鉴于工业环境的复杂性,目前工业巡检主要利用人工巡视的方式进行。人工巡检耗时长,对人员要求高,特别是在复杂高危的工业环境下,还要保障巡检人员的人身安全。本毕业论文设计并实现了一种面向复杂工业场景的智能巡检机器人,并就巡检机器人的定位与导航,巡检目标检测与识别等技术展开研究。主要的研究内容和创新点包括:·机器人感知与定位基于蒙特卡洛方法与KLD采样策略设计并实现了一种机器人环境定位算法,该算法利用机器人实时激光雷达数据与环境地图进行匹配搜索,使机器人在已知的工业场景进行精准定位与安全导航,同时提出一种指标以评估该算法的定位质量。·危险环境检测针对工业环境可能存在的复杂地形及障碍物,为了保证巡检机器人运动的安全性,提出并实现了一种基于单目视觉的危险环境检测算法。利用深度学习技术,使用ResNet网络进行危险环境的分类并利用边缘计算将模型部署于机器人上,同时提出了四种用于数据增强的方法,并应用于数据集的制作中。·仪表读数识别针对工业巡检机器人的巡检任务,提出并实现了一种基于计算机视觉与深度学习的仪表检测与识别。利用MobileNet v3和自制数据集进行训练,从图象中提取出目标仪表位置。基于单应性对图像进行矫正,采用图像匹配完成指针识别与仪表读数的任务。·巡检机器人软硬件系统设计并实现了基于差速轮式运动底盘的巡检机器人硬件系统,结合IMU,激光雷达,轮式里程计,视觉传感器等模块,搭建多传感器之间的通信架构。巡检机器人基于ROS,OpenCV,Pytorch等软件平台,结合上述算法实现了巡检机器人于工业场景的巡检任务。