1.基于红外热成像和深度学习的焊缝缺陷检测系统，其特征在于，所述检测系统包括控制端、温控模块、厚度检测模块、热信号处理模块、特征提取模块、智能检测模块、接收端，通过所述控制端控制所述温控模块的升/降温程度、所述厚度检测模块的厚度检测、所述热信号处理模块的热信号处理、所述特征提取模块的缺陷特征提取以及所述智能检测模块的缺陷智能检测；所述温控模块通过主动与被动激励相结合增强钢材试样表面温度；所述厚度检测模块通过厚度检测探头收集试样数据，并将其传输至接收端；所述热信号处理模块对红外热像仪采集的热信号序列进行感兴趣区域截取、平滑滤波降噪及去趋势项处理；所述特征提取模块从处理后的热信号数据中提取缺陷的特征信息；所述智能检测模块利用深度神经网络模型对提取的特征数据进行分析，实现焊缝内部缺陷的智能检测。
2.根据权利要求1所述的基于红外热成像和深度学习的焊缝缺陷检测系统，其特征在于，所述温控模块利用所述控制端设置最高温度，通过不同激励方式增强钢材试样表面温度，包括温度传感器，所述激励方式包括：热电偶激励、卤素灯激励和/或液氮激励。
3.根据权利要求1所述的基于红外热成像和深度学习的焊缝缺陷检测系统，其特征在于，所述热信号处理模块包括对热信号序列进行感兴趣区域截取、基于多项式回归的savitzky-golay平滑滤波降噪及基于最小二乘的去趋势项处理；
4.一种如权利要求1-3任一项所述的基于红外热成像和深度学习的焊缝缺陷检测系统的检测方法，其特征在于，包括以下步骤：
5.根据权利要求4所述的检测方法，其特征在于，所述步骤s3的具体步骤如下：
6.根据权利要求4所述的检测方法，其特征在于，所述步骤s4的具体步骤如下：
7.根据权利要求4所述的检测方法，其特征在于，所述步骤s5中红外热波雷达通过测量的热响应与相应的激励波形的时域互相关来完成，其算法如下所示：
8.根据权利要求4所述的检测方法，其特征在于，所述步骤s6中改进yolov10n模型的最优神经网络权重满足第一评价指标最小，最优超参数组合满足第二评价指标最小，具体步骤如下：
9.根据权利要求4所述的检测方法，其特征在于，所述步骤s7具体步骤如下：