将机械臂抓取和机器视觉相结合,使得机械臂抓取系统具有智能感知和智能决策的能力,可提高机械臂抓取系统在复杂环境下的适应性。同时,给工业生产的从业者提供一个易操作、低门槛的深度学习模型训练平台有利于深度学习算法的快速落地。因此,本文着力于将机械臂抓取、机器视觉和深度学习相结合,研究快速、准确的机械臂抓取方法,并设计实现一个基于深度学习目标检测的云平台。首先,本文对机械臂视觉抓取系统及云平台的整体构架进行分析设计。从硬件结构和软件模块两个方面对机械臂视觉抓取系统进行详细介绍,其中主要分析各硬件组成部分的性能和参数以及设计基于ROS的软件模块,为机械臂的实际抓取提供了高性能的平台基础。另外,研究分析云平台关键技术,介绍B/S模式、Web系统前端技术和数据存储技术,为云平台的开发提供了理论支持。其次,针对当前基于视觉的机械臂抓取多采用传统目标检测算法,算法泛化能力不强和鲁棒性较差的问题,设计了基于深度学习的轻量型目标检测网络。首先分析比较YOLO系列网络和MobileNetV3系列网络的特点和优势,接着提出了以MobileNetV3网络替换YOLOv4网络的主干特征提取网络,并利用深度可分离卷积替代网络中的普通卷积的MobileNetV3-YOLOv4轻量级目标检测网络。最后,根据改进的网络模型对自制数据集进行训练,多组对比实验结果验证了改进的目标检测网络的优越性。然后,针对深度学习的网络训练专业知识水平要求高、模型训练成本高、训练过程复杂等问题,开发一款基于深度学习目标检测的云平台。首先对云平台的需求进行分析,接着基于Web的设计理念设计云平台的整体构架,最后根据各功能模块的需求进行开发,搭建了一个易上手、运行稳定、安全性高的深度学习目标检测模型训练平台。最后,在真实场景下设计机械臂视觉抓取实验,在机械臂视觉抓取系统上对10类自制数据集的物品进行抓取实验,总体抓取成功率达75.5%,个别物体的抓取成功率达到了100%,验证机械臂视觉抓取系统的可行性和稳定性。同时,对云平台的进行性能测试,测试结果验证了云平台具有良好的交互性和稳定性。