据统计，中国已建成全球规模最大的供暖管网。通常管道经过闲置可能出现老化、锈蚀，导致管口渗水。供暖面积的增加，对管道检修带来挑战。针对供热管道来说，依赖管道机器人的检测方法，只能工作于非供暖时段，在供暖季节无法运行。红外无损检测通过采集并将红外线辐射转换为二维图像的方式，不触碰和破坏被测物体，通过红外图像直观反映物体的温度分布情况。本文以红外无损检测技术为基础，结合成熟的无人机技术，使用数字图像处理和深度学习方法，提出EfficientNet-YoloV3完成管道缺陷在红外图像上的精确定位识别，并且提出使用全卷积神经网络标定管道红外图像温度。针对缺陷区域角度大，温度分析易干扰的问题，提出优化加速的高斯混合模型用于缺陷区域的像素级分割。本文初步解决了供热管网缺陷检测问题，节省了大量的人力成本，提高了检修效率。
　　本文的研究工作以及创新点如下：
　　（1）针对供热管道红外图像温度标定逐点存储温度，存储空间大、传输成本高问题，提出一种基于全卷积神经网络预测红外图像温度的方法。首先对红外图像温度段划分，生成温度标签。针对原始全卷积神经网络在红外温度估计精度不高的问题，对全卷积神经网络在骨干网络架构、激活函数、损失函数上进行修改调整，并使用对比实验验证网络调整的必要性。同时，使用多项式回归拟合红外图像热值与实际温度关系，并进行了比较实验。实验结果表明，基于全卷积神经网络的红外图像温度估计方法在红外图像温度标定误差小于±2℃的比例高达98.4%，并有效节省了红外图像60.5%的存储空间。
　　（2）针对供热管道缺陷检测效率低下、精度较差的问题，通过结合无人机技术、红外无损检测技术等，提出一种基于EfficientNet-YoloV3的缺陷检测和分类的方法。针对管道红外图像信噪比高、细节特征少的特点，提出采用Efficient-Net替换YoloV3原始的骨干网DarkNet-53，利用Efficient-Net多尺度网络自适应机制，实现多种尺寸红外图像的深度特征识别，并通过BiFPN特征金字塔融合多尺度特征，实现红外图像缺陷高精度检测。实验证明EfficientNet-YoloV3在测试集上mAP达到了88.53%，优于多种经典的目标检测网络，证明了本网络结构的优越性，提升了管道缺陷检测的精度。
　　（3）针对缺陷区域存在角度较大，导致背景区域干扰缺陷分析的问题，提出一种基于高斯混合模型的像素级红外图像缺陷分割方法，同时，采用红外图像整行建模技术提高了高斯混合模型的处理速度。首先分析了高斯混合模型在图像分割问题上速度慢的缺点，对原始的高斯混合模型在模型初始化、更新方式等问题进行优化，提高了原始高斯混合模型的图像分割速度；通过对高斯混合模型的处理结果进行滤波去噪，进一步提升了缺陷区域分割的精度。实验证明，本文方法处理速度优于原始的高斯混合模型，提升了管道缺陷分割速度。
　　本文提出的供热管道缺陷检测算法经过实验测试缺陷检测平均准确率高达88.53%，对于红外图像温度标定误差小于±2℃的比例高达98.4%，并有效节省了红外图像60.5%的存储空间，达到了行业需求，大大节约了人力成本。