在板金属材料成形领域,掌握金属材料的力学性能是实现成形的基础。利用双向拉伸试验机,获得不同加载路径下的双向拉伸力学性能,是探索各向异性材料成形机理的重要课题。为了获得材料准确的力学性能参数,双向拉伸试验机应变测量成为装备研制的核心之一。本课题以双向拉伸试验机应变测量控制为目标,设计开发非接触式视频引伸计,利用深度学习方法,通过图像识别,实现高精度应变场测量。视频引伸计硬件由工业相机、补光灯和支架组成。在自主研发的双向拉伸试验机的基础上,利用Solid Works软件完成支架结构设计,同时优化了夹具设计,满足多种试件的拉伸试验。视频引伸计在测量时所获得的图像,因为环境光线差异和温度等原因使得图像存在很多噪点及图像亮度不同的情况,使得传统的模式识别方法进行图像识别的稳定性较差。为了减小环境光线影响,视频引伸计支架采用封闭空间结构,内部采用LED光源,为图像采集提供稳定的光线环境。为增强图像识别的鲁棒性,使用深度学习的图像分割方法,通过不同环境的数据集训练,提高图像识别的准确性。由于视频引伸计是在实验前对试件变形区进行标记,通过记录标记区的位置变化来获取其变形量,结合单拉和双拉两种实验,其中单拉实验的标记区的标线距离为50mm,双拉实验中采用两种标记方法,一种为传统标线标记,其中标线区域为60mm×60mm的正方形区域;另一种为散斑标记方法,即通过对试件表面喷涂散斑漆。利用单拉实验和双拉实验过程中实时采集的图片,制作数个局部特征区域和全局特征区域,完成5600张图片数据集。针对试件标记区的获取,利用深度学习的图像分割算法完成对标记形变的获取与分割,通过下采样区的卷积神经网络完成输入图像的特征获取与编码操作,通过上采样区的双线性插值法和反卷积完成对图像具体特征的扩展和解码,从而得到图像分割结果。为了防止在特征扩展中丢失部分特征,采用了跳层连接的方法,即将下采样区同维度的浅层特征复制,与当前的深层特征进行融合形成当前的数据,保证数据不丢失的情况下同时提高的模型的计算效率。经过训练后,完成了通过图像分割获取试件应变区域的功能。经实验训练结果分析,所完成训练的网络模型在测试集的识别速度为每秒识别14张图像,单拉准确率96%,双拉准确率95%,可以满足双向拉伸试验机实验过程的应变测量需求。