带涂层钢结构亚表面缺陷的存在例如腐蚀、钢基体裂纹及涂层脱粘等，会对整体结构的性能产生影响，并加速涂层系统退化过程。因此，提出一种基于 YOLO v5的带涂层钢结构亚表面缺陷脉冲涡流热成像智能检测方法。这一方法可以在不移除涂层的情况下自动检测带涂层钢结构亚表面缺陷，具有重要的工程应用价值。通过所提方法，在保留涂层的情况下，对带涂层钢结构中的腐蚀、裂纹、脱粘等亚表面缺陷进行智能检测。检测结果表明，本文所提方法能够精确地识别和分类带涂层钢结构的 4种亚表面缺陷类型：钢基体裂纹、脱粘、严重质量损失（如腐蚀凹坑、腐蚀磨损）以及轻微质量损失（如腐蚀薄层）。4种缺陷类型的检测精度分别高达 96%、97%、95%和 93%，同时满足实时性检测需求。

提出一种迁移学习与深度学习相结合的钢板裂纹缺陷检测方法。首先，通过非负矩阵分解（NMF）建立红外缺陷数据集的目标域特征空间，以余弦相似度为衡量指标选取可见光缺陷数据集的源域样本，对深度学习模型进行预训练，并将模型权重参数迁移至目标域，实现相似领域的知识迁移；然后，在YOLO v5算法基础上引入自适应空间特征融合（ASFF）模块，提高缺陷检测精度。实验结果表明：所提方法对钢板脉冲涡流热成像裂纹缺陷的检测精度达到98.6%，可实现不同长度裂纹的准确识别与定位。

采用涡流热成像技术, 对铁磁材料近表面微裂纹进行了检测研究。提出了平行激励热传导方式检测近表面微裂纹的检测方法; 数值计算模拟了涡流激励下裂纹处的生热过程, 分析了裂纹处的温度分布及其对检测结果的影响; 采用平行激励方式对含近表面微裂纹的铁磁材料进行了检测实验, 通过提取试件表面温度分布数据, 获取其变化速率曲线, 实现了对裂纹的检测和识别。结果表明: 涡流热成像平行激励方式能够准确地检测到铁磁材料近表面的微裂纹缺陷; 选择适当的涡流激励时间有助于提高裂纹处与非裂纹处温度对比, 增强检测效果。该方法的研究为近表面微裂纹的检测和定量识别奠定了基础。

在脉冲涡流热成像检测中，有效抑制红外热图的噪声是最终提取特征量识别缺陷的关键环节之一。将提升小波阈值去噪的思想运用到二维经验模态分解（BEMD）中，提出了一种基于BEMD的提升小波阈值去噪方法。针对传统软、硬阈值法的局限性，引入包括带有可变因子的隶属函数的模糊阈值处理方法。将该方法运用于脉冲涡流热成像信号的实际消噪处理，实验结果表明，该方法与小波阈值去噪相比，去噪效果更明显，图像的细节特征更清晰。