双平面镜辅助多视角数字图像相关方法(multi-view digital image correlation,MV-DIC)是DIC技术用于全景或双表面形貌和变形测量的新分支。传统的MV-DIC需要两套或多套同步的双目3D-DIC系统,而双平面镜辅助MV-DIC仅需要一套常规3D-DIC...双平面镜辅助多视角数字图像相关方法(multi-view digital image correlation,MV-DIC)是DIC技术用于全景或双表面形貌和变形测量的新分支。传统的MV-DIC需要两套或多套同步的双目3D-DIC系统,而双平面镜辅助MV-DIC仅需要一套常规3D-DIC系统和两个平面反射镜,其系统成本低和易于实现等优点使其在常规尺寸试样的全景/双表面变形测量任务中可完全替代前者。本文介绍了作者近期在双平面镜辅助MV-DIC研究中取得的新进展,包括两种新型的双平面镜辅助MV-DIC系统和一种基于荧光散斑的平面镜反射变换标定方法。最后介绍了双平面镜辅助MV-DIC在含缺陷蜂窝合金板面内压缩、手机跌落以及管道高速振动双平面/全景变形测量中的应用。展开更多
文摘双平面镜辅助多视角数字图像相关方法(multi-view digital image correlation,MV-DIC)是DIC技术用于全景或双表面形貌和变形测量的新分支。传统的MV-DIC需要两套或多套同步的双目3D-DIC系统,而双平面镜辅助MV-DIC仅需要一套常规3D-DIC系统和两个平面反射镜,其系统成本低和易于实现等优点使其在常规尺寸试样的全景/双表面变形测量任务中可完全替代前者。本文介绍了作者近期在双平面镜辅助MV-DIC研究中取得的新进展,包括两种新型的双平面镜辅助MV-DIC系统和一种基于荧光散斑的平面镜反射变换标定方法。最后介绍了双平面镜辅助MV-DIC在含缺陷蜂窝合金板面内压缩、手机跌落以及管道高速振动双平面/全景变形测量中的应用。
文摘针对现有的图表示学习在自监督对比学习方法中存在视图差异较大,且依赖于负样本防止模型坍塌,导致节点表示能力弱及空间复杂度加大的问题,提出一种基于双重视图耦合的自监督图表示学习模型(self-supervised graph representation learning model with dual view coupling, DVCGRL),用于学习图数据表示。采用特征空间增广和结构空间扩充相结合生成双重视图,将双重视图作为正样本对输入孪生神经网络;利用图编码器提取图数据特征,通过多层感知器获得映射后的特征向量;采用耦合网络拉近双重视图的特征向量距离,提升节点表示能力,防止模型坍塌。在公开数据集上进行的节点分类实验结果表明,与当前主流图表示学习模型相比,该模型降低了空间复杂度,节点分类精度得到明显提高。