随着工业4.0时代的到来,工业界对生产效率的追求有了进一步的提高。与传统人工分拣相比,机器人分拣技术在工业生产中有着巨大的优势,该技术在工业生产领域正迅速被推广应用。目前工业界机器人分拣系统普遍采用标定示教原理,示教分拣对机器人的姿态、待分拣物所处的位置及角度都有严格要求,无法用于物体形状、尺寸、姿态不固定的场景。如何让机器人更智能地应对多变复杂的场景是本论文研发系统要解决的问题。本文将机器人与计算机视觉技术相结合,设计开发出一种基于深度学习的3D视觉目标定位机械臂分拣系统。该系统基于深度学习相关技术,利用ResNet-50(或者ResNet-101)神经网络设计底层网络模型,并使用Torch框架进行建模。首先拍摄大量实验样例对其标注,然后对网络模型进行训练,最终获得训练模型。通过计算Kinect拍摄的带有深度信息的图片可以得到当前场景的最优抓取位置;然后将带深度信息的图片数据转换为点云数据数据类型,利用点云数据可以计算出抓取点的空间三维坐标(相机坐标系)。该系统运行前需将视觉(相机)坐标系和机械臂坐标系进行统一,然后将此坐标传给机械手臂进行抓取,机械臂抓取成功后会调用先前定义好的拍照API再次进行拍照,计算抓取位置坐标并进行抓取,并循环操作。实验结果表明,基于深度学习的3D视觉目标定位机械臂分拣系统可成功计算出待抓取物体的三维坐标,并通过坐标转换矩阵转换为机械臂坐标,达到机械臂分拣物体的目的,且该系统拥有较高的泛化能力,可在一定程度上对新物体进行抓取或应用于新的场景中。