在工业制造领域中,机器人以高精度、高效率、抗恶劣环境、不间断持续工作等优点被广泛应用。随着工业自动化程度的不断提高,传统的机器人已经无法满足现阶段更为复杂的自动化需求,将视觉系统集成在机器人上,便成了机器人发展的一个新的主流方向。在定位与抓取这一环节,目前常见的单目视觉机器人仅能够在二维的平面进行,而双目立体视觉可以根据获取到的图像,计算出视野内物体表面的三维信息,从而在复杂场景中提供高精度的位姿信息来支持机器人进行后续抓取的工作。本文基于现存问题分析了目标识别与三维定位的理论依据,对传统机器人基于视觉系统实现“抓取-放置”动作的逐点示教过程进行研究,包括:双目视觉系统的标定、目标物体抓取点的识别以及抓取位置到放置位置之间的运动轨迹。优化现有相关算法包括标定算法,识别算法等,最后以QT、Visual C++和OpenCV为开发工具,设计实验进行验证,包括场景搭建、物体识别、运动轨迹解算等数据处理流程,主要内容如下:(1)提出一种基于云台带动双目相机系统的标定方法,以提高机器人的识别精度。针对现有单目相机在获取场景信息时存在不完善性,首先利用旋转云台带动相机完成相机的任意转动对场景进行拍摄,云台转动过程会产生俯仰角,进而基于云台转动的夹角,消除误差实现相机的外参估计,完成相机的整个标定过程;然后,针对上述标定方式,提出一种高效的目标分割与识别方式,提高目标物的识别准确性与高效性。实验结果表明,本文优化的外参估计的相机标定方式能在很大程度上减少数据的误差,且能够保持云台转动效率。(2)提出一种改进的特征提取策略。针对使用传统分割算法所获取特征不完全的问题,在传统分割算法的基础上,增加了深度学习策略,利用传统图像算法的方式完成特征的预提取。然后,利用Mask预测分支加入改进的ROI Pooling进行识别与分类。实验结果表明,本文提出的网络模型能在很大程度上满足像素级目标分割的需求,并在识别效率与识别的准确度上优于传统的特征点提取并匹配的方式。(3)设计开发了基于机器视觉的纸箱识别与定位检测系统,分别利用不同大小的纸箱尺寸数据,对本文提出的优化方法进行了对比验证,并在该系统中实现了纸箱定位坐标求解功能。实验结果表明,运用该技术得到的位置信息,通过进行测试和运动轨迹策划,能快速抓取到感兴趣区域内的目标物,可以显著提升在场景变化下的物体识别的精准性、时效性,对工业自动化生产线有良好的协助作用,有利于节省人力资源成本并提升工业制造的智能化发展。