随着城市化的深入,地下管道越来越密集,对地下管道进行定期检查维护可在很大程度上减少管道缺陷带来的社会经济损害。目前,CCTV(闭路电视)检测是主流的地下管道检测方法,通过地下管道机器人对管道进行实况拍摄,而后交由专业检查人员进行判定。大量的管道视频由人工进行检测存在易疲劳、主观性强、效率低下等缺点。为解决上述缺点,本课题利用计算机视觉方法构建了针对管道视频的一体化智能检测系统,对管道有无缺陷、缺陷类别及缺陷发生位置进行自动检测。本课题将管道缺陷检测划分为视频帧正异常检测、异常分类、伪异常帧过滤和缺陷信息识别等四个步骤。对比了基于方向梯度直方图特征的支持向量机模型、基于多类别Gabor滤波器特征的极端随机树模型以及卷积神经网络模型的性能,最终选用卷积神经网络作为检测模型。针对大型深层网络算法实时性差的问题,采用了深度分离卷积和分组Shuffle卷积替代传统卷积的方式,在保持准确率的同时大大提高了模型的检测效率;针对由于管道地形变化及人为偏摆控制等原因产生的过检率较高的问题,利用改进的双向光流法对摄像机的位姿变化进行监测,过滤位姿变化幅度过大的伪异常帧以降低过检率;针对实际检测中准确率不高的问题,采用了迁移学习和模型快照集成策略提高了实际场景的准确率。同时,为满足发现缺陷同时自动记录缺陷地段、距离等信息的功能需求,本课题设计了视频字符检测和识别算法。针对管道场景视频字符特点利用最大极值稳定区域算法和基于级联分类器的非字符区域筛除算法进行字符定位;利用颜色信息融合尺度信息的层次聚类算法进行字符分割;分别利用模板匹配和OCR软件进行数字和文字识别。本课题构建的针对管道视频的一体化智能检测系统,在准确性和实际场景适应能力上相对传统检测方式有了大幅的提高。同时,仅利用正异常检测进行视频缺陷段提取,再结合人工复检的检测方式可以在保证较高缺陷检出率的同时缩短专业人员约70%的检测时间。