随着人工智能与机器人技术的飞速发展,移动机器人目前已广泛应用于车间巡检任务。现有巡检机器人视觉系统多采用激光雷达结合多传感器的检测避障方式,但是成本高、结构设计复杂。以卷积神经网络为基础的深度学习检测方法以其低成本、高精度成为应用在巡检机器人视觉检测系统中的新方向,因深度学习目标检测方法对计算资源要求较高,为了更好的适应在小型计算设备的有限资源下部署,实现机器人的检测测距功能,所以需要解决算法的轻量化问题和障碍物测距问题,从而更好推进巡检机器人的实际应用。（1）改进YOLOv4轻量化目标检测算法。本文以YOLOv4深度学习目标检测算法为基础算法框架,建立轻量化目标检测算法Lightweight YOLO（LYOLO）检测算法。YOLOv4目标检测算法检测性能较好但是复杂的主干网络结构导致模型整体体积过大,难以在移动端或嵌入式端运行。本文通过模型轻量化来实现YOLOv4的改进:首先,通过将Mobile Net V3特征提取网络作为改进模型骨架,从而结构中的深度可分离卷积使得网络参数量大幅下降;其次,本文提出采用位置损失函数（CIo U）作为目标框坐标回归的损失函数,交叉熵函数作为网络分类的损失函数,Focal损失函数作为置信度得损失函数进行复杂样本的挖掘,对整体的损失函数进行优化,从而平衡样本数量分布不均带来的网络误检率,提高样本对复杂样本的检测能力;然后,本文制作了工厂车间环境目标数据集,对数据进行标注,并对数据进行高斯噪声处理,增强了网络的泛化性能及鲁棒性。最后,本文对Mobile Net V3模块部分进行预训练,提高最终模型的训练效果缩短训练时间。实验结果表明经过本文所提出的网络轻量化改进后LYOLO算法模型整体的网络参数量下降至44.74MB,根据混淆矩阵统计数据分布,LYOLO网络平均检测精度达到93.6%,整体参数量为YOLOv4的18%,实验室条件下,单张图片检测耗时为0.01s。同时,经实验随着Io U的增加,模型也仍然具有较高的平均检测精度,其得到的预测框与真实目标框的重合度更高,目标框定位也更准确,说明算法具有较强的泛化能力,算法整体的检测实时性、综合检测定位性能也获得了较大提升。（2）结合目标检测的双目测距方法。本文以轻量化机器人视觉检测方法为基础结合双目测距,获取目标物的距离信息,提供避障信息为巡检机器人重新规划可行路径。通过左右相机共拍摄多组室内目标图片,利用目标检测算法为左相机图片做检测,以左图片检测后的输出目标位置对左图像做裁剪,右相机中图片不做检测。文中主要进行了模板匹配实验,以裁剪后的图像为模板图像对右图像做匹配,获得左右两图中目标物的视差,以此计算得到目标物三维空间位置。本文中的目标检测测距方法直接采用检测方法获得初始模板图像,省去人工截取模板的工序,提高了效率。（3）巡检机器人视觉检测系统模拟仿真实验。本文采用ROS机器人开发平台搭建了巡检机器人的基础构架以及车间基础环境,模拟巡检机器人的实际工作状态。实现单点障碍与多点障碍中的目标物检测,以及检测到目标后的路径重新规划等虚拟仿真实验,验证了本文提出的目标检测和双目测距算法的有效性和可靠性,可以应用于车间巡检机器人的视觉导航。