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！

龙图腾网恭喜太原科技大学申请的专利一种基于深度学习的高精度高质量视觉引导机器人自动焊接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：CN119871466B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202510378119.0，技术领域涉及：B25J9/16；该发明授权一种基于深度学习的高精度高质量视觉引导机器人自动焊接方法是由李正楠;孔世武;祁胜凯;马立东;姬小峰;周韦光;段林鹏设计研发完成，并于2025-03-28向国家知识产权局提交的专利申请。

本一种基于深度学习的高精度高质量视觉引导机器人自动焊接方法在说明书摘要公布了：本发明公开了一种基于深度学习的高精度高质量视觉引导机器人自动焊接方法，包括：获取待识别图像；将所述待识别图像输入至分割网络模型，识别焊缝位置、熔池质心以及飞溅数量，其中，所述分割网络模型为改进的半监督分割网络，所述改进的半监督分割网络是由优化后教师‑学生模型的编码器和解码器组成；将所述焊缝位置发送至机器人控制器，实时调整焊枪位置，引导机器人自动焊接；所述改进半监督分割网络的编码器结构，引入了多尺度卷积结构、亲和场损失函数和残差网络，实现对焊缝位置、熔池质心和飞溅数量快速准确识别。本发明减小检测系统复杂度的同时，实现了高精度高质量视觉引导机器人自动焊接，提高了焊接过程智能化水平。

本发明授权一种基于深度学习的高精度高质量视觉引导机器人自动焊接方法在权利要求书中公布了：1.一种基于深度学习的高精度高质量视觉引导机器人自动焊接方法，其特征在于，包括：获取待识别图像；将所述待识别图像输入至分割网络模型，识别焊缝位置、熔池质心和飞溅数量，其中，所述分割网络模型为改进的半监督分割网络，所述改进的半监督分割网络是由优化后的教师-学生模型的编码器和解码器组成；优化后的教师-学生模型的编码器和解码器包括：结合空洞卷积、多尺度特征融合及残差网络改进编码器和解码器，在编码器结构里的Layer2、Layer3、Layer4层中使用空洞卷积代替了传统步距卷积，同时将Layer1、Layer2、Layer3、Layer4层输出的特征通过卷积层调整通道数最终拼接输出，对所述编码器和解码器中的批量正则化层进行改进，对损失函数进行改进，将解码器主干网络中的ResNet网络结构更换为Xception网络结构；改进的编码器结构包括：若干卷积层、最大池化层和若干瓶颈结构空洞卷积层，改进的解码器结构包括：将解码器主干网络中的ResNet网络结构更换为Xception网络结构；所述卷积层，用于提取图像特征，获取特征图；所述最大池化层，用于降低特征图的空间尺寸；所述瓶颈结构空洞卷积层，用于在不增加模型参数数量的情况下扩大感受野、保持特征图分辨率、减少参数和计算量；所述改进的解码器包括：空洞空间卷积池化金字塔、头部结构、上采样层、卷积层、拼接层和输出层；所述空洞空间卷积池化金字塔，用于引入多个并行分支来捕捉不同尺度的上下文信息，获取多层次特征；所述头部结构，用于防止过拟合；所述上采样层，用于将高级特征与低级特征融合，优化分割边界的精度；所述卷积层，用于提取输入图像多尺度特征；所述拼接层，用于将上采样结果和卷积结果进行拼接；所述输出层，用于输出拼接结果；改进的批量正则化层包括：采用同步批量归一化方式替换原有的所述批量正则化层；改进的损失函数包括：结合亲和场损失与加权损失融合的方法改进原有的损失函数，获取改进的损失函数；所述改进的损失函数为： 其中，为改进的损失函数，为监督损失，为无监督损失，为对比损失，、和为对应项的权重系数，为亲合场损失将所述焊缝位置发送至机器人控制器，实时调整焊枪位置，引导机器人自动焊接。

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太原科技大学，其通讯地址为：030024 山西省太原市万柏林区窊流路66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”。