变电站作为电力系统中重要组成部分,其安全可靠的运行直接关系着整个电网的稳定。传统的变电站设备巡检作业采用人工巡视为主,该方式存在劳动强度大、受环境影响大、巡视结果客观性不足等弊端,已很难满足日趋严谨的变电站运维管理要求。随着我国智能电网建设的逐渐深入,变电站巡检机器人得到了广泛的应用,并逐渐取代人工巡检,在保障变电站设备安全运行方面占据着十分重要的地位。对于变电站巡检机器人而言,有效的导航避障是其正常巡检的关键。目前,绝大多数变电站巡检机器人主要采用激光雷达来导航避障,该方式虽然检测精度较高,但却忽略了对道路场景的识别理解,使机器人无法有效预测所处的环境情况,这对变电站巡检机器人的工作效率以及其环境适应能力造成了一定的影响。因此,本文将深度学习技术应用于变电站巡检机器人道路场景识别中,给出一种基于全卷积的道路场景识别网络,不仅能为变电站巡检机器人提供有效的道路环境信息,更能丰富与深度学习相关的理论研究。本文所研究的主要工作内容概括如下:1.分析总结目前变电站巡检机器人道路场景识别以及深度学习的研究现状,并针对变电站巡检机器人道路场景识别,详细介绍在不同硬件平台上搭建深度学习框架的具体过程,同时构建变电站道路场景数据集,为后续的算法研究提供数据支持。2.针对变电站巡检机器人道路场景特点,给出一种全卷积变电站道路场景识别网络。该网络主要由编码网络和解码网络组成,编码网络借鉴VGG16模型结构,由相对浅层的网络构成,用于提取图像特征;解码网络采用镜像结构和跳层融合结构相结合的方式,充分利用图像的全局以及局部特征信息,将特征图恢复到原图尺寸。3.变电站巡检机器人道路场景识别网络测试实验。通过开源标准数据集和变电站数据集对网络的精度以及效率进行测试,并在实际变电站场景中对网络的适应性进行测试。通过实验表明,本文提出的网络在同类型网络中识别精度及效率更高,同时在实际变电站场景中,该网络表现出优良的场景识别性能,为变电站巡检机器人提供了有效的道路环境信息。