本發(fā)明涉及一種高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，屬于光電檢測領域。

背景技術：

汽車發(fā)動機、高壓蒸汽鍋爐、汽輪機等設備中的許多材料都要求一定時間或者長期在高溫環(huán)境下工作，這些設備在工作過程中除承受一定的靜載荷之外，還承受著動載荷作用，如頻繁的啟動停車、較大范圍內的溫度波動等，材料通常會發(fā)生低周疲勞破壞。高溫低周疲勞性能測試需要試驗機進行等幅應變控制，并由高溫陶瓷引伸計實時進行應變測試，然而陶瓷引伸計受其自身標距的限制，對所測試的材料尺寸具有相應的要求。光學測量方法可以在不改變被測試材料表面力學性能的情況下對試樣表面高溫變形進行非接觸式實時測量，并且可以適用于不同尺寸的試樣。

數字圖像相關技術(DIC)是一種基于現代數字圖像處理和分析技術的新型先進光學測量技術，作為一種代表性的非干涉全場光學測量方法，DIC已經被廣泛應用于高溫變形測量。傳統的DIC需要在試驗過程中對被測物體采集大量的圖片，再通過分析這些變形前后物體表面的數字圖像來獲得被測物體表面的變形信息。該方法適用于高溫環(huán)境下的靜態(tài)力學性能測試，但對于高溫低周疲勞性能的測試，傳統DIC比較耗時和繁瑣。

技術實現要素：

本發(fā)明的目的在于針對已有技術的不足，提供一種高溫環(huán)境下材料低周疲勞應變幅的光學測量方法。該方法既能保持傳統DIC的測量精度，又能對應變進行實時測量。

為達到上述發(fā)明目的，本發(fā)明的構思是：針對高溫低周疲勞性能測試，本發(fā)明提出了一種基于DIC的實時光學引伸計，在試驗過程中可以做到對應變的實時監(jiān)測。傳統DIC算法的整像素搜索是利用逐點搜索法，該算法擁有較高的計算速度，但計算效率相對較低。本發(fā)明對傳統DIC算法進行了優(yōu)化，提高了其整像素搜索算法的計算速度，使得DIC可以做到實時測量應變。該方法可以廣泛應用于各種材料的高溫低周疲勞性能測試，具有重要的工程應用前景。

根據上述發(fā)明構思，本發(fā)明采用的技術方案如下：

1)利用微粒群優(yōu)化算法(PSO)在采集到的數字圖像中進行初步整像素搜索，獲得最佳初始估計值附近的點，并將該點記為d₀；

2)將PSO算法中獲得的點d₀的坐標值作為起始搜索位置，通過基于塊的梯度下降搜索法(BBGDS)快速獲得最終的初始估計位置d₁；

3)以d₁為初始估計值，利用反向合成高斯牛頓算法(IC-GN)進行亞像素迭代，快速定位到目標點在變形圖中的亞像素位置；

4)重復利用步驟1)至步驟3)的算法并結合多核并行計算技術，對多個點進行實時跟蹤，同時計算各點的位移值。并計算相應的應變值。

所述步驟1)中PSO算法是由美國深灰心理學家Kennedy和電氣工程師Eberhart在1995年提出的一種基于模擬鳥類或者魚類覓食機制的種群智能算法。該算法可以應用于DIC的整像素搜索中，假設P_i表示第i個像素的當前位置，v_i表示第i個像素的當前速度，pbest_i表示第i個像素搜索過的最優(yōu)位置，gbest表示像素群搜索過的最優(yōu)位置。DIC是針對一系列連續(xù)采集的圖像進行處理，相鄰圖像間的像素位移比較小，因此在搜索過程中首先在目標圖中生成m個初始的像素點和隨機速度，將上一幅圖的目標位置作為下一幅圖的中心位置并在中心位置生成3×3個像素微粒，為保持像素群的多樣性，在剩余的搜索區(qū)域中隨機的產生其余的像素點，如圖2所示。在二維空間中，像素群分別根據等式(1)、(2)來更新自己的速度和位置。像素最優(yōu)位置的優(yōu)劣是通過所優(yōu)化問題的目標函數，即DIC中的相關函數C(3)來決定的，在相關函數C中，相關系數C設定為0.75，一旦全局相關系數gbest大于或等于C，迭代立即停止。

p_id(t+1)＝p_id(t)+v_id(t+1) (2)

式中，d＝1,2,w為慣性權重，c₁，c₂為加速常數，其中c₁＝c₂＝2，r₁，r₂是均勻分布于[0,1]的隨機數。為了控制像素向搜索空間[P_d,min,P_d,max]過度的移動，微粒速度設置為在[V_d,min,V_d,max]范圍。慣性權重w根據公式(4)更新：

其中，G_max為最大截止迭代數；假如微粒更新后的速度v_i>V_max或v_i<V_min，則令v_i＝V_max或v_i＝V_min；假如微粒更新后的位置坐標超出了搜索區(qū)域，則令其等于距離搜索區(qū)域最近的邊界坐標值；

所述步驟2)中BBGDS算法是一種常常被用于視頻編碼中的基于塊匹配的快速運動估計搜索算法，其搜索速度非?？?，但如果直接運用于數字圖像相關中，由于搜索的區(qū)域相關系數往往存在多極值，容易導致在搜索過程中容易陷入局部最優(yōu)。結合PSO算法中獲得的目標位置d₀，把該坐標值作為BBGDS算法的起始搜索位置，在d₀位置附近安排了8個像素點，首先比較包括其在內的9個像素點的相關系數，如果最大相關系數在這9個點的中心點，則停止搜索并輸出中心點對應的位移矢量d₁＝(u₁,v₁)；否則以最大相關系數的點為中心在其附近重新分配8個搜索點，并且比較這9個像素點，以此重復，直到最大相關系數出現在中心位置或者迭代次數大于3次為止，如圖3所示。為了節(jié)省時間，在搜索過程中，被計算過的點不需要再重新計算。

所述步驟3)中所述的IC-GN亞像素迭代算法可以在獲得整像素點d₁的基礎上快速定位到目標點在變形圖中的亞像素位置，IC-GN通過優(yōu)化相關函數：

其中，f(x)和g(x)是分別是全局坐標x＝[x,y,1]^T的參考圖和目標圖的灰度值；和分別是兩個子域的平均灰度值；ξ＝[Δx,Δy,1]^T是計算的子域的局部像素坐標；和p＝(u,u_x,u_y,v,v_x,v_y)是變形參數，迭代過程中變形參量的增加量為Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)；W(ξ；p)為形函數描述了目標子域的變形量：

其中p＝(u,u_x,u_y,v,v_x,v_y)^T是變形參數，u,v分別表示x,y方向的位移參數，其余的表示位移梯度；而W(ξ；Δp)表示參考子域的形函數增量矩陣：

其中Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)^T是迭代過程中變形參量的增加量；

因此，通過最小化公式(5)得到Δp的解為：

其中，是參考子域的梯度：

H是6×6的Hessian矩陣：

其中是Jacobian矩陣：

在此IC-GN算法中，得到Hessian矩陣不依賴變形的子域，在每次迭代中Hessian矩陣都是相同的，因此IC-GN方法只需要計算一次Hessian矩陣，可以有效地減少計算時間；因此在每次迭代中，模板f需要不斷的更新，且變形參數的更新方式是乘以形函數的增量矩陣的逆，即：

按照此方式不斷的重復迭代，直到滿足迭代要求，最后輸出變形子域的亞像素位移參數P，該算法的基本原理和流程如圖4所示。

所述步驟4)中多核CPU目前廣泛地應用在計算機模擬的各個領域?；诙嗪瞬⑿杏嬎阌性S多的編程模式—MPI，OpenMP和TBB。在低周疲勞試驗中，試樣的軸向應變可以根據公式(13)計算得到

ε＝(l₁-l₂)/l＝Δl/l (13)

其中l(wèi)是試件軸向兩點(1#,2#)或者(3#，4#)之間的距離，Δl是兩點之間拉伸或壓縮的變形，如圖5所示。因此在動態(tài)數字圖像相關測量系統中至少需要同時監(jiān)測兩個點的位移值。在本發(fā)明中利用C++語言并結合OpenMP編程模式，將上述搜索算法在多核計算機中運行，便可以達到實時的多點同時跟蹤的目的。

本發(fā)明與現有技術相比較，具有如下顯而易見的突出實質性特點和顯著技術進步：

本發(fā)明通過兩步整像素搜索算法，即利用PSO算法獲得最佳初始估計值附近的點，并結合BBGDS算法快速獲得最佳初始估計值。然后利用IC-GN亞像素搜素算法快速獲得目標點在變形圖中的亞像素位置。該算法與傳統DIC相比，大大減少了計算所消耗的時間，能夠穩(wěn)定的跟蹤到目標點，跟蹤速度可以達到100幀/秒，滿足低周疲勞試驗過程中對應變的實時監(jiān)測。

附圖說明

圖1是本發(fā)明的光學測量方法程序框圖。

圖2是PSO算法中初始像素分布。

圖3是BBGDS算法搜索步驟示意圖。

圖4是IC-GN搜索算法基本原理和流程圖。

圖5是DIC實時跟蹤的目標點在試樣截面圖上的分布。

圖6是DIC實時跟蹤計算得到的試樣在低周疲勞過程中的軸向應變。

圖7是發(fā)動機缸蓋試樣的高溫低周疲勞壽命曲線。

具體實施方式

本發(fā)明的優(yōu)選實例結合附圖詳述如下：

實施案例一：參見圖1，本高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，其特征在于操作步驟如下：

1)利用微粒群優(yōu)化算法PSO在采集到的數字圖像中進行初步整像素搜索，獲得最佳初始估計值附近的點，并將該點記為d₀；

2)將PSO算法中獲得的點d₀的坐標值作為起始搜索位置，通過基于塊的梯度下降搜索法BBGDS快速獲得最終的初始估計位置d₁；

3)以d₁為初始估計值，利用反向合成高斯牛頓算法IC-GN進行亞像素迭代，快速定位到目標點在變形圖中的亞像素位置；

4)重復利用步驟1)至步驟3)的算法并結合多核并行計算技術，對多個點進行實時跟蹤，同時計算各點的位移值；并計算相應的應變值。

實施案例二：參見圖1～圖5，本實施例與實施例一基本相同，特別之處在于：

1)PSO算法是由美國深灰心理學家Kennedy和電氣工程師Eberhart在1995年提出的一種基于模擬鳥類或者魚類覓食機制的種群智能算法，該算法可應用于DIC的整像素搜索中，假設P_i表示第i個像素的當前位置，v_i表示第i個像素的當前速度，pbest_i表示第i個像素搜索過的最優(yōu)位置，gbest表示像素群搜索過的最優(yōu)位置；DIC是針對一系列連續(xù)采集的圖像進行處理，相鄰圖像間的像素位移比較小，因此在搜索過程中首先在目標圖中生成m個初始的像素點和隨機速度，將上一幅圖的目標位置作為下一幅圖的中心位置并在中心位置生成3×3個像素微粒，為保持像素群的多樣性，在剩余的搜索區(qū)域中隨機的產生其余的像素點；在二維空間中，像素群分別根據等式(1)、等式(2)來更新自己的速度和位置；像素最優(yōu)位置的優(yōu)劣是通過所優(yōu)化問題的目標函數，在相關函數C中，相關系數C設定為0.75，一旦全局相關系數gbest大于或等于C，迭代立即停止。

2)BBGDS算法是一種常常被用于視頻編碼中的基于塊匹配的快速運動估計搜索算法，其搜索速度非常快，但如果直接運用于數字圖像相關中，由于搜索的區(qū)域相關系數往往存在多極值，容易導致在搜索過程中容易陷入局部最優(yōu)；結合PSO算法中獲得的目標位置d₀，把該坐標值作為BBGDS算法的起始搜索位置，在d₀位置附近安排了8個像素點，首先比較包括其在內的9個像素點的相關系數，如果最大相關系數在這9個點的中心點，則停止搜索并輸出中心點對應的位移矢量d₁＝(u₁,v₁)；否則以最大相關系數的點為中心在其附近重新分配8個搜索點，并且比較這9個像素點，以此重復，直到最大相關系數出現在中心位置或者迭代次數大于3次為止；為了節(jié)省時間，在搜索過程中，被計算過的點不需要再重新計算。

3)IC-GN亞像素迭代算法可以在獲得整像素點d₁的基礎上快速定位到目標點在變形圖中的亞像素位置，此IC-GN算法中，得到Hessian矩陣不依賴變形的子域，在每次迭代中Hessian矩陣都是相同的，因此IC-GN方法只需要計算一次Hessian矩陣，可以有效地減少計算時間；因此在每次迭代中，模板f需要不斷的更新，且變形參數的更新方式是乘以形函數的增量矩陣的逆，按照此方式不斷的重復迭代，直到滿足迭代要求，最后輸出變形子域的亞像素位移參數P。

4)多核CPU目前廣泛地應用在計算機模擬的各個領域，基于多核并行計算有許多的編程模式—MPI，OpenMP和TBB；在低周疲勞試驗中，試樣的軸向應變可以根據公式(13)計算得到，因此在動態(tài)數字圖像相關測量系統中至少需要同時監(jiān)測兩個點的位移值，利用C++語言并結合OpenMP編程模式，將上述搜索算法在多核計算機中運行，便可達到實時的多點同時跟蹤的目的。

實施案例三：采用本發(fā)明提出的實時數字圖像相關法監(jiān)測發(fā)動機缸蓋試樣高溫低周疲勞時的軸向應變，獲得發(fā)動機缸蓋材料的應變疲勞壽命曲線。本方法在一臺四核的臺式計算機上運行(Inter(R)Core(TM)i5-3470 CPU主頻3.20GHz，安裝內存(RAM)為4GB)，高溫疲勞試驗在MTS(1.5T)疲勞試驗機上運行。根據本發(fā)明提供的測量方法，實施過程為：

1)將發(fā)動機缸蓋試樣安裝在MTS(1.5T)疲勞實驗機上，試樣表面噴有散斑，方便DIC采圖測量，在側面用鹵素燈進行補光。利用高溫爐加熱試樣至300℃并保溫30-60min，待試樣充分膨脹后進行高溫低周疲勞試驗。

2)采集到清晰穩(wěn)定的試樣圖片后，以加載前的圖像(未變形的圖像)作為參考圖，并在參考圖中選取兩對應變點作為被監(jiān)測的目標點，將這兩對目標點分別記為1#，2#，3#和4#，利用計算機CPU的四個核分別進行跟蹤，兩對目標點分布如圖5所示。

3)試驗機0.5Hz的加載速度進行三角波循環(huán)加載。計算機通過上述提出的整像素搜索算法：PSO算法和BBGDS算法找到跟蹤點的整像素最佳估計值，然后利用IC-GN亞像素搜索算法跟蹤到目標點在變形圖中的亞像素位置，并根據公式(13)分別計算出1#點和2#點的應變值、3#點和4#點的應變值，將這兩對點的應變值的平均值作為試樣在高溫低周疲勞過程中的軸向應變。

4)在試驗過程中，動態(tài)DIC測量方法可以實時跟蹤計算試樣的軸向應變，如圖6所示。

5)重復步驟1)至4)，對18個不同的試樣進行試驗并提取它們的軸向應變值，繪制出發(fā)動機缸蓋材料的應變疲勞壽命曲線，如圖7所示，該壽命曲線可以用來很好的預測發(fā)動機缸蓋材料在高溫環(huán)境下的低周疲勞壽命。