随着社会的发展,体力劳动成本不断上升,技术不断进步,实现室内装修机械化和自动化是未来的趋势。在室内装修领域,墙面的修补是重要的工作之一。对于自动化装修机器人来说,完成这个工作的前提需要完成墙面缺陷检测以及墙面缺陷的定位。本文通过深度学习和同时定位与建图（Simultaneous localization and mapping,SLAM）技术实现在低计算力条件下完成这两个任务。墙面缺陷检测任务中,需要实现对墙面缺陷的识别与缺陷分类。通过分类信息,辅助机器人完成墙面修复。通过深度学习领域中目标检测算法可以基本实现对墙面缺陷的检测。然而,基本算法模型需要高算力的计算设备。这不仅需要较高的成本,也需要较大的空间体积。这些因素都会限制装修机器人的实现。为了克服高算力的问题,本文利用网络模型轻量化的技术,压缩网络模型和加速模型推断,从而大大降低了网络模型所需要的算力。本文采用了在小型网络模块上优化的方案。在小型网路模块基础上,利用16比特和8比特量化模型,压缩模型与加速推断。使用二进制网络加速网络推断。使用紧凑型的网络设计来减少模型参数,从而压缩模型。通过以上的网络轻量优化设计,实现了在低算力的嵌入式设备上运行墙面缺陷检测模块。墙面缺陷定位任务中,需要构建室内三维地图,并且在地图中标注出墙面缺陷位置。通过端到端的视觉SLAM系统可以构建室内三维稀疏地图。但是这样的地图是由无语义的特征点构成,没有标注墙面缺陷。本文通过将墙面缺陷检测模块输出的缺陷检测框与分类信息输入到视觉SLAM前端,构建立了缺陷点与检测框内特征点集联系。通过特征点集估计缺陷点的三维坐标。利用匈牙利分配算法做帧间缺陷点的关联。最终将特征点集作为地图点注册到三维地图中。从而构建带墙面缺陷语义的三维地图,实现一个语义SLAM系统。通过这两项前提任务,装修机器人可以通过地图移动到墙面缺陷位置,并通过缺陷种类实施不同的墙面修复操作。