工业设备中钢板损伤情况的定期检测对保证其安全运作至关重要。现有的钢板裂纹检测方法的检测结果大多依赖于人工评定,并且对于复杂表面下的裂纹检测效率比较低。本文研究了一种基于卷积神经网络的红外热成像钢板裂纹检测方法。具体研究内容如下:(1)研究了目前钢板裂纹检测的主要技术,对比了各技术之间的优缺点。其中,红外热成像无损检测方法以其检测面积大、检测效率高、可视化效果强的特点表现突出。(2)针对钢板表面异常发射率的情况,提出了水平热传导法对钢板表面热激励,进行了传热机理的研究,研制了一种滚动式电加热装置作为红外热激源,该方法从一定程度上抑制了异常表面发射率对检测结果的干扰。(3)进行了温度变化规律的研究。对比了不同种类裂纹与非裂纹区域在时间和空间上温度变化的差异,研究了裂纹两侧温度梯度与加热方向的关系,解释了不同裂纹缺陷在温度特征上存在的差异。(4)进行了红外热像图预处理算法的研究。提出了一种结合形态学滤波和高斯滤波的混合滤波算法,使用了直方图均衡化对图像进行对比度增强,优化了一种适用于本文红外热像图的Canny边缘检测算法。(5)采集了大量含有裂纹的红外热像图并制作数据集。针对原始Faster R-CNN网络在本文数据集上存在的问题,使用VGG-16网络进行迁移学习,将网络中多个层次的特征图进行融合,并对RPN网络的锚框选择方案进行了调整。本文从理论出发紧密联系实验结果,将红外热成像无损检测技术与计算机视觉算法相结合。最终,通过大量的实验验证了本文方法的有效性,在测试集上的裂纹检测准确率达到96.82%。本文为钢板裂纹检测探索了一种更为高效、智能的方法,同时为现场实际使用打下了良好的基础。