随着工业4.0时代的到来,工业生产中的自动化需求日益增加,机器视觉技术被广泛的应用到工业生产中。工件分拣是零部件拆卸分装、自动化装配、机床加工等常见生产过程的重要环节。工业零部件的定位和识别是机器视觉应用与研究的重要方向,而传统基于模板匹配的识别与定位的方法,应用的灵活性差,对于小批量且多种类的工件分拣,模板设计困难,成本高昂。针对目前工业生产中常见的工件自动化无序分拣与零部件自动装配环节,本文进行了双目视觉的标定、工件深度信息获取、工件的精定位以及工件识别技术等基于双目视觉的无序摆放小型工件分拣系统关键技术的研究,主要内容如下:1、针对实际工业生产中对于工件定位与识别的需求,设计并搭建了双目视觉分拣系统,选取的实验对象为各类球轴承、滚柱轴承、滚针轴承,各类齿轮、螺杆以及螺母等工业生产中分拣和装配过程中常见的工件。2、根据相机模型建立了各个坐标系之间的关系,阐述了相机畸变的原理,并给出了相机标定的基本原理及标定流程。本文使用标准棋盘格标定板,完成了双目立体标定。同时,介绍了双目校正与匹配的基本原理、立体校正的目的以及双目匹配的作用。进而,采用基于视差原理的工件深度信息获取算法,完成了工件的高度测量,为后续的工件定位工作奠定了基础。3、基于边缘点与非边缘点在数学上的本质区别——信息测度,提出了一种基于核函数极限学习机的边缘检测算法,可以对工件图像提取完整有效的边缘点的坐标集。通过获取的边缘点坐标集,计算工件形心、几何主轴和最小外接矩形,确定各工件的位姿。4、提出了基于深度学习算法——改进的YOLO v3的目标识别算法,在原模型网络的基础上,运用深度可分离卷积网络对Darknrt网络结构进行改进,并且采用了K-means聚类方法对数据集中的w和h聚类,通过此方式得到了适合于工件检测的预测框。采用Labelimg工具对图像集进行标注,并将数据集中的参数进行归一化处理以减少计算量,将完成训练的算法模型,对各工件进行类型识别。5、通过实验测试基于双目视觉的无序摆放小型工件分拣系统的效果和精度,实验结果表明,本文所设计的算法,将工件位姿提取的结果误差控制在1.4mm之内,偏转角度误差在0.4~o内,每个图像平均用时421ms,整体识别精度在99%以上,可以满足工业生产中分拣作业对工件定位及识别的精度和实时性要求。