(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 202211031245.1 (22)申请日 2022.08.26 (65)同一申请的已公布的文献号 申请公布号 CN 115091472 A (43)申请公布日 2022.09.23 (73)专利权人 珠海市南特 金属科技股份有限公 司 地址 519055 广东省珠海市金湾区平沙镇 怡乐路32号 (72)发明人 邹志宏　邹军兴　徐开元　刘廷俊　 陈丽明　 (74)专利代理 机构 广州博联知识产权代理有限 公司 44663 专利代理师 马天鹰(51)Int.Cl. B25J 9/16(2006.01) G06T 7/73(2017.01) G06N 3/08(2006.01) G06V 10/82(2022.01) G06V 20/40(2022.01) G06V 20/52(2022.01) 审查员 刘恒 (54)发明名称 基于人工智能的目标定位方法及装夹机械 手控制系统 (57)摘要 本发明提供的基于人工智能的目标定位方 法及装夹机械手控制 系统， 涉及人工智能技术领 域。 在本发明中， 从目标区域对应的目标监控视 频中提取出至少两帧目标监控视频帧， 目标监控 视频包括对目标区域进行视频监控形成的多帧 监控视频帧； 利用目标对象识别神经网络， 分别 对至少两帧目标监控视频帧中的每一帧目标监 控视频帧进行对象识别， 以输出每一帧目标监控 视频帧对应的目标监控对象， 至少两帧目标监控 视频帧对应的至少两个目标监控对象属于同一 个监控对象； 依据目标监控对象分别在每一帧目 标监控视频帧中的像素位置， 分析出目标监控对 象的目标对象位置信息。 基于前述的步骤， 可 以 在一定程度上提高目标监控 对象的定位精度。 权利要求书4页 说明书12页 附图1页 CN 115091472 B 2022.11.22 CN 115091472 B 1.一种基于人工智能的目标定位方法， 其特征在于， 应用于装夹机械手控制系统， 所述 基于人工智能的目标定位方法包括： 从目标区域对应的目标监控视频中提取出至少两帧目标监控视频帧， 所述目标监控视 频包括对目标区域进行视频监控形成的多帧监控视频帧； 利用已经更新完成的目标对象识别神经网络， 分别对所述至少两帧目标监控视频帧中 的每一帧目标监控视频帧进行对象识别， 以输出每一帧所述目标监控视频帧对应的目标监 控对象， 所述至少两帧目标监控视频帧对应的至少两个目标监控对象属于同一个监控对 象； 依据所述目标监控对象分别在每一帧目标监控视频帧中的像素位置， 分析出所述目标 监控对象的目标对象位置信息； 其中， 所述利用已经更新完成的目标对象识别神经网络， 分别对所述至少两帧目标监 控视频帧中的每一帧目标监控视频帧进行对象识别， 以输出每一帧所述目标监控视频帧对 应的目标监控 对象的步骤， 包括： 利用已经更新完成的对象初次识别神经网络， 对所述目标监控视频帧的图像信 息特征 分布进行分析提取， 并对已经配置的参考监控对象集合中的每一个参考监控对象的监控对 象信息特 征分布进行分析提取； 利用已经更新完成的对象初次识别神经网络， 对所述图像信 息特征分布与每一个所述 参考监控对象的监控对象信息特征分布之 间的特征相关程度进行分析确定， 再依据所述特 征相关程度确定出所述目标监控视频帧与所述参考监控对 象集合中的每一个参考监控对 象之间的对象相似关系； 基于对应的对象相似关系符合配置的对象相似关系预设规则的参考监控对象， 标记出 所述目标监控视频帧对应的数量大于1的初选监控 对象； 利用已经更新完成的对象再次识别神经网络， 对数量大于1的识别数据对进行识别， 输 出每一个所述识别数据对的数据匹配标识信息， 任意一个所述识别数据对包括所述目标监 控视频帧和一个所述初选监控对象， 所述已经更新完成的对象初次识别神经网络和所述已 经更新完成的对象再次识别神经网络构成利用已经 更新完成的目标对象识别神经网络； 依据所述数据匹配标识信 息， 从所述数量大于1的初选监控对象中， 匹配出所述目标监 控视频帧对应的目标监控 对象。 2.如权利要求1所述的基于人工智能的目标定位方法， 其特征在于， 所述从 目标区域对 应的目标监控视频中提取 出至少两帧目标监控视频帧的步骤， 包括： 将所述目标监控视频包括的多帧监控视频帧中的第一帧监控视频帧标记为目标监控 视频帧， 并将所述目标监控视频包括的多帧监控视频帧中的最后一帧监控视频帧标记为目 标监控视频帧； 对所述第一帧监控视频帧和所述最后 一帧监控视频帧进行视频帧相似度计算， 以输出 对应的第一视频帧相似度， 再依据所述第一视频帧相似度从所述目标监控视频包括的所述 第一帧监控视频帧和所述最后一帧监控视频帧以外的其它监控视频帧中， 采样筛选出第一 数量的其它监控视频帧， 以标记为 目标监控视频帧， 所述第一数量依据所述第一视频帧相 似度确定 。 3.如权利要求1所述的基于人工智能的目标定位方法， 其特征在于， 所述对象初次识别权　利　要　求　书 1/4 页 2 CN 115091472 B 2神经网络的更新过程， 包括： 提取到多帧典型监控视频帧， 并分别确定出多帧所述典型监控视频帧中的每一帧典型 监控视频帧对应的相关典型监控视频帧； 对所述典型监控视频帧对应的相关典型监控视频帧进行对象匹配处理， 以匹配出符合 配置的对 象匹配规则的数量大于1的监控对 象， 以输出所述典型监控视频帧对应的监控对 象簇； 针对多帧所述典型监控视频帧中的已确定典型监控视频帧， 依据 该已确定典型监控视 频帧和该已确定典型监控视频帧对应的已确定监控对象簇， 构建出所述对象初次识别神经 网络对应的第一 典型数据， 所述已确定监控对象簇为所述已确定典型监控视频帧对应的监 控对象簇； 依据所述已确定典型监控视频帧和对应的暂定监控对象簇， 构建出所述对象初次识别 神经网络的第二典型数据， 所述暂定监控对象簇为暂定典型监控视频帧对应的监控对象 簇， 所述暂定典型监控视频帧为多帧所述典型监控视频帧中所述已确定典型监控视频帧以 外的其它典型监控视频帧； 分别对所述第 一典型数据和所述第 二典型数据进行加载处理， 以分别加载至所述对象 初次识别神经网络中以进 行分析， 输出所述已确定典型监控视频帧对应的对象关系分析成 果； 依据多帧所述典型监控视频帧对应的对 象关系分析成果， 对所述对 象初次识别神经网 络对应的学习代价值进行确定； 基于所述对 象初次识别神经网络对应的学习代价值， 对所 述对象初次识别神经网络进行网络权重的更新， 以形成已经更新完成的对象初次识别神经 网络， 所述已经更新完成的对象初次识别神经网络用于对所述目标监控视频帧与监控对象 之间的对象相似关系进行分析。 4.如权利要求3所述的基于人工智能的目标定位方法， 其特征在于， 所述对所述典型监 控视频帧对应的相关典型监控视频帧进行对象匹配处理， 以匹配出符合配置的对象匹配规 则的数量大于1的监控 对象， 以输出 所述典型监控视频帧对应的监控 对象簇的步骤， 包括： 对所述典型监控视频帧对应的相关典型监控视频帧进行对象识别， 输出数量大于1的 识别对象； 依据所述参考监控对象集合包括的参考监控对象， 从所述数量大于1的识别对象中匹 配出符合所述对 象匹配规则的数量大于1的监控对 象， 以形成所述典型监控视频帧对应的 监控对象簇。 5.如权利要求4所述的基于人工智能的目标定位方法， 其特征在于， 所述依据 所述参考 监控对象集合包括的参考监控对 象， 从所述数量大于1的识别对 象中匹配出符合所述对 象 匹配规则的数量大于1的监控对象， 以形成所述 典型监控视频帧对应的监控对象簇的步骤， 包括： 在所述数量大于1的识别对象中， 筛选出属于所述参考监控对象集合的每一个识别对 象， 以输出 数量大于1的初选监控 对象； 对每一个所述初选监控对象在所述相关典型监控视频帧中的视频帧影响力分别进行 分析并输出； 依据所述视频帧影响力符合配置的影响力匹配规则的初选监控对象， 构建形成所述典 型监控视频帧对应的监控 对象簇。权　利　要　求　书 2/4 页 3 CN 115091472 B 3