随着经济社会及计算机技术的发展,工业制造对生产力的要求越来越高,智能工业机器人在工业制造领域扮演着越来越重要的角色,在电子、机械、物流等领域都有了更广阔的应用空间,被广泛应用在智能拆垛、工件上料、货品抓取、物品定位、缺陷检测、尺寸测量等工业任务中。在这些工业任务中,对场景中的物体进行准确的感知是完成整个工业机器人任务的重要环节。同时随着3D扫描技术的发展,可以提供丰富的几何、形状和尺度信息的点云数据由于采集成本降低、受光线条件影响较小等因素成为目前计算机视觉中重要的研究对象。在这些工业任务中,对工业场景中的物体点云进行准确的分割是对场景进行感知进而进行理解的关键,是完成后续工业机器人控制等任务的重要基础。在工业任务中,工业场景中的物体大多为刚性物体,并且待处理的物体通常都是根据一个已知的设计好的三维模型生产制造出来的,而该场景也是由一个个属于该模型类别的完全相同的物体相互堆叠而成,本文的主要研究内容就是面向这种特殊的工业场景,要将该特殊工业场景中的物体实例一个个的分割出来,即可以理解为已知物体三维模型的同类别物体组成的点云场景的实例分割任务。在本文的工作中,我们首先采集了一组符合任务需求的真实工业场景下的点云数据,提出了一种基于边缘检测、带条件的欧几里得聚类、ICP配准等传统点云处理方法的点云数据自动化标记方法,构建了一个用于神经网络训练与评估使用的带物体三维模型的点云分割数据集。在此基础上,提出了一个利用物体三维模型信息的用于点云分割的神经网络框架,该神经网络针对该同类别物体的实例分割任务无法事先知道场景中实例的数量的特点,提出利用神经网络学习物体实例的中心点及相对于物体模型位置的姿态信息的方法,针对已知待分割物体的三维模型的特点,提出了一种利用物体三维模型信息的带模型的注意力机制模块,在基于这两个主要思路设计的神经网络上进行相关语义信息、中心点信息及相对姿态信息的学习,最终通过一个基于聚类优化的后处理过程对神经网络预测的中心点信息及相对姿态信息进行筛选,然后利用基于物体模型的先验包围盒对点云进行分割选取来得到最终的点云分割结果。经过具体实验,本文构建的基于真实工业机器人应用场景的带物体三维模型的点云分割数据集可以为使用基于深度学习的方法解决该工业场景下的特定点云分割问题提供数据基础;提出的利用物体模型信息的基于神经网络的点云分割方法能够得到与当前先进的点云分割方法相近的点云分割结果,并且分割结果中物体实例的几何结构的完整性更好;其中神经网络预测的工业场景中物体实例的中心点以及相对于物体模型位置的姿态信息又可以直接提供给工业机器人,来为工业机器人进行相关分拣、抓取等任务提供任务场景中待处理物体的视觉信息。