目前工业机器人以其巨大的优势得到了广泛应用,但随着现代制造业的发展,对机器人的智能性和灵活性提出了更高需求。演示编程技术可以让机器人通过“观察”人的演示而完成相应的装配任务,从而大大简化工业机器人的开发过程,因此工业机器人的演示编程逐渐成为研究的热点。本文针对工业机器人演示编程过程中的零件识别和位姿估计问题展开研究。工业装配中由于零件之间具有严格的装配关系约束,对零件位姿估计提出了较高的精度要求。此外由于工业零件表面纹理不丰富,为零件的识别带来了挑战。本文的研究成果如下。1.针对不同颜色和纹理的零件,本文在利用BP神经网络完成零件的颜色判别后,提出了融合灰度共生矩阵和Tamura粗糙度描述的纹理特征,然后采用非线性SVM实现了不同放置状态(正放、反放、侧放)的零件识别。在纹理特征提取前,本文对每个零件的姿态做了归一化,因此本文的基于纹理特征的识别结果不受零件旋转的影响。实验结果表明本文的颜色判别与纹理识别算法取得了较高的识别正确率。2.针对多类物体识别,本文提出了一种基于组合特征和随机森林(Random Forest)的多类物体识别算法。该组合特征包括颜色直方图、旋转不变LBP、圆形率和长宽比、归一化的Zernike矩描述,并且该组合特征具有旋转和平移不变性。然后训练随机森林作为分类器模型。在20种物体上的实验结果表明本文的识别正确率达99.33%。通过与其它组合特征和分类算法的对比,证明了本文算法的优势和有效性。3.针对不同的装配任务,本文设计了两种不同的位姿估计算法：一是结合物体识别的先验信息,利用单目视觉和最小面积矩形(MAR)算法完成了零件的位姿估计。二是针对复杂装配情形,采用了双目立体视觉和概率霍夫变换算法完成了零件的位姿估计。本文的零件位姿估计算法实现在线估计的同时,保证了装配中精度的要求。