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！

龙图腾网获悉贵州大学申请的专利一种轻量型的机械臂抓取检测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：CN120735023B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202511018083.1，技术领域涉及：B25J9/16；该发明授权一种轻量型的机械臂抓取检测方法是由谢明山;李熔鑫设计研发完成，并于2025-07-23向国家知识产权局提交的专利申请。

本一种轻量型的机械臂抓取检测方法在说明书摘要公布了：本发明公开了一种轻量型的机械臂抓取检测方法，属于机械臂抓取技术领域，包括以下步骤1、获取机械臂的抓取数据集并进行预处理，2、完成预处理后，基于Ghost卷积构建深度学习网络，设置损失函数，更新优化深度学习网络，3、通过更新优化后的深度学习网络获得高层次特征，4、根据高层次特征得到机械臂抓取姿态的像素形式，5、根据相机内参数将像素坐标转换到相机坐标，6、将相机坐标转为世界坐标，完成抓取检测，本发明采用上述方法，通过深度学习网络预测了图像中每个像素点的抓取置信度、旋转角度、机械臂夹爪开合大小等信息，最终通过像素到世界坐标的转换，将图像数据转化为可用于机械臂控制的抓取位姿。

本发明授权一种轻量型的机械臂抓取检测方法在权利要求书中公布了：1.一种轻量型的机械臂抓取检测方法，其特征在于，包括以下步骤： S1、获取机械臂的抓取数据集并进行预处理； S11、选择要使用的机械臂； S12、获取选择的机械臂对足式夹爪的Cornell和Jacquard抓取数据集； S13、将Cornell和Jacquard抓取数据集的标签编码为三元组，过程如下： g＝{pu,v,θ,w}； 其中g表示一个抓取表征，θ表示机械臂夹爪绕末端工具坐标Z轴旋转的角度，w表示对足式夹爪抓取时最终需要打开的大小占多少像素值，pu,v表示像素点，得到所有抓取表构成图像数据； S14、将得到的图像数据的像素值归一化然后进行随机旋转并添加噪声； S2、完成预处理后，基于Ghost卷积构建深度学习网络，设置损失函数，更新优化深度学习网络； S21、采用双分支网络结构构建深度学习网络； S22、设置smoothL1loss损失函数，给定标签与网络生成的GI，并计算真实值和预测值之间的误差X，过程如下： S23、将网络预测的全部损失相加的和作为总体损失用以更新网络参数，过程如下： Lossall＝Lq+Lsin+Lcom+Lw； 其中SmoothL1Loss广泛应用于目标检测任务中，β表示超参数，N表示当前批处理中的样本数量，Lq、Lsin、Lcom和Lw分别表示网络预测的最终预测结果与标签之间进行的SmoothL1loss计算的损失值； S24、根据损失函数优化深度学习网络； S3、通过更新优化后的深度学习网络获得高层次特征； S31、使用优化的深度学习网络将S14中处理之后的图像数据经过传统卷积粗提取特征后将特征数量增加到32×224×224大小； S32、将S31中的特征输入语义信息提取分支提取最终语义信息特征； S321、使用语义信息分支中的Ghost模块通过使用传统卷积、BatchNorm以及ReLu激活函数以输入卷积生成期望特征通道数一半的特征； S322、将得到的特征通道数一半的特征通过深度分离卷积BatchNorm生成期待特征数的另一半特征； S323、将两次卷积得到的特征进行卷积拼接，并使用SE模块融合Ghost特征通道间的信息得到最终语义信息特征； S33、将S31中的特征输入空间信息提取分支中提取最终空间位置信息特征； S34、在特征融合模块中对最终语义信息特征和最终空间位置信息特征进行相乘融合获得高层次特征，并在输出层中使用四个1×1的传统卷积分别输出从高层次特征中获得模型输出所需要的特征； S4、根据高层次特征得到机械臂抓取姿态的像素形式； S5、根据相机内参数将像素坐标转换到相机坐标； S6、将相机坐标转为世界坐标，完成抓取检测。

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贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区花溪大道南段2708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。