解决产线工件的自动抓取问题对于工厂生产效益的提高有着重大的意义。然而由于工件形状不规则、位置不确定、姿态变化多样等原因,传统的边缘检测、特征提取等方法难以做到复杂工件的准确识别与定位。本文从两个方向分别提出了基于深度学习的工件抓取方法,一种将目标检测算法应用于工件之中,并提出了角度回归网络来实现工件三维姿态确定,得出分类、位置、姿态信息;另一种为基于单目标三维重建的方法,根据二维RGB图恢复出工件的三维模型,从而获取其空间位置、姿态信息,完成工件的识别定位工作。实验证明相比于传统的工件特征提取方法,这两种方法能够解决工件的三维姿态无法确定的难题。同时深度学习的方法扩展性更强,目标检测的速度更快。本文分别利用目标检测技术与三维重建技术获取工件位置与姿态信息,分别介绍了两种技术对应的模型在工件的信息获取中所展示的效果。论文主要内容如下:(1)实验平台的组成以及相机的标定。主要介绍了实验平台的总体硬件构成,包括机械臂、视觉实验架、相机、镜头、光源等主要硬件的选取。还介绍了摄像机模型与坐标系的建立。最后介绍相机标定原理与步骤,完成相机的标定,获取相机的内外参。(2)基于目标检测算法的工件识别与定位。主要实现目标检测算法到具体工件检测的迁移,针对算法在此应用场景中三维姿态无法确定的问题,提出角度回归模块。介绍了算法的基本原理与整体流程、网络结构、损失函数、数据集的制作过程以及训练与测试的方法和结果,最后再拓展性的介绍了算法的其它改进。(3)基于单目标三维重建的工件定位与姿态识别。主要对比了点云、网格、体素三种重建形式的优劣,通过数据集的合理改进,不光实现了以体素为重建形式的工件三维,还能恢复到具体姿态。