当前国内货运列车编组站主要采用人工作业方式实现驼峰摘钩,但是随着铁路货运的日益增长,人工摘钩的效率低、安全性差等缺点越发突出,为了克服这些缺点,在分析了国内外现有的摘钩机器人基础上提出了新的设计方案。该方案通过添加计算机视觉模块实现摘钩机器人对车钩的识别分类问题,相较于传统车钩识别方法具有自动化程度低、识别准确率低、环境适应性差等缺点,利用卷积神经网络算法对车钩进行识别分类能够完全满足设计要求,经过对算法的一系列优化调试,在车钩识别分类的准确率、反应速度以及容错率方面都达到了很高的实用性。本次论文的主要研究内容为:结构设计部分。根据驼峰摘钩站台的实际情况,设计出轨道式摘钩机器人机械结构部分,该部分包括运动行走模块、车钩视觉检测、位姿调整模块和末端执行模块。该部分采用SolidWorks软件实体建模,然后导入ADAMS中通过添加相关约束和驱动条件进行运动学分析,特别是摘钩机械手模块的运动特性分析,得到关键研究部件的运动仿真结果并绘制运动特性曲线图,分析在摘钩过程中自动摘钩机器人的运动状态稳定性和摘钩机械手结构设计的可行性。车钩识别检测部分。首先介绍了当前应用广泛的几种目标检测算法,选取了其中的Faster R-CNN算法、YOLO_V2作为实验基础,使用了当前广泛应用的开源程序库,对算法进行了一定程度的改进,改进内容包括运用K-means聚类算法对anchor的个数进行了调整优化,找出适用于本次车钩识别的最优anchor个数以及目标框宽高维度;优化了损失函数,提高了算法模型在恶劣环境因素、不同光照条件下车钩识别能力;通过添加残差网络对算法结构进行了重新构建和优化,结合不同的卷积层特征以获得更好的车钩识别效果;最后对Faster R-CNN、YOLO_V2以及改进YOLO_V2算法在识别车钩的精确率、召回率和实时检测速度等方面进行对比实验,最终实验结果表明本文提出的基于改进YOLO_V2算法能够有效满足车钩识别和分类要求,并优于传统定位方法和其他目标检测算法。最后部分对本次课题学习研究过程中遇见的难题以及相关的解决方法进行了总结,同时对未来计算机视觉应用于车钩识别进行了展望。