随着海底资源的不断发掘,海底管道在油、气运输中扮演着越来越重要的角色,海底管道的铺设和日常维护不可避免的需要首先对其进行定位,浅海中的管道检测主要依靠潜水员深入水下进行工作,难度大且危险系数高,深海中主要依赖配备水下机器人视觉系统和侧扫声呐系统。光学成像系统视距短,在对管道局部近距离观测时,为提高作业效率,须先进行远距离定位。侧扫声呐系统利用声波返回信息形成图像,分别率高,能对管道实现远距离观测,因此本文以侧扫声呐图像中的管道为研究对象,主要完成海底管道的在线自动识别任务。传统管道识别方法需要手动提取管道特征,当管道被泥沙掩埋时无法识别,目前也不存在针对弯曲管道的识别,因此本文针对上述方法的不足提出基于Dense Net与位置拟合相结合的管道识别方法,多组对比实验结果表明,本文提出的方法是目前管道识别领域识别精度最高、抗干扰性最强的方法。主要研究工作如下:首先,神经网络数据集扩充方法研究。神经网络识别效果的好坏很大程度上取决于数据集能提供的学习信息量的大小,其中还要制造有一定差异真实有效的“副本”。然而侧扫声呐图像获取困难且成本高,因此提出使用基于神经风格迁移的数据扩充方法,该方法可将光学管道图像迁移为侧扫声呐风格的图像。除了上述扩充方法,本文还使用仿射变换、弹性畸变等传统数据扩充方法为识别网络提供更多的训练样本。其次,基于神经网络的管道识别方法研究。针对现有BP神经网络手动提取特征不全面这一问题,本文提出将图像像素直接输入BP神经网络自动提取特征,提高网络的分类准确率。并沿用这一思路继续使用公共数据集上表现更好的Dense Net对数据进行分类,进一步提高对局部管道的识别精度。再次,管道位置拟合方法研究。在神经网络管道识别后,针对管道样本中心点做进一步的拟合,以确定管道最终位置。由于分类结果存在一定误差,传统直线拟合方法会因野点的存在拟合精度大大降低,因此本文使用改进的鱼群算法和RANSAC算法对直线进行拟合,另外对弯曲管道使用快速傅里叶曲线逼近方法进行拟合,提高检测鲁棒性。最后,管道识别方法对比研究。本文用基于Hough变换的管道识别方法和基于全卷积神经网络的管道识别方法分别与本文提出的方法进行实验对比分析,实验结果显示本文方法抗干扰性最强、识别精度最高。