目前,无论是在日常生活还是工业上,自动化技术都在朝着智能化的方向快速发展。智能化的发展离不开智能的算法,也离不开其载体——机器人。拥有一个性能优越的视觉感知系统是机器人的智能化表现之一。近些年,随着计算机性能的提升,大数据以及机器学习技术得到了前所未有的发展,机器学习中的深度学习的方法也为传统机器视觉领域打开了一扇新的大门。尽管深度学习的目标检测算法已经日益成熟,但是将这种理论算法应用于实际机器人上的发展却相对缓慢。论文以移动机器人平台为载体,针对深度学习中的Faster R-CNN目标检测算法进行改进,建立了新的目标检测网络模型,此外,借助于深度相机提供的深度图像信息,实现了目标物体的抓取点定位。最后,在实际移动机器人上完成了指定目标的抓取任务。主要研究内容包括:深度学习中目标检测算法的理论研究;数据集中的标注真实框对训练目标检测网络的影响,并以此设计了自适应数据集的锚框选取算法;改进的Faster R-CNN目标检测网络模型的搭建与训练;以及基于深度相机的抓取点定位与位姿估计。论文首先对10类日常商品:牙刷、牙膏、薯片、饼干、牛奶、可乐、纸巾、洗发水、书、果汁制作了图像数据集,总共包括4000幅图像,每类400幅,其中各类数据集分别以6:4设置了训练集与验证集。在数据集中,各类商品以不同的姿态、角度摆放在不同的光源的场景下,实验表明,这样的数据集能够训练出一个鲁棒性更好的目标检测网络模型。接着,基于目前深度学习领域的主流目标检测方法(YOLO、SSD、Faster R-CNN)分别建立了目标检测网络,并在制作的日常商品数据集上分别训练了3种网络模型,并设计实验探究了它们之间性能的差异。最后,针对论文的数据集以及Faster R-CNN目标检测算法的特点,改进了其区域生成网络部分,并设计了自适应数据集的锚框选取算法,从而形成了改进的Faster R-CNN目标检测算法。训练了 A、B、C、D、E、F、G、H共8组权重模型以进行对比实验,实验表明,论文提出的改进的Faster R-CNN目标检测算法在没有大幅度降低算法检测准确率的基础上明显地减少了 Faster R-CNN目标检测算法的时间开销,从而能更好地达到实时检测的目的。然后,基于深度相机提供深度图像的特点,以改进的Faster R-CNN算法的预测框为基础,结合了深度图与图像处理的方法,对目标物体的几何中心进行定位。并针对深度相机、物体以及移动机器人,建立了各坐标系之间的转换关系,求得了物体上抓取点相对于相机的位姿,用于完成后续的抓取实验。最后,搭建了移动抓取机器人系统,用于验证论文提出的基于深度学习和深度相机的抓取方法的可行性,并进行了 10类日常商品的抓取实验。实验探究了机器人与物体之间的距离对抓取成功率的影响,在10cm到50cm的距离下分别对10类商品各进行了50次抓取实验(共500次),实验结果表明论文提出的抓取方法能够成功地应用于移动抓取机器人,并在距离为30cm时使用权重模型F完成了 431次成功抓取,成功率达86.2%。