管道闭路电视(CCTV)检测系统是目前*常用的管道检测设备，但该系统在管道图像采集和缺陷判断的过程中需要大量的人工参与，尤其是在管道缺陷分类方面，受人为主观判断的影响很大，如果工作人员缺乏工作经验或者工作状态不佳，很可能导致缺陷判别结果出现较大的偏差。为减少管道缺陷识别过程中对工作人员的依赖，一些学者提出了智能检测和自动识别技术，但该技术的可靠性并没有形成一个统一的定论，而且在分类正确率方面也有待提高。
当前，基于机器学习的图像处理技术在医学、人脸识别、路桥缺陷检测等领域得到了广泛应用并取得了不错的成效，借鉴于上述经验，也可将基于机器学习的图像处理技术应用到排水管道的缺陷检测当中，从而在提高缺陷分类正确率的同时，大大降低人工成本。
济南市水务服务中心的研究人员提出了基于支持向量机学习的管道缺陷检测技术流程，并重点对纹理特征提取方法和缺陷分类进行了研究，以期为城市排水管道结构性缺陷检测提供新的思路和方法。
**，利用管道爬行机器人携带CCTV检测系统对济南市某段地下排水管道进行拍摄，得到原始数据。
然后，利用Video Reader函数读取视频原始数据，根据视频采集速率设置提取帧画面间隔值T(2秒为宜)，保存提取对应帧下的管道图像;接着，对抓取得到的管道图像进行粗分类(区分有无缺陷)，去除图像中的无关文字信息，再通过灰度变换、直方图均衡化处理、限制对比度自适应直方图均衡化处理、自适应中值滤波处理、边缘轮廓增强处理等措施，对有缺陷的图像进行预处理，从而获取缺陷子图集(包括裂纹、错口、腐蚀3类)。
接着，采用灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)法、改进的灰度共生矩阵复合特征向量提取(Block Gray Level Co-occurrence Matrix，B_GLCM)法、灰度-梯度共生矩阵(Gray Gradient Co-occurrence Matrix，GGCM)法、Gabor法以及局部二值模式(Local Binary Patterns，LBP)法5种不同图像纹理特征提取方法，对缺陷子图集进行图像特征提取。
*后，通过构建基于向量机学习的二分类支持向量机(BSVM)分类器对提取到的缺陷数据进行训练和分类，*终得到排水管道的缺陷检测结果。
