冯辅周，姬龙鑫，朱俊臻，万 安

(1.南昌航空大学无损检测技术教育部重点实验室， 南昌 330063;2.陆军装甲兵学院车辆工程系， 北京 100072; 3.中国人民解放军32272部队31分队， 甘肃 武威 733009)

1 引言

装备关键结构长期运行中，易产生疲劳裂纹、冲击损伤等缺陷，影响装备使用性能。因此，定期对关键结构进行检测，对于掌握装备健康状态意义重大。红外热像检测具有快速、直观、效率高的优势，已经在工业中得到应用[1]。

国内外对红外检测图像的分类识别方法进行了大量研究，主要包括两大类，即：传统的图像处理后人工观察识别和基于浅层学习的机器学习方法。传统的图像处理方法利用图像的局部异常来检测和分割缺陷，可以进一步分为结构方法、阈值方法、频谱方法[2]。结构方法包括边缘[3]、骨架[4]、形态学操作[5]等；阈值方法包括迭代最优阈值[6]、OTSU阈值[5]、分水岭方法[7]等；频谱方法包括傅里叶变换、小波变换、Gabor变换等[8]。基于机器学习的方法通常包括特征提取和图像分类两个阶段，通过分析红外检测图像的特征，设计描述缺陷信息的特征向量，然后将特征向量放入预先训练的分类器模型中，以确定输入图像是否有缺陷[9]。传统的图像处理方法劳动强度大、准确率低，人工依赖性强；而基于机器学习的分类方法需要人工提取特征，难以全面反映缺陷类别，缺乏适应性和鲁棒性[10]。

近年来，随着人工智能的发展，深度学习方法在缺陷检测领域得到初步应用，只需要将预处理后的数据输入到深度学习模型中，特征提取过程由模型自动完成，具有更好的识别效果[11]。……