2026年2月，华南理工大学土木与交通学院工程力学创新班2022级本科生何豪阳同学在蒋震宇教授指导下，以第一作者身份在光学测量领域权威期刊《Optics & Laser Technology》（中科院二区，TOP期刊，影响因子5.0）发表研究论文“Unsupervised Transformer-based deep learning for digital image correlation and digital volume correlation”。

 数字图像/体相关法（Digital Image/Volume Correlation, DIC/DVC）是目前最具代表性的实验力学新方法之一。该方法通过追踪物体变形前后表面的散斑图像或内部的CT扫描体图像，测量物体中的全场变形。该方法具有非接触式测量的优点，成为极端性质（软物质、生物材料、薄膜材料）和极端环境（高温、低温、大型结构、微观尺度）下材料力学行为研究中不可替代的先进工具。深度学习模型能够赋予DIC/DVC分析极端复杂变形场的能力（图1）。但模型的性能严重依赖训练数据集的质量，数据集既要包含物体变形前后的散斑图像和变形场真值，还需要在变形场类型和散斑图案等方面具有足够的多样性。这就造成一种矛盾，因为对于很多极端和复杂的工况来说，DIC/DVC几乎是唯一可用的变形测量手段。

 图1 基于Transformer深度学习模型的DIC/DVC处理流程示意图

 针对这一问题，何豪阳开发了基于Transformer的无监督深度学习模型并将其引入DIC/DVC，创新性地提出多分辨率位移梯度一致性约束，用其构造损失函数，使得方法在明显提高测量准确度和抗干扰性能的同时，还具有清晰的物理含义。该模型在测量应变高度集中的合金材料剪切变形带时，结果明显优于传统DIC方法（图2）。

 图2 基于Transformer的无监督深度学习模型测量合金材料剪切变形带

 何豪阳于2022年考入华南理工大学工程力学创新班，本科期间成绩优秀，专业必修课均分在90分以上，曾获得校级二等奖学金，担任校级SRP学生科研项目负责人，现已获推荐免试攻读工程力学专业硕士学位。该研究得到了国家自然科学基金项目和国家级大学生创新创业项目支持。

 图3 何豪阳（左一）和蒋震宇教授合影

论文链接：https://doi.org/10.1016/j.optlastec.2026.114939