涡流脉冲热像技术是一种新型的无损检测技术，已在金属材料和复合材料的检测领域得到了广泛应用。检出 /漏检则是评价被检测对象是否存在裂纹的重要标准，为解决目前检出 /漏检研究需要大量实验数据的问题，本文提出了一种基于 BP神经网络的检出 /漏检预测方法。首先，制作了 30组含有不同尺寸疲劳裂纹的金属试件，并完成了 15组不同检测条件下的裂纹检测实验。其次，分别绘制了 3组检出概率曲线，并完成了不同检测条件对检出概率的影响分析。最后，为实现检出 /漏检的可靠性预测，构建了基于 BP神经网络的检出 /漏检预测模型，并以 50组数据为样本进行测试，实现了不同检测条件下不同尺寸裂纹的检出 /漏检 0误差预测。

在涡流脉冲热像检测中, 检出概率是评价检测可靠性的最重要的指标之一。通常, 检出概率是指在特定检测条件下特定尺寸的缺陷被检出的概率。首先, 以含有不同尺寸疲劳裂纹的金属平板试件为研究对象, 通过正交试验方案设计, 完成了对不同检测条件下不同尺寸裂纹试件表面热响应信号的提取; 然后, 采用线性回归模型建立了裂纹区域的热响应信号与裂纹尺寸的定量化关系, 并采用极大似然估计法给出了裂纹检出概率模型中的具体参数; 最后, 基于Wald方法求得了检出概率的置信区间, 并绘制了检出概率曲线。研究成果可为涡流脉冲热像检测的可靠性评估提供量化依据。

涡流脉冲热像检测中的检测条件优化是最大化裂纹区域生热量以充分发挥检测系统性能的重要保证。针对检测条件选择人工依赖性强等问题, 以含有特定尺寸疲劳裂纹的金属平板试件为研究对象, 采用仿真和实验相结合的方法, 分析了检测条件对裂纹热响应的影响特点, 结果表明: 裂纹热响应随着激励时间、激励强度的增加而增强; 随着提离距离的增加呈现先增强后减弱的趋势。基于仿真与实验结果, 提出了一种用于估算特定检测条件下裂纹热响应的多元非线性回归模型, 确定了裂纹热响应与不同检测条件之间的定量化关系。最终引入粒子群优化算法进行了检测条件优化, 给出了热响应分布图和检出概率分布图。研究成果为涡流脉冲热像检测中的检测条件优化提供理论指导。