蚱蜢具有形态小巧,隐蔽的特点,本身又具有超强的弹跳能力。因此对其的仿生学研究的脚步一直没有间断。蚱蜢仿生机器人能够在各种恶劣、复杂的环境作业,甚至可以利用其隐蔽性的特点深入敌后完成军事侦查目标。在上述复杂的作业环境和执行特殊的任务目标的情况下,研究设计蚱蜢仿生机器人视觉系统。使其能够实现自主避障和路径规划就显得非常有意义。对仿生机器人设计研究时,视觉系统是必不可少的部分。将图像处理、模式识别、人工智能等先进技术综合利用起来,能够进行障碍物的识别检测、运动目标跟踪。具有重要的理论价值和现实意义。为了实现上述目标,本文主要从以下几个方面进行了设计研究:设计搭建了蚱蜢仿生机器人视觉系统的硬件结构,对硬件进行了选型和论述分析。在搭建蚱蜢仿生机器人视觉系统的硬件时,考虑到蚱蜢仿生机器人的空间小、结构紧凑、形态小巧,无法安装太多的硬件模块,对硬件系统进行了结构最简化的设计处理。对三种YOLO模型进行研究,并重点对YOLOv3的原理和训练方法进行了分析研究。对处理好的图像的进行检测。在目标检测方面,是基于yolov3的深度神经网络算法,具有检测速度较快、准确率高。利用传统YOLOv3模型进行了障碍物的检测。针对其检测速度不高,对模型进行了优化设计。主要是对YOLOv3的网络模型进行剪枝优化,减少了网络的层数,增加了识别速度;对yolov3参数进行优化,使得训练速度得到提升,训练模型更快的进行收敛。对图像中检测识别出的障碍物进行分割提取,并对提取出来的障碍物进行了图像的处理。主要目的是获取障碍物的外形轮廓线,并对外形轮廓线进行多边形逼近形成一个凸闭包。为后续实现蚱蜢仿生机器人路径规划研究做了铺垫。蚱蜢仿生机器人是一种典型的高端智能仿生机器人,不仅集成机器人、仿生学、控制学等先进的技术,而且需要能够适应非常复杂的作业场景。因此其研发有很多的技术难点,其中典型的技术要点在于障碍物的识别、定位等。本文以蚱蜢仿生机器人视觉系统作为研究对象,对障碍物的识别、图像处理等方面进行理论研究和实验验证。