随着卷积神经网络的提出,以及深度学习技术的快速发展,计算机视觉技术已经融入到各个行业智能化的步伐之中。物体位置检测是计算机视觉的核心研究方向之一,将物体位置检测技术应用于工业生产中,可以对生产加工的效率进行有效的提升,并帮助甚至代替人类在复杂环境中进行工作。本文将物体检测应用于纺锤生产线上,以减少在该高湿闷热环境下工作的人力需求,并有效的提高生产效率。在纺锤生产加工过程中,为了达成不同的目标以及不同的生产需求,需要对成型或半成型的纺锤进行人工分拣,而后再运输并放置到对应的后续位置上,这其中甚至可能还需要人为对纺锤进行有规则的位置摆放,以满足后续的加工需求。这无疑对纺锤的生产效率造成了巨大的影响。本文采用深度学习的方法对纺锤位置进行检测,以对机械臂提供纺锤的具体三维位置信息,辅助其进行分拣以及运输,以提升纺锤的生产效率,并减少人力资源的浪费。针对无序堆放纺锤的实际情况以及实时性要求,本文采用二维图像检测结合对应的纺锤深度图像的方法对纺锤的三维空间信息进行检测。首先对彩色图像中的纺锤进行关键点、位置以及类别的检测,并根据检测结果对候选纺锤进行选取,而后根据检测得到的二维空间信息从与彩色图像对应的深度图中获取该候选纺锤的深度信息,以对该候选纺锤在深度空间上的旋转平移进行计算,最后通过相机的焦距与光轴位置将候选纺锤的二维空间信息与深度空间信息融合,并转化为世界坐标系中的纺锤平移旋转信息。本文通过对关键点检测以及目标检测进行纺锤位置实验并加以分析,最终结合多种检测方法的优点,以YOLO的检测方法为基础提出同时进行目标检测与关键点检测的网络模型(BKNet),以对纺锤在彩色图像的二维空间信息进行获取。同时为了加快模型的运行速度,本文采用基于特征图通道的注意力机制(SE Module)选取重要通道,通过缩减通道的方式对模型进行加速。而后继续采用轻量化模型结构优化与网络剪枝的方法提升模型的检测速度。同时本文提出了检测一次多次选取的纺锤检测策略,以提高纺锤位置检测的效率。根据BKNet模型从彩色图像中的检测得到的纺锤二维空间信息,尽可能多的对后续纺锤进行选取,以在检测等量纺锤的情况下,减少模型的运行次数,节省时间开销。本文采用深度图阻碍检测法与帧差法对去除候选纺锤后对其它纺锤位置的影响进行判断,以保证检测结果的准确性。