(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210791190.8 (22)申请日 2022.07.07 (65)同一申请的已公布的文献号 申请公布号 CN 114862955 A (43)申请公布日 2022.08.05 (73)专利权人 诺伯特智能装备 （山 东） 有限公司 地址 252000 山东省聊城市高新 技术产业 开发区黄河路南小湄河东 (72)发明人 闫明正　田新诚　闫新兴　甄守乐　 付黎伟　 (74)专利代理 机构 深圳叁众知识产权代理事务 所(普通合伙) 44434 专利代理师 董红娟 (51)Int.Cl. G06T 7/73(2017.01)G06N 3/04(2006.01) G06V 10/22(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 10914575 6 A,2019.01.04 CN 109146912 A,2019.01.04 CN 109341694 A,2019.02.15 CN 109579825 A,2019.04.0 5 US 2015088311 A1,2015.0 3.26 审查员 张涛 (54)发明名称 一种工业机 器人快速视觉定位方法 (57)摘要 本发明公开了一种工业机器人快速视觉定 位方法， 属于智能定位技术领域； 包括以下步骤： 获取需要定位的物品数据集， 并构建卷积神经网 络； 基于综合损失函数， 并采用数据集对构建的 卷积神经网络进行训练， 直至综合损失函数收 敛， 获取训练好的卷积神经网络； 根据多个网络 拟合准确程度拟合出准确性曲线； 根据准确性曲 线的斜率获取最佳的含无用特征的卷积分组数 目； 将最佳的含 无用特征的卷积分组数目对应的 卷积核进行剪枝去除， 获取小参数卷积神经网 络； 本发明通过将含有无用特征的卷积层对应的 卷积核网络参数进行剪枝处理获取的小参数量 网络， 提高工业机 器人的视 觉定位速度。 权利要求书3页 说明书9页 附图1页 CN 114862955 B 2022.09.02 CN 114862955 B 1.一种工业机器人 快速视觉定位方法， 其特 征在于， 包括以下步骤： 获取需要定位的物品数据集， 并构建卷积神经网络； 所述数据集包括网络输入的物品 图像， 及网络输出物品图像中的目标区域； 其中， 所述卷积神经网络中采用分组卷积的方式 获取卷积层， 每 个卷积层中均包 含M个卷积分组； 根据任一输入图像输入至卷积神经网络获取的第 一预测区域， 及目标区域获取第 一交 叉熵损失函数； 根据第M‑k至M个卷积分组所对应卷积核中均随机选取若干个无用特征参数进行置零 处理， 获取调整后的第一神经网络； 其中， M＞3； 根据该输入图像输入至第一神经网络获取 的第二预测区域， 及目标区域获取第二交叉熵损失函数； 根据第一交叉熵损失函数和第二 交叉熵损失函数获取第一损失函数； 将第1至M ‑k‑1个卷积分组对应的卷积核中均随机选取若干个有用特征参数进行置零 处理， 获取调整后的第二神经网络； 根据该输入图像输入至第二神经网络获取 的第三预测 区域， 及目标区域获取第三交叉熵损失函数； 根据第一交叉熵损失函数和第三交叉熵损失 函数获取第二损失函数； 再根据第一损失函数、 第二损失函数及第一交叉熵损失函数获取综合损失函数； 基于综合损 失函数， 并采用数据集对构建的卷积神经网络进行训练， 直至综合损 失函 数收敛， 获取训练好的卷积神经网络； 根据训练好的卷积神经网络， 及第 二交叉熵损失函数获取数据集中每个输入图像的第 二交叉熵损失值； 并根据每个输入图像的第二交叉熵损失值 获取所有输入图像的第二交叉 熵损失值方差； 根据每个输入图像的第 二交叉熵损失值及所有输入图像的第 二交叉熵损失值方差， 获 取网络拟合 准确程度； 根据k依次取0， 1， 2， ⋯⋯， 获取多个网络拟合 准确程度； 根据多个网络拟合准确程度拟合出准确性曲线； 根据准确性曲线的斜率获取最佳的含 无用特征的卷积分组数目； 将最佳的含无用特征的卷积分组数目对应的卷积核进 行剪枝去 除， 获取小参数 卷积神经网络； 将待识别定位的图像输入到小参数 卷积神经网络获取待识别定位物品的目标区域。 2.根据权利要求1所述的工业机器人快速视觉定位方法， 其特征在于， 所述综合损失函 数计算公式如下： 式中， 表示第一交叉熵损失函数； 表示第一损失函数； 表示第二损失函数。 3.根据权利要求2所述的工业机器人快速视觉定位方法， 其特征在于， 所述第 一损失函 数计算公式如下： 式中， 表示第一损失函数； 表示第一交叉熵损失函数； 表示第二交叉熵损失 函数。 4.根据权利要求3所述的工业机器人快速视觉定位方法， 其特征在于， 所述第 二损失函权　利　要　求　书 1/3 页 2 CN 114862955 B 2数计算公式如下： 式中， 表示第二损失函数； 表示第一 交叉熵损失函数； 表示第三 交叉熵损失 函数。 5.根据权利要求4所述的工业机器人快速视觉定位方法， 其特征在于， 所述第 一交叉熵 损失函数计算公式如下： 式中， 表示第一交叉熵损失函数； 表示输入图像的对应目标区域中第i个像素的 标签值； 表示输入图像对应第一预测区域中第i个 像素的网络 输出值。 6.根据权利要求4所述的工业机器人快速视觉定位方法， 其特征在于， 所述第 二交叉熵 损失函数计算公式如下： 式中， 表示第二交叉熵损失函数； 表示输入图像的对应目标区域中第i个像素的 标签值； 表示第二预测区域中第i个 像素的网络 输出值。 7.根据权利要求4所述的工业机器人快速视觉定位方法， 其特征在于， 所述第 三交叉熵 损失函数计算公式如下： 式中， 表示第三交叉熵损失函数； 表示输入图像的对应目标区域中第i个像素的 标签值； 表示第三预测区域中第i个 像素的网络 输出值。 8.根据权利要求1所述的工业机器人快速视觉定位方法， 其特征在于， 所述网络拟合准 确程度计算公式如下： 式中， 表示j个卷积分组所对应卷积核中均随机选取若干个无用特征参数进行置零 处理时， 获取训练好的卷积神经网络的拟合 准确程度； 表示j个卷积分组所对应卷积核中均随机选取若干个无用特征参数进行置零处理 时， 数据集中第s个输入图像对应的第二交叉熵损失值；权　利　要　求　书 2/3 页 3 CN 114862955 B 3