1.一种基于卷积自编码器图像扩增的热成像缺陷检测方法，其特征在于，包括以下步骤：步骤1)获取碳纤维增强聚合物复合材料的热图像及热图像数据；

步骤2)热图像选择与处理；

步骤3)建立卷积自编码器图像增强模型，对热图像降噪，得到卷积自编码器重构热图像；

步骤4)热图像数据预处理；

步骤5)分别基于步骤1)的热图像和步骤3)的卷积自编码器重构热图像建立拉普拉斯特征映射热成像模型，提取热图像中的缺陷信息并可视化，实现缺陷的定性监测；

步骤6)采用分离度指标对建立的模型进行评估，验证图像增强策略在缺陷检测建模中的效果；

所述步骤6)具体步骤如下：

将Fisher准则引入热像分析领域，用于评价热像图中缺陷区域与完好区域的对比，分离度指标的定义如下：其中：非缺陷区域的像素记录在一个类别中，缺陷区域的像素记录在另一个类别中，Mdef、Sdef分别为热图缺陷区域像素的均值和方差；Min、Sin为完好区域像素的均值与方差，DOS值越大表示类间距离越大，类内距离越小，表明缺陷区域与完好区域的分离程度越高。

2.根据权利要求1所述的基于卷积自编码器图像扩增的热成像缺陷检测方法，其特征在于，所述步骤1)具体步骤如下：制作含缺陷的碳纤维增强聚合物模拟复合材料内部缺陷试样，建立主动热成像IRT系统，通过工作闪光激发热脉冲对试样进行加热，在热前沿接触实验试样表面并穿过试样后，采用红外热相机记录试样表面的温度响应，提取到具有表观温度变化的区域即为热图像数据nt帧。

3.根据权利要求2所述的基于自编码器图像增强的流形学习热成像缺陷检测方法，其特征在于，所述步骤2)具体步骤如下：步骤2.1)热图像选择：

选择采集的热图像序列的中间段图像建模和分析，热图像平均像素值曲线帮助选择ns张有效图像；

步骤2.2)感兴趣区域ROI提取：

去除原始图像无效边缘，选择热图像的子区域作为感兴趣区域；接下来，仅对尺寸为nx×ny热图像的感兴趣区域进行图像处理。

4.根据权利要求3所述的基于卷积自编码器图像扩增的热成像缺陷检测方法，其特征在于，所述步骤3)具体步骤如下：建立卷积自编码器CAE图像模型，卷积自编码器结构包括编码器和解码器两个部分，两部分结构引入了卷积神经网络的卷积和池化操作，以实现特征提取，这使得模型具有提取图像二维局部信息的能力，同时也能加快学习速率；假设原始热成像数据为X，经编码器压缩后的数据为h，解码后的数据是 则它们之间的关系如下：h＝f(wX+b1)

式中，w是编码器和解码器的权重；b1，b2是编码器和解码器的偏置项；f是非线性激活函数；

在自编码器中，参数w，b1和b2是随机初始化的，训练过程中需要不断更新参数，使得X和之间的重构误差R最小，R作为模型的损失函数，用X和 的平方误差表示：卷积自编码器的编码器部分由若干个卷积层和池化层构成，解码器部分则由若干个上采样层和卷积层构成，上采样层采用最近邻插值法调整图片的尺寸，解码器中卷积层的步长一般设置为1；

最终，训练好的CAE网络生成ns张重构的噪声低的热图像。

5.根据权利要求4所述的基于卷积自编码器图像扩增的热成像缺陷检测方法，其特征在于，所述步骤4)具体步骤如下：步骤4.1)数据展开：

CAE重构的热图像数据可理解为一个具有ns张nx×ny大小的三维数据集，即ns×nx×ny；

为了满足拉普拉斯特征映射算法对二维数据分析的要求，将3D热影像数据集展开成一个ns×(nx×ny)的二维矩阵，记为矩阵 在二维矩阵 中，每个热图像被展开成长度为nxny的行向量，而矩阵的列向量 i＝1,…,nxny；则表示热图像中每一像素点处的温度变化信号；

步骤4.2)矩阵 标准化处理：

对展开的矩阵 标准化处理，即矩阵 通过减去每列的平均值再除以每列的标准差；

标准化后的矩阵仍记为

6.根据权利要求5所述的基于卷积自编码器图像扩增的热成像缺陷检测方法，其特征在于，所述步骤5)具体步骤如下：步骤5.1)建立卷积增强特征映射CALE缺陷评估模型：将上一步骤得到的热图像矩阵 作为建模数据，建立拉普拉斯特征映射模型，通过构建邻接矩阵为W的图来重构数据流形的局部结构特征；将像素点处的温度信号作为样本，对于 中的任意两个样本点 和 采用k近邻法构造近邻图，并计算每条边的权值，W的计算方式如下：其中，t是核宽度，设 和 在低维空间中的坐标为 和 拉普拉斯特征映射算法的优化函数化及其简化结构为：其中，L＝D‑W是拉普拉斯矩阵，D是度矩阵， tr是矩阵的迹，用拉格朗日乘子法求解，最终转化为广义特征值问题：LY＝λDY

其中，λ为特征值，求解上式，取第2小至d+1小的特征值对应的特征向量，其中d表示降维后的维数，得到降维后的结果Y(Y∈d×nxny)；

步骤5.2)缺陷可视化：

卷积增强特征映射CALE模型的降维结构无法直观的提供缺陷形状、位置等信息；这里，将Y的每一行重构成大小为nx×ny的二维矩阵，实现缺陷目标的可视化。