灵巧手是机器入学的重要研究领域,灵巧手的物体抓持和灵巧手抓持规划过程又是机器人研究中的重要环节。灵巧手具有较多的自由度和不同的抓持模式,抓取不同的物体又具有不同的路径规划。因此,本硕士论文基于深度学习算法从图像中提取出被抓取的物体特征对物体进行识别,并且找出物体到抓取动作的映射关系,这对于灵巧手实现精细操作、人机交互有着重要意义。本文基于CHL-DS-01-A工业机器人PCB异形插件工作站平台进行研究,该平台系统涵盖多个工程领域,包括机械系统的物理设计,控制系统的控制理论,以及控制软件的实现。为了实现在复杂环境下灵巧手能够实现对物体进行识别并且成功抓取的任务,本文结合图像识别和深度学习技术设计并训练了 Mobile NetV3网络模型,采用双向循环神经网络简化复杂的机械运动控制,并且设计了一组实验验证了该方法的有效性。本文主要工作如下:(1)反巧手平台抓持物体的路径数据收集。本文基于CHL-DS-01-A工业机器人平台,对于不同物体在不同位置进行了大量抓取来收集抓取路径参数。主要包括从灵巧手的起始位置运动到物体位置,抓取物体之后回到起始位置这一过程的数据。路径数据收集的多少对于网络模型自动生成路径的好坏至关重要,并且能够使灵巧手学习到人类抓取物体的方式和习惯。(2)改进和训练了 Mobil eNetV3网络模型。针对灵巧手难以准确定位的问题,特别是在抓持复杂环境中的物体时,利用深度卷积算法,把被抓持物体从复杂的环境中分离出来。为了提高在移动端使用深度网络模型的运行速度,本文结合食品行业的特性对Mobil eNetV3网络模型进行改进。通过实验对比使用改进后的网络模型识别出来的被抓持物体图像更加准确。(3)采用双向循环神经网络简化复杂的机械运动控制,并根据自行采集的数据训练了BRNN模型。针对灵巧手机械运动规划的问题,设计了一种基于双向循环神经网络模型,该模型可以进行任意位置的抓取任务,并且使灵巧手具有—定的泛化能力。