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！

龍圖騰網獲悉四川吉利學院申請的專利基于深度學習的目標協同控制方法及系統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：CN120370719B 。

龍圖騰網通過國家知識產權局官網在2025-08-29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：202510864673.X，技術領域涉及：G05B13/04；該發明授權基于深度學習的目標協同控制方法及系統是由祝小梅;邱龍飛;何昌亮;趙珊;陳艷梅設計研發完成，并于2025-06-26向國家知識產權局提交的專利申請。

本基于深度學習的目標協同控制方法及系統在說明書摘要公布了：本發明提供一種基于深度學習的目標協同控制方法及系統，通過多視角圖像采集裝置獲取目標區域實時視覺數據，利用深度學習模型進行物體特征識別與分類，生成包含類別標識和邊界坐標的特征分布數據，采用空間校準算法將二維特征映射為三維坐標系數據，結合位姿解算輸出空間位置及姿態角度參數，根據物體物理屬性參數生成包含路徑規劃、末端執行器姿態調整及自適應夾持力度的控制指令，驅動操作裝置完成精準抓取動作，由此通過動態多視角感知、三維空間建模與物理屬性驅動的閉環控制，有效解決了傳統視覺系統在復雜場景下的特征缺失、定位誤差及操作剛性等問題，顯著提升了非結構化環境中目標操作的精度與適應性。

本發明授權基于深度學習的目標協同控制方法及系統在權利要求書中公布了：1.一種基于深度學習的目標協同控制方法，其特征在于，所述方法包括： 通過圖像采集裝置獲取目標區域的實時多視角圖像數據，所述實時多視角圖像數據包含待操作物體的視覺特征信息； 調用實時識別模型對所述實時多視角圖像數據進行物體特征識別，得到所述待操作物體的特征分布數據，所述特征分布數據包括所述待操作物體的類別標識信息和邊界區域坐標信息； 對所述特征分布數據進行校準處理，生成所述待操作物體在三維空間坐標系下的坐標數據； 基于所述坐標數據執行三維位姿解算處理，得到所述待操作物體的位姿參數集合，所述位姿參數集合包含所述待操作物體的空間位置參數及姿態角度參數； 根據所述位姿參數集合及所述類別標識信息對應的物體物理屬性參數生成控制指令，驅動操作執行裝置完成所述待操作物體的的物體抓取動作，所述控制指令包括路徑控制信號、末端執行器姿態控制信號及基于所述類別標識信息的夾持力度控制信號； 所述調用實時識別模型對所述實時多視角圖像數據進行物體特征識別，得到所述待操作物體的特征分布數據，包括： 通過所述實時識別模型中的多層級膨脹卷積網絡對所述實時多視角圖像數據進行并行多尺度特征提取，生成包含不同分辨率特征圖的多層級特征集合，其中，每一層級的膨脹卷積核的膨脹率根據對應輸入圖像分辨率的倒數動態調整以匹配物體尺寸變化； 將所述多層級特征集合輸入所述實時識別模型中的跨層級特征金字塔，通過雙線性插值對低層級大感受野特征圖進行分辨率提升，使其尺寸與高層級小感受野特征圖對齊，并對齊后的特征圖執行逐通道加權融合，生成融合全局語義與局部細節的增強特征圖； 對所述增強特征圖施加通道維度注意力加權和空間維度注意力加權，得到加權后的特征圖，其中，通道注意力權重通過全局平均池化后的兩層全連接網絡生成，空間注意力權重通過單層卷積核的空間壓縮特征生成； 將加權后的特征圖沿通道維度劃分為全局分類分支和局部分割分支，其中，全局分類分支通過全局最大池化降維后輸入多層感知機分類器，輸出所述待操作物體的類別標識信息及對應置信度，并過濾置信度低于動態閾值的類別標識信息； 所述局部分割分支通過轉置卷積層恢復至原始輸入圖像分辨率后輸入邊界坐標回歸器，生成初始邊界框的歸一化坐標參數，并采用基于交并比閾值的非極大值抑制算法消除空間重疊的冗余邊界框； 將過濾后的類別標識信息與抑制后的歸一化邊界框坐標按空間網格區域進行匹配關聯，輸出所述特征分布數據。

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四川吉利學院，其通訊地址為：641400 四川省成都市東部新區成簡大道二段123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”。