買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜浙江大學申請的專利一種基于深度學習的無序工件三維視覺位姿估計方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114140526B 。

龍圖騰網通過國家知識產權局官網在2025-05-27發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111373613.6，技術領域涉及：G06T7/73；該發明授權一種基于深度學習的無序工件三維視覺位姿估計方法是由王鄭拓;林志偉;傅建中;徐月同;邵新光設計研發完成，并于2021-11-19向國家知識產權局提交的專利申請。

本一種基于深度學習的無序工件三維視覺位姿估計方法在說明書摘要公布了：本發明提供一種基于深度學習的無序工件三維視覺位姿估計方法，采用深度學習思想實現無序工件的點云實例分割、堆疊估計以及位姿估計，將三維視覺傳感器的三維重建過程與圖像實例分割算法結合實現工件點云實例分割，同時采用深度學習算法估計工件的堆疊關系從而確定無序工件的抓取優先級，進一步的設計深度學習算法根據分割的工件點云估計工件抓取部位相對機器人基座坐標系的位姿信息，適用于工業流水線上無序工件的定位及上下料。本發明的位姿估計方法可廣泛應用于汽車工業、電氣電子工業、金屬機械工業等行業的實際生產，具有廣闊的市場應用前景，對提升我國制造業的數字化和智能化水平具有極其重要的現實意義。

本發明授權一種基于深度學習的無序工件三維視覺位姿估計方法在權利要求書中公布了：1.一種基于深度學習的無序工件三維視覺位姿估計方法，其特征在于，包括以下步驟：1采集無序工件的彩色圖像和深度信息；2利用構建的圖像實例分割算法處理彩色圖像，獲取目標檢測信息和實例分割信息；3利用目標檢測信息裁剪彩色圖像，得到每個工件的檢測圖像；4將檢測圖像輸入至構建的堆疊估計算法，獲取所有工件的堆疊估計信息；5根據堆疊估計信息，從實例分割信息中選取堆疊程度最低的工件，形成該工件的掩膜圖像；6根據工件的掩膜圖像從深度信息中分割出工件點云；7將工件點云輸入至構建的位姿估計算法，估計出該工件抓取部位相對機器人基座坐標系的位姿信息；所述圖像實例分割算法由深度卷積網絡、特征金字塔網絡、結果預測網絡和后處理模塊組成；所述深度卷積網絡從彩色圖像中提取高維特征向量，由五組卷積層+池化層的復合結構串聯而成，每組復合結構都產生一組特征向量，依次為特征向量1、特征向量2、特征向量3、特征向量4和特征向量5；所述特征金字塔網絡結合卷積操作和上采樣操作處理深度卷積網絡生成的特征向量，其中，特征向量5經卷積操作后生成特征向量6，特征向量4經卷積操作后與經上采樣操作的特征向量6相加形成特征向量7，特征向量3經卷積操作后與經上采樣操作的特征向量7相加形成特征向量8，特征向量2經卷積操作后與經上采樣操作的特征向量8相加形成特征向量9，特征向量6、特征向量7、特征向量8和特征向量9經卷積操作后依次生成特征向量10、特征向量11、特征向量12和特征向量13；結果預測網絡由兩個網絡支路組成，對特征向量10、特征向量11、特征向量12和特征向量13共享權重，第一個網絡支路由多個深度卷積層和多個全連接層串聯組成，回歸預測彩色圖像中工件的包圍框，形成初步的目標檢測信息；第二個網絡支路由多個深度卷積層串聯組成，預測彩色圖像中每個像素從屬于特定工件的概率，形成初步的實例分割信息；后處理模塊由非極大值抑制單元和閾值濾波單元組成，非極大值抑制單元處理初步的目標檢測信息，消除冗余的工件包圍框，形成目標檢測信息，閾值濾波單元用0.5的閾值濾波初步的實例分割信息，形成實例分割信息；所述堆疊估計算法由多個深度卷積層和多個全連接層串聯組成；所述位姿估計算法包括：數據前處理模塊，所述數據前處理模塊對工件點云進行統計濾波和柵格下采樣預處理；點云分類單元，所述點云分類單元對預處理后的工件點云進行分類并輸出點云類別；類點云融合單元，所述類點云融合單元將預處理后的工件點云與點云類別融合，形成類點云向量；位姿估計單元，所述位姿估計單元根據類點云向量估計工件抓取部位相對機器人基座坐標系的位姿信息。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江大學，其通訊地址為：310027 浙江省杭州市西湖區浙大路38號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。