近些年,随着智能装配技术在工业领域的应用,机器视觉得到了飞速的发展,机器视觉技术水平的高低越来越体现国家的工业自动化综合水平。但在很多专业领域,如航空修理行业,整体自动化程度偏低。本文以机器视觉技术为基础,研究航空发动机修理现场的小零件抓取问题,满足该领域提升工业自动化水平的迫切需求。为了满足航空发动机修理现场对小零件抓取的实际需求,本文结合当前深度学习技术具有强大的建模和自主识别能力,改进卷积神经网络提高机器视觉系统对复杂情况小零件识别抓取性能,较大地提高系统工作的鲁棒性。通过特殊选型的工业相机采集工业现场的零件图像,系统内置前期训练好的深度学习神经网络模型对发动机零件识别定位,并驱动机器手臂抓取目标零件并放置到相应位置,具体工作如下:(1)针对机器人长时间重复抓取出现的因系统累积误差影响抓取成功率的问题,提出“单目在手上”和“双目在手外”相结合的相机布置方法,消除了系统累积误差的影响,提高了多次重复抓取成功率;针对系统无法获取被抓取目标件立体三维信息,影响抓取稳定性问题,提出了在双目视觉定位基础上结合点云技术三维重构,获取精确的目标件三维信息,提高抓取稳定性。(2)针对系统对目标零件特别是零件叠加情况识别率低的问题,改进YOLOv3网络损失函数,提高网络对多目标叠加识别率。运用K-means++聚类算法改进anchor box大小,改善系统网络对零件的识别效率。改进相干混合算法并运用到图像识别领域,提高系统泛化能力,在不增加训练网络数据集数量的前提下提高系统网络对叠加零件识别效率;针对系统在特定暗光环境下对零件识别率低的问题,提出结合改进Retinex图像增强算法预处理特定暗光数据集图片,同时优化抓取系统,在系统内置多套深度学习网络,根据光线情况针对性调用,提高特定暗光情况零件识别率。(3)针对识别抓取系统的工程需求,结合性能和成本多方考虑,优选抓取系统零部件。根据需求模块化搭建软件平台,将机器视觉系统,机器人控制系统和深度学习网络相融合,形成一套具有生产力的发动机零件识别抓取系统。