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！

龙图腾网获悉大连民族大学申请的专利一种基于改进YOLOv5算法的机械臂抓取目标物体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：CN116630602B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310619864.0，技术领域涉及：G06V10/24；该发明授权一种基于改进YOLOv5算法的机械臂抓取目标物体检测方法是由汪语哲;曹钢;刘飞宇;段晓东;付猛设计研发完成，并于2023-05-30向国家知识产权局提交的专利申请。

本一种基于改进YOLOv5算法的机械臂抓取目标物体检测方法在说明书摘要公布了：一种基于改进YOLOv5算法的机械臂抓取目标物体检测方法，属于图像识别技术领域，S1、获取数据集及进行数据预处理：S2、对现有的YOLOv5网络进行改进：S21、搭建空间‑坐标注意力机制SCAA，实现对目标物体及局部特征信息的准确定位，受卷积注意力机制CBAM的启发，将空间注意力机制SA和坐标注意力机制CA结合；S22、多尺度特征融合网络，YOLOv5的Neck结构采用的是FPN+PANeT相结合的方式，对YOLOv5算法模型网络进行改进；S23、优化锚框参数，YOLOv5采用自适应锚定框对训练数据自动学习，通过使用Kmeans聚类算法对数据集的目标框gt自动计算；S3、训练网络模型。本发明能够解决对目标物体及局部特征定位不准确的问题，且在识别精度没有降低的前提下，对目标物体的定位更加准确，鲁棒性更好。

本发明授权一种基于改进YOLOv5算法的机械臂抓取目标物体检测方法在权利要求书中公布了：1.一种基于改进YOLOv5算法的机械臂抓取目标物体检测方法，其特征在于，包括如下步骤： S1、获取数据集及进行数据预处理： 从网上下载康奈尔数据集，使用通用的标注软件labelimg标注工具对获得的数据图片进行标注，标注完成后，将PASCAL格式的文件转换成YOLO格式的文件，完成数据集制作； S2、对现有的YOLOv5网络进行改进； S21、搭建空间-坐标注意力机制SCAA，实现对目标物体及局部特征信息的准确定位，受卷积注意力机制CBAM的启发，将空间注意力机制SA和坐标注意力机制CA结合； SCAA模块工作步骤下：假设输入的特征信息为N，在通道维度层面对输入特征进行压缩，然后对压缩以后的特征进行最大池化和平均池化操作，即分别在两个通道提取最大值和平均值，最后将两个通道的特征图进行融合，经过一个7x7的卷积层，得到权重系数Ns，输出特征Nf是输入特征N与Ns的乘积，如公式1和2所示: 1 2 整个空间范围高为H，宽为w，在H,1的垂直范围里，用池化核对垂直方向的坐标信息编码并保存，在1,w的水平范围里，用池化核对水平方向的坐标信息进行编码并保存，如公式3所示: 3 将具有精确编码信息的特征进行拼接，然后经过1x1卷积变换函数F1和非线性激活函数，得到编码空间信息的中间特征f，如公式4所示: 4 然后用1x1卷积和生成注意力权重和，如公式5所示: 5 最终通过公式6计算注意力模块的输出: 6 在主干网络C3模块后加入SCAA模块，在经过C3模块获得目标深层次的特征信息后，再经过SCAA模块，先得到空间维度的权重，然后对空间权重大的特征信息在水平方向和垂直方向进行编码，对目标模型特征更好的识别和定位，在YOLOv5算法的主干网络中加入SCAA模块，Backbone网络由10层变成了13层； S22、多尺度特征融合网络，YOLOv5的Neck结构采用的是FPN+PANeT相结合的方式，根据BiFPN网络特征融合方式的优越性，借鉴BiFPN结构的特点，对YOLOv5算法模型网络进行改进； 所述步骤S22中，设计多尺度特征融合网络：YOLOv5的Neck结构采用的是FPN+PANeT相结合的方式，根据BiFPN网络特征融合方式的优越性，对YOLOv5算法模型网络进行改进，直接将底层的特征信息通过跳跃连接传递给高层特征，将高级语义特征信息与底层信息特征融合； 新型特征融合网络的工作方式如下：特征融合的方式如公式7所示: 7 其中，f1、f2、f3表示双向特征融合网络的三个特征，[;]表示将两个特征按照通道维度数进行两两拼接，feature表示特征按照通道维度拼接后生成的新的特征，Pi表示前馈深度神经网络提取的多尺度融合特征； 在原始的融合网络中，N3、N4、N5分别代表小目标、中目标、大目标的多尺度特征检测，特征N3并没有利用低层级特征N2，而是利用了经过上采样后的特征F3，特征N2通过特征P2和特征F3融合拼接得到，将YOLOv5结构中的CSP算子记作函数F，如公式8所示: 8 N3、N4、N5是通过新型的双向特征融合网络后生成的多尺度融合特征，特征P2通过下采样生成特征P3，特征P4与特征P5按通道拼接融合得到特征F4，特征F4通过上采样并与特征P3按通道维度拼接生成特征F3，多尺度融合特征N3则是特征N2、特征F3和特征P3按照通道维度拼接后生成的，Downsample是指通过卷积二倍下采样，特征N3融合方式如公式9所示: 9 同理，特征N4、N5融合方式如公式10和11所示： 10 11； S23、优化锚框参数，YOLOv5采用自适应锚定框对训练数据自动学习，通过使用Kmeans聚类算法对数据集的目标框gt自动计算； S3、训练网络模型。

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大连民族大学，其通讯地址为：116600 辽宁省大连市经济技术开发区辽河西路18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。