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！

龙图腾网获悉四川轻化工大学;四川翼源通用设备有限公司申请的专利一种十字头零件装配的智能定位抓取方法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：CN120816498B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202511318378.0，技术领域涉及：B25J9/16；该发明授权一种十字头零件装配的智能定位抓取方法是由石艳;董祥杰;梁乐菲;夏明;夏彬;陈宙摩;尹虹又设计研发完成，并于2025-09-16向国家知识产权局提交的专利申请。

本一种十字头零件装配的智能定位抓取方法在说明书摘要公布了：本发明公开了一种十字头零件装配的智能定位抓取方法，包括：采集若干十字头零件摆放姿态的图像，生成训练数据；构建用于检测十字头零件顶部特征点的YOLO‑Corner算法模型，修正模型的参数；识别出图像中十字头零件顶部的特征点，利用特征点对图像中十字头零件顶部进行定位；计算出十字头零件在机械臂基坐标系下的位姿矩阵；根据位姿矩阵中的位姿坐标信息规划机械臂末端运动，驱动机械臂抓取十字头零件并进行装配。本发明最终使YOLO‑Corner算法能精确检测出十字头零件的特征点，并精确计算出十字头零件相对于相机的空间位姿，以使机械臂能精准抓取到十字头零件并完成十字头零件的装配任务。

本发明授权一种十字头零件装配的智能定位抓取方法在权利要求书中公布了：1.一种十字头零件装配的智能定位抓取方法，其特征在于，包括以下步骤： S1：采集若干十字头零件摆放姿态的图像，并对图像上的顶部特征点进行标注，获取十字头零件顶部的特征点，生成训练数据； S2：构建用于检测十字头零件顶部特征点的YOLO-Corner算法模型，YOLO-Corner算法模型包括特征提取层、特征融合层与输出层，利用训练数据对YOLO-Corner算法模型进行训练，将图像上标注的特征点作为输出，修正模型的参数，输出训练完成的YOLO-Corner算法模型； S3：采集摆放有十字头零件的图像，输入训练完成的YOLO-Corner算法模型中，识别出图像中十字头零件顶部的特征点，利用特征点对图像中十字头零件顶部进行定位； S4：获取特征点的像素坐标，并在图像上建立十字头坐标系，得到特征点在十字头坐标系内的3D空间坐标，计算十字头相对于摄像头的空间位姿，并将十字头相对于摄像头的空间位姿转换为机械臂基坐标系下的位姿，计算十字头坐标系在机械臂基坐标系下的位姿矩阵； S5：根据位姿矩阵获取十字头零件上的抓取点在机械臂基坐标系内的位姿坐标，利用位姿坐标规划机械臂末端运动，驱动机械臂抓取十字头零件并进行装配； 所述特征提取层包括C3k2模块和感受野注意力卷积模块RFAConv，所述C3k2模块中引入特征互补映射模块FCM，形成C3k2_FCM模块； 所述特征融合层包括上采样模块EUCB、三重注意力机制和感受野注意力卷积模块RFAConv；所述三重注意力机制包括三个分支，所述感受野注意力卷积模块RFAConv通过关注纹理特征中的空间特征，为每个感受野生成独立的注意力权重； 所述C3k2_FCM模块对图像进行处理的方法为： A1：将图像的输入特征XinputXinput∈RC×H×W的通道分割为为αC通道和通道两部分； ； ； 其中，α为通道分割比，RC×H×W为图像特征，包括图像通道数C、垂直纬度的高度H和水平维度的宽度W；分别为αC通道、通道的图像特征，为通道分割函数； A2：将分割后的图像特征传递给标准的3x3卷积分支，提取通道特征信息；将图像特征传递给逐点卷积PWConv分支，保留浅层空间位置信息； ； 其中，为图像特征的空间信息与语义信息之间的映射函数； A3：将通道特征信息引入通道交互中进行全局平均池化，获得各通道上的全局信息，再通过sigmoid激活函数为每个通道上的全局信息分配通道信息权重； ； ； 其中，i为卷积核编号，ki为第i个卷积核，为通道交互中各特征层通道的映射函数，为输入第i个卷积核的通道特征信息，为第i个卷积核的输出通道特征信息，为sigmoid激活函数，分别为垂直纬度的像素编号、水平维度的像素编号，为卷积核的输出函数，为通道权重集合； A4：浅层空间位置信息通过空间交互为每个位置上的重要信息赋予空间信息权重； ，； 其中，为空间聚集的卷积映射函数，为空间权重集合； A5：将空间信息权重映射到通道特征信息中，通道信息权重映射到浅层空间位置信息中，实现通道特征信息与浅层空间位置信息的互补融合，得到空间关系和语义关系的特征图； ； 所述上采样模块EUCB对图像进行处理的方法为： B1：使用比例因子为2的上采样模块将特征图的尺度放大2倍，之后用3×3深度卷积DWC、批归一化BN和ReLU激活函数来增强放大后的特征图； B2：之后，利用1×1卷积C1×1来减少特征图的通道，输出增强特征图； ； 其中，为1×1卷积操作，为ReLU激活函数，为批归一化函数，为3×3深度卷积操作，为上采样操作，为上采样模块EUCB的输出函数； 所述三重注意力机制对图像进行处理的方法为： 将增强特征图输入三重注意力机制中，利用三个分支对增强特征图进行卷积操作，捕获增强特征图上关于十字头零件顶部的特征点对应的特征，得到特征点对应的特征图； 所述三重注意力机制对图像进行处理的方法具体包括以下步骤： C1：将输入的增强特征图分别传递给三个分支中的每个分支； C2：在第一个分支中，将输入的增强特征图沿垂直轴逆时针方向旋转90°，得到旋转张量，旋转张量的形状为W×H×C； 通过Z-Pool层将旋转张量简化为形状为2×H×C的旋转张量，再通过内核大小为k×k的标准卷积层到达批归一化BN层； 批归一化BN层通过计算旋转张量上特征数据x的均值、方差将特征数据x标准化，并通过缩放和平移操作将标准化后的旋转张量形状简化为1×H×C的输出，最后利用Sigmoid激活函数生成关于输出的注意力权重； ； ； ； ； ； ； 其中，为最大池化特征函数，为平均池化特征函数，u为特征数据的编号，xu为第u个特征数据，m为特征数据的数量，为特征数据的均值，为特征数据的方差，为修正系数，分别为输出函数的系数和偏差，为第u个特征数据的输出； 将注意力权重施加到旋转张量上，再沿垂直轴顺时针方向旋转90°，得到保留增强特征图原始形状的输出特征图； C3：在第二个分支中，将增强特征图沿水平轴逆时针方向旋转90°，得到旋转张量，旋转张量的形状为H×C×W，穿过Z-Pool层将旋转张量简化为形状2×C×W的旋转张量； 旋转张量通过内核大小为k×k的标准卷积层到达批归一化BN层，输出简化的形状为1×C×W的输出；最后利用Sigmoid激活函数生成关于输出的注意力权重； 将注意力权重施加到旋转张量上，再沿水平轴顺时针方向旋转90°，得到保留增强特征图原始形状的输出特征图； C4：在第三个分支中，增强特征图直接通过Z-Pool层简化为形状2×H×W的张量，通过内核大小为k×k的标准卷积层到达批归一化BN层，输出形状为1×H×W的输出，最后利用Sigmoid激活函数生成关于输出的注意力权重；将注意力权重施加到张量上，得到输出特征图； C5：对三个分支的输出进行平均聚合，计算增强特征图对应的输出特征，得到关于十字头零件顶部的特征点对应的特征图； ； 所述感受野注意力卷积模块RFAConv对图像进行处理的方法为： 将特征点对应的特征图输入感受野注意力卷积模块RFAConv中，通过感受野的空间特征，生成每个感受野的注意力权重，并通过加权操作，输出识别的特征点，利用特征点对图像中十字头零件顶部进行定位。

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轻化工大学;四川翼源通用设备有限公司，其通讯地址为：643000 四川省自贡市自流井区汇东学苑街180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”。

以上内容由龙图腾AI智能生成。