目前,随着物流行业的飞速发展以及人力成本的上升,在物流场景下的分拣搬运作业存在着非常大的自动化与智能化需求。本论文基于机器视觉技术,结合OpenCV视觉库以及TensorFlow深度学习框架,设计并实现了视觉引导分拣搬运作业解决方案。首先,阐述了智能物流系统的概念,并比较分析了物流环境下基于视觉引导的分拣搬运技术在国内外发展现状。以物流场景下多种纸箱的拆垛分拣搬运作业过程为研究对象,搭建了以计算机为核心的视觉引导智能分拣搬运系统平台,包括机器人系统与末端执行器、图像采集系统及应用软件系统。通过对RGB-D相机的成像原理、相机标定原理、RGB-D配准对齐以及手眼标定原理的分析研究,标定出了相机内外部参数,建立了相机坐标系与机器人坐标系之间的相互转换关系。针对物流环境下多种类型纸箱的识别检测问题,基于TensorFlow框架下的Object Detection API,综合对比分析了 Faster R-CNN,SSD-MobilenetV1 以及 SSD-MobilenetV2三种目标检测模型的性能,选择采用了兼具实时性和准确性的SSD-MobilenetV2模型进行纸箱的识别检测,并通过优化数据集以及调整超参数的方式来进一步提高目标检测效果。在通过目标检测算法分割出的目标位置区域的基础上,针对纸箱的位姿估计问题,将纸箱分为表面无纹理或弱纹理以及表面图案丰富两大类来进行研究。对于表面无纹理或者弱纹理的纸箱,结合深度信息,并基于多次形态学开运算对采集到的RGB图像进行处理将纸箱分割出来,再通过边缘检测以及求取面积最小外接矩形得到纸箱的位姿信息;而对表面图案丰富的纸箱,则基于局部特征匹配的方法来得到纸箱的中心点图像坐标及旋转角度等信息,采用了结合对比度受限自适应直方图均衡化的“SURF特征检测+FLANN粗匹配+KNN精匹配”的局部特征匹配方法。实验结果表明,两种图像处理策略均能很好地识别出紧密排列的多个纸箱位姿。接着,根据所设计的视觉引导作业流程,利用C++编程语言在图形化开发平台QT上基于OpenCV完成了应用软件的开发,给出了图像采集模块、视觉标定模块、机器人通讯模块以及视觉引导模块的设计以及实现过程。最后,在所搭建的视觉引导智能分拣搬运系统平台上进行现场调试实验,验证了所设计的视觉引导分拣搬运作业解决方案的可行性和有效性。