抓取是机械臂完成搬运、分拣、装配等任务中的关键操作步骤。研究高效、准确、可复用性高的抓取方法,对于提高机械臂工作效率、降低生产成本具有重要意义。针对当前基于视觉的机械臂抓取多采用人工设计、提取图像特征,算法鲁棒性和可重用性差的问题,本文提出了基于卷积神经网络的栅格化抓取位置检测模型,建立抓取位置在图像空间的“五参数”表达法,基于RGB-D图像检测目标物体的抓取位置。利用ArUco marker对Kinect v2传感器和机械臂进行“眼到手”手眼标定,建立机械臂运动模型,实现图像抓取位置到空间抓取位姿的映射,开发机械臂控制系统,完成基于Kinect的抓取实验,验证了算法的有效性。第一章概述了本文的研究背景和意义,介绍了机械臂视觉系统在手眼标定、抓取位姿生成等关键技术的国内外研究现状,给出了本文的主要研究内容和组织框架。第二章使用ArUco marker二进制标记完成了 Kinect传感器和机械臂的“眼到手”手眼标定。首先介绍了 Kinect彩色相机和深度相机的内参标定及图像配准方法,然后给出了“眼到手”配置方式的标定方程及求解过程,最后完成了标定实验。第三章提出了基于卷积神经网络的栅格化抓取位置检测算法。首先给出了抓取位置在图像空间的“五参数”表达及相应的准确性判断标准,然后引入卷积神经网络方法,基于栅格化思想设计了网络输出,给出了模型的基本结构和损失函数。最后介绍了模型训练所需要的点云处理、真值文件生成等数据预处理过程。第四章给出了基于RGB-D图像的机械臂抓取位姿映射与轨迹确定。首先评估不同训练方法得到的抓取位置检测模型在测试集上的表现,观察其对实际零件的检测效果,然后对机械臂的进行运动学建模分析,使用解耦法和加权行程法得到逆解结果,实现图像空间抓取位置到机械臂操作空间抓取位姿和关节角的映射。最后给出抓取任务的作业轨迹,对于过程中需要的夹爪坐标系下的运动,建立了基于最小二乘法的工具坐标确定方法。第五章完成了基于Kinect的机械臂抓取系统开发与实验验证。本章详细说明了控制平台中工具设定、工件设定、I/O控制和手动操作功能的实现。在平台基础上添加手眼标定、RGB-D图像检测和位姿生成模块,建立了完整的基于Kinect传感器的机械臂抓取平台并完成实验。第六章总结了本文的研究成果和创新点,针对目前存在的问题给出了后续研究的建议。