在中国制造2025的强大时代背景下,智能机器人逐渐应用到各个领域,极大的提高了生产效率与产品质量。目前,机器视觉仍然是制约工业机器人发展的重要技术之一,当下国内的汽车零部件回收工厂中,对细小零件的分拣环境中的光线明暗问题以及相机位姿变换等问题对于传统机器视觉方法来说仍然是个具有挑战性的难题,经常出现误检、漏检、识别率低、检测速度慢的问题,极大地影响了工业机器人的分拣效率。针对汽车零部件回收工厂在实际复杂工况下,零件检测效果不佳导致不能完成精准抓取从而影响生产效率的问题,本文提出了提出一种基于改进SSD框架的深度学习识别方法的机器人抓取系统,可实现零件检测、分类、定位及抓取任务。首先通过改进SSD模型检测目标零件,得到零件位置和类别信息;然后通过相机标定与手眼标定将像素坐标系转换到机器人世界坐标系,实现零件在机器人空间坐标系下的定位;最后通过机器人正逆运动学建模与轨迹规划,完成目标零件抓取任务,具体工作如下:1.通过比对当下主流目标识别检测算法,选取开源性好,兼具实时性和检测精度的SSD算法,然后根据检测需求对其进行特定网络结构改进,插入Inception结构,同时优化其损失函数与非极大值抑制。并训练得到目标检测模型,对比改进前后检测效果,改进后识别率更高,目标检测框更贴近真实零件,极大的减小了定位误差。2.基于张正友标定算法的综合多畸变迭代相机标定,然后通过建立机器人末端执行器中间坐标系得到手眼标定中间矩阵,从而求得相机外参。通过相机标定与手眼标定,将目标检测算法模型得到的图像像素坐标转换到机器人世界坐标系中,完成几个中间坐标系之间的转换工作。3.结合目标零件检测系统与坐标系转换完成集成软件设计,将目标零件空间坐标信息发送到机器人PC控制端,然后对NACHI小型超速机器人进行正逆运动学建模与轨迹规划,机器人根据坐标信息做出相应抓取位姿的自适应调整,并到达指定位置完成抓取任务。