1.一种基于深度学习的工业机器人智能控制方法，其特征在于：所述方法包括以下步骤：通过相机获取目标区域的彩色图像和深度图像，并对齐保存；

通过预训练的Mask R‑CNN 网络模型对所述彩色图像进行处理，获得目标物体的掩膜；

从所述深度图像中提取与所述目标物体的掩膜相适配的深度信息，生成目标物体的深度图；

从所述目标物体的深度图中确定所述目标物体的边缘，并在所述目标物体的边缘内部随机生成若干个预抓取点；

从所述预抓取点中筛选出落在所述目标物体的边缘点法线上的点，获得优选抓取点；

根据所述优选抓取点与所述目标物体的几何重心之间的关系，筛选出最优抓取点；

根据所述最优抓取点确定与其相对应的所述目标物体的边缘点法线，并生成抓取参数；

根据所述目标物体的深度图获得所述目标物体的点云数据，再通过点云拟合算法对所述目标物体的点云数据进行处理，获得所述目标物体的表面法向量；

将所述目标物体的表面法向量与所述抓取参数融合，生成适配于所述工业机器人的末端抓取位姿。

2.根据权利要求1所述的方法，其特征在于：所述相机为Kinect v2相机。

3.根据权利要求1所述的方法，其特征在于：在从所述目标物体的深度图中确定所述目标物体的边缘之前，还包括以下步骤：获取所述目标物体所放置的工作面的深度值；

将所述目标物体中各像素点的深度值分别减去所述工作面的深度值，再将结果转换到

0‑255范围内，用灰度形式来表示所述目标物体的深度图。

4.根据权利要求3所述的方法，其特征在于：所述目标物体的边缘为阶跃边缘，则所述从所述目标物体的深度图中确定所述目标物体的边缘的步骤包括：通过Sobel边缘算子或Canny边缘算子从所述目标物体的深度图中提取出所述目标物体的阶跃边缘。

5.根据权利要求1所述的方法，其特征在于：所述从所述预抓取点中筛选出落在所述目标物体的边缘点法线上的点，获得优选抓取点的步骤包括：针对所述目标物体的边缘上每个像素点，做其法线；

判断各所述预抓取点是否落在相应的法线上，是则保留为优选抓取点，否则舍弃。

6.根据权利要求1所述的方法，其特征在于：所述根据所述优选抓取点与所述目标物体的几何重心之间的关系，筛选出最优抓取点的步骤包括：分别计算各优选抓取点与所述目标物体的几何重心之间的距离，选择距离所述目标物体的几何重心最近的一个优选抓取点为所述最优抓取点。

7.根据权利要求1所述的方法，其特征在于：所述抓取参数表示为（x,y,z,h,θ），其中，x,y,z表示所述最优抓取点的三维空间坐标，h表示工业机器人的末端夹爪张开的尺寸，θ表示工业机器人的末端夹爪的张开方向与x轴之间的夹角；

其中，h为所述最优抓取点所对应的边缘点法线与目标物体的边缘相交而成的两个交点之间的距离，θ为所述最优抓取点所对应的边缘点法线与x轴之间的夹角。

8.根据权利要求1所述的方法，其特征在于：所述点云拟合算法为随机抽样一致性算法。

9.根据权利要求1所述的方法，其特征在于：所述工业机器人的末端抓取位姿用于使工业机器人的末端夹爪沿着所述目标物体的表面法向量所指示的方向执行所述抓取参数。

10.一种基于深度学习的工业机器人智能控制系统，其特征在于：包括相机以及上位机，所述相机用于获取目标区域的彩色图像和深度图像并对齐保存，所述上位机用于根据所述彩色图像及所述深度图像生成适配于所述工业机器人的末端抓取位姿；

其中，所述上位机包括：

分类识别模块，用于通过预训练的Mask R‑CNN 网络模型对所述彩色图像进行处理，并获得目标物体的掩膜；

边缘识别模块，用于从所述深度图像中提取与所述目标物体的掩膜相适配的深度信息并生成目标物体的深度图，以及从所述目标物体的深度图中确定所述目标物体的边缘；

随机生成模块，用于在所述目标物体的边缘内部随机生成若干个预抓取点；

优化确定模块，用于从所述预抓取点中筛选出落在所述目标物体的边缘点法线上的点，以获得优选抓取点，以及用于根据所述优选抓取点与所述目标物体的几何重心之间的关系，筛选出最优抓取点；

参数生成模块，用于根据所述最优抓取点确定与其相对应的所述目标物体的边缘点法线，并生成抓取参数；

点云平面拟合模块，用于根据所述目标物体的深度图获得所述目标物体的点云数据，再通过点云拟合算法对所述目标物体的点云数据进行处理，获得所述目标物体的表面法向量；

以及位姿生成模块，用于将所述目标物体的表面法向量与所述抓取参数融合，生成适配于所述工业机器人的末端抓取位姿。