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！

龍圖騰網恭喜浙江工業大學;蔚復來(浙江)科技股份有限公司申請的專利旋轉框定位多形態瓶狀物品分揀目標檢測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：CN114266884B 。

龍圖騰網通過國家知識產權局官網在2025-06-10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：202111519165.6，技術領域涉及：G06V10/25；該發明授權旋轉框定位多形態瓶狀物品分揀目標檢測方法是由董紅召;方浩杰;余滔滔;王楨;廖世凱;張利強;裘水軍;吳新榮設計研發完成，并于2021-12-13向國家知識產權局提交的專利申請。

本旋轉框定位多形態瓶狀物品分揀目標檢測方法在說明書摘要公布了：旋轉框定位多形態瓶狀物品分揀目標檢測方法，包括：1、模擬實際分揀情況以及多種隨機性狀況，并搜集同類物品多種形態結構，利用移動端設備進行拍攝制作數據集；2、對于數據集圖像采用Mosaic數據增強方法；3、將圖像信息輸入旋轉框定位的目標檢測模型進行訓練；4、MR2?YOLOv5將CIOU損失函數作為邊界框回歸損失，置信度、類別、角度損失均采用二分類交叉熵損失函數BCEWithLogitsLoss；5、設置模型訓練參數；6、模型評價指標，將平均精度均值作為模型的評價指標，以及模型參數量和計算量作為模型輕量化標準；7、將垃圾分揀場景下采集到的圖像輸入模型，識別出各個目標物的類別、坐標信息、旋轉角度。本發明對于多尺度目標、遮擋、透明、變形等情況均有出色的識別效果。

本發明授權旋轉框定位多形態瓶狀物品分揀目標檢測方法在權利要求書中公布了：1.旋轉框定位多形態瓶狀物品分揀目標檢測方法，包括如下步驟：S1、建立數據集；模擬實際分揀情況以及多種隨機性狀況，并搜集同類物品多種形態結構，利用移動端設備進行拍攝制作數據集，對于目標物拍攝角度盡可能與分揀場景相同，盡可能使訓練集中目標角度覆蓋角度分類范圍；利用標注工具對數據集圖片進行旋轉框標注，以及歸一化處理；物品左上角作為標注起始點，利于旋轉角度目標的頭部判斷，將標注文件轉換為符合為本文所需標簽文件，并將參數基于圖像自身寬高進行歸一化處理，標簽參數定義為classnameid，rx，ry，longside，shortside，θ；Classnameid為類別ID參數，rx和ry為目標中心點橫縱坐標，longside為目標框較長邊，shortside為目標框較短邊，θ定義為X軸順時針旋轉至與目標框長邊平行所經過的角度；S2、對于數據集圖像采用Mosaic數據增強方法；對于傳入圖像進行隨機翻轉、縮放、裁剪處理，并將得到的圖像進行依次拼接，大幅度提高了訓練時目標背景復雜度；S3、將圖像信息輸入旋轉框定位的目標檢測模型進行訓練；改進所述旋轉框定位的目標檢測算法模型結構：基于YOLOv5模型將角度預測作為分類問題，并引入環形平滑標簽CSL角度分類方法，用于對于目標物角度的精準預測；增加模型檢測層數，原始PANet網絡結構改進為BiFPN，在主干網絡末端利用Transformer模塊替換旋轉框精準定位網絡YOLOv5的C3模塊的模型改進方法，解決垃圾分揀場景下同材質物品結構、尺度多樣而導致的高漏檢率、誤檢率；3.1CSL角度分類方法具體包括：將目標物角度預測視為分類問題，設計符合垃圾分揀物理場景的環形平滑標簽CSL來解決角度的周期性問題，增加相鄰角度之間的誤差容忍度；CSL具體表達式如下： 式中：gx表示窗口函數，選擇高斯函數，r表示窗函數的半徑，θ表示當前邊界框的角度；旋轉框參數表達選擇長邊定義法，具體表示為rx，ry，longside，shortside，θ，其中rx和ry為目標中心點橫縱坐標，longside為目標框較長邊，shortside為目標框較短邊；與現有長邊定義法不同的是θ定義為X軸順時針旋轉至與長邊平行的角度，若出現目標框為正方形，則θ定義為X軸順時針旋轉至較近邊平行的角度；結合目前YOLOv5模型中置信度損失以及類別損失計算方法，采用二分類交叉熵損失函數BCEWithLogitsLoss對于角度損失進行計算；具體定義如下式： 式中：N表示樣本數量，i為角度范圍，δ表示sigmoid函數，zn,i表示預測第n個樣本為第i個角度的概率值，最大值zn,i＝1，即預測值；yn,i表示第n個樣本在CSLx表達式下第i個角度標簽值，即真實值，且最大值yn,i＝1；將第n個樣本的各個角度預測值與真實值依次帶入ln,i計算，第n個樣本所有角度結果求和得到ln，將N個樣本的計算結果求平均，即為此次角度損失；加入角度檢測分支后，檢測網絡參數輸出特征圖通道數m具體定義如下：m＝nc+5+ω×na.3式中：nc表示檢測類別數；na表示錨框數量；5表示旋轉框定義代表中心點坐標rx，ry，以及預測框長短邊longside，shortside，以及該預測框置信度；ω代表角度檢測分支對于角度分類數量；3.2改進模型具體包括：1將Focus模塊作為第一層，以此類推；在第9層及SPP層即池化層后添加Transformer模塊，通過對于各個通道賦予權重，強化特征提取；Transformer網絡將多個縮放點積注意力機制結合，形成多頭注意力機制；縮放點積注意力機制可批量處理數據，表達式如下： 式中：Q、K、V分別代表查詢向量、鍵向量、值向量，dk表示輸入數據維度；多頭注意力機制具有更高的運算效率，且從不同的特征空間中學習自適應注意力分布，表達式如下： 式中：參數矩陣dmodel為向量維度；2MR2-YOLOv5保留原始檢測尺寸，不降低尺度下特征學習能力，通過增加Concat層、卷積層、C3模塊的方法，進行上采樣和下采樣，將主干網絡中保留較多小目標特征信息的同尺度特征層輸入Concat層，進行特征融合操作；YOLOv5具有自適應錨框計算，采用k均值和遺傳算法對于自定義數據集進行分析計算，獲得該數據集各尺度所需預測錨框；3隨著網絡層數的加深，對不同層級進行特征融合；將主干網絡多層計算結果一次或多次輸入進入BiFPN加強特征提取網絡，當BiFPN自下而上的部分對于兩個同尺度特征進行融合；到自上而下結構時，同時對于三個同尺度特征利用跳躍連接的方式進行融合；并在經過C3模塊以及Conv2d模塊計算后，對于多個不同尺度目標進行預測；利用BiFPN網絡，使得預測網絡對于不同大小的目標更為敏感，提升了整體模型檢測能力，并降低了漏檢率與誤檢率；S4、MR2-YOLOv5將CIOU損失函數作為邊界框回歸損失，置信度、類別、角度損失均采用二分類交叉熵損失函數BCEWithLogitsLoss；具體的CIOU損失函數定義如下： 式中：IoU表示預測框與真實框相交區域與交并區域面積的比值，A和B分別表示兩個邊界框的面積；b,bgt分別表示預測框中心點和真實框中心點，ρ2b,bgt表示兩個邊界框中心點歐氏距離，C2表示預測框與真實框形成最小矩形區域對角線長度，α為權重函數，v用于橫梁邊界框長寬比，w、h表示框的長與框，gt代表真實框groundtruth；S5、設置模型訓練參數；模型訓練參數輸入尺寸為640×640，BatchSize設置為16，迭代次數epochs為300次，優化器選擇隨機梯度下降SGD，學習率選擇余弦退火學習率；S6、模型評價指標；將平均精度均值mAP作為模型的評價指標，以及模型參數量和計算量作為模型輕量化標準；S7、將垃圾分揀場景下采集到的圖像輸入所述MR2-YOLOv5模型，識別出各個目標物的類別、坐標信息、旋轉角度。

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工業大學;蔚復來(浙江)科技股份有限公司，其通訊地址為：310014 浙江省杭州市拱墅區潮王路18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”。