自上世纪六十年代开始,机器人以其能能够二十四小时连续工作,对环境适应能力强等优点被引入工业生产领域。随着我国进入信息时代,机器人在工业制造、家庭生活、国防安全等社会各个领域起到了越来越重要的作用,同时也对其准确性、实时性、高效性等提出了更高的要求。而机器视觉作为机器人环境感知的重要组成部分,成为机器人感知研究的热点和前沿。目标检测及抓取位姿估计是工业机器人应具备的基本能力,其在工业分拣、码垛、装配等工作中起着至关重要的作用。但传统的目标检测及抓取位姿估计方法主要依靠人工提取特征且对于参数调整这一重要环节需要大量的经验积累,大量精力浪费在重复体力劳动中,专业人才缺失且检测精度不高。而深度学习技术通过神经网络提取特征,在大数据和计算能力的保证下,能使得检测速度和检测精度大大提高。本文旨在通过对基于深度学习的目标检测及物体抓取算法的研究,进一步的提高检测速度和精度,加速相关技术应用的成型落地。首先,本文通过对当前工业协作机器人的具体工作环境分析,设计了合理的应用场景。通过对比研究,采用了在检测速度和准确性都有不错表现的YOLOv3目标检测神经网络作为实现深度学习场景应用的工具。针对具体的场景,制作了相应的数据集以训练YOLOv3模型,通过ISODATA聚类算法得到了适合该数据集的anchor值;针对自制数据集较小、场景单一的情况,对数据集进行了系统全面的数据增强;考虑到待检测目标较少且检测场景背景简单,对YOLOv3基础网络架构进行了适当删减,并通过浅层特征与深层特征相融合,减少了模型在准确率基本不变的情况下的检测时间。其次,本文研究了基于深度学习的抓取研究方法。通过对康奈尔抓取数据集的学习和理解,制作了针对具体场景下待检测目标的抓取数据集。在原有抓取检测网络中增加空洞卷积层,增大了特征图的感受野,进一步提取特征;并对深层和浅层特征图进行拼接,实现特征融合,进一步提高特征的表达能力,使得检测准确率明显提高。考虑到工业应用的准确性和稳定性,针对具体的待检测目标,提出了基于角点检测的抓取位姿检测方法。场景中先进行物体的分类和定位,再进行物体的角点检测,并通说物体的定位过滤误检的检点,设计相应的算法补全漏检的角点,使得角点检测的准确性大大提高,最后再利用角点的位置信息,计算出物体的形心位置,即物体的抓取点。通过深度相机获取点云信息,并计算出物体的抓取位姿。这种方法针对具体的场景,能极大提高物体抓取检测的准确率。最后,本文对机器人机械臂进行了手眼标定的工作,通过ROS系统将检测得到的位置信息发送给机器人,机器人根据指令到具体位置抓取物体,从而实现简单的物体分拣场景。本文无论对于深度学习技术的应用和发展,还是对于智能制造、视频监控、自动驾驶等实际应用方面,都有着十分重要的价值和意义。