高速公路能见度检测与智慧诱导方法、系统及装置

1.本发明属于智能交通技术领域，具体涉及一种基于数字图像技术的高速公路雾区能见度检测与智慧诱导方法、系统及装置。


背景技术：

2.大气能见度对车辆行驶安全至关重要。在有团雾、沙尘等颗粒物的情况下，大气能见度会大幅度降低。驾驶员往往无法提前获得路段能见度信息，高速公路团雾的出现往往难以提前预测，车辆驶入此路段时能见度骤降而车速较高，极易发生交通事故造成人员伤亡，因此有必要研究高速公路雾区能见度检测与智慧诱导方法，提高高速公路的通行效率与安全性。
3.现有高速公路雾区能见度检测多使用能见度测量仪器，这些仪器往往需要投入大量的成本，沿线架设且间隔较远，无法实时动态的检测高速公路雾区能见度等级，因此，目前急需一种基于数字图像技术的高速公路雾区能见度检测和智慧诱导方法。


技术实现要素：

4.本发明为解决高速公路现有监控系统投入高、无法实时检测能见度等级的问题，进而提供了一种基于数字图像技术的高速公路雾区能见度检测与智慧诱导方法。
5.本发明涉及一种高速公路雾区能见度检测与智慧诱导方法，包括如下步骤：
6.步骤一、采集图像信息、车辆运行信息和同步气象信息数据；
7.步骤二、对采集的数据进行处理；
8.步骤三、进行车辆能见度检测；
9.步骤四、对车辆进行轨迹识别与智慧诱导。
10.步骤二中，对采集的数据进行处理方式如下：
11.利用暗通道先验算法对接收到的视频图像进行标签化处理，对能见度值进行分类；人们观察到的图像由照射光和反射光组成：
12.s(x，y)＝l(x，y)
×
r(x，y)
13.其中s(x，y)为观察到的图像；r(x，y)为物体本身的反射分量；l(x，y)为场景光照强度信息的光照分量；
14.其中g(x，y)为中心围绕函数，选择高斯函数效果较好，g(x，y)表示为：
[0015][0016]
其中，σ为高斯分布的标准差，σ＝30，代表数据离散程度。
[0017]
将卷积计算通过傅里叶变换转换为乘法运算：
[0018][0019]
基于ssr理论，对雾天图像衰减模型两次最小值滤波后进行变形：
[0020][0021]
其中，f[t1(x)]为基于ssr理论傅里叶变换后的透射率；r，g，b分别为三个颜色通道；ic为输入的有雾图像；ac为大气光成分。
[0022]
对f[t1(x)]进行傅里叶逆变换得到的象原函数即为基于ssr理论的改进暗通道先验算法中的透射率，表达式为：
[0023][0024]
其中，t1(x)为基于ssr理论的透射率；f-1
表示进行傅里叶逆变换。
[0025]
暗通道先验算法常规透射率为：
[0026][0027]
其中，t2(x)为暗通道先验算法的常规透射率；ω为雾的保留系数，取0.95；采用透射率取值为：
[0028][0029]
其中，t(x)为采用透射率；β1，β2为加权系数，满足β1+β2＝1；
[0030]
大气消光系数公式为：
[0031][0032]
其中，σ(x)为大气消光系数；d-1
(x)表示图像景深的倒数(m-1
)。
[0033]
去雾后的图像表达式为：
[0034][0035]
其中，jc(x)为去雾后的图像；为了避免去雾后的图像出现病态，参数t0＝0.1。
[0036]
暗通道先验算法的能见度公式为：
[0037][0038]
其中，v
mvd
为能见度(m)。
[0039]
步骤三中，能见度检测方式如下：
[0040]
输入带标签的图像和环境数据，使用cnn卷积神经网络和lstm长短期记忆网络分别提取图像与环境数据特征，利用张量融合方法将多种深度学习模型提取出的特征进行融合，形成新的融合特征；
[0041]
基于张量融合方法进行特征融合，公式如下所示：
[0042][0043]
其中，z表示结果输出，v表示不同的模态，表示外积算子；
[0044]
选择softmax分类器进行分类，得到分类结果；其中，softmax函数σ的表达式如下式所示：
[0045][0046]
z＝(z1，...，zk)∈rk是softmax的中间输出，softmax将选择概率最大的输出节点作为输入数据的分类结果。
[0047]
步骤四中，根据能见度等级、车辆速度、车辆实时位置数据进行激活诱导，具体方式为：
[0048]
行车轨迹预测模块利用卡尔曼滤波算法对团雾区段内车辆的运行轨迹进行预测，将团雾区段车辆运行轨迹交叉点视作冲突点，利用5g-v2x和车载导航语音播报对将存在冲突风险的车辆进行预警；
[0049]
卡尔曼滤波轨迹预测的先验估计表示为：
[0050][0051]
其中，为i时刻的预测值，p
xi
,p
yi
为i时刻车辆水平位置与竖直位置；v
xi
,v
yi
为i时刻车辆水平速度和竖直速度；a
xi
,a
yi
为i时刻车辆水平加速度和竖直加速度；c为状态转移矩阵，u为控制矩阵，p
i-1
为i-1时刻的输入。
[0052]
i时刻预测值的协方差表示为：
[0053]
[0054]
其中，为预测值的协方差；b为状态变量到观测变量的转换矩阵；x
i-1
为i-1时刻后验估计的协方差；c
t
为状态转移矩阵的转置；w为过程激励噪声的协方差。
[0055]
卡尔曼增益表示为：
[0056][0057]
其中，zi为卡尔曼增益；r为观测噪声协方差。
[0058]
i时刻的最优估计值为：
[0059][0060]
其中，为最优估计值；pi为i时刻的观测值。
[0061]
i时刻的最优估计的协方差表示为：
[0062][0063]
其中，xi为最优估计值协方差；i为单位矩阵。
[0064]
一种高速公路雾区能见度检测与智慧诱导系统，其特征在于，包括信息采集子系统、数据处理子系统、车辆轨迹识别与智慧诱导子系统。
[0065]
信息采集子系统包括图像采集模块，气象监测模块，车辆运行信息采集模块和无线发射器；数据处理子系统包括无线接收器，数据处理模块，能见度检测模块和无线发射器；车辆轨迹识别与智慧诱导子系统包括无线接收器、车距判别提醒模块、行车轨迹预测模块和智能诱导模块。
[0066]
一种高速公路雾区能见度检测与智慧诱导装置，设置有高速公路雾区能见度检测与智慧诱导系统。
[0067]
所述装置设有雾灯，当能见度为1级时，开启雾灯黄色常亮模式，引导车辆前行；在雾区路段前方发布提示信息；
[0068]
当能见度为2级时，若路段内无车辆行驶，路侧雾灯开启黄色常亮模式，若路段内有车辆驶过，路侧雾灯开启橙色常亮模式；在雾区路段前方发布提示信息；
[0069]
当能见度为3级时，若路段内无车辆行驶，路侧雾灯开启黄色常亮模式，若路段内有车辆驶过，路侧雾灯开启红色常亮模式；在雾区路段前方发布提示信息；
[0070]
当能见度为4级时，无车辆驶过时雾灯保持黄色常亮，当检测到有车辆驶过时，雾灯变为红色闪烁，在雾区路段前方发布提示信息。
[0071]
红色警示带用于警示车辆保持安全距离，黄色诱导带用来引导车辆行驶。
[0072]
有益效果
[0073]
本发明采用图像识别技术标记能见度等级，使用卷积神经网络提取图像特征，使用长短时记忆网络提取环境信息特征，通过张量融合方法融合图像信息和环境信息，最后对能见度进行检测，比传统能见度检测仪器更便捷，图像信息和环境信息多模态融合的识别结果比传统单一模态更精确，能获得更好的预警效果，同时本发明能够实现在车辆驶入团雾区域前利用车载导航预警，为驾驶员提供充足的反应时间用于开启雾灯，同时为团雾区段内的车辆提供冲突风险预警，预警准确性可达88％，有效预防高速公路团雾路段交通事故。本发明利用现有高速公路实时监测系统获取能见度信息，无需架设其他监测硬件设
备，有利于推广应用，提高高速公路的通行效率与安全性。
附图说明
[0074]
图1为本发明高速公路能见度检测与智慧诱导系统的结构示意图；
[0075]
图2为本发明高速公路能见度检测与智慧诱导系统的工作流程图；
[0076]
图3为本发明中当能见度为2级时，诱导带和警示带安装位置示意图；
[0077]
图4为本发明中当能见度为3级时，诱导带和警示带安装位置示意图。
具体实施方式
[0078]
以下结合图1至4对本实施方式进行具体说明。
[0079]
本发明的高速公路雾区能见度检测及智慧诱导方法，针对现有团雾预警与诱导系统一般利用数字能见度仪、气象环境检测等，当能见度低下时的智慧诱导主要集中在推荐速度的情况，结合高速公路沿线监控设施、5g-v2x在车辆进入团雾区域前在车载导航上予以提前预警，在车辆驶入团雾路段时予以避撞提示。
[0080]
本发明的高速公路雾区能见度检测及智慧诱导系统包括：信息采集子系统、数据处理子系统、车辆轨迹识别与智慧诱导子系统；其中，信息采集子系统包括图像采集模块，气象监测模块，车辆运行信息采集模块和无线发射器。
[0081]
图像采集模块利用高速公路现有视频监控系统采集图像信息，通过对高速公路上的监控摄像头进行访问，以固定频率进行截图；气象监测模块包括jc-ws-zn03无线温湿度传感器和nhr-mt30光照传感器，与监控摄像头同步采集相对湿度、空气温度、光照强度等环境信息；车辆运行信息采集模块利用压阻式加速度传感器meas 3801a采集车辆运行加速度，通过暗通道先验去雾后得到的图像信息获取车辆位置，计算车辆速度；无线发射器将图像信息、车辆运行信息和同步采集的气象信息传输至数据处理子系统的无线接收器。
[0082]
数据处理子系统包括无线接收器，数据处理模块，能见度检测模块和无线发射器。
[0083]
无线接收器用于接收无线发射器发送的信息；数据处理模块利用暗通道先验算法对接收到的视频图像进行标签化处理，将同步采集的环境信息打上相对应的标签，构建样本集；能见度检测模块使用样本训练集进行训练，首先输入带标签的图像和环境数据，使用cnn卷积神经网络和lstm长短期记忆网络分别提取图像与环境数据特征，利用张量融合方法将多种深度学习模型提取出的特征进行融合，从而形成新的融合特征，选择softmax分类器进行分类，最后利用训练好的分类器对能见度进行检测；无线发射器将能见度等级传输至无线接收器。
[0084]
数据处理模块具体执行如下步骤：
[0085]
首先利用暗通道先验算法对接收到的视频图像进行标签化处理，对能见度值进行分类。人们观察到的图像由照射光和反射光组成：
[0086]
s(x，y)＝l(x，y)
×
r(x，y)
[0087]
其中s(x，y)为观察到的图像；r(x，y)为物体本身的反射分量；l(x，y)为场景光照强度信息的光照分量；
[0088]
其中g(x，y)为中心围绕函数，选择高斯函数效果较好，g(x，y)表示为：
[0089][0090]
其中，σ为高斯分布的标准差，σ＝30，代表数据离散程度。
[0091]
将卷积计算通过傅里叶变换转换为乘法运算：
[0092][0093]
基于ssr理论，对雾天图像衰减模型两次最小值滤波后进行变形：
[0094][0095]
其中，f[t1(x)]为基于ssr理论傅里叶变换后的透射率；r，g，b分别为三个颜色通道；ic为输入的有雾图像；ac为大气光成分。
[0096]
对f[t1(x)]进行逆傅里叶变换得到的象原函数即为基于ssr理论的改进暗通道先验算法中的透射率，表达式为：
[0097][0098]
其中，t1(x)为基于ssr理论的透射率；f-1
表示进行傅里叶逆变换。
[0099]
暗通道先验算法常规透射率为：
[0100][0101]
其中，t2(x)为暗通道先验算法的常规透射率；ω为雾的保留系数，取0.95。
[0102]
采用透射率取值为：
[0103][0104]
其中，t(x)为采用透射率；β1，β2为加权系数，满足β1+β2＝1；大气消光系数公式为：
[0105][0106]
其中，σ(x)为大气消光系数；d-1
(x)表示图像景深的倒数(m-1
)。
[0107]
去雾后的图像表达式为：
[0108]
[0109]
其中，jc(x)为去雾后的图像；为了避免去雾后的图像出现病态，参数t0＝0.1。
[0110]
暗通道先验算法的能见度公式为：
[0111][0112]
其中，v
mvd
为能见度(m)。
[0113]
根据暗通道先验算法估算出未标签化的图像的能见度值，并对高速公路雾区能见度等级做出规定，如下表所示：
[0114][0115]
同时将与各同步采集的环境数据打上相对应的标签。
[0116]
能见度检测模块具体执行如下步骤：
[0117]
首先输入带标签的图像和环境数据，使用cnn卷积神经网络和lstm长短期记忆网络分别提取图像与环境数据特征，利用张量融合方法将多种深度学习模型提取出的特征进行融合，从而形成新的融合特征。
[0118]
基于张量融合方法进行特征融合，公式如下所示：
[0119][0120]
其中，z表示结果输出，v表示不同的模态，表示外积算子。
[0121]
选择softmax分类器进行分类，得到最终的分类结果。其中，softmax函数σ的表达式如下式所示：
[0122][0123]
上式中z＝(z1，...，zk)∈rk是softmax的中间输出。softmax将选择概率最大的输出节点作为输入数据的分类结果。
[0124]
车辆轨迹识别与智慧诱导子系统包括无线接收器、车距判别提醒模块、行车轨迹预测模块、智能诱导模块。
[0125]
无线接收器用于接收无线发射器发送的能见度等级、车辆速度、跟车距离、车辆实时位置；车距判别提醒模块根据接收到的能见度、跟车距离和车辆实时位置，激活相应的诱导措施。
[0126]
车距判别提醒模块下车载导航诱导指示灯的触发，如下表所示：
[0127][0128]
注：当车载导航指示灯灯色为红色时，语音播报提醒车辆立即减速；当灯色为黄色时，提醒车辆保持当前速度继续前进，注意观察前方情况；当灯色为绿色时，提醒车辆可以继续保持此速度安全行驶。
[0129]
跟车距离由去雾后的图像获得。
[0130]
制动距离表达如下：
[0131][0132]
其中，v0为车辆行驶初始速度(km/h)；t0为驾驶员反应时间(s)，t＝0.75s；为纵向摩阻系数，
[0133]
行车轨迹预测模块利用卡尔曼滤波算法对团雾区段内车辆的运行轨迹进行预测，将团雾区段车辆运行轨迹交叉点视作冲突点，利用5g-v2x和车载导航语音播报对将存在冲突风险的车辆进行预警。
[0134]
车辆位置的卡尔曼滤波算法先验估计表示为：
[0135][0136]
其中，为i时刻的预测值，p
xi
,p
yi
为i时刻车辆水平位置与竖直位置；v
xi
,v
yi
为i时刻车辆水平速度和竖直速度；a
xi
,a
yi
为i时刻车辆水平加速度和竖直加速度；c为状态转移矩阵，u为控制矩阵，p
i-1
为i-1时刻的输入。
[0137]
i时刻预测值的协方差表示为：
[0138][0139]
其中，为预测值的协方差；b为状态变量到观测变量的转换矩阵；x
i-1
为i-1时刻后验估计的协方差；c
t
为状态转移矩阵的转置；w为过程激励噪声的协方差。
[0140]
卡尔曼增益表示为：
[0141][0142]
其中，zi为卡尔曼增益；r为观测噪声协方差。
[0143]
i时刻的最优估计值为：
[0144][0145]
其中，为最优估计值；pi为i时刻的观测值。
[0146]
i时刻的最优估计的协方差表示为：
[0147][0148]
其中，xi为最优估计值协方差；i为单位矩阵。
[0149]
智能诱导模块使用5g-v2x与车载导航语音播报对团雾区段内存在行车冲突风险的车辆发出预警提示：“避免冲突！注意减速”，在路侧使用雾灯作为主动发光诱导装置，使用led屏作为可变信息情报板，使用5g-v2x和车载导航对即将驶入团雾区段的车辆进行提前预警。
[0150]
雾灯安装在护栏上，距地高度1m，每间隔10m设置一座雾灯，具体诱导措施如下：
[0151]
当能见度为1级时，开启雾灯黄色常亮模式，引导车辆前行。在雾区路段前方100m处，可变信息情报板发布“请谨慎驾驶”信息。
[0152]
当能见度为2级时，若路段内无车辆行驶，路侧雾灯开启黄色常亮模式，若路段内有车辆驶过，路侧雾灯开启橙色常亮模式。橙色警示带和黄色诱导带分别长100m。在雾区路段前方100m处，可变信息情报板发布“前方大雾，限速60km/h，请保持车距”信息。
[0153]
当能见度为3级时，若路段内无车辆行驶，路侧雾灯开启黄色常亮模式，若路段内有车辆驶过，路侧雾灯开启红色常亮模式。红色警示带和黄色诱导带分别长50m。在雾区路段前方100m处，可变信息情报板发布“前方大雾，限速40km/h，请保持车距”信息。
[0154]
当能见度为4级时，无车辆驶过时雾灯保持黄色常亮，当检测到有车辆驶过时，雾灯变为红色闪烁，闪烁频率160次/min。在雾区路段前方100m处，可变信息情报板发布“前方大雾，限速20km/h，请从最近出口驶出高速”信息。
[0155]
红色警示带用于警示车辆保持安全距离，黄色诱导带主要用来引导车辆行驶。
[0156]
当数据处理子系统获得的能见度显示某区域产生团雾，则将团雾区域范围实时上传至车载导航终端，当车辆接近团雾区域前，车载导航语音播报提示音：前方即将进入团雾区域，注意开启雾灯，安全驾驶。
[0157]
实施例
[0158]
选取团雾环境下高速公路单向双车道为对象，选用本发明基于数字图像技术的高速公路雾区能见度检测及智慧诱导方法对团雾区域车辆进行诱导。
[0159]
选用高速公路监控摄像头采集图像信息，jc-ws-zn03无线温湿度传感器用于获取相对湿度、空气温度，选用nhr-mt30光照传感器获取光照强度；利用压阻式加速度传感器meas 3801a采集车辆运行加速度，利用去雾后的图像获取车辆位置与速度；通信方式方面，选用5g-v2x实现无线通信。
[0160]
温湿度传感器获取的相对湿度为83％，空气温度为17.8℃，光照强度为218lx，通过图像与环境特征得到能见度值为280m，由去雾图像得到的车距为150m，车辆速度为100km/h，计算制动距离为：
[0161][0162]
能见度＞跟车距离＞制动距离，诱导指示灯开启绿灯闪烁，语音播报：“保持此速度安全行驶”，路侧雾灯开启黄色常亮模式，团雾区段前100m处的可变信息情报板发布“请谨慎驾驶”信息。
[0163]
利用卡尔曼滤波算法对团雾区段内车辆运行轨迹进行预测，将运行轨迹的交叉点视作冲突点，利用5g-v2x与车载导航语音播报对即将存在冲突风险的车辆进行预警：“避免冲突！注意减速”。
[0164]
上述内容仅为本发明较佳实施例，并非限制本发明的实施与应用，本领域技术人员可根据实际需求做出变通，故本发明保护范围以权利要求书保护范围为准。

技术特征：
1.一种高速公路雾区能见度检测与智慧诱导方法，其特征在于，包括如下步骤：步骤一、采集图像信息、车辆运行信息和同步气象信息数据；步骤二、对采集的数据进行处理；步骤三、进行车辆能见度检测：步骤四、对车辆进行轨迹识别与智慧诱导。2.根据权利要求1所述的高速公路雾区能见度检测与智慧诱导方法，其特征在于，步骤二中，对采集的数据进行处理方式如下：利用暗通道先验算法对接收到的视频图像进行标签化处理，对能见度值进行分类；基于ssr理论的暗通道先验算法中的透射率公式为：暗通道先验算法常规透射率为：其中，f-1
表示进行傅里叶逆变换；x,y代表空间位置；r，g，b分别为三个颜色通道；i
c
为输入的有雾图像；a
c
为大气光成分；ω为雾的保留系数，取0.95；采用透射率取值为：其中，t(x)为采用透射率；β1,β2为加权系数，满足β1+β2＝1；大气消光系数公式为：其中，σ(x)为大气消光系数；d-1
(x)表示图像景深的倒数；去雾后的图像表达式为：其中，j
c
(x)为去雾后的图像；参数t0＝0.1；暗通道先验算法的能见度公式为：其中，v
mvd
为能见度。
3.根据权利要求1所述的高速公路雾区能见度检测与智慧诱导方法，其特征在于，步骤三中，能见度检测方式如下：输入带标签的图像和环境数据，使用cnn卷积神经网络和lstm长短期记忆网络分别提取图像与环境数据特征，利用张量融合方法将多种深度学习模型提取出的特征进行融合，形成新的融合特征；基于张量融合方法进行特征融合，公式如下所示：其中，z表示结果输出，v表示不同的模态，表示外积算子；选择softmax分类器进行分类，得到分类结果；其中，softmax函数σ的表达式如下式所示：z＝(z1,
…
,z
k
)∈r
k
是softmax的中间输出，softmax将选择概率最大的输出节点作为输入数据的分类结果。4.根据权利要求1所述的高速公路雾区能见度检测与智慧诱导方法，其特征在于，步骤四中，行车轨迹预测模块利用卡尔曼滤波算法对团雾区段内车辆的运行轨迹进行预测，将团雾区段车辆运行轨迹交叉点视作冲突点，利用语音播报对将存在冲突风险的车辆进行预警；卡尔曼滤波轨迹预测的先验估计表示为：其中，为i时刻的预测值，p
xi
,p
yi
为i时刻车辆水平位置与竖直位置；v
xi
,v
yi
为i时刻车辆水平速度和竖直速度；a
xi
,a
yi
为i时刻车辆水平加速度和竖直加速度；c为状态转移矩阵，u为控制矩阵，p
i-1
为i-1时刻的输入；i时刻预测值的协方差表示为：
其中，为预测值的协方差；b为状态变量到观测变量的转换矩阵；x
i-1
为i-1时刻后验估计的协方差；c
t
为状态转移矩阵的转置；w为过程激励噪声的协方差卡尔曼增益表示为：其中，z
i
为卡尔曼增益；r为观测噪声协方差；i时刻的最优估计值为：其中，为最优估计值；p
i
为i时刻的观测值；i时刻的最优估计的协方差表示为：其中，x
i
为最优估计值协方差；i为单位矩阵。5.一种根据权利要求1至4任一项所述的高速公路雾区能见度检测与智慧诱导系统，其特征在于，包括信息采集子系统、数据处理子系统、车辆轨迹识别与智慧诱导子系统。6.根据权利要求5所述的高速公路雾区能见度检测与智慧诱导系统，其特征在于，信息采集子系统包括图像采集模块、气象监测模块、车辆运行信息采集模块和无线发射器；数据处理子系统包括无线接收器、数据处理模块、能见度检测模块和无线发射器；车辆轨迹识别与智慧诱导子系统包括无线接收器、车距判别提醒模块、行车轨迹预测模块和智能诱导模块。7.一种高速公路雾区能见度检测与智慧诱导装置，设置有权利要求6所述的高速公路雾区能见度检测与智慧诱导系统。8.根据权利要求7所述的高速公路雾区能见度检测与智慧诱导装置，其特征在于，所述装置设有雾灯，当能见度为1级时，开启雾灯黄色常亮模式，引导车辆前行；在雾区路段前方发布提示信息；当能见度为2级时，若路段内无车辆行驶，路侧雾灯开启黄色常亮模式，若路段内有车辆驶过，路侧雾灯开启橙色常亮模式；在雾区路段前方发布提示信息；当能见度为3级时，若路段内无车辆行驶，路侧雾灯开启黄色常亮模式，若路段内有车辆驶过，路侧雾灯开启红色常亮模式；在雾区路段前方发布提示信息；当能见度为4级时，无车辆驶过时雾灯保持黄色常亮，当检测到有车辆驶过时，雾灯变为红色闪烁，在雾区路段前方发布提示信息。9.根据权利要求7所述的高速公路雾区能见度检测与智慧诱导装置，其特征在于，红色警示带用于警示车辆保持安全距离，黄色诱导带用来引导车辆行驶。

技术总结
本发明涉及一种高速公路雾区能见度检测与智慧诱导方法，包括如下步骤：步骤一、采集图像信息、车辆运行信息和同步气象信息数据；步骤二、对采集的数据进行处理；步骤三、进行车辆能见度检测：步骤四、对车辆进行轨迹识别与智慧诱导。本发明利用现有高速公路实时监测系统获取能见度信息，无需架设其他监测硬件设备，大大提高了高速公路的通行效率与安全性。大大提高了高速公路的通行效率与安全性。大大提高了高速公路的通行效率与安全性。


技术研发人员：马艳丽 郭蓥蓥
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.03.28
技术公布日：2023/9/23