随着我国电商产业的迅猛发展,网络购物逐渐成为人们主要的购物方式。面对每天数以亿计的快递订单,如何提高快递包裹分拣与配送的效率,成为所有快递物流公司亟待解决的问题。本文聚焦全自动化快递包裹分拣生产线上的包裹单件分离问题,设计并实现了一种基于视觉的单件分离系统;设计并实现了两种快递包裹分割算法,有效地解决了快递包裹难以分割的问题;优化了快递包裹分割算法的推理方案,使该系统成功地部署在嵌入式开发板中。本文的主要工作包括:1.设计并实现了一种基于视觉的单件分离系统。对该系统的整体方案进行详细设计,介绍了该系统的各个组成部分及其功能,设计了图像采集、图像预处理、快递包裹分割和分离控制四个软件模块,并设计了界面简洁、操作简单的前端用户界面。该系统已经在某快递公司分拣中心的全自动化快递包裹分拣生产线上使用,其分离区由4×8个长宽分别为500mm和150mm的小型传输带组成,在控制包裹间距为1000mm的条件下,该系统每小时可以分离4500件左右形状和大小各异的包裹,处于行业同类产品的先进水平。2.设计并实现了基于连通区域标记的深度图像快递包裹分割算法和基于YOLACT的RGB图像快递包裹分割算法。从算法的推理时间、检测框的平均精度和分割掩码的平均精度三个方面,在自制的快递包裹数据集上对这两种算法做了对比实验,分析了两种分割算法的适用场景,为实际系统中的应用提供指导和依据。3.设计并实现了一种优化快递包裹分割算法网络模型结构并加速其推理过程的方案。本文使用Tensor RT框架对快递包裹分割算法网络模型结构进行了优化,并使用低精度数据校准其网络模型权重参数以加速网络推理过程。在NVIDIA AGX-Xavier嵌入式开发板上,使用自制的快递包裹数据集对优化前后的网络模型进行评估。未优化的网络模型的分割掩码类别平均精度为88.80 m AP,推理速度为8.93FPS;优化之后的网络模型的分割掩码类别平均精度为88.27 m AP,推理速度为31.57FPS。实验结果表明,该方案可以在网络模型损失较低精度的同时大幅提高其推理速度。本文设计并实现的基于视觉的单件分离系统已经在某快递公司的分拣中心成功应用,该系统提高了快递包裹分拣的自动化和智能化程度,为提高快递包裹的配送效率提供了有效的保障。