基于机器人技术实现水果自动分拣对农业生产和农产品加工的自动化、智能化发展具有重要意义。少自由度并联机器人用于水果自动分拣,具有精度高、速度快、刚度大等优点,但同时也对检测和控制的准确性和快速性提出了更高要求。水果的抓取位姿检测是机器人实现准确、快速、无损抓取控制的前提条件。机器视觉具有非接触、适用性广、性价比高等优点,相比于相机安装在机器人末端的Eye-in-Hand系统,相机固定设置的Eye-to-Hand系统对机器人末端运动速度的限制较小,并具有视场大、利于优选待抓取堆叠串类水果的优点。由于Eye-to-Hand系统对机器人下一次抓取位姿的检测,可在机器人上一次抓放串类水果控制的时间内完成,因此抓取位姿检测的准确性尤为重要,本文拟着重研究少自由度并联机器人固定设置机器视觉系统对堆叠串类水果抓取位姿检测的准确性问题。目前,相关研究,还存在一些难点,主要包括:少自由度并联机器人由于存在运动约束难以完全满足标定运动要求从而导致手眼标定模型难以正确解算问题、大视场下复杂背景小对象的准确识别和分类问题、边界模糊的多评价因素下堆叠串类水果抓取优先级的评估问题、以及具有运动约束少自由度并联机器人对无形状和位置约束堆叠串类水果果梗的抓取位姿计算问题等。为此,本文探索了能够正确解算少自由度并联机器人手眼标定模型和综合评估多层相对因素集下抓取优先级的新方法,构建了多尺度特征图Faster R-CNN级联模型和少自由度并联机器人堆叠串类水果三维抓取模型,研究了具有运动约束少自由度并联机器人对无形状和位置约束堆叠串类水果果梗的抓取位姿计算方法。论文完成的主要工作如下:(1)提出一种具有误差补偿和垂直分量修正的少自由度并联机器人手眼标定方法。针对少自由度并联机器人由于存在运动约束难以完全满足标定运动要求从而导致手眼标定模型难以正确解算的问题,根据标定板和末端夹持机构的垂直约束修正手眼标定位姿参数中的垂直分量;同时,构建一种具有误差补偿的立体视觉改进Eye-to-Hand模型,以降低相机标定误差和机器人运动误差对手眼标定精度的影响,并构建Eye-to-Hand模型的非平凡解约束,以规划并联机器人末端夹持机构的手眼标定运动。标定实验结果显示,相比于随机运动,采用所提出规划运动的在线手眼标定平均耗时降低了50.51%;相比于无误差补偿Eye-to-Hand模型和矩阵直积法,采用所提出改进模型和求解法的手眼标定位姿转换矩阵2范数误差降低了151.293。(2)提出一种大视场下多尺度特征图Faster R-CNN级联模型。针对现有深度神经网络对大视场下复杂背景小对象的识别和分类准确率不高问题,构建特征图分辨率变化较小的卷积神经网络(CNN)以增加卷积特征图中小对象的特征量,并提取CNN中三层卷积层的多尺度特征图用于Faster R-CNN识别,设计由粗到精和参数分享策略实现Faster R-CNN级联,以减少背景的干扰。对Eye-to-Hand系统获取的白罗莎葡萄串图像进行果梗区域提取实验,实验结果显示,相比于LeNet-5、AlexNet、VGG16单尺度特征图Faster R-CNNs,采用所提出多尺度特征图Faster R-CNN级联模型的果梗区域提取平均准确率提高了25.87%,平均丢失率降低了30.56%。(3)提出一种多层相对因素集的堆叠串类水果抓取优先级模糊综合评估方法。为提高无损抓取的成功率并易于控制,本文将果串特征、果梗特征以及堆叠导致的抓取位置限制、机器人末端位姿变化难易程度等均作为堆叠串类水果抓取优先级的评价因素,但由于具有多评价因素,且各评价因素间边界不清,因此存在优先级难以综合定量分析的问题。为此,构建一种基于子树形结构的无交叉树形分层模型以分析堆叠串类水果抓取优先级的多种评价因素;同时,通过增加轮廓全局方向变化、轮廓点梯度方向变化等约束条件定位果串区域分割点,采用基于相似度指标构建的加权聚类有效性评价函数、三角形不等式准则、数据点的多通道多维特征向量等改进现有k-means算法,构建具有正负影响相对因素集;并通过采用数学期望构建平均随机一致性指标和满意值,解决现有判断矩阵一致性校验采用经验数据导致的准确性较低问题。对Eye-to-Hand系统获取的堆叠白罗莎葡萄串图像进行抓取优先级评估实验,实验结果显示,相比于现有单层模糊综合评价法,采用所提出多层相对因素集模糊综合评价法的抓取优先级评估平均准确率提高了27.77%。(4)提出一种建立三维抓取模型的少自由度并联机器人堆叠串类水果抓取位姿计算方法。针对具有运动约束少自由度并联机器人对无形状和位置约束堆叠串类水果果梗的抓取位姿难以准确计算问题,考虑少自由度并联机器人末端夹持机构的运动约束和堆叠串类水果果梗特征,构建一种单点多参数抓取位姿表达法,建立四种分别针对有分支长果梗、有分支短果梗、无分支长果梗、无分支短果梗串类水果的三维抓取模型;构建离散Gaussian-Hermit矩作为特征点描述子、通过分块采样特征点对和预校验临时候选数学模型改进现有SURF和RANSAC算法,以准确定位无形状和位置约束果梗上的抓取点,并基于三维抓取模型解算少自由度并联机器人末端夹持机构的空间位置、绕Z轴旋转角度以及手指开口宽度的抓取位姿信息。以白罗莎葡萄串为对象,采用构建的4-R(2-SS)并联机器人Eye-to-Hand系统进行抓取实验,实验结果显示,相比于基于平面轮廓的抓取位姿计算方法,采用所提出抓取位姿计算方法,有分支和无分支堆叠串类水果抓取成功率分别提高了14%和12%,平均抓取成功率提高了13%。本文的研究可实现高准确性的少自由度并联机器人固定设置机器视觉系统对堆叠串类水果的抓取位姿检测,为非接触式无损抓取位姿检测理论应用于机器人自动分拣的检测及进一步实现高性能抓取控制奠定了基础。