基于视觉的机器人抓取工作是目前计算机视觉研究在实际生活中的重要应用之一,已经广泛应用于垃圾分拣、工业零件加工、快递物流传输等方面。相比传统算法成本高且耗时长的问题,基于深度学习的机器人视觉抓取方法在确保高检测速度的同时,也减少了成本,且具有较高的准确度,体现出很高的实用价值。本文对基于深度学习的机器人视觉抓取方法中的物体位姿估计技术,与目标识别技术展开了相应研究,针对传统机器人抓取算法成本高、位姿估计准确率低、在极端场景中鲁棒性差等问题,提出了新的解决方案,并进行了实际的抓取实验验证。在物体位姿估计算法方面,本文提出了一种基于单视图关键点投票的机器人抓取方法。通过网络学习,在RGB图像上利用投票推理的方式提取关键点信息,同时使用最远点采样算法提取物体三维模型表面上的关键点特征,两者结合计算得到物体在相机坐标系下的位姿信息。然后手眼标定,确定相机与机器人之间的位置关系。最后将网络输出的物体位姿信息转化为便于机器人理解的抓取姿势,实现物体的准确抓取。该方法仅依靠单视图即可完成信息获取,并且由于采用了投票推理的机制,对物体被遮挡、截断等场景也能较为准确地预测出位姿信息,体现出较好的鲁棒性。通过机器人抓取实验证明,该方法能够达到预期目标,抓取成功率达到了94%,能引导机器人实现准确抓取。在目标识别算法方面,本文提出了一种基于实例分割的同类多目标机器人抓取方法。针对机器人抓取应用中常出现的同类多目标的摆放情况,本文受实例分割网络Mask-RCNN的启发,在网络进入位姿估计分支前,加入了一个二维检测模块。首先通过主干网提取多尺度特征图,再送入RPN网络筛选出包含目标物体的感兴趣区域,接着使网络聚焦于这些感兴趣区域,对其中物体进行检测、分类、分割和位姿估计等任务。由于导入了二维检测器,使网络能在同类多目标情形下,准确输出所有目标的识别与位姿估计结果;同时感兴趣区域的机制也让网络更集中于存在物体的局部区域,提高了网络输出结果的精度。最后的抓取实验证明,该方法能够切实解决同类多目标情形下所有物体的准确抓取。