2024年4月13日，CSU国巍教授课题组2024年4月份组会于红楼3号楼二楼会议室召开。此次会议主要由博士生曾晨、博士生龙岩汇报自己近期的工作进展以及下一阶段的工作。汇报结束后，组内其他成员分别就汇报内容进行了热烈的讨论。
博士生曾晨报告题目为《基于深度算子网络的实时混合试验代理模型应用及精度验证》，本次汇报内容：针对实时混合试验中大规模非线性数值模型的实时求解问题，基于运动方程求解过程给出了代理模型的递归计算格式，并提出使用深度算子网络对非线性数值模型动力系统进行代理模型的获得。将所提出方法应用于桥梁减隔震混合试验仿真中，代理模型模拟包含桥墩、轨道板系统非线性的轨道-桥梁结构，仿真结果表明，所提出代理模型方法可实现非线性数值模型的精确计算，为实时混合试验中数值子结构快速求解提供了新的解决方案。
博士生龙岩报告了基于震动的结构健康监测的应用，基本思想是结构劣化信息将改变结构的物理特性（如频率、阻尼比和刚度），可通过测量结构运动的异常响应来检测或控制。计算机视觉测量方法相比使用物理接触式传感器或非接触式传感器（如扫描激光测振仪）的传统测量方式更具潜力，视觉测量方法成本低、安装容易、可消除质量负载效应，并提供全场测量。在基于计算机视觉的方法中，通常视频中记录的结构可以通过所选感兴趣区域（ROI）中的像素来表示。因此，在选定的ROI中，通过测量这些像素在每个当前帧和第一帧之间的坐标变化，这些像素的移动指示当前帧的结构运动可以获得。然后结构位移可以通过估计的结构运动进行转换，再乘以真实世界中结构长度与其在图像中的像素数之比（即比例因子）。传统的图像感知技术难以检测到大尺度结构的微小高频振动，大多数非常小的时间变化，包括皮肤颜色随血液循环的细微变化、人类头部随心跳的摆动、风中结构摆动等都无法用肉眼看到，由于当运动频率增大，其对应的位移幅值会减小，故高阶模态的振动容易被低阶振动或噪声信号所淹没，通常与背景噪声无法区分。视频运动放大技术的提出和发展为这一问题提供了解决方案，该技术通过机器视觉和信息处理技术实现对视频中细微变化的增强放大，达到人眼可辨识的程度，并实现视频数据可视化，揭示微小振动中蕴含的重要信息，已在生物医学和工程监测领域收到广泛关注。基于深度学习的视频运动放大方法在泛化能力和鲁棒性等方面取得了巨大进展，但仍然面临一些问题：（1）现有的方法中通常基于合成数据集，虽然该数据集涵盖内容会使得训练出的网络较好的兼容各类场景，但训练数据集与待放大目标运动内容的高度不相关，会使得运动放大方法难以在结构振动等特定应用场景中发挥其鲁棒性放大效果。（2）使用深度学习算法学习运动表征与目标运动信号之间的关系，往往依赖于有用的真实运动信号数据集，但在现实生活中，并非所有运动均可采集真实的运动信号作为参照信号。因此对于难以直接获取真值参考运动信号的应用场景的不能具有很好的泛化能力和鲁棒性。为解决上述问题，提出一种基于Swin-Transformer网络的自监督视频运动放大方法，其优势为：（1）引入先进的SWIN-Transformer网络模块，通过分级的以为窗口化自注意力机制将大尺寸图像划分为多个小区域，可以减少计算和内存消耗；（2）特征提取器中通过多层局部自注意力机制，深度提取放大特征图，有效减少对真值信号的依赖；（3）引入生成对抗式网络模块，通过添加额外的监督约束信息（几何特征和/或振动特征），生成更适用于特定应用场景中待放大结构对象的数据，提升运动放大方法在特定应用场景中的放大效果。
CSU国巍教授课题组每周一次的组会是课题组制度之一，由各组员汇报自己近期的研究工作和未来计划。欢迎感兴趣的同学参加会议并参与讨论。
