电力是社会运行的重要基石,发电厂的稳定运行是电力供应的保障。发电厂日常运营需要人工定班次的巡检,该巡检方式存在着劳动强度大、质量不稳定、工作环境恶劣等问题,引入巡检机器人可以减轻巡检的人力投入、提高巡检的质量和效率。发电厂有着众多的设备和管道,这些设备需要通过视觉对其外观变化观察,做出是否出现故障的判断。但是传统的人工巡检缺乏对巡检图像数据的自动化处理,无法对需要历史存档对比的故障进行有效检测。使用基于深度学习的卷积神经网络算法可以对庞大的图片数据进行快速、准确的分类,提高巡检质量。为了巡检更加高效,本文研究了巡检机器人基于单目摄像头的自主定位导航和基于深度学习的视觉感知,其中感知部分包括目标检测和分类。机器人操作系统和目标感知均为同一系统环境,算法可以移植性良好。本文的研究内容及成果如下:(1)总结分析了目前巡检机器人导航定位的方法和不足,提出使用单目摄像头基于视觉的V-SLAM方法对巡检机器人进行位姿估计和导航定位。使用ORB-SLAM算法通过单目摄像头提取ORB特征点,构建稀疏三维特征地图,在实验室环境下完成定位、构图、路径规划、导航。(2)针对移动机器人计算性能不足、目标检测算法实时性不足、检测目标在发电厂环境没有针对性问题,使用K-means聚类算法对发电厂数据进行聚类,确定目标检测算法的先验框数量和尺寸。提出改进YOLO目标检测算法,相较原算法准确率提升的同时,检测速度提升22%,训练时间减少26%,证明了算法的有效性。(3)由于目标检测算法的特征不变形和鲁棒性,会把位于不同位置、行使不同功能的相似设备检测为同一目标。为了对此加以区分,首先设定每个目标的标准方向,根据目标检测阈值筛选相似角度的数据,选取监督学习的argmax分类方法,通过ResNet50网络提取背景区域特征、Softmax回归对目标进行分类。使用数据标准归一化处理、学习率预热、提前停止的训练调优策略提升训练速度和模型的准确率,在验证集上准确率有约5个百分点的提升。