随着社会经济的发展以及科技的进步,在工业生产以及日常生活中都开始使用机器人代替人工来完成一些危险的工作。排爆机器人是机器人领域的一个重要研究分支,其可以代替人类在爆炸物区、深海以及宇宙等危险环境下作业,保证工作人员安全。然而,目前投入使用的排爆机器人主要依赖于机器人计算机视觉系统回传的视频影像,然后再由专业的排爆人员通过键盘或者遥控器远程操控排爆机器人完成对危险物的处置,其精度和效率在很大程度上会受到回传视频影像的质量、专业排爆人员对设备的熟练程度以及人工成本等因素的影响。因此,排爆机器人的智能化是解决上述局限性的关键,而让排爆机器人自动且快速的检测并识别危险物是实现排爆机器人智能化的基础。因此,研究一种适用于排爆机器人的危险物检测算法,对于排爆机器人的智能化发展具有重要意义。近年来,深度学习技术不断发展,将其应用于目标检测时展现出检测精度高且速度快的优异性能。因此,本文针对基于深度学习的排爆机器人危险物检测算法开展研究,主要工作内容如下:(1)当前并没有公开可使用的危险物数据集,基于此现状,本文分析了在排爆工作场景中常见的危险物类型及特点,构建了包含有手雷、地雷等八类危险品的危险物数据集;此外,为了方便对模型进行训练、验证和测试,对自建数据集进行标注和划分;另外,数据集所包含样本的多样性对于提高深度学习模型的泛化性能具有很重要的意义,因此,本文分别采用平移、镜像翻转、色彩变化以及遮挡等增强策略对数据集进行扩充;同时,为了构建最适合检测危险物的算法模型,充分分析了Faster R-CNN、SSD和YOLOV4三种目标检测算法的基本原理以及各自的优缺点,并结合排爆机器人的应用场景,最终选取YOLOV4作为本实验的基础检测网络。(2)针对目前危险物检测算法精度低的问题,本文改进了YOLOV4网络的模型结构,采用自适应空间特征融合策略(ASFF),提升模型提取特征的质量,进而提高算法的检测精度;同时使用K-Means聚类算法获取符合本实验的锚点(Anchor)尺寸,提升模型的检测精度;最后分析数据集的构成,由于本文所构建的数据集存在数据不平衡现象,因此本文构建了类别平衡损失函数,提升模型的精度和泛化性能;(3)针对危险物检测算法效率低的问题,本实验采用Mobile Net V3作为模型的主干特征提取网络,有效降低模型的参数数量和卷积计算量,提高模型检测效率。