针对工业生产线中多工件杂乱放置、互相遮挡，存在漏检、错检以及抓取点定位困难问题，提出一种基于协同深度学习的多工件抓取点定位方法。首先，以YOLOv5为基础网络，在输入端增加数据预处理模块用于图像增强时的角度变换，检测层增加特征细化网络，通过旋转锚框实现旋转工件的识别定位，采用轻量化的Ghost bottleneck模块代替主干网络中的bottleneckCSP模块，消除旋转锚框二次定位增加的时间成本，将融合后的特征图分别输入注意力机制模块，获取工件关键特征；其次，根据各工件检测框进行图像裁剪，将多工件检测近似转化为单工件检测；最后，求取工件质心，并结合旋转检测框的角度值确定抓取点。实验结果表明：所提方法有效解决了工件距离相近或互相遮挡时抓取点定位问题，且检测速度和精度均有明显优势，保证了工业场景中多工件检测的实时性。

为了获取磨削工件表面特征信息，提出一种基于激光扫描的磨削工件表面检测方法。利用机械臂带动激光传感器扫描放置在激光测量平面中的磨削工件，从而获得工件在激光测量平面中的三维坐标信息，通过相邻2个扫描点之间的高度变化求出工件边界点的三维坐标信息，结合x轴和y轴坐标的极值点利用最小二乘法拟合出工件边界在激光测量平面中的解析式，进一步求出附着在工件上的坐标系相对于激光测量坐标系的位姿，最后利用工件在激光测量坐标系中的位置矢量信息得出其表面特征信息。实验结果表明，利用该方法对工件表面进行检测，得到工件表面检测误差为0.11 mm，检测平均时间在1 s内，满足工件表面特征检测要求。

针对批量微小型二维工件在视觉检测中角点的定位，提出一种渐近式分步提取方法。该方法以图像单像素轮廓上固有的几何关系为先验信息，首先在轮廓序列中锁定本次待测角点的存在区域，然后根据角点特征灵活设置响应函数检测角点，并对其精确定位及时排除伪角点，之后重新锁定区域。这一过程循环渐近，直至将所有角点检测出。实验结果表明，对同一工件不同位姿多次采像检测，角点间距的标准差在0.5 pixel 以内，重复性高。与Harris 角点检测、CSS 角点检测算法比较，对视场内杂质背景的抗干扰性强，定位准确、快速。该角点定位方法在微小型二维工件的大批量高速检测中，具有明显优势。