蝶阀是用于控制低压管道内介质流量的开关,应用十分广泛。目前,蝶阀装配均由人工完成,生产效率低。随着人口红利降低、工人成本增加、人工易出现误操作多,因此采用工业机器人代替人工装配。为了提高蝶阀的装配效率及质量,提出了一种基于深度学习的蝶阀阀体识别检测及定位抓取的方法。首先,在蝶阀阀体识别过程中,对于蝶阀阀体识别的准确性和时效性有较高的要求,提出一种基于改进YOLOv3算法的识别检测模型,用于蝶阀阀体的识别。传统的识别检测算法的识别效果易受目标物体位姿的影响,因此采用基于深度学习的目标检测算法,具有较高的泛化性和稳定性。将R-CNN、YOLOv3和改进YOLOv3深度学习算法对比。经实验验证,YOLOv3算法的识别速度和准确性优于R-CNN算法。其次,在蝶阀阀体抓取点定位过程中,结合改进YOLOv3识别模型,建立一种蝶阀阀体抓取点定位的方法,可以快速确定蝶阀阀体抓取点的空间位置。利用相机采集蝶阀阀体的图像信息和深度信息,通过阀体与RGB-D相机间距获取的方法,得到阀体到相机的距离;通过阀体与RGB-D相机坐标转换关系,得到像素坐标系与世界坐标系的转换关系;通过“眼在手”的手眼标定方法,获得相机坐标系与机器人基坐标系的转换关系;进而获得蝶阀阀体抓取点在工业机器人基坐标系中的空间位置。再次,在蝶阀阀体抓取过程中,对于抓取精确性低的问题,建立一种蝶阀阀体抓取姿态估计,使得机器人抓取过程更加精确。结合阀体抓取点定位方法和K-Means++聚类算法,获得阀体在工业机器人基坐标系下的姿态,进而获得手爪在抓取时的姿态。由于蝶阀阀体为非规则刚体,手爪在阀体抓取点无法准确抓取,因此将阀体抓取点向阀座方向偏移一定距离,作为阀体实际抓取点,该方法优化了抓取蝶阀阀体时手爪的位姿,提高了抓取的准确性,通用性好。最后根据阀体位姿和实际抓取点坐标,驱动工业机器人抓取蝶阀阀体。经实验验证,基于深度学习的蝶阀阀体识别检测及定位抓取的方法能够较好的完成蝶阀阀体的识别检测及定位抓取的任务,达到预期效果。