随着时代的发展前进,由于人们对美好的生活渴望以及社会对生产效率的要求,采用机器人代替人类进行简单的重复性劳动成了大势所趋。机器人既可以将人类从恶劣甚至危险的工作环境中解放出来,又能提高工作的效率并且降低了生产成本。在物流分拣领域目前主要还是以人工分拣为主,由于人工分拣效率低下,当物流峰值来临时无法应对,且人力操作不规范造成了很多不必要的损失,所以在该领域机器代替人工非常必要。然而机器人代替人工作业需要拥有一双像人类一样的可以感知丰富信息的眼睛,比如可以判断物体颜色、种类和物体大小尺寸等。传统RGB相机只能获取图像颜色信息,但是二维成像已无法满足机器人的感知要求。机器人的工作任务越来越复杂,所以机器人对三维世界的感知必不可少。随着传感器的发展,TOF相机提供了一种更简单直观的深度感知方法,让相机拥有感知三维世界的能力。本文将TOF相机应用于物流分拣领域,提出了TOF相机和RGB相机协作互补的方法,采用了基于深度学习的卷积神经网络分类算法,使分拣设备拥有了智能分类和测量的功能。相对于人工分拣,该方法可以数字化分类测量的结果,并上传信息用于最优决策。本文主要完成三个工作任务:一是完成相机的标定研究,二是完成图像分类算法研究,三是完成尺寸测量算法研究。其中主要研究内容如下:(1)研究了相机成像的原理,了解了相机有无畸变下的数学模型,推导了张氏标定法的原理。针对两个摄像头分别完成了标定工作,除此之外针对TOF相机设计了深度测量校准方案。(2)基于卷积神经网络,采用迁移学习(Transfer learning)的方法,在少量数据集的情况下训练出精确度达到90%的RGB分类神经网络。(3)设计了一个双输入单输出网络,分别使用RGB图像和3D深度图像作为两个Input layer的输入。使分类结果结合颜色信息和深度信息,从而弥补两种图像信息的盲点,分类准确度达到83.2%。(4)基于3D深度图像和RGB图像建立了测量物体体积以及尺寸的数学模型,尺寸测量误差达到小于2cm。本文研究的无人物流方法的分类准确度和测量精度基本适用于目标物体形状、颜色和体积各异的物流分拣系统中,且To F算法简单实时性较好。