一种基于多数据融合自标定的监控区域划分方法与流程

1.本发明涉及监控区域划分技术领域，尤其涉及一种基于多数据融合自标定的监控区域划分方法。


背景技术：

2.对于各类物资仓库等场所，监控区域自动划分等问题仍至关重要。在传统的监控系统中，监控区域的划分通常是手动进行设置或依赖预定义的规则，缺乏有效的手段对于监控区域划分进行高效管理和检测。
3.目前的仓库监控技术仅仅依赖于监控枪机的画面划分区域，然而监控区域的设置需要依赖人工进行，需要专业知识和经验，并且难以适应场景的变化和需求的变化。例如，一种在中国专利文献上公开的“一种仓库的监控系统”，其公告号cn204406254u，仓库被划分若干区域，各区域内设有用于检测温度的温度传感器、用于检测湿度的湿度传感器、用于检测烟雾的烟雾传感器、用于检测仓库内动态的视频设备以及光线传感器，温度传感器、湿度传感器、烟雾传感器、视频设备以及光线传感器依次连接信号比较单元以及中央处理器，中央处理器用于接收检测的数据并控制温控装置、烘干装置、通风装置以及报警器的启闭。该方案的监控区域的设置需要依赖人工进行，需要专业知识和经验，难以适应场景的变化和需求的变化。对于仓库监控区域划分，仅依赖于监控摄像头不能达到理想效果；预定义的规则可能受限于特定场景，无法适应不同环境和监控目标的变化。甚至可能出现划分区域重合等问题。
4.相对于监控摄像头划分区域管控，融合激光雷达可不受外部光照因素等影响，并且能够获监控区域的三维空间信息。但激光雷达不能够扫描出物体的具体纹理、颜色、类别等信息，缺乏捕捉具体信息的能力。当基于监控摄像头进行区域自动划分导致划分区域重合的问题，仅依赖于相机不能解决判断划分区域是否出现重合的问题。
5.基于多源数据融合的监控区域自动划分方法需要对相机和激光雷达进行手动外参标定，摆放特定物体获取角点坐标进行标定，仍然依赖于人工干预。并且通过多个预置位转动进行三维场景重建得到整个仓库过道下的点云拼接图，然而，多个预置位之间仍需要外参标定，通过摆放特定特征物体重合区域进行标定，费时费力。


技术实现要素：

6.本发明主要解决传统监控系统中，监控区域的划分通常需要手动设置或者依赖预定义的规则，不够灵活且需要人工干预的问题；提供一种基于多数据融合自标定的监控区域划分方法，通过融合多种数据源和自标定技术，实现智能、自适应的监控区域划分。
7.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于多数据融合自标定的监控区域划分方法，包括以下步骤：对于不同预置位，通过相机与激光雷达同时间步地采集图像和点云；每个预置采集的图像通过手动划取一块区域，通过h矩阵将图像上的区域转换到
设定的设备坐标系下；在每个预置位下采集的图像和点云通过多源数据融合自标定配准得到两两之间的旋转平移矩阵；通过计算出的旋转平移矩阵获得不同预置位之间点云拼接；将拼接后的点云转换到设备坐标系下，在拼接后的点云展示出划分不同的区域。
8.通过相机与激光雷达同时间步的采集一张图像和一帧点云，对不同预置位下的采集的图像进行自标定获取旋转平移矩阵，从而进行不同预置位下的点云进行拼接达到三维重建的效果。每个位置采集的图像通过手动划取一块区域，通过h矩阵将图像上的区域转换到设定的设备坐标系下，不同位置下所划分的区域分别赋予不同颜色展示。在每个预置位下采集的图像和点云通过图像自标定方法得到两两之间的旋转平移矩阵，因此，不同预置位之间点云拼接可通过计算出的旋转平移矩阵得到。将拼接后的点云转换到设备坐标系下，即能够在拼接后的点云展示出划分不同的区域。通过融合多种数据源和自标定技术，实现智能、自适应的监控区域划分，不需要手动设置或者依赖预定义的规则。
9.作为优选，将图像上的区域转换到设定的设备坐标系下的关系表达为：其中，(u，v)为像素坐标系；(xe，ye，ze)
t
为设备坐标系；h
ij
表示为h矩阵中第i行第j列的系数。
10.设备坐标系通常以设备为原点，并且与设备的物理结构和坐标轴方向相关联。在设备坐标系中，可以通过h矩阵进行设备坐标系与像素坐标系之间的转换。h矩阵是一个3x3的变换矩阵，它描述了设备坐标系中的三维点与像素坐标系中的二维点之间的映射关系。通过h矩阵的逆矩阵，可以将像素坐标系中的点转换到设备坐标系下，可以得到设备坐标系下的三位特征信息。
11.作为优选，雷达坐标系与设备坐标系之间的转化由以下公式表示：其中，(xe，ye，ze)
t
为设备坐标系；(x
l
，y
l
，z
l
)
t
为雷达坐标系；r
t
为旋转矩阵；t为平移矩阵。
12.激光雷达坐标系同时需要通过矩阵转换到定义的设备坐标系下，将激光雷达坐标系和像素坐标系统一到设备坐标系下。
13.作为优选，多源数据融合自标定配准过程为：通过改进后的kpconv网络模型的点云匹配算法在两个连续点云序列之间提取匹配对应特征；通过基于鲸鱼优化算法结合ransac算法实现点云初始配准，并将得到的变换矩阵
作为后续点云精确配准算法的初始估计；使用icp配准方法将不同激光雷达采集到的点云数据进行精配准，来确定不同位置的位姿信息；相机与激光雷达多源数据联合划分区域。
14.多源数据融合自标定配准通过融合来自不同传感器或数据源的信息，并在融合的过程中进行自标定配准，以获得准确、一致和综合的数据表示。
15.作为优选，所述的改进后的kpconv网络模型的点云匹配算法为在kpconv匹配算法中引入pam注意力机制，通过计算相似度矩阵和注意力权重来捕捉点云中点之间的关系，并利用注意力权重对点的特征进行加权聚合。
16.该方案使得重要的点在特征表示中得到更多的关注，从而提高特征的表达能力和判别性。以捕获点云数据的全局和局部特征。
17.作为优选，点云初始配准的过程为：a1.设置迭代次数t＝1，设置总迭代次数和最大迭代次数；a2.计算适合度值，确定最优个体和适应度f(t)；a3.计算参数a，|a|是否小于1，若是，则使用螺旋方法搜索封闭种群，否则，改变搜索方法；a4.再次确定最优个体和适应度；判断f(t+1)≤f(t)是否成立；若是，则迭代次数+1，否则返回步骤a2；a5.判断迭代次数t是否达到设定的迭代次数最大值；若是，则结束，否则返回步骤a2。
18.点云配准是将多个点云数据集对齐以实现它们之间的空间一致性的过程。将不同位置、角度或时间采集的点云数据对齐，以获得全局一致的三维场景表示，并且找到两个或者多个点云之间的变换关系。
19.作为优选，适应度函数f(t)为：其中，h(l)是huber惩罚函数；m
l
是预设置阈值；l是第i组对应点变换后的距离差。
20.作为优选，在找到不同点云之间的特征点对后，构建两组对应的点集：p＝{p1，p2，...，pn}q＝{q1，q2，...，qn}在没有误差的情况下，从p坐标系转换到q坐标系下的公式为：qi＝r
t
pi+t其中，r
t
是转换坐标系的旋转矩阵，t为平移向量。
21.在经过不同点云之间特征匹配后，为了进一步确定不同点云之间位姿关系，将不同激光雷达采集到的点云数据进行配准。
22.作为优选，分别在待匹配的目标点云p和源点云q中，按照一定的约束条件，找到最
邻近点(pi，qi)，然后计算出最优匹配参数r
t
和t，使得误差函数最小：其中，n为最邻近点对的个数；pi为目标点云p中的一点；qi为源点云q中与pi对应的最近点。
23.在ransac实现点云粗配准的过程中，适当的样本子集可以提高配准效率，而距离误差决定了配准精度。
24.作为优选，对pi使用进行旋转和平移变换，得到新的对应点集{p
′i＝r
t
pi+t，p
′i∈p}；计算出p
′i与对应点集qi的平均距离，如果距离d小于给定的阈值或者大于预设的最大迭代次数，则停止迭代计算。
25.本发明的有益效果是：1.通过融合多种数据源和自标定技术，实现智能、自适应的监控区域划分，不需要手动设置或者依赖预定义的规则。
26.2.多源数据融合自标定配准通过融合来自不同传感器或数据源的信息，并在融合的过程中进行自标定配准，以获得准确、一致和综合的数据表示。
27.3.改进后的kpconv网络模型的点云匹配算法使得重要的点在特征表示中得到更多的关注，从而提高特征的表达能力和判别性。以捕获点云数据的全局和局部特征。
附图说明
28.图1是本发明的检测设备连接结构框图。
29.图2是本发明的一种pam注意力结构图。
30.图3是本发明的改进后的kpconv网络图。
31.图4是本发明的点云初配准流程图。
32.图5是本发明关键点特征提取和匹配流程图。
33.图中，1.相机，2.边缘计算机，3.激光雷达，4.主设备。
具体实施方式
34.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
35.实施例：本实施例的一种基于多数据融合自标定的监控区域划分方法，包括以下步骤：通过相机与激光雷达同时间步的采集一张图像和一帧点云，对不同预置位下的采集的图像进行自标定获取旋转平移矩阵，从而进行不同预置位下的点云进行拼接达到三维重建的效果。
36.本实施例采用的检测设备如图1所示，包括相机1、边缘计算机2、激光雷达3和主设备4。相机1、边缘计算机2和激光雷达3均设置在主设备4上，与主设备4连接。相机1采集对应区域的图像，激光雷达3扫描点云；获得的数据在边缘计算机2进行计算。
37.1)每个位置采集的图像通过手动划取一块区域，通过h矩阵将图像上的区域转换到设定的设备坐标系下，不同位置下所划分的区域分别赋予不同颜色展示。
38.定义设备坐标系，用于描述设备的位置和姿态信息。设备坐标系通常以设备为原点，并且与设备的物理结构和坐标轴方向相关联。
39.在设备坐标系中，可以通过h矩阵进行设备坐标系与像素坐标系之间的转换；h矩阵是一个3x3的变换矩阵，h矩阵描述了设备坐标系中的三维点与像素坐标系中的二维点之间的映射关系。通过h矩阵的逆矩阵，可以将图像的像素坐标系中的点转换到设备坐标系下，可以得到设备坐标系下的三位特征信息。
40.此外，激光雷达坐标系同时需要通过矩阵转换到定义的设备坐标系下，将激光雷达坐标系和像素坐标系统一到设备坐标系下。
41.经过坐标系之间的互相转换，手动划定区域在图像上可获得所划区域的像素坐标值，转换到设备坐标系下得到设备坐标系下所有的(x,y,z)坐标，即可确定所划分区域在设备坐标系下的位置信息。
42.激光雷达采集到的点云信息有自身的坐标系，并对应属于自己坐标系的(x,y，z)的坐标值信息，则经过矩阵转换到设定的设备坐标系下得到该坐标系下所划分监控区域的三维坐标特征信息。
43.转换到设备坐标系的具体过程包括：将图像中划出的区域通过h矩阵转换到设备坐标系下；像素坐标系表示为(u，v)，则设备坐标系表示为(xe，ye，ze)
t
。坐标系之间转换关系为：h
ij
表示为h矩阵中第i行第j列的系数。
44.雷达坐标系与设备坐标系之间的转化由以下公式表示：(x
l
，y
l
，z
l
)
t
为雷达坐标系。
45.r为旋转矩阵；t为平移矩阵。
46.2)在每个预置位下采集的图像和点云通过图像的多源数据自标定方法得到两两之间的旋转平移矩阵，因此，不同预置位之间点云拼接可通过计算出的旋转平移矩阵得到。
47.多源数据融合自标定配准通过融合来自不同传感器或数据源的信息，并在融合的过程中进行自标定配准，以获得准确、一致和综合的数据表示。
48.多源数据融合自标定配准过程为：a)点云特征关键点提取。
49.在两个连续点云序列之间寻找对应特征是实现帧间匹配的关键步骤。本实施例采用一种改进后的kpconv网络模型的点云匹配算法，用于点云之间的特征提取和匹配。
50.由于kpconv算法主要关注点云的局部结构和局部特征提取，而对于全局特征的表
示可能相对较弱。这可能在某些应用场景中限制了其性能，特别是需要全局信息的任务。
51.为了解决不同点云之间匹配的准确性，本实施例的方案将原来的kpconv匹配算法进行改进，引入pam注意力机制，通过计算相似度矩阵和注意力权重来捕捉点云中点之间的关系，并利用注意力权重对点的特征进行加权聚合。这样可以使得重要的点在特征表示中得到更多的关注，从而提高特征的表达能力和判别性。以捕获点云数据的全局和局部特征。
52.计算出3d空间中一个点x的特征。下面以点x的特征计算过程为例，说明kpconv的定义。
53.点云中的点定义为：p∈rn×3所有点的特征定义为：f∈rn×d构建以点x为球心，半径为r的球体x。那么在球体x内的所有点都被定义为点x的邻居点，并将参与x的特征计算：n
x
＝{xir∈p|||x
i-x||≤r}将球体定义为：yi＝x
i-x在球体内，找k个点，作为核心点(kernel points)。
54.核心点并不是点云中的点，而是通过特定规则计算出来的一些特殊的位置，k个核心点定义为：基于以上内容，点x处的核心点卷积kpconv定义为，对每个邻居点xi的特征fi，分别用矩阵g(x
i-x)变换后，累加起来：其中，xi∈n
x
表示球形领域，g(yi)表示核函数，xi表示邻点，fi代表特征点。
55.由于kpconv模型为考虑到点云的全局特征，即引入基于点云的注意力机制(pam)提升全局特征提取能力。模型结构如图2所示。
56.首先，输入的点云通过多层感知机(mlp)对输入进行一系列的非线性变换，以提取特征。
57.然后，通过softmax函数对这些特征进行归一化，以得到注意力权重。注意力权重用于对点云中不同点的特征进行加权求和。
58.最后，通过加权求和的结果，得到注意力机制的输出，即加权后的点云数据。
59.kpconv中引入pam注意力机制计算相似度矩阵和注意力权重，以及对特征表示进行加权聚合，从而实现点云中点之间的关系建模和特征提取。其结构如图3所示。
60.b)点云特征关键点匹配。
61.点云配准是将多个点云数据集对齐以实现它们之间的空间一致性的过程。它可以将不同位置、角度或时间采集的点云数据对齐，以获得全局一致的三维场景表示，并且找到
两个或者多个点云之间的变换关系。
62.在进行点云中特征关键点提取后，需要对不同点云之间进行配准。经典的ransac配准用于估计模型参数并去除离群点，并对去除异常点后的点云数据进行粗配准。
63.虽然ransac算法能够对点云进行粗配准，去除异常点云数据，但是该方法每次迭代都需要随机采样数据点并计算模型参数。这导致ransac算法在处理大规模数据集时效率较低。所以本实施例采用一种基于鲸鱼优化算法(whale optimization algorithm(woa))结合ransac算法实现初始配准，并将得到的变换矩阵作为后续精确配准算法的初始估计。
64.与大多数优化算法相比，具有全局优化能力强、结构简单等特点。受仿生学的启发，该算法将鲸鱼的特征狩猎方法建模为包围、捕食和随机搜索的过程。该算法的基本模型描述如下：假设d维搜索空间中鲸鱼个体的数量为n，则第t次迭代中的第i个个体表示为：这里的t
max
是最大迭代次数。
65.包围和收缩阶段模拟了座头鲸种群识别猎物和收缩包围的行为。其行为用公式表示：d＝|c
·
x*(t)-x(t)|x(t+1)＝x*(t)-a
·
d其中a，c为系数向量，x*为当前全局最优位置，x是个体在第t代中的位置，t表示当前迭代次数。系数a，c计算为：a＝2a
·
r-ac＝2ra表示随迭代次数的增加从2到0线性减小的调节系数；r是[0，1]分布的随机向量。
[0066]
在ransac实现点云粗配准的过程中，适当的样本子集可以提高配准效率，而距离误差决定了配准精度。从待配准的点云p中选取6个采样点，每两个点之间的距离大于预设的最小阈值d。为了通过误差函数得到最小值，需要从所有的变换中找到最优值来完成初始配准。定义的算法与l对应的点云配准误差为：适应度函数f(t)定义为：其中h(l)是huber惩罚函数，m
l
是预设置阈值，l是第i组对应点变换后的距离差。woa实现ransac配准的流程如图4所示：1》设置迭代次数t＝1，设置总迭代次数和最大迭代次数。
[0067]
2》计算适合度值，确定最优个体和适应度f(t)。
[0068]
3》计算参数a，|a|是否小于1，若是，则使用螺旋方法搜索封闭种群，否则，改变搜
索方法。
[0069]
4》再次确定最优个体和适应度；判断f(t+1)≤f(t)是否成立；若是，则迭代次数+1，否则返回步骤2》。
[0070]
5》判断迭代次数t是否达到设定的迭代次数最大值；若是，则结束，否则返回步骤2》。
[0071]
c)点云精配准。
[0072]
在经过不同点云之间特征匹配后，为了进一步确定不同点云之间位姿关系，将不同激光雷达采集到的点云数据进行配准。本实施例的方案使用icp配准方法来确定不同位置的位姿信息。在找到不同点云之间的特征点对后，构建两组对应的点集：p＝{p1，p2，...，pn}q＝{q1，q2，...，qn}在没有误差的情况下，从p坐标系转换到q坐标系下的公式为：qi＝r
t
pi+t其中，r
t
是转换坐标系的旋转矩阵，t为平移向量。
[0073]
分别在待匹配的目标点云p和源点云q中，按照一定的约束条件，找到最邻近点(pi，qi)，然后计算出最优匹配参数r
t
和t，使得误差函数最小。
[0074]
其中，n为最邻近点对的个数，pi为目标点云p中的一点，qi为源点云q中与pi对应的最近点。
[0075]
对pi使用上一步求得的旋转矩阵r
t
和平移矩阵t进行旋转和平移变换，得到新的对应点集{p
′i＝r
t
pi+t，p
′i∈p}，计算出p
′i与对应点集qi的平均距离。如果距离d小于某一给定的阈值或者大于预设的最大迭代次数，则停止迭代计算。
[0076]
不同激光雷达获取到的点云通过引入woa的ransac特征提取算法和icp优化点云配准得到监控区域的拼接点云，从而对该监控区域进行划分。采集到的点云从特征提取到精配准的流程图如图5所示：将采集得到的不同点云数据通过点云滤波处理；采用kpconv模型提取点云之间特征关键点；采用pam注意力机制提升全局特征提取能力；然后采用woa优化后的ransac算法初配准并剔除异常点；最后采用icp优化精配准。
[0077]
d)多源数据联合划分区域。
[0078]
由于基于相机的检测结果可能受到光线、角度等问题干扰，导致出现划分区域重合问题，区域内的物资不能判断是哪一个所属区域。为了解决区域重合问题，可以依赖于激光雷达和相机融合划分。
[0079]
相机与激光雷达不同位置采集到的图片与点云数据通过自标定配准实现多位置下的区域划分管控。仅基于相机对监控区域进行划分可能出现划分区域重合，无法判断物
资存在区域的位置。然而，凭借激光雷达能够实时获取空间位置信息，能够准确划分各个区域的位置信息，解决因为区域重合导致的错误判断物资时候存在划分好的区域中。
[0080]
3)将拼接后的点云转换到设备坐标系下，即能够在拼接后的点云展示出划分不同的区域。
[0081]
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。

技术特征：
1.一种基于多数据融合自标定的监控区域划分方法，其特征在于，包括以下步骤：对于不同预置位，通过相机与激光雷达同时间步地采集图像和点云；每个预置采集的图像通过手动划取一块区域，通过h矩阵将图像上的区域转换到设定的设备坐标系下；在每个预置位下采集的图像和点云通过多源数据融合自标定配准得到两两之间的旋转平移矩阵；通过计算出的旋转平移矩阵获得不同预置位之间点云拼接；将拼接后的点云转换到设备坐标系下，在拼接后的点云展示出划分不同的区域。2.根据权利要求1所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，将图像上的区域转换到设定的设备坐标系下的关系表达为：其中，(u，v)为像素坐标系；(x
e
，y
e
，z
e
)
t
为设备坐标系；h
ij
表示为h矩阵中第i行第j列的系数。3.根据权利要求1所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，雷达坐标系与设备坐标系之间的转化由以下公式表示：其中，(x
e
，y
e
，z
e
)
t
为设备坐标系；(x
l
，y
l
，z
l
)
t
为雷达坐标系；r
t
为旋转矩阵；t为平移矩阵。4.根据权利要求1或2或3所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，多源数据融合自标定配准过程为：通过改进后的kpconv网络模型的点云匹配算法在两个连续点云序列之间提取匹配对应特征；通过基于鲸鱼优化算法结合ransac算法实现点云初始配准，并将得到的变换矩阵作为后续点云精确配准算法的初始估计；使用icp配准方法将不同激光雷达采集到的点云数据进行精配准，来确定不同位置的位姿信息；相机与激光雷达多源数据联合划分区域。5.根据权利要求4所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，所述的改进后的kpconv网络模型的点云匹配算法为在kpconv匹配算法中引入pam注意力机制，通过计算相似度矩阵和注意力权重来捕捉点云中点之间的关系，并利用注意力权重对点的特征进行加权聚合。6.根据权利要求4所述的一种基于多数据融合自标定的监控区域划分方法，其特征在
于，点云初始配准的过程为：a1.设置迭代次数t＝1，设置总迭代次数和最大迭代次数；a2.计算适合度值，确定最优个体和适应度f(t)；a3.计算参数a，|a|是否小于1，若是，则使用螺旋方法搜索封闭种群，否则，改变搜索方法；a4.再次确定最优个体和适应度；判断f(t+1)≤f(t)是否成立；若是，则迭代次数+1，否则返回步骤a2；a5.判断迭代次数t是否达到设定的迭代次数最大值；若是，则结束，否则返回步骤a2。7.根据权利要求6所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，适应度函数f(t)为：其中，h(l)是huber惩罚函数；m
l
是预设置阈值；l是第i组对应点变换后的距离差。8.根据权利要求4所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，在找到不同点云之间的特征点对后，构建两组对应的点集：p＝{p1，p2，...，p
n
}q＝{q1，q2，...，q
n
}在没有误差的情况下，从p坐标系转换到q坐标系下的公式为：q
i
＝r
t
p
i
+t其中，r
t
是转换坐标系的旋转矩阵，t为平移向量。9.根据权利要求8所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，分别在待匹配的目标点云p和源点云q中，按照一定的约束条件，找到最邻近点(p
i
，q
i
)，然后计算出最优匹配参数r
t
和t，使得误差函数最小：其中，n为最邻近点对的个数；p
i
为目标点云p中的一点；q
i
为源点云q中与p
i
对应的最近点。10.根据权利要求8或9所述的一种基于多数据融合自标定的监控区域划分方法，其特征在于，对p
i
使用进行旋转和平移变换，得到新的对应点集{p
′
i
＝r
t
p
i
+t，p
′
i
∈p}；计算出p
′
i
与对应点集q
i
的平均距离，如果距离d小于给定的阈值或者大于预设的最大迭代次数，则停止迭代计算。

技术总结
本发明公开了一种基于多数据融合自标定的监控区域划分方法。为了克服决传统监控系统中，监控区域的划分通常需要手动设置或者依赖预定义的规则，不够灵活且需要人工干预的问题；本发明通过相机与激光雷达同时间步的采集一张图像和一帧点云，对不同预置位下的采集的图像进行自标定获取旋转平移矩阵，从而进行不同预置位下的点云进行拼接达到三维重建的效果。通过融合多种数据源和自标定技术，实现智能、自适应的监控区域划分，不需要手动设置或者依赖预定义的规则。者依赖预定义的规则。者依赖预定义的规则。


技术研发人员：查竞宇 沈孝贤 朱伟 郑林英 冯宇立 杨秀彬 吴钟文 许群舟
受保护的技术使用者：嘉兴恒创电力集团有限公司博创物资分公司
技术研发日：2023.07.19
技术公布日：2023/10/15