钛合金是一种新兴的结构材料,因其优越的综合性能而被广泛应用于各行各业。在各类钛合金加工材中,板材的应用最为广泛,产量也最高,近年来占到总产量的50%以上。钛合金板材在轧制过程中难免会产生一些质量问题,例如厚度不均匀、同板差超差,以及表面质量不佳,出现裂纹、麻坑等缺陷。电涡流检测是一种基于电磁感应的无损检测技术,被广泛应用于金属材料的无损检测与评估中,相比其他无损检测技术,具备高效、低成本、无污染等优势。而使用电涡流检测技术对钛合金板材进行无损检测时,仍面临着检测信号易受噪声干扰、厚度测量反演繁琐,以及缺陷的分类识别、定量化评估精度不足等问题。本文在讨论了钛合金板材轧制过程中可能出现的质量问题后,结合国内外研究现状,开展了钛合金板材电涡流无损检测与定量化评估研究,主要的研究工作如下:(1)针对钛合金板材缺陷电涡流检测图像的降噪预处理问题,研究了一种主元分析(Principal Component Analysis,PCA)联合局部线性嵌入(Locally Linear Embedding,LLE)的降噪方法。利用PCA方法对电涡流检测图像进行初步的处理,去除较大噪声。然后,使用LLE算法在像素点的可变邻域内自动搜索最近邻数据,并采用近邻数据的局部最优线性组合替代像素,在进一步精细降噪的同时,可保持图像局部几何结构。实验表明,在输入信噪比为15d B～30d B的条件下,输出信噪比可达26.80～39.89d B,电涡流检测图像信噪比平均提高11.16d B,证实了该方法对钛合金板材缺陷电涡流检测图像降噪预处理的有效性。(2)针对传统电涡流测厚方法难以直接通过检测信号反演板材厚度的问题,提出了一种钛合金板材电涡流解析模型与改进的厚度测量方法。结合钛合金板材低电导率、非铁磁的电磁特性,在特定测量条件下建立了一种新的解析模型,用于描述电涡流探头差分电压实部与钛合金板材厚度的关系。最后基于改进的解析模型提出一种快速、准确的钛合金板材电涡流测厚方法。该方法可直接根据标定信号计算钛合金板材的测量厚度,不需要通过预先获得的实验记录进行对比,也不需要预先求解复杂的正演模型。实验结果表明,6mm厚度范围内冷轧薄钛板的厚度测量误差不超过±0.14mm,远小于现行钛工业标准规定的±0.35mm。(3)针对传统机器学习方法难以在不同工况下对质量各异、高维非线性的钛合金板缺陷电涡流检测图像信息进行准确、有效分类的问题,提出了一种栈式稀疏降噪自编码(Stacked Sparse Denoising Autoencoder,SSDAE)深度神经网络的钛合金板材缺陷电涡流检测图像分类方法。该方法将稀疏性限制引入降噪自编码器(Denoising Auto Encoder,DAE),并在此基础上将多个DAE进行栈式组合构建深度神经网络。训练后的网络模型在不同工况下均能有效地对钛合金板缺陷进行分类识别,有较好的鲁棒性。实验结果表明,在输入信噪比大于26d B时,该方法的分类准确率高于97%;当输入信噪比逐渐下降时,分类准确率也能保持较高水平,在环境复杂的钛合金板生产线上,具有抗干扰、性能稳定等优势。(4)针对钛合金板材缺陷定量化评估中,电涡流检测图像难以人工设计特征,使用常规的回归方法需要设计复杂目标函数等问题,研究了一种基于深度置信网络(Deep Belief Network,DBN)和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的钛合金板缺陷缺陷定量化评估方法。在正确缺陷分类的基础之上,利用DBN从钛合金板材缺陷的电涡流检测图像中提取有效特征,并采用LSSVM算法建立钛合金板缺陷参数的多目标回归模型,实现对钛合金板材缺陷的定量化评估。实验结果表明,缺陷评估的相对误差和重复性标准差分别小于4.1%和0.12mm,与其他常规方法相比,该方法具有更高的准确性和可重复性。(5)完成了钛合金板材电涡流无损检测系统的设计和开发。对系统需求进行了综合的分析,设计了检测系统的总体架构,并模块化实现了检测系统的软硬件功能。最后将前述研究的厚度测量模型、分类识别和定量化评估智能算法在系统中进行了集成。钛合金板材缺陷电涡流检测、分类识别和定量化评估应用实例证实了所开发系统的有效性和实用性。