全文总字数：2311字

1. 研究目的与意义及国内外研究现状

传统的工业生产制造，主要采用人工检测的方法去检测产品表面的缺陷，这种方法由于人工的限制和技术的落后，不仅检测产品的速度慢、效率低下，而且在检测的过程中容易受外界环境因素和主观判断等影响而出错，从而导致了检测结果的不精确。

随着机器视觉，工业自动化的快速发展，工业4.0的概念被提上日程。 机器已经开始逐渐代替大部分人工检测的工作。表面缺陷自动光学检测技术的出现，大大提高了生产作业的效率，避免了因外界环境因素和主观判断等影响检测结果的准确性，使表面缺陷检测能更好更精确的运行，也更加快速的识别工业产品表面的瑕疵缺陷。但其自身也存在一些局限性，如对光环境依赖度较高，只能检测产品表面的缺陷，运动效应带来的成像问题等。

随着电磁理论的不断完善与实验水平的不断提升，电涡流脉冲热成像技术也得到了快速的发展。由于涡流检测自身的特点，该技术在各工业部门得到了广泛的应用。但人们也逐渐认识到了涡流检测技术自身存在的不足之处，如检测速度慢、对提离效应敏感、不同模型的缺陷需要不同类型的电磁激励探头等问题。针对这些问题，人们也在努力完善涡流检测技术

2. 研究的基本内容

自动光学检测与电涡流脉冲热成像检测的优化，对于硬件而言，在于寻找合适的激励源和传感器。自动光学检测可通过改变光源的条件来优化，如改变它的类型，变换照射角度，调节不同功率等。还需要根据检测需求选择不同型号的摄像机与光学镜头。而电涡流脉冲热成像检测可通过改变激励线圈的一些条件，如改变它的外形，变换线圈的角度，条件激励电流的参数等。

对于软件而言，在后期处理过程中，都需要通过数据处理进一步弱化非主要因素造成的影响并对特征进行提取,其中常用的算法包括非负矩阵分解(nmf)、独立成分分析(ica)和主成分分析(pca)。而随着深度学习的发展，人们也开始着手研究深度学习在缺陷检测上的应用，但因缺陷样本自身存在小目标、数据量小等特性，如何提高识别率也成为研究的重难点。

3. 实施方案、进度安排及预期效果

本课题针对自动光学检测技术和电涡流脉冲热成像技术的不足之处，通过理论分析和系统搭建，探讨两个技术的表面缺陷检测机理。采用控制变量法，主要讨论光源类型、打光方式、镜头种类等因素对自动光学检测的图像影响，线圈尺寸、提离距离、激励电流大小等参数对电涡流脉冲热成像检测的热效应的影响。最后，使用机器学习对数据进行融合，实现自动光学和电涡流脉冲热成像的融合检测，并对其进行实验效果分析。

4. 参考文献

[1]刘向锋. 钢管焊缝成像及缺陷检测系统的设计与实现[d]. 西安:西安理工大学. 2018[2]刘寒笑. 基于机器视觉的磁性材料外观自动光学检测成像技术研究[d]. 成都:电子科技大学. 2017[3]白洁, 彭建平, 张康, 冯舲帆, 高晓蓉. 基于涡流脉冲热成像方法的稳态闭合疲劳裂纹检测[j]. 无损检测, 2018(12): 12-17[4]刘录叶, 邓淑文, 杨随先. 残余应力涡流热成像无损检测技术及应用[j]. 无损检测, 2018(10): 5-10[5]赵立明. 基于激光扫描成像与异源ccd融合的连铸热坯表面缺陷检测方法研究[d].重庆:重庆大学. 2014[6]肖湘. 基于空间—时序—状态融合的涡流热成像缺陷检测方法[d]. 成都:电子科技大学.2018[7]陈英红. 杜明坤.基于mask-rcnn与结构激光的纵焊缝5个参数检测方法[j]. 自动化与信息工程, 2018: 18-23