QR码识别系统是物流分拣系统的重要组成部分,其识别效率在一定程度上影响着物流分拣系统的分拣效率。目前,国内大多数物流分拣中心的QR码识别系统正从人工使用QR码识别器手动进行识别,逐步发展为使用高速照相机进行自动化动态识别。在识别效率得到提升的同时,大大增加了设备的投入,阻碍了其系统的普及。本文研究了卷积神经网络和运动模糊理论,结合机器视觉中的目标检测技术和数字图像处理技术,研制了一套基于卷积神经网络的动态QR码识别系统,该系统以低成本、高效率实现了对动态QR码的实时识别功能,具有一定应用价值。本文的工作主要包括以下三个部分:(1)动态QR码定位算法的研发。本系统最大的难点在于如何对运动模糊图像进行快速和高质量的恢复。鉴于去模糊算法的耗时长特点,为了达到系统运行实时性要求,本文采用先定位分割出QR码区域,再对其恢复的思路。而目前深度卷积网络广泛的应用于目标检测领域,相比于传统的目标检测方法具有更高的准确度和实时性。本文基于目前优秀的目标检测算法,综合其优缺点,提出了基于卷积神经网络的动态QR码的定位算法。并针对本系统的使用场景,提出了动态QR码图像数据集的建立方法,改进了训练过程中初始参数。最终成功实现了对动态QR码的准确定位。(2)动态QR码的恢复算法的研究与实现。首先,实现了基于差分自相关求解运动模糊距离和基于二次变换的模糊角度估计算法,完成了对运动模糊图像模糊核的估计。其次对常用的高效去模糊恢复算法进行了仿真和测试,根据实际性能选择了基于维纳滤波的去模糊算法。然后,为了进一步提升恢复图像的质量,引入了循环滤波算法以及大津二值化算法。最终实现了对动态QR码图像的恢复。(3)动态QR码系统的实现。软件部分:在Linux系统下,基于深度学习框架TensorFlow实现了对图像中的动态QR码的定位算法。在Windows+QT开发环境下,结合图像处理工具库OpenCV,实现了对动态QR码图像的运动模糊恢复算法。硬件部分:综合性能、价格完成了对工业相机、光学镜头和服务器的选型,并设计了辅助光源的结构,完成了系统的硬件平台搭建。最终,对动态QR码识别系统进行了实际测试,实验结果表明了系统以一定速度运行,在保证实时性的情况下,具有良好的识别准确率。