1. 设计管道内表面缺陷检测系统的方案，并对管道内表面缺陷检测系统的流程进行设计和阐述。将系统分为三个模块并对三个模块的内部处理过程进行描述。
2. 构建柱面转换模型，设计柱面转换算法。采用张正友棋盘标定法补偿镜头畸变，结合柱面转换算法实现对管道图像的柱面展开和去畸变，并对实验结果进行分析。
3. 基于现有的Yolov5网络结构对NEU-DET金属表面缺陷数据集进行学习检测，实现对金属表面缺陷的高精度识别、分类和定位，并与其他主流的网络检测模型比较精度结构。
设计了管道内表面典型缺陷的检测系统，并研究了管道内表面典型缺陷图像的转换方法。实现对管道内表面图像的畸变校正和柱面展开以及平面金属缺陷的分类、识别和定位。第一，基于相机标定方法对实验所采用的相机进行标定，得到使用相机的内外参，初步对采样的管道图像进行畸变校正；第二，建立管道柱面展开模型，编写管道柱面展开算法，并对采样的管道图像进行柱面转换，提取柱面转换后图像的特征点并与柱面转换前的特征点的面积特征进行对比，验证柱面转换模型的有效性；第三，利用Yolov5神经网络对平面金属数据集NEU-DET进行训练，并对训练所采用的超参数不断优化。通过对两种优化方法的对比，选择最终的超参数对神经网络进行训练，提升神经网络的检测精度，最终实现对平面金属缺陷的检测。本研究中的所有试验结果表明，管道图像经过张正友棋盘法标定校正和柱面转换后，能够有效还原为平面展开图像。经过训练的Yolov5神经网络对NEU-DET金属表面数据集有着较高的精度，即验证了设计的管道内表面典型缺陷检测系统的有效性。