Для решения проблемы недостаточной способности обнаружения высокочастотных смещений и низкой адаптивности к сложным напряжениям, вызванной зависимостью традиционных методов цифровой корреляции изображений (DIC) от фиксированного подмножества, была предложена модель сети предсказания смещения и напряжения на основе Swin Transformer. Эта модель состоит из двух подсетей (ST-DIC-d (предсказание смещения) и ST-DIC-s (предсказание напряжения)). Сначала проводится многомасштабное извлечение признаков с помощью иерархической структуры энкодера-декодера Swin Transformer. Затем, путем механизма внимания и скачковых соединений, эффективно обнаруживаются локальные и глобальные признаки изображения, что позволяет получить поле смещения. И, наконец, через слой вычисления напряжения точно рассчитываются компоненты напряжения из поля смещения. Результаты экспериментов на наборе данных DIC Challenge показывают, что по сравнению с традиционными методами DIC и моделями на основе CNN средняя абсолютная ошибка в предсказании вертикального смещения снижается на 21%. В реальном эксперименте на растяжение точность измерения максимального напряжения ST-DIC повышается на 8% в области высоких градиентов. Метод, предложенный в данном документе, обладает более высокой надежностью и точностью в измерении сложных деформаций.

цифровая корреляция изображений; Swin Transformer; высокочастотное смещение; многомасштабное извлечение признаков; измерение напряжения