本项目采用的结构光双目视觉系统采集的数据流包括RGB彩色图像及点云数据。双目相机的精度为1mm@1m（在1米高度处，精度为1mm）。在商超拆垛作业场景下，通过该图像设备采集的点云数据噪音较多，通过单一的机器学习算法很难达到去噪音的目的。因此，在处理三维点云数据时，需要结合二维图像的特征提取，实现点云数据去噪。该任务环境要求实现1000种纸箱的自动精确抓取，传统的视觉技术难以满足如此多种类的图像处理要求，因此，该项目基于深度学习模型，建立了图像分割的神经网络模型。该模型能够对图像中的纸箱进行实例分割，得到每个纸箱独立的掩模（mask）。将实例分割得到的掩模映射到点云数据上，可以去除点云数据中的噪声点。当获取每个纸箱去噪的点云数据后，通过机器学习算法可以计算出每个纸箱的中心坐标，最后将中心坐标位置反馈给机器手的PLC实现精确定位。