随着物流行业的自动化程度的快速发展,快递分拣效率要求逐渐增高,自动化分拣的前端识别效率也需要不断的提升,目前分拣设备提取快递信息均通过扫描单号后,根据单号对接各快递公司总部数据库,再返回相关快递信息,效率难以提升,且通用性差。而实际快递面单均为纸质打印,面单上有详细的分拣信息,可以直接提取信息,但其提取受影响因素较多,诸如快递面单的褶皱,面单上的污渍以及周围光线的不均匀等,因此针对快递包裹实际面单的识别应用研究较少。同时,随着分拣的形式的多样化,模块化输送分拣形式将成为主流,且路径规划是保障其效率的关键,因此论文对快递包裹的运输做了路径规划方面的研究。针对以上难题,论文的研究内容如下:1)获取高质量的采集图片,方便后续的快递面单识别分拣,论文首先就图像采样精度方面,依据奈奎斯特定理进行分析,得出快递单三段码识别所需的最小图像采样精度。2)依据该精度需求,搭建了基于液态变焦镜头的机器视觉自动识别硬件系统,并设计由万向轮分拣平台、成像系统、自动下料机、半圆形皮带输送机和分拣口组成的机械装置,满足了规定的高度范围内的动态采集快递单图像的实验需求。3)传统机器视觉的图像处理操作难以适应运动中的快递件的背景变化,且快递件的面单上如果有污渍或者面单出现了褶皱,很大程度上影响了传统图像处理的模板匹配进行的定位以及字符的识别。因此论文提出了将传统的图像处理操作与深度学习结合,通过基于神经网络的SSD算法训练三段码区域的定位检测,以及通过ResNet网络框架的神经网络完成三段码字符的识别训练,可以在一定程度上减轻上述问题带来的定位和识别的影响。4)完成快递面单的定位识别后,需要快递能平稳的到达分拣口,设计了万向轮组成的模块化分拣平台。并基于贝塞尔曲线的理论,预先使用多次三阶贝塞尔曲线规划好每一个快递分拣口对应的路径,以达到灵活地控制万向轮模组中各个模块,可以快速平稳地输送快递到达分拣口处。经一系列处理测试后结果表明:对于图像的采集,确定了快递面单三段码识别所需的最小0.5mm的采样精度。对于三段码的检测,实现了该目标mAP值为0.61313213的定位检测。对于地址信息的三段码的识别,实现了精确率约为96.4%的识别率。该成果可应用于高效率的分拣系统的前端识别,且设计的路径规划提高了分拣效率,对于高端的分拣系统的推广和实用,具有较大的市场应用前景。