为了在反射式持续热激励红外热像技术中对缺陷深度进行定量检测, 基于实际情况建立了持续热激励下被检物内的热传导模型, 并求解了被检物热激励面上的温差-时间关系。通过对求解出的温差-时间关系的分析, 发现实际检测时取热激励面温差-时间数据依照所求解出的关系进行非线性曲线拟合, 可测量缺陷的深度。为了检验方法的可行性, 利用风电叶片玻璃钢制作了平底洞试件, 并对平底洞试件进行了检测实验。实验表明, 本文方法对缺陷深度具有较高的测量精度。

针对现有的金属氧化物避雷器(Metal Oxide Arrester, MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题, 提出一种基于改进 YOLOv3的 MOA红外图像故障检测方法。首先, 以 Darknet19网络代替 YOLOv3原始的 Darknet53网络, 并在特征学习时针对样本中不同 MOA长宽比例, 通过 K-means聚类算法对 MOA图像中的目标帧进行分析, 重新聚类样本中心锚点框, 得到合适的锚框数目和大小。最后, 利用改进 YOLOv3模型完成 MOA红外图像故障检测。实验结果表明, 改进的 YOLOv3模型识别精度达到 96.3%, 识别速度为 6.75 ms。

复合绝缘子在不同缺陷类型下表现出不同的发热特征，基于复合绝缘子中心轴温度数据，提出了一种基于一维残差网络的复合绝缘子发热缺陷检测方法。首先，统计分析复合绝缘子不同缺陷类型下的异常温升范围及位置信息，得到各缺陷类型下的复合绝缘子中心轴温度数据样本集；然后，建立一维残差网络模型，在残差块中引入空洞卷积来扩大感受野，并加入有效通道注意力机制模块（efficient channel attention network, ECA_Net），提升与缺陷类别相关性较高的特征权重；最后，进行了算例验证及模型对比，同时采用 t分布随机紧邻嵌入（t-distributed stochastic neighbor embedding, t-SNE）可视化方法，反映模型特征提取的效果。结果表明：该模型能够有效捕捉中心轴线温度数据的空间维度信息，自适应提取类别区分度较大的特征，相较于普通卷积、自编码器（auto encoder, AE）和支持向量机（support vector machine, SVM），其识别准确率得到了提升，具有较好的鲁棒性和泛化能力，实现了端到端的复合绝缘子发热缺陷检测。

编织复合材料低速冲击损伤主要为内部的分层损伤，采用目视检测无法有效检测损伤，损伤使得结构承载能力严重降低，威胁编织复合材料构件的安全使用。本文使用超声红外热成像技术对编织复合材料低速冲击损伤进行无损检测研究，使用 10J、20J、30J、40J、50J的冲击能量制作了 5个试件。对超声激励过程的温升曲线、空间温度曲线进行了详细分析；对比不同冲击能量试件发现，低速冲击下损伤主要是内部损伤，冲击能量越大，损伤区域越大，且损伤具有延展性。采用曲线分类算法对损伤区域进行了定量识别，发现编织复合材料损伤面积和冲击能量成线性关系。

涡流脉冲热像（ Eddy current pulsed thermography，ECPT）技术是一种新型的无损检测方法，广泛应用于金属材料结构的检测，但该技术常依赖人工经验提取特征进行裂纹检测与识别，自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络（Recurrent Neural Network，RNN）的特性，提出一种基于双向长短期记忆网络（Bidirectional Long Short-Term Memory Network，Bi-LSTM）金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热，使用红外热像采集装置对金属平板试件进行实时的数据采集，获得图像序列并制作数据集。运用设计的 Bi-LSTM模型增强特征向量中的时序信息，对不同尺寸裂纹的热图像进行训练并测试。实验分析表明， Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别，针对现有裂纹检测准确率可达到 100%，优于传统神经网络和其他深度学习的模型，具有更高的识别精度。

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高，本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块，并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化，用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中，在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%，比原本的 YOLO v5s算法 88.3%提升了 4.5%，在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高，改进后的网络结构应用于 l、m、x三种模型中，其检测精度都有所提升，因此改进后的 YOLOv5算法适用于 4种模型。

焊缝表面气孔缺陷的存在减少了工件的有效截面积, 降低了工件抵抗外载荷的能力, 严重时会导致工件断裂, 为此提出一种基于涡流脉冲热成像技术的焊缝表面多缺陷检测方法。首先, 采用一种新型电磁传感器结构, 通过涡流脉冲热成像原理对不同直径和深度的碳钢缺陷进行检测, 并分析了图像序列中缺陷区域与非缺陷区域的温度信号; 为了提高该检测系统的灵敏度, 采用主成分分析方法对图像序列进行图像重构, 增强原始图像中缺陷特征。最后, 通过实验验证了该方法, 实验结果表明该方法能够减小焊缝边缘效应的影响, 实现对焊缝表面缺陷的大面积检测, 并为红外热像仪提供一个开放的视野。

基于Lamb波的损伤监测方法已在复合材料结构健康监测中得到了广泛的应用。然而, 复合材料结构的服役环境复杂多变, 超声导波信号极易被外界因素干扰。本文研究了玻璃纤维层合板在变温场下的超声导波特性及损伤成像修正方法。首先, 利用红外热成像仪研究持续加热下超声导波信号幅值和相位的变化规律, 并构建因变温引起的幅相误差矩阵。其次, 将误差矩阵代入多重信号分类(2D-MUSIC)算法中修正导向矢量, 并建立代价函数迭代出准确损伤位置。玻璃纤维复合材料层合板的模拟损伤实验表明该方法有效提高了 2D-MUSIC算法在变温场下的损伤定位分辨率和精度。

针对现有检测手段难以解决的外观正常、又有电气连接的电子产品虚焊类缺陷的问题，本文采用脉冲红外热像检测方法获取温度数据，引入趋势分析法建立了虚焊类缺陷热像数据拟合曲线特征参量与不同虚焊程度缺陷之间的对应关系，成功解决了过余温度信号中难以辨识背景噪声和焊点缺陷信号的问题，提高了热像信号的分辨率和信噪比。

电缆终端局部放电缺陷特征短暂，缺陷范围与外部环境纠缠，很难准确定位，需要结合温度特征和模式识别特征共同检测，本文利用超声红外热成像的优势，提出基于超声红外热像的电缆终端局部放电缺陷检测方法，方法利用图像梯度化、灰度化处理采集到的电缆终端局部放电缺陷特征超声红外热成像图，并通过智能模式识别处理方法抑制采集图像的复杂背景，删除包含在电缆终端局部放电缺陷特征红外图像中的大面积地物及地面；根据 K-means聚类算法，圈定疑似局部放电缺陷特征范围，构建局部放电缺陷范围模板，经匹配参考范围后，得出疑似局部放电缺陷范围的温度特性信息，诊断电缆终端是否存在局部放电缺陷。实验结果表明，该方法可有效获取电缆终端局部放电缺陷部位，检测不同类型的电缆终端局部放电缺陷的平均精准率高达 98%，平均漏检率为 1%。