随着“制造强国”战略目标的提出,机器人在各行各业中的应用越来越广泛,尤其在工业生产领域,应用机器人实现自动化生产不仅可以有效解决企业用工荒的难题,还能提高生产效率和产品质量。机器人抓取作为工业机器人的一项重要功能,其传统的实现方法为通过示教编程的方式使机器人按照既定程序重复执行规定的抓取动作,只能实现对摆放位置固定且种类单一的物体进行抓取。为了应对现代工业制造快速多变的特点和满足日益增长的复杂性要求,工业机器人不仅要能够长期稳定地完成重复工作,还需要具备智能化的特性。本文针对工业机器人利用二指夹持器对散乱摆放的多种物体进行抓取的视觉检测场景,对卷积神经网络在多物体抓取规划场景中的应用进行了详细研究,提出一种基于深度学习的物体抓取位姿检测方法,并通过实际检测实验说明本文提出的抓取位姿检测系统的有效性。本文完成的工作主要包含以下几个方面:1.首先对抓取位姿检测系统进行总体方案设计,确定算法处理流程;分析两种不同的硬件平台设计方案的优劣,根据视觉传感器和机器人的具体选型确定本文选用的设计方案为Eye-to-Hand并且针对抓取位姿检测的需求确定控制软件架构设计。2.针对视觉传感器获取的彩色图像与深度图像信息不匹配及配准后边缘区域信息缺失等问题,进行图像配准及修复等预处理;搭建基于SSD框架的物体检测网络模型并以迁移学习的方式进行训练;提出一种抓取位姿图形表示方法,以向量的形式数值化表示抓取位姿,为后续算法计算提供特征基础;然后基于物体的轮廓特征进行候选抓取位姿采样,采样生成的候选抓取位姿均满足距离、方向和力封闭特性等条件。3.对经典残差块结构进行改进,提出两种新残差块结构作为抓取位姿分类网络GPCN的卷积模块,通过对比分析确定优化后的网络结构,其验证集精度对比由经典残差块结构组成的检测网络提高了1.42%,达到98.80%。为了解决输出的抓取位姿结果可能偏离物体重心点等问题,提出一种抓取位姿优化算法,针对不同种类的物体进行相应的优化计算,通过对比实验表明该优化算法的有效性。4.最后为验证抓取位姿检测系统的性能,搭建机器人抓取实验平台,完成相机标定、手眼标定和确定抓取位姿与机器人抓取参数的映射关系等物体定位的相关实验;设计抓取位姿检测实验和机器人自主抓取实验,以不同形状的多种物体作为检测样本进行多次实验,有效抓取位姿检测成功率和实际机器人抓取成功率总计分别为91%和84%,实验结果表明本文提出的抓取位姿检测系统具有一定的可行性及有效性。