抓取机器人因其高效、灵活的特点而被广泛应用于物流分拣、工业制造等领域。目前,多数分拣应用场景都采用单臂机器人和传统视觉检测方式,其工作范围有限、负载能力不足、实时性弱、难以满足自适应分拣的需求。近年来,多机器人协作技术和深度学习的发展为解决上述问题提供了新的途径。本文设计了一个双臂协作分拣系统,利用机器视觉和深度学习技术对工件类别和位置进行检测,规划双臂完成大小工件的分拣任务,主要研究内容包括:双臂运动学模型建立、单目视觉的目标位姿计算、双臂协作分拣的运动规划、基于深度学习的目标检测和双臂分拣实验验证等。采用DH参数法对UR5机械臂进行运动学建模,推导了该机械臂的正运动学表达式,又采用雅可比矩阵迭代的方法分析了机械臂的逆运动学,为双臂协作分拣的路径规划奠定了基础。建立了眼在手外的单目视觉系统,利用张正友标定方法和PNP算法分别求出了相机内参和双臂分拣场景时的外参,实现了像素坐标到世界坐标的转换,并通过实验验证了单目视觉位姿计算的准确性,为后续的实验平台搭建创造了条件。分析了双臂有效抓取工作空间并制定了分拣策略;针对双臂协作分拣工件过程中可能发生碰撞的问题,对双臂连杆轮廓进行了模型简化,通过计算连杆模型间最短距离,实现了双臂的碰撞检测,并采用改进RRT算法对双臂进行了运动规划;针对双臂分拣大工件过程中形成强耦合结构的问题,分析了双臂末端之间的位姿约束关系;最终通过双臂协作分拣工件的仿真,验证了分拣策略制定的可行性和双臂协作算法的正确性。采用YOLOv4算法实现对目标工件类别的识别和位置的检测。针对原YOLOv4检测速度较慢的问题,将其主干网络和PANet中的常规卷积分别用MobilenetV3网络和深度可分离卷积进行替换,实现了模型的轻量化,并在自建工件数据集上完成了训练与测试,结果表明改进后的模型参数量只有原模型的1/5左右,检测速度达到了30FPS左右,而mAP达到了95.75%,和原模型相比仅下降了0.09%;针对改进YOLOv4检测框存在误差导致抓取位置不准确的问题,采用图像处理技术获得了检测工件的最小外接斜矩形,并以其重心点为参照,计算出了大小工件的抓取位置。搭建了双臂协作分拣系统的实验平台,设计了上下位机软件,并进行了双臂分拣工件实验,相比利用传统视觉检测方式的单臂机器人,提高了分拣效率以及对环境变化的适应性,降低了人力劳动成本,对双臂协作分拣的研究与实践具有一定的参考意义。