随着社会老龄化加剧和人们生活水平提高,护理机器人得到广泛关注。本课题在护理机器人基础之上对其视觉模块进行了研究,为了让护理机器人识别结果更加实时,本文采用了基于卷积神经网络的目标检测算法。该方法伴随人工智能的发展,目前是视觉检测中主要的研究方向。本文针对传统机器视觉目标检测算法的不足,结合区域卷积神经网络目标检测算法特点,提出改进的更快区域卷积神经网络(Faster-RCNN)目标检测算法,降低了其训练和检测时间,并将改进算法应用于护理机器人。由于目标检测算法Faster-RCNN大部分时间用于特征提取,本文首先要找到一个结构简单,检测时间少,但识别准确率满足要求的特征提取算法。首先对比特征提取算法,实验结果发现可移动网络(MobileNet)算法性能较为理想,在以76.8%准确率的前提下将分类时间减少到119ms。然后分别将特征提取算法应用于Faster-RCNN目标检测算法,并在训练过程中加入手动标记数据集,加强算法鲁棒性,增加机器人应用场景。通过实验结果分析发现MobileNet和Faster-RCNN组合达到了最优效果,训练和检测时间要优于其他两个对比算法。在检测准确率为85.2%情况下,本文将Faster-RCNN算法检测时间减少到134ms。最后将算法应用于护理机器人进行真实场景物体识别,分别在不同条件下对多种物体进行检测实验。改进算法应用到护理机器人视觉模块后,在没有干扰情况下,当距离发生变化,机器人能够准确完成识别任务,检测概率均为100%。在干扰条件相对较弱的情况下,比如小部分遮挡和光照减弱的条件下,护理机器人依然能够较好完成任务,检测概率达到90%以上。对于多目标检测任务,护理机器人可以在目标物体间距离较大时以100%检测概率准确检测出目标物体。护理机器人视觉模块算法得到改进,检测时间缩短,并且能够在多种复杂条件下实时检测出目标物体。