随着城市建设的发展,城市绿化草坪的面积不断增加,草坪养护的工作量也日益增多,草坪养护过程中,修剪是一项量大且枯燥的工作。基于提升效率的需求,使得该工作亟需自动化程度高的智能割草机器人设备。图像语义分割是对图像场景中各类对象进行像素级的识别分割,是智能割草机器人研究中基础且关键的技术之一,可以准确地识别出环境中的障碍物,分辨出需要工作的区域。但是传统的图像语义分割算法存在体量大、运行速度慢的缺点,针对这些问题,文本结合基于卷积神经网络的图像算法,深入研究了草坪场景下的图像语义分割算法。本文针对目前图像语义分割算法的缺点,结合卷积神经网络在视觉任务上的优势,提出了基于轻量级神经网络的图像语义分割算法和基于双注意力模型改进的图像语义分割算法。本文的主要研究和成果总结如下:(1)草坪场景分割数据集的建立。针对目前公开草坪场景分割数据集缺少的问题,本文首先通过实地取景以及网络获取图片的方法,获取草坪场景图像。然后使用数据增强的方法对获取到的数据加强,扩充数据集的图片数量。最后结合目前主流的图像语义分割数据集,对数据集图像进行人工标注,建立了较为完整的用于草坪场景图像语义分割的数据集。(2)基于轻量级神经网络的图像语义分割算法研究。针对目前图像语义分割算法体量大、计算缓慢等问题,本文提出一种基于轻量级神经网络的草坪场景图像语义分割算法。使用深度可分离卷积代替标准卷积的方法,在保证一定分割精度的前提下大幅度降低网络的参数量,然后采用小尺寸卷积核的方式,再进一步地缩小网络的体量。经试验所得,本文算法可以在保持良好分割效果的前提下,使用较少的参数量实现对图像的实时分割。(3)基于注意力模型的图像语义分割算法研究。针对上述模型轻量化造成分割精度下降的问题,本文提出一种结合双注意力模型的图像语义分割算法。结合空间注意力模型与通道注意力模型,使用并行的结构,构建双注意力模型,此模型可以作为一个模块移植到其他算法模型中。经试验所得,本文算法可以在保持分割速度的同时可以提高模型的分割精度,同时也证明了本文算法的有效性、实时性与实用性。