随着国家提出二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和的目标,风力发电作为清洁能源得到了广泛关注,风力发电机的累计装机量正在逐年增加。风力机叶片作为主要关键部件,由于其长期暴露在复杂的极端恶劣环境中,导致其故障频发,这将直接影响风力发电机的安全运行状态,并且在风力机的故障数据统计结果中,因叶片损伤造成的风力机停机故障占比极高,因此,对风力机叶片进行定期巡检和安全维护意义重大。常用的无损检测方法有超声波检测、声发射检测、射线检测和红外检测技术等方法。然而超声波检测和声发射检测对实验条件要求比较苛刻,并且检测面积小,不适于大面积的风力机叶片检测。射线检测因其设备昂贵且在叶片检测中存在一定的局限性。因此,在风力机叶片检测过程中,如何提高红外检测技术的检测能力十分必要。论文以风力机叶片为研究对象,针对红外热成像所采集到的叶片图像清晰度低、噪声干扰严重,造成缺陷故障难以识别的问题。本文搭建了红外热波检测系统,推导了热传导理论在不同物质的传热基理,采用数学形态学和深度学习理论研究方法并结合实验测试手段,开展了风力机叶片红外图像处理与叶片缺陷分类方法的研究工作。论文主要完成的工作内容:（1）基于热传导理论,建立了不同物质在加热过程中的导热数学模型,得出不同物质在持续加热过程中存在最大温差值的现象,揭示了在持续加热过程中红外图像由模糊-清晰-模糊变化的根本原因,随后模拟了风力机叶片的制造工艺流程,制备了含缺陷实验样件,并通过仿真和实验验证了导热数学模型的有效性。通过设置合适的温度阈值,完成试验样件中预制缺陷的初步判断。为开展风力机叶片的高空作业红外检测做好前期测试准备工作。（2）针对采集的红外图像有噪声干扰和边缘清晰度低的问题,研究了小波变换、均值滤波和中值滤波对灰度图像的降噪效果,再从边缘检测的角度出发,结合形态学梯度算子和一阶微分理论,提出了微分形态学梯度边缘检测算子（Differential basic morphological gradient,DBMG）,用于提取图像中的边缘特征信息,并采用以四相邻为原则的对比度值作为评价指标,比较了Sobel、Prewitt、Dilate-erode和DBMG四种算子的对比度值,结果表明DBMG算子明显优于其他算子。在此研究的基础上,应用图像融合技术将获取的边缘信息与原图像进行加权融合,并利用对比度受限的自适应直方图均衡化（Contrast limitation adaptive histogram equalization,CLAHE）进一步的提高图像的整体效果,实验结果表明该方法获得的图像边缘清晰度较高,实际工程应用效果较好。（3）为了提高红外图像的细节纹理特征,从多尺度和差异尺度的结构元素出发,提出了差异多尺度形态学顶帽变换增强算法,通过改变尺度值和差异尺度值来提高图像的稳定性,进而克服传统形态顶帽算子稳定性差的问题。为解决尺度值和差异尺度值的选择问题,引入了对比度改善系数作为尺度选择的指标,提出了自适应阈值迭代加权的区间选择方法,通过阈值迭代选择最优的尺度区间,最后使图像的细节得到了有效增强。为验证红外图像中缺陷尺寸与实际尺寸是否一致,对含有缺陷区域的叶片进行打磨,并测量打磨后的缺陷大小。测量结果表明,在忽略主观测量误差的情况下,采集的红外图像中缺陷尺寸与实际打磨后的缺陷尺寸之间的误差在6%以内,证明了红外热波检测系统在叶片定量测量深层缺陷尺寸时的准确性。（4）针对当前现有算法提取叶片缺陷的图像特征信息较少以及叶片缺陷的红外图像数据样本不足的问题,本文建立了小样本叶片缺陷数据库,提出了引入压缩-激励模块的多尺度卷积神经网络（Squeeze and Excitation of Multi-scale Convolutional Neural Networks,MSCNN-SE）分类算法,并采用多尺度卷积核并行的特征提取方式,使用通道注意力机制对融合后的结果进行优化,从而提取了更为丰富的信息特征。实验结果表明,在叶片缺陷分类检测中,本文所提方法具有更好的分类精度和鲁棒性。最后,为了能在苛刻条件下实现风力机叶片的检测任务,并完成叶片中缺陷位置的空间定位及尺寸测量。本文搭建了红外热波检测系统,并配置红外热像仪开发一套用于图像采集、处理及分类的检测软件,并将图像处理算法与训练好的分类模型嵌入在Gideon infrared软件中,形成了一套完整的风力机叶片红外热波检测系统。