当前工业机器人主要采用“示教——再现”的工作模式,无法感知外界条件的改变,鲁棒性差。为此,本课题设计了一套单目视觉工件检测机器人系统,通过基于深度学习的目标检测算法实现工件的准确检测,包括工件分类、工件定位以及姿态估计。研究了单目视觉工件检测机器人系统的标定方法以及工件数据集的标注方法。为了实现机器人基坐标系、工具末端坐标系和相机坐标系三者之间的转化,首先采用HALCON对相机进行内外参数标定,建立了二维像素坐标系到相机坐标系的变换关系;其次,采用“五点标定法”对工具坐标系和机器人基坐标系之间的齐次变换矩阵进行求解;最后,采用HALCON对“Eye-in-Hand”系统进行手眼标定,获得相机坐标系相对于工具坐标系的变换模型,从而实现图像二维像素坐标向机器人三维坐标的映射。为了使模型学习正确的特征,采用基于HALCON的图像处理算法对工件图像进行一系列预处理,再对其进行标注,生成高质量的工件数据集。为了提高工件的定位精度,研究了两种基于目标检测的工件定位算法。前者基于特征融合,在SSD（Single Shot Multi Box Detector）算法的基础上引入Bi FPN（weighted bidirectional feature pyramid network）特征融合,构建了自顶向下、自底向上、横向连接和跳跃连接的架构,使各个特征层的信息充分融合。给每个特征层引入一个可学习权重以表征其重要性,充分且有所偏重地利用各个不同尺度特征层的语义信息和细节信息;后者基于回归损失函数优化,以EIo U（Efficient Intersection over Union）为SSD算法的损失函数,将四个边界信息作为一个整体,并添加了中心点损失和边长损失两个惩罚项分别表征预测框与真实框的中心点相对距离和边长差异,解决了边框回归不准确的问题。针对工件定位缺乏姿态信息的问题,研究了一种基于目标检测的工件位姿估计算法。在Textesbox++算法的基础上,嵌入了一个角度转化模块。该算法采用Text Boxes++对工件的四个角点进行预测,并基于四个角点的最小外接矩形来获得工件的位置信息和姿态信息,适用于形状不同、姿态各异、位置未知的工件检测,具有较高的检测精度进和较快的检测速度。设计并搭建了一套单目视觉工件检测机器人实验平台。硬件部分主要包括机器人、视觉传感器、操作平台和工控机等,软件部分主要有图像采集模块、机器人运动模块、伺服电机模块以及人机交互界面。在工件中心点轨迹预测实验中测试了两种工件定位算法的性能并与其他算法进行比较,证明了两种算法在工件定位方面的优越性。并在该平台上针对位置不同、姿态各异的工件进行了位姿估计实验。实验结果表明,所提工件检测算法均能将检测精度稳定控制在较低值,具有良好的工业应用前景。