随着我国铁路货物运输系统的迅速发展,列车运行安全性变得越来越受重视。作为铁路货车减振装置的关键零部件之一,转向架枕簧承担着传递载荷、缓和振动与冲击等重要作用。在转向架减振装置检修过程中,需要对枕簧进行拆卸和组装,而目前该过程均依靠人工方式完成,存在劳动强度大、作业效率低且安全隐患高等问题。工业机器人和视觉伺服技术的快速发展,为转向架枕簧拆卸/组装过程自动化和智能化改造提供了一个全新的技术思路和研究切入点。而实现复杂背景下具有复杂几何特征的枕簧目标检测定位是枕簧视觉伺服抓取机器人成功拆卸/组装的关键。基于上述背景,本文围绕转向架枕簧机器人抓取视觉定位方法开展了相关研究工作,具体包括枕簧视觉检测定位模型构建、基于视觉伺服的枕簧机器人抓取、基于激光和视觉复合的枕簧局部特征定位和视觉检测定位模型轻量化等研究内容。首先,鉴于基于深度学习的目标检测算法在速度、精度以及复杂背景下的鲁棒性方面相比传统目标检测算法均占据了良好优势,对Two-Stage目标检测代表算法Faster R-CNN与One-Stage目标检测代表算法SSD和YOLOv3的算法原理与网络构造进行了阐述,以自制的转向架枕簧数据集为基础,完成了基于深度学习的枕簧视觉检测模型的构建。其次,为了进一步探明将基于深度学习的枕簧检测定位模型用于枕簧机器人视觉伺服抓取的可行性和有效性,利用ABB IRB4600工业机器人D-H参数和相机参数建立了基于枕簧目标检测定位边界框角点特征的图像视觉伺服系统模型,通过所搭建的机器人枕簧抓取实物平台验证了该方法良好的定位抓取效果。然后,针对狭小侧架空间枕簧拆卸取出时容易出现碰撞甚至卡滞的问题,深入分析了K6型转向架承载弹簧和减振弹簧外簧第一二层簧圈尺寸特征,分别建立了两类枕簧簧圈高度比值与枕簧端面缺口方位对应关系的数学模型。提出一种适用于狭小空间枕簧缺口视觉间接定位方法,通过试验平台验证了该定位方法的有效性,为枕簧卡滞时的姿态调控奠定了良好基础。最后,基于轻量化网络和模型剪枝算法提出了枕簧视觉检测定位模型轻量化思路,通过模型大小、参数量、计算量、mAP以及每帧推理耗时等指标对改进后的轻量化模型性能进行了评估分析,结果表明:相比于YOLOv3原始模型,改进后的轻量级M-YOLO-Small-Tiny模型取得了最优的综合性能,CPU上单帧推理耗时仅104.36ms,检测定位速度提升近7.6倍。