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！

申请/专利权人：山东蟠龙信息科技有限公司

摘要：本发明属于计算机视觉和激光舵机校对应用技术领域，尤其涉及一种深度卷积回归激光校对算法通过计算机视觉手段，实现对低精度舵机激光发射器所发射激光在平面上所照射位置的校对，实现在固定平面上的目标位置激光照射，该过程中最核心的舵机转向角度与激光照射位置的校对过程由传统的精准测量模式改为端到端的计算机视觉校对模式。极大的降低了方案对舵机设备精度的要求与校对时间，同时提高了设备精准度。本发明提出的噪声增强函数仅能够控制噪声的总体强度和范围，还能够调节噪声的详细特性，从而满足更复杂的数据增强需求。本发明使用多尺度深度卷积回归模型使得双路交叉学习提高对激光落点的定位能力，减少外部环境干扰。

主权项：1.一种深度卷积回归激光校对算法，其特征在于，包括如下步骤：S1、数据采集，首先固定屏幕、舵机-激光发射器、摄像头三部分的位置，由电脑发起指令控制舵机旋转及激光点亮，舵机垂直方向h轴、水平方向v轴每次转动1度，因此若由屏幕最左边到最右边旋转角度在h固定时有60度，同样v固定时由上到下有30度，则舵机共采样30*60＝1800次，舵机每切换一次角度，摄像头采集一张图像，同时以采集该图像时h-v值命名图像，并记录产生该图像的激光舵机装置角度位置hi,vi，汇总得到角度位置的数据集合h,v，得到原始图像1800张；S2、补全缺失激光落点，构建原始采集图像为IMG＝{imgp,imgn}，其中imgp与imgn分别表示原始图像与噪声图像，所述噪声图像采用近似值补全的方案补全缺失激光落点；S3、噪声增强，对原始图像的激光落点进行标注，并基于YOLOV8模型训练一个目标检测base模型，命名为model_base，该模型能够对图像中的激光落点有效识别出其像素位置xi,yi，汇总得到所有原始图像像素位置数据集合x,y，获取数据对集合h,v,x,y，基于数据对集合训练多项式回归模型命名为Reg_location，且有：hi,vi＝Reg_locationxi,yi其中，当输入屏幕某像素位置xi,yi时，多项式模型Reg_location可计算出产生该图像的激光舵机装置角度位置hi,vi，在x,y范围内随机组合生成一定数量的x,y坐标对，并输入Reg_location模型以获取基础h,v值，基于噪声增强函数生成新的x,y坐标值，噪声增强函数对x的计算如下所示：x'＝x+δα*sinβ*x+τ+∈*cosβ*x其中，α主要控制噪声的基础强度，β、τ联合作用于噪声的频率和相位，影响噪声模式的形态，δ用于微调噪声强度，提供更精细的控制，∈为增加了一个正弦与余弦结合的项，用于调节噪声的范围和复杂度，使得噪声模式更加多样化；S4、多尺度深度卷积回归，使用标准正态分布构建一个权重掩码W，其大小与原始图像相同，使用权重掩码W来调整噪声的分布，计算方式如下： 其中，xt是第t步的图像，∈是从标准正态分布中采样的噪声，αt控制噪声的整体强度，构建多尺度深度卷积回归模型，模型输入为图像及产生该图像的激光舵机装置角度位置hi,vi，要求训练模型能够给定图像后判断该图像中激光落点所产生时的激光舵机装置角度位置，构建一个双输入网络架构同时处理两个输入流，分别对应原始图像和噪声图像，最终在某个点融合这两个输入流来预测激光舵机装置角度位置，所述多尺度深度卷积回归模型，在两个并行的特征提取子网络之间引入特征交互层，动态调整噪声图像特征提取的过程，对于原始图像Iorig和噪声图像Inoise，分别通过其对应的CNN子网络提取特征，记为Forig和噪声图像Fnoise，随后使用Forig作为查询Q，Fnoise作为键K和值V，通过注意力机制计算得到加权的噪声图像特征F'noise，再利用得到的加权特征F'noise更新噪声图像的特征表示，以此来引导噪声图像特征提取子网络的学习。计算过程如下： 其中，λt是一个随t递减的函数，用于控制原始图像特征对噪声图像特征更新的影响程度，其计算过程如下：λt＝at*sinbt*t+φ其中，at是振幅调节函数，控制λt的主要变化幅度，是随着t逐渐减小的函数，有： 其中，a0是初始振幅，β控制振幅下降的速度。bt是频率调节函数，决定λt的变化频率，将其设置为阶段性变化的函数，以模拟不同阶段噪声控制的需求变化，bt的公式为： 其中，φ是相位偏移，决定了λt的起始变化模式，可以根据模型初始化时的需求设定，最后，将更新后的噪声图像特征和原始图像特征Forig进行融合，通过全连接层输出预测的激光舵机装置角度位置。

全文数据：

权利要求：

百度查询： 山东蟠龙信息科技有限公司 一种深度卷积回归激光校对算法