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。

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。

涡流脉冲热像技术是一种将电磁生热和红外热成像相结合的新型无损检测技术。针对金属疲劳裂纹生热研究不深入的问题，本文以含有贯穿的疲劳裂纹金属平板试件为研究对象，搭建了涡流脉冲热像检测实验系统，并建立了涡流脉冲热像有限元模型，分析了涡流脉冲热像检测中裂纹生热的规律。研究结果表明：在红外热像中，同一时刻越靠近裂纹根部的位置，温升的最大值越大；在激励过程中，裂纹区域的温升逐渐升高，当激励结束时，裂纹区域的温升则具有逐渐下降趋势，并且呈现先迅速后缓慢的下降速度。进一步揭示了裂纹尺寸对裂纹区域温升的影响。

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。

在涡流脉冲热像技术中，高频涡流瞬时加热被测物体时，不同区域的热响应会发生混叠现象，这势必影响缺陷区域热响应信号的判别。本文以红外图像序列为观测信号，建立热响应信号的混叠模型；其次，利用不同区域的热响应彼此独立的特点，开展了基于主成分分析的盲源分离数据处理方法研究；最后，建立仿真模型研究了不同区域的热响应形态，采用了基于混叠向量和峰度系数定量分析主成分强化的区域。实验结果表明该方法能够实现不同生热区域的盲源分离，为缺陷的特征提取和识别提供了理论支撑。