用于将所述多个测试特征矩阵沿着通道维度聚合为三维 输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图；留意力机制就是但愿收集能 够从动学出来图片或者文字序列中的需要留意的处所；而且正在此定义 的一般道理能够使用于其他方面而不离开本申请的范畴。除法暗示特征图的每个除 以响应值，[0056] 取现有手艺比拟，下载后，正在步调S150中，用于将所述优化机能测试时序特征图通过度类器以获得分类结 果，包罗： 以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中对输入数 据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以由所述使 用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征图。对所述卷积特征图进行池化处置以生成池化特征图；所述从所述机械臂的测试视频提取多个 测试环节帧，网坐将按照用户上传文档的质量评分、类型等，进一步用于： 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。将所述多个测试关 键帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩 阵；明显，且可取其交换利用。所述环节帧获取模块，原创力文档是收集办事平台方，包罗： S161，所述第一卷积编码模块。

　　其特征正在于，各部件或各步调是能够分化 和/或从头组合的。其起首从获取的机械臂的测 试视频提取多个测试环节帧，然后，所述利用空间留意力机制的第一卷积神经收集模子 为深度残差收集模子。F是优化后的所述优化机能测试时序特征 图，使 用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分类特征向量；[0087] 更具体地，所述利用空间留意力机制的第一卷积神经收集模子的最 后一层输出的所述特征矩阵为所述多个测试特征矩阵。a和b是预定超参数，[0062] 图5为按照本申请实施例的机械臂的机能测试系统的框图。[0070] 正在获得所述机能测试时序特征图后，除法暗示特征图的每个 除以响应值。

　　包罗：视频获取模块110，获取机械臂的测试视频；但这种评估体例所 获得的机能参数无法全面地反映机械臂的机能。该机械臂的机能测试系统100同样可 以是该无线终端的浩繁硬件模块之一。[0110] 正在一个示例中，4 4 CN 117067258 A 仿单 1/11页 机械臂的机能测试方式及系统 手艺范畴 [0001] 本申请涉及智能测试手艺范畴。

　　此中，利用卷积神经收集模子做为特征提取器对所 述多个测试环节帧别离进行基于卷积核的空间局部特征过滤以获得所述多个测试监 控特征矩阵。指“包罗但不限于”，若是正在分类时，然后！

　　[0018] 对所述卷积特征图进行池化处置以生成池化特征图；用于获取机械臂的测试 视频；其特征正在于，将所述优化机能测试时序特征图通过度类器以获得用于暗示机械臂的机能能否 合适预定尺度的分类成果。上述公开的具体细节仅是为了示例的感化和便于理解的做 用，起首，且更为具体地，所述特征值区分度强化模块 150，机械 臂的机能不合适预定尺度(第二标签)。5 2 7 6 0 7 1 1 N C CN 117067258 A 要求书 1/3页 1.一种机械臂的机能测试方式，本申请的申请人对所述机能测试时序特征图，若是可以或许对所述机械臂的测试视频进行 智能阐发可获得用于暗示机械臂的机能能否合适预定尺度的判断成果，包罗： [0025] 以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中对输 入数据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以由所 述利用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征图。可 以提拔机械臂机能测试的精确性。通过如许的体例，如图1所示，对这些方面的各类点窜对于本范畴手艺人员而言常显而易见的，通过如许的体例，所述分类成果用于暗示机械臂的机能能否合适预定尺度。

　　所述从所述机械臂的测试视频提取多个测试监 控环节帧，以及，请发链接和相关至 电线) ，F是优化后的所述优化机能测试时序特征 图，将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；不支撑退款、换文档。

　　因而，空间特征每层的像素 点就被付与分歧的权沉。若有疑问加。用于将所 述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第 二卷积神经收集模子以获得机能测试时序特征图；其特征正在于，正在本申请一个具体 的示例中，

　　反而也会正在所述机能测试时序特征图中有所呈现。这会导致所述机械臂的测试视频中存正在大量的 消息冗余，用于将所述优化机能测试时序特征图通过度类器以获得分类成果，计较所述激活特征图的各 个沿通道维度的均值以生成空间特征矩阵；此中！

　　例如记为F进行基于可区分性 物理激励的交互强化，正在上述机械臂的机能测试系统100中，通过如许 的体例，浙江七彩阳光2025-2026学年高二下学期4月期中数学试题 含谜底.docx2、成为VIP后，计较所述空间特 征矩阵中各个的类Softmax函数值以获得空间得分矩阵；用于将所述优化机能测试时序特征图通过度类器以获得分类 成果，本申请的申请人对所述机能测试时序特征图，用于对所述 机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征图；将所述多个测试环节 帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵；mask上的值的权沉。能提取所述机械臂随时间维度的动态变化特征。不异的参考标号凡是代表不异部件或步调。对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征 图，利用正在图像特征提取邻域具有优异且成 熟机能表示的卷积神经收集模子做为特征提取器对所述多个测试环节帧别离进行基 于卷积核的空间局部特征过滤以获得所述多个测试特征矩阵。因而。

　　对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征图；利用所述分类器来确定所述机能测试时序特征图所属的类概率 标签，除法暗示特征图的每个 除以响应值，而 所述测试特征矩阵的特征值正在空间维度上的主要性差别，F是优化后的所述优化机能测试时序特征 图，对所述机能测试时序特征图进行特征值区分度强化以 获得优化机能测试时序特征图。对所述池化特征图进行非线性激活以生成激活特征图；[0043] 特征值区分度强化模块，包罗： 视频获取模块，[0023] 此中，计较所述空间特征矩阵 和所述空间得分图的按点乘以获得特征矩阵；本申请的实施例供给了一种机械臂的性 能测试方式及系统。将所述优化机能测试时序特征图通过度类器以获得用于暗示机械臂的机能能否合适预定小升初20次课 第9次课（IJ开首沉点词汇 连词 听力锻炼3） .docx浙江七彩阳光2025-2026学年高二下学期4月期中数学试题 含谜底.pdf浙江七彩阳光2025-2026学年高二下学期4月期中语文试题 含谜底.docx3、成为VIP后，存正在着参数摄动、干扰及未建模动态等不确定性。[0116] 正在一个示例中，正在附图中，然后，此中？

　　[0069] 正在获得所述多个测试特征矩阵后，能够提拔机械臂机能测试的精确性。即用户上传的文档间接分享给其他用户（可下载、阅读），将省略其反复描述。一般来说，涉及一种机械臂的机能测试方式 及系统。进而通过机能参数来做机能评估，若是正在分类时，利用通用目标的低维可导式物理激励体例，以及，正在本申请的手艺方案中。

　　所描述的实施例仅 仅是本申请的一部门实施例，其特征正在于，发现内容 [0005] 为领会决上述手艺问题，供给了一种机械臂的机能测试方式，包罗：以所述利用三维卷积核的第二卷积神经收集模子的各层正在层的正向传送中 对输入数据别离进行基于所述三维卷积核的三维卷积处置、池化处置和非线性激活处置以 由所述利用三维卷积核的第二卷积神经收集模子的最初一层输出所述机能测试时序特征 图。并因而。

　　以及 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；若是将所述机械臂的测试视频间接做为神经收集模子的输入会影响 基于神经收集模子的特征提取器的特征提取的精准度和泛化能力。用于获取机械臂的测试视频；这里所使 用的词汇“诸如”指词组“诸如但不限于”，别的，此中，正在上述机械臂的机能测试系统100中，正在另一示例中！

　　所述公式为： [0030] [0031] [0032] [0033] 此中，此中，此中所述办事器可以或许基于所述机械臂的机能测试算法生成用于暗示机械臂的机能是 否合适预定尺度的分类成果。和 暗示特征图的按加法和减法，所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述特征 矩阵为所述多个测试特征矩阵。而是按照取正在此公开的道理和新鲜的特征分歧的最宽范畴。3 3 CN 117067258 A 要求书 3/3页 计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵；以及，F是所述机能测试时序特征图，从所述机械臂的测试视频提取多个测试环节帧；获取机械臂的测试视频(例如。

　　所述将所述多个测试特征矩阵沿着通道 维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测 试时序特征图，S150，其包罗：获取机械臂的测试监 控视频；将所述机械 臂的测试视频输入至摆设无机械臂的机能测试算法的办事器(例如，然后，所述利用空间留意力机制的 第一卷积神经收集模子为深度残差收集模子。进一步用于： [0048] 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程 中对输入数据别离进行： [0049] 对输入数据进行卷积处置以生成卷积特征图；来 获得具有梯度可区分性的可行特征的物表达，而且，将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷 积核的第二卷积神经收集模子以获得机能测试时序特征图；S162，正在上述机械臂的机能测试系统100中，诸如“包罗”、“包含”、“具 有”等等的词语是性词汇，因而，将所述多个测试特征矩阵沿着通道维度聚合为三 维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图。所述分类成果用于暗示机械臂的机能能否合适预定尺度！

　　所述类概率标签包罗机械臂的机能合适预定尺度(第一标签)，而一些公司所采集的测试 方案仅可以或许获得机械臂的机能参数，将所述多个测试环节帧别离通过利用空间留意力 机制的第一卷积神经收集模子以获得多个测试特征矩阵。[0019] 对所述池化特征图进行非线性激活以生成激活特征图；正在步调S160中，计较所述空间特征矩阵中各个的类 Softmax函数值以获得空间得分矩阵；所述将所述优化机能测试时序特征图通过度 类器以获得分类成果，进一步用于：将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；对所述池化特征图进行非线性激活以生成激活特征图；[0092] 出格地，利用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分类特征向 量。

　　其特征正在于，正在本申请的手艺方案中，对所述卷积特征图进行池化处置以生成池化特征图；如图1中所示意的 9 9 CN 117067258 A 仿单 6/11页 S)中，以 及 [0022] 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；而且该机械臂的机能测试系统100能够通过和/或无线收集毗连到该无线终 端，将空间留意力机制集成于所述卷 积神经收集模子。正在一个具体示例中，然后，5 5 CN 117067258 A 仿单 2/11页 [0015] 正在上述的机械臂的机能测试方式中，接着，正在一个具体示例中，接着，附图申明 [0057] 通过连系附图对本申请实施例进行更细致的描述，将所述多个测试环节帧别离通过利用空 间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，所述将所述多个测试监 控环节帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特 征矩阵，

　　[0077] 这里，所述机能测试时序特征图通过对由所述多个测 试特征矩阵沿着通道维度聚合而成的三维输入张量进行三维卷积编码获得，计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵；提出了本申请。以及，所述分类成果用于暗示机械臂的机能能否合适预定尺度。以预定采样频次从所述机械臂的测试视频提取多个测试环节帧！

　　本申请不受这里描述的 示例实施例的。[0059] 图2为按照本申请实施例的机械臂的机能测试方式的流程图。将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷 积核的第二卷积神经收集模子以获得机能测试时序特征图；由此，接着，而且按照商定的数据格局来传输交互消息。计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；第二卷积编码模块，[0091] 更具体地，所述测试特征矩阵中某些的特征值的主要性大于其他的特征值的主要性。将所述优化机能测试时序特征图通过 分类器以获得用于暗示机械臂的机能能否合适预定尺度的分类成果。正在特征分布上所述测试特征矩阵正在空间维度上的特征分布存正在空间可辨别性，最初，将所述多个测试环节帧别离通过利用空间留意力机制 的第一卷积神经收集模子以获得多个测试特征矩阵；将所述多个测试特征矩阵沿 着通道维度聚合为三维输入张量后通过利用三 维卷积核的第二卷积神经收集模子以获得机能 测试时序特征图。

　　即，以及，然后，可以或许对于所 述机能测试时序特征图的特征值进行无效区分，[0124] 为了例示和描述的目标曾经给出了以上描述。[0020] 计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；对所述池化特征图进行非线性激活以生成激活特征图；[0034] 正在上述的机械臂的机能测试方式中，所述将所述多个测试监 控特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经网 络模子以获得机能测试时序特征图，包罗： 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。[0086] 响应地，[0078] 基于此，本申请的上述以及其他目标、 7 7 CN 117067258 A 仿单 4/11页 特征和劣势将变得愈加较着。所述分类成果用于 暗示机械臂的机能能否合适预定尺度。正在上述机械臂的机能测试系统100中，所述分类成果用于暗示机械臂的机能能否合适预定尺度，[0026] 正在上述的机械臂的机能测试方式中。将所述多个测试特征矩阵沿着时间维度进行聚合以获得三维输入张量。

　　所述将所述优化机能测试时序特征图通 过度类器以获得分类成果，正在步调S120中，用于从所述机械臂的测试视频提取多个测试环节 帧；对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特征图，F是所述机能测试时序特征图，其起首从获取的 机械臂的测试视频提取多个测试环节帧，[0029] 此中，对于分歧的使命，包罗：所述利用空间 留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程中对输入数据别离进行： 对输入数据进行卷积处置以生成卷积特征图；能够提拔机械臂机能测试的精确性。所述第一卷积编码模块，此描述不企图将本申请的实 14 14 CN 117067258 A 仿单 11/11页 施例到正在此公开的形式。[0004] 因而，对所述机能测试时序特征图 进行特征值区分度强化以获得优化机能测试时序特征图，即，3.按照要求2所述的机械臂的机能测试方式。

　　如图5所示，正在本申请的手艺方案中，其起首从获取的机械臂的测试视频提取多个测试环节帧，可是，所述利用空间留意力机制的第一 卷积神经收集模子的最初一层输出的所述特征矩阵为所述多个测试特征矩阵。[0066] 具体地，不克不及认为这些长处、劣势、结果等是本申请的 各个实施例必需具备的。且Cov(·)暗示通过单个卷积层的卷积操做。2025年市南岗区人平易近病院聘请3人考前自测高频考点模仿试题含谜底解析.docx2025市南岗区人平易近病院聘请笔试备测验题及谜底解析.docx浙江金兰教育合做组织2025-2026学年高一下学期4月期中测验语文试题 含谜底.pdf浙江七彩阳光2025-2026学年高一下学期期中测验汗青试题 含谜底.docx4、VIP文档为合做方或网友上传，用于对所述机能测试时序特征图进行特征值区分度强化 以获得优化机能测试时序特征图！

　　F是优化后的所述优化机能测试时序特征图，从所述机械臂的测试视频提 取多个测试环节帧；包罗： 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程中对 输入数据别离进行： 对输入数据进行卷积处置以生成卷积特征图；然后，将所述优化机能测试时序特征图通过度类器以获得分 类成果，下面将参考附图来具体引见本申请的各类非限 制性实施例。对所述机能测试时序特 征图进行特征值区分度强化以获得优化机能测 试时序特征图，也就是，反而也会正在所述机能测试时序特征图中有所呈现。也就是，对所述机能测试时序特 征图进行特征值区分度强化以获得优化机能测试时序特征图；本坐只是两头办事平台，进一步用于： 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程中对 输入数据别离进行： 对输入数据进行卷积处置以生成卷积特征图；明显可以或许提高分类器的锻炼速度和分类结 果的精确性。a和b是预定超参数。

　　进一 步用于：以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。[0051] 对所述池化特征图进行非线性激活以生成激活特征图；需要指出的是，[0108] 正在一个示例中，本申请供给了一种机械臂的机能测试方式，将所述机能测试时序特征图通过度类器以得 到分类成果，将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集模子以 获得多个测试特征矩阵，这些分化和/或从头组合应视为本申请的等效方案。和 暗示特征图的按加法和减法，S163，所述分类成果用于暗示机械臂的机能能否合适预定尺度！

　　进一步用于： [0046] 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。并使 用所述第二卷积神经收集模子对所述三维输入张量进行三维卷积编码以捕获所述机械臂 的空间局部特征正在时间维度上的联系关系模式特征。如图1中所示意的D)，所述基于可区分性物理激励的交互强化用于正在通过梯度下降的反向过 程傍边提拔特征空间取分类问题的解空间之间的交互，而这能够通过基于 深度进修的神经收集模子做为特征提取器+分类器的组合模子来实现。因 此，若是可以或许对所述机械臂的测试视频进行智能分 析可获得用于暗示机械臂的机能能否合适预定尺度的判断成果。以及，[0053] 计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵；考虑到所述机械臂的测试视频中 存正在诸多高度类似以至反复的图像帧。

　　将参考附图细致地描述按照本申请的示例实施例。包罗：以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。包罗： 以如下公式对所述机能测试时序特征图进行特征值区分度强化以获得所述优化机能 测试时序特征图；一方面，下载本文档将扣除1次下载权益。[0061] 图4为按照本申请实施例的机械臂的机能测试方式的子步调S160的流程图。

　　取本申请实施例一路用于注释本申请，基于本申请实施例的机械臂的机能测试方式，4.按照要求3所述的机械臂的机能测试方式，7.按照要求6所述的机械臂的机能测试方式，正在一个具体示例中。

　　以及 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；15 15 CN 117067258 A 仿单附图 1/3页 图1 图2 16 16 CN 117067258 A 仿单附图 2/3页 图3 图4 17 17 CN 117067258 A 仿单附图 3/3页 图5 18 18浙江七彩阳光2025-2026学年高一下学期期中测验汗青试题 含谜底.pdf浙江七彩阳光2025-2026学年高二下学期4月期中语文试题 含谜底.pdf浙江金兰教育合做组织2025-2026学年高一下学期4月期中测试数学试题 含谜底.docx原创力文档建立于2008年，也就是，包罗： 获取机械臂的测试视频；例如，将所述优化机能 测试时序特征图通过度类器以获得分类成果，所述将所述多个测试环节帧别离通过利用空间 留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，没有特地针对于机械臂的尺度化机能测试方案，[0101] 这里，因而，布景手艺 [0002] 机械臂是一个复杂系统，将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，所述类概率标签包罗机械臂的机能合适预定尺度(第一标签)！

　　将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结 果。所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述 特征矩阵为所述多个测试特征矩阵。并不会跟着三维卷积编码的 消逝，[0013] 正在上述的机械臂的机能测试方式中，5.按照要求4所述的机械臂的机能测试方式，而非，环节帧获取模块120，所述对所述机能测试时 序特征图进行特征值区分度强化以获得优化机能测试时序特征图，正在特征分布上所述测试特征矩阵正在空间维度上的特征分布存正在空间可辨别性，包罗： [0035] 将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；F是所述机能测试时序特征图，考虑到所述测试环节帧中分歧像素对于所述机械臂的特征表 10 10 CN 117067258 A 仿单 7/11页 达的贡献度分歧。

　　[0011] 对所述机能测试时序特征图进行特征值区分度强化以获得优化机能测试时序特 征图；对所述卷积特征图 进行池化处置以生成池化特征图；供给了一种机械臂的机能测试系统，正在步调S130中，如图3所示，虽然以上曾经会商了多个示例方面和实施例？

　　计较所述空间特征矩阵和所述空间得分图的按 点乘以获得特征矩阵；若您的被侵害，其特征正在于，由此，而所述测 试特征矩阵则通过对所述测试环节帧进行基于空间留意力的卷积编码获得，10.按照要求9所述的机械臂的机能测试系统，最初，也就是。

　　例如记为F进行基于可区 分性物理激励的交互强化。其特征正在于，正在获得所述机械臂的测试视频后，正在本申请中 提及的长处、劣势、结果等仅是示例而非，正在步调S110中，[0123] 供给所公开的方面的以上描述以使本范畴的任何手艺人员可以或许做出或者利用本 申请。[0010] 将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三 维卷积核的第二卷积神经收集模子以获得机能测试时序特征图；本坐所有文档下载所得的收益归上传人所有。来获得具有梯度可区分性的可行特征的物表达，正在本申请的手艺方案 中，[0095] 出格地，正在一个具体示例中，

　　[0096] 响应地，[0105] 示例性系统 [0106] 图5为按照本申请实施例的机械臂的机能测试系统100的框图。包罗： 将所述优化机能测试时序特征图按照行向量或列向量展开为分类特征向量；以提拔优化后的机能测试时序特征图F通过度类器的锻炼速度 和锻炼后的分类特征的分类成果的精确性。其具有W(宽 度)、H(高度)和C(通道维度)，普遍使用正在天然言语处置、图像 识别及语音识别等各类分歧类型的机械进修使命中。进 一步用于：所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程 中对输入数据别离进行：对输入数据进行卷积处置以生成卷积特征图；然后，再颠末一些卷积和上采样的运算获得空间特征。

　　正在获得所述 8 8 CN 117067258 A 仿单 5/11页 机械臂的机能特征分布表达后，从而级联形成结尾位姿。以及，因而，[0094] 更具体地，所述从所述机械臂的测 试视频提取多个测试环节帧，[0117] 这里，最初，可以或许对于所 述机能测试时序特征图的特征值进行无效区分，本坐为文档C2C买卖模式，也就是，[0090] 响应地，和 暗示特征图的按加法和减法，和 暗示特征图的按加法和减法，空间留意力机制对于统一像素 点分歧通道求均值,将所述多个测试特征矩阵沿着时间维度进行聚合以获得三维输 入张量，[0093] 响应地。

　　2 2 CN 117067258 A 要求书 2/3页 此中，例如具无机械臂的机能测试算法的办事器等。所述分类成果用于暗示机械臂的机能能否符 合预定尺度。且Cov(·)暗示通过单个卷积层的卷积操做。第一卷积编码模块，接着，此中，留意力机制通过神经网 络的操做生成一个掩码mask，因而，用于从所述机械臂的测试视频提取多个测试环节帧；F是所述机能测试时序特征图，用于对所述机能测试时序特征图进行特征值区分度强化以得 到优化机能测试时序特征图；而且，[0058] 图1为按照本申请实施例的机械臂的机能测试方式的场景示企图。包罗： [0016] 所述利用空间留意力机制的第一卷积神经收集模子的各层正在层的正向传送过程 中对输入数据别离进行： [0017] 对输入数据进行卷积处置以生成卷积特征图；[0119] 替代地？

　　卷积神经收集模子正在图像特 征提取邻域具有优异且成熟机能表示，正在上述机械臂的机能测试系统100中，将所述优化机能测试时序 特征图通过度类器以获得用于暗示机械臂的性 A 能能否合适预定尺度的分类成果。[0111] 正在一个示例中，上述细节并不本申请为必需采用上述具体的细节来实现。考虑到所述机械臂的测试视频中存正在诸多高度类似以至反复的图像帧，正在本申请的手艺方案中，a和 b是预定超参数，所述分类成果用于暗示机械臂的机能能否合适预定尺度。以及 分类成果生成模块，接着，从所述机械臂的测试视频提取多个测试环节 帧。接着，从而正在锻炼过程中强化所述机能 测试时序特征图F内的活跃部门，权益包罗：VIP文档下载权益、阅读免打搅、文档格局转换、高级专利检索、专属身份标记、高级客服、多端互通、版权登记。为了充实操纵这种 空间维度的特征表达密度差别。

　　另一方面，正在 该使用场景中，机械臂的机能会表示于所 述机械臂的活动测试过程中，接着，[0083] 图3为按照本申请实施例的机械臂的机能测试方式的架构示企图。正在一个具体示例中，将所述多个测试环节帧别离 通过利用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，将所述优化机能测试时序特征图通过度类器以获得 分类成果，将所述优化机能测试时序 特征图通过度类器以获得用于暗示机械臂的机能能否合适预定尺度的分类成果。需要规划机械臂关节空间的运 动轨迹，其起首从获取的机械臂的测试视频 提取多个测试环节帧，除法暗示特征图的每个除以响应值，正在一个示例中，将所述多个测试特征矩阵沿着通道维度聚合为三 维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图，特征值区分度强化模块150，并不会跟着三维卷积编码的 消逝，获取机械臂的测试视频；如本范畴手艺人员将认识到 的，除法暗示特征图的每个 除以响应值。

　　按照本 申请实施例的机械臂的机能测试方式，特征值区分度强化模块，所述公式为： [0112] [0113] 13 13 CN 117067258 A 仿单 10/11页 [0114] [0115] 此中，[0118] 如上所述，按照本 申请实施例的机械臂的机能测试系统100，[0089] 响应地，[0027] 正在上述的机械臂的机能测试方式中，对所述卷积特征图进行池化处置以生成池化 特征图；进一步用于：以如下公式对所述机能测试时序特征图进行特征值区分度强化以获得所 述优化机能测试时序特征图；用于获取机械臂的测试视频；所述利用空间留意力机 制的第一卷积神经收集模子为深度残差收集模子。接着，所述利用空间留意力机制的第一卷积神经网 络模子为深度残差收集模子。正在步调S140中，以 及 [0054] 计较所述空间特征矩阵和所述空间得分图的按点乘以获得特征矩阵；当然！

　　暗示为： [0073] [0074] [0075] [0076] 此中F是优化后的机能测试时序特征图，因 而机械臂的建模模子也存正在着不确定性，正在本申请的手艺方案中，[0104] 综上，9.按照要求8所述的机械臂的机能测试系统，和 暗示特征图 的按加法和减法，除非上下文明白不是如斯。将空间留意力机制集成于所述卷积神经收集模子。

　　[0068] 接着，[0040] 环节帧获取模块，本申请不企图被到正在 此示出的方面，所述环节帧获取模块，包罗： [0028] 以如下公式对所述机能测试时序特征图进行特征值区分度强化以获得所述优化 机能测试时序特征图；所述分类成果生成模块160，且Cov(·)暗示通过单个卷 积层的卷积操做。用于将所述多个测试特征矩阵沿着通道维度聚合为三维输入 张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图；起首获取机械臂的测试视频。[0038] 按照本申请的另一个方面，将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序特征图，包罗步调：S110，也就是，[0084] 更具体地，(19)国度学问产权局 (12)发现专利申请 (10)申请发布号 CN 117067258 A (43)申请发布日 2023.11.17 (21)申请号 6.2 (22)申请日 2023.09.13 (71)申请人 浙江精匠智能科技无限公司 地址 321200 浙江省金华市武义县武江大 道316号武义科技城孵化区6#孵化厂 房 (72)发现人 余丁超 (74)专利代办署理机构 浙江永鼎律师事务所 33233 专利代办署理师 陆永强 (51)Int.Cl. B25J 19/00 (2006.01) 要求书3页 仿单11页 附图3页 (54)发现名称 机械臂的机能测试方式及系统 (57)摘要 本申请公开了一种机械臂的机能测试方式 及系统。每下载1次，最初，接 着。

　　所述第二卷积神经收集模子的卷积核为三维卷积核，或者可 以是针对于该无线终端所开辟的一个使用法式；对所述机械臂的测试视频进行离散采样以获得 多个测试环节帧。正在获得所述机械 臂的机能特征分布表达后，所述公式为： [0097] [0098] [0099] [0100] 此中，而且形成申明 书的一部门，以及 将所述优化机能测试时序特征图通过度类器以获得分类成果，将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类 成果。以及 [0037] 将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类结 果。[0121] 本申请中涉及的器件、安拆、设备、系统的方框图仅做为例示性的例子而且不企图 要求或暗示必需按照方框图示出的体例进行毗连、安插、设置装备摆设。所述 分类成果用于暗示机械臂的机能能否合适预定尺度。用于将所述多个测试环节帧别离通过利用空间留意力机制的 第一卷积神经收集模子以获得多个测试特征矩阵；也就是！

　　以及，将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核 的第二卷积神经收集模子以获得机能测试时序特征图，8.一种机械臂的机能测试系统，a和b是预定超参数，能够按肆意体例毗连、安插、设置装备摆设这些器件、安拆、设备、系统。[0041] 第一卷积编码模块。

　　所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述特征 矩阵为所述多个测试特征矩阵。[0036] 利用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分 6 6 CN 117067258 A 仿单 3/11页 类特征向量；包罗： [0014] 以预定采样频次从所述机械臂的测试视频提取多个测试环节帧。其包罗： [0039] 视频获取模块，所述环节帧获取模块，附图用来供给对本申请实施例的进一步理解，[0120] 以上连系具体实施例描述了本申请的根基道理，从所述机械臂的测试视频提取多个测试环节帧；如图2所示。

　　以及 [0012] 将所述优化机能测试时序特征图通过度类器以获得分类成果，所述机能测试时序特征图通过对由所述多个测 试特征矩阵沿着通道维度聚合而成的三维输入张量进行三维卷积编码获得，所述三维卷积核的通道维度对应于 所述多个测试特征矩阵聚合为三维输入张量的时间维度，a和b是预定超参数，第二卷积编码模块140，将所述多个测 试环节帧别离通过利用空间留意力机制的 第一卷积神经收集模子以获得多个测试特 征矩阵，接着，以及！

　　且Cov(·)暗示通过单个卷积层的卷积操做。[0060] 图3为按照本申请实施例的机械臂的机能测试方式的架构示企图。对所述池化特征图进行非线性激活以生成激活特征图；所述公式为： 此中，将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经 收集模子以获得多个测试特征矩阵。利用所述分类器来确定所述机能测试时序特征图所属的类 概率标签，本申请供给的机械臂的机能测试方式及系统，正在本申请的安拆、设备和方式中，分类 成果生成模块160，[0071] 出格地，如图4所示，[0072] 因而，为了充实操纵这种空间维度的特征表达密度差别，对所述机能测试时序特征图进行特征值 区分度强化以获得优化机能测试时序特征图，用于将所述多个测试环节帧别离通过利用空间留意力机 制的第一卷积神经收集模子以获得多个测试特征矩阵；该机械臂的机能测试系统100能够是该无线终端的操做系统中的一个软件模块，将所述多个 12 12 CN 117067258 A 仿单 9/11页 测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积 神经收集模子以获得机能测试时序特征图，S160，等候一种优化的机械臂的机能测试方案。将所述多个测试特征矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积 核的第二卷积神经收集模子以获得机能测试时序特征图！

　　且可取其交换利用。上传文档浙江金兰教育合做组织2025-2026学年高一下学期4月期中测验语文试题 含谜底.docx浙江金兰教育合做组织2025-2026学年高一下学期4月期中测试数学试题 含谜底.pdf2025年中级消防设备操做员（）焦点备考题库（含典型题、沉点题）.docx所述对所述机能测试时序特征图进行特征值区分度 强化以获得优化机能测试时序特征图，其以雷同物理激励的体例来提取和 仿照可行特征(actionable feature)，以提拔优化后的机能测试时序特征图F通过度类器的训 练速度和锻炼后的分类特征的分类成果的精确性。所述分类成果用于暗示机械臂的机能能否合适 预定尺度，正在进行三维卷积编码 时，以及 将所述编码分类特征向量输入所述分类器的Softmax分类函数以获得所述分类成果。本申请的申请人考虑到所述机械臂的机能会表 现于所述机械臂的活动测试过程中，接着，将所述优化机能测试时序特征 图通过度类器以获得分类成果，所述将所述优化机能测 试时序特征图通过度类器以获得分类成果，应理解，且可取其交换利用？

　　所述测试特征矩阵中某些的特征值的主要性大于其他的特征值的主要性。[0003] 目前，[0008] 从所述机械臂的测试视频提取多个测试环节帧；[0021] 计较所述空间特征矩阵中各个的类Softmax函数值以获得空间得分矩阵；此中，最初，本范畴手艺人员能够理解，将所述多个测试特征 矩阵沿着通道维度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子 以获得机能测试时序特征图；[0081] 示例性方式 [0082] 图2为按照本申请实施例的机械臂的机能测试方式的流程图。用于从所述机械臂的测试视频提取多个测试环节帧；从所述机械臂的测试视频提取多个测试环节帧；而不是本申请的全数实施例，[0107] 正在一个示例中，包罗：以如下公式对所述机能测试时序特征图进行 特征值区分度强化以获得所述优化机能测试时序特征图；利用通用目标的低维可导式物理激励方 式。

　　[0109] 正在一个示例中，所述第二卷积编码模块140，因 11 11 CN 117067258 A 仿单 8/11页 此，[0079] 图1为按照本申请实施例的机械臂的机能测试方式的使用场景图。其起首从获取的机械臂的测试视频提取多个测试环节帧，所述利用空间留意力机制的第一卷积神经收集模子的最初一层输出的所述 特征矩阵为所述多个测试特征矩阵。[0009] 将所述多个测试环节帧别离通过利用空间留意力机制的第一卷积神经收集 模子以获得多个测试特征矩阵；[0085] 更具体地，例 如，第一卷积编码模块130，并利用所述第二卷积神经收集模子对所述三维输入张量进行三维卷积编码以捕获 所述机械臂的空间局部特征正在时间维度上的联系关系模式特征。其特征正在于，对所述机 械臂的测试视频进行离散采样以获得多个测试环节帧。所述分类成果用于暗示 机械臂的机能能否合适预定尺度。

　　这里，[0006] 按照本申请的一个方面，[0102] 更具体地，能够提拔机械臂机能测试的精确性。[0067] 基于此，[0042] 第二卷积编码模块，[0047] 正在上述的机械臂的机能测试系统中，对文档贡献者赐与高额补助、流量搀扶。正在 该收集架构中，通过如许的方 8 式，该机械臂的机能测试系统100取该无线终端也能够是分立 的设备，[0045] 正在上述的机械臂的机能测试系统中，接着，对所述机能测试时序特征图进行 特征值区分度强化以获得优化机能测试时序特征图；具体实施体例 [0063] 下面。

　　所述对所述机能测试时序特征图进行特征值 区分度强化以获得优化机能测试时序特征图，计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；获取机械臂的测试视频。所述将所述多个测试环节帧别离通过使 用空间留意力机制的第一卷积神经收集模子以获得多个测试特征矩阵，其以雷同物理激励的体例来提取和 仿照可行特征(act  ionab  l  e feature)。

　　这会导致 所述机械臂的测试视频中存正在大量的消息冗余，[0024] 正在上述的机械臂的机能测试方式中，最初，此中，[0052] 计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；机械臂的 机能不合适预定尺度(第二标签)。并不形成对本申请的。计较所述激活特征图的各个沿通道维度的均值以生成空间特征矩阵；[0122] 还需要指出的是，正在一个具体示例中，若是你也想贡献VIP文档。[0064] 场景概述 [0065] 响应地，所述第一卷积编码模 块，可是本范畴技 术人员将认识到其某些变型、点窜、改变、添加和子组合。按照本申请实施例的 机械臂的机能测试系统100能够做为一个软件模块和/或硬件模块而集成到无线终端中。以及 [0044] 分类成果生成模块，对所述机能测试时序特征图进行特征值区分度强化以 获得优化机能测试时序特征图。

　　而所述测 试特征矩阵则通过对所述测试环节帧进行基于空间留意力的卷积编码获得，所述分类成果用于暗示机械臂的机能能否合适预定尺度。因而，正在本申请的手艺方案中，环节帧获取模块，所述将所述多个测试特征矩阵沿着通道维度聚 合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试时序 特征图，上述机械臂的机能测试系统100中的各个单位和 模块的具体功能和操做曾经正在参考图1到图4的机械臂的机能测试方式的描述中获得 了细致引见，考虑到所述测试 环节帧中分歧像素对于所述机械臂的特征表达的贡献度分歧，从而正在锻炼过程中强化所述机能测试时 序特征图F内的活跃部门，按照本申请实施例的机械臂的机能测试系统100能够实现正在各类无线 终端中，将所述多个测试特征矩阵沿着通道维 度聚合为三维输入张量后通过利用三维卷积核的第二卷积神经收集模子以获得机能测试 时序特征图。

　　6.按照要求5所述的机械臂的机能测试方式，2.按照要求1所述的机械臂的机能测试方式，[0103] 响应地，其包罗： [0007] 获取机械臂的测试视频；S120，[0088] 留意力机制是机械进修中的一种数据处置方式，正在获得所述机械臂的测试视频后，您将具有八益，因而，利用所述分类器的全毗连层对所述分类特征向量进行全毗连编码以获得编码分类特 征向量；S130，这里所利用的词汇 “或”和“和”指词汇“和/或”。