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！

龙图腾网恭喜浙江大学申请的专利一种基于深度学习的无序工件三维视觉位姿估计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：CN114140526B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202111373613.6，技术领域涉及：G06T7/73；该发明授权一种基于深度学习的无序工件三维视觉位姿估计方法是由王郑拓;林志伟;傅建中;徐月同;邵新光设计研发完成，并于2021-11-19向国家知识产权局提交的专利申请。

本一种基于深度学习的无序工件三维视觉位姿估计方法在说明书摘要公布了：本发明提供一种基于深度学习的无序工件三维视觉位姿估计方法，采用深度学习思想实现无序工件的点云实例分割、堆叠估计以及位姿估计，将三维视觉传感器的三维重建过程与图像实例分割算法结合实现工件点云实例分割，同时采用深度学习算法估计工件的堆叠关系从而确定无序工件的抓取优先级，进一步的设计深度学习算法根据分割的工件点云估计工件抓取部位相对机器人基座坐标系的位姿信息，适用于工业流水线上无序工件的定位及上下料。本发明的位姿估计方法可广泛应用于汽车工业、电气电子工业、金属机械工业等行业的实际生产，具有广阔的市场应用前景，对提升我国制造业的数字化和智能化水平具有极其重要的现实意义。

本发明授权一种基于深度学习的无序工件三维视觉位姿估计方法在权利要求书中公布了：1.一种基于深度学习的无序工件三维视觉位姿估计方法，其特征在于，包括以下步骤：1采集无序工件的彩色图像和深度信息；2利用构建的图像实例分割算法处理彩色图像，获取目标检测信息和实例分割信息；3利用目标检测信息裁剪彩色图像，得到每个工件的检测图像；4将检测图像输入至构建的堆叠估计算法，获取所有工件的堆叠估计信息；5根据堆叠估计信息，从实例分割信息中选取堆叠程度最低的工件，形成该工件的掩膜图像；6根据工件的掩膜图像从深度信息中分割出工件点云；7将工件点云输入至构建的位姿估计算法，估计出该工件抓取部位相对机器人基座坐标系的位姿信息；所述图像实例分割算法由深度卷积网络、特征金字塔网络、结果预测网络和后处理模块组成；所述深度卷积网络从彩色图像中提取高维特征向量，由五组卷积层+池化层的复合结构串联而成，每组复合结构都产生一组特征向量，依次为特征向量1、特征向量2、特征向量3、特征向量4和特征向量5；所述特征金字塔网络结合卷积操作和上采样操作处理深度卷积网络生成的特征向量，其中，特征向量5经卷积操作后生成特征向量6，特征向量4经卷积操作后与经上采样操作的特征向量6相加形成特征向量7，特征向量3经卷积操作后与经上采样操作的特征向量7相加形成特征向量8，特征向量2经卷积操作后与经上采样操作的特征向量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经卷积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；结果预测网络由两个网络支路组成，对特征向量10、特征向量11、特征向量12和特征向量13共享权重，第一个网络支路由多个深度卷积层和多个全连接层串联组成，回归预测彩色图像中工件的包围框，形成初步的目标检测信息；第二个网络支路由多个深度卷积层串联组成，预测彩色图像中每个像素从属于特定工件的概率，形成初步的实例分割信息；后处理模块由非极大值抑制单元和阈值滤波单元组成，非极大值抑制单元处理初步的目标检测信息，消除冗余的工件包围框，形成目标检测信息，阈值滤波单元用0.5的阈值滤波初步的实例分割信息，形成实例分割信息；所述堆叠估计算法由多个深度卷积层和多个全连接层串联组成；所述位姿估计算法包括：数据前处理模块，所述数据前处理模块对工件点云进行统计滤波和栅格下采样预处理；点云分类单元，所述点云分类单元对预处理后的工件点云进行分类并输出点云类别；类点云融合单元，所述类点云融合单元将预处理后的工件点云与点云类别融合，形成类点云向量；位姿估计单元，所述位姿估计单元根据类点云向量估计工件抓取部位相对机器人基座坐标系的位姿信息。

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浙江大学，其通讯地址为：310027 浙江省杭州市西湖区浙大路38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”。