当今社会,人类越来越离不开智能化的机器人,研究具有较高智能化的机械臂抓取方式的热度一直居高不下。在工业生产中,难免会遇到工件摆放随意,重叠、杂乱无章等情况,那些传统的视觉识别技术无法在这些环境下精准的识别到工件,所以研究出一种在复杂环境下的视觉识别方法就显得格外重要。本文首先研究了当下较热的目标检测算法在视觉识别方面的优缺点;并基于特征点算法与RGB颜色空间结合的方式提出了新的物体识别方式;最后结合机械臂设计出机器人抓取系统,它可以自行判断待抓物体的位置,并实现抓取和放置动作。主要工作包括:基于深度学习的目标检测实验、机械臂的运动学建模与仿真实验、基于单目视觉的目标位姿检测、抓取机器人系统平台搭建与实操检验等。基于深度学习的目标检测实验包括:选择两种使用面比较广的目标检测算法,本文选择的是YOLOv3和Faster R-CNN两种算法来训练目标模型,通过对相同数据集的训练与预测实验对比,比较两个算法的检测成功率与训练速度等,分析其各自利弊,并加以改进,选择适合工业生产中应用的目标检测算法。机械臂的运动学建模与仿真实验包括:通过三维绘图软件绘制六自由度机器人模型,将其导入到仿真软件进行运动学建模与正逆运动学求解,利用三维可视化工具绘制出机械臂在直线轨迹规划与圆弧轨迹规划下各关节角度的变化曲线,分析其在两种运动状态下的优缺点。单目视觉的位姿检测实验包括:比较眼在手上与眼在手外两种标定方法优缺点,选择眼在手上的摄像头标定方法;同时进行计算各种坐标系的转换关系;采用Tasi的RAC标定法进行摄像机标定;通过实验验证了基于单目视觉的位姿计算的准确性。抓取机器人系统平台搭建与实操检验包括:搭建机械臂硬件设备及软件操作平台,完成其相比于传统抓取方法在物体识别、定位、抓取、摆放等环节有效性的实践验证。本实验为目标检测算法在工业生产中的应用提供了理论基础,基于目标检测算法的机械臂抓取消耗成本较少,环境适应性较强,同时机械臂抓取的成功率也较大。