买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川吉利学院申请的专利基于深度学习的目标协同控制方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120370719B 。

龙图腾网通过国家知识产权局官网在2025-08-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510864673.X，技术领域涉及：G05B13/04；该发明授权基于深度学习的目标协同控制方法及系统是由祝小梅;邱龙飞;何昌亮;赵珊;陈艳梅设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本基于深度学习的目标协同控制方法及系统在说明书摘要公布了：本发明提供一种基于深度学习的目标协同控制方法及系统，通过多视角图像采集装置获取目标区域实时视觉数据，利用深度学习模型进行物体特征识别与分类，生成包含类别标识和边界坐标的特征分布数据，采用空间校准算法将二维特征映射为三维坐标系数据，结合位姿解算输出空间位置及姿态角度参数，根据物体物理属性参数生成包含路径规划、末端执行器姿态调整及自适应夹持力度的控制指令，驱动操作装置完成精准抓取动作，由此通过动态多视角感知、三维空间建模与物理属性驱动的闭环控制，有效解决了传统视觉系统在复杂场景下的特征缺失、定位误差及操作刚性等问题，显著提升了非结构化环境中目标操作的精度与适应性。

本发明授权基于深度学习的目标协同控制方法及系统在权利要求书中公布了：1.一种基于深度学习的目标协同控制方法，其特征在于，所述方法包括： 通过图像采集装置获取目标区域的实时多视角图像数据，所述实时多视角图像数据包含待操作物体的视觉特征信息； 调用实时识别模型对所述实时多视角图像数据进行物体特征识别，得到所述待操作物体的特征分布数据，所述特征分布数据包括所述待操作物体的类别标识信息和边界区域坐标信息； 对所述特征分布数据进行校准处理，生成所述待操作物体在三维空间坐标系下的坐标数据； 基于所述坐标数据执行三维位姿解算处理，得到所述待操作物体的位姿参数集合，所述位姿参数集合包含所述待操作物体的空间位置参数及姿态角度参数； 根据所述位姿参数集合及所述类别标识信息对应的物体物理属性参数生成控制指令，驱动操作执行装置完成所述待操作物体的的物体抓取动作，所述控制指令包括路径控制信号、末端执行器姿态控制信号及基于所述类别标识信息的夹持力度控制信号； 所述调用实时识别模型对所述实时多视角图像数据进行物体特征识别，得到所述待操作物体的特征分布数据，包括： 通过所述实时识别模型中的多层级膨胀卷积网络对所述实时多视角图像数据进行并行多尺度特征提取，生成包含不同分辨率特征图的多层级特征集合，其中，每一层级的膨胀卷积核的膨胀率根据对应输入图像分辨率的倒数动态调整以匹配物体尺寸变化； 将所述多层级特征集合输入所述实时识别模型中的跨层级特征金字塔，通过双线性插值对低层级大感受野特征图进行分辨率提升，使其尺寸与高层级小感受野特征图对齐，并对齐后的特征图执行逐通道加权融合，生成融合全局语义与局部细节的增强特征图； 对所述增强特征图施加通道维度注意力加权和空间维度注意力加权，得到加权后的特征图，其中，通道注意力权重通过全局平均池化后的两层全连接网络生成，空间注意力权重通过单层卷积核的空间压缩特征生成； 将加权后的特征图沿通道维度划分为全局分类分支和局部分割分支，其中，全局分类分支通过全局最大池化降维后输入多层感知机分类器，输出所述待操作物体的类别标识信息及对应置信度，并过滤置信度低于动态阈值的类别标识信息； 所述局部分割分支通过转置卷积层恢复至原始输入图像分辨率后输入边界坐标回归器，生成初始边界框的归一化坐标参数，并采用基于交并比阈值的非极大值抑制算法消除空间重叠的冗余边界框； 将过滤后的类别标识信息与抑制后的归一化边界框坐标按空间网格区域进行匹配关联，输出所述特征分布数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川吉利学院，其通讯地址为：641400 四川省成都市东部新区成简大道二段123号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。