漆面图像分割技术是漆面清洗机器人能够实现视觉导航自主作业的基础,漆面图像分割的精度会直接影响到机器人的清洗效果。路径规划是自主作业的关键技术,漆面清洗加工路径的规划直接关系到漆面清洗机器人的工作效率。因此,本课题以提高漆面清洗机器人的工作精度和效率为目的,对漆面图像分割算法和漆面清洗加工路径规划进行研究。主要工作如下:1.本文首先制作了漆面图像分割数据集并对漆面图像做了预处理。首先采集相关的漆面图像,组成数据集。接着,分三个步骤对漆面图像进行了预处理。随后,利用Label Me对漆面区域进行了标注。最后,分别采用几何变换和颜色变换两种方法,进行数据增强,增加样本数据的多样性。2.本文利用改进后的U-Net网络对漆面图像进行分割。利用Efficient Net、Focal Loss和串行双注意力机制对原生U-Net网络进行了三个方面的改进。利用改进后的U-Net网络进行了漆面分割实验,与原始U-Net网络及Res Unet网络对比,验证集像素准确率（PA）则分别提升了2.94%和2.59%,达到了提升精度的效果;与Deep Lab V3+模型相比,训练时间和分割时间分别降低了76.92%和90.17%,达到了改善分割性能的目的。3.对漆面清洗加工路径方法进行了研究。对于文字图形类的漆面,本研究首次探索使用骨架提取与B样条曲线相结合的方法进行导航路径规划;对于区域覆盖类漆面,采用基于路径长度和转向次数双目适应度函数的遗传算法进行路径规划。地图建模方面,对于不规则漆面区域,采用填充虚拟障碍物的方法将其转换为规则的漆面区域,采用栅格法建立漆面地图环境。实验结果表明,图像分割方面,改进后的算法有效的实现了模型的精简化,加快了训练和分割速度,提升了分割精度。路径规划方面,与内螺旋覆盖路径规划算法相比,在规则的漆面上,本文算法在各项指标上与其保持一致;对于不规则漆面区域,本文算法规划得到的路径长度更短,转弯次数更少,覆盖率更高。