近年来,我国在绿色发展的道路上身体力行。作为人口大国,我国对电器设备的需求量大,因而电器报废量逐年增长,其中丰富的可再生资源也被不同程度地回收利用。目前,业内对废旧制冷设备的处理能力相对低下,原因在于其核心部件“压缩机罐体”的种类繁多、形状复杂,现有罐体回收流程中为人工搬运,效率极低。因此,如何提高罐体移送的效率成为业内亟需解决的难题。目前,已有少量基于计算机视觉的技术方案被应用到了压缩机罐体的自动化抓取工作中,但均有较强的局限性。为设计出满足实际工业需求的面向压缩机自动化抓取的视觉检测方案,本文调研分析了行业实际需求,明确了设计视觉检测方案的基本原则,将整体拆分为对罐体的目标检测和姿态估计问题。首先,本文通过实验说明了传统图像处理方法在目标检测上的局限性;基于稀疏训练思想,面向工业应用场景完成了对原始YOLOv3网络的通道剪枝轻量化,达到了43.87%的压缩率,推理耗时缩短了26.12%,浮点运算数降低了42.30%,而m AP仅降低了0.007。在此基础上,为了提高罐体区域图的质量,提出了一种基于三原色通道值掩膜的高光消除方法,为后续姿态估计模块提供了良好的图像基础。其次,本文提出了一种基于概率密度函数估计的前景分割方法,较完整地提取出了区域图中的罐体前景部分;接下来,利用主成分分析和基于Hough变换的直线检测方法,完成了罐体的前景补全。基于此,提出一种基于前景图像数据挖掘的姿态估计算法,完成了罐体主要尺寸的确定和表面障碍物的检测,得到了一系列关键点位信息;接下来,本文介绍了单目相机坐标系转换原理,完成了标定及坐标转换工作。至此,本文完成了面向压缩机自动化抓取的视觉检测关键技术的研究。最后,本文基于上述内容设计出了一套面向压缩机自动化抓取的视觉检测方案,并部署了实际的实验环境,对78个随机选择的罐体进行了视觉检测实验;最终罐体表面障碍物的检出率达到94.45%,单个罐体的平均视觉检测用时为1.28秒,整体准确率和时效性都较高,验证了本文方案的可行性。综上,本文提出了一套面向压缩机罐体自动化抓取的视觉检测方案,通过实验验证了所提出方案的准确率和时效性。