海底管道在海上油气资源开采中扮演着重要角色,既保障了油气资源的安全运输,又极大地节约运输成本。但是因受到海洋各种恶劣条件或者人类活动的影响,管道可能会出现各种各样的缺陷,例如变形、裂痕及泄露等等。管道泄漏,不仅会给企业造成巨大的经济损失,还会严重污染海洋环境。目前已有的传统检测方法两大类:一类是采用对电、磁、声或压力波等信号的检测来判断管道是否发生泄漏,易受到工况影响,另外对于根据信号检测到的疑似泄漏报警信号也需要专业人员通过查看ROV获取的监控录像再次确认;第二种是对海底管道光学图像进行检测,通过滤波、Hough变换获取管道特征进行检测识别。就视觉效果来讲光学图像的处理方法要好一些,但是目前的光学图像检测方法能够检测出管道,但是对于泄露的检测效果不理想。由于深度学习方法能够自动学习样本特征,检测效果精确且高效,在目标分割与检测领域具有较大的优势,因此本文针对海底管道光学图像,提出了基于深度学习的确定管道泄露方式的目标分割方法与基于深度学习的泄露点目标检测方法,并研究了基于双目视觉的泄漏点定位方法。具体研究内容如下:首先,基于深度学习的确定管道泄露方式的目标分割方法研究。管道泄露方式不同所采用的管道修复方式也会有所不同,通过对目标分割得到的泄露区域可以进一步判断出管道泄漏方式,又由于管道和泄露区域很容易与海底背景进行区分,因此本文选用网络结构简单且效果良好的语义分割网络FCN和Unet进行分割实验对比,结果表明Unet分割精度优于FCN,所以本文选用Unet分割管道和泄露区域,由此可以根据泄露区域形状进一步判断出管道泄露产生的原因,为水下机器人进行检修提供详细信息。其次,基于深度学习的泄露点检测方法研究。仅仅知道管道类型及泄露原因,但无法确定泄露点位置,也无法对泄露管道进行准确维修,因此为了确定泄露点位置,在满足检测模型的实时性和检测效果条件下,本文对YOLOV3网络进行研究与改进。首先,考虑到海底管道图像中管道覆盖范围较大、因视角产生的粗细不均的特点,对YOLOV3的检测输出网络进行了改进,采用了多个小检测包围盒的并集包围盒来表示检测到的管道区域,并在网络输出部分使用面积控制项约束小检测包围盒的大小,使得到的并集包围盒与管道形状更加吻合。其次,根据管道区域包含泄露点的逻辑关系判定泄露点的位置。实验表明改进后的YOLOV3网络在海底管道检测和泄漏点检测效果上有较大提升。再次,基于双目视觉的泄漏点定位方法研究。确定了管道泄露方式并检测出泄露点的位置,除此之外,维修机器人还需要知道泄露点的空间坐标才能够对泄露管道进行准确修复,所以本章在上述泄露点检测的基础上,利用双目立体视觉得到泄漏点的空间位置。针对海底管道图像模糊、特征点较少、不利于双目立体匹配的问题,本文对特征点提取算法SIFT进行了改进。实验结果表明改进后的算法与SIFT算法相比,对水下图像可提取到更多有效的特征点。使用改进后的SIFT与SGM融合,进行立体匹配,得到的视差图所测得的距离更为准确。最后,本文通过构建海底管道泄露检测模拟实验系统,验证了本文所给出的基于深度学习的海底管道及泄漏点的检测和定位方法的可行性。