针对传统深度学习网络模型,所需样本量大、收敛速度慢、泛化能力弱、识别速度低等缺点,本文首先基于Anaconda工具,利用OpenCV中的resize函数将原始数据集统一变换为256×256尺寸的标准格式,并利用tensorflow.keras.preprocessing接口中的image类创建图像生成器Image Data Generator来高效增强数据集,形成原始数据集1。其次基于双边滤波和局部阈值处理数据集1,构建了含有目标轮廓和内部纹理等主要特征的数据集2。并针对这两类数据集,基于Inception原始网络模型,利用卷积核分解和构造、批量归一化操作、激活函数优选、Double-sample Dropout层处理等方法构建了改进的Inception特征提取网络模型,实现了模型训练时间更短、收敛速度更快,提高了模型对目标对象识别的泛化性能、准确率和快速性。针对传统PLC编程方法,所需网络数多、构造复杂、程序稳定性不高、运行速度慢等问题,本文首先详细论述了PLC现有的编程方法和编程方式,并进行了彼此特点之间仔细的比较,提出了两个考核编程方式的重要指标:单个网络集成度、逻辑关系清晰度,从而揭示了从简单工程到复杂工程之间的逻辑主线。其次基于以上基础,通过一个复杂工程案例的引入,详细阐述了PLC编程方法的改进和实现,并通过仿真进行了验证,证明了该改进方法具有实际的生产意义和价值。然后本文利用机器视觉识别出的信号,基于改进的PLC编程方法,通过S7-200SMART-PLC控制伺服电机移动机械手平台和转动机械手等方式,构建了对应的机械手抓取控制程序,并利用MCGS触摸屏组态了对应的主程序窗口、手动程序窗口和自动程序窗口。最后本文分机器视觉和机械手控制两部分进行了实验验证,证明了本文所提出的算法具有良好的识别效果、运行效率和稳定性。