管道作为常用气体和液体的运输手段,在使用过程中因为年限较为久远、老化极容易发生堵塞、裂痕等各种缺陷,从而引发各种安全事故。因而需要大量的人工成本去进行管道检测和维护工作。但是管道缺陷检测受环境限制,传统的人工检测难度系数高,检测效率低。本文从计算机视觉的视角出发,探索管道缺陷自动检测与识别技术,提出构建深度神经网络的视频缺陷自动检测和识别的方法,从而减少人工成本。管道检测机器人一般会集成多种传感器,装载智能移动载体,或者携带作业装置以及无损检测的技术,利用自身小巧的设计,它可以进入人所不能及的复杂的非结构性管道环境中,通过摄像机采集管道内的图像,实时的进行图像处理、分析、缺陷识别、标记报警等。利用管道机器人进行管道检测和维护,可以准确的分析和判断管道内壁的腐蚀、障碍物、破裂、漂浮物等各种缺陷情况,并可利用管道机器人的定位系统精确地对管道缺陷进行定位。本文通过归纳总结现阶段的管道检测技术、深度网络技术、图像处理技术以及机器学习领域的研究,对本研究的理论合理性、有效操作性和实用性进行了分析,明确了基于RGBD的视频管道缺陷自动识别的重要意义。其次,本文分析了影响图片质量的噪声模型,如高斯噪声、椒盐噪声等,并重点分析了图像去噪的方法,如均值滤波、高斯滤波、中值滤波等,通过实验手段,明确了高斯滤波是高斯噪声的有效处理手段,中值滤波是椒盐噪声的有效处理手段。第三,本文通过构建神经网络,对比了卷积神经网络的主流模型,通过损失率的对比分析,得出Alex Net模型或对管道缺陷图片的分类效果较好。并且提出扩充样本集后,模型训练的准确率提高了近5%,模型的验证准确率提高了近7%。第四,本文分析了图像分割的两种方法,验证了自适应阈值分割对于图像处理有较好的优势。最后,本文提出了视频差分与行进速率自适应相结合的方法进行视频解析,对于缺陷识别的速率有辅助作用。本文提出的基于RGBD视频图像的管道缺陷自动检测与识别研究,利用图像智能处理技术不仅减少了人为主观因素,也提高了管道缺陷的检测效率。同时,智能检测也将是打造未来智慧城市不可或缺的重要组成部分。