工厂物品本身种类繁多、材质不同、颜色多样以及和背景之间存在的空间位置关系,自动分拣任务复杂。工厂物品自动分拣装置主要包括视觉算法部分和动力学装置,本论文主要研究视觉算法部分。随着深度学习和计算机视觉技术的飞速发展,国内外企业、高校已经非常重视以机器视觉为基础的自动分拣技术,并且在工厂生产中得到了极大的应用。深度学习能有力的进行特征选择和表征,为计算机视觉、机器人、金融和医疗等方面带来了新的发展机遇。将深度学习应用到工厂自动化生产领域已成为人们相同的共识和挑战,也为其工作速度加快带来了新的动力。本文的主要研究内容如下:首先,介绍了深度学习的发展历史和特点,其通过构建深层模型和大量数据学习更有用的特征进而得到很高的分类或预测的准确性。重点阐述了卷积神经网络的发展、结构和性质,以及其在语义分割和二维和三维信息融合方面的应用。针对工厂物品自动分拣的问题,本文详细分析了主流语义分割网络和基于生成对抗网络的语义分割网络的优劣势,并最终以循环生成对抗网络为基础,设计了针对工厂物品的语义分割网络。针对数据信息提取,使用了成对数据以提高更多的语义分割信息,同时增加了特征提取网络增强网络的特征提取和学习能力,最后优化了网络的损失函数,使得网络最终的语义分割能力达到了当前最好的水平。然后设计了端到端的二维和三维信息融合算法,首先使用设计的二维语义分割算法提取二维信息,然后使用深度网络提取三维点云特征,并将二维和三维特征嵌入和融合,网络最终输出物品的位置空间信息。最后,对本文设计的针对工厂物品的语义分割算法和二维和三维信息融合算法进行实验检验。网络在测试集上表现均达到了当前较高水平,满足设计预期,本文设计的网络具有一定的现实意义。