随着自动化水平和生产规模的提高,现代工业生产线不断向柔性化和智能化的方向发展。机械臂作为生产线上的执行机构,其自主环境识别能力和抓取精度的内在要求也与日俱增。然而目前绝大多数的工业机械臂仍以示教方式按预定的轨迹工作,当工作环境或任务发生改变时,无法及时做出调整,其操控系统的智能化水平难以满足现代生产线的发展需求是现今工业领域亟需解决的重要问题。近年来,随着硬件的发展和新算法的不断提出,深度学习技术和计算机视觉技术取得了突破性进展,已广泛应用于航空航天、人脸识别、即时视觉翻译、自动驾驶等领域。因此,将深度学习和计算机视觉技术与机械臂操控系统结合,充分发挥其自主识别和对目标物体特征点精确提取的优点,具有重要的研究意义和广泛的应用前景,为提高机械臂的自主环境感知能力和抓取动作的精准性,本文从以下三个方面展开研究:(1)基于深度学习的目标识别算法。首先是深度学习网络的设计和搭建,然后建立目标物体的数据集并使用搭建好的深度学习网络对目标识别模型进行训练,最后将双目摄像机所拍摄的包含目标物体和干扰物体的照片传入深度学习网络并对目标物体进行识别,提取其检测框范围内的显著性区域,送入后续算法进行图像处理。(2)基于图像处理的目标物体抓取点的二维坐标提取算法。首先对提取出的显著性区域进行图像处理,包括图像去噪、阈值分割、特征点提取等,然后利用已经提取出的特征点对目标物体的主体部分图像的形心进行解算,最后使用特征点的最大内接矩形的形心坐标作为其抓取点坐标,以保证抓取点基本位于目标物体主体部分的中心位置,从而确保机械臂能有效地完成抓取。(3)基于双目立体视觉理论的三维重建方法。首先结合使用张正友摄像机标定法获取的摄像机内外参数,以双目立体视觉理论中的平行光轴测距原理和相似三角形原理推导其非平行光轴模型,然后对目标体抓取点的二维坐标进行立体匹配和三维重建,计算出该点在世界坐标系下的三维坐标,最后通过坐标系转换得出该点在机械坐标系下的三维坐标,并传入机械臂完成路径规划和抓取动作。为验证以上研究的可行性和有效性,搭建了机械臂操控系统的实验平台,包括其硬件设备的选型和程序代码的编写,并进行对目标物体的识别和抓取实验,记录和分析实验数据。实验结果表明,该套机械臂操控系统目标识别的平均时间仅为0.87秒,整个抓取过程的平均时间仅为7.85秒,验证了该机械臂操控系统准确、快速的抓取能力和其在不同工作环境下的鲁棒性。