이 고정된 부분 집합에 의존하여 발생하는 고주파 변위 포착 능력 부족 및 복잡한 응력에 대한 적응성 부족 문제를 해결하기 위해 Swin Transformer 기반의 변위 및 응력 동기 예측 네트워크 모델이 제안되었습니다. 해당 모델은 ST-DIC-d (변위 예측) 및 ST-DIC-s (응력 예측) 두 개의 하위 네트워크로 구성됩니다. 먼저, Swin Transformer의 계층 코더-디코더 구조를 사용하여 다중 스케일 특징 추출이 이루어집니다. 그런 다음, 주의 메커니즘 및 스킵 연결을 통해 이미지의 로컬 및 전역 특징을 효과적으로 포착하여 변위 필드를 얻습니다. 마지막으로, 변위 필드로부터 응력 구성요소를 정확하게 계산하는 응력 계산 층을 통해 변위 및 응력을 예측합니다. DIC Challenge 데이터 세트에서의 실험 결과는 ST-DIC이 전통적인 DIC 방법 및 CNN 기반 모델에 비해 수직 변위 예측에서 평균 절대 오차가 21% 감소함을 보여줍니다. 실제 신장 실험에서 ST-DIC은 고경사 영역에서 최대 변형 정확도가 8% 향상됩니다. 본 논문에서 제안된 방법은 복잡한 변형 측정에서 더 높은 신뢰성과 정확도를 가지고 있습니다.

디지털 이미지 상관; Swin Transformer; 고주파 변위; 다중 스케일 특징 추출; 응력 측정