一种基于卷积神经网络的电力杆塔验收状态感知方法

1.本发明涉及电力杆塔构件状态识别技术领域，尤其涉及一种基于卷积神经网络的电力杆塔验收状态感知方法。


背景技术：

2.电力杆塔是电力系统必要的支撑装置，对于野外电力杆塔而言，由于施工路线长和地形复杂等特点，存在验收难度高、项目作业风险系数高、安全投入费用大等问题。针对这一问题，现有技术中通过无人机携带变焦拍照设备进行图像采集，利用图像识别实现杆塔智能验收。
3.现有技术中图像识别技术仅仅针对单一部件进行识别并进行运行状态的判定，但是由于电力杆塔具有构件繁多、所处地形复杂以及自然环境恶劣等特点，采用传统人力验收方式和单一部件的图像识别技术，具有成本高和工期长等缺点，一定程度上制约了工期和预算。
4.现有技术中通过采用设置多个搭载不同识别系统的服务器来进行多个构件的识别，例如专利号为202010143979.3的专利公开了一种用于输电线路多源影像缺陷隐患识别的方法及系统，通过多个服务器并行调用实现多条线路的识别，但是对于复杂的电力杆塔的多种构件识别，采用多个服务器对采集的图像进行多次识别，具有成本高和识别效率低的缺点。
5.与此同时，采用深度学习技术进行图像识别时具有以下缺点：
6.1、采用的电力杆塔图像数据集可能只含有少量负样本图像(不符合规范样本，即验收构件有一定缺损)，而大多数的训练样本都是正样本(符合规范样本，即验收构件处于正常状态)的情况，造成类不平衡问题。
7.2、作为基于深度学习的目标检测模型：其在检测目标缺陷时需要识别的类别很多，这会使得训练和推理过程变得更加困难。不同的目标缺陷具有不同的特征和形状，需要针对不同的缺陷类型设计不同的检测器，增加了模型的复杂性和训练的难度。
8.此外，由于目标缺陷往往是随机出现的，缺陷的种类和数量也会随着时间和环境的变化而发生变化，这给模型的训练和推理带来了更大的挑战。其次，不同部件的尺度差异大，这也会影响其在检测目标缺陷时的表现。
9.对应的在电力杆塔的检测任务中，不同部件的尺度和形状都有所不同，例如杆塔本体、绝缘子、螺栓、导线等，这会使得模型难以捕捉不同尺度的目标，并且可能会造成目标漏检或误检。且目标检测模型检测出的结果只是目标的边界框和类别，无法提供更多的细节信息。但是对于电力杆塔等复杂的工业场景，目标缺陷往往需要更细致的分析和判断，例如缺陷的位置、形状、大小等，即上述信息无法通过边界框直接获取，需要进一步的分析和推理。所以，基于深度学习的目标检测方法只能满足在主要构件识别检测方面的要求，很难做到识别运行状态。


技术实现要素：

10.为解决上述问题，本发明提供一种基于卷积神经网络的电力杆塔验收状态感知方法，解决了数据集的类不平衡问题，实现了多种构件同步识别，提高了电力杆塔的验收效率和识别精度。
11.为实现上述目的，本发明提供了一种基于卷积神经网络的电力杆塔验收状态感知方法，包括以下步骤：
12.步骤s1：采集现场图像数据和已有图像数据，并进行标注分类，得到正样本集合和负样本集合，再对负样本集合进行标注样本增强，得到用于模型训练的数据集；
13.步骤s2：基于领域知识构建电力杆塔多验收构件卷积神经网络识别模型；
14.步骤s3：通过步骤s1制备的用于模型训练的数据集对构建的电力杆塔多验收构件卷积神经网络识别模型进行训练直至收敛；
15.步骤s4：通过无人机进行多源图像采集并依次进行预处理和多源图像匹配后输入至收敛后的电力杆塔多验收构件卷积神经网络识别模型进行部件种类和运行状态识别，并输出结果。
16.优选的，步骤s1所述的标注样本增强具体包括以下步骤：
17.步骤s11：对于正样本集合中的样本图像标记电路杆塔中各个验收构件名称和位置；对于负样本集合中的样本图像标记电路杆塔中各个验收构件名称、构件位置、缺陷位置以及不符合规范的原因；
18.步骤s12：对于负样本集合中的样本图像采用合成少数类过采样方法生成新的负样本图像；
19.步骤s13：通过新的负样本图像、正样本集合中的样本图像以及负样本集合中的样本图像组合生成用于模型训练的数据集。
20.优选的，步骤s12具体如下：
21.步骤s121：负样本集合中的样本图像xi，其中i＝1,2.....n，n为负样本集合中的样本图像个数，以欧氏距离为标准计算样本图像xi到负样本集合中的所有样本图像的距离，得到样本图像xi的k个近邻；
22.步骤s122：根据样本不平衡比例设置一个采样比例确定采样倍率n，对于每一个少数类样本xi，从其k个近邻中随机选择若干个样本，选择的近邻为j＝1,2.....m，m为选择样本的个数；
23.步骤s123：对于邻近按照如下的公式构建新的负样本图像x
new
：
[0024][0025]
其中，rand(0,1)为产生随机数函数。
[0026]
优选的，步骤s2具体如下：
[0027]
步骤s21：根据领域知识构建电力杆塔的知识图谱模型；
[0028]
步骤s22：构建电力杆塔知识图谱，并基于构建的知识图谱和深度学习对电力杆塔及构件进行提取建模，提取建模模块用于预测出输入的数据集中图像的边界框，并判定边界框内是否存在验收构件、确定验收构件的类型和位置以及输出分类概率；
[0029]
步骤s23：基于卷积神经网络构建多种验收构件目标的状态识别模块，状态识别模
块用于在步骤s22预测的边界框的基础上识别出存在的验收构件的运行状态；
[0030]
步骤s24：提取建模模块和状态识别模块组成电力杆塔多验收构件卷积神经网络识别模型。
[0031]
优选的，步骤s23采用改进的yolov8卷积神经网络；改进的yolov8卷积神经网络包括依次设置的darknet53-pan骨干网络、panet-lite网络、head网络和输出模块；
[0032]
darknet53-pan骨干网络包括用于在不同的尺度下进行池化操作以获得更多的空间信息的spp模块和用于将不同尺度的特征图融合在一起的pan模块；
[0033]
panet-lite网络包括两个子网络，一个子网络自下而上的传递特征，另一个子网络通过横向和自下而上的路径进行多尺度特征融合；
[0034]
在head网络中使用特定后处理过程将网络输出转换为实际的边界框坐标和类别预测；
[0035]
输出模块中的detection替换为classify。
[0036]
优选的，head网络中的具体计算方法为：对于每个roi的分类结果，根据预测的边界框的中心坐标(x，y)、边界框的宽度w和边界框的高度h，计算边界框的左上角和右下角坐标，得到完整的边界框坐标，最后根据将置信度低于阈值的边界框剔除，得到最终的检测结果；
[0037]
优选的，改进的yolov8卷积神经网络利用多任务损失函数进行目标检测，多任务损失函数包括用于决定预测边界框位置和大小的分类损失函数和用于决定预测边界框内验收构件类别的回归损失函数，其具体包括以下计算步骤：
[0038]
第一步：计算分类损失：
[0039]
分类损失函数使用交叉熵损失函数，其具体计算方法为：将由步骤s22输出的分类概率与真实标签的one-hot编码进行比较，然后计算两者之间的交叉熵，最后将所有类别的交叉熵求和，得到最终的分类损失；
[0040]
第二步：计算回归损失：
[0041]
回归损失函数使用均方误差损失函数，其具体计算方法为：将由步骤s22输出的预测边界框与真实边界框进行比较，然后计算两者之间的均方误差，最后将所有边界框的误差加权求和，得到最终的回归损失；
[0042]
第三步：将分类损失和回归损失分别乘以分类损失权重系数和权重系数回归损失，最后相加得到总的损失函数。
[0043]
优选的，分类损失的权重系数设置为1，回归损失的权重系数设置为5。
[0044]
优选的，步骤s4所述的多源图像包括可见光图像、热红外图像以及紫外图像；
[0045]
预处理包括几何校正和滤波去噪；
[0046]
多源图像匹配采用有效特征点进行配准，依次进行通过sift算法进行特征点提取、特征向量几何变换以及线性插值得到配准后的多源图像；
[0047]
输出结果包括位置数据、类别数据以及状态数据；位置数据包括电力杆塔构件在整体多源图像中的位置和尺寸；类别数据包括电力杆塔构件的类别；状态数据包括是否存在缺陷以及存在缺陷的原因。
[0048]
本发明具有以下有益效果：
[0049]
(1)利用标注样本增强方法扩充数据集，再采用扩充后的数据集进行模型的训练，
解决了类不平衡问题，提高模型的识别精度。
[0050]
(2)通过多源图像中的构件进行建模提取后再对其状态进行判定，实现了多种需要验收构件的识别和状态识别，成本低且识别效率高。
[0051]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0052]
图1为本发明的一种基于卷积神经网络的电力杆塔验收状态感知方法的框架图；
[0053]
图2为本发明的一种基于卷积神经网络的电力杆塔验收状态感知方法的流程图；
[0054]
图3为本发明的测试例中所述复杂环境下的螺栓缺损状态检测结果图；
[0055]
图4为本发明的测试例中所述简单环境下的螺栓缺损状态检测结果图。
具体实施方式
[0056]
为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
[0057]
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0058]
相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0059]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0060]
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0061]
如图1和图2所示，一种基于卷积神经网络的电力杆塔验收状态感知方法，包括以下步骤：
[0062]
步骤s1：采集现场图像数据和已有图像数据，并进行标注分类，得到正样本集合和负样本集合，再对负样本集合进行标注样本增强，得到用于模型训练的数据集；
[0063]
优选的，步骤s1所述的标注样本增强具体包括以下步骤：
[0064]
步骤s11：对于正样本集合中的样本图像标记电路杆塔中各个验收构件(验收构件
包括三相绝缘子串、导线连接电、防振锤以及螺栓等构件)名称和位置；对于负样本集合中的样本图像标记电路杆塔中各个验收构件名称、构件位置、缺陷位置以及不符合规范的原因；
[0065]
步骤s12：由于不符合规范的情况很少，即负样本数量少，所以对于负样本集合中的样本图像采用合成少数类过采样方法生成新的负样本图像；从而增加负样本数量，解决类不平衡问题。
[0066]
优选的，步骤s12具体如下：
[0067]
步骤s121：负样本集合中的样本图像xi，其中i＝1,2.....n，n为负样本集合中的样本图像个数，以欧氏距离为标准计算样本图像xi到负样本集合中的所有样本图像的距离，得到样本图像xi的k个近邻；
[0068]
步骤s122：根据样本不平衡比例设置一个采样比例确定采样倍率n，对于每一个少数类样本xi，从其k个近邻中随机选择若干个样本，选择的近邻为j＝1,2.....m，m为选择样本的个数；
[0069]
步骤s123：对于邻近按照如下的公式构建新的负样本图像x
new
：
[0070][0071]
其中，rand(0,1)为产生随机数函数。
[0072]
步骤s13：通过新的负样本图像、正样本集合中的样本图像以及负样本集合中的样本图像组合生成用于模型训练的数据集。
[0073]
利用分类后再对其具体缺陷进行标注，增强检测部分与缺陷部分的关联性，从而提升训练网络的稳定性。
[0074]
步骤s2：基于领域知识构建电力杆塔多验收构件卷积神经网络识别模型；
[0075]
优选的，步骤s2具体如下：
[0076]
步骤s21：根据领域知识构建电力杆塔的知识图谱模型；
[0077]
步骤s22：构建电力杆塔知识图谱，并基于构建的知识图谱和深度学习对电力杆塔及构件进行提取建模，提取建模模块用于预测出输入的数据集中图像的边界框，并判定边界框内是否存在验收构件、确定验收构件的类型和位置以及输出分类概率；
[0078]
步骤s23：基于卷积神经网络构建多种验收构件目标的状态识别模块，状态识别模块用于在步骤s22预测的边界框的基础上识别出存在的验收构件的运行状态；
[0079]
步骤s24：提取建模模块和状态识别模块组成电力杆塔多验收构件卷积神经网络识别模型。
[0080]
优选的，步骤s23采用改进的yolov8卷积神经网络；改进的yolov8卷积神经网络包括依次设置的darknet53-pan骨干网络、panet-lite网络、head网络和输出模块；
[0081]
darknet53-pan骨干网络包括用于在不同的尺度下进行池化操作以获得更多的空间信息的spp模块和用于将不同尺度的特征图融合在一起的pan模块；
[0082]
panet-lite网络包括两个子网络，一个子网络自下而上的传递特征，另一个子网络通过横向和自下而上的路径进行多尺度特征融合；
[0083]
在head网络中使用特定后处理过程将网络输出转换为实际的边界框坐标和类别预测；
[0084]
输出模块中的detection替换为classify。
[0085]
优选的，head网络中的具体计算方法为：对于每个roi的分类结果，根据预测的边界框的中心坐标(x，y)、边界框的宽度w和边界框的高度h，计算边界框的左上角和右下角坐标，得到完整的边界框坐标，最后根据将置信度低于阈值的边界框剔除，得到最终的检测结果；
[0086]
优选的，改进的yolov8卷积神经网络利用多任务损失函数进行目标检测，多任务损失函数包括用于决定预测边界框位置和大小的分类损失函数和用于决定预测边界框内验收构件类别的回归损失函数，其具体包括以下计算步骤：
[0087]
第一步：计算分类损失：
[0088]
分类损失函数使用交叉熵损失函数，其具体计算方法为：将由步骤s22输出的分类概率与真实标签的one-hot编码进行比较，然后计算两者之间的交叉熵，最后将所有类别的交叉熵求和，得到最终的分类损失；
[0089]
第二步：计算回归损失：
[0090]
回归损失函数使用均方误差损失函数，其具体计算方法为：将由步骤s22输出的预测边界框与真实边界框进行比较，然后计算两者之间的均方误差，最后将所有边界框的误差加权求和，得到最终的回归损失；
[0091]
第三步：将分类损失和回归损失分别乘以分类损失权重系数和权重系数回归损失，最后相加得到总的损失函数。
[0092]
优选的，分类损失的权重系数设置为1，回归损失的权重系数设置为5。
[0093]
步骤s3：通过步骤s1制备的用于模型训练的数据集对构建的电力杆塔多验收构件卷积神经网络识别模型进行训练直至收敛；
[0094]
步骤s4：通过无人机进行多源图像采集并依次进行预处理和多源图像匹配后输入至收敛后的电力杆塔多验收构件卷积神经网络识别模型进行部件种类和运行状态识别，并输出结果。优选的，步骤s4所述的多源图像包括可见光图像、热红外图像以及紫外图像；
[0095]
预处理包括几何校正和滤波去噪；
[0096]
多源图像匹配采用有效特征点进行配准，依次进行通过sift算法进行特征点提取、特征向量几何变换以及线性插值得到配准后的多源图像；
[0097]
输出结果包括位置数据、类别数据以及状态数据；位置数据包括电力杆塔构件在整体多源图像中的位置和尺寸；类别数据包括电力杆塔构件的类别；状态数据包括是否存在缺陷以及存在缺陷的原因。
[0098]
测试例：
[0099]
将训练好的卷积神经网络模型部署到无人机平台上，无人机沿着规划好的三维路线绕着电力杆塔飞行，拍摄电力杆塔构件的多源影像，进行校正、配准等操作后作为卷积神经网络模型的输入，实时进行目标提取建模与运行状态识别，进而给出验收结果，最后将验收评估结果实时传输回云平台。
[0100]
由图3和图4可知(图3和图4中1表示缺损，0表示正常)，改进的yolov8模型在边界框的基础上进一步进行状态检测效果优异，以图中的螺栓检测来看，不管是在较复杂环境还是简单环境中的螺栓状态都能够精确的识别出来，在目前的数据集基础上检测精度能够达到100％。
[0101]
因此，本发明采用上述基于卷积神经网络的电力杆塔验收状态感知方法，解决了数据集的类不平衡问题，实现了多种构件同步识别，提高了电力杆塔的验收效率和识别精度。
[0102]
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：包括以下步骤：步骤s1：采集现场图像数据和已有图像数据，并进行标注分类，得到正样本集合和负样本集合，再对负样本集合进行标注样本增强，得到用于模型训练的数据集；步骤s2：基于领域知识构建电力杆塔多验收构件卷积神经网络识别模型；步骤s3：通过步骤s1制备的用于模型训练的数据集对构建的电力杆塔多验收构件卷积神经网络识别模型进行训练直至收敛；步骤s4：通过无人机进行多源图像采集并依次进行预处理和多源图像匹配后输入至收敛后的电力杆塔多验收构件卷积神经网络识别模型进行部件种类和运行状态识别，并输出结果。2.根据权利要求1所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：步骤s1所述的标注样本增强具体包括以下步骤：步骤s11：对于正样本集合中的样本图像标记电路杆塔中各个验收构件名称和位置；对于负样本集合中的样本图像标记电路杆塔中各个验收构件名称、构件位置、缺陷位置以及不符合规范的原因；步骤s12：对于负样本集合中的样本图像采用合成少数类过采样方法生成新的负样本图像；步骤s13：通过新的负样本图像、正样本集合中的样本图像以及负样本集合中的样本图像组合生成用于模型训练的数据集。3.根据权利要求2所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：步骤s12具体如下：步骤s121：负样本集合中的样本图像x
i
，其中i＝1,2.....n，n为负样本集合中的样本图像个数，以欧氏距离为标准计算样本图像x
i
到负样本集合中的所有样本图像的距离，得到样本图像x
i
的k个近邻；步骤s122：根据样本不平衡比例设置一个采样比例确定采样倍率n，对于每一个少数类样本x
i
，从其k个近邻中随机选择若干个样本，选择的近邻为m为选择样本的个数；步骤s123：对于邻近按照如下的公式构建新的负样本图像x
new
：其中，rand(0,1)为产生随机数函数。4.根据权利要求1所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：步骤s2具体如下：步骤s21：根据领域知识构建电力杆塔的知识图谱模型；步骤s22：构建电力杆塔知识图谱，并基于构建的知识图谱和深度学习对电力杆塔及构件进行提取建模，提取建模模块用于预测出输入的数据集中图像的边界框，并判定边界框内是否存在验收构件、确定验收构件的类型和位置以及输出分类概率；步骤s23：基于卷积神经网络构建多种验收构件目标的状态识别模块，状态识别模块用于在步骤s22预测的边界框的基础上识别出存在的验收构件的运行状态；步骤s24：提取建模模块和状态识别模块组成电力杆塔多验收构件卷积神经网络识别
模型。5.根据权利要求4所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：步骤s23采用改进的yolov8卷积神经网络；改进的yolov8卷积神经网络包括依次设置的darknet53-pan骨干网络、panet-lite网络、head网络和输出模块；darknet53-pan骨干网络包括用于在不同的尺度下进行池化操作以获得更多的空间信息的spp模块和用于将不同尺度的特征图融合在一起的pan模块；panet-lite网络包括两个子网络，一个子网络自下而上的传递特征，另一个子网络通过横向和自下而上的路径进行多尺度特征融合；在head网络中使用特定后处理过程将网络输出转换为实际的边界框坐标和类别预测；输出模块中的detection替换为classify。6.根据权利要求5所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：head网络中的具体计算方法为：对于每个roi的分类结果，根据预测的边界框的中心坐标(x，y)、边界框的宽度w和边界框的高度h，计算边界框的左上角和右下角坐标，得到完整的边界框坐标，最后根据将置信度低于阈值的边界框剔除，得到最终的检测结果。7.根据权利要求4所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：改进的yolov8卷积神经网络利用多任务损失函数进行目标检测，多任务损失函数包括用于决定预测边界框位置和大小的分类损失函数和用于决定预测边界框内验收构件类别的回归损失函数，其具体包括以下计算步骤：第一步：计算分类损失：分类损失函数使用交叉熵损失函数，其具体计算方法为：将由步骤s22输出的分类概率与真实标签的one-hot编码进行比较，然后计算两者之间的交叉熵，最后将所有类别的交叉熵求和，得到最终的分类损失；第二步：计算回归损失：回归损失函数使用均方误差损失函数，其具体计算方法为：将由步骤s22输出的预测边界框与真实边界框进行比较，然后计算两者之间的均方误差，最后将所有边界框的误差加权求和，得到最终的回归损失；第三步：将分类损失和回归损失分别乘以分类损失权重系数和权重系数回归损失，最后相加得到总的损失函数。8.根据权利要求7所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：分类损失的权重系数设置为1，回归损失的权重系数设置为5。9.根据权利要求1所述的一种基于卷积神经网络的电力杆塔验收状态感知方法，其特征在于：步骤s4所述的多源图像包括可见光图像、热红外图像以及紫外图像；预处理包括几何校正和滤波去噪；多源图像匹配采用有效特征点进行配准，依次进行通过sift算法进行特征点提取、特征向量几何变换以及线性插值得到配准后的多源图像；输出结果包括位置数据、类别数据以及状态数据；位置数据包括电力杆塔构件在整体多源图像中的位置和尺寸；类别数据包括电力杆塔构件的类别；状态数据包括是否存在缺陷以及存在缺陷的原因。

技术总结
本发明公开了一种基于卷积神经网络的电力杆塔验收状态感知方法，属于电力杆塔构件状态识别领域，包括以下步骤：S1：得到用于模型训练的数据集；S2：构建电力杆塔多验收构件卷积神经网络识别模型；S3：通过步骤S1制备的用于模型训练的数据集对构建的电力杆塔多验收构件卷积神经网络识别模型进行训练直至收敛；S4：通过无人机进行多源图像采集并依次进行预处理和多源图像匹配后输入至收敛后的电力杆塔多验收构件卷积神经网络识别模型进行部件种类和运行状态识别，并输出结果。本发明采用上述基于卷积神经网络的电力杆塔验收状态感知方法，解决了数据集的类不平衡问题，实现了多种构件同步识别，提高了电力杆塔的验收效率和识别精度。和识别精度。和识别精度。


技术研发人员：冯科沥 黄科文 刘海键 陈志忠 贾涛 张锴 谢俊波 张文钟 林俊名 姚东
受保护的技术使用者：武汉大学
技术研发日：2023.06.21
技术公布日：2023/9/22