Para resolver el problema de la capacidad insuficiente para capturar desplazamientos de alta frecuencia y la adaptabilidad baja a las tensiones complejas ocasionadas por la dependencia de los métodos clásicos de correlación de imágenes digitales (DIC) a un subconjunto fijo, se propuso un modelo de red de predicción sincrónica de desplazamientos y tensiones basado en Swin Transformer. Este modelo está compuesto por dos subredes (ST-DIC-d (predicción de desplazamientos) y ST-DIC-s (predicción de tensiones)). En primer lugar, se realiza una extracción de características a múltiples escalas utilizando la estructura codificador-decodificador en capas de Swin Transformer. Luego, a través de un mecanismo de atención y conexiones saltadas, se capturan eficazmente las características locales y globales de la imagen, lo que permite obtener un campo de desplazamientos. Finalmente, a través de una capa de cálculo de tensiones, se calculan con precisión las componentes de las tensiones a partir del campo de desplazamientos. Los resultados de los experimentos en el conjunto de datos DIC Challenge muestran que en comparación con los métodos DIC tradicionales y los modelos basados en CNN, el error absoluto medio en la predicción de desplazamientos verticales se reduce en un 21%. En un experimento real de tracción, la precisión del campo de tensiones de ST-DIC aumenta un 8% en áreas de alto gradiente. El método propuesto en este documento presenta una fiabilidad y precisión más altas en la medición de deformaciones complejas.

correlación de imágenes digitales; Swin Transformer; desplazamiento de alta frecuencia; extracción de características a múltiples escalas; medición de tensiones