AGV中文名为自动引导车,用于在工业环境中运输物料搬运货物,自1950年被发明到现在已经经历了多年的发展。以往的AGV的运动方式一般是在单一轨道和固定场景中进行重复运用,运动过程中无法感知周围环境的变化,同时无法柔性的装配在生产线中。即使是伴随日趋成熟的工业环境而生的以惯性导航、激光导航为代表的无轨导航方式,也只注重AGV在生产环境中的相对位置和运动方向,依然无法获取周边环境信息,只能完成预设任务,而无法对突发状况或过于复杂的任务做出反应。机器视觉技术随着计算机技术的快速发展,以其成本低、高精度和无接触的优点在工业实际环境中有众多应用,将机器视觉应用在AGV的智能定位中一直都是研究热点。而随着深度学习和卷积神经网络技术的日益发展和成熟,结合了卷积神经网络和机器视觉的AGV能够在实际工业生产中解决更加复杂的问题。本文在分析目前最新卷积神经网络目标定位方法的基础上,提出了改进的卷积神经网络目标智能定位方法,通过数据集对改进后的神经网络模型机型训练后,在高性能计算平台和移动平台上进行验证测试,测试结果优秀,改进后的神经网络模型具有实际应用意义。本文的主要要研究内容包括以下几个方面:(1)研究了卷积神经网络的模型结构、优化方法。分析了现有不同架构目标定位检测网络模型,为后续研究改进提供理论基础。(2)详细分析了Corner Net,并在其基础上增加了多尺度特征融合、中心关键点检测、目标边框回归等改进方法,提升了目标内特征对原网络目标智能定位的影响,能够更好的对多尺度和重叠目标进行定位。(3)研究了图像增强和数据集增强方法,利用网络公开数据集和自制数据集对网络进行训练,在边缘计算平台上对训练好的模型进行测试。实验结果表明改进的网络综合定位速度和定位精度结果更优,具有很高的实用价值。