本發(fā)明屬于圖像變形測(cè)量領(lǐng)域，涉及一種基于顯式相關(guān)層的x射線數(shù)字成像深度學(xué)習(xí)變形監(jiān)測(cè)方法。

背景技術(shù)：

1、編織碳/碳化硅復(fù)合材料由于其結(jié)構(gòu)整體性好、綜合性能優(yōu)異，已被應(yīng)用于飛行器表面的高溫密封結(jié)構(gòu)。飛行器表面不是全封閉的，存在著許多縫隙，如飛行器的控制和起落架艙門等位置，高溫氣流一旦從活動(dòng)縫隙進(jìn)入飛行器內(nèi)部，損壞內(nèi)部不耐溫的元器件，將會(huì)導(dǎo)致災(zāi)難性的事故發(fā)生。因此。對(duì)于高超聲速飛行器而言，監(jiān)測(cè)密封結(jié)構(gòu)的變形狀態(tài)，阻止熱氣流進(jìn)入飛行器內(nèi)部對(duì)保障飛行器安全服役具有重要意義。為實(shí)時(shí)觀測(cè)編織碳/碳化硅復(fù)合材料等超高溫材料在高溫下的形變情況，監(jiān)測(cè)其形狀的改變，常采用光學(xué)成像及數(shù)字圖像相關(guān)法(dic)。傳統(tǒng)的dic是一種利用圖像相關(guān)性來計(jì)算物體變形的技術(shù)。該方法通過在物體表面噴涂散斑圖案，比較變形前后拍攝的圖像來計(jì)算物體的位移和應(yīng)變。但是光學(xué)dic在測(cè)量高溫下的變形場(chǎng)時(shí)由熱霧霾引起的假變形和強(qiáng)熱輻射引起的圖像過曝光等狀況難以避免，且面臨高溫環(huán)境下散斑脫離及部分試樣難以制備隨機(jī)散斑等問題。x射線成像不受這些因素的影響，對(duì)于非均勻材料，材料內(nèi)部的自然紋理可以被x射線數(shù)字成像的方式獲取，為dic創(chuàng)建散斑圖案，因此基于x射線數(shù)字成像的dic方法得到了發(fā)展。

2、傳統(tǒng)的dic方法在處理高噪聲、低散斑質(zhì)量圖像時(shí)受到低階形狀函數(shù)的約束，表現(xiàn)出一定的固有局限性。高階變形和低階形狀函數(shù)的欠匹配導(dǎo)致測(cè)量中出現(xiàn)不可忽略的誤差，成為系統(tǒng)誤差的主要來源，限制了測(cè)量精度，且通過劃分子區(qū)和建立相關(guān)性準(zhǔn)則來計(jì)算位移場(chǎng)的傳統(tǒng)dic方法難以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)的需求。

3、近年來，隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域中的飛速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像相關(guān)法也被廣泛應(yīng)用，目前完全由數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)算法的計(jì)算精度受訓(xùn)練數(shù)據(jù)集和網(wǎng)絡(luò)結(jié)構(gòu)的影響較大，現(xiàn)有的研究主要集中在通過豐富數(shù)據(jù)集、優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)或采用金字塔策略整合多尺度結(jié)果來提高測(cè)量精度，但是在實(shí)際應(yīng)用中，很難獲取大量真實(shí)的數(shù)據(jù)集，復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)需要較大的訓(xùn)練時(shí)間，且基于數(shù)據(jù)驅(qū)動(dòng)特征提取的卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)于散斑質(zhì)量較低、噪聲較大的散斑特征圖像計(jì)算精度也較低，難以實(shí)現(xiàn)對(duì)編織碳/碳化硅等復(fù)合材料變形過程的在線監(jiān)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于顯式相關(guān)層的x射線數(shù)字成像深度學(xué)習(xí)變形監(jiān)測(cè)方法，將顯式相關(guān)性計(jì)算引入到卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)中，獲得基于顯示相關(guān)層的深度學(xué)習(xí)網(wǎng)絡(luò)，用于x射線數(shù)字成像變形監(jiān)測(cè)，顯著提高x射線數(shù)字成像的高噪聲自然紋理散斑特征圖像的變形場(chǎng)預(yù)測(cè)精度。

2、本發(fā)明公開的基于顯式相關(guān)層的x射線數(shù)字成像深度學(xué)習(xí)變形監(jiān)測(cè)方法，包括以下步驟：

3、步驟一、基于x射線數(shù)字成像、連續(xù)性變形理論建立高噪聲自然紋理散斑特征圖像數(shù)據(jù)集；

4、數(shù)據(jù)集建立；基于x射線數(shù)字成像技術(shù)，x射線穿過樣本到達(dá)探測(cè)器，形成的圖像不受高溫環(huán)境因素干擾，利用物體內(nèi)部的自然紋理及結(jié)構(gòu)特征形成一系列散斑圖像；

5、i＝i0eμx??(1)

6、i為衰減后x射線的強(qiáng)度；i0為初始x射線的強(qiáng)度；μ為材料的衰減系數(shù)，主要與材料的密度有關(guān)；x為被測(cè)材料的厚度；

7、將初始散斑圖像劃分為隨機(jī)若干區(qū)域，控制變形場(chǎng)的密集程度，利用隨機(jī)變形和仿射變化生成隨機(jī)變形場(chǎng)數(shù)據(jù)；利用插值方法，將隨機(jī)變形場(chǎng)數(shù)據(jù)作用于初始散斑圖像，生成變形后散斑圖像：

8、(x，y)＝(x0+u，y0+v)????(2)

9、(x，y)為生成圖像上的變形場(chǎng)；(x0，y0)為初始圖像上的變形場(chǎng)；u為x方向上的變形場(chǎng)數(shù)據(jù)；v為y方向上的變形場(chǎng)數(shù)據(jù)；

10、利用初始散斑圖像、變形場(chǎng)數(shù)據(jù)以及變形后的散斑圖像建立高噪聲自然紋理散斑特征圖像數(shù)據(jù)集。

11、步驟二、將步驟一得到的高噪聲自然紋理散斑特征圖像數(shù)據(jù)集輸入到改進(jìn)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的基于顯示相關(guān)層的檢測(cè)模型。

12、1)、特征提取層獲取從步驟一中得到的數(shù)據(jù)集，用特征提取層的一系列卷積層提取特征：

13、f＝conv(i)????(3)

14、f為卷積后圖像特征；i為輸入圖像或卷積前圖像特征；conv()為卷積操作；分別提取初始散斑圖像特征和變形后的散斑圖像特征。

15、2)、圖像相關(guān)性計(jì)算層獲取1)中的特征，在初始散斑圖像中根據(jù)圖像散斑特征選擇子區(qū)大小和步長(zhǎng)，同時(shí)設(shè)定一個(gè)最大搜索范圍；在變形后的散斑圖像上，找到對(duì)應(yīng)子區(qū)的位置，稱為參考子區(qū)；以參考子區(qū)的中心為中心，在最大搜索范圍內(nèi)，按照子區(qū)大小及預(yù)設(shè)移動(dòng)匹配步長(zhǎng)進(jìn)行相關(guān)性計(jì)算，得到初始散斑圖像子區(qū)在變形后的散斑圖像最大搜索范圍內(nèi)的相關(guān)性分布；按照步長(zhǎng)移動(dòng)初始散斑圖像的子區(qū)位置，得到每個(gè)初始散斑圖像子區(qū)在變形后的散斑圖像最大搜索范圍內(nèi)的相關(guān)性分布，將不同初始散斑圖像子區(qū)位置上的相關(guān)性分布依次排列得到相關(guān)性矩陣。

16、將相關(guān)性矩陣與初始散斑圖像特征組合到一起，形成新的輸入張量：

17、tinput＝concate(correlate(f1，f2)，f1)????(4)

18、tinput為動(dòng)態(tài)網(wǎng)絡(luò)結(jié)構(gòu)層的輸入；concate()為特征維度的拼接操作；correlate()為進(jìn)行相關(guān)性系數(shù)計(jì)算；f1為初始散斑圖像特征；f2為初始散斑圖像特征。

19、3)將2)得到的相關(guān)性系數(shù)矩陣輸入到后續(xù)動(dòng)態(tài)網(wǎng)絡(luò)層，并基于散斑特征進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)；采用改進(jìn)后的神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，得到訓(xùn)練好的基于顯示相關(guān)層的檢測(cè)模型；

20、步驟三、將待檢測(cè)的變形前后高噪聲自然紋理散斑特征圖像輸入步驟二訓(xùn)練好的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型得到變形場(chǎng)，即實(shí)現(xiàn)x射線數(shù)字成像變形監(jiān)測(cè)，顯著提高x射線數(shù)字成像的高噪聲自然紋理散斑特征圖像的變形場(chǎng)監(jiān)測(cè)精度。

21、有益效果：

22、1、本發(fā)明公開的基于顯式相關(guān)層的x射線數(shù)字成像深度學(xué)習(xí)變形監(jiān)測(cè)方法，將顯式相關(guān)性計(jì)算引入到卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)中，獲得基于顯示相關(guān)層的深度學(xué)習(xí)網(wǎng)絡(luò)，用于x射線數(shù)字成像變形監(jiān)測(cè)，顯著提高x射線數(shù)字成像的高噪聲自然紋理散斑特征圖像的變形場(chǎng)計(jì)算精度。

23、2、本發(fā)明公開的基于顯式相關(guān)層的x射線數(shù)字成像深度學(xué)習(xí)變形監(jiān)測(cè)方法，通過調(diào)整傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的卷積核大小，在一個(gè)卷積步驟中能夠捕捉到更多的局部特征，并提取更全局的信息；通過大卷積核和增加下采樣，進(jìn)一步增加感受野，提高網(wǎng)絡(luò)對(duì)這個(gè)自然紋理散斑特征的信息提取能力；同時(shí)引入通道和空間注意力機(jī)制，提高對(duì)輸入圖像中關(guān)鍵特征的感知。對(duì)周期性的自然紋理散斑圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。采用改進(jìn)后的神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，得到訓(xùn)練好的基于顯示相關(guān)層的檢測(cè)模型；基于檢測(cè)模型能夠顯著提高x射線數(shù)字成像的高噪聲自然紋理散斑特征圖像的變形場(chǎng)監(jiān)測(cè)精度。

24、3、本發(fā)明公開的基于顯式相關(guān)層的x射線數(shù)字成像深度學(xué)習(xí)變形監(jiān)測(cè)方法，在卷積神經(jīng)網(wǎng)絡(luò)中引入圖像相關(guān)性計(jì)算的相關(guān)層，能夠根據(jù)圖像的散斑特征和變形大小選擇相關(guān)性計(jì)算子區(qū)和步長(zhǎng)，具有更好的變形場(chǎng)計(jì)算精度，有效實(shí)現(xiàn)對(duì)編織碳/碳化硅復(fù)合材料等超高溫密封結(jié)構(gòu)在高溫下的形變情況的實(shí)時(shí)監(jiān)測(cè)，更好的分析其變形機(jī)理，降低此類高溫密封組件在高溫環(huán)境下的變形失效現(xiàn)象。