装配机器人是智能制造领域的重要研究方向。随着人口红利消失以及智能化生产的提出,越来越多的行业和工厂开始增加装配机器人生产线。这为机器人领域带来了巨大发展潜力,同时也增加了行业竞争压力。提高产业竞争力显得极为重要。在机器人物体定位抓取领域,装载机器视觉具有更高的精度以及自适应能力,在市场竞争方面有很大优势。但是传统机器视觉在对目标进行识别与定位之前需要将目标摆放整齐,对每一个特定目标进行简单的轮廓提取与特征点匹配。如果零件在光照不强情况下处于混乱放置状态,识别效率则大大降低,这就对机器视觉的使用场景造成了一定局限性。为了增加机器视觉系统的适用场景,让装配机器人能够在复杂环境下达到更高的工作要求。论文基于机器视觉与卷积神经网络,将深度学习应用于视觉系统。利用神经网络强大的特征提取能力,获得零件二维位置信息。通过相机标定对图片进行畸变矫正后,利用手眼标定实现零件在图像坐标系下坐标对机器人坐标系下坐标的转换,实现装配机器人对零件的识别与定位。本文研究内容如下:阐述目前广泛使用的深度学习算法及其优缺点,分析了机器视觉与深度学习的研究现状。确定零件识别与定位系统解决方案,选择Mask R-CNN算法作为基础算法。对Mask R-CNN算法存在的问题进行改进,引入GIOU作为改进模型的损失函数。针对数据集制作复杂问题利用迁移学习使用小数据集训练图片数据。采用GPU分布式训练方法减小训练数据需要消耗的时间。将修改后的网络模型进行识别与分类实验,同时对Mask R-CNN采用相同数据集进行训练。由于Faster R-CNN所需要的数据集类型不同,针对该情况采用相同图片重新制作数据集进行训练。将三种算法训练得到的结果进行对比,证明算法改进后能够提高对零件的识别精度同时对识别速度也有所提升。最后提取掩膜,利用最小外接矩原理获得零件角度偏移信息。通过对相机标定原理的研究,基于张正友标定法对相机进行标定。利用Matlab得到相关相机参数,并使用OpenCV编写程序实现张正友标定法,作为对比实验。对比两次实验得到的相机参数,将OpenCV得到的数据保存作为后续对图片进行校正的参数。通过对手眼标定原理研究,采用更适用于工业的平面九点法原理来获取像素坐标系与机器人坐标系之间的转化关系。利用OpenCV与HALCON实现该算法,得到两个坐标系映射关系的相关参数,实现从像素坐标系到机器人坐标系的转化。