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！

龙图腾网获悉厦门大学申请的专利一种深度学习三维焊缝跟踪方法及装置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：CN116475563B 。

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：202310661620.9，技术领域涉及：B23K26/044；该发明授权一种深度学习三维焊缝跟踪方法及装置是由刘向荣;褚兆琪;柳娟;胡亚伟设计研发完成，并于2023-06-06向国家知识产权局提交的专利申请。

本一种深度学习三维焊缝跟踪方法及装置在说明书摘要公布了：本发明公开一种深度学习三维焊缝跟踪方法及装置，其包括：实时采样图像输入给训练好的深度学习模型，得到焊缝接头结构类型和焊缝特征点信息；焊缝特征点信息通过标定得到的空间变换关系转化为焊接路径；根据焊接路径带动焊接头进行焊接；当识别出焊缝的终点或者焊接超时或累计运动距离超过设定值后，停止焊接并将焊接机器人移回原点；本发明对深度学习模型CenterNet和CenterTrack的训练步骤进行修改，调整了它们的网络结构，并通过单次网络结构搜索得到适用于提取焊缝图片特征的网络结构，使其更适应线结构光采样的焊缝图像；并对焊缝特征提取网络进行自监督预训练获得预训练权重，在减少网络结构复杂度的基础上，降低算法推理时间，同时提高识别的精确度。

本发明授权一种深度学习三维焊缝跟踪方法及装置在权利要求书中公布了：1.一种深度学习三维焊缝跟踪方法，应用于三维焊缝跟踪设备中，该三维焊缝跟踪设备包括焊接机器人、机器人控制柜、线结构光传感器、焊接机、焊接头和工控机，线结构光传感器和焊接头通过安装支架同轴安装在焊接机器人的末端，进行跟踪焊接时，焊接机器人带动末端运动，由焊接头和线结构光传感器同时对放置于工作台上的待测工件进行采样和焊接；其特征在于：该三维焊缝跟踪方法包括： 步骤1：由线结构光传感器实时采样图像输入给训练好的深度学习模型，得到焊缝接头结构类型和焊缝特征点信息； 步骤2：将焊缝特征点信息通过标定得到的空间变换关系转化为引导机器人运动的控制点形成焊接路径，发送给焊接机器人； 步骤3：焊接机器人运动，根据焊接路径带动焊接头进行焊接； 步骤4：当识别出焊缝的终点或者焊接超时或累计运动距离超过设定值后，停止焊接并将焊接机器人移回原点； 其中，所述深度学习模型的训练步骤如下： 步骤a：采集焊缝样本图像并制作为数据集； 步骤b：修改焊缝检测网络CenterNet网络结构和焊缝跟踪网络CenterTrack网络结构，获得焊缝特征提取网络； 步骤c：对焊缝特征提取网络进行自监督预训练获得预训练权重； 步骤d：对修改后的焊缝检测网络CenterNet和焊缝跟踪网络CenterTrack进行训练，得到深度学习模型； 所述的步骤a包括以下步骤： 步骤a1、对各种焊缝接头结构工件进行采样，获取数据集； 步骤a2、对步骤a1中的数据集标注焊缝接头结构类型和焊接特征点坐标； 步骤a3、在所需要焊接的三维复杂结构批量工件中取出部分工件；使用示教的方式，使机器人沿着焊接路径对焊缝进行采样； 步骤a4、对步骤a3获得的数据集标注焊接特征点坐标，同时在数据集中挑出焊缝起点和终点位置的影像标注为特殊类型； 所述步骤b修改焊缝检测网络CenterNet网络结构和焊缝跟踪网络CenterTrack网络结构具体包括以下步骤： 步骤b1、去除CenterNet的尺寸预测分支，修改后焊缝检测网络结构的第一损失函数为；为热力图预测损失函数，为热力图中心点偏移预测损失函数，为用于控制损失函数之间权重的系数； 步骤b2、去除CenterTrack的位移预测分支，修改后焊缝跟踪网络结构的第二损失函数为；为热力图预测损失函数，为热力图中心点偏移预测损失函数，为用于控制损失函数之间权重的系数； 步骤b3、对CenterNet和CenterTrack中的提取热力图中尖峰的步骤进行修改，直接输出热力图的最大值作为识别到的焊缝位置； 步骤b4、使用单次网络结构搜索方法得到适用于焊缝特征提取的CenterNet和CenterTrack特征提取网络； 所述步骤b4使用单次网络结构搜索方法得到适用于焊缝特征提取的CenterNet和CenterTrack特征提取网络具体包括以下步骤： 步骤b41、设计网络搜索空间，采用移动翻转瓶颈卷积作为网络基础模块，整个搜索空间包括4个不同的移动翻转瓶颈卷积模块； 步骤b42、根据所设计的网络搜索空间，对其超图使用单路经均匀采样方法和SGD梯度下降方法通过焊缝影像数据集进行训练，直到收敛； 步骤b43、制定网络的评价标准，使用遗传算法，对每个可能的特征提取网络，使用超图中训练好的参数进行评价，并搜索得到最优的网络结构作为焊缝特征提取网络； 所述步骤c对焊缝特征提取网络进行自监督预训练获得预训练权重具体包括以下步骤： 步骤c1、将步骤b得到的焊缝特征提取网络作为编码器，在网络末端添加一个由反卷积层叠加而成的解码器，构成编码器-解码器网络结构； 步骤c2、对模型输入遮掩过的焊缝图片，并使用未遮掩的图片作为监督信号进行训练； 所述步骤d对修改后的焊缝检测网络CenterNet和焊缝跟踪网络CenterTrack进行训练具体包括以下步骤： 步骤d1、利用预训练权重初始化修改后的焊缝检测网络CenterNet； 步骤d2、对数据集的数据采用随机水平旋转、添加随机噪声和随机平移的方式进行增强，得到增强后的数据； 步骤d3、将增强后的数据输入给修改后的焊缝检测网络CenterNet进行迭代训练； 步骤d4、使用训练好的焊缝检测网络CenterNet模型参数初始化焊缝跟踪网络CenterTrack； 步骤d5、将数据集中时间相关的图片集合组合成真实视频数据，同时将部分图片通过随机缩放和平移来模拟采样过程中焊缝图像的变化过程，由此生成模拟视频； 步骤d6、将真实视频和模拟视频输入给焊缝跟踪网络CenterTrack模型进行训练。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。