由于在管道内壁采样中，由几何条件的限制，采样图像在信息上会产生丢失，导致图像内存在畸变，丢失管道内壁缺陷的真实特征。因此需要对管道内壁成像进行建模，利用相机小孔成像原理和相似原理推导出管道采样图像和真实管壁点对点的一一映射关系，建立管道图像上的像素点对应管道内壁上真实点的转换模型。已经基于python对该项目进行了实现。

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。

编写的程序是基于tensorflow框架，主体分为四个部分：神经网络结构，损失函数，数据集读取，神经网络的训练和测试。其中神经网络结构的编写主要包括卷积、下采样(Maxpool)、上采样、归一化、激活、层连接等模块，分别对unet网络模块和unet++网络模块进行了构建，并设定原始图像输入大小和优化器。损失函数采用的是交叉熵损失(mse)和dice损失(dice coefficient)结合的损失函数。数据集读取包括对原图像进行裁剪并按7：2：1的比例划分为训练集、验证集及测试集(其中测试集在源数据下载的时候已经由官方单独存放)。神经网络的训练和测试模块主要包括设置网络训练的迭代次数、步长、步长下降因子等参数，测试模块主要包括对在测试集上测试网络模型的dice值，并对所有的测试集图像进行分割，最后保存网络模型的预测结果。 实验设计的程序改进包括以下四个方面：网络拓扑结构的改进，加入深层监督，增加数据增强模块，优化网络参数。