CN113538473A - 数字图像相关中针对裂纹的随机网格及异形子区划分方法 - Google Patents
数字图像相关中针对裂纹的随机网格及异形子区划分方法 Download PDFInfo
- Publication number
- CN113538473A CN113538473A CN202110772042.7A CN202110772042A CN113538473A CN 113538473 A CN113538473 A CN 113538473A CN 202110772042 A CN202110772042 A CN 202110772042A CN 113538473 A CN113538473 A CN 113538473A
- Authority
- CN
- China
- Prior art keywords
- area
- cracks
- sub
- node
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000006073 displacement reaction Methods 0.000 claims abstract description 33
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,涉及实验力学、非接触式全场裂纹位移测量、数字图像相关领域,该方法是一种能够非均匀地对变形图像进行网格划分,同时通过深度学习智能算法智能识别裂纹等不连续区域并标注轮廓,在裂纹轮廓外自动或手动添加节点,并定义节点的剔除裂纹区域的异形子区。根据定义的节点及子区,与参考图像进行相关性匹配,进而计算所有节点的位移,然后插值得到全场位移。该方法可以有效解决传统数字图像相关方法中,由于裂纹等不连续区域的存在导致子区断裂,进而造成某些区域计算结果缺失从而导致计算结果错误的问题。
Description
技术领域
本发明涉及实验力学、非接触式全场裂纹位移测量、数字图像相关领域,具体涉及一种数字图像相关中针对裂纹的随机网格及异形子区划分方法。
背景技术
在航空航天、建筑桥梁等诸多领域中,保证结构可靠性永远是第一要务。随着科学技术的发展,能够在结构发生不可逆损伤之前,对其施以控制修缮,成为诸多科学家的重要目标。而由实验力学提供的材料响应载荷表征的测量结果,对于完善设计,改进结构以及监测损伤都具有丰富的指导意义。位移与应变,作为实验力学重要参量,对于分析模型力学特性、验证基础假设及特征识别等都具有举足轻重的作用。面对日益复杂的测量需求,传统的位移应变测量方法就显得捉襟见肘。与此同时,有限处位移应变测量结果远不能胜任复杂模型的分析工作。并且针对各种测量条件的约束,能够实现全场应变及非接触式测量的新兴测量技术应运而生。
能够进行全场测量的不同方法,各有其准确性及适用性优势。而又能够同时满足非接触测量条件的数字图像相关法(Digital Image Correlation,DIC),由于其较低的实验成本及数据采集过程相对简单等优势已被广泛用于实验力学中,其对测量环境和隔振要求较低,普适性强,广泛应用于各种工程和学科领域,如航空航天、生物医疗等。
传统的数字图像相关法(DIC)中,遇到裂纹等不连续区域的位移测量问题时,由于采用均匀的网格划分方法,所以节点划分时不能规避裂纹区域。如此导致在计算裂纹区域的节点位移时,由于该节点子区包含裂纹信息,导致该子区的像素灰度分布不连续。在进行节点子区间相关性匹配计算时,由于子区灰度的不连续性,导致节点位移计算错误或根本得不到位移信息。
发明内容
本发明针对现有技术中存在的问题,公开了一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,该方法是一种能够非均匀地对变形图像进行网格划分,同时针对裂纹等不连续区域,在裂纹轮廓外自动或手动添加节点,并定义节点的剔除裂纹区域的异形子区。根据定义的节点及子区,与参考图像进行相关性匹配,进而计算所有节点的位移,然后插值得到全场位移。该方法解决了现有技术中存在的节点位移计算错误或根本得不到位移信息的技术缺陷。
本发明是这样实现的:
一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的方法为:
步骤一、采集参考图像以及带有裂纹的变形图像;步骤二、对含有裂纹的变形图像进行裂纹特征识别,定义裂纹的数量、位置及轮廓,并将各裂纹轮廓用函数表示;步骤三、在变形图像中,预设裂纹扩展范围,沿轮廓外法向方向,扩展各裂纹轮廓,得到扩展轮廓区域;步骤四、在变形图像的扩展轮廓区域外,布置一定数量、随机分布的节点,作为网格划分的初始节点;步骤五、根据设定的匹配子区大小及各初始节点与裂纹的相对位置,在变形图像上定义各初始节点的匹配子区;步骤六、通过智能布点或手动选点的方式,在扩展裂纹轮廓内及其他需要加密网格的区域,选择若干加密网格所需添加的节点,并在变形图像上定义各添加节点的异形匹配子区;步骤七、由初始节点及添加节点组成变形图像的节点群,根据各节点匹配子区信息,由数字图像相关方法,计算各节点的位移;步骤八、由各节点位移,可插值得到全场位移。
进一步,所述的步骤一具体为:搭建实验平台,用数码相机采集物体变形前后的散斑图像,采集实验前物体的数字散斑图像,记为参考图像;采集实验后物体带有裂纹的数字散斑图像,记为变形图像。
进一步,所述的步骤二具体为:通过图像识别或特征识别的方法,所述的方法为深度学习神经网络的特征识别,检测变形图像中裂纹的个数及相应的位置和轮廓范围,并用线性或非线性函数表示其轮廓。
进一步,所述的步骤五具体为:定义各初始节点匹配子区位置:
预设节点匹配子区的半径M,通常节点子区取值范围为:以节点为中心,2M+1为边长的正方形区域,大小为(2M+1)×(2M+1);当节点子区某些区域包含裂纹时,节点位置保持不动,将该子区沿远离裂纹的方向平移,使子区边界位于裂纹轮廓外,此时需保证节点与子区边界保持两个像素以上距离。
进一步,所述的步骤六中,添加节点的方法具体为:在扩展裂纹轮廓范围内或需要加密网格的区域,通过智能算法自动选择节点,或通过人机交互的方式手动添加节点。
进一步,所述的步骤六中,异形匹配子区的定义方法具体为:
预设节点子区的半径M,取以节点为中心,2M+1为边长的正方形区域为子区;当子区某些区域包含裂纹时,节点位置保持不动,将该子区沿远离裂纹的方向平移,以减少该子区包含裂纹区域的面积,但需保证节点与子区边界保持两个像素以上距离;当平移过后的子区仍包含裂纹区域时,将该子区中裂纹区域的灰度信息剔除,该正方形子区就变成多边形子区,称之为异形子区。
进一步,所述的步骤七中,所述的数字图像相关方法具体为:根据计算得到的变形图像所有节点的子区范围,选定相关性准则,与变形前的参考图像进行相关性匹配,即可得到各节点的位移。
进一步,所述的相关性准则包括数字图像相关方法中所有的相关性函数,例如零均值归一化协方差互相关函数或者归一化最小平方距离相关函数。
进一步,所述的零均值归一化协方差互相关函数(zero-mean normalized cross-correlation,ZNCC)的具体表达式如下:
其中,x,y为横纵坐标,2M+1为特征描述域边长,f(x,y)表示参考节点特征描述域的灰度分布,fm为该区域灰度均值,g(x',y')表示变形节点特征描述域的灰度分布,gm为该区域灰度均值。
本发明与现有技术的有益效果在于:
本发明提出了一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,该方法可有效解决对裂纹等不连续区域的位移测量结果不精确的问题。本发明在变形图像的非裂纹区域随机布置节点,划分非均匀网格。同时在裂纹区域外侧自动或手动布置节点并划分该节点的异形子区,该异形子区可解决传统DIC的子区断裂问题。
附图说明
图1为本发明一种数字图像相关中针对裂纹的随机网格及异形子区划分方法的偏移子区划分方法;
图2为本发明一种数字图像相关中针对裂纹的随机网格及异形子区划分方法的异形子区划分方法;
图3为本发明一种数字图像相关中针对裂纹的随机网格及异形子区划分方法的模拟散斑图像;
图4为本发明一种数字图像相关中针对裂纹的随机网格及异形子区划分方法的位移真实解云图;
图5为本发明一种数字图像相关中针对裂纹的随机网格及异形子区划分方法的初始网格及添加网格;
图6为本发明一种数字图像相关中针对裂纹的随机网格及异形子区划分方法的位移计算解云图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚,明确,以下列举实例对本发明进一步详细说明。应当指出此处所描述的具体实施仅用以解释本发明,并不用于限定本发明。
为实现本发明的目的,本发明的方法具体步骤为:
步骤一、采集实验前物体的数字散斑图像,记为参考图像;采集实验后物体带有裂纹的数字散斑图像,记为变形图像;
步骤二、对变形图像进行裂纹特征识别,识别出裂纹的数量、位置及轮廓范围,并将轮廓用函数表示;
步骤三、设定初始节点数量为n;在变形图像的非裂纹区域,布置n个随机分布的初始节点;
步骤四、设置裂纹轮廓扩展范围为3个像素,向外扩展裂纹轮廓范围。
步骤五、为每个节点分配以节点为中心,2M+1为边长的正方形区域作为该节点的匹配子区;若某些节点的子区有部分区域位于裂纹区域时,节点位置保持不动,沿远离裂纹的方向平移子区,使子区边界位于裂纹区域外;此时需保证节点与子区边界仍有2个像素以上的距离,如图1、2所示;
步骤六、在扩展轮廓内通过智能算法自动选择节点,或通过人机交互的方式手动添加节点;添加节点的方法具体为:在该扩展轮廓内通过智能算法自动选择节点,或通过人机交互的方式手动添加节点,如图1、2所示;添加节点的异形匹配子区的定义方法具体为:与初始节点的平移子区方法相似,设置添加节点的子区边界位于裂纹轮廓外,沿远离裂纹的方向布置子区,如图1、2所示。若部分添加节点子区划分范围受裂纹区域所限,可将裂纹区域从子区中剔除,形成沿裂纹分布的异形子区,具体划分方法如图2所示。图中,①、②标注的填充区域由于原正方形子区部分位于裂纹区域内,故将裂纹区域从原子区中剔除,形成异形子区。需保证节点与子区边界保持2个像素以上距离;
步骤七、与初始节点的平移子区方法相似,设置添加节点的子区边界位于裂纹轮廓上,沿远离裂纹的方向布置子区。若部分添加节点子区划分范围受裂纹区域所限,可将裂纹区域从子区中剔除,形成沿裂纹分布的异形子区。
步骤八、由初始节点及添加节点组成变形图像的节点群,根据各节点匹配子区信息,由数字图像相关方法,计算各节点的位移;
步骤九、由各节点位移,可插值得到全场位移。
以下列举具体的实例进行叙述本发明的方法:
模拟散斑图像由计算机高斯散斑算法生成,像素为500×500,散斑数目为1000,生成参考图像,然后设定模拟裂纹,生成变形图像,如图3所示。图中,图像被分成四个象限,将第四象限从90°均匀压缩至87°,模拟裂纹,生成变形图像,位移云图如图4所示。通过上述算法计算位移场,然后将计算结果与真实解进行对比。
具体实施步骤如下:
步骤一:标注变形图像裂纹区域;
步骤二:在变形图像的非裂纹区域,设置4000个随机分布的初始节点,;
步骤三:根据节点与裂纹的相对位置,为各节点分配大小为41×41、位置各异的匹配子区;
步骤四:向外扩展裂纹轮廓5个像素,在该扩展轮廓内,手动添加节点,并为每个节点分配大小为41×41、位置各异的匹配子区;由图5可见手动添加节点位置(椭圆框内加密部分即为添加网格);
步骤五:根据变形图像所有节点的匹配子区的灰度信息,与参考图像进行相关性匹配,得到各节点的匹配位移;
步骤六:由各节点的位移,进行插值,得到全场位移,位移云图如图6所示。将图6计算解与图4真实解进行对比发现,计算解与真实解匹配较好,且不会发生子区断裂导致的位移缺失现象,表明提出的方法真实有效且计算精确。
最后应当说明的是,以上实施方案仅用以说明本发明的实现方式而非对其限制;人们应该理解,对该发明的实施过程进行修改或者部分算法过程进行同等替换,而不会脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围内。
Claims (8)
1.一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的方法为:
步骤一、采集参考图像以及带有裂纹的变形图像;
步骤二、对含有裂纹的变形图像进行裂纹特征识别,定义裂纹的数量、位置及轮廓,并将各裂纹轮廓用函数表示;
步骤三、在变形图像中,预设裂纹扩展范围,沿轮廓外法向方向,扩展各裂纹轮廓,得到扩展轮廓区域;
步骤四、在变形图像的扩展轮廓区域外,布置一定数量、随机分布的节点,作为网格划分的初始节点;
步骤五、根据设定的匹配子区大小及各初始节点与裂纹的相对位置,在变形图像上定义各初始节点的匹配子区;
步骤六、通过智能布点或手动选点的方式,在扩展裂纹轮廓内及其他需要加密网格的区域,选择若干加密网格所需添加的节点,并在变形图像上定义各添加节点的异形匹配子区;
步骤七、由初始节点及添加节点组成变形图像的节点群,根据各节点匹配子区信息,由数字图像相关方法,计算各节点的位移;
步骤八、由各节点位移,可插值得到全场位移。
2.根据权利要求1所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的步骤一具体为:搭建实验平台,用数码相机采集物体变形前后的散斑图像,采集实验前物体的数字散斑图像,记为参考图像;采集实验后物体带有裂纹的数字散斑图像,记为变形图像。
3.根据权利要求1所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的步骤二具体为:通过图像识别或特征识别的方法,所述的方法为深度学习神经网络的特征识别,检测变形图像中裂纹的个数及相应的位置和轮廓范围,并用线性或非线性函数表示其轮廓。
4.根据权利要求1所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的步骤五具体为:
定义各初始节点匹配子区位置:
预设节点匹配子区的半径M,通常节点子区取值范围为:以节点为中心,2M+1为边长的正方形区域,大小为(2M+1)×(2M+1);当节点子区某些区域包含裂纹时,节点位置保持不动,将该子区沿远离裂纹的方向平移,使子区边界位于裂纹轮廓外,此时需保证节点与子区边界保持两个像素以上距离。
5.根据权利要求1所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的步骤六中,添加节点的方法具体为:在扩展裂纹轮廓范围内或需要加密网格的区域,通过智能算法自动选择节点,或通过人机交互的方式手动添加节点。
6.根据权利要求1所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的步骤六中,异形匹配子区的定义方法具体为:预设节点子区的半径M,取以节点为中心,2M+1为边长的正方形区域为子区;当子区某些区域包含裂纹时,节点位置保持不动,将该子区沿远离裂纹的方向平移,以减少该子区包含裂纹区域的面积,但需保证节点与子区边界保持两个像素以上距离;当平移过后的子区仍包含裂纹区域时,将该子区中裂纹区域的灰度信息剔除,该正方形子区就变成多边形子区,称之为异形子区。
7.根据权利要求1所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的步骤七中,所述的数字图像相关方法具体为:根据计算得到的变形图像所有节点的子区范围,选定相关性准则,与变形前的参考图像进行相关性匹配,即可得到各节点的位移。
8.根据权利要求7所述的一种数字图像相关中针对裂纹的随机网格及异形子区划分方法,其特征在于,所述的相关性准则包括数字图像相关方法中所有的相关性函数,例如零均值归一化协方差互相关函数或者归一化最小平方距离相关函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772042.7A CN113538473A (zh) | 2021-07-08 | 2021-07-08 | 数字图像相关中针对裂纹的随机网格及异形子区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772042.7A CN113538473A (zh) | 2021-07-08 | 2021-07-08 | 数字图像相关中针对裂纹的随机网格及异形子区划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113538473A true CN113538473A (zh) | 2021-10-22 |
Family
ID=78127106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772042.7A Pending CN113538473A (zh) | 2021-07-08 | 2021-07-08 | 数字图像相关中针对裂纹的随机网格及异形子区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538473A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266776A (zh) * | 2022-03-03 | 2022-04-01 | 南京航空航天大学 | 一种应用复合裂纹位移场函数的数字图像相关方法 |
CN114396877A (zh) * | 2021-11-19 | 2022-04-26 | 重庆邮电大学 | 面向材料力学性能的智能三维位移场及应变场测量方法 |
CN114897675A (zh) * | 2022-07-14 | 2022-08-12 | 南京航空航天大学 | 一种数字图像相关中用于相关性加权的指数窗法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576432A (zh) * | 2017-08-14 | 2018-01-12 | 中国矿业大学(北京) | 一种动态裂纹尖端应力场量测方法及装置 |
CN110057846A (zh) * | 2019-04-11 | 2019-07-26 | 中国科学院地质与地球物理研究所 | 基于数字图像的岩心内部微裂纹识别方法、系统、装置 |
CN110532591A (zh) * | 2019-07-12 | 2019-12-03 | 中南大学 | 基于dic-efg联合仿真分析裂纹尖端应变场的方法 |
CN110992346A (zh) * | 2019-09-17 | 2020-04-10 | 浙江工业大学 | 一种基于dip和dicm的疲劳裂纹长度在线检测方法 |
CN112819962A (zh) * | 2021-02-10 | 2021-05-18 | 南京航空航天大学 | 数字图像相关中非均匀网格划分及局部网格疏密方法 |
-
2021
- 2021-07-08 CN CN202110772042.7A patent/CN113538473A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576432A (zh) * | 2017-08-14 | 2018-01-12 | 中国矿业大学(北京) | 一种动态裂纹尖端应力场量测方法及装置 |
CN110057846A (zh) * | 2019-04-11 | 2019-07-26 | 中国科学院地质与地球物理研究所 | 基于数字图像的岩心内部微裂纹识别方法、系统、装置 |
CN110532591A (zh) * | 2019-07-12 | 2019-12-03 | 中南大学 | 基于dic-efg联合仿真分析裂纹尖端应变场的方法 |
CN110992346A (zh) * | 2019-09-17 | 2020-04-10 | 浙江工业大学 | 一种基于dip和dicm的疲劳裂纹长度在线检测方法 |
CN112819962A (zh) * | 2021-02-10 | 2021-05-18 | 南京航空航天大学 | 数字图像相关中非均匀网格划分及局部网格疏密方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114396877A (zh) * | 2021-11-19 | 2022-04-26 | 重庆邮电大学 | 面向材料力学性能的智能三维位移场及应变场测量方法 |
CN114396877B (zh) * | 2021-11-19 | 2023-09-26 | 重庆邮电大学 | 面向材料力学性能的智能三维位移场及应变场测量方法 |
CN114266776A (zh) * | 2022-03-03 | 2022-04-01 | 南京航空航天大学 | 一种应用复合裂纹位移场函数的数字图像相关方法 |
CN114266776B (zh) * | 2022-03-03 | 2022-06-10 | 南京航空航天大学 | 一种应用复合裂纹位移场函数的数字图像相关方法 |
CN114897675A (zh) * | 2022-07-14 | 2022-08-12 | 南京航空航天大学 | 一种数字图像相关中用于相关性加权的指数窗法 |
CN114897675B (zh) * | 2022-07-14 | 2022-10-21 | 南京航空航天大学 | 一种数字图像相关中用于相关性加权的指数窗法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538473A (zh) | 数字图像相关中针对裂纹的随机网格及异形子区划分方法 | |
CN112819962B (zh) | 数字图像相关中非均匀网格划分及局部网格疏密方法 | |
CN111127422B (zh) | 图像标注方法、装置、系统及主机 | |
CN109272537B (zh) | 一种基于结构光的全景点云配准方法 | |
CN107830839B (zh) | 地面三维激光扫描数据处理方法及装置 | |
JP7356823B2 (ja) | パラメータ推定装置、パラメータ推定方法及びプログラム | |
US20150276397A1 (en) | Method and device for detecting deviations of an object surface | |
CN110910456B (zh) | 基于Harris角点互信息匹配的立体相机动态标定方法 | |
CN108871197B (zh) | 用于材料表面的位移场测量方法、装置、设备及存储介质 | |
CN113390605A (zh) | 一种风洞试验飞机机翼变形全场测量方法 | |
CN113034593A (zh) | 6d位姿标注方法、系统及存储介质 | |
CN111462246A (zh) | 一种结构光测量系统的设备标定方法 | |
CN107481319B (zh) | 一种隐式曲面随机点云生成器 | |
CN108563915B (zh) | 车辆数字化仿真测试模型构建系统及方法、计算机程序 | |
KR102023087B1 (ko) | 카메라 캘리브레이션 방법 | |
CN108507476B (zh) | 用于材料表面的位移场测量方法、装置、设备及存储介质 | |
CN111062878B (zh) | 图像的去噪方法、装置及计算机可读存储介质 | |
CN107590787B (zh) | 一种扫描电子显微镜的图像畸变校正方法 | |
JP5795095B2 (ja) | 重み付けを用いた格子画像の位相解析方法 | |
CN115578429B (zh) | 一种基于点云数据的模具在线精度检测方法 | |
CN109035201B (zh) | 一种基于数字图像衍射的物体变形量获取方法 | |
TW202135007A (zh) | 三維點雲資料處理方法 | |
CN108389204B (zh) | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 | |
WO2023042612A1 (ja) | データ同化装置、データ同化方法、データ同化プログラム、及びデータ同化システム | |
KR101808958B1 (ko) | 구조물 형상 정보 구축 방법 및 구조물 변형 검출 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |