기본 콘텐츠로 건너뛰기

Documentation for Matlab-based DIC code


mathwork에 올라온 Digital Image Correlation코드에 관한 문서 정리
Code Structure 및 각 Step별 간단한 설명
Main GUIs 
1. image_setup_GUI   
 - 이미지 준비단계로 폴더 내의 모든 이미지 파일에 대한 정보를 가져온다.(이미지 확장자, 개수 등)
 2. correlate_images_GUI    
- 이미지 간의 correleation을 수행하고 변위 값을 출력 
3. compute_data_GUI    
- 정밀한 변위값을 구하기 위해 보간하고 유한요소법 함수를 이용하여 변형률을 계산 
4. visualize_data_GUI    
- 변위와 변형률을 다양한 형태로 보여줌

추가적으로 
1. delete_data_GUI    
- correlate 를 수행하지 않는 부분은 지워줌 
2.movie_GUI   
- 모든 이미지에 대해서 correlate 과정을 time lapsed 형태로 보여줌

Steps of a Typical Correlation
Step1. Set up the images to be correlated. 
a) 모든 이미지를 하나의 폴더에 준비 
b) image_setup_GUI를 실행

Step2. Determine if displacements are large enough to require an initial guess. 
a) correlate_images_GUI를 실행, spare grid를 이용하여 이미지의 전체에 대해서 수행(이미지 사이즈가 1000 by 1000 일 때, step size가 50-75 픽셀로 수행 ). spare grid는 계산시간을 줄여준다. 
b) visualize_data_GUI 를 수행고 변위에 대한 contour plot을 확인.  
c) 모든 영역에서 correlate가 잘되었다면(찾을 수 없는 데이터가 포함된 영역이 없어야 한다), 새로운 initial guess 를 찾을 필요가 없고, reduced-size image에 대해서 correlate를 수행할 필요가 없다. 이때는 step4로 
d) 만약 correlate가 잘안되었다면, initial guesses를 새로 생성할 필요가 있다. 이때는 step3으로.

Step3. If necessary, generate initial guesses for displacements by correlating reduced-size images. 
a) correlate_images_GUI를 실행, reduced-size 이미지들의 correlation 의 결과를 필수적인 initial guesses로서 이용하고, sparse grid를 이용하여 reduced-size 에 대해서만 correlate 수행.  
b) visualize_data_GUI를 통해 결과를 평가 
c) 만약 reduced 이미지의 correlation이 큰 변위를 잡아내지 못한다면 하나 또는 세개 이상의 파라미터를 바꿔봐야 한다.      
- subset size, image reduction factor 값을 바꾼다.       
- 현재 reduced 이미지의 correlation에 대한 initial guesses로서의 이전의 reduced 이미지의 correlation 의 결과를 이용하여 reduced images 의 correlation을 반복

Step4. Determine the optimal subset size for the correlation of the full-sized images. 
a) correlate_images_GUI를 실행, spare grid를 이용하여 이미지의 전체에 대해서 수행(이미지 사이즈가 1000 by 1000 일 때, step size가 50-75 픽셀로 수행 ) 
b) visualize_data_GUI를 수행하여 결과를 평가 
c) 만약 그 중 몇개의 점이 correlate 되지 않는다면, 더 작은 subset size를 이용하여correlate_images_GUI를 다시 실행한다.

Step5. Run final correlation 
a) correlate_images_GUI를 실행 
b) full-size 이미지에 대해서 correlate 수행 
c) 필요하다면 reduced-size 이미지에서의 correlation으로 부터 얻은 결과를 사용 
d) 이전 스텝에서 찾은 subset size를 최적으로 사용 
e) 밀도있는 grid를 새로 생성한다.(이미지 1000 by 1000 pixel일 때 약 5-10 pixel의 step size)



참조)
1. In Situ Measurements of Strains in Composite Battery Electrodes during Electrochemical Cycling, E.M.C. Jones · M.N. Silberstein · S.R. White · N.R. Sottos
2. Matlab based DIC code documentation - version 4 - 15422 EJ


댓글

이 블로그의 인기 게시물

keras를 이용하여 cifar10 실행해보기 (Functional API step by step)

Keras 라이브러리를 이용하여 cifar 10 데이터를 기본적인 CNN 구조를 이용하여 수행 사용하는 레이어들을 추가한다. from keras.layers import Input, Dense, Dropout, Activation, Flatten from keras.layers import Conv2D, MaxPooling2D 모델도 추가한다. from keras.models import Model 구조는 기본적으로 아래와 같다. 이는 keras에서 제공하는 cifar10 예제를 참고하였다. conv2D -> conv2D -> maxpooling -> dropout -> conv2D -> conv2D -> maxpooling -> dropout -> flatten -> Dense -> dropout ->Dense(마지막은 분류하고자 하는 개수, 여기서는 10) 블럭을 생성하기 전에 Input layer에 형태를 넣어줘야한다. #Input inputs =Input((32,32,3)) # block1 x = Conv2D(32, (3,3), activation='relu', padding='same', name='block1_conv1')(inputs)  x = Conv2D(32, (3,3), activation='relu', padding='valid', name='block1_conv2')(x)  x = MaxPooling2D((2, 2), name='block1_pool')(x) x = Dropout(0.25)(x)  # block2 x = Conv2D(64, (3,3), activation='relu', padding='same', name='block2_conv1')...

HTML 테스트

Lab 시리즈 화장품 구매(파란색, 가장크게) <span style="color: blue; font-size: x-large;">Lab 시리즈 화장품 구매(파란색, 가장크게)</span><br /> Lab 시리즈 화장품 구매(검은색, 보통) <span style="color: blue; font-size: x-large;"><br /></span> Lab 시리즈 화장품 구매(검은색, 보통)<br /> Lab 시리즈 화장품 구매(검은색, 보통, Airal) <span style="font-family: Arial, Helvetica, sans-serif;">Lab 시리즈 화장품 구매(검은색, 보통, Airal)</span><br /> Lab 시리즈 화장품 구매(검은색, 보통, Airal, Bold) <span style="font-family: Arial, Helvetica, sans-serif;"><b>Lab 시리즈 화장품 구매(검은색, 보통, Airal, Bold)</b></span> 하나의 문단을 의미하는 <p>태그 문장의 일부를 의미하는 <span>태그 강제줄바꿈을 의미하는 <br>태그 비교적 넓은 지역을 묶어 지정 </div>

맥(mac)의 가상환경(virtualenv) 설치 및 가상환경에 tensorflow, keras 설치

pip 설치 $ sudo easy_install pip pip를 이용하여 virtualenv설치 $ sudo pip install --upgrade virtualenv virtualenv를 이용하여 가상환경 설치 $ virtualenv --system-site-packages -p python3 /경로/가상환경이름 가상환경 활성화 $ source ~/가상환경이름/bin/activate 가상환경활성화(예를 들면 가상환경 이름을  tensorflow_envs라 한다면) 가상환경을 활성화 한 후 활성화 된 상태에서 tenforflow와 keras설치 (tensorflow_env) $pip3 install --upgrade tensorflow (tensorflow_env) $pip3 install --upgrade keras 모든 내용은 python 3. 버젼 기준으로 설치하였다.