Para lograr simulaciones realistas de la formación de virutas, se requieren datos de entrada de alta calidad sobre el esfuerzo de flujo y el comportamiento de daño de los materiales. El montaje de prueba de barra de presión de Hopkinson dividida (SHPB) para la caracterización de propiedades materiales altamente dinámicas ofrece un método adecuado para generar altas tasas de deformación, similares a las de la zona de formación de virutas. Sin embargo, la medición de la deformación en SHPB se realiza generalmente mediante galgas extensométricas. Esto conduce a una evaluación poco confiable de la tasa de deformación y del esfuerzo de flujo/esfuerzo de corte en el caso de una deformación material inhomogénea, ya que este método presenta la deformación total excluyendo las deformaciones locales. Las deformaciones inhomogéneas se inducen deliberadamente en especímenes de corte especiales, como también se observan en los especímenes cilíndricos investigados. El presente trabajo aborda este problema proporcionando dos técnicas de medición adicionales, que se aplican en pruebas SHPB para especímenes cilíndricos hechos de AISI 1045 y Ti6Al4V. Para permitir una resolución de deformación local, se aplica correlación de imágenes digitales (DIC) a imágenes de alta velocidad del proceso de deformación. Con el fin de permitir la detección de bandas de corte en los especímenes, se presenta un enfoque basado en aprendizaje profundo. Se comparan y discuten los dos métodos de medición (galgas extensométricas y DIC). En particular, los hallazgos sobre la deformación inhomogénea de Ti6Al4V permiten futuras mejoras en la calidad de los resultados de las pruebas SHPB. El algoritmo presentado muestra predicciones prometedoras para la detección de bandas de corte y crea la base para una evaluación automatizada de los resultados de muestras de corte, así como una preselección basada en IA de fotogramas para la evaluación DIC de pruebas SHPB.