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！

龙图腾网获悉香港中文大学(深圳)申请的专利一种计算机视觉辅助的物流中转场数字孪生辅助建模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：CN120069690B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510559300.1，技术领域涉及：G06Q10/067；该发明授权一种计算机视觉辅助的物流中转场数字孪生辅助建模方法是由黄川;张崴;田源明设计研发完成，并于2025-04-30向国家知识产权局提交的专利申请。

本一种计算机视觉辅助的物流中转场数字孪生辅助建模方法在说明书摘要公布了：本发明公开了一种计算机视觉辅助的物流中转场数字孪生辅助建模方法，包括以下步骤：S1.对物流中转场关键区域的视觉数据进行采集，并对采集到的视觉数据进行噪声抑制与质量增强；S2.通过训练YOLO网络对噪声抑制与质量增强后的图像进行特征抽取，得到视觉特征；S3.进行非视觉数据采集与编码，得到非视觉特征；S4.在预处理后的图像上，利用深度学习方法进行图像分割、场景识别及对象跟踪；S5.进行多模态数据融合与数字孪生模型构建。本发明实现了对物流中转场关键区域的全局动态监控和高精度数字孪生建模。

本发明授权一种计算机视觉辅助的物流中转场数字孪生辅助建模方法在权利要求书中公布了：1.一种计算机视觉辅助的物流中转场数字孪生辅助建模方法，其特征在于：包括以下步骤： S1.对物流中转场关键区域的视觉数据进行采集，并对采集到的视觉数据进行噪声抑制与质量增强； S2.通过训练YOLO网络对噪声抑制与质量增强后的图像进行特征抽取，得到视觉特征； S3.进行非视觉数据采集与编码，得到非视觉特征； S4.在预处理后的图像上，利用深度学习方法图像分割、场景识别及对象跟踪； 所述步骤S4包括： S401.图像分割与场景识别： 图像分割：使用MaskR-CNN网络对图像进行像素级分类，输出分割掩码: ； 其中，表示MaskR-CNN网络的函数，表示MaskR-CNN网络参数；表示图像高度，表示宽度； 场景识别：利用场景分类网络将图像映射为场景类别概率向量： ； 其中，为场景分类网络的函数，为场景分类网络的参数； 其中为场景类别总数，满足； S402.对象跟踪： 在连续帧中，通过相邻的帧与帧中目标的空间和外观特征计算匹配代价，代价函数定义为： ； 其中，对于帧第个检测框的外观特征向量，该特征向量中包含第i个检测框的边界框参数和第i个检测框对应的特征向量为目标位置之间的欧氏距离；为目标外观特征距离，为调节系数；基于定义的代价函数，计算与之间的匹配代价，然后构建代价矩阵： ； 其中， ； 将构建的代价矩阵利用匈牙利算法转化为二分指派问题，并通过以下步骤在多项式时间内求得最优的一对一匹配，匈牙利算法会输出一个一对一配对方案作为目标跟踪方案，让帧中的每个检测框都正好对应到帧中的一个检测框，实现连续帧的目标关联与持续跟踪； S5.进行多模态数据融合与数字孪生模型构建； 所述步骤S5包括： S501.多模态特征融合： 特征级融合：将视觉特征与非视觉编码特征进行向量级联，构成统一的融合特征向量： ； 其中，表示向量连接操作； 注意力机制加权：利用注意力网络自适应调整不同模态信息的贡献，通过计算注意力权重： ； 得到最终加权融合特征： ； 其中，为注意力网络参数；表示元素相乘； 时序建模：由于物流现场状态具有时间连续性，采用LSTM模型捕捉时序依赖性，更新状态表示： ； 所述物流现场状态包括：物流中转场内包裹实时位置状态、分拣机分拣状态、分拣人员位置状态； LSTM模型训练过程中，需要采集多组样本进行训练，各组样本在t取不同值时得到，每一组样本的特征为t时刻的加权融合特征和t-1时刻的物流现场状态，标签为t时刻的物流现场状态； 训练完成后，对于任意时刻t，只需要将t时刻的加权融合特征和t-1时刻的物流现场状态输入LSTM模型，由LSTM模型输出t时刻的物流现场状态的预测结果； S502.数字孪生模型构建与动态更新： 构建状态描述向量:基于目标检测、图像分割、场景识别以及非视觉数据，形成物流中转场现场状态的复合描述： ； 其中，，为深度融合网络映射函数，为将检测和分割结果进行向量化处理；表示时刻非视觉数据向量； 动态状态更新：利用指数平滑更新策略，实现状态信息的平滑过渡： ； 其中，为平滑因子； 引入卡尔曼滤波进行状态修正： ； ； 其中，为状态转移矩阵，为控制输入矩阵，为外部控制输入，为卡尔曼增益；对于状态转移矩阵，即基于分拣系统物理模型当前时刻到下一个时刻的包裹实时位置状态、分拣机分拣状态、分拣人员位置状态变化关系；外部控制输入即为对于物流中转场的输入决策信息，包括包裹分拣的格口资源安排、传送带运行速度和分拣人员的调度安排；控制输入矩阵即为在外部控制输入下，物流分拣系统的运行状态影响； S503.基于、，结合步骤S402中的图像分割结果、场景识别结果，以及目标跟踪方案作为辅助，实现对物流中转场的高精度动态数字孪生模型构建。

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香港中文大学(深圳)，其通讯地址为：518172 广东省深圳市龙岗区龙城街道龙翔大道2001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。