随着现代城市的发展,城市规模不断扩大,居民越来越多,早期深埋于城市地下的排水管道已不堪重负,越来越引起人们的广泛关注。目前在工程应用领域,排水管道缺陷主要靠人工的肉眼识别,费时费力,主观误差大,因此开展排水管道缺陷智能识别研究具有重要的现实意义。管道缺陷具有类别多,差异不明显等特性,导致图像分类识别及分割出精准的缺陷区域变得十分困难,而目前缺陷的智能检测识别技术还处于起步阶段。为了帮助工程人员快速检测出排水管道缺陷,剖析缺陷的外观特征(缺陷的大小,严重程度等),结合工程实际需求(缺陷类别、缺陷具体位置、评估缺陷修复工程量等),提出一种基于深度学习的地下排水管道缺陷的智能检测技术,通过改进的AlexNet网络实现了排水管道脱落、龟裂、裂缝、沉淀、浮渣、结垢腐蚀、树根、错口脱节、障碍物、支管暗接等十种缺陷类型的自动分类,运用SegNet网络完成了缺陷具体位置的精确分割标注,主要得出了如下结论:1、通过分析我国排水管道的现状,根据缺陷发生概率、危害影响及缺陷特征分析得到排水管道的十种典型缺陷(脱落、龟裂、裂缝、沉淀、浮渣、结垢腐蚀、树根、错口脱节、障碍物、支管暗接),并对各个缺陷的图像特征进行深入剖析。2、在各类缺陷图像特征分析的基础上,引入深度学习图像处理技术,对缺陷图像进行分类采集、预处理、制作分类标签,生成了优质的数据集,构建了基于AlexNet网络的缺陷分类模型,实现了排水管道缺陷的智能识别分类。并对影响深度学习网络准确性的因素(学习率、迭代次数及噪声等参数)进行深入研究,得到最优的参数组合,最后将生成的数据集输入到最优参数组合的AlexNet网络中进行训练,得到稳定的排水管道缺陷识别网络模型。通过对训练好的模型进行分类测试,分类准确度达到92%。在排水管道缺陷图像识别分类问题中,基于深度学习的方法可以有效的提取图像的特征,用于管道缺陷的识别分类,识别的准确率可以应用于工程实际。3、在各类缺陷智能识别分类的基础上,为进一步明确缺陷的具体位置、严重程度、预估缺陷处理工程量及成本,运用phofoshop软件对缺陷图片的各个缺陷位置进行标注建立了数据集,构建了基于SegNet网络的缺陷区域自动标注模型,实现了排水管道缺陷区域自动标注。将训练好的模型进行排水管道缺陷区域标注测试,准确率为79.6%。实验效果表明,深度卷积神经网络可以较准确的区别标注出不同缺陷的具体位置,准确率也可以满足一般的工程需求。4、在成功构建排水管道缺陷识别分类网络和智能标注网络的基础上,结合某勘测设计研究院具体的排水管网内窥检测及管网评估项目,对所建网络进行实际应用,排水管道缺陷达到了91%的分类识别准确率,80%的区域分割标注准确率,从结果中可以得出将深度学习技术应用于工程项目中是可行的。