脉冲涡流热成像检测技术在无损检测领域中作为一种新兴技术,具备无接触、高效率、单次检测范围大等优点,受到了国内外研究人员的广泛关注,并且提出了很多基于该检测技术的数据处理方法。从最开始的人工选择图像进行判断,到基于傅里叶变换的频域分析,再到被广泛应用的PCA、ICA等方法,虽然能够实现缺陷检测,但通过以上数学或统计模型的检测方法提取的缺陷信息由于缺乏物理意义而导致可靠性较弱。因此,建立一个可靠性更强的物理模型对完成缺陷的快速检测具有重要意义。本文通过缺陷特征分析、建立算法模型、实验验证的方式,系统地研究和分析了基于全物理模型的缺陷数据快速处理算法,并通过采用本文的方法和其他常见的数据处理方法对不同类型的试件进行缺陷检测的结果证明了本文提出的方法可以自动实现缺陷信息的准确提取。本文研究的主要内容从以下几个方面展开:(1)理论基础研究。首先研究了脉冲涡流热成像技术的检测原理,并结合脉冲涡流热成像实验平台阐述了其主要组成部分及其参数;然后分别从空间和时间角度详细地描述了热图像序列普遍存在的数据特征,为后面运用级联分类器选择特征用于缺陷识别奠定理论基础;最后主要研究了热发射率的定义和影响机理,并结合实验数据分析了试件表面不均匀的热发射率对缺陷检测结果带来的影响。(2)基于全物理模型的热图像处理算法研究。首先对级联分类器算法进行了理论研究,了解其在其他场景中的应用方法;然后结合缺陷数据的特征,分析了级联分类器算法框架,并阐述了特征选取的依据;最后重点研究了本文提出的方法,即基于全物理模型的红外热图像数据处理算法。(3)实验验证。分别对四种不同缺陷类型的人工缺陷试件进行脉冲涡流红外热成像实验,并根据本文提出的算法实现了缺陷区域的自动提取;其次通过不断调整阈值参数来分析其敏感性,结果证明时间相关性系数阈值的敏感性较强;最后利用均方误差、峰值信噪比和信息熵三个图像评价指标对本文的算法以及常用的检测算法的检测结果进行评价,证明了基于本文提出的方法得到的检测效果最佳。