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！

龙图腾网恭喜浙江工业大学;蔚复来(浙江)科技股份有限公司申请的专利旋转框定位多形态瓶状物品分拣目标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：CN114266884B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202111519165.6，技术领域涉及：G06V10/25；该发明授权旋转框定位多形态瓶状物品分拣目标检测方法是由董红召;方浩杰;余滔滔;王桢;廖世凯;张利强;裘水军;吴新荣设计研发完成，并于2021-12-13向国家知识产权局提交的专利申请。

本旋转框定位多形态瓶状物品分拣目标检测方法在说明书摘要公布了：旋转框定位多形态瓶状物品分拣目标检测方法，包括：1、模拟实际分拣情况以及多种随机性状况，并搜集同类物品多种形态结构，利用移动端设备进行拍摄制作数据集；2、对于数据集图像采用Mosaic数据增强方法；3、将图像信息输入旋转框定位的目标检测模型进行训练；4、MR2‑YOLOv5将CIOU损失函数作为边界框回归损失，置信度、类别、角度损失均采用二分类交叉熵损失函数BCEWithLogitsLoss；5、设置模型训练参数；6、模型评价指标，将平均精度均值作为模型的评价指标，以及模型参数量和计算量作为模型轻量化标准；7、将垃圾分拣场景下采集到的图像输入模型，识别出各个目标物的类别、坐标信息、旋转角度。本发明对于多尺度目标、遮挡、透明、变形等情况均有出色的识别效果。

本发明授权旋转框定位多形态瓶状物品分拣目标检测方法在权利要求书中公布了：1.旋转框定位多形态瓶状物品分拣目标检测方法，包括如下步骤：S1、建立数据集；模拟实际分拣情况以及多种随机性状况，并搜集同类物品多种形态结构，利用移动端设备进行拍摄制作数据集，对于目标物拍摄角度尽可能与分拣场景相同，尽可能使训练集中目标角度覆盖角度分类范围；利用标注工具对数据集图片进行旋转框标注，以及归一化处理；物品左上角作为标注起始点，利于旋转角度目标的头部判断，将标注文件转换为符合为本文所需标签文件，并将参数基于图像自身宽高进行归一化处理，标签参数定义为classnameid，rx，ry，longside，shortside，θ；Classnameid为类别ID参数，rx和ry为目标中心点横纵坐标，longside为目标框较长边，shortside为目标框较短边，θ定义为X轴顺时针旋转至与目标框长边平行所经过的角度；S2、对于数据集图像采用Mosaic数据增强方法；对于传入图像进行随机翻转、缩放、裁剪处理，并将得到的图像进行依次拼接，大幅度提高了训练时目标背景复杂度；S3、将图像信息输入旋转框定位的目标检测模型进行训练；改进所述旋转框定位的目标检测算法模型结构：基于YOLOv5模型将角度预测作为分类问题，并引入环形平滑标签CSL角度分类方法，用于对于目标物角度的精准预测；增加模型检测层数，原始PANet网络结构改进为BiFPN，在主干网络末端利用Transformer模块替换旋转框精准定位网络YOLOv5的C3模块的模型改进方法，解决垃圾分拣场景下同材质物品结构、尺度多样而导致的高漏检率、误检率；3.1CSL角度分类方法具体包括：将目标物角度预测视为分类问题，设计符合垃圾分拣物理场景的环形平滑标签CSL来解决角度的周期性问题，增加相邻角度之间的误差容忍度；CSL具体表达式如下： 式中：gx表示窗口函数，选择高斯函数，r表示窗函数的半径，θ表示当前边界框的角度；旋转框参数表达选择长边定义法，具体表示为rx，ry，longside，shortside，θ，其中rx和ry为目标中心点横纵坐标，longside为目标框较长边，shortside为目标框较短边；与现有长边定义法不同的是θ定义为X轴顺时针旋转至与长边平行的角度，若出现目标框为正方形，则θ定义为X轴顺时针旋转至较近边平行的角度；结合目前YOLOv5模型中置信度损失以及类别损失计算方法，采用二分类交叉熵损失函数BCEWithLogitsLoss对于角度损失进行计算；具体定义如下式： 式中：N表示样本数量，i为角度范围，δ表示sigmoid函数，zn,i表示预测第n个样本为第i个角度的概率值，最大值zn,i＝1，即预测值；yn,i表示第n个样本在CSLx表达式下第i个角度标签值，即真实值，且最大值yn,i＝1；将第n个样本的各个角度预测值与真实值依次带入ln,i计算，第n个样本所有角度结果求和得到ln，将N个样本的计算结果求平均，即为此次角度损失；加入角度检测分支后，检测网络参数输出特征图通道数m具体定义如下：m＝nc+5+ω×na.3式中：nc表示检测类别数；na表示锚框数量；5表示旋转框定义代表中心点坐标rx，ry，以及预测框长短边longside，shortside，以及该预测框置信度；ω代表角度检测分支对于角度分类数量；3.2改进模型具体包括：1将Focus模块作为第一层，以此类推；在第9层及SPP层即池化层后添加Transformer模块，通过对于各个通道赋予权重，强化特征提取；Transformer网络将多个缩放点积注意力机制结合，形成多头注意力机制；缩放点积注意力机制可批量处理数据，表达式如下： 式中：Q、K、V分别代表查询向量、键向量、值向量，dk表示输入数据维度；多头注意力机制具有更高的运算效率，且从不同的特征空间中学习自适应注意力分布，表达式如下： 式中：参数矩阵dmodel为向量维度；2MR2-YOLOv5保留原始检测尺寸，不降低尺度下特征学习能力，通过增加Concat层、卷积层、C3模块的方法，进行上采样和下采样，将主干网络中保留较多小目标特征信息的同尺度特征层输入Concat层，进行特征融合操作；YOLOv5具有自适应锚框计算，采用k均值和遗传算法对于自定义数据集进行分析计算，获得该数据集各尺度所需预测锚框；3随着网络层数的加深，对不同层级进行特征融合；将主干网络多层计算结果一次或多次输入进入BiFPN加强特征提取网络，当BiFPN自下而上的部分对于两个同尺度特征进行融合；到自上而下结构时，同时对于三个同尺度特征利用跳跃连接的方式进行融合；并在经过C3模块以及Conv2d模块计算后，对于多个不同尺度目标进行预测；利用BiFPN网络，使得预测网络对于不同大小的目标更为敏感，提升了整体模型检测能力，并降低了漏检率与误检率；S4、MR2-YOLOv5将CIOU损失函数作为边界框回归损失，置信度、类别、角度损失均采用二分类交叉熵损失函数BCEWithLogitsLoss；具体的CIOU损失函数定义如下： 式中：IoU表示预测框与真实框相交区域与交并区域面积的比值，A和B分别表示两个边界框的面积；b,bgt分别表示预测框中心点和真实框中心点，ρ2b,bgt表示两个边界框中心点欧氏距离，C2表示预测框与真实框形成最小矩形区域对角线长度，α为权重函数，v用于横梁边界框长宽比，w、h表示框的长与框，gt代表真实框groundtruth；S5、设置模型训练参数；模型训练参数输入尺寸为640×640，BatchSize设置为16，迭代次数epochs为300次，优化器选择随机梯度下降SGD，学习率选择余弦退火学习率；S6、模型评价指标；将平均精度均值mAP作为模型的评价指标，以及模型参数量和计算量作为模型轻量化标准；S7、将垃圾分拣场景下采集到的图像输入所述MR2-YOLOv5模型，识别出各个目标物的类别、坐标信息、旋转角度。

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浙江工业大学;蔚复来(浙江)科技股份有限公司，其通讯地址为：310014 浙江省杭州市拱墅区潮王路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”。