工业设备受运行环境、制造工艺和使用方式等因素的影响,其铁磁部件易产生表面或内部不同程度的损伤,影响设备运行情况及使用寿命,留下安全隐患,甚至造成工业事故。为此,对设备的铁磁部件及时地进行非接触、非侵入的检测变得十分重要。为了构建非接触、非侵入的缺陷检测模型,本文利用无损检测技术中的红外热成像技术,建立红外热图像缺陷检测试验平台,研究基于红外热图像缺陷检测技术与方法,实现对部件或设备缺陷的无损检测分析。论文聚焦于建立红外热图像检测试验平台,构建红外热图像缺陷检测模型等研究内容,围绕铁磁部件红外热图像中的热图像特征提取、边缘检测、分类模型优化等问题和难点展开研究,研究内容如下:(1)提出一种红外热图像的GGCM(Gray Gradien Co-occurrence Matrix)纹理特征提取与裂纹缺陷检测方法。提取红外热图像的特征是建立铁磁材料状态分类模型的关键,而铁磁材料受使用方法与锻造工艺的影响,其局部温度异常导致其红外热图像易出现局部颜色不均匀,图像特征提取困难,为此本文利用GGCM提取红外热图像的15个纹理特征,并构建红外热图像特征集,用于建立基于ELM(Extreme Learning Machine)的缺陷检测模型。实验表明,所提模型可有效表征出铁磁材料红外热图像的特征,并正确识别热图像中的缺陷。(2)基于ELM的红外热图像缺陷识别模型,受ELM参数的随机选择的影响,导致模型性能不稳定。针对上述问题,提出一种基于ELM结构优化的红外热图像裂纹缺陷检测方法。首先将铁磁材料红外热图像的特征集进行K-means算法聚类,并利用样本熵确定最优聚类数目,用于优化ELM的结构和参数,即将最优聚类数目、聚类中心和聚类半径,用于优化ELM的隐含层节点数和激活函数参数。实验结果证明,该方法可有效提高模型的识别性能。(3)对红外热图像中的目标进行分割与边缘检测,存在图像误分割和图像边缘特征易受干扰的问题,提出一种基于K-means的红外热图像分割与缺陷边缘分析方法。首先通过单尺度Retinex(single-scale Retinex,SSR)将红外热图像进行图像的增强;然后利用标准差确定K-means的最优聚类数目,并对增强后的红外热图像利用K-means进行图像分割;最后采用数学形态学中的腐蚀与膨胀去除已分割出的图像中无用信息,并利用Canny算子检测出红外热图像中的缺陷边缘。实验结果表明,所提方法可准确地分割红外热图像中的缺陷并检测出其边缘,具有较强的实用性与有效性。(4)建立涡流红外热图像无损检测系统。该平台通过涡流设备对铁磁部件或设备加热得到红外热图像,并通过网络将红外热图像上传到上位机进行分析。该系统由硬件采集与上位机分析软件两部分构成,硬件采集部分由GYMCU90640红外点阵测温模块作为数据的采集模块,STM32F103C8T6芯片为控制模块,ESP8266为信号传输模块;上位机分析软件部分对红外热图像进行去噪处理与特征提取和分类识别,最终实现对铁磁材料部件或设备的红外热图像远程实时检测。论文以红外热图像作为无损检测手段,解决了热图像误分割、缺陷检测模型的优化等问题,建立了红外热图像无损检测平台,实现了铁磁试件缺陷检测分析。