移动机器人作为信息时代的高智能化产物受到了研究人员的极大关注,随着人工智能技术和各种硬件设备的进步和发展,移动机器人所具备的功能已经不在简单化和单一化,而是更加多样化和智能化,并且移动机器人在各个领域得到了广泛地应用。近年来我国的农业结构正在朝着数字化方向转变,植物工厂是一种搭载信息技术来培育农业作物的数字化产业基地,而智能化的移动机器人将在植物工厂中对农作物的生长发育监测发挥出巨大作用。为了实现对植物工厂中农作物的生长发育状况进行全天候的监测,本文将移动机器人和深度学习技术相结合,针对植物工厂小区域中的部分植物叶片病害进行关键技术研究。关键技术研究主要有三个方面:植物病害种类,植物病害的具体位置和移动机器人在复杂植物工厂小区域环境中的行驶路径。本文的主要工作内容如下:1.针对传统的早期植物病害检测方法存在效率不高和准确率较低的问题。提出了一种多模型融合并嵌入注意力机制的植物病害分类网络。该网络是基于Inception和残差结构搭建的卷积神经网络,并且将改进的卷积注意力模块嵌入到网络中。Inception和残差结构的融合可以使网络对植物病害信息进行多尺度和深层次的特征信息提取。改进的卷积注意力模块可以对得到的特征信息进行细致地分析,实现高准确度的植物病害的分类。2.针对植物工厂小区域环境中部分植物之间的叶片复杂交错和小目标检测的问题,通过传感器采集到的数据会含有不同植物的多种病害信息,并且病害斑点形状大小不同。提出了一种基于双重注意力机制的门控单元,并将该单元融合到YOLOv4网络中,实现复杂场景下的植物病害的目标检测功能。门控单元可以过滤冗余信息,并增强病害信息。同时,为了实现对小型病害斑点的检测,增加了第四个分类与回归预测层,结合原网络中其它三个分类与回归预测层,改进的YOLOv4算法可以实现高精度的病害信息定位。3.针对植物工厂小区域环境的复杂性,移动机器人在进行相关作业时行驶的路径较长和时间较久的问题。基于A*算法,提出了一种分段几何启发式函数的路径规划算法。通过研究起点,当前节点和目标节点之间的距离,采取不同的几何图形完成对空间路径的探索。同时,引入了路径平滑算法,解决路径点突变和尖锐的问题。改进的A*算法可以实现高效率的路径搜索。4.针对移动机器人在植物工厂小区域环境中的应用问题。本文将提出的植物病害目标检测算法和路径规划算法部署到移动机器人上,完成移动机器人在植物工厂中对植物的生长发育进行全天候监测的作业,实现了数据采集,处理,识别和检测的智能一体化流程。