基于改进GoogLeNet的汽车仓储库区障碍物分类识别方法

针对汽车仓储库区的特点,提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法,即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进,并在此基础上增加四分类全连接层,改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器,对全连接层和输出层进行模型训练。实验结果表明：该障碍物分类识别方法准确率高且识别时间短,大大增加了AGV障碍物检测系统的准确性与鲁棒性。