CN112884751B - 一种利用紫外荧光标记同步测量变形和温度的装置及方法 - Google Patents

Abstract

本公开涉及一种利用紫外荧光标记同步测量变形和温度的装置及方法，所述方法包括：控制紫外荧光剂喷洒装置在试件表面喷洒紫外荧光剂；控制紫外补偿光源照射所述试件表面，使所述紫外荧光剂发光，获取所述试件表面在加热状态下的第一图像；控制蓝色补偿光源照射所述试件表面，获取所述试件表面在加热状态下的第二图像；将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场；根据所述第二图像，获取所述试件表面温度场。本公开实施例可提高在高温中试件表面变形场测量的精度并且实现同步测量温度场。

Description

一种利用紫外荧光标记同步测量变形和温度的装置及方法

技术领域

本公开涉及计算机技术领域，尤其涉及一种利用紫外荧光标记同步测量变形和温度的装置及方法。

背景技术

在航空航天等领域,关键结构部件在服役条件下需面临高温复杂环境，如：高超声速飞行器的材料在服役中需要承受极端热机械载荷。因此，在飞行器结构设计、热防护材料设计中，往往会通过高温材料试验评估材料的力学、热学性能。在高温材料试验过程中，对试件表面变形场、温度场的确定是至关重要的。尤其在材料裂纹萌生等应力集中现象出现时，对于材料变形场和温度场的实时监测能够为材料设计提供精确指导。

然而，由于计算精度受限、高温测试环境下材料热辐射影响成像质量等因素的耦合作用，材料测试领域的相关技术难以满足小位移、应力集中等高精度实验需求。

发明内容

本公开提出了一种利用紫外荧光标记同步测量变形和温度的技术方案。

根据本公开的一方面，提供了一种利用紫外荧光标记同步测量变形和温度的装置，包括：试验考核仓，位于试验考核仓内部的夹持装置、紫外荧光剂喷洒装置、加热设备、补偿光源、图像采集设备，计算设备；其中，

所述夹持装置用于固定试件；

所述紫外荧光剂喷洒装置用于在所述试件表面喷洒紫外荧光剂；

所述加热设备用于对所述试件表面进行加热；

所述补偿光源包括紫外补偿光源和蓝光补偿光源，所述紫外补偿光源用于向所述试件表面照射紫外光；所述蓝光补偿光源，用于向所述试件表面照射蓝光；

所述图像采集设备包括：紫外图像采集设备，用于获取所述试件表面在加热状态下的第一图像；彩色图像采集设备，用于获取所述试件表面在加热状态下的第二图像；

所述计算设备与所述图像采集设备通信连接，用于将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场，根据所述第二图像，获取所述试件表面温度场。

在一种可能的实施方式中，所述装置还包括：

红外测温仪，固定于所述考核仓内部，用于检测所述试件表面测温点的温度；

所述计算设备还用于，获取所述红外测温仪检测的所述试件表面测温点的温度，以及所述第二图像中的颜色信息；

根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；

根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；

基于所述各点的温度得到所述试件表面的温度场。

在一种可能的实施方式中，所述装置还包括：

紫外滤波片，加装于所述紫外图像采集设备的镜头前端，与所述紫外补偿光源配合使用，用于滤除进入所述紫外图像采集设备镜头的除紫外光以外的其它光；

蓝光滤波片，加装于所述彩色图像采集设备的镜头前端，与所述蓝光补偿光源配合使用，用于滤除进入所述彩色图像采集设备镜头的除蓝光以外的其它光。

根据本公开的一方面，提供了一种利用紫外荧光标记同步测量变形和温度的方法，包括：

控制紫外荧光剂喷洒装置在试件表面喷洒紫外荧光剂；

控制紫外补偿光源照射所述试件表面，使所述紫外荧光剂发光，获取所述试件表面在加热状态下的第一图像；

控制蓝色补偿光源照射所述试件表面，获取所述试件表面在加热状态下的第二图像；

将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场；

根据所述第二图像，获取所述试件表面温度场。

在一种可能的实施方式中，所述根据所述第二图像，获取所述试件表面温度场，具体包括：

获取所述试件表面测温点的温度，以及所述第二图像中的颜色信息；

根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；

根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；

基于所述各点的温度得到所述试件表面的温度场。

在一种可能的实施方式中，所述第二图像中的颜色信息包括：红光通道的光强、绿光通道的光强、红光波长、绿光波长；

所述根据所述测温点的温度和颜色信息，确定温度影响系数，包括：

确定所述测温点的所述红光通道光强和所述绿光通道光强的第一光强比值；

根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数；

所述根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度，包括：

确定所述第二图像中的各点的红光通道光强和绿光通道光强的第二光强比值；

根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度。

在一种可能的实施方式中，所述根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数，具体包括：

基于下述表达式确定所述温度影响系数K₀：

其中，T₀为所述测温点温度，λ_G为所述绿光波长，λ_G为所述红光波长，C₂为第二普朗克辐射常数，

为所述第一光强比值；

所述根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度，具体包括：

基于下述表达式确定所述第二图像中各点的温度T：

其中，T为所求点温度，K₀为测温点温度影响系数，B_RG为各点R、G通道的光强之比。

在一种可能的实施方式中，在所述将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场之前，所述方法还包括：

对紫外光照射的喷洒过荧光剂的室温状态下的试件表面进行图像采集，得到试验图像；

对所述试验图像进行特征增强和/或变换处理，得到增量试验图像；

在所述试验图像和所述增量试验图像上模拟所述试件表面变形，获得带有仿真变形场的训练数据；

将所述训练数据作为所述神经网络的输入，利用所述仿真变形场作为所述输入的标注，对所述神经网络进行训练。

在一种可能的实施方式中，所述神经网络包括空洞卷积层。

在一种可能的实施方式中，所述神经网络基于光流法神经网络，所述通过所述神经网络得到所述试件表面的变形场，具体包括：

基于所述空洞卷积层对所述第一图像进行空洞卷积，提取所述第一图像的多尺度特征；

基于光流法对所述多尺度特征执行反卷积操作，得到所述第一图像的变形场，其中，所述反卷积操作的空洞率与所述空洞卷积层的空洞率一一对应。

在本公开实施例中，通过在试件表面喷洒紫外荧光剂，并利用紫外光源照射试件表面，使紫外荧光剂发光，获取试件表面在加热状态下的第一图像，由于紫外波段，所采集的图像的亮度受热辐射的影响较小，同时，紫外荧光剂在紫外光的激发下，可以产生较强的光强，所以，所采集的图像中亮度的变化主要是由试件变形主导的，而非由热辐射引起，因此，基于第一图像，能够准确地得到试件表面的变形场。同时，基于蓝色补偿光源获取的第二图像，能够准确地确定试件表面温度场，由此能够准确地得到与变形场对应的温度场。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种利用紫外荧光标记同步测量变形和温度的装置的结构示意图。

图2示出根据本公开实施例的一种利用紫外荧光标记同步测量变形和温度的方法的流程图。

图3示出根据本公开实施例空洞卷积的结构示意图。

图4示出根据本公开实施例的一种利用紫外荧光标记同步测量变形和温度的装置框图。

图5示出根据本公开实施例的电子设备的框图。

图6示出根据本公开实施例的电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的利用紫外荧光标记同步测量变形和温度的装置的结构示意图，如图1所示，所述装置包括：试验考核仓19，位于试验考核仓内部的夹持装置14、紫外荧光剂喷洒装置(12，12’)、加热设备11，补偿光源(21，24)，图像采集设备(22、25)，计算设备31；其中，

所述夹持装置14用于固定试件15；

所述紫外荧光剂喷洒装置(12，12’)用于在所述试件15表面喷洒紫外荧光剂16；

所述加热设备11用于对所述试件15表面进行加热；

所述补偿光源包括紫外补偿光源24和蓝光补偿光源21，所述紫外补偿光源24用于向所述试件表面照射紫外光；所述蓝光补偿光源21，用于向所述试件表面照射蓝光；

所述图像采集设备包括：紫外图像采集设备25，用于获取所述试件15表面在加热状态下的第一图像；彩色图像采集设备22，用于获取所述试件15表面在加热状态下的第二图像；

所述计算设备31与所述图像采集设备(22、25)通信连接，用于将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场，根据所述第二图像，获取所述试件表面温度场。

使用紫外光激发喷洒在试件表面的紫外荧光剂可以大幅减少热辐射对第一图像的影响，获取的变形场更加准确。并且，由于获取第二图像时，使用蓝光照射试件表面，有效降低了热辐射对第二图像的影响，提高了获取的温度场的准确率。

在一种可能的实现方式中，所述装置，还包括：

红外测温仪27，固定于所述考核仓内部，用于检测所述试件表面测温点的温度；

所述计算设备还用于，获取所述红外测温仪检测的所述试件表面测温点的温度，以及所述第二图像中的颜色信息；

根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；

根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；

基于所述各点的温度得到所述试件表面的温度场。

由于第二图像受热辐射影像较小，也提高了求取的温度影响系数的准确率。而且，温度影响系数是表征试件表面温度与图像颜色信息之间关系的定量，利用这一定量，使计算过程更加简洁，提高了计算效率，节省计算资源。

在一种可能的实现方式中，所述装置，还包括：

紫外滤波片26，加装于所述紫外图像采集设备的镜头前端，与所述紫外补偿光源配合使用，用于滤除进入所述紫外图像采集设备镜头的除紫外光以外的其它光；

蓝光滤波片23，加装于所述彩色图像采集设备的镜头前端，与所述蓝光补偿光源配合使用，用于滤除进入所述彩色图像采集设备镜头的除蓝光以外的其它光。

使用紫外滤波片能够有效减少热辐射对于第一图像的影响；同样，使用蓝光滤波片，也可以降低热辐射对第二图像的影响；进一步提高变形场和温度场计算准确率。

示例性地，下面结合图1说明同步测量变形场和温度场的过程：

所述测量装置包括：试验单元10、信息采集单元20、信息处理单元30。

试验单元用于对试件进行多种操作；信息采集单元用于对试件表面进行图像采集、温度采集；信息处理单元用于对采集的图像和温度信息进行处理。

首先，搭建测量装置。

将试件15放置于夹持装置中14，打开试验考核仓19上面的进气阀17和排气阀18。在固定支架28上固定紫外补偿光源24、蓝光补偿光源21、紫外图像采集设备25、彩色图像采集设备22和红外测温仪27。在紫外图像采集设备25上加装紫外滤波片26，在彩色图像采集设备22上加装蓝光滤波片23。调整紫外补偿光源24和蓝光补偿光源21角度，保证所发出光束照射在试件表面；调整紫外图像采集设备25和彩色图像采集设备22角度，确保紫外图像采集设备25和彩色图像采集设备22通过观察窗13可以获取整个试件表面的图像；调试红外测温仪，确保测温点位于试件表面。将上述紫外补偿光源24、蓝光补偿光源21、紫外图像采集设备25、彩色图像采集设备22和红外测温仪27与信息处理单元中计算设备31通信连接，确定所采集数据可以传输到计算设备31中，而且计算设备31可对上述紫外补偿光源24、蓝光补偿光源21、紫外图像采集设备25、彩色图像采集设备22和红外测温仪27进行控制。

其次，进行测试。

打开紫外荧光剂喷洒装置(12,12’)，使紫外荧光剂16随机喷洒在试件15表面。打开火焰加热设备11，开始对试件15表面进行加热。同时地，通过紫外图像采集设备25获取第一图像、通过彩色图像采集设备22获取第二图像、通过红外测温仪27获取测温点温度，并且将第一图像、第二图像、测温点温度输入到计算设备31。测试结束后，关闭试验考核仓19内设备和固定支架28上的设备，保存采集的数据。

第三，数据处理，获得变形场和温度场。

在一个示例中，将第一图像输入到训练后的神经网络，获得试件表面的变形场。提取第二图像上的红光波长、绿光波长、测温点红光通道光强及绿光通道光强、图像上多点的红光通道光强和绿光通道光强；利用红光波长、绿光波长、红光通道光强及绿光通道光强、测温点温度求取温度影响系数；然后，利用红光波长、绿光波长、温度影响系数、图像上各点的红光通道光强和绿光通道光强，求取图像上各点的温度，获得试件表面温度场。

确定变形场和温度场的多种实现方式可参见本公开提供的一种利用紫外荧光标记同步测量变形和温度的方法中的实现方式，此处不做赘述。

图2示出根据本公开实施例的利用紫外荧光标记同步测量变形和温度的方法的流程图，如图2所示，所述方法包含的步骤可以手动直接在设备上操作，也可以通过软件对设备非接触操作。所述利用紫外荧光标记同步测量变形和温度的方法包括：

在步骤S201中，控制紫外荧光剂喷洒装置在试件表面喷洒紫外荧光剂。

紫外荧光剂是一种有机化合物，其具有将紫外线辐射转变成紫蓝色的荧光辐射的特性。将紫外荧光剂随机喷洒在试件表面上，使荧光剂良好地粘附于试件表面上，实现紫外荧光剂与试件协同变形。在本公开实施例中，所述试件可以包括耐高温复合材料，例如：陶瓷基复合材料、金属间化合物等。

在步骤S202中，控制紫外补偿光源照射所述试件表面，使所述紫外荧光剂发光，获取所述试件表面在加热状态下的第一图像。

在本公开实施例中，对试件表面进行加热，可以使用火焰高温加热设备着重对试件表面某一区域进行加热。之后，获取试件表面的第一图像。采集图像的设备可以是CCD相机、CMOS相机等；

在一种可能的实施方式中，图像采集设备的采集方式可以为连续采集，按照预先设置的采集频率，匀速采集试件表面的第一图像。

在一种可能的实施方式中，图像采集设备的采集方式也可以在温度相对较低时，采集时间间隔加大，随温度升高，试件表面开始发生变形后缩小采集时间间隔。

紫外光波长比可见光的波长短，使用紫外光照射试件表面降低了对试件的热辐射；加之，在图像采集设备上使用紫外光滤波片，滤除强光辐射，进一步降低热辐射对于第一图像的影响。这样，可以避免出现过度曝光。因此，在紫外波段获取的所述第一图像亮度大部分来自试件表面的荧光辐射，而非试件热辐射，便于捕捉试件表面微小的变形位移，提高了变形场的计算精度。

在步骤S203中，通控制蓝色补偿光源照射所述试件表面，获取所述试件表面在加热状态下的第二图像。

在本公开实施例中，采集第二图像的图像采集设备如上文所述，并在其上加装蓝光滤波片。图像采集可以与第一图像采集同步，以获得同步温度场。

在根据图像计算温度场时，为了降低可见光热辐射对于图像的影响，选用可见光中波长较短的光作为光源。本公开实施例中，使用蓝光作为光源。因此，从图像中提取的颜色信息较为准确，进而有利于通过图像颜色信息获得较准确的温度场。

在步骤S204中，将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场。

人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络或称作连接模型(Connection Model)，它能够模仿动物神经网络行为特征，对输入的信息进行处理。

神经网络的训练是使用神经网络对训练数据进行预测，将预测值与训练数据上的标注值进行对比，获得它们之间的差值，根据所述差值调整神经网络参数的过程。一般所述差值由一个损失函数表示，经过训练后，神经网络获得优化后的权重和偏置等参数。

变形场可以是物体三维空间内的位移矢量的空间分布状况。

在本公开实施例中，将第一图像作为神经网络的输入，经过神经网络预测，即可获得试件表面各点因变形发生的各种位移的集合，即试件表面的变形场。对于神经网络的具体预测过程，可参见后文本公开提供的实施方式，此处不做赘述。

利用紫外荧光剂的特性，在第一图像的获取过程中，既减少可见光对于试件表面的热辐射，又可使第一图像亮度适中，保留了反映试件表面状态的图像特征，提高神经网络预测准确率精度。

在步骤S205中，根据所述第二图像，获取所述试件表面温度场。

温度场是物质系统内各个点上温度的集合，反映了温度在空间和时间上的分布，在本公开实施例中，温度场是试件表面上多个点的温度的分布情况。试件表面的温度场可以根据第二图像来确定，例如，可以根据第二图像中各点的颜色信息来确定，对于具体的确定过程，可参见后文本公开提供的实施方式，此处不做赘述。

在本公开实施例中，通过在试件表面喷洒紫外荧光剂，并利用紫外光源照射试件表面，使紫外荧光剂发光，获取试件表面在加热状态下的第一图像，由于紫外波段，所采集的图像的亮度受热辐射的影响较小，同时，紫外荧光剂在紫外光的激发下，可以产生较强的光强，所以，所采集的图像中亮度的变化主要是由试件变形主导的，而非由热辐射引起，因此，基于第一图像，能够准确地得到试件表面的变形场。同时，基于蓝色补偿光源获取的第二图像，能够准确地确定试件表面温度场，由此能够准确地得到与变形场对应的温度场。

在一种可能的实施方式中，所述根据所述第二图像，获取所述试件表面温度场，具体包括：获取所述试件表面测温点的温度，以及所述第二图像中的颜色信息；根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；基于所述各点的温度得到所述试件表面的温度场。

在本公开实施例中，使用红外测温仪，对试件表面某一测温点进行测温，获取试件表面测温点的温度，测温点可以是试件表面上的任意一点，本公开对测温点的具体位置不作限定；同时，可以获取第二图像的颜色信息，颜色信息可以包括图像像素的色相、亮度等。对应到光学中，图像的颜色信息可以是图像上光通道的波长和光强。根据维恩偏移定律，基于两个固定波长光通道光强之比可以得到相应的温度，可以计算出表示测温点温度以及该点在第二图像上的颜色信息之间关系的定量，即温度影响系数；进一步，利用所述温度影响系数以及第二图像上各点的颜色信息，反推出第二图像上各点的温度，即得到了试件表面的温度场。由于前述对于第二图像的采集方式，尽可能地减少了第二图像的颜色信息受热辐射的影响，所以可以获得较准确的温度影响系数，进而求取的试件表面温度场也相对准确。具体计算在下文详细介绍。

在本公开实施例中，通过建立试件表面温度与图像颜色信息之间的关系，获得表示这一关系的定量，利用这一定量，使计算过程更加简洁，提高了计算效率，节省计算资源。可以理解的是，本公开实施例中的“第一”和“第二”用于区分所描述的对象，而不应当理解为对描述对象的次序等其它限定。

在一种可能的实施方式中，所述第二图像中的颜色信息包括：红光通道的光强、绿光通道的光强、红光波长、绿光波长；所述根据所述测温点的温度和颜色信息，确定温度影响系数，包括：确定所述测温点的所述红光通道光强和所述绿光通道光强的第一光强比值；根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数；根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数；确定所述第二图像中的各点的红光通道光强和绿光通道光强的第二光强比值；根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度。

在本公开实施例中，通过试件上一点的温度与该点在第二图像上的红光通道与绿光通道光强之比，可以获得温度影响系数，详见公式(1)；利用此温度影响系数和第二图像上各点的红光通道与绿光通道光强之比，可以获得多个点的温度，详见公式(2)。

由于热辐射主要发生在长波段，并且红光、绿光、蓝光三色光中，红光和绿光相对蓝光波长更长，所以选取红光和绿光用于计算温度，可以减少反射的影响，使上述温度计算过程更准确。

在一种可能的实施方式中，所述根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数，具体包括：基于下述表达式确定所述温度影响系数K₀：

其中，T₀为所述测温点温度，λ_G为所述绿光波长，λ_R为所述红光波长，C₂为第二普朗克辐射常数，

为所述第一光强比值。

所述根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度，具体包括：

其中，T为所求点温度，K₀为测温点温度影响系数，B_RG为各点R、G通道的光强之比。

在一种可能的实施方式中，在所述将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场之前，所述方法还包括：对紫外光照射的喷洒过荧光剂的室温状态下的试件表面进行图像采集，得到试验图像；对所述试验图像进行特征增强和/或变换处理，得到增量试验图像；在所述试验图像和所述增量试验图像上模拟所述试件表面变形，获得带有仿真变形场的训练数据；将所述训练数据作为所述神经网络的输入，利用所述仿真变形场作为所述输入的标注，对所述神经网络进行训练。

神经网络的训练往往需要大量的数据，所以可以首先获取用于神经网络训练的数据。

作为实现方式的一个示例，在室温下，将紫外荧光剂喷洒在试件表面，获取试件表面的第一图像，作为试验图像；然后对试验图像进行特征增强和/或变换处理等处理，以获得增量试验数据，扩大数据量；利用计算机在试验数据和增量试验数据上模拟变形场x_i，以获得神经网络训练数据。

作为实现方式的一个示例，在室温下，将紫外荧光剂喷洒在试件表面，使用试验机将试件拉伸，使试件表面产生形变场x_i，同时获取试件表面的第一图像，作为试验图像；然后对试验图像进行特征增强和/或变换处理等几何处理，以获得增量试验数据；将实验数据和增量试验数据作为训练数据用于神经网络的训练。

在一种可能的实现方式中，利用训练数据对神经网络的训练过程具体如下：

将带有变形场x_i的训练数据输入神经网络，经过神经网络预测，获得变形场y_i。利用损失函数L(Θ)计算x_i与y_i之间的残差。详见公式(3)

其中，Θ表示神经网络学习参数，m表示训练数据的数量，n表示当前第n个训练数据输入神经网络进行预测。

利用随机梯度下降法对损失函数进行链式求导(详见公式(4)、(5))，对神经网络的权重及偏置进行更新(详见公式(6)、(7))。

其中，w，b分别表示权重和偏置，k为当前层数，λ为权重的参考参数，i表示图像像素横轴坐标，j表示图像想租纵轴坐标。

其中，l表示神经网络层数，c为学习率。

由于可以在计算机或试验机中预先设置变形参数，所以变形场可控，训练数据的标注是准确的，有利于准确获得神经网络的参数。

在一种可能的实施方式中，所述神经网络包括空洞卷积层。

空洞卷积是在标准卷积的卷积核中注入间隔，这种间隔的数量称为空洞率。对于同一图像特征，使用空洞卷积可以获得更大的感受野，例如图3中，尺寸为3*3的卷积核，在普通卷积中，可以获得3*3范围内的信息(图a)；在空洞率为1时，可以获得5*5范围内的信息(图b)；在空洞率为2时，可以获得7*7范围内的信息(图c)。此外，空洞卷积还可以提高对于多尺度特征的识别效果，并且可以减少计算量。

在本公开实施例中，在高温下，试件表面应力集中的区域可能会出现裂纹，裂纹附近的变形场对计算精度要求较高；裂纹远端的变形场比较均匀，所需的计算精度要求略低。空洞卷积可以适用于这种不同计算精度的要求，在计算效率和计算精度上找到平衡点，节省资源，保证精度。

在一种可能的实施方式中，所述神经网络基于光流法神经网络，所述通过所述神经网络得到所述试件表面的变形场，具体包括：基于所述空洞卷积层对所述第一图像进行空洞卷积，提取所述第一图像的多尺度特征；基于光流法对所述多尺度特征执行反卷积操作，得到所述第一图像的变形场，其中，所述反卷积操作的空洞率与所述空洞卷积层的空洞率一一对应。

在本公开实施例中，构建了34层的基于光流法卷积神经网络(DDCNN,Displacement Dilated Convolutional Neural Networks)。1～21层为收缩部分，用于提取第一图像的多尺度特征，22～34层为扩大部分，实现光流法分层金字塔的功能，用于分层计算特征子图的变形场，重构高分辨率图像。收缩部分：第1～3层采用标准卷积，卷积核大小分别为7、5、5，激活函数采用线性整流函数；第4～21层卷积核均为3，按照标准卷积、空洞率为1的空洞卷积、空洞率为2的空洞卷积的顺序循环6次，共18层，激活函数采用线性整流函数。扩大部分：第22～33层采用反卷积，反卷积核为4*4，反卷积空洞率与前述卷积的卷积空洞率一一对应，激活函数采用线性整流函数。第34层为卷积层，卷积核为3*3，激活函数为线性整流函数，用于试验图像变形场的输出。

根据第一图像的特点，对于基于光流法神经网络进行进一步改进，引入空洞卷积层。神经网络在对第一图像进行预测时，在不增加计算资源的前提下，既保证图像特征，又增加感受野。这样，使得该神经网络对于不同精度要求的变形场预测准确、高效。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图4示出根据本公开实施例的利用紫外荧光标记同步测量变形和温度的装置框图，如图4所示，所述装置包括：

紫外荧光剂喷洒单元401，用于控制紫外荧光剂喷洒张志在试件表面喷洒紫外荧光剂；

第一光照单元402，用于控制紫外补偿光源照射所述试件表面，使所述紫外荧光剂发光，获取所述试件表面在加热状态下的第一图像；

第二光照单元403，用于控制蓝色补偿光源照射所述试件表面，获取所述试件表面在加热状态下的第二图像；

变形场计算单元404，用于将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场；

温度场计算单元405，用于根据所述第二图像，获取所述试件表面温度场。

在一种可能实现的方式中，所述温度场计算单元405，具体包括：

颜色信息获取单元，用于获取所述试件表面测温点的温度，以及所述第二图像中的颜色信息；

温度影响系数确定单元，用于根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；

温度计算单元，用于根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；

温度场计算子单元，用于基于所述各点的温度得到所述试件表面的温度场。

在一种可能实现的方式中，所述第二图像中的颜色信息包括：红光通道的光强、绿光通道的光强、红光波长、绿光波长；

所述温度影响系数确定单元，包括：

第一光强比值计算单元，用于确定所述测温点的所述红光通道光强和所述绿光通道光强的第一光强比值；

温度影响系数确定子单元，用于根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数；

所述温度计算单元，包括：

第二光强比值计算单元，用于确定所述第二图像中的各点的红光通道光强和绿光通道光强的第二光强比值；

温度计算子单元，用于根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度。

在一种可能实现的方式中，所述温度影响系数确定子单元，具体包括：

基于下述表达式确定所述温度影响系数K₀：

其中，T₀为所述测温点温度，λ_G为所述绿光波长，λ_G为所述红光波长，C₂为第二普朗克辐射常数，

为所述第一光强比值；

所述温度计算子单元，具体用于：

基于下述表达式确定所述第二图像中各点的温度T：

其中，T为所求点温度，K₀为测温点温度影响系数，B_RG为各点R、G通道的光强之比。

在一种可能实现的方式中，所述装置还包括：

试验图像获取单元，用于对紫外光照射的喷洒过荧光剂的室温状态下的试件表面进行图像采集，得到试验图像；

试验图像增量单元，用于对所述试验图像进行特征增强和/或变换处理，得到增量试验图像；

变形场模拟单元，用于在所述试验图像和所述增量试验图像上模拟所述试件表面变形，获得带有仿真变形场的训练数据；

训练单元，用于将所述训练数据作为所述神经网络的输入，利用所述仿真变形场作为所述输入的标注，对所述神经网络进行训练。

在一种可能实现的方式中，所述神经网络包括空洞卷积层。

在一种可能实现的方式中，所述神经网络基于光流法神经网络，所述变形场计算单元404，具体包括：

特征提取单元，用于基于所述空洞卷积层对所述第一图像进行空洞卷积，提取所述第一图像的多尺度特征；

反卷积单元，用于基于光流法对所述多尺度特征执行反卷积操作，得到所述第一图像的变形场，其中，所述反卷积操作的空洞率与所述空洞卷积层的空洞率一一对应。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的一种利用紫外荧光标记同步测量变形和温度的方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的一种利用紫外荧光标记同步测量变形和温度的方法的操作。

图5是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server^TM)，苹果公司推出的基于图形用户界面操作系统(Mac OSX^TM)，多用户多进程的计算机操作系统(Unix^TM),自由和开放原代码的类Unix操作系统(Linux^TM)，开放原代码的类Unix操作系统(FreeBSD^TM)或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――(但不限于)――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种利用紫外荧光标记同步测量变形和温度的装置，其特征在于，包括：试验考核仓，位于试验考核仓内部的夹持装置、紫外荧光剂喷洒装置、加热设备、补偿光源、图像采集设备，计算设备；其中，

所述夹持装置用于固定试件；

所述紫外荧光剂喷洒装置用于在试件表面喷洒紫外荧光剂；

所述加热设备用于对所述试件表面进行加热；

所述补偿光源包括紫外补偿光源和蓝光补偿光源，所述紫外补偿光源用于向所述试件表面照射紫外光；所述蓝光补偿光源，用于向所述试件表面照射蓝光；

所述图像采集设备包括：紫外图像采集设备，用于获取所述试件表面在加热状态下的第一图像；彩色图像采集设备，用于获取所述试件表面在加热状态下的第二图像；

所述计算设备与所述图像采集设备通信连接，用于将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场，根据所述第二图像，获取所述试件表面温度场；

所述装置还包括：

红外测温仪，固定于所述试验考核仓内部，用于检测所述试件表面测温点的温度；

所述计算设备还用于，获取所述红外测温仪检测的所述试件表面测温点的温度，以及所述第二图像中的颜色信息；

根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；

根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；

基于所述各点的温度得到所述试件表面的温度场。

2.根据权利要求1所述装置，其特征在于，所述装置还包括：

紫外滤波片，加装于所述紫外图像采集设备的镜头前端，与所述紫外补偿光源配合使用，用于滤除进入所述紫外图像采集设备镜头的除紫外光以外的其它光；

蓝光滤波片，加装于所述彩色图像采集设备的镜头前端，与所述蓝光补偿光源配合使用，用于滤除进入所述彩色图像采集设备镜头的除蓝光以外的其它光。

3.一种利用紫外荧光标记同步测量变形和温度的方法，其特征在于，包括：

控制紫外荧光剂喷洒装置在试件表面喷洒紫外荧光剂；

控制紫外补偿光源照射所述试件表面，使所述紫外荧光剂发光，获取所述试件表面在加热状态下的第一图像；

控制蓝色补偿光源照射所述试件表面，获取所述试件表面在加热状态下的第二图像；

将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场；

根据所述第二图像，获取所述试件表面温度场；

所述根据所述第二图像，获取所述试件表面温度场，具体包括：

获取所述试件表面测温点的温度，以及所述第二图像中的颜色信息；

根据所述测温点的温度和颜色信息，确定温度影响系数，所述温度影响系数用于表征第二图像中的颜色信息和所述试件表面温度之间的关系；

根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度；

基于所述各点的温度得到所述试件表面的温度场。

4.根据权利要求3所述的方法，其特征在于，所述第二图像中的颜色信息包括：

红光通道的光强、绿光通道的光强、红光波长、绿光波长；

所述根据所述测温点的温度和颜色信息，确定温度影响系数，包括：

确定所述测温点的所述红光通道光强和所述绿光通道光强的第一光强比值；

根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数；

所述根据所述第二图像中的各点的颜色信息和所述温度影响系数，确定所述各点的温度，包括：

确定所述第二图像中的各点的红光通道光强和绿光通道光强的第二光强比值；

根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度。

5.根据权利要求4所述方法，其特征在于，所述根据所述测温点的温度，以及所述测温点的所述第一光强比值、红光波长、绿光波长，第二普朗克辐射常数，确定所述温度影响系数，具体包括：

基于下述表达式确定所述温度影响系数K₀：

其中，T₀为所述测温点温度，λ_G为所述绿光波长，λ_R为所述红光波长，C₂为第二普朗克辐射常数，

为所述第一光强比值；

所述根据所述温度影响系数，以及所述第二图像中各点的所述第二光强比值、红光波长、绿光波长、第二普朗克辐射常数，确定所述第二图像中各点的温度，具体包括：

基于下述表达式确定所述第二图像中各点的温度T：

其中，T为所求点温度，K₀为测温点温度影响系数，B_RG为所述第二光强比值。

6.根据权利要求3所述的方法，其特征在于，在所述将所述第一图像输入训练后的神经网络，通过所述神经网络得到所述试件表面的变形场之前，所述方法还包括：

对紫外光照射的喷洒过荧光剂的室温状态下的试件表面进行图像采集，得到试验图像；

对所述试验图像进行特征增强和/或变换处理，得到增量试验图像；

在所述试验图像和所述增量试验图像上模拟所述试件表面变形，获得带有仿真变形场的训练数据；

将所述训练数据作为所述神经网络的输入，利用所述仿真变形场作为所述输入的标注，对所述神经网络进行训练。

7.根据权利要求3所述方法，其特征在于，所述神经网络包括空洞卷积层。

8.根据权利要求7所述方法，其特征在于，所述神经网络基于光流法神经网络，所述通过所述神经网络得到所述试件表面的变形场，具体包括：

基于所述空洞卷积层对所述第一图像进行空洞卷积，提取所述第一图像的多尺度特征；

基于光流法对所述多尺度特征执行反卷积操作，得到所述第一图像的变形场，其中，所述反卷积操作的空洞率与所述空洞卷积层的空洞率一一对应。

Images