一种基于卷积神经网络的农作物农药残留检测方法及系统

1.本发明属于农药残留检测
技术领域：
：，涉及一种农作物农药残留检测方法及系统，具体来说是一种基于农药残留检测卷积神经网络和高光谱的农作物农药残留检测方法及系统。
背景技术：
：：2.目前，作物中农药残留的检测方法主要包含液相色谱-质谱法(文献1)、气相色谱-色谱法(文献2)以及免疫测定法(文献3)。虽然这些农药残留检测方法具有灵敏度高、检测范围广的优点，但所需成本较高，且复杂耗时，甚至有些方法会对试样造成不可逆的损伤。因此，建立一种快速、准确、无损的茶叶农药残留检测方法具有重要的实用价值。3.[1]jiangb,hej,yangs,etal.fusionofmachinevisiontechnologyandalexnet-cnnsdeeplearningnetworkforthedetectionofpostharvestapplepesticideresidues[j].artificialintelligenceinagriculture,2019,1:1-8.[0004][2]sapahinha,makahleha,saadb.determinationoforganophosphoruspesticideresiduesinvegetablesusingsolidphasemicro-extractioncoupledwithgaschromatography–flamephotometricdetector[j].arabianjournalofchemistry,2019,12(8):1934-1944.[0005][3]tangx,zhangq,zhangz,etal.rapid,on-siteandquantitativepaper-basedimmunoassayplatformforconcurrentdeterminationofpesticideresiduesandmycotoxins[j].analyticachimicaacta,2019,1078:142-150.技术实现要素：[0006]为了解决现有技术中农作物农药残留检测成本高及效率低的缺陷，本发明提供了一种基于卷积神经网络和高光谱的农作物农药残留检测方法及系统，可以应用于茶叶农药残留检测。[0007]本发明的方法所采用的技术方案是：一种基于卷积神经网络的农作物农药残留检测方法，包括以下步骤：[0008]步骤1：采集农作物样本高光谱图像，并进行数据预处理；[0009]步骤2：将预处理后的高光谱图像输入农药残留检测卷积神经网络进行农药残留检测；[0010]所述农药残留检测卷积神经网络，由两个三维卷积层c0和c5、两个多尺度注意力模块、二个残差模块和一个全连接模块组成；所述多尺度注意力模块，包括并联设置的三个三维卷积层c1、c2和c3，其后串联设置的一个三维卷积层c4和空谱注意力模块；c0、c1、c2、c3、c4、c5之后均加入有归一化层和修正线性单元激活函数层；c0的输入是经数据预处理后的农作物高光谱图像x，c1、c2和c3的输入均为c0的输出特征图；c4的输入为c1、c2和c3的输出特征的合并特征；第一个残差模块的输入为c0的输出特征图，并与第一个空谱注意力模块的输出特征进行结合，然后输入c5；c5的输出特征图分别输入第二个多尺度注意力模块和第二个残差模块，输出特征进行结合后输入为第二个残差模块的输出特征图。[0011]作为优选，步骤1中，针对采集的高光谱图像进行黑白校正，其数学公式如下：[0012][0013]其中，r1表示校正后的高光谱图像，r表示校正前的高光谱图像，w与b分别表示白板图像和黑板图像；[0014]对校正后的高光谱图像r1进行乘法散射校正，减少提取的光谱数据中掺杂的噪声，得到预处理后的农作物高光谱图像。[0015]作为优选，所述农药残留检测卷积神经网络的空谱注意力模块包含通道维注意力和空间维注意力，通道维注意力ca(f)的数学公式如下：[0016][0017]其中，f为输入特征矩阵，sn表示共享网络，avgpool和maxpool分别为全局平均池化和全局最大池化，w0和w1均表示权重，与分别表示sigmoid与修正线性单元激活函数，和分别表示由平均池化和最大池化生成的通道描述符；[0018]空间维注意力sa(f)的数学公式如下：[0019][0020]其中，代表卷积核大小为的三维卷积操作，和分别表示由全局平均池化和全局最大值池化生成两种不同的空间特征描述符；[0021]分别将通道维注意力ca(f)和空间维注意力sa(f)利用矩阵乘法叠加在空谱注意力模块的输入特征图上，得到细化后的通道维输出特征图和空间维输出特征图；对所述的通道维输出特征图和空间维输出特征图之后设置一个残差模块，用于将通道及空间注意力修正后的高层特征与输入特征残差连接，并进行拼接操作，最终得到联合修正后的输出特征f1，其过程用数学表示为：[0022]f1＝[(f+fca)；(f+fsa)]；[0023]其中，f为空谱注意力模块的输入特征；[0024]作为优选，所述农药残留检测卷积神经网络，将所述农药残留检测卷积神经网络中全连接模块的第三个附带有softmax分类函数的全连接层替换为随机森林分类器，并由随机森林分类器进行分类，即本发明提出的cnn-rf模型，以缓解模型过拟合问题。[0025]作为优选，步骤2中，所述农药残留检测卷积神经网络，是训练好的农药残留检测卷积神经网络；其训练过程包括以下步骤：[0026]步骤2.1：获取若干不同浓度下的农作物样本；[0027]步骤2.2：获取不同浓度下的农作物高光谱图像，并进行预处理操作；[0028]步骤2.3：对预处理后的农作物高光谱图像按一定比例划分训练集和测试集；[0029]步骤2.4：将训练集中农作物样本所述农药残留检测卷积神经网络进行训练；[0030]步骤2.5：将训练好的农药残留检测卷积神经网络与随机森林分类器进行联合，利用联合后的分类模型对测试集中农作物样本进行农药残留检测。[0031]作为优选，步骤2.1中，使用蒸馏水按不同比例配置农药溶液；将不同浓度的农药均匀喷撒在农作物表面上，并将农作物样本放置于实验条件下自然干燥预设时间，然后进行数据收集。[0032]作为优选，步骤2.2中，将相同重量的农作物样本均匀平铺在高光谱图像采集装置平台上；使用高光谱图像采集装置获取不同农药浓度下农作物样本原始高光谱图像；对获取的不同农药浓度下农作物样本原始高光谱图像进行黑白校正，其数学公式如下：[0033][0034]其中，r1表示校正后的高光谱图像，r表示校正前的高光谱图像，w与b分别表示白板图像和黑板图像；[0035]对校正后的高光谱图像r1进行乘法散射校正(msc)，减少提取的光谱数据中掺杂的噪声，得到预处理后的农作物高光谱图像。[0036]作为优选，步骤2.3中，对农作物高光谱图像数据训练集进行竞争自适应重加权采样，提取特征谱段；对提取到的特征谱段采用连续投影算法进行二次降维，进一步消除数据冗余信息，得到待训练的农作物高光谱图像。[0037]作为优选，步骤2.4中，采用自适应学习率的梯度下降算法以及预设的迭代次数充分训练所述农药残留检测卷积神经网络。[0038]本发明的系统所采用的技术方案是：一种基于卷积神经网络的农作物农药残留检测系统，包括：[0039]一个或多个处理器；[0040]存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的基于卷积神经网络的农作物农药残留检测方法。[0041]本发明与现有技术相比实现了低成本、高效率的茶叶农药残留检测，本发明结合高光谱成像技术和深度学习方法，具有无损坏、自动化和高效的优点。首先，受传感器硬件与成像环境的影响，高光谱图像在获取过程中容易受到噪声干扰，制约了数据解译精度，而传统单一算法在提取特征时缺乏一定的稳定性。因此，本发明在预处理阶段采用乘法散射校正去除噪声背景，并采用竞争自适应重加权采样和连续投影算法相结合的二次降维方式保留主要信息，进一步去除高光谱图像中的冗余信息。其次，由于卷积神经网络中仅采用单一感受野而造成的模型分类性能不佳的问题，本发明通过建立多尺度注意力模块提取高光谱图像的多尺度空谱特征以增大信息流，并在空间维和通道维上引入注意力机制细化特征图，重新分配特征权重，突出对模型分类性能起到积极作用的特征，同时抑制不重要特征。另外，针对有限样本量下网络结构不断加深而产生的过拟合问题，本发明引入残差连接模块缓解梯度消失现象，并针对高光谱图像的复杂数据结构，以及对深层卷积神经网络的简化计算复杂度、缩短训练时间等问题上，本发明引入归一化bn层、dropout层和池化层，并使用relu作为神经网络的激活函数，防止了过拟合现象的发生，减少了训练参数量，使得分类模型更快收敛。附图说明[0042]下面使用实施例，以及具体实施方式作进一步说明本文的技术方案。另外，在说明技术方案的过程中，也使用了一些附图。对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图以及本发明的意图。[0043]图1为本发明实施例的方法流程图；[0044]图2为本发明实施例的农药残留检测卷积神经网络结构图；[0045]图3为本发明实施例提供的农药残留检测卷积神经网络训练流程图。具体实施方式[0046]为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。[0047]本实施例以茶叶农药残留检测为例，对本发明做进一步的阐述。请见图1，本实施例提供的一种基于卷积神经网络的茶叶农药残留检测方法，包括以下步骤：[0048]步骤1：采集茶叶样本高光谱图像，并进行数据预处理；[0049]在一种实施方式中，针对采集的高光谱图像进行黑白校正，其数学公式如下：[0050][0051]其中，r1表示校正后的高光谱图像，r表示校正前的高光谱图像，w与b分别表示白板图像和黑板图像；[0052]对校正后的高光谱图像r1进行乘法散射校正(msc)，减少提取的光谱数据中掺杂的噪声，得到预处理后的茶叶高光谱图像。[0053]步骤2：将预处理后的高光谱图像输入农药残留检测卷积神经网络进行农药残留检测；[0054]请见图2，本实施例的农药残留检测卷积神经网络，由两个三维卷积层c0和c5、两个多尺度注意力模块、二个残差模块和一个全连接模块组成；多尺度注意力模块，包括并联设置的三个三维卷积层c1、c2和c3，其后串联设置的一个三维卷积层c4和空谱注意力模块；c0、c1、c2、c3、c4、c5之后均加入有归一化层和修正线性单元激活函数层；[0055]本实施例的第一个三维卷积层c0的输入是经数据预处理后的农作物高光谱图像x，c0是卷积核大小为3的卷积层，步长为2；第一个多尺度注意力模块的三个并联设置的三维卷积层c1、c2和c3的输入均为c0的输出特征图；第一个多尺度注意力模块的三维卷积层c4的输入为c1、c2和c3的输出特征的合并特征，c4是卷积核大小为3的卷积层，步长为1，用于融合c1、c2和c3的多尺度输出特征图；第一个多尺度注意力模块的空谱注意力模块的输入为c4的输出特征图；农药残留检测卷积神经网络的第一个残差模块的输入为c0的输出特征图，并与第一个空谱注意力模块的输出特征进行结合；农药残留检测卷积神经网络的第二个三维卷积层c5的输入为第一个残差模块的输出特征图，c5是卷积核大小为3的卷积层，步长为1；c0和c5之后均加入有归一化层和修正线性单元激活函数层；农药残留检测卷积神经网络的第二个多尺度注意力模块的输入是c5的输出特征图；农药残留检测卷积神经网络的第二个残差模块的输入是c5的输出特征图，并与第二个多尺度注意力模块的输出特征进行结合。农药残留检测卷积神经网络的全连接模块的输入为第二个残差模块的输出特征图；[0056]本实施例的多尺度注意力模块，包括并联设置的三个三维卷积层c1、c2和c3，其后串联设置的一个三维卷积层c4和空谱注意力模块；c1是卷积核大小为3的卷积层，步长为1；c2为卷积核大小为5的卷积层，步长为1；c3是卷积核大小为7的卷积层，步长为1；c4是卷积核大小为1的卷积层，步长为1；空谱注意力模块，用于对三维卷积层c4的输出的特征图f，通过通道维注意力和空间维注意力分别获得通道注意力图ca(f)与空间注意力图sa(f)；通道注意力图ca(f)与空间注意力图sa(f)分别通过矩阵乘法运算和联合操作，得到最终经空谱注意力模块修正联合后的输出特征f1；[0057]本实施例的残差模块，用于对于多尺度注意力模块的输入特征，通过大小为1的卷积核和归一化层来使多尺度注意力模块的输入特征和空谱注意力模块的输出特征处于同一种尺度，进行残差特征融合；[0058]本实施例的全连接模块，包括串联设置的一个展开层、三个全连接层；三个全连接层的前两个全连接层之后均设置一个dropout层，第三个全连接层附带有softmax分类函数，获得农药残留检测结果；[0059]本实施例的修正线性单元激活函数层，为分段线性函数，用于将输入数据x与数值0相比，输出最大值，即把所有的负值全都变为0，同时正值保持不变；所述softmax函数层，用于实现信息匹配。[0060]在一种实施方式中，农作物农药残留检测卷积神经网络，是训练好的农药残留检测卷积神经网络；请见图3，其训练过程包括以下步骤：[0061]步骤1：不同浓度下茶叶样品的制作；采摘茶叶，并用农药喷撒茶叶获取不同浓度下的茶叶样本。[0062](1)使用蒸馏水按不同比例配置农药溶液：[0063]将不同浓度的农药均匀喷撒在茶叶表面上，并将茶叶样本放置于实验条件下自然干燥24小时，然后进行数据收集。本发明采用的农药为联苯菊酯。[0064]步骤2：茶叶高光谱图像的获取并进行预处理；获取不同浓度下的茶叶高光谱图像，并进行预处理操作。[0065](1)将相同重量(10±0.5g)的茶叶均匀平铺在高光谱图像采集装置平台上。[0066](2)使用高光谱图像采集装置获取不同农药浓度下茶叶原始高光谱图像。高光谱图像采集装置主要包括成像镜头(hsia-ol23)、高光谱成像仪(gaiafield-v10e)、光源(200w)、白板(150×150)、移动平台以及装载有高光谱数据采集软件(specview)的计算机。高光谱成像装置采集波长范围为420～1000nm。[0067](3)对获取的不同农药浓度下农作物原始高光谱图像进行黑白校正，其数学公式如下：[0068][0069]其中，r1表示校正后的高光谱图像，r表示校正前的高光谱图像，w与b分别表示白板图像和黑板图像；[0070](4)对校正后的高光谱图像进行乘法散射校正(msc)，减少提取的光谱数据中掺杂的噪声，得到预处理后的农作物高光谱图像。[0071]步骤3：训练集和测试集的获取；[0072]对预处理后的农作物高光谱图像按一定比例划分训练集和测试集，训练集与测试集并不重合。由于高光谱成像系统收集了大量的光谱数据，每个光谱段之间存在一定的噪声效应，数据之间存在线性相关性，这将影响农药残留识别模型的性能。因此，有必要降低原始光谱数据的维数，去除冗余噪声信息。目前，基于高光谱成像系统的常见作物无损识别大多使用单一算法，如不一致变量消除(uve)、连续投影算法(spa)或竞争自适应重加权采样(cars)来提取特征并建立识别模型。然而，单一算法在提取特征时缺乏一定的稳定性。因此，本发明采用cars和spa结合的二次降维方法，进一步消除冗余信息，提高算法的稳定性。[0073](1)将预处理后的农作物高光谱图像进行训练集和测试集的随机划分，划分比例按照3：1进行。[0074](2)农作物高光谱图像数据训练集进行竞争自适应重加权采样(cars)，提取特征谱段。[0075](3)对提取到的特征谱段采用连续投影算法(spa)进行二次降维，进一步消除数据冗余信息，得到待训练的农作物高光谱图像。[0076]步骤4：农作物农药残留检测卷积神经网络训练；[0077]以三维卷积神经网络模型为基础，建立三维卷积网络加随机森林分类器的农作物农药残留检测模型，并将带训练的农作物样本输入该模型进行训练。卷积神经网络作为深度学习有效提取特征的工具，被广泛的应用于计算机视觉领域。因此，本发明通过搭建卷积神经网络模型提取农作物高光谱图像中的深层次特征。然而，由于输入数据量有限，三维cnn容易产生过拟合现象。因此，在测试阶段，将随机森林模型替换三维cnn的分类器，通过收集不同的决策树来减少模型的方差，增强农作物农药残留检测模型的泛化能力和抗过拟合能力。[0078](1)建立三维卷积神经网络(cnn)模型，挖掘输入高光谱图像深层特征。[0079]其中，搭建的三维cnn模型结构如图2所示，主要由两个三维卷积层c0和c5、两个多尺度注意力模块、二个残差模块和一个全连接模块组成组成，并由softmax函数实现信息匹配。另外在每个卷积层后都使用修正线性单元(relu)激活函数，其数学表达式如下：[0080][0081]relu为分段线性函数，将输入数据x与数值0相比，输出最大值，即把所有的负值全都变为0，同时正值保持不变。[0082](2)将待训练的农作物高光谱图像输入建立的三维cnn模型中，采用自适应学习率的梯度下降算法(adam)以及适合的迭代次数充分训练一维卷积神经网络模型。其中，本发明将训练的迭代次数设置为200，学习率设为0.001。[0083]本实施例中，将待测试的茶叶样本输入训练后的农作物农药残留检测模型，获得农作物农药残留检测结果。[0084](1)将训练完成的三维cnn模型中全连接模块的第三个附带有softmax分类函数的全连接层替换为随机森林分类器，特征提取完成后，由rf分类器进行分类，即本发明提出的cnn-rf模型，以缓解模型过拟合问题。[0085](2)农作物高光谱图像测试集二次降维得到待测试的农作物高光谱图像，并将得到的待测试的农作物高光谱图像输入到cnn-rf模型中进行农作物农药残留检测，得到农作物农药残留检测结果。[0086]本发明与现有技术相比实现了低成本、高效率的茶叶农药残留检测，本发明结合高光谱成像技术和深度学习方法，具有无损坏、自动化和高效的优点。[0087]本发明不仅仅适用用农作物(茶叶)，还可以实用与其他叶类农作物的农药残留检测，应用范围广泛。[0088]应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。当前第1页12当前第1页12
技术特征：
1.一种基于卷积神经网络的农作物农药残留检测方法，其特征在于，包括以下步骤：步骤1：采集农作物样本高光谱图像，并进行数据预处理；步骤2：将预处理后的高光谱图像输入农药残留检测卷积神经网络进行农药残留检测；所述农药残留检测卷积神经网络，由两个三维卷积层c0和c5、两个多尺度注意力模块、二个残差模块和一个全连接模块组成；所述多尺度注意力模块，包括并联设置的三个三维卷积层c1、c2和c3，其后串联设置的一个三维卷积层c4和空谱注意力模块；c0、c1、c2、c3、c4、c5之后均加入有归一化层和修正线性单元激活函数层；c0的输入是经数据预处理后的农作物高光谱图像x，c1、c2和c3的输入均为c0的输出特征图；c4的输入为c1、c2和c3的输出特征的合并特征；第一个残差模块的输入为c0的输出特征图，并与第一个空谱注意力模块的输出特征进行结合，然后输入c5；c5的输出特征图分别输入第二个多尺度注意力模块和第二个残差模块，输出特征进行结合后输入为第二个残差模块的输出特征图。2.根据权利要求1所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：步骤1中，针对采集的高光谱图像进行黑白校正，其数学公式如下：其中，r1表示校正后的高光谱图像，r表示校正前的高光谱图像，w与b分别表示白板图像和黑板图像；对校正后的高光谱图像r1进行乘法散射校正，减少提取的光谱数据中掺杂的噪声，得到预处理后的农作物高光谱图像。3.根据权利要求1所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：所述农药残留检测卷积神经网络的空谱注意力模块，包含通道维注意力和空间维注意力，通道维注意力ca(f)的数学公式如下：其中，f为输入特征矩阵，sn表示共享网络，avgpool和maxpool分别为全局平均池化和全局最大池化，w0和w1均表示权重，δ与δ
′
分别表示sigmoid与修正线性单元激活函数，和分别表示由平均池化和最大池化生成的通道描述符；空间维注意力sa(f)的数学公式如下：其中，f
n
×
n
×
n
代表卷积核大小为n
×
n
×
n的三维卷积操作，和分别表示由全局平均池化和全局最大值池化生成两种不同的空间特征描述符；分别将通道维注意力ca(f)和空间维注意力sa(f)利用矩阵乘法叠加在空谱注意力模块的输入特征图上，得到细化后的通道维输出特征图f
ca
和空间维输出特征图f
sa
；对所述的通道维输出特征图f
ca
和空间维输出特征图f
sa
之后设置一个残差模块，用于将通道及空间注意力修正后的高层特征与输入特征残差连接，并进行拼接操作，最终得到联合修正后的输出特征f1，其过程用数学表示为：
f1＝[(f+f
ca
)；(f+f
sa
)]；其中，f为空谱注意力模块的输入特征。4.根据权利要求1所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：所述农药残留检测卷积神经网络，将所述农药残留检测卷积神经网络中全连接模块的第三个附带有softmax分类函数的全连接层替换为随机森林分类器，并由随机森林分类器进行分类。5.根据权利要求1-4任意一项所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：步骤2中，所述农药残留检测卷积神经网络，是训练好的农药残留检测卷积神经网络；其训练过程包括以下步骤：步骤2.1：获取若干不同浓度下的农作物样本；步骤2.2：获取不同浓度下的农作物高光谱图像，并进行预处理操作；步骤2.3：对预处理后的农作物高光谱图像按一定比例划分训练集和测试集；步骤2.4：将训练集中农作物样本所述农药残留检测卷积神经网络进行训练；步骤2.5：将训练好的农药残留检测卷积神经网络与随机森林分类器进行联合，利用联合后的分类模型对测试集中农作物样本进行农药残留检测。6.根据权利要求5所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：步骤2.1中，使用蒸馏水按不同比例配置农药溶液；将不同浓度的农药均匀喷撒在农作物表面上，并将农作物样本放置于实验条件下自然干燥预设时间，然后进行数据收集。7.根据权利要求5所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：步骤2.2中，将相同重量的农作物样本均匀平铺在高光谱图像采集装置平台上；使用高光谱图像采集装置获取不同农药浓度下农作物样本原始高光谱图像；对获取的不同农药浓度下农作物样本原始高光谱图像进行黑白校正，其数学公式如下：其中，r1表示校正后的高光谱图像，r表示校正前的高光谱图像，w与b分别表示白板图像和黑板图像；对校正后的高光谱图像r1进行乘法散射校正，减少提取的光谱数据中掺杂的噪声，得到预处理后的农作物高光谱图像。8.根据权利要求5所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：步骤2.3中，对农作物高光谱图像数据训练集进行竞争自适应重加权采样，提取特征谱段；对提取到的特征谱段采用连续投影算法进行二次降维，进一步消除数据冗余信息，得到待训练的农作物高光谱图像。9.根据权利要求5所述的基于卷积神经网络的农作物农药残留检测方法，其特征在于：步骤2.4中，采用自适应学习率的梯度下降算法以及预设的迭代次数充分训练所述农药残留检测卷积神经网络。10.一种基于卷积神经网络的农作物农药残留检测系统，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的基于卷积神经
网络的农作物农药残留检测方法。

技术总结
本发明公开了一种基于卷积神经网络的农作物农药残留检测方法及系统，首先采集农作物样本高光谱图像，并进行数据预处理；然后将预处理后的高光谱图像输入农药残留检测卷积神经网络进行农药残留检测；本发明结合高光谱成像技术和深度学习方法，具有无损坏、自动化和高效的优点。高效的优点。高效的优点。


技术研发人员：宋阳 胡磊 邹佳琦 刘泽鹏 汪雨晴 贺威 张洪艳 杨光义
受保护的技术使用者：武汉大学
技术研发日：2023.06.07
技术公布日：2023/10/15