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。

设计了基于投影光刀的关节面三维轮廓旋转检测系统。采用摄像机针孔模型, 实现了检测系统的快速标定; 通过优化的重心算法, 提取出投影光刀的中心线, 获取了关节面的截面轮廓线; 通过分析投影光刀平面与转轴之间的夹角, 完成了截面轮廓线的倾斜校正, 实现了关节面三维轮廓数据的准确重建。结果表明, 该检测系统具有非接触、高精度等特点, 可有效解决股骨假体关节面的复杂轮廓检测问题。