面向大變形測量的數字圖像相關方法的研究進展及應用

李佳成，葉敬晨，計宏偉

面向大變形測量的數字圖像相關方法的研究進展及應用

李佳成a，葉敬晨b，計宏偉b

（天津商業大學 a.生物技術與食品科學學院 b.機械工程學院，天津 300134）

探究數字圖像相關方法（Digital Image Correlation, DIC）對大變形測量問題的研究現狀，為相關領域展開深入研究提供參考。通過對增量相關、初值估計和形函數等方面的改進梳理，總結研究人員關于DIC方法在大變形測量問題的研究進展?，F有的DIC方法研究大變形測量問題，主要通過增量方法以及結合特征檢測的初值估計方法，極大地消除了去相關效應，同時對形函數的選擇和結合深度學習等技術也增強了DIC方法對復雜變形的適用性。盡管面向大變形測量的DIC方法面臨著諸多挑戰，但DIC方法仍然是極具潛力的大變形測量技術之一，DIC方法在大變形測量中將發揮更重要的作用。

數字圖像相關法；大變形測量；形函數；初值估計

隨著包裝材料[1]、軟材料[2-3]、多孔材料[4-5]、航空航天材料[6]、復合材料[7-8]、生物材料[9-10]等新型材料的廣泛使用以及應用場景的擴寬，探究材料在大變形條件下的力學性能和力學行為逐漸成為研究熱點，實現準確的大變形測量極為重要。工程領域中廣泛應用的變形測量技術分為2類[11]：一類是以電阻應變片為代表的接觸式測量方法，具有量程大、靈敏度高、應用范圍廣等優點[12]，但無法測量全場變形；另一類是全場的非接觸式光學測量方法，包括數字云紋法[13]、散斑干涉法[14]、數字圖像相關測量法（Digital Image Correlation，DIC）[15-16]等。其中DIC方法由于具有設備簡單、全場測量、適應性廣、精度高等突出優點，已經成為現代光測力學中受歡迎的變形測量方法之一，在實驗力學[17]、材料科學[18]、生物力學[19]等許多領域中廣泛使用。

DIC方法的開創性工作可以追溯到20世紀80年代，由Peters等[15]和Yamaguchi[16]首次提出，后經過國內外學者的研究和完善發展，其方法已經相當成熟。然而，DIC方法在大變形的測量問題中仍然面臨挑戰，受到退相關效應、累計誤差、形函數欠匹配等問題的嚴重干擾。盡管如此，DIC技術仍然是大變形測量中最具潛力、最具價值的測量方法。進一步提高DIC方法的大變形測量能力以應對日益復雜的變形測量需求。本文首先介紹DIC的基本原理，然后回顧并評述DIC方法在大變形測量問題中的進展和應用，最后總結當前面臨的挑戰和可能突破的方向。

1 DIC方法的基本原理

DIC方法的基本測量過程如下：首先在被測試樣表面制作散斑，使用相機采集被測試樣表面變形前后的連續散斑圖像作為參考圖像與變形圖像，然后使用局部（基于子區）或全局（基于有限元）方法[20]通過跟蹤子區灰度分布獲得子區的位移，如圖1所示，從而得到對應的位移場，最后使用合適的數值微分方法從位移場中提取應變場。經典的DIC算法包含2個關鍵步驟：首先使用整像素搜索算法尋找整像素精度的位移初值，再通過亞像素配準方法將其精確到亞像素精度。亞像素配準方法分為擬合法和迭代法2種。其中，迭代法被認為是DIC方法獲得高測量精度的關鍵，其涉及的優化問題通常是非凸的，因此需要良好的位移初值作為收斂性的保證。

圖1 DIC方法基本原理

2 大變形測量的關鍵問題

由于試樣變形前后圖像過大的差異和隨變形程度增大而逐漸嚴重的退相關效應，DIC方法在大變形測量問題中仍然面臨挑戰，其主要困難集中在退相關效應和形函數欠匹配兩方面，特別是在復雜變形的測量中。

2.1 退相關效應

DIC方法獲得可靠初值估計的關鍵是相關系數分布的單峰性，如圖2a所示，真實位移附近的相關系數明顯高于其他位置。在大變形測量中，由于圖像的差異過大，真實位移附近的相關系數急劇減小，如圖2b所示，有效的初值被淹沒在局部極值中而無法通過相關匹配正確求解。同時相關子區的選取中，大旋轉也可能會引起嚴重的退相關效應。此外，大變形問題可能會伴隨著較大的離面位移，焦距、視角的改變也是退相關效應的重要來源。

圖2 典型的相關系數分布

2.2 欠匹配問題

DIC方法通過形函數近似子區內部變形以提高測量的準確性。零階形函數僅包含位移分量，用于表征平移變化；一階形函數增加了應變分量，能夠表征平移、伸縮、旋轉、剪切及其復合。在大變形問題中，尤其是復雜變形問題中，一階形函數不足以描述子區內部變形，形函數與真實變形欠匹配。較高的欠匹配程度增大了亞像素迭代的系統誤差，甚至導致無法收斂，同時裂紋、界面處變形的強弱不連續性也會導致較大的欠匹配問題。

3 大變形測量的研究進展

為了克服大變形測量問題中的關鍵問題，Zhang等[21]指出2個關鍵因素：一是足夠接近真值的初值估計，二是足夠合適的形函數?；谶@2個關鍵的解決因素，研究人員做了許多不同的研究。

3.1 增量相關策略

盡管DIC方法在大變形測量問題中具有困難，但是實際上采用增量相關策略[22]很容易避免大變形問題的出現。如圖3所示，通過增大圖像采集的頻率以捕捉更細微的變形過程，使得相鄰2幅圖像的變形可以視為小變形。這意味著，其增量變形的測量仍然可能處于DIC方法的測試范圍內，實際變形場是增量位移場的累積。然而遺憾的是，測量誤差在每一階段的相關過程中被累積，這導致了可能過高的測量誤差，使最終的測量結果嚴重偏離實際值。其中累積誤差來源于子區偏移和插值誤差這2個方面。

圖3 增量相關原理

子區偏移是累積誤差最主要的來源。由于每次增量測量的誤差，變形子區與其真實值存在微小的差距，在更新參考圖像后，新的參考子區與原始參考子區并不完全相同，從而產生偏移，即使每一階段的測量誤差都很小，也無法完全保證位移場累積后的測量精度。累積誤差的大小依賴于參考圖像的更新次數。為了避免過大的累積誤差，Pan等[22]通過設定相關系數的閾值控制參考圖像的更新，這一策略獲得了廣泛的使用。另一種高可靠的策略是避免對參考圖像的直接更新，Tang等[23]認為引入增量相關的中間圖像可以用來輔助計算第階段的圖像和參考圖像之間的相關性，但不能直接作為參考圖像使用，因此使用第?1階段的相關參數對參考子區進行重塑，重塑后的參考子區進行之后的相關計算，同時應用ILS算法的標準偏差來判斷是否需要更新參考圖像，將改進的粗略搜索方法與更新參考圖像的方法相結合，不但可以成功地測量極大的變形，而且參考圖像的更新次數也減少到最小，從而控制了累積誤差。

插值誤差是累積誤差的次要來源。插值誤差會不可避免地引起額外的系統誤差。為了解決這一問題，Zhou等[24]對增量相關方法進行改進，提出將更新的參考子區轉換到最近整數位置的自適應子區偏移方法來消除插值誤差；之后Wang等[25]應用同樣的思想提出了最近子體積偏移的增量DVC方法，該方法將參考子體積自動轉換到最近的整像素位置，避免了亞像素插值中涉及的冗余計算和系統誤差，解決了全場內部大變形測量的挑戰性問題。

3.2 形函數的選擇

在大變形問題中，特別是復雜變形問題中，零階和一階形函數不足以近似表達子區內部變形，這將造成顯著的系統誤差。構造更為適合的形函數是減小系統誤差的關鍵。提高形函數階數是避免欠匹配問題最直接的想法，不同階次形函數的對比如圖4所示。二階形函數的引入能夠更有效地反映子區內部潛在的復雜變形，使非均勻和大變形的測量變得可行。Lu等[26]證明了二階形函數具有比一階形函數更好的精度。值得注意的是，盡管系統誤差得到降低，但是隨機誤差變得更高，為了避免較大的隨機誤差，一般建議使用較大的子區尺寸。二階形函數的另一個問題是不可逆，這導致了無法直接通過普遍認為最有效平衡計算效率和測量精度的反向組合高斯牛頓法（IC–GN）進行求解。一些方法通過改進二階形函數使可逆性得到滿足，使得二階形函數獲得更廣泛的應用。如：Gao等[27]將傳統的二階形函數展開，得到形函數的新分量，通過改進獲得一個可逆的二階形函數，在大變形測量時具有穩定的精度。Bai等[28]通過引入位移函數及其共軛函數，在可逆線性變換中構造了一個新的互補矩陣，從而滿足IC–GN算法對二階形函數可逆的要求，來應對圖像之間的非均勻大變形；并將其與傳統的二階形函數和Gao等提出的二階形函數進行了比較。如圖5所示，發現不同二階形函數的平均誤差隨著子區大小的增加而減小，當子區大小足夠大時，Bai等[28]所提出的二階形函數表現出更穩定的匹配精度，并且建議在實際應用中選擇43～61像素的子區大小。一些研究側重于自適應方法[29]，允許根據不同的變形程度選擇合適的形函數，同時避免可能出現的欠匹配與過匹配風險。

圖4 形函數對比

圖5 3種二階形函數的平均誤差比較[28]

特殊形函數在特殊場景中具備優勢，如裂紋尖端、斷裂界面等。當試樣發生斷裂時，材料尖端裂紋的變形也相當于大變形的問題，裂紋尖端位移函數的準確表征，對裂紋尖端變形場的計算是極其重要的。江守燕等[30]基于三角變換的方法，將裂尖改進單元的4項改進函數縮減為2項，保留裂紋尖端場的應力奇異性和裂紋上、下表面的位移不連續性。Hattori等[31]對各向異性材料的裂紋尖端的擴展有限元方法進行了研究，提出了簡潔而緊湊形式的富集裂尖函數。

3.3 初值估計方法

增量相關策略的累積誤差主要依賴于參考圖像的更新次數，提高DIC方法的變形測量能力是減小更新次數最直接的方法。由于變形程度增大導致的退相關效應，整像素搜索很難為每個計算點尋找到合適的初值。探索更可靠的初值估計方法是解決這一問題的關鍵。種子點位移傳遞策略在大變形測量中應用廣泛，其基本原理如圖6所示，該方法通過選取特征明顯、變形較小處的計算點為種子點，以避免可能出現的退相關效應，種子點處的整像素搜索更為容易。潘兵等[32]基于位移連續性假設，通過手動指定感興趣點周圍3個或者更多的種子點，并在變形后圖像中選擇其對應點，將種子點的計算結果逐步傳遞給下一點作為初值估計，在大變形測量中十分有效。然而，遺憾的是，測量誤差以相同路徑傳遞，會造成全場變形的測量誤差較大。為了克服這一缺陷，Pan等[33]又采用了可靠性引導的種子點傳遞策略，由于將計算隊列中相關性最好的計算點作為相鄰點的初值估計，確保了計算路徑始終沿著最可靠的方向，極大地抑制了誤差的傳播。種子點的選擇在該方法中至關重要，一些方法致力于種子點的自適應選擇。值得一提的是，Jiang等[34]提出了路徑無關的初值估計方法，通過頻域中的搜索方法，極大地提高了初值估計的效率，同時避免了位移傳遞方法對路徑的依賴性。盡管該方法適用于小變形測量，但已有一些改進用于擴大測量范圍，在大變形測量中可能具備潛力。

圖6 種子點傳遞策略初值估計和可靠性引導的原理[33]

特征檢測算法具有靈活、靈敏、計算和預測能力強等優點，在大變形測量問題中具有廣泛的應用前景。通過特征檢測算法和DIC方法的結合為大變形測量問題提供了魯棒性更強的初值估計方法，其基本原理如圖7a所示。Zhou等[35]和Wang等[36]引入SIFT算法對特征點進行提取，在參考圖像和變形圖像中匹配檢測到的特征點，隨后采用隨機抽樣一致算法（Random Sample Consensus, RANSAC）剔除錯誤匹配，完成種子點的變形估計。然而SIFT算法的特征提取和匹配非常耗時，限制了SIFT輔助DIC的應用。一些方法通過應用并行算法加速SIFT來輔助DIC，取得了較好的效果。Yang等[37]提出一種基于SIFT算法輔助的路徑無關的DIC方法，并通過引入圖形處理單元GPU或多核CPU的并行計算來加速，提高了計算效率。另外一些方法使用更為高效的特征提取算法作為改進，如：Zou等[38]提出了應用SURF算法結合可靠性引導位移跟蹤策略應對較大變形的測量；李慧等[39]提出首先對匹配圖像進行網格劃分，利用ORB算法[40]提取特征點，然后應用雙邊特征匹配來剔除錯誤匹配，最后獨立估計每個感興趣點的變形參數，為亞像素迭代提供初值估計；Zhang等[41]將ORB算法與特征引導的高斯混合模型點集匹配算法（FG–GMM）相結合，提出了一種基于特征的初始猜測（FB–IG）方案，應用RKHS函數在參考圖像的特征點上對全局連續變形場進行內插，用期望和最大化算法求解優化問題后，同時確定正確的特征對和不均勻的變形場，該算法應用于大變形或旋轉的情況下具有魯棒性；譚芳喜等[42]利用AKAZE特征提取算法結合Daisy特征描述符，實現更加密集的特征提取，提高DIC技術定位的準確性，而且計算效率更高；Li等[43]結合DASIY特征描述符和PatchMatch搜索方法也提高了基于特征提取算法的DIC技術對大變形測量的效率。同樣為了解決特征提取算法耗時的問題，Wang等[44]在初值估計處理方面提出利用小波金字塔的多分辨率分析方法，如圖7b所示，多分辨率小波金字塔在低分辨率層將原始圖像縮小為小圖像，在低分辨率層計算2幅圖像之間的相關系數，大大減少了傳統逐像素匹配算法的計算量。

圖7 特征提取和圖像金字塔的原理圖

DIC技術對試件大旋轉測量，存在著與大變形測量相同的問題。為了解決這一難題，Zhang等[21]提出采用環形模板匹配圖像來初值估計，如圖8所示，提出的環形模板具有旋轉不變性和平移不變性。傳統的DIC計算缺少與旋轉有關的參數，為了滿足DIC技術對大旋轉測量的要求，Zhong等[45]將笛卡爾坐標系下的旋轉測量轉換為極坐標下的平移測量，該方法中，參考子區和變形子區的形狀都被定義為一個圓，然后這些子區被用極坐標來描述。將種子點或搜索點的梯度方向定義為極坐標中新的0°方向，采用了高效的IC–GN算法獲取亞像素精度。迭代初值通過考慮種子點和搜索點的梯度方向之間的誤差來獲得關于旋轉的參數，對于大旋轉的測量，迭代的初值更準確，迭代收斂更快。

3.4 預變形輔助策略

種子點初值估計、位移傳遞策略和高階形函數是大變形DIC方法普遍采用的策略，然而，盡管高階形函數可以用于描述復雜的變形，但由于涉及的變量增多，其計算成本也將迅速增加。同時由于過匹配現象的存在，導致形函數階數的增加并不一定能夠增加測量精度。這意味著，即使有足夠良好的初值估計，簡單地增加形函數階數也不足以解決大變形問題?；诖?，Ye等[46]通過在散斑圖像邊緣設置人工標記點，基于擬共形映射計算了穩健的大變形初值，并通過將初值估計引入ZNSSD相關函數中，得到了大變形適用的DIC方法。隨后，葉敬晨[47]擴展了這一想法，開發出預變形輔助策略。如圖9所示，該方法將形分解為預變形和后變形兩部分，初值估計用于給出預變形，該預變形能夠描述試樣變形中潛在的非線性部分，從而使后變形能夠在DIC框架中得到更可靠地測量。預變形策略在使用低階形函數的同時，保留了描述子區變形中潛在非線性的能力，在大變形測量中具備潛力。

圖8 環形模板示意圖

圖9 預變形分解示意圖[47]

3.5 基于深度學習的DIC方法

深度學習是一種用于復雜任務數據驅動的模型，是處理圖像相關問題的重要工具。深度學習應用于DIC方法中，不需要特定的相關準則，也不需要進行數值迭代計算，大大提高了DIC相關計算的效率。Yang等[48]利用2個卷積神經網絡，即位移神經網絡（DisplacementNet）和應變神經網絡（StrainNet）一起工作，對位移和應變進行端到端的預測，如圖10所示；位移神經網絡預測位移場并自適應地更新感興趣區域以跟蹤大變形，而應變神經網絡直接從圖像輸入中預測應變場，不依賴于位移預測，顯著提高了應變預測精度。Wu等[49]為了將應變分布映射到發生的相應裂縫上，將DIC應變分布數據應用到深度殘余網絡（ResNet），以訓練一個回歸模型，實現實時檢測裂縫的發生情況并估計裂縫長度。深度學習可以解決DIC計算過程中的非線性優化問題，為DIC迭代問題提供了新的解決思路，Duan等[50]采用二階形函數創建訓練數據集，開發了一種新的基于卷積神經網絡的DIC分析理論框架（DIC–net）。訓練成功后的DIC–net更適合求解局部非線性變形場，實現高效的圖像匹配和位移場重構，為實時處理復雜大變形提供了指導意義。深度學習應用在DIC中，提高了計算效率，但是由于訓練數據集的限制，在實際過程中計算的精度可能并未得到實質性的改變。隨著繼續對深度學習方法在DIC領域的深入研究，深度學習強大的計算和預測能力，會在DIC領域大有可為。

圖10 位移/應變卷積神經網絡原理

4 大變形DIC的應用舉例

4.1 在包裝領域中的應用

在包裝工程領域，一些包裝材料質輕而柔軟，在外載荷作用下通常應變量很大并且為非線性的，很難測試其力學性能，同時應變片法測量會使膠水中的水分子滲入到紙板中影響結果的準確性，引伸計的夾具也會對測量產生影響；為了克服這些困難，可以通過非接觸的DIC技術測量包裝材料的力學性能。Kueh等[51]使用DIC技術，對瓦楞紙箱縱向壓縮過程中面板位移和變形情況進行測試，得到箱體應變分布情況。Fadiji等[52]利用DIC技術測量通風包裝箱在機械載荷作用下的位移場，考慮了不同幾何構型氣孔的影響，加深對瓦楞紙板包裝在壓縮載荷作用下的位移場和應變場的認識，證明DIC在壓縮載荷下研究通風包裝箱的失效機制方面存在潛在價值，為新鮮農產品包裝箱的機械設計提供了指導。Zhou等[53]綜合測量了聚丙烯包裝材料的應力–應變關系、泊松比、線膨脹性、蠕變特性、全場變形、低頻振動，證明了DIC方法在包裝材料上具有測量范圍廣、精度高、穩定性好等優點。趙釗等[54]利用DIC方法對高速相機采集的紙漿模塑托盤在不同高度跌落圖像進行定量分析，發現紙漿模塑托盤在跌落緩沖過程中主要發生塑性變形，不同的跌落高度對彈性變形影響不大，這為紙漿模塑托盤的設計提供了重要指導。儲信慶等[55]將DIC方法與單項拉伸實驗相結合，對白板紙和白卡紙拉伸前后的圖像進行分析，測量其泊松比；通過力–位移曲線得到其彈性模量，分析得到同種紙張中，定量越高，其彈性模量越大，而泊松比越小。

4.2 在結構工程領域中的應用

橋梁撓度直接反映了橋梁結構的整體垂直剛度，與承載能力和承受外部破壞荷載的能力密切相關，在橋梁的日常安全評估中，橋梁的靜態和動態撓度是其測量的基本參數。針對土木工程結構大變形非接觸測量的需要，Pan等[56]基于IC–GN算法結合激光測距儀設計了一種視頻撓度計，通過對橋梁的變形測量，證明了該視頻撓度計可以測量存在多個垂直偏轉點測試對象的變形場，同時驗證了該視頻撓度計在實際、遠距離、非接觸實驗中的實用性和有效性。Mohammed等[57]通過搭建適用于工程實際測量的自標定圖像相關系統，基于DIC技術對榫卯構件進行了大面積的全場變形測量，獲得了構件的變形分布以及構件在破壞過程中的變形情況。針對橋梁撓度的長期監測需要，Zhang等[58]通過DIC技術并結合聲發射技術，了解橋梁之間板梁的開裂和抗剪承載性能，通過DIC技術揭示了橋梁在剪切破壞時的結構變化。Howlader等[59]應用DIC方法對含開口的無筋砌筑墻體的變形進行了測量并且捕獲磚石的全場裂縫。Nouri等[60]使用DIC技術對無箍筋鋼筋混凝土梁的抗剪強度各分量進行了測量研究，并且就計算模型對不同梁的計算情況進行了評價。Zhang等[61]利用DIC技術對鋼筋混凝土結構角部開裂的機理和過程進行了實驗研究，記錄了拐角開裂的整個過程和拐角開裂的旋轉現象，研究結果有助于理解腐蝕引起拐角開裂的機理和過程，開發精確的模型來評估鋼筋混凝土結構的使用壽命。

4.3 在軟材料領域中的應用

在軟材料上，考慮到油漆涂層，會增加局部剛度，減小表面變形的影響，Casavola等[62]利用材料自身存在的膨脹石墨作為自然隨機散斑，對3種密度不同的軟開孔聚氨酯泡沫塑料通過增量相關策略完成大變形的測量，并對其力學性能進行分析與評價。正確估計大變形下非線性材料的斷裂參數是斷裂力學的主要難題之一，裂紋尖端檢測受裂紋尖端纖維的影響顯著，導致測量不準確；為了克服這一限制，Filho等[63]提出基于DIC方法的纖維軟復合材料裂紋尖端檢測的新方法，并與視覺檢測方法進行了比較，表明所提出的方法可擴展到其他生物纖維軟材料的可行性。開孔聚氨酯泡沫的力學性能受微觀結構的影響很大，Belda等[64]為了探究開孔聚氨酯泡沫在微觀尺度上的破壞機制和變形模式表征，利用DIC技術測量了3種不同密度的開孔聚氨酯泡沫塑料在壓縮試驗中的應變場，得到DIC參數對失效模型和表觀極限點的影響，為破壞機制的確定和微觀尺度上變形模型的表征提供指導作用。水凝膠等彈性體在外力作用下通常表現較大的變形，常規的方法很難對其進行機械表征，而DIC技術卻表現出很強的適用性，Millar等[65]利用DIC技術測試了4種不同濃度的瓊脂糖水凝膠的機械剪切性能，發現隨著凝膠濃度的增加，剪切模量和最大剪切應變增加，證明了DIC技術在凝膠軟材料方面的適用性。

4.4 在高溫測量領域中的應用

試樣在高溫下會發生大的塑性變形，常用的人造散斑圖案可能會在頸縮后脫落，此外，涂料的厚度可能導致對試樣的真實應變測量不準確，因此，Zheng等[66]利用激光散斑技術，采用RG–DIC方法對金屬在高溫下的局部大塑性變形進行了定性和定量評價。飛機在大氣層中飛行時，由于劇烈的氣動摩擦，其外表面會處于惡劣的高溫環境中，在高溫環境下測量飛機部件受熱表面的變形是重要的問題；基于這一難題，Wu等[67]利用DIC方法測量了飛機外表面在1 200 ℃的高溫環境下的應變分布，為飛機部件的熱強度分析以及安全可靠設計提供了重要依據。Rooyen等[68]利用DIC技術測量了在溫度高達900 ℃下鉻鋼的變形，在480～600 ℃內獲得試件的彈性模量和泊松比。Le等[69]通過DIC技術測定了混凝土結構在高溫下的變形，為混凝土結構改進防火性能提供指導。Kaczmarek等[70]利用DIC技術分別檢測耐火陶瓷在20～1 200 ℃的斷裂行為，結果表明，材料在1 200 ℃時比在室溫下表現出更多的裂紋分枝。Xie等[71]結合DIC技術和掃描電子顯微鏡，對750 ℃下鎳基單晶高溫合金的變形進行裂紋的擴展過程捕捉，通過顯微觀察和DIC測量，有助于進一步了解材料的失效機制。

5 結語

DIC技術作為重要的非接觸全場變形測量手段，在許多領域中廣泛采用，但在大變形測量方面所面臨的挑戰限制了DIC方法的進一步發展。通過對增量相關、初值估計、形函數、預變形以及深度學習方面等一系列改進措施的研究，面向大變形測量的DIC方法取得了較大的進步。當前，大變形DIC方法的發展仍然受到退相關效應和欠匹配問題的嚴重影響，面臨著諸多挑戰。為了進一步提高大變形DIC方法的測量精度，還需要在以下方面做進一步的研究：進一步引入其他測量技術來輔助實現大變形測量；在形函數的處理上，大部分只是對二階形函數進行改進，對更高階形函數的研究仍不夠深入；預變形是一種對處理大變形問題新穎的想法，對預變形優化處理方法有待繼續挖掘，將預變形與增量相關方法結合起來共同處理更新后參考圖像的方法，也將進一步提高DIC計算的精度?？梢灶A測，DIC方法將在大變形測量中發揮更重要的作用。

[1] CHENG Hao, XU Hao, JULIAN MCCLEMENTS D, et al. Recent Advances in Intelligent Food Packaging Materials: Principles, Preparation and Applications[J]. Food Chemistry, 2022, 375: 131738.

[2] WEITZ D A. Soft Materials Evolution and Revolution[J]. Nature Materials, 2022, 21(9): 986-988.

[3] WEYMANN A, FOROUGHI J, VARDANYAN R, et al. Artificial Muscles and Soft Robotic Devices for Treatment of End-Stage Heart Failure[J]. Advanced Materials (Deerfield Beach, Fla), 2022: 2207390.

[4] LI Yi-ding, YAN Shi-bo, YAN Ying, et al. Modelling of the Compressive Behavior of 3D Braided Tubular Composites by a Novel Unit Cell[J]. Composite Structures, 2022, 287: 115303.

[5] ZHANG Bo-yi, WANG Li, ZHANG Jian, et al. Deformation and Energy Absorption Properties of Cenosphere/Aluminum Syntactic Foam-Filled Circular Tubes under Lateral Quasi-Static Compression[J]. International Journal of Mechanical Sciences, 2021, 192: 106126.

[6] WICKRAMASINGHE K C, SASAHARA H, RAHIM E A, et al. Recent Advances on High Performance Machining of Aerospace Materials and Composites Using Vegetable Oil-Based Metal Working Fluids[J]. Journal of Cleaner Production, 2021, 310: 127459.

[7] KOOHBOR B, MONTGOMERY C B, SOTTOS N R. Identification of RVE Length Scale in Fiber Composites via Combined Optical and SEM Digital Image Correlation[J]. Composites Science and Technology, 2022, 227: 109613.

[8] SPENCER R, ALWEKAR S, JO E, et al. Fiber Orientation Evaluation in Reinforced Composites Using Digital Image Correlation and Thermal Excitation[J]. Composites Part B: Engineering, 2022, 234: 109713.

[9] MALLETT K F, ARRUDA E M. Digital Image Correlation-Aided Mechanical Characterization of the Anteromedial and Posterolateral Bundles of the Anterior Cruciate Ligament[J]. Acta Biomaterialia, 2017, 56: 44-57.

[10] KELLY B P, SILVA C R, LEHRMAN J N, et al. Use of Digital Imaging Correlation Techniques for Full-Field Strain Distribution Analysis of Implantable Devices and Tissue in Spinal Biomechanics Research[J]. Journal of Biomechanics, 2022, 135: 111025.

[11] JIN Zu-quan, LI Shi-cai, SONG Hua-miao, et al. Experimental and Simulative Study of Bonding Properties on Fiber/Epoxy Interfaces by Digital Image Correlation (DIC) Technique and Molecular Dynamics[J]. Cement and Concrete Composites, 2022, 131: 104569.

[12] ZHAO Yin-ming, TAN Si-yang, ZHANG Chao-fan, et al. Dependence of Creep Strain and Fatigue Behavior on Surface Characteristics of Resistive Strain Gauges[J]. Micromachines, 2022, 13(3): 379.

[13] CHEN Chang-fu, MAO Feng-shan, YU Jia-yong. A Digital Image Correlation-Aided Sampling Moiré Method for High-Accurate In-Plane Displacement Measurements[J]. Measurement, 2021, 182: 109699.

[14] LI Zhi-song, ZHONG Ping, CHEN Yu, et al. Simultaneous Measurement of Three-Dimensional Deformation Based on Digital Speckle Pattern Interferometry Technology[J]. Optics Communications, 2021, 480: 126423.

[15] PETERS W H, RANSON W F. Digital Imaging Techniques in Experimental Stress Analysis[J]. Optical Engineering, 1982, 21(3): 427-431.

[16] YAMAGUCHI I. A Laser-Speckle Strain Gauge[J]. Journal of Physics E: Scientific Instruments, 1981, 14(11): 1270-1273.

[17] WANG Qi-yu, CHEN Sheng-hu, LV Xin-liang, et al. Role of Δ-Ferrite in Fatigue Crack Growth of AISI 316 Austenitic Stainless Steel[J]. Journal of Materials Science & Technology, 2022, 114: 7-15.

[18] GAO Jin-ling, KIRK C D, KEDIR N, et al. A Method for Characterization of Multiple Dynamic Constitutive Parameters of FRCS[J]. Composites Science and Technology, 2021, 203: 108607.

[19] MA Chun-yang, DU Tian-ming, NIU Xu-feng, et al. Biomechanics and Mechanobiology of the Bone Matrix[J]. Bone Research, 2022, 10(1): 59.

[20] HUANG Yang, JI Jing-jing, LEE K M. Model-Based Digital Image Correlation for Noncontact Deformation Measurement of Strain Field and Mechanical Property[J]. IEEE Transactions on Industrial Informatics, 2019, 15(9): 5109-5118.

[21] ZHANG Xiao-chuan, CHEN Jin-long, WANG Zong-tao, et al. Digital Image Correlation Using Ring Template and Quadrilateral Element for Large Rotation Measurement[J]. Optics and Lasers in Engineering, 2012, 50(7): 922-928.

[22] PAN Bing, WU Da-fang, XIA Yong. Incremental Calculation for Large Deformation Measurement Using Reliability-Guided Digital Image Correlation[J]. Optics and Lasers in Engineering, 2012, 50(4): 586-592.

[23] TANG Zheng-zong, LIANG Jin, XIAO Zhen-zhong, et al. Large Deformation Measurement Scheme for 3D Digital Image Correlation Method[J]. Optics and Lasers in Engineering, 2012, 50(2): 122-130.

[24] ZHOU Yi-hao, SUN Chen, CHEN Ju-bing. Adaptive Subset Offset for Systematic Error Reduction in Incremental Digital Image Correlation[J]. Optics and Lasers in Engineering, 2014, 55: 5-11.

[25] WANG Bo, PAN Bing. Incremental Digital Volume Correlation Method with Nearest Subvolume Offset: An Accurate and Simple Approach for Large Deformation Measurement[J]. Advances in Engineering Software, 2018, 116: 80-88.

[26] LU H, CARY P D. Deformation Measurements by Digital Image Correlation: Implementation of a Second-Order Displacement Gradient[J]. Experimental Mechanics, 2000, 40(4): 393-400.

[27] GAO Yue, CHENG Teng, SU Yong, et al. High-Efficiency and High-Accuracy Digital Image Correlation for Three- Dimensional Measurement[J]. Optics and Lasers in Engineering, 2015, 65: 73-80.

[28] BAI Rui-xiang, JIANG Hao, LEI Zhen-kun, et al. A Novel 2nd-Order Shape Function Based Digital Image Correlation Method for Large Deformation Measurements[J]. Optics and Lasers in Engineering, 2017, 90: 48-58.

[29] ZHAO Jian. Deformation Measurement Using Digital Image Correlation by Adaptively Adjusting the Parameters[J]. Optical Engineering, 2016, 55(12): 124104.

[30] 江守燕, 杜成斌. 一種XFEM斷裂分析的裂尖單元新型改進函數[J]. 力學學報, 2013, 45(1): 134-138.

JIANG Shou-yan, DU Cheng-bin. A Novel Enriched Function of Elements Containing Crack Tip for Fracture Analysis in Xfem[J]. Chinese Journal of Theoretical and Applied Mechanics, 2013, 45(1): 134-138.

[31] HATTORI G, ROJAS-DíAZ R, SáEZ A, et al. New Anisotropic Crack-Tip Enrichment Functions for the Extended Finite Element Method[J]. Computational Mechanics, 2012, 50(5): 591-601.

[32] 潘兵, 謝惠民, 夏勇, 等. 數字圖像相關中基于可靠變形初值估計的大變形測量[J]. 光學學報, 2009, 29(2): 400-406.

PAN Bing, XIE Hui-min, XIA Yong, et al. Large-Deformation Measurement Based on Reliable Initial Guess in Digital Image Correlation Method[J]. Acta Optica Sinica, 2009, 29(2): 400-406.

[33] PAN Bing. Reliability-Guided Digital Image Correlation for Image Deformation Measurement[J]. Applied Optics, 2009, 48(8): 1535-1542.

[34] JIANG Zhen-yu, QIAN Ke-mao, MIAO Hong, et al. Path-Independent Digital Image Correlation with High Accuracy, Speed and Robustness[J]. Optics and Lasers in Engineering, 2015, 65: 93-102.

[35] ZHOU Yi-hao, PAN Bing, CHEN Yan qiu. Large Deformation Measurement Using Digital Image Correlation: A Fully Automated Approach[J]. Applied Optics, 2012, 51(31): 7674-7683.

[36] WANG Z, VO M, KIEU H, et al. Automated Fast Initial Guess in Digital Image Correlation[J]. Strain, 2014, 50(1): 28-36.

[37] YANG Jun-rong, HUANG Jian-wen, JIANG Zhen-yu, et al. SIFT-Aided Path-Independent Digital Image Correlation Accelerated by Parallel Computing[J]. Optics and Lasers in Engineering, 2020, 127: 105964.

[38] ZOU Xiang, PAN Bing. Full-Automatic Seed Point Selection and Initialization for Digital Image Correlation Robust to Large Rotation and Deformation[J]. Optics and Lasers in Engineering, 2021, 138: 106432.

[39] 李慧, 顧永剛, 翟超. 一種基于DIC測量幀間大壓縮變形的方法[J]. 工業控制計算機, 2021, 34(8): 90-92.

LI Hui, GU Yong-gang, ZHAI Chao. A Method for Measuring Large Inter-Frame Compression Deformation Based on DIC[J]. Industrial Control Computer, 2021, 34(8): 90-92.

[40] LIU Kai, XU Zheng, HOU Zhao-hui, et al. Further Non-Local and Channel Attention Networks for Vehicle re-Identification[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) Seattle, WA, USA, IEEE, 2020: 2494-2500.

[41] ZHANG Yun-lu, YAN Lei, LIOU F. Improved Initial Guess with Semi-Subpixel Level Accuracy in Digital Image Correlation by Feature-Based Method[J]. Optics and Lasers in Engineering, 2018, 104: 149-158.

[42] 譚芳喜, 肖世德, 李晟堯, 等. 基于密集特征匹配的數字圖像相關法[J]. 激光與光電子學進展, 2021, 58(16): 390-398.

TAN Fang-xi, XIAO Shi-de, LI Sheng-yao, et al. Digital Image Correlation Method Based on Dense Feature Matching[J]. Laser & Optoelectronics Progress, 2021, 58(16): 390-398.

[43] LI Wen-pan, LI You-fu, LIANG Jin. Enhanced Feature-Based Path-Independent Initial Value Estimation for Robust Point-Wise Digital Image Correlation[J]. Optics and Lasers in Engineering, 2019, 121: 189-202.

[44] WANG Lian-po, BI Song-lin, LI Hui, et al. Fast Initial Value Estimation in Digital Image Correlation for Large Rotation Measurement[J]. Optics and Lasers in Engineering, 2020, 127: 105838.

[45] ZHONG F, QUAN C. Digital Image Correlation in Polar Coordinate Robust to a Large Rotation[J]. Optics and Lasers in Engineering, 2017, 98: 153-158.

[46] YE Jing-chen, JI Hong-wei, ZHANG Xiao-chuan. Digital Image Correlation Method Based on Quasi-Conformal Mapping for Large Deformation Measurement[J]. Optics and Lasers in Engineering, 2022, 153: 106985.

[47] 葉敬晨. 面向大變形測量的數字圖像相關方法研究[D]. 天津: 天津商業大學, 2022: 14-15.

YE Jing-chen. Research on Digital Image Correlation Method for Large Deformation Measurement[D]. Tianjin: Tianjin University of Commerce, 2022: 14-15.

[48] YANG Ru, LI Yang, ZENG D, et al. Deep DIC: Deep Learning-Based Digital Image Correlation for End-to-End Displacement and Strain Measurement[J]. Journal of Materials Processing Technology, 2022, 302: 117474.

[49] WU Zi-ran, HAN Yan, LIANG Bu-meng, et al. A Metallic Fracture Estimation Method Using Digital Image Correlation[J]. Processes, 2022, 10(8): 1599.

[50] DUAN Xiao-cen, XU Hong-wei, DONG Run-feng, et al. Digital Image Correlation Based on Convolutional Neural Networks[J]. Optics and Lasers in Engineering, 2023, 160: 107234.

[51] KUEH C S L, DAHM K, EMMS G, et al. Digital Image Correlation Analysis of Vertical Strain for Corrugated Fiberboard Box Panel in Compression[J]. Packaging Technology and Science, 2019, 32(3): 133-141.

[52] FADIJI T, COETZEE C J, OPARA U L. Evaluating the Displacement Field of Paperboard Packages Subjected to Compression Loading Using Digital Image Correlation (DIC)[J]. Food and Bioproducts Processing, 2020, 123: 60-71.

[53] ZHOU Jian-wei, LIU Dong-hong, SHAO Lan-yuan, et al. Application of Digital Image Correlation to Measurement of Packaging Material Mechanical Properties[J]. Mathematical Problems in Engineering, 2013, 2013: 1-8.

[54] 趙釗, 張曉川, 王佼, 等. 紙漿模塑托盤對角剛度的跌落試驗測試[J]. 包裝工程, 2012, 33(11): 1-4.

ZHAO Zhao, ZHANG Xiao-chuan, WANG Jiao, et al. Drop Test of Molded Pulp Pallet and Diagonal Stiffness Analysis[J]. Packaging Engineering, 2012, 33(11): 1-4.

[55] 儲信慶, 計宏偉. 灰底白板紙與白卡紙的彈性常數對比[J]. 包裝工程, 2015, 36(23): 48-52.

CHU Xin-qing, JI Hong-wei. Comparison of the Elastic Constants between the Gray Manila Board and Ivory Board[J]. Packaging Engineering, 2015, 36(23): 48-52.

[56] PAN Bing, TIAN Long, SONG Xiao-lin. Real-Time, Non-Contact and Targetless Measurement of Vertical Deflection of Bridges Using Off-Axis Digital Image Correlation[J]. NDT & E International, 2016, 79: 73-80.

[57] MOHAMMED M E, 邵新星, 錢帥宇, 等. 基于自標定數字圖像相關技術的榫卯構件大面積全場變形測量[J]. 東南大學學報(自然科學版), 2018, 48(2): 337-341.

MOHAMMED M E, SHAO Xin-xing, QIAN Shuai-yu, et al. Large-Area Full-Field Deformation Measurement of Mortise-Tenon Structures Based on Self-Calibration Digital Image Correlation Technology[J]. Journal of Southeast University (Natural Science Edition), 2018, 48(2): 337-341.

[58] ZHANG Feng-qiao, ZARATE GARNICA G I, YANG Yu-guang, et al. Monitoring Shear Behavior of Prestressed Concrete Bridge Girders Using Acoustic Emission and Digital Image Correlation[J]. Sensors (Basel, Switzerland), 2020, 20(19): 5622.

[59] HOWLADER M K, MASIA M J, GRIFFITH M C. Digital Image Correlation for the Analysis of In-Plane Tested Unreinforced Masonry Walls[J]. Structures, 2021, 29: 427-445.

[60] NOURI A, HAMRAT M, BOULEKBACHE B, et al. Quantification of Shear Strength in Reinforced Concrete Beams Using Digital Image Correlation: Experimental and Analytical Study[J]. Advances in Structural Engineering, 2021, 24(1): 147-164.

[61] ZHANG Yan-long, SU R K L. Experimental Study of Corrosion-Caused Corner Cracking Using Digital Image Correlation[J]. Materials and Structures, 2022, 55(4): 121.

[62] CASAVOLA C, CORE L, MORAMARCO V, et al. Full-Field Mechanical Characterization of Polyurethane Foams under Large Deformations by Digital Image Correlation[J]. Mechanics of Advanced Materials and Structures, 2022, 29(24): 3540-3555.

[63] FILHO J, XAVIER J, NUNES L. An Alternative Digital Image Correlation-Based Experimental Approach to Estimate Fracture Parameters in Fibrous Soft Materials[J]. Materials (Basel, Switzerland), 2022, 15(7): 2413.

[64] BELDA R, MEGíAS R, FEITO N, et al. Some Practical Considerations for Compression Failure Characterization of Open-Cell Polyurethane Foams Using Digital Image Correlation[J]. Sensors (Basel, Switzerland), 2020, 20(15): 4141.

[65] MILLAR D, MENNU M, UPADHYAY K, et al. An Improved Direct Shear Characterisation Technique for Soft Gelatinous and Elastomeric Materials[J]. Strain, 2021, 57(3): 12383.

[66] ZHENG Qiu, MASHIWA N, FURUSHIMA T. Evaluation of Large Plastic Deformation for Metals by a Non-Contacting Technique Using Digital Image Correlation with Laser Speckles[J]. Materials & Design, 2020, 191: 108626.

[67] WU Da-fang, LIN Lu-jin, REN Hao-yuan, et al. High-Temperature Deformation Measurement of the Heated Front Surface of Hypersonic Aircraft Component at 1200[J]. Optics and Lasers in Engineering, 2019, 122: 184-194.

[68] ROOYEN M V, BECKER T H. High-Temperature Tensile Property Measurements Using Digital Image Correlation over a Non-Uniform Temperature Field[J]. The Journal of Strain Analysis for Engineering Design, 2018, 53(3): 117-129.

[69] LE D B, TRAN S D, TORERO J L, et al. Application of Digital Image Correlation System for Reliable Deformation Measurement of Concrete Structures at High Temperatures[J]. Engineering Structures, 2019, 192: 181-189.

[70] KACZMAREK R, DUPRé J C, DOUMALIN P, et al. High-Temperature Digital Image Correlation Techniques for Full-Field Strain and Crack Length Measurement on Ceramics at 1 200 ℃: Optimization of Speckle Pattern and Uncertainty Assessment[J]. Optics and Lasers in Engineering, 2021, 146: 106716.

[71] XIE Hong-fu, WANG Jie, WANG Zhen, et al. In Situ Scanning Digital Image Correlation for high-Temperature Deformation Measurement of Nickel-Based Single Crystal Superalloy[J]. Measurement Science and Technology, 2021, 32(8): 084008.

Research Progress and Application of Digital Image Correlation for Large Deformation Measurement

LI Jia-chenga, YE Jing-chenb, JI Hong-weib

(a. College of Biotechnology and Food Science b. College of Mechanical Engineering, Tianjin University of Commerce, Tianjin 300134, China)

The work aims to study the research status of Digital Image Correlation (DIC) for large deformation measurement and provide references for in-depth research in related fields. Through improved combing of incremental correlation, initial value estimation and form function, the research progress of the DIC method in large deformation measurement was summarized. The current DIC method used for large deformation measurements greatly eliminated the de-correlation effect through the increment method and the initial value estimation method combined with feature detection. At the same time, the choice of shape functions and the combination of deep learning techniques also enhanced the applicability of the DIC method to complex deformations. Despite the many challenges in large deformation measurement, the DIC method is still one of the most promising techniques for large deformation measurement, and it will play a more vital role in large deformation measurement.

digital image correlation (DIC); large deformation measurement; shape function; initial value estimation

TB487

A

1001-3563(2023)05-0171-10

10.19554/j.cnki.1001-3563.2023.05.022

2022?10?09

國家自然科學基金（12172254）

李佳成（1997—），男，碩士生，主攻輕工裝備設計理論與方法。

計宏偉（1964—），男，博士，教授，主攻運輸包裝及圖像測量技術。

責任編輯：曾鈺嬋