传统的压力管道内表面缺陷检测装置对待检测管道的形状结构要求比较高,检测方法耗时费力。本文设计了一种球形视频内检测装置,并提出了基于深度卷积神经网络和区域卷积神经网络的方法来检测管道内表面缺陷,具体工作包括以下几个方面:(1)设计和制作视频球内检测装置,对压力管道内部进行拍摄。该装置包括摄像机、光源、供电的电池、球形外壳及支架,能720度拍摄到管道内表面的缺陷、焊缝等各种情况。该视频球凭借浮力在水中悬浮前进,因而对管道形状结构要求不高,只要水流大小合适,即可以在任何管道内进行拍摄。(2)研究确定了视频球在压力管道内行进速度的合适范围。在拍摄过程中要求视频球连续两帧图片之间尽可能不出现遗漏,同时要求连续两帧图片的重复部分不超过50%。本文在摄像机视角和帧率数据的基础上,依据速度公式,计算出视频球在管道内行进的最小和最大速度0.038m/s~0.042m/s,为后续水流速度设置提供指导。(3)采用基于深度学习的卷积神经网络改进模型对管道图片进行分类,找出有缺陷、焊缝的管道图片。一方面,建立管道图像数据库,对基于深度学习的卷积神经网络模型进行训练,并验证测试集。另一方面,采用HOG+SVM,LBP+SVM,SIFT+SVM等算法,对比检测效果,结果显示基于深度学习的卷积神经网络分类方法对管道图像分类的准确率最高,达到78.3%。(4)采用Fast-RCNN(快速区域卷积神经网络)和Faster-RCNN(更快速区域卷积神经网络)两种模型对管道缺陷进行标记,供管道检测人员进行缺陷等级判定。人工标注6000张管道缺陷图像进行训练,修改这两种模型的全连接层参数,使得这两种模型更适用于管道图像处理。实验结果表明,这两种模型标记准确率差别不大,都在70%左右,但后者检测速度比前者更快,更适用于实时检测。