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！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利一种弱纹理物体的六自由度位姿估计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：CN116485892B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310381649.1，技术领域涉及：G06T7/73；该发明授权一种弱纹理物体的六自由度位姿估计方法是由吴晶华;任建新;王芸;张宏伟设计研发完成，并于2023-04-11向国家知识产权局提交的专利申请。

本一种弱纹理物体的六自由度位姿估计方法在说明书摘要公布了：本发明公开一种弱纹理物体的六自由度位姿估计方法，根据物体CAD模型采用物理渲染的方式生成物体的数据集；搭建具有单编码器和多解码器结构的卷积神经网络模型获得物体的预测掩膜和高维特征图，建立全连接网络，根据输入的物体点云映射成高维的特征表示；计算网络输出特征图的相关矩阵，并经采样、计算和评分得到候选位姿；再经细化得到最终位姿。本发明是通过合成数据完成模型训练，不需要真实场景标注即可达到很好的泛化能力，通过对弱纹理物体表面进行建模，极大提高了针对大量工业零件的检测精度，具有很好的应用价值。

本发明授权一种弱纹理物体的六自由度位姿估计方法在权利要求书中公布了：1.一种弱纹理物体的六自由度位姿估计方法，其特征是按如下步骤进行： 步骤1：按如下步骤进行离线训练，包括：训练目标检测网络YOLOX、卷积神经网络和全连接网络： 步骤11：构建待识别物的CAD模型，利用BlenderProc程序将所述CAD模型通过物理渲染的方式生成不同场景下物体的数据集，作为训练数据集合； 步骤12：利用所述训练数据集合的图片和图片中的类别标签完成目标检测网络YOLOX的训练； 步骤13：搭建具有单编码器和多解码器结构的卷积神经网络模型，从而根据输入的图像部分进行表面编码,加载所述训练数据集合中物体类别和二维检测框作为输入，经过编码器和对应的解码器得到十三维度的特征图，其中第一维度为预测图片中物体的预测掩膜，其它十二维度是预测的高维特征图，记为高维特征图A1； 所述编码器用于对输入抽取高维特征，并降低特征尺寸，所述多解码器是为每个类别物体提供一种单独的解码器进行解码，N类物体对应N个解码器； 步骤14：搭建全连接网络模型，将从所述待识别物的CAD模型中采样得到的点转换为高维特征表示，获得真实位姿渲染物体得到的特征图，记为特征图B1； 步骤15：训练的损失函数由两部分和组成，第一部分是所述预测掩膜与真实掩膜的交叉熵损失，第二部分是从真实掩膜中采样得到的坐标对应在高维特征图A1中的特征点与坐标对应在特征图B1中的特征点的对比损失；将第一部分和第二部分的损失之和作为最终损失，通过ADAM优化器优化神经网络参数；完成卷积神经网络和全连接网络的训练； 步骤2：按如下步骤通过线推理实现六自由度位姿估计： 步骤21：针对由相机拍摄到的场景中的RGB图像，利用训练得到的目标检测网络YOLOX获得到目标物体在RGB图上的二维检测框和类别信息； 步骤22：选定一个二维检测框所含的图片区域，送入卷积神经网络中，得到十三个不同的特征图，其中第一维度的特征为区域内物体的预测掩膜，其它十二维度是区域内物体的高维特征图，由此获得特征图矩阵； 步骤23：利用步骤21得到的目标物体类别信息，加载目标物体的三维模型点，输入到全连接神经网络中，得到物体点云的高维信息，即获得每个物体点高维信息矩阵，维度是十二维度； 步骤24：将所述特征图矩阵与所述每个物体点高维信息矩阵相乘，得到2D图像特征图点与物体3D点的相关矩阵，相关矩阵再与预测掩膜的概率置信度加权得到最终的相关矩阵，对所述最终的相关矩阵进行多次采样，每次采样4对2D-3D点对； 步骤25：根据PnP算法对多次采样得到的2D-3D点对分别计算得到候选位姿； 步骤26：根据预测掩膜的置信度，以及最终的相关矩阵的值对候选位姿进行评分，依据评分选择出最高分数的候选位姿；通过最优化算法对该候选位姿进行细化获得最终位姿，完成位姿估计。

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中国科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山区蜀山湖路350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。