无损检测是在不损坏受检试件的条件下,测定和评估试件表面或内部的物理性能,包括检测试件表面和内部缺陷的综合性技术。光激励红外热成像检测技术由于具有快速、大面积检测等优点被广泛应用于复合材料的缺陷检测。光激励热成像系统采集的数据由于热扩散和噪声等问题,无法直接用于检测缺陷,需要后期的算法处理。目前主成分分析等算法已被广泛应用在热像数据处理上,但是现存算法在检测微弱缺陷和深层缺陷时存在局限,缺陷的检出率和分辨率需要提升。本文通过光激励红外热成像检测系统,提出了结构化稀疏矩阵分解算法,针对复合材料,将原始热像数据分解为三个模式成分以增强缺陷检测能力。本文的研究内容如下:1.通过分析含有缺陷样件的热像图,物理分析热像图主要由背景,缺陷和噪声三部分组成。其中背景占据热像图的主要部分,缺陷分布在局部区域,噪声则是由于光照不均,试样表面辐射率影响造成。将热像仪采集的热像数据构造为矩阵,根据温度特征,将原始矩阵分解为低秩矩阵,稀疏矩阵和噪声矩阵,其中低秩矩阵用以表示背景,稀疏矩阵用以表征缺陷。2.由于横向和纵向热扩散的影响,缺陷区域的热信号是不同热特征线性叠加的结果。根据上述物理特性,将矩阵分解模型中的稀疏矩阵分解为字典矩阵和权重矩阵相乘。其中字典矩阵用以表征热特征,权重矩阵存储的权值表示单个像素点中每个热特征所占的比例。本文提出的稀疏矩阵分解算法采用迭代交替方法进行求解。3.为了客观评估提出的缺陷检测算法对缺陷的提取效果,本文选择基于事件的F-Score,信噪比和算法运行时间作为评价指标,其中F-Score用于评价缺陷检出率,SNR用于评价检测后的图像质量,算法运行时间用于评价算法计算复杂度,并选择矩阵分解和热成像缺陷检测算法作为对比。本文通过对多个试件的实验对比分析可以得出,提出的稀疏矩阵分解算法对于微弱缺陷和形状不规则试件的缺陷检测能力优于其他算法,且处理后的图像缺陷区域和非缺陷区域的对比度更高,F-Score达到94%,信噪比达到21.91d B,相较于目前主流的缺陷检测算法F-Score提升7%,SNR提升12d B。在算法运行时间上,提出算法运行时间仅次于目前最高效的算法,这对精度要求更高的缺陷检测任务来说在可接受范围。