在石化储罐维护领域,机器人壁面维护正以高效率、高安全性和低成本等优势逐步取代低效率、高危险性、高成本的人工壁面维护,但是储罐表面的诸多附件对机器人壁面维护的灵活性和安全性造成较大影响。在机器人维护作业过程中,机器人如果能够实现对复杂壁面场景的理解,就可以自主地针对具体目标采取不同作业方式,进而灵活地完成多种维护任务。传统的场景理解技术无法对复杂场景内的物体进行有效的语义识别,而人工智能技术的出现为机器人实现场景理解提出了新的方法。因此,本文以二维图像的场景理解方法为出发点,利用基于深度学习的语义分割技术对壁面维护机器人视场中出现的壁面场景进行语义分割,为壁面维护机器人的智能决策和自主作业提供基础依据。本文的主要研究内容和取得的创新性成果总结如下:1、制作了石化储罐壁面场景数据集。首先确定了消防管、喷淋管、壁面、旋梯、排污管、电线路管等六类对象,并通过标注软件完成标注,然后运用数据增强技术对图片数据进行翻转、缩放、裁剪、添加噪声、调节明暗度等处理,进一步提升图片数据的多样性,为网络模型的训练及测试验证提供了更多有效数据,最终将其成功应用于本文的网络模型训练之中。2、改进SegNet网络模型,根据石化储罐立面场景情况以及机器人壁面作业特点,设计了石化储罐壁面场景语义分割网络模型Wall-SegNet。Wall-SegNet在编码器部分使用了残差连接和密集连接两种方式来加强特征传递,提升分类识别精度。同时,Wall-SegNet使用1×1卷积、非对称卷积以及轻量化的解码器来降低网络参数量,提升网络实时性,通过编码器、解码器的特征图进行融合的方式来提升分割效果。Wall-SegNet网络模型的整体准确率和均交并比分别达到了90.2%和77.4%。3、以ResNet网络为基础网络,同样根据石化储罐立面场景情况以及机器人壁面作业特点,设计了石化储罐壁面场景语义分割网络模型Wall-ResNet。WallResNet使用残差模块和ASPP模块提高分类识别精度,并在卷积层中使用了更少的卷积核来实来降低网络参数量,提升网络实时性。同时,Wall-ResNet使用转换模块进行空间细节信息传递来提升分割效果。Wall-ResNet络模型的整体准确率和均交并比分别达到了92.2%和81.3%。4、通过训练和实验部分对设计的网络进行参数优化和结构调整,成功完成了对石化储罐数据的分割,同时将该语义分割模型保存、移植到机器人操作系统之中,进一步完成了真实场景下的实验分析。实验结果表明,本文设计的网络模型成功实现了对储罐壁面场景的语义分割任务,为后续壁面维护机器人进行智能作业提供了有效的决策依据。