深度学习助力散斑图像局域复杂变形场测量

Science China Technological Sciences(《中国科学: 技术科学》英文版)近期在线发表了题为“Deep learning for complexdisplacement measurement”的研究论文，报道了深度学习成功测量局域复杂变形场的研究成果。

局域复杂变形场的测量是实验力学及相关领域共同关心和亟待解决的关键问题。传统基于散斑图像相关匹配、追踪的位移场测量方法(如DIC, PTV, PIV等)，在处理高梯度复杂变形特征图像时，由于图像局域特征变化剧烈，存在难以匹配或失效, 导致丢失高阶变形信息甚至迭代不收敛。局域复杂变形广泛存在，如裂纹尖端、应力集中区、细胞迁移黏着斑变形区，其往往伴随着复杂的局域变形与力学信号。

中国科学技术大学张青川教授课题组针对局域复杂变形场测量问题，为克服传统测量算法的缺陷，引入深度学习工具，利用卷积神经网络强大的特征提取与变形描述能力，实现对局部复杂变形场的高精度测量。针对高梯度复杂度位移场，研究团队设计并优化了神经网络构架，摆脱了传统算法中子区尺寸和形函数欠匹配的制约，避免高阶复杂变形信息的丢失与迭代不收敛等问题，从而实现局域高梯度复杂变形场的测量。

针对散斑变形图像的神经网络模型训练、计算以及对细胞黏着斑局域复杂变形场测量

研究结果表明，卷积神经网络算法在局域复杂变形的测量上相对传统算法计算精度更高，计算效率更快，应用潜力巨大。在贴壁细胞生命活动过程的基底黏着斑变形测量中，提出的深度学习算法能够复现细胞活动中的局域高梯度复杂变形场，为细胞黏着斑区域力学信号的进一步研究分析提供了有力支撑。