一种绝缘子污闪异常声纹识别预警方法与流程

1.本发明涉及电力系统监控技术领域，特别涉及一种绝缘子污闪异常声纹识别预警方法。


背景技术：

2.绝缘子是一种特殊的绝缘控件，能够在架空输电线路中起到重要作用。早年间绝缘子多用于电线杆，慢慢发展于高型高压电线连接塔的一端挂了很多盘状的绝缘体，它是为了增加爬电距离的，通常由玻璃或陶瓷制成。
3.绝缘子污闪异常指的是绝缘子表面出现爬电或爬弧现象。绝缘子爬电是指导体周围的绝缘材料被电极化，导致绝缘材料呈现带电现象的带电区，爬电是因为积聚在线路绝缘子表面上的具有导电性能的污秽物质，如灰尘、油污等，在潮湿天气受潮后，在绝缘子表面形成放电现象，一般情况下会造成漏电。当泄露电流增大到一定值时，会造成表面击穿放电，此种情况被称为爬弧。绝缘子爬电是一种经常性发生的现象，如果只是出现间断性轻微爬电，则不需要进行特殊处理，但如果出现连续集中的爬电现象，且爬电超过一定时间，甚至出现爬弧时，容易导致高压线路短路，造成大面积区域性停电，还有可能因火花掉落造成山火等严重事故的发生。
4.目前绝缘子污闪现象的监测有目测观察、无人机巡检、望远镜观察、摄像头拍摄或停电时检测绝缘电阻等，这些方法要么不够精确，要么工作量极大或实施难度极大，亦或者需要停电进行监测，常常是检测出来已经是击穿报废状态。同时，采用上述方法进行监测时，只能通过人为进行判断绝缘子是否出现爬电或爬弧等异常，判断准确率低，工作量极大。


技术实现要素：

5.针对背景技术中所存在的技术问题，本发明的目的在于提供一种绝缘子污闪异常声纹识别预警方法，通过采集高压电塔塔头位置发出的声音，并通过算法对音频进行训练及分类，还能够及时地进行异常报警信息推送，判断准确率高，大大减轻了监测人员的工作量。
6.为了实现上述目的，本发明采用的技术方案如下：
7.一种绝缘子污闪异常声纹识别预警方法，其特征在于，包括如下步骤：
8.s1、声音采集处理，通过拾音装置采集高压电塔塔头上发出的声音，并利用算法对拾取的音频进行预处理以及分帧和加窗处理，然后进行短时傅里叶变换得到其频谱，通过求频谱平方得到能量谱，将每个滤波频带内的能量进行叠加得到功率谱；
9.s2、将功率谱形成的语谱图通过mel滤波器组得到mel spectrogram音频特征值，将功率谱通过一组mel尺度的三角形滤波器组得到梅尔语谱图；
10.s3、将音频数据根据已知类型进行标注分类训练，机器学习的时候，每一个音频段用对应的mel-spectogram表示，每一帧对应的某个频段为一个feature，并利用算法的训练
功能对音频进行重复训练，得出包含不同声音音频模型的最优音频模型，采用最优音频模型对音频提取特征值进行分类打分评估，并设置阈值，阈值范围为0～1；
11.s4、输入采集音频，通过预测函数获取采集音频的特征数据，使用这个特征数据求对角余弦值，最终得到采集音频的阈值，将采集音频的阈值与最优音频模型的阈值进行相识度对比，应用评分系统表示阈值临近程度，评分系统根据采集音频与最优音频模型的阈值比较结果确定是否报警，以及是否推送信息至工作人员客户端。
12.进一步地，所述步骤s3中，最优音频模型内包含爬弧音频模型、爬电音频模型和其他噪音音频模型。
13.进一步地，所述步骤s3中，对不同声音识别归类建模的方法包括如下步骤：
14.p1、通过算法判断音频的频率是否有超过7khz，若未超过7khz，则将音频识别归类为其他噪音音频模型，若超过7khz，则进行步骤p2；
15.p2、利用频谱分析图分析音频能量，若频谱分析图出现6.5khz-8.5khz范围内连续集中稳定的共振峰，经比对最优音频模型后，将有该特征的音频识别归类为爬电音频模型，否则识别归类为其他噪音音频模型；
16.p3、当音频被识别归类为爬电音频模型时，再次判断出现连续集中稳定共振峰的范围内是否出现高频音强局部突增，若出现65db以上的高频音强局部突增，且持续时间大于第一时间阈值，经比对最优音频模型后，将有该特征的音频识别归类为疑似爬弧音频模型，否则识别归类为爬电音频模型；
17.p4、当音频被识别归类为疑似爬弧音频模型时，则推送提示报警信息，通过回传对应音频进行二次人工识别确认。
18.优选地，所述的第一时间阈值为0.5s。
19.进一步地，所述步骤s4中，当采集音频的阈值触发最优音频模型的爬弧阈值，且相识度超过设定百分比时，评分系统立刻进行爬弧报警并推送信息至工作人员客户端；当采集音频的阈值触发最优音频模型的爬电阈值，且相识度超过设定百分比时，首先对采集音频进行持续分析，若持续触发时间超过第二时间阈值，评分系统进行爬电报警并推送信息至工作人员客户端；当间断触发最优音频模型的爬电阈值时则不进行报警但会进行信息推送。
20.优选地，所述的第二时间阈值为5min。
21.优选地，所述相识度的设定百分比为70％。
22.优选地，为了避免报警过于频繁，当评分系统进行爬电报警并推送信息至工作人员客户端后，从每次报警时间起开始计算，30min内不再报警但会进行信息推送。
23.优选地，为了进一步保证训练的准确性，所述步骤s3中，对分类音频进行重复训练的周期不少于30次。
24.优选地，为了能够更准确且更完全地采集到高清高频声音，所述拾音装置的采样率大于或等于16khz，量化位数大于或等于16位。
25.本发明具有如下有益效果：本发明的识别预警方法能够替代现有的监测方法，通过声纹识别的方式准确地监测出绝缘子是否出现爬弧或爬电异常，以及判断分析爬电的严重程度，并能够及时地进行异常报警信息推送，准确率高，实用性高，成本低，效率高，大大减轻了输电检修人员的工作量，效益高，适于推广使用。
附图说明
26.图1为风声音频的语谱图。
27.图2为鸣笛声音频的语谱图。
28.图3为虫鸣鸟叫声音频的语谱图。
29.图4为虫鸣鸟叫声音频的频谱分析图。
30.图5为有爬电无爬弧时的语谱图。
31.图6为有爬电无爬弧时的频谱分析图。
32.图7为出现爬弧现象时的语谱图。
33.图8为出现爬弧现象时的频谱分析图。
34.图9为出现爬弧现象时的音强图。
具体实施方式
35.下面结合附图和具体实施方式，对本发明做进一步说明。
36.绝缘子都是安装于高型高压电线连接塔上，又由于绝大多数高型高压电线连接塔都是安装于山林中或是人烟极其稀少的地方，所以采用拾音装置采集绝缘子发出的声音时，环境中存在的干扰声音主要可分为三种类型：风声、鸣笛声(公路附近的高压电塔)以及虫鸣鸟叫声。
37.如图1所示为风声音频的语谱图，从图中可以看出，风声与爬电声从频率上分析差别明显，正常情况下风声频率主要集中于2k以下，但是恶劣天气会对风声的频率产生影响，可能存在较高的声音强度，但音色较为沉闷，而爬电声声音更尖锐，高频段部分存在一定的波动。所以在采集时先可以通过物理结构对风噪进行初步过滤，再通过后期算法学习，对风噪进行二次筛选。
38.如图2所示为鸣笛声音频的语谱图，从图中可以看出，鸣笛声的干扰主要集中于5khz以下的中低频，特殊情况下，例如一些大货车的鸣笛声频率可能会出现超过7khz的情况，这种情况可通过算法进行二次筛选判断。
39.如图3所示为虫鸣鸟叫声的语谱图，从图中可以看出，虫鸣鸟叫音频特殊，鸟叫的声音频率为4-8k，与爬电的高频有部分重合，所以除了通过频率鉴别，还需要通过能量进行二次甄别。如图4所示为虫鸣鸟叫声的频谱分析图，从图中可以看出，虫鸣鸟叫声的频率虽然有超过7khz，但是并没有出现连续集中稳定的共振峰，所以采用能量进行二次甄别，可以彻底区分虫鸣鸟叫声和爬电声。
40.从图1-4中以及上述分析中可以得出结论：环境音频中，除虫鸣鸟叫音频外，其余音频都集中于7k以下的中低频。
41.本发明以绝缘子为例进行说明，但本发明的方法还可以适用于电力系统中的其他绝缘控件。
42.本发明公开了一种绝缘子污闪异常声纹识别预警方法，具体包括如下步骤：
43.声音采集处理，通过拾音装置采集高压电塔塔头上发出的声音，并利用算法对拾取的音频进行预处理以及分帧和加窗处理，然后进行短时傅里叶变换得到其频谱，通过求频谱平方得到能量谱，将每个滤波频带内的能量进行叠加得到功率谱。将功率谱形成的语谱图通过mel滤波器组得到mel spectrogram音频特征值，将功率谱通过一组mel尺度的三
角形滤波器组得到梅尔语谱图。通常情况下，输入拾取的音频个数超过5000个，以确保最终数据模型的准确性。
44.机器学习的第一步都是要提取出相应的特征(feature)，在音频信号处理时，我们需要将信号转换成对应的语谱图(spectrogram)，将语谱图上的数据作为信号的特征。语谱图的横轴x为时间，纵轴y为频率，(x,y)对应的数值代表在时间x时频率y的幅值。
45.通常的语谱图其频率是线性分布的，但是人耳对频率的感受是对数的(logarithmic)，即对低频段的变化敏感，对高频段的变化迟钝。
46.研究表明，人类对频率的感知并不是线性的，并且对低频信号的感知要比高频信号敏感。例如，人们可以比较容易地发现500和1000hz的区别，确很难发现7500和8000hz的区别。这时，梅尔标度(the mel scale)被提出，它是hz的非线性变换，对于以mel scale为单位的信号，可以做到人们对于相同频率差别的信号的感知能力几乎相同。
47.所以线性分布的语谱图显然在特征提取上会出现“特征不够有用的情况”，因此梅尔语谱图应运而生。梅尔语谱图的纵轴频率和原频率经过如下公式互换：
[0048][0049]
f＝700(10
m/2595-1)
[0050]
而梅尔倒频系数(mfccs)是在得到梅尔语谱图之后进行余弦变换(dct,一种类似于傅里叶变换的线性变换)，然后取其中一部分系数即可。
[0051]
梅尔语谱图的具体获取步骤如下：
[0052]
(1)获取音频信号
[0053]
python可以用librosa库来读取音频文件，只能读取wav音频文件格式。
[0054]
(2)信号预加重(pre-emphasis)
[0055]
通常来讲语音/音频信号的高频分量强度较小，低频分量强度较大，信号预加重就是让信号通过一个高通滤波器，让信号的高低频分量的强度不至于相差太多。
[0056]
(3)分帧(framing)
[0057]
把原信号按时间分成若干个小块，一块就叫一帧(frame)。信号覆盖的时间太长，用它整个来做fft，我们只能得到信号频率和强度的关系，而失去了时间信息。我们想要得到频率随时间变化的关系，所以将原信号分成若干帧，对每一帧作fft(又称为短时fft，因为我们只取了一小段时间)，然后将得到的结果按照时间顺序拼接起来。这就是语谱图(spectrogram)的原理。
[0058]
frames变量，其每一行对应每一帧；
[0059]
frame_size:每一帧的长度，通常取20-40ms，太长使时间上的分辨率(time resolution)较小，太小加重运算成本；
[0060]
frame_length:每一帧对应的sample数量；
[0061]
frame_stride:相邻两帧的间隔，通常间隔必须小于每一帧的长度，即两帧之间要有重叠，以防丢失边界信息；
[0062]
frame_step:相邻两帧的sample数量；
[0063]
frame_num:整个信号所需要的帧数，补0(zero padding)让信号的长度正好能分
成整数帧；
[0064]
(4)加窗(window)
[0065]
分帧完毕之后，对每一帧加一个窗函数，以获得较好的旁瓣下降幅度。通常使用hamming window frames和hamming window直接相乘即可，注意这里不是矩阵乘法。
[0066]
(在分帧的这个过程中也相当于给信号加了矩形窗，矩形窗的频谱有很大的旁瓣，时域中将窗函数和原函数相乘，相当于频域的卷积，矩形窗函数和原函数卷积之后，由于旁瓣很大，会造成原信号和加窗之后的对应部分的频谱相差很大，这就是频谱泄露。hamming window有较小的旁瓣，造成的spectral leakage也就较小)。
[0067]
(5)获取功率谱
[0068]
frames变量，其每一行对应每一帧，分别对每一行做fft，将得到的fft变换取其magnitude，并进行平方再除以对应的fft点数，即可得到功率谱。
[0069]
(6)梅尔滤波器组(mel-filter banks)
[0070]
最后一步是将梅尔滤波器运用到上一步得到的pow_frames上。
[0071]
所谓梅尔滤波器组是一个等高的三角滤波器组，每个滤波器的起始点在上一个滤波器的中点处。其对应的频率在梅尔尺度上是线性的，因此称之为梅尔滤波器组。每个滤波器对应的频率可以将最大频率用上面提到的公式转换成梅尔频率，在梅尔尺度上线性分成若干个频段，再转换回实际频率尺度即可。
[0072]
实际操作时，将每个滤波器分别和功率谱pow_frames进行点乘，获得的结果即为该频带上的能量(energy)。
[0073]
mel-spectrogram，结果是一个矩阵，每一行是一帧，每一列代表对应的梅尔频带的能量。
[0074]
(7)mel-spectogram feature
[0075]
机器学习的时候，每一个音频段可用对应的mel-spectogram表示，每一帧对应的某个频段即为一个feature。
[0076]
实际操作中，每个音频要采用同样的长度，feature数量才是相同的。通常还要进行归一化，即每一帧的每个元素要减去该帧的平均值，以保证每一帧的均值均为0。
[0077]
生成mel语谱图公式如下：
[0078][0079]
其中：|x
t
(k)|2是功率谱，k是频率分量的下标；hm(k)为各个滤波器对应的频率响应；
[0080][0081]
其中，m代表滤波器的序号，f(m-1)和f(m)、f(m+1)分别对应第m个滤波器的起始点、中间点和结束点；y
t
(m)为信号频谱形状。
[0082]
拾音装置安装时，通常安装于高压电塔的中部位置，尽可能地使得拾音装置到每个绝缘子的距离相等，每个高压电塔只需要安装一个拾音装置即可，安装成本低。为了能够更准确且更完全地采集到高清高频声音，所述拾音装置的采样率大于或等于16khz，量化位数大于或等于16位。
[0083]
将音频数据根据已知类型进行标注分类训练，机器学习的时候，每一个音频段用对应的mel-spectogram表示，每一帧对应的某个频段为一个feature，将音频分为爬弧音频、爬电音频和无爬电音频，并利用算法的训练功能对音频进行不少于30次的重复训练，得出包含不同声音音频模型的最优音频模型，最优音频模型内包含爬弧音频模型、爬电音频模型和其他噪音音频模型，采用最优音频模型对音频提取特征值进行分类打分评估，并设置阈值，阈值范围为0～1，对不同声音识别归类建模的方法包括如下步骤：
[0084]
通过算法判断音频的频率是否有超过7khz，若未超过7khz，则将音频识别归类为其他噪音音频模型，因为环境声中，除虫鸣鸟叫声外，其余音频的频率无法超过7khz，而爬电特征更集中表现在7k以上的中高频，所以选择使用频率来初步诊断区分爬电。
[0085]
若判断出音频的频率超过7khz，则利用频谱分析图分析音频能量，若频谱分析图出现6.5khz-8.5khz范围内连续集中稳定的共振峰，经比对最优音频模型后，将有该特征的音频识别归类为爬电音频模型，如图5、图6所示，否则识别归类为其他噪音音频模型；由于环境声中的虫鸣鸟叫声的频率在某些特殊时候会超过7khz，所以采用此步骤对音频进行二次分析，彻底排除虫鸣鸟叫声对算法判断的干扰。
[0086]
当音频被识别归类为爬电音频模型时，再次判断出现连续集中稳定共振峰的范围内是否出现高频音强局部突增，若出现65db以上的高频音强局部突增，且持续时间大于0.5s，经比对最优音频模型后，将有该特征的音频识别归类为疑似爬弧音频模型，如图7-9所示，否则识别归类为爬电音频模型。因为出现爬弧的前提是出现爬电，在无爬电状态下不会出现爬弧现象，所以通过此步骤判断在出现爬电时是否有出现疑似爬弧现象。
[0087]
环境中的一些声音，例如闪电声、极少数虫鸣鸟叫声以及一些特殊车辆的鸣笛声，因为这些声音也有可能在爬电时出现，可能会对算法判断爬弧造成一定的干扰，所以，当音频被识别归类为疑似爬弧音频模型时，则推送提示报警信息，通过回传对应音频进行二次人工识别确认，以确保爬弧音频模型的准确性。
[0088]
由于爬电是一种经常性发生的现象，如果只是出现间断性轻微爬电，则不需要进行特殊处理。但如果出现连续集中的爬电现象，且爬电超过一定时间，就需要将预警信息推送给工作人员客户端，提醒工作人员持续关注，但这种情况也不一定要进行特殊紧急处理。但如果出现爬弧时，容易导致高压线路短路，造成大面积区域性停电，还有可能因火花掉落造成山火等严重事故的发生。所以需要对爬电和爬弧进行区分，如果出现爬弧时，需要将报警信息推送给工作人员客户端，提醒工作人员马上关注，必要时进行停电检修等紧急特殊处理。
[0089]
输入采集音频(通过拾音装置连续不断地采集)，通过预测函数获取采集音频的特征数据，使用这个特征数据求对角余弦值，最终得到采集音频的阈值，将采集音频的阈值与最优音频模型的阈值进行相识度对比。应用评分系统表示阈值临近程度，评分系统根据采集音频与最优音频模型的阈值比较结果确定是否报警，以及是否推送信息至工作人员客户端。当采集音频的阈值触发最优音频模型的爬弧阈值，且相识度超过70％时，评分系统立刻进行爬弧报警并推送信息至工作人员客户端；当采集音频的阈值触发最优音频模型的爬电阈值，且相识度超过70％时，首先对采集音频进行持续分析，若持续触发时间超过5min，评分系统进行爬电报警并推送信息至工作人员客户端；当间断触发最优音频模型的爬电阈值时则不进行报警但会进行信息推送。为了避免报警过于频繁，当评分系统进行爬电报警并推送信息至工作人员客户端后，从每次报警时间起开始计算，30min内不再报警但会进行信息推送，30min后如果出现爬电会再次报警，同样在报警后的30min内不再报警，以此类推。
[0090]
为了进一步验证本发明方法的准确率，输入15个疑似爬弧音频，其中，12个为爬弧音频，3个为带闪电声、虫鸣鸟叫声以及特殊车辆鸣笛声的干扰音频，通过本发明的算法，最终判断出疑似爬弧音频15个，准确率100％，再次通过人工筛选，筛选确定出爬弧音频12个，爬电音频3个，准确率为100％；输入爬电音频(无爬弧)35个，通过本发明的算法，最终判断出爬电音频33个，准确率为94％；输入噪音音频50个，通过本发明的算法，最终判断出噪音音频48个，准确率96％。
[0091]
综上，采用本发明的算法，准确率能达到90％，甚至94％以上，准确率高，但是由于自然界声音种类复杂，甚至还有一些没有探索到的声音，所以难免会出现小概率不准确的情况，即便如此，通过本发明的算法代替人工巡检或判断，已经是大大提高了效率，实用性高，成本低，大大减轻了输电检修人员的工作量，适于推广使用。
[0092]
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上对本发明做出各种变化，均为本发明的保护范围。

技术特征：
1.一种绝缘子污闪异常声纹识别预警方法，其特征在于，包括如下步骤：s1、声音采集处理，通过拾音装置采集高压电塔塔头上发出的声音，并利用算法对拾取的音频进行预处理以及分帧和加窗处理，然后进行短时傅里叶变换得到其频谱，通过求频谱平方得到能量谱，将每个滤波频带内的能量进行叠加得到功率谱；s2、将功率谱形成的语谱图通过mel滤波器组得到mel spectrogram音频特征值，将功率谱通过一组mel尺度的三角形滤波器组得到梅尔语谱图；s3、将音频数据根据已知类型进行标注分类训练，机器学习的时候，每一个音频段用对应的mel-spectogram表示，每一帧对应的某个频段为一个feature，并利用算法的训练功能对音频进行重复训练，得出包含不同声音音频模型的最优音频模型，采用最优音频模型对音频提取特征值进行分类打分评估，并设置阈值，阈值范围为0～1；s4、输入采集音频，通过预测函数获取采集音频的特征数据，使用这个特征数据求对角余弦值，最终得到采集音频的阈值，将采集音频的阈值与最优音频模型的阈值进行相识度对比，应用评分系统表示阈值临近程度，评分系统根据采集音频与最优音频模型的阈值比较结果确定是否报警，以及是否推送信息至工作人员客户端。2.如权利要求1所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述步骤s3中，最优音频模型内包含爬弧音频模型、爬电音频模型和其他噪音音频模型。3.如权利要求2所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于，所述步骤s3中，对不同声音识别归类建模的方法包括如下步骤：p1、通过算法判断音频的频率是否有超过7khz，若未超过7khz，则将音频识别归类为其他噪音音频模型，若超过7khz，则进行步骤p2；p2、利用频谱分析图分析音频能量，若频谱分析图出现6.5khz-8.5khz范围内连续集中稳定的共振峰，经比对最优音频模型后，将有该特征的音频识别归类为爬电音频模型，否则识别归类为其他噪音音频模型；p3、当音频被识别归类为爬电音频模型时，再次判断出现连续集中稳定共振峰的范围内是否出现高频音强局部突增，若出现65db以上的高频音强局部突增，且持续时间大于第一时间阈值，经比对最优音频模型后，将有该特征的音频识别归类为疑似爬弧音频模型，否则识别归类为爬电音频模型；p4、当音频被识别归类为疑似爬弧音频模型时，则推送提示报警信息，通过回传对应音频进行二次人工识别确认。4.如权利要求3所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述的第一时间阈值为0.5s。5.如权利要求3所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述步骤s4中，当采集音频的阈值触发最优音频模型的爬弧阈值，且相识度超过设定百分比时，评分系统立刻进行爬弧报警并推送信息至工作人员客户端；当采集音频的阈值触发最优音频模型的爬电阈值，且相识度超过设定百分比时，首先对采集音频进行持续分析，若持续触发时间超过第二时间阈值，评分系统进行爬电报警并推送信息至工作人员客户端；当间断触发最优音频模型的爬电阈值时则不进行报警但会进行信息推送。6.如权利要求5所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述的第二时间阈值为5min。
7.如权利要求5所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述相识度的设定百分比为70％。8.如权利要求5所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：当评分系统进行爬电报警并推送信息至工作人员客户端后，从每次报警时间起开始计算，30min内不再报警但会进行信息推送。9.如权利要求1所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述步骤s3中，对分类音频进行重复训练的周期不少于30次。10.如权利要求1所述的一种绝缘子污闪异常声纹识别预警方法，其特征在于：所述拾音装置的采样率大于或等于16khz，量化位数大于或等于16位。

技术总结
本发明公开了一种绝缘子污闪异常声纹识别预警方法，包括如下步骤：声音采集处理，通过拾音装置采集高压电塔塔头上发出的声音，并利用算法对拾取的音频进行处理得到功率谱；将功率谱转化处理得到梅尔语谱图；将音频数据根据已知类型进行标注分类训练，并利用算法的训练功能对音频进行重复训练，得出包含不同声音音频模型的最优音频模型，采用最优音频模型对音频提取特征值进行分类打分评估，并设置阈值；输入采集音频，计算得到采集音频阈值，将采集音频阈值与最优音频模型阈值进行相识度对比，应用评分系统表示阈值临近程度，评分系统根据采集音频与最优音频模型阈值比较结果确定是否报警或信息推送。本发明的方法识别准确率高，成本低，效率高。效率高。


技术研发人员：李诗平 郑伙鑫 杨春林
受保护的技术使用者：厦门声百思信息科技有限公司
技术研发日：2023.06.15
技术公布日：2023/8/24