《Optics & Laser Technology》：TeXNet: A deep learning-based method for full-field displacement measurement on natural texture surfaces
编辑推荐：
针对传统光学测量方法依赖人工标记的局限性，本研究提出基于深度学习的自然纹理表面全场位移预测网络TexNet。通过多尺度注意力机制融合特征，结合光流一致性、结构相似性和平滑正则化进行无监督训练。实验表明，TexNet在宏观CFRP平板和微观镍基单晶超合金拉伸测试中均能稳定输出连续位移场，精度优于或等同于传统数字图像相关（DIC）方法，尤其在低对比度纹理区域表现优异。
李长健|杨洋|王庆华|严晓军|谢慧敏
北京航空航天大学能源与动力工程学院，中国北京100191
摘要
全场位移测量对于理解材料变形、验证数值模拟以及确保结构安全至关重要。传统的光学方法通常需要人工制造的散斑图案或光栅，但这些方法在微观观察、高温条件、高速旋转或封闭环境中难以应用且可靠性较低。为了解决这些问题，本研究提出了TexNet，这是一种用于自然纹理表面全场位移预测的无监督深度学习网络。该网络采用多尺度注意力机制进行特征融合，以处理对比度低、结构重复和多尺度纹理变化的情况，并结合光度一致性、结构相似性和平滑性正则化进行端到端无监督训练。在合成数据集上的验证以及宏观碳纤维增强聚合物（CFRP）平移实验和微观镍基单晶超合金（NBSC）拉伸实验表明，TexNet无需人工标注即可稳定生成连续且一致的位移场，显示出强大的鲁棒性和工程应用性。
引言
准确获取高精度位移场对于揭示材料变形机制和指导工程设计具有重要意义[1]。在各种位移测量技术中，由于光学方法的非接触性、全场测量能力和高空间分辨率[2]、[3]、[4]，它们在航空航天工程、土木工程和复合材料力学中得到了广泛应用。
传统的光学测量方法通常需要在样品表面人工施加散斑图案或光栅，以增强灰度的随机性和特征的可区分性，从而提高位移测量的稳定性和准确性[5]。然而，这种表面处理在微观测试、高温环境、高速旋转或封闭服务条件下往往难以实施。此外，这些标记在复杂操作条件下容易脱落、烧蚀或漂移[6]，这大大降低了光学方法在实际工程场景中的可靠性。相比之下，直接利用材料的自然表面纹理进行位移测量有可能克服这些限制，并显著提高其在复杂环境下的鲁棒性和适用性。
数字图像相关（DIC）技术由于其系统配置简单、适应性强以及在复杂变形下的良好性能，已成为最成熟和广泛使用的光学测量技术之一[7]。当样品的自然表面纹理足够丰富时，DIC可以直接应用于未变形和变形图像之间的灰度匹配，从而获得全场位移测量[8]。然而，自然纹理通常具有对比度低、结构重复性强、多尺度特征共存以及对光照变化和噪声敏感的特点，这使得传统DIC方法在自然纹理条件下难以实现稳定和准确的位移测量[9]。因此，在自然纹理表面上实现高精度和鲁棒的全场位移测量仍然是光学测量领域的一个关键挑战。
近年来，深度学习在光流估计、医学图像配准和变形场预测方面取得了显著进展，展示了其在自适应特征建模方面的强大能力。相关研究在基于散斑的成像场景中取得了有希望的结果，如DeepDIC[10]、StrainNet-f[11]、RAFT-DIC[12]、DICNet[13]和基于Transformer的Dictr[14]，这些方法在复杂变形和噪声条件下显著提高了测量精度。然而，大多数这些方法依赖于人工生成的或合成的散斑数据集，其学习到的表示难以直接应用于自然纹理场景。针对自然纹理表面的位移测量的系统研究仍然相对有限。
受这些考虑的启发，本研究提出了一种名为TexNet的自然纹理位移预测网络。该网络架构根据自然纹理的统计特性进行了优化，并通过结合光度一致性、结构相似性（SSIM）、加权平滑性正则化和循环一致性约束，采用了无监督学习框架。通过测试集性能评估、在碳纤维增强聚合物（CFRP）板上的宏观平移实验以及在镍基单晶超合金（NBSC）上的微观拉伸实验，系统验证了所提出方法的有效性和工程适用性。结果表明，该方法适用于自然纹理位移测量任务，在某些场景下的精度可与传统DIC方法相当甚至更高，同时在纹理较弱的区域提供稳定可靠的位移预测。
模型架构
我们提出了TexNet，一种专为自然纹理表面设计的无监督位移预测网络。TexNet的整体架构如图1所示。
TexNet采用编码器-解码器框架，其中传统的卷积单元被提出的多尺度空间注意力（MSA）模块和通道-空间注意力（CSA）模块所替代。在初始阶段，使用7×7卷积后接PReLU激活函数来增强局部特征表示。
训练策略
所提出的TexNet模型使用Python 3.8和PyTorch框架实现，并在NVIDIA RTX 4090 GPU上进行训练。优化器使用Adam算法，初始学习率为，批量大小为8，训练周期最多为200次。为了防止过拟合，采用了15个周期的提前停止策略。TexNet包含7,688,721个可训练参数。整个训练过程耗时18小时53分钟0.8秒，GPU和CPU的能耗分别为
精度验证及在宏观位移测量中的应用
碳纤维增强聚合物（CFRP）复合材料具有重复的自然表面纹理，这对传统光学测量方法构成了重大挑战。为了验证所提出的TexNet方法在真实实验条件下的位移测量性能，设计了一种单向宏观平移实验，并与传统的数字图像相关（DIC）方法进行了对比分析。
样品制备和实验设置
拉伸样品由第二代镍基单晶超合金（NBSC）制成。该材料按照参考文献[29]中报道的程序进行了热处理，随后使用线切割电火花加工（EDM）加工成厚度为1毫米的狗骨形拉伸样品。在微观尺度上，样品的自然表面纹理显著减弱，这有利于验证
结论
本研究提出了TexNet，一种基于深度学习的自然纹理位移预测网络。首先，通过整合KTH、UIUC和VasTextures数据集构建了一个自然纹理数据库，并使用基于GSTools的随机场模型生成多尺度非刚性位移场，从而生成具有丰富统计多样性的合成训练数据。其次，TexNet采用多尺度注意力特征融合和全局上下文增强
CRediT作者贡献声明
李长健：撰写——原始草案、可视化、验证、软件开发、方法论、研究、数据分析、概念化。杨洋：资源提供。王庆华：撰写——审稿与编辑、监督、资源管理、项目协调、资金获取。严晓军：监督、资源提供。谢慧敏：撰写——审稿与编辑、监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
本工作得到了国家自然科学基金（编号：12372176）的支持。
