1.一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于,包括如下步骤：
2.根据权利要求1所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，所述步骤s1中的手眼标定具体为：
3.根据权利要求2所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，所述步骤s1中的摄像头内参标定具体为：
4.根据权利要求1所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，所述步骤s2具体包括如下流程：
5.根据权利要求4所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，执行步骤s2.2，矩形抓取框的位置参数包括：矩形抓取框的高度、宽度、质心坐标和抓取角度，所述抓取角度为矩形抓取框高度方向与rgb图像横轴的夹角；
6.根据权利要求1所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，执行步骤s3，构建的改进cascade r-cnn网络包括resnext特征提取网络、区域候选网络rpn、级联检测网络和集成共享模块；
7.根据权利要求6所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，所述级联检测网络包括三个检测器，每个支路的检测器中均包含：池化层、全连接层和卷积层，池化层用于将特征图处理为固定大小，全连接层用于进行角度分类预测，卷积层用于进行候选抓取框预测，前一检测器的卷积层输出的候选抓取框投影到多尺度融合特征图上再输入到后一检测器中进行角度分类预测和候选抓取框预测；
8.根据权利要求6所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，执行步骤s3，所述改进cascade r-cnn网络中角度分类预测的损失函数是交叉熵，表示如下：
9.根据权利要求1所述的一种基于改进cascade r-cnn网络的机械臂抓取检测方法，其特征在于，将原始图像数据集随机划分训练集一和测试集，将多目标抓取图像数据集对应划分训练集二和验证集；