Desarrollo de una red neuronal profunda para la extracción de campos de esfuerzos en imágenes multipolarizadas de fotoelasticidad

Abstract

La fotoelasticidad digital es una técnica experimental utilizada en el análisis y cuantificación de esfuerzos en materiales isótropos y birrefringentes sometidos a una carga, debido a que este tipo de materiales experimentan índices de refracción dobles cuando son cargados, lo que permite estimar la diferencia entre los esfuerzos principales en cada elemento del cuerpo, gracias a un retardo de fase en la luz que lo atraviesa, que puede ser demodulado para extraer un campo de esfuerzos completo. Tradicionalmente, los procedimientos de extracción de campos de esfuerzos en imágenes de fotoelasticidad eran difíciles de representar con simples regresiones matemáticas, además de que necesitaban montajes costosos, con altos requerimientos de precisión y en ocasiones, algoritmos complicados. En los últimos años, se han desarrollado unas primeras aproximaciones a la automatización de estos procesos por medio del uso de redes neuronales convolucionales para el procesamiento de imágenes isocromáticas en un solo estado de polarización. En esta tesis, se propone el uso de redes neuronales convolucionales profundas para procesar cuatro imágenes de diferentes estados de polarización. Para ello, se construye una colección de más de setenta mil imágenes analíticas en modelos clásicos de fotoelasticidad, utilizando las propiedades ópticas del material simulado, de la fuente de iluminación y de dos cámaras polarizadas encontradas en la literatura y en cuatro estados de polarización: 0°, 45°, 90° y 135°. Estas imágenes son utilizadas para el entrenamiento, validación y testeo de diferentes modelos de red neuronal, basados en arquitecturas clásicas encontradas en la literatura para el desenvolvimiento de fase. Con ello, se realiza un rediseño en las capas, funciones, filtros e hiper-parámetros de las redes estudiadas, en un proceso de optimización de una única arquitectura que alcance las mejores métricas para el problema desarrollado. La evaluación de los modelos se realiza por medio de métricas de calidad de imagen tales como MSE, SSIM, PSNR, entre otras consideradas. Finalmente, se desarrolla y explica la MultipolarNet, una red neuronal especializada en la extracción de campos de esfuerzos en imágenes multipolarizadas de fotoelasticidad. Los resultados abren la posibilidad de procesar imágenes reales generadas por una cámara multipolarizada, lo que representa una gran oportunidad para desarrollar evaluaciones de esfuerzo en tiempo real, predecir problemas de desenvolvimiento de fase en geometrías complejas, cargas dinámicas, o inconsistencias debidas a isoclínicos. (texto tomado de la fuente)

Digital photoelasticity is an experimental technique used in the analysis and quantification of stresses in isotropic and birefringent materials subjected to a load, due to the fact that this type of materials experience double refractive indices when loaded, which allows estimating the difference between the principal stresses in each element of the body, thanks to a phase delay in the light passing through it, which can be demodulated to extract a complete stress field. Traditionally, stress field extraction procedures in photoelasticity images were difficult to represent with simple mathematical regressions and required expensive setups with high accuracy requirements and sometimes complicated algorithms. In recent years, first approaches to automate these processes have been developed by using convolutional neural networks for processing isochromatic images in a single polarization state. In this thesis, we propose the use of deep convolutional neural networks to process four images of different polarization states. For this purpose, a collection of more than seventy thousand analytical images in classical photoelasticity models is built, using the optical properties of the simulated material, the illumination source and two polarized cameras found in the literature and in four polarization states: 0°, 45°, 90° and 135°. These images are used for training, validation and testing of different neural network models, based on classical architectures found in the literature for phase unwrapping. With this, a redesign is performed on the layers, functions, filters and general hyper-parameters of the studied networks, in a process of optimization of a single architecture that achieves the best metrics for the developed problem. The evaluation of the models is performed by means of image quality metrics such as MSE, SSIM, PSNR, among others considered. Finally, MultipolarNet, a neural network specialized in the extraction of stress fields in multipolarized photoelasticity images, is developed and explained. The results open the possibility of processing real images generated by a multipolarized camera, which represents a great opportunity to develop real-time stress evaluations, predict phase unwrapping problems in complex geometries, dynamic loads, or inconsistencies due to isoclinics.