目前在汽车零件工厂中,机器视觉技术仍是制约机器人分拣、装配等工作效率的重要技术。当下国内工业机器人,对非结构环境中复杂多样化的汽车零部件定位抓取研究,大部分仍停留在传统机器视觉方法上,导致存在检测速度慢、精度低、漏检误检严重的问题,极大影响了工业机器人装配、分拣等生产环节的工作效率。近年来,基于GPU计算机的深度学习目标检测算法在检测速度与精度上都有极大的提升,但是对硬件资源要求较高、网路参数较大且前向推断速度较慢,无法满足工业生产实时检测要求,同时也难以在低算力资源的计算机、嵌入式设备或移动端上运行,因此,有待研究出具有高检测精度和良好实时性的轻量级卷积神经网络。针对上述问题,本文提出一种基于YOLOv4网络改进的轻量化零件检测网络与全卷积网络进行融合设计的工业机器人抓取系统,该系统可在Jeston Xavier NX嵌入式设备上完成零件的分类、定位及抓取任务。本文的主要工作内容如下:1.根据目标识别与定位的实际需求,比对了当下主流目标检测算法的优缺点,选择了兼顾检测速度和精度,且开源性较好的YOLOv4算法作为基础算法。针对该算法在NX嵌入式设备中识别速度慢的问题,提出采用融合并行混合注意力模块和引入Inception模块的轻量化网络Mobile Netv2替换YOLOv4的特征提取网络CSP Darknet-53,同时使用自适应特征融合结构ASFF增强PANet检测网络的特征融合能力以及利用K-means++算法对聚类进行优化,最后通过Tensor RT推理引擎降低改进YOLOv4算法在嵌入式设备上检测耗时问题,并对比算法改进前后在NX嵌入式设备上的检测效果,实验表明改进后的网络检测速度更快,精度更高,定位边界框更贴近于零件。2.利用Open CV视觉库编写了基于张正友标定法的标定程序,并完成了双目相机标定实验,同时使用Matlab软件的标定结果作为验证,再通过手眼标定获得相机坐标系与机器人基座坐标系之间的映射关系。针对不规则零件定位不准的问题,设计了基于全卷积网络与改进YOLOv4网络的融合方法,对不规则零件进行像素级别分割以及图像处理,在满足检测精度的基础上,提高了不规则零件的定位精度,最后将识别到的零件类别和形心坐标通过立体匹配得到零件分类信息及抓取位姿。3.根据零件抓取流程和需求,搭建了基于NX嵌入式双目视觉的目标零件识别与抓取实验平台,通过模块化思想设计了识别与抓取硬软件系统,然后对NACHI小型机器人进行正逆运动学分析,并简单规划了工业机器人的运动轨迹,最后结合QT开发系统软件界面,并通过嵌入式实验平台实现了零件识别、分类与抓取任务。