现代制造业中,智能机器人已经被广泛应用到各个领域,工厂生产制造效率得到极大提高。机器视觉作为智能机器人获取信息的主要技术手段,在智能机器人发展的道路上扮演着重要角色。目前工业机器人在工厂进行零件回收时,由于零件堆叠、光线昏暗、杂物干扰等因素导致传统视觉检测方法回收效率低、误检漏检率高、定位精度低、检测速度慢等问题越来越严重,严重影响了工业机器人的分拣效果。针对上述问题,结合工程实际下零件目标检测对精度、实时性、小尺寸多目标检测的要求,本文提出了改进Res Net18-SSD算法模型,并对Res Net18-SSD模型进行动态定点量化及快速卷积引擎等改进,实现零件目标识别、定位等任务,具体工作如下:1)在保证精度的前提下对原始SSD模型的参数量和计算量进行缩减。通过引入Res Net-18代替SSD基础网络（VGG16前置网络）,使新模型能够在降低计算参数量、计算量的前提下保持SSD算法的检测精度;由于工厂灯光灰暗、图像对比度低、提取图像模糊,为了增强网络模型的鲁棒性,引入多分支同构结构,使网络模型增强对不同尺度图像的敏感性;提出非对称并行残差结构,使模型对不同尺度的零件特征的提取能力增强。最终训练得到零件目标检测模型,改进后识别率满足工厂实际需求并且检测速度得到了极大的提升。2)通过对相机标定理论的研究,采用张正友标定法完成对相机的标定。将Maltlab得到的相机参数和张正友标定法进行对比实验,采用平面九点法,建立像素坐标系与系统世界坐标系之间的转换关系,并利用HALCON进行算法实现。3)在FPGA硬件平台上完成对改进Res Net18-SSD算法的加速。首先在保证精度的前提下,采用动态定点量化的方法合理地减少参数量,使CNN模型的训练和推理能力进一步提升;针对计算并行度不足的问题,采用更快的卷积算法,对于Res Net18-SSD算法中卷积核尺寸为3×3,步长为1的卷积计算,采用Winograd算法硬件实现以达到更高的并行计算能力,而对于模型中其他两种类型的卷积层采用原始卷积方式进行硬件实现。同时本文还完成了旁路层、sum层等硬件结构设计。4)最后本文通过搭建实验平台对零件目标检测与定位系统进行系统集成,验证了模型的有效性。在满足实时性的前提下,能够在零件相互遮挡、灯光灰暗等复杂工作条件下也能有较好的检测效果。