传统外部裂纹的检测方法主要包括人眼识别、涡流、射线、电磁、渗透、微波等检测方法,这些方法主要是利用物质的物理性质进行裂纹检测,大部分方法虽发展成熟,但同时也存在明显的不足,如人工检测耗时费力,涡流检测极易受到干扰等。基于深度学习的裂纹检测方法是现在主流的裂纹检测方法,并且已经极大地提升了裂纹检测的效率,但考虑到裂纹主要位于图像的高频部分,所以和对源图像进行处理相比,直接将高频特征信息作为深度学习模型的输入并分析,可以减少信息的冗余以及加快模型的收敛。而小波分解是提取高频信息的有效手段,二维小波根据其构造方式可分为张量积小波和不可分小波。张量积小波主要强调图像中的水平方向、垂直方向和对角线方向的高频信息。当它被应用于提取裂纹信息和边缘信息时,不能很好地提取除上述三个方向以外的裂纹信息,而不可分小波的出现很好地解决了上述问题。不可分小波是真正的二维小波,当它应用于裂纹信息检测时,可以检测到除水平、垂直、对角线以外方向的裂纹信息。不可分加性小波虽然能较好地提取裂纹图像高频信息,但其高频信息不能直接用于裂纹分类,而卷积神经网络能够自适应的提取裂纹信息并进行自动分类。因此本文把不可分加性小波与卷积神经网络有机结合起来进行裂纹检测,这样可以简化卷积神经网络的训练过程,提高裂纹检测的准确率,克服张量积小波提取图像高频信息在方向上的局限性,实现裂纹检测的自动化。本文提出了结合不可分加性小波和卷积神经网络的裂纹检测方法,根据二维不可分小波理论及其滤波器组的构造方法,构造了二通道、三通道、四通道不可分小波滤波器组,并将不可分加性小波与卷积神经网络结合应用于裂纹检测。首先利用不可分小波提取出图像的低频子图,然后利用加性小波的分解原理得到其对应的高频子图;再对Dense Net121进行迁移学习构造出本文所使用的卷积神经网络模型;最后将高频子图放入本文构造的裂纹检测网络模型中进行训练和验证。本文除了构造裂纹检测网络模型以外,还在网络模型不改变的基础上做了消融实验,分别构造了Dense Net121、张量积小波结合Dense Net121的两个裂纹检测网络模型。同时与四个最近的基于卷积神经网络的裂纹检测方法进行了对比,实验结果表明,本文提出的三种裂纹检测方法均可得到较好的检测效果,检测准确率均优于对比实验和消融实验的检测方法。在本文所使用的两个数据集中,准确率均为本文所使用的九个裂纹检测网络模型中的前三名,检测准确率均超过99.50%,检测准确率最高可达99.73%,可以较为准确的判断该图像中是否有裂纹。为验证本文所提出的裂纹检测方法检测实例图像的能力,我们在拍摄的图像数据集上进行测试,其检测的准确率分别为90%、92%、92%,证明该方法有一定的实用价值。本文的创新点和主要贡献如下:1.提出了将二、三、四通道不可分加性小波和卷积神经网络相结合的裂纹检测方法。该方法适用于裂纹检测领域,它充分利用了不可分小波提取图像高频信息的优越性和卷积神经网络自动提取特征的特点。2.采用了目前裂纹检测研究所普遍使用的两个数据集,并拍摄实例裂纹图像作为测试数据集;与四个近年的裂纹检测方法进行对比实验,并进行了消融实验,实验结果表明,在九个裂纹检测网络模型中本文的三个模型的准确率位于前三名,验证了本文提出的基于不可分加性小波结合卷积神经网络的裂纹检测模型的优越性。3.构造了适合于裂纹检测的二维二通道、三通道、四通道不可分加性小波滤波器。