基于改進SSD-MobileNet算法的AGV動態目標檢測方法

張剛 唐戩 郝紅雨 白彤 郝崇清 樊勁輝

摘?要：

為了提升自動導引運輸車（automated guided vehicle，AGV）動態障礙物視覺檢測的精度和幀率，提出了一種基于單鏡頭多盒檢測器（single shot multibox detector，SSD）的改進算法。將輕量級MobileNet網絡引入到SSD網絡結構中，然后利用K-means算法對訓練數據集中真實框的AR值進行聚類并更新，最后利用Jeston Nano嵌入式平臺搭建了AGV實驗系統，引入TensorRT加速引擎，分別對改進前后的SSD-MobileNet模型進行加速優化，并對比分析。結果表明：改進的SSD-MobileNet模型在AGV上使用TensorRT加速引擎的mAP值為79.1%，相比優化前提升了10.8%，對精度影響很小，而幀率達到了25 f/s，較原SSD模型提升了近4倍，且改進后模型規模也比優化前縮小了37%。采用改進算法能夠使AGV在運輸過程中完成動態障礙物檢測任務，可代替人工實現貨物高效運輸，并節省運輸成本，為智能化運輸提供了一種新的思路。

關鍵詞：

計算機感知；動態目標檢測；SSD-MobileNet改進算法；K-means聚類算法；TensorRT加速引擎

中圖分類號：TP389.1?文獻標識碼：A

DOI： 10.7535/hbgykj.2024yx01001

AGV dynamic targets detection method based on improved SSD-MobileNet algorithm

ZHANG Gang， TANG Jian，HAO Hongyu，BAI Tong，HAO Chongqing，FAN Jinhui

（School of Electrical Engineering， Hebei University of Science and Technology， Shijiazhuang，Hebei 050018， China）

Abstract：

In order to improve the accuracy and frame rate of dynamic obstacle visual detection for automated guided vehicle （AGV）， an improved algorithm based on the single shot multibox detector （SSD） was proposed. The lightweight MobileNet network was introduced into the SSD network structure， and then the K-means algorithm was used to cluster and update the Aspect Ratio （AR） values of the real boxes in the training dataset. Finally， an experimental AGV system was built on the embedded Jeston Nano platform and the TensorRT acceleration engine was introduced to optimize the SSD-MobileNet algorithm before and after improvement， and then comparative analysis was made. Experimental results show that the improved SSD-MobileNet algorithm has a mean Average Precision （mAP） value of 79[DK（].[DK）]1% on the AGV using the TensorRT acceleration engine， an increase of 10[DK（].[DK）]8% compared to that before optimization， with little impact on accuracy. The FPS frame rate reaches 25 frames per second， which is 4 times higher than that with the original SSD algorithm， and the model size after improvement is also 37% smaller than that before optimization. The improved algorithm can enable the AGV to complete dynamic obstacle detection tasks during transportation， which can replace the manual transport of objects efficiently and save the transportation cost， and provides a new idea for intelligent transportation.

Keywords：

computer perception; dynamic targets detection; improved SSD-MobileNet algorithm; K-means clustering algorithm; TensorRT acceleration engine

工業生產、倉庫管理以及物流配送等過程中，為提高生產效率、降低人工成本，并減少運輸失誤，采用自動導引運輸車（automated guided vehicle，AGV）代替人工運輸是一種有效手段。自動導引運輸車采用機器視覺的動態障礙物檢測技術獲取前方障礙物目標在圖像中的位置及類別[1]。AGV運行環境中行人及車輛流動性強、路況復雜，而傳統目標檢測方法過于依賴人工調節參數[2]，泛化能力較差，極易出現誤判、漏判等問題。近年來，深度學習在目標檢測領域衍生出多種算法，其中主流算法分為2大類[3-4]：一類是基于候選區域（兩階段）的算法，主要有R-CNN[5]、Fast R-CNN[6]、Faster R-CNN[7]等;另一類是基于回歸（單階段）的算法，主要有YOLO（you only look once）[8]和SSD（single shot multibox detector）[9]等。單階段目標檢測算法在速度上更有優勢，泛化能力更強。單階段目標檢測算法SSD結合了YOLO的回歸思想和 Faster R-CNN的Anchor機制，檢測精確度相對較高，但由于只用底層特征層來檢測目標[10]，容易造成特征信息丟失，從而引發重復檢測多個邊框、小目標易漏檢等情況。

為解決SSD算法小目標檢測效果差的問題，眾多學者對SSD算法作出了改進。唐聰等[11]在SSD的基礎上采用多視窗的方法提升準確率。YIN等[12]提出了FD-SSD算法，通過特征融合與殘差空洞卷積對多尺度特征進行重構，提高中、小目標的檢測性能，但對于大目標的檢測精度仍然較低。陳幻杰等[13]采用SSD算法對中、小目標特征區域進行放大提取，提高了中、小目標的準確率，但檢測時長卻有所增加。于波等[14]通過ResNet和ResNext 2個殘差網絡作為SSD特征提取層，檢測效率大幅提升。

針對SSD算法中網絡參數計算量大且目標候選框AR值設置不具有普適性這一問題，本文將輕量級MobileNet網絡引入到SSD網絡結構中，采用K-means聚類算法[15]修正原SSD目標候選框AR值，利用Jeston Nano嵌入式平臺搭建了AGV小車，并引入TensorRT加速引擎對本文提出的改進算法模型進行加速優化，提升了AGV目標的檢測速度及準確率。

1?SSD算法改進優化

SSD算法改進優化的步驟：首先，引入輕量級MobileNet網絡進行特征提取，在AGV嵌入式系統上實現動態障礙物的快速檢測;然后，采用K-means聚類算法對原SSD目標候選框進行優化調整，降低重復檢測率，提升后續在復雜環境下的目標檢測精度。

1.1?SSD-MobileNet網絡結構及特點

傳統卷積神經網絡因內存需求大、運算量大，而無法在移動設備以及嵌入式設備上運行。例如：VGG16模型的權重大小有450 MB；ResNet模型有152層，其權重模型大小為644 MB，很明顯嵌入式設備無法滿足如此大的內存需求。為了能夠在嵌入式設備上有效使用深度學習神經網絡模型，要在保證檢測性能的前提下減小網絡模型規模、提高運行速度，本文將用于有限算力平臺的輕量級網絡MobileNet加入SSD網絡結構，以減小網絡模型大小。

MobileNet的核心思想是：采用深度可分離的形式[16]，對標準卷積進行分解，轉變為深度卷積與卷積核為1×1的點卷積，如圖1所示。單個深度卷積核置于特征映射圖的每條輸入通道上，用1×1卷積核將輸出特征與深度卷積相結合，產生新的特征圖，明顯減少中間計算量與模型大小，既保證了模型的精度，又加快了計算速度，同時減少了過擬合所造成的一些訓練問題。

SSD-MobileNet網絡的拓撲結構，如圖2所示。輸入層為300×300的像素矩陣，共有22層卷積層。其中，前14層卷積層保留MobileNet網絡結構，之后又增加8層卷積層，每一層卷積層（含常規卷積、深度可分離卷積、逐點卷積）之后都有規范化BN和ReLU6激活函數，從新增的卷積層中提取6層來做目標檢測。它保留了SSD網絡原結構，通過3×3深度可分離卷積提取特征[17]。

同時，本文引入的MobileNet具有寬度乘法器，通過控制網絡的通道數來控制模型的寬度。寬度乘法器可以在不降低模型準確性的前提下，進一步減少參數數量和計算量，適應不同的計算資源和設備。

1.2?損失函數

采用的多層感知損失函數，可以在不同層次上對目標進行檢測。通過多層感知損失函數，SSD算法可以同時檢測不同大小的目標，從而提高檢測的準確性。

損失函數值由位置誤差Lloc和置信度誤差Lconf加權得到[18]，數學描述如下。

[JZ（]L（x，c，l，g）=1NLconf（x，c）+αLloc（x，l，g），[JZ）][JY]（1）

[JZ（]Lloc（x，l，g）=∑Ni∈Pos m∈{cx，cy，w，h}xkijSmtL1lmi－g^mj，[JZ）][JY]（2）

[JZ（]SmtL1（x）=0.5x2，?x<1，x－ 0.5，?otherwise，[JZ）][JY]（3）

[JZ（]Lconf （x，c）=－∑Ni∈Pos xpijlogc^pi－∑Ni∈Neg logc^0i，[JZ）][JY]（4）

[JZ（]c^pi=expcpi∑pexpcpi，[JZ）][JY]（5）

式中：N為先驗框樣本個數；Smt為Smooth的縮寫，是分段平滑函數；x表示匹配框是否屬于類別p（x=1表示屬于;x=0表示不屬于）；c為類別預測值；l為預測框位置值；g為真實框位置值；α為衰減系數，通常取值為1；p表示第p個類別；xpij=1，0為預測框與真實框的匹配度。

損失函數由分類損失和位置損失組成。分類損失用于判斷目標的類別，位置損失用于判斷目標的位置。通過組合分類損失和位置損失，SSD算法可以同時優化目標的分類和位置預測，從而提高目標檢測的準確性。

1.3?采用K-means聚類算法優化目標框

SSD算法基于已有的COCO數據集進行候選框的AR（aspect ratio）值設置[19]，改變工作環境j時，需相應改變AR值，如果AR值不變，難以實現目標真實框與候選框的完全吻合。

利用K-means聚類算法確定目標候選框AR值的流程圖（如圖3所示）。

候選框相似度越高，則證明兩框的重疊率越大。聚類目標將目標候選框與真實框的交并比（intersection over union，IoU）的值作為衡量預測框和真實框聚類效果的重要指標，IoU值越大，說明兩框的位置越接近。

IoU值代表真實框和聚類中心框交集區域面積與并集區域面積的比值，其數學表達式如式（6）所示：

[JZ（]IoU（centroidbox，truthbox）=centroidbox∩truthboxcentroidbox∪truthbox。[JZ）][JY]（6）

K-means聚類使用的數據來自于自制數據集Road2021（7類目標）訓練集中的2 350張圖像。目標的標簽文件及其部分數據如表1所示，文件中X軸最小值、Y軸最小值、X軸最大值、Y軸最大值分別代表目標真實框的位置坐標。

本節利用K-means算法分別對7類目標候選框的AR值進行聚類，聚類結果如圖4所示。數據樣本點經過K-means聚類后被分為5種不同顏色的類簇，圖4中的黑圈代表該類簇的聚類中心點，除了異常點，聚類中心點幾乎在一條直線上，聚類得到的候選框AR值如表2所示。由于拍攝角度、距離以及目標形態各異，一些目標存在部分遮擋或形變，這些因素會導致聚類結果出現異常點。

SSD網絡目標候選框AR值的初始值置為{1.00，2.00，3.00，0.50，0.33}，對表2進行分析后可以直觀地看出，經過聚類后的7類目標框的形狀大致為扁長方形或方形，其中AR值的最大值為2.00，因此需要將原目標框的AR值進行調整。AR值的設置依據以下規則對表2中的結果進行篩選：首先，將每類目標框AR值分別進行排序，篩選出各類中的最小值（min）、中間值（mean）及最大值（max）。然后，從篩選結果中篩選出min、max及3個具有代表性的mean值。通過上述分析得出，目標候選框的最終AR值為{0.55，0.75，1.00，1.40，2.00}，該值將用于實驗場景中以提升檢測精度。

2?目標檢測系統設計

目標檢測系統劃分為數據集構成、模型訓練、模型測試及評估，共3個階段，如圖5所示。?2.1?PC端實驗環境

仿真實驗平臺為預裝Windows 10操作系統的筆記本電腦，采用TensorFlow深度學習框架并利用Python語言進行編程。實驗中PC機的硬件配置為Intel CORETMi5-6200U CPU、RAM（8 GB）和LeTMC-520 USB攝像頭，軟件環境為Anaconda、TensorFlow、Python、VisualStudio、Spyder、Opencv，且預裝了Protobuf、Pycocotools、Pandas、Numpy等對應的TensorFlow深度學習應用程序編程接口（application programming interface，API）。

2.2?數據集構成及模型訓練

自制數據集Road2021共包含7類目標，分別是汽車、自行車、貓、狗、人、摩托車以及公共汽車。訓練集含有2 350張圖像，其中驗證集含有2 230張圖像，測試集含有200張具有代表性的圖像。通過Labelimg工具完成圖像數據集的標注，然后將標注后的圖像信息數據轉換為TensorFlow平臺支持的record格式，以便后續訓練使用。

在PC端CPU上完成改進的SSD-MobileNet模型訓練過程，借助由COCO數據集預訓練的SSD-MobileNet模型，在自建數據集Road2021上進行遷移學習。模型訓練前，配置Road2021數據集的pbtxt類別文件，并使用K-means算法得到的AR值參數{0.55，0.75，1.00，1.40，2.00}。經過反復訓練后找出最佳權重值，最終保存為pb模型文件。

實驗中設置訓練批次大小初始值為16，在訓練4 000步后將其改為4，以降低模型訓練難度。對模型的訓練總計進行了50 000步，獲得位置損失值為0.608，類別損失值為3.542，總損失值為4.73。

2.3?仿真實驗及評價指標

通過定性分析與定量分析來檢驗SSD算法、SSD-MobileNet算法及改進的SSD-MobileNet算法的識別效果。通過不同環境下測試集圖像進行的實驗測試，定性分析模型優劣，其中大霧天氣下的部分檢測結果如圖6所示。

從檢測精度與速度2個方面對該算法的性能作出評估，定量分析模型的優劣。采用平均檢測精度均值（mAP）與幀率（FPS）作為評價標準，mAP值越大，說明目標檢測精度越高，FPS值越大，說明目標檢測速度越快。各模型性能的評估結果如表3所示。

通過對3種算法在不同場景下實時檢測效果的對比分析，SSD算法的mAP值要比SSD-MobileNet算法高出1.8%，但是檢測速度方面后者遙遙領先，后者的FPS值可以達到前者的2.5倍，模型規模也縮小為前者的1/3。改進的SSD-MobileNet算法表現出較好的檢測效果，mAP值較改進前提高了7.3%，FPS值提高了20%，在保證檢測速度的同時，更易適應復雜多變的環境。

3?Jetson Nano嵌入式平臺優化加速

利用遷移學習將SSD-MobileNet模型和改進的SSD-MobileNet模型部署到Jetson Nano嵌入式平臺中，引入TensorRT分別對改進前后的算法進行加速優化，并在校園環境實景下進行對比測試。

3.1?Nano平臺實驗結果分析

利用Jetson Nano嵌入式平臺搭建了一輛AGV，如圖7所示。其中，圖像采集設備為LeTMC-520 USB攝像頭，顯示模塊為智顯達公司的高清顯示器，供電模塊為24 V移動電源。分別將SSD-MobileNet模型和改進的SSD-MobileNet模型部署到Jetson Nano嵌入式平臺中，在Linux終端通過Python指令調用2種算法的檢測程序，在校園道路上進行實測，輸出幀率、類別及位置信息，部分檢測結果如圖8所示。

由圖8可知，原SSD-MobileNet算法在Jetson Nano嵌入式平臺部署后，檢測速度僅為2 f/s，改進的SSD-MobileNet 算法的檢測速度也僅為3 f/s。雖然改進后的算法對小目標及遮擋目標檢測效果明顯提升，但是在Jetson Nano嵌入式平臺部署后的實時性卻差強人意，這對于AGV行駛過程來說是非常致命的。因此，本文針對Jetson Nano GPU未能表現出較快計算能力這一問題，提出利用TensorRT加速引擎對改進算法模型進行加速優化，以充分發揮硬件系統的運算能力。

3.2?基于TensorRT的模型優化

TensorRT是NVIDIA專為AI開發平臺推出的高性能深度學習推理平臺，具有低延遲及高吞吐量的性能。采用TensorRT對SSD-MobileNet模型進行加速推理，推理過程如圖9所示。

TensorRT通過GPU分析器對模型進行一系列優化，以找到用于各種神經網絡計算的最佳GPU內核，應用圖優化技術來減少模型中節點和邊的數量，如層融合、適當的量化等。運行結果表明，采用TensorRT生成的壓縮架構將批大小從1 024減小到256，并且使用GPU系統進行加速引力波推斷時，總體平均速度提高了3倍。Caffe、PyTorch和TensorFlow等深度學習框架生成的模型通過TensorRT進行優化，并在NVIDIA GPU平臺（Tesla T4、Jetson TX2、Tesla V100等）上進行重新識別。TensorRT支持在大多數深度學習框架中學習的模型，并支持最佳的深度學習模型加速。因為它在API級別上支持C++和Python，所以深度學習領域的開發人員不需要太多CUDA或GPU編程知識就可以輕松使用該平臺。此外，TensorRT采用二進制計數，自動使用GPU支持的最優計算資源，使深度學習應用和服務運行更加高效。

TensorRT主要用于部署深度學習推理應用程序，例如視頻流、推薦、欺詐檢測和自然語言處理等。降低精度的推理可顯著降低延遲，這是許多實時服務以及嵌入式應用程序所必需的。

將“2.3”項訓練生成的pb模型轉換為TensorRT可接收的uff模型，擺脫TensorFlow深度學習框架的束縛，在TensorRT優化推理引擎中加載并運行uff模型文件，生成對應的TensorRT模型，將該模型部署到Jetson Nano嵌入式平臺上，對改進前后的SSD-MobileNet模型進行加速推理，并作對比分析。改進前后的模型在Jetson Nano嵌入式平臺上的加速檢測結果如圖10所示?？梢钥闯?，經TensorRT優化后的SSD-MobileNet模型對于遠距離目標檢測不穩定，實時檢測時會出現漏檢現象，然而經TensorRT優化后的改進SSD-MobileNet模型的檢測效果較為顯著，對于近距離目標能夠準確、快速檢測。

3.3?模型性能對比分析

分別在TensorFlow和TensorRT框架下，對SSD算法和本文提出的改進SSD-MobileNet算法進行模型性能對比分析，結果如表4所示。在單精度浮點數（FP16）模式下，SSD-MobileNet模型經TensorRT推理后，mAP值為71.4%，較優化前下降了1.1個百分點，FPS為18 f/s，模型規?？s小了31%；而改進的SSD-MobileNet模型經TensorRT推理后，mAP值為79.1%，較優化前僅下降了0.7個百分點，對精度影響十分微小，模型規?？s小了37%，而相較于SSD模型mAP值提升了4.8個百分點，且FPS值提升了近4倍，達到了25 f/s?？梢?，優化后的模型在保證視覺檢測準確率的同時，顯著提升了檢測速度。

4?結?語

本文提出了改進的SSD-MobileNet優化模型，并在Jeston Nano嵌入式平臺上進行了實驗驗證，為滿足AGV視覺檢測實時性要求提供了一種有效的解決方案。實驗結果顯示，改進后的優化模型可以達到25 f/s的幀率，比優化前提升了近4倍，而mAP值僅下降了0.7%，對檢測精度的影響十分微小，同時，模型規?？s小為13.8 MB，為優化前的63%。這些結果表明，改進的SSD-MobileNet模型經TensorRT優化后，在精度降幅極少的情況下，檢測時長得到了極大改善，能流暢、實時地檢測動態障礙物，滿足AGV視覺檢測實時性的要求。

該模型也存在一些局限性和不足之處。首先，使用的數據集數量較少且類別單一，這可能會影響模型的泛化能力。其次，模型還有一些尚待解決的問題，例如：可以增加數據集的目標類別，結合Inception網絡進一步改進本文網絡結構，優化損失函數，促進實驗系統的完善，以提升目標識別的準確率。在今后的研究工作中，將繼續優化既有模型，解決上述問題，使SSD在未來的檢測任務中發揮更大的作用。

參考文獻/References：

[1]?李西鋒，魏生民，閆小超.視覺引導AGV的數字圖像處理方法研究[J].科學技術與工程，2010，10（10）：2515-2519.

LI Xifeng，WEI Shengmin，YAN Xiaochao.Research of digital image processing of AGV based on vision navigation[J].Science Technology and Engineering，2010，10（10）：2515-2519.

[2]?SCHMIDHUBER J.Deep learning in neural networks：An overview[J].Neural Networks，2015，61：85-117.

[3]?李雷孝，孟闖，林浩，等.基于圖像增強與深度學習的安全帶目標檢測[J].計算機工程與設計，2023，44（2）：417-424.

LI Leixiao，MENG Chuang，LIN Hao，et al.Seat belt target detection based on image enhancement and deep learning[J].Computer Engineering and Design，2023，44（2）：417-424.

[4]?韓豫，張萌，李宇宏，等.基于深度學習和ArcMap的路面病害智能綜合檢測方法[J].江蘇大學學報（自然科學版），2023，44（4）：490-496.

HAN Yu，ZHANG Meng，LI Yuhong，et al.Intelligent compre-hensive detection method of pavement diseases based on deep learning and ArcMap[J].Journal of Jiangsu University（Natural Science Edition），2023，44（4）：490-496.

[5]?GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus：IEEE，2014：580-587.

[6]?GIRSHICK R.Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision （ICCV）.Santiago：IEEE，2015：1440-1448.

[7]?REN Shaoqing，HE Kaiming，GIRSHICK R，et al.Faster R-CNN： Towards real-time object detection with region proposal networks[C]//Proceedings of the 28th International Conference on Neural Information Processing Systems-Volume 1.Montreal：MIT Press，2015：91-99.

[8]?REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once： Unified， real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas：IEEE，2016：779-788.

[9]?CHEN Lili，ZHANG Zhengdao，PENG Li.Fast single shot multibox detector and its application on vehicle counting system[J].IET Intelligent Transport Systems，2018，12（10）：1406-1413.

[10]劉寒迪，趙德群，陳星輝，等.基于改進SSD的航拍施工車輛檢測識別系統設計[J].國外電子測量技術，2020，39（7）：127-132.

LIU Handi，ZHAO Dequn，CHEN Xinghui，et al.Design of detection and recognition system of aerial photography construction vehicle based on improved SSD[J].Foreign Electronic Measurement Technology，2020，39（7）：127-132.

[11]唐聰，凌永順，鄭科棟，等.基于深度學習的多視窗SSD目標檢測方法[J].紅外與激光工程，2018，47（1）：290-298.

TANG Cong，LING Yongshun，ZHENG Kedong，et al.Object detection method of multi-view SSD based on deep learning[J].Infrared and Laser Engineering，2018，47（1）：290-298.

[12]YIN Qunjie，YANG Wenzhu，RAN Mengying，et al.FD-SSD： An improved SSD object detection algorithm based on feature fusion and dilated convolution[J].Signal Processing：Image Communication，2021，98：116402.

[13]陳幻杰，王琦琦，楊國威，等.多尺度卷積特征融合的SSD目標檢測算法[J].計算機科學與探索，2019，13（6）：1049-1061.

CHEN Huanjie，WANG Qiqi，YANG Guowei，et al.SSD object detection algorithm with multi-scale convolution feature fusion[J].Journal of Frontiers of Computer Science and Technology，2019，13（6）：1049-1061.

[14]于波，劉暢.基于改進SSD算法的行人檢測方法[J].電子測量技術，2021，44（12）：24-28.

YU Bo，LIU Chang.Pedestrian detection based on improved SSD[J].Electronic Measurement Technology，2021，44（12）：24-28.

[15]TARPEY T.A parametric K-means algorithm[J].Computational Statistics，2007，22（1）：71-89.

[16]NAN Yahui，JU Jianguo，HUA Qingyi，et al.A-MobileNet：An approach of facial expression recognition[J].Alexandria Engineering Journal，2022，61（6）：4435-4444.

[17]任宇杰，楊劍，劉方濤，等.基于SSD和MobileNet網絡的目標檢測方法的研究[J].計算機科學與探索，2019，13（11）：1161-1173.

REN Yujie，YANG Jian，LIU Fangtao，et al.Research on target detection method based on SSD and MobileNet network[J].Journal of Frontiers of Computer Science and Technology，2019，13（11）：1161-1173.

[18]ZHAO Min，ZHONG Yuan，SUN Dihua，et al.Accurate and efficient vehicle detection framework based on SSD algorithm[J].IET Image Processing，2021，15（13）：3094-3104.

[19]趙九霄，劉毅，李國燕.基于改進SSD的視頻行人目標檢測[J].傳感器與微系統，2022，41（1）：146-149.

ZHAO Jiuxiao，LIU Yi，LI Guoyan.Video pedestrian target detection based on improved SSD[J].Transducer and Micro-system Technologies，2022，41（1）：146-149.

[20]李鵬，李強，馬味敏，等.基于K-means聚類的路面裂縫分割算法[J].計算機工程與設計，2020，41（11）：3143-3147.

LI Peng，LI Qiang，MA Weimin，et al.Pavement crack segmentation based on K-means clustering[J].Computer Engineering and Design，2020，41（11）：3143-3147.

收稿日期：2023-09-04;修回日期：2023-11-04；責任編輯：王海云

基金項目：國家自然科學基金（51507048）；河北省重點研發計劃項目（20326628D）

第一作者簡介：

張剛（1972—），男，河北吳橋人，副教授，碩士，主要從事機器視覺、機器人驅動控制方面的研究。

通信作者：

樊勁輝副教授。E-mail： fanhebust@163.com

張剛，唐戩，郝紅雨，等.

基于改進SSD-MobileNet算法的AGV動態目標檢測方法［J］.河北工業科技，2024，41（1）：1-9.ZHANG Gang， TANG Jian，HAO Hongyu，et al.AGV dynamic targets detection method based on improved SSD-MobileNet algorithm［J］. Hebei Journal of Industrial Science and Technology，2024，41（1）：1-9.