一种基于人体突发情况的人体姿态监控系统及方法

1.本发明涉及人体姿态监控技术领域，特别是涉及一种基于人体突发情况的人体姿态监控系统及方法。


背景技术：

2.在实际生活场景中，尤其是在自动化pcr咽拭子采样的过程中，可能出现不同类型的突发情况或紧急情况。对于全自动化的pcr咽拭子采集系统，应具备针对应急情况的处置方案是重要且必要的能力。在自动采样系统可能遇到的突发情况中，传统的突发应急监控不能对人体是否晕倒做出及时有效的判断，导致后续人体情况严重。


技术实现要素：

3.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
4.为此，本发明提出一种基于人体突发情况的人体姿态监控系统，为一定数量的单系统建立一个统一的调度中心进行远程监控，并做出有效的人体姿态判断以便在突发情况到来时及时帮助遇到困难的受试者。
5.本发明的另一个目的在于提出一种基于人体突发情况的人体姿态监控方法。
6.为达上述目的，本发明一方面提出一种基于人体突发情况的的人体姿态监控系统，包括：传感器、监控装置和处理器；其中，
7.所述传感器，用于检测人体站立时非就位点位处的压力变化值和身高变化值；
8.所述监控装置，用于采集监控范围内的人体图像数据；
9.所述处理器，用于对所述压力变化值和所述身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果，对所述人体图像数据中的特征进行状态和运动阈值判断以得到第三人体姿态判断结果，并根据所述第一和第二人体姿态判断结果和所述第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。
10.进一步地，所述传感器，至少包括压力传感器、和光电传感器，所述监控装置，至少包括多个摄像头。
11.进一步地，所述处理器，还包括：
12.第一检测单元，用于判断所述压力变化值和压力阈值的大小以得到所述第一人体姿态判断结果，并对所述压力阈值判断分配第一权重；
13.第二检测单元，用于判断所述身高变化值和高度阈值的大小以得到所述第二人体姿态判断结果，并对所述高度阈值判断分配第二权重；
14.第三检测单元，用于利用预训练的网络模型对所述人体图像数据进行异常行为状态检测，以通过状态和运动阈值判断得到第三人体姿态判断结果，并对所述状态和运动阈值判断分配第三权重；以及，
15.权重判断单元，用于比较所述第一权重、所述第二权重和所述第三权重的和与权重阈值，根据权重比较结果判断是否触发系统响应。
16.进一步地，所述第三检测单元，还用于：
17.对所述人体图像数据的一帧输入图像进行处理得到第一图像处理结果；
18.将所述第一图像处理结果输入至混合高斯模型gmm以输出运动目标分类的二值化图像，并利用形态学处理和矩形框优化对所述二值化图像处理得到第二图像处理结果；
19.根据所述第二图像处理结果中提取的状态特征和运动特征，分别进行状态阈值判断和运动阈值判断以识别站立状态和运动变化状态，并根据识别的站立状态和运动变化状态以得到人体处于运动且非站立状态的第三人体姿态判断结果；
20.利用支持向量机对所述第三人体姿态判断结果进行分类以得到最终分类结果。
21.进一步地，所述状态特征和运动特征包括多种运动类别；所述第三检测单元，还用于：
22.获取人体图像数据的样本；
23.将预设的模型参数和所述人体图像数据的样本输入至支持向量机svm，利用预设函数进行基于模型参数优化的svm模型训练，并利用包含多种体态的基于加速度的公开数据集进行机器学习以得到训练好的网络模型；
24.通过所述训练好的网络模型，利用随机森林算法提高分类准确率以得到所述多种运动类别的最终分类结果。
25.进一步地，还包括预警装置，所述预警装置，至少包括声光报警器，用于触发系统响应，响应所述人体姿态判断结果的预警指令以输出报警信号。
26.为达上述目的，本发明另一方面提出一种基于人体突发情况的人体姿态监控方法，包括：
27.获取人体站立时非就位点位处的压力变化值和身高变化值以及监控范围内的人体图像数据；
28.对所述压力变化值和所述身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果；
29.对所述人体图像数据中的特征进行状态和运动阈值判断，以得到第三人体姿态判断结果；
30.根据所述第一和第二人体姿态判断结果和所述第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。
31.本发明实施例的基于人体突发情况的人体姿态监控系统和方法，能及时监控判断人体的身体状态，以进行及时救助，具有适用性强、用途多样的特点。
32.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
33.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
34.图1是根据本发明实施例的基于人体突发情况的人体姿态监控系统的结构图；
35.图2是根据本发明实施例的在自动化pcr咽拭子采样过程的人体突发情况的处理流程图；
36.图3是根据本发明实施例的处理器的结构图；
37.图4是根据本发明实施例的利用计算机视觉算法结合机器学习进行异常行为状态检测的流程图；
38.图5是根据本发明实施例的火灾等外界突发情况的处理示意图；
39.图6是根据本发明实施例的基于人体突发情况的人体姿态监控方法的流程图。
具体实施方式
40.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
41.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
42.下面参照附图描述根据本发明实施例提出的基于人体突发情况的人体姿态监控系统和方法。
43.图1是本发明实施例的基于人体突发情况的人体姿态监控系统的结构图。
44.如图1所示，该人体姿态监控系统10包括：传感器100、监控装置200和处理器300；其中，
45.传感器100，用于检测人体站立时非就位点位处的压力变化值和身高变化值；
46.监控装置200，用于采集监控范围内的人体图像数据；
47.处理器300，用于对压力变化值和身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果，对人体图像数据中的特征进行状态和运动阈值判断以得到第三人体姿态判断结果，并根据第一和第二人体姿态判断结果和第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。
48.可以知道的是，目前国内新冠病毒传染力有所降低。本发明的系统可按需求拓展出更多的功能和工作模式：
49.利用结构上高效性、紧凑性，通过对机械臂和固定装置进行适当改造，成为其他种类疾病(包括但不限于革兰阳性菌感染，肺结核、百日咳、白喉、急性咽喉炎等细菌性感染和sars病毒、中东呼吸综合征等病毒性呼吸综合征)的pcr拭子(咽拭子/鼻拭子/肛拭子)采样站。
50.利用系统内置的存储和回收装置，借助工位内较强的隐私性和系统较强的自清洁能力，经适当改造，成为医学检验样本(包括但不限于血液、尿液、粪便、胃液、白带、前列腺液等)的采集站。
51.利用系统运输和部署的便利性以及结构紧凑性，经适当改造，成为自助式献血站、移动式体检站(测量身高、体重、视力、色弱等)。服务于公共卫生事业。
52.作为一种可以实现的方式，本发明在自动化pcr咽拭子采样的过程中，可能出现不同类型的突发情况或紧急情况。比如在自动采样系统可能遇到的突发情况中，本发明列举有以下多种类型：受试者身体不适、系统内发生火灾和仪器受损等。本发明为一定数量的单
系统建立一个统一的调度中心，其中有工作人员进行远程监控，以便在突发情况到来时及时帮助遇到困难的受试者。如图2所示，为本发明在自动化pcr咽拭子采样过程的人体突发情况的处理流程图。
53.第一种类型为受试者身体不适：此时分为两种情况，受试者有意识或陷入昏迷(无意识)。若受试者轻度身体不适(仍有意识)，如受试者在采样过程中感到咽部疼痛，可按下设置于机械臂右侧的暂停按钮。此时机械臂若处于采集状态则将其收回并消毒清洗，然后系统语音询问受试者是否离开，若受试者选择离开则电动门帘打开，通知下一位等候者进入并清除该受试者本次核酸记录；若继续采样则重新开始采样流程。
54.若受试者出现了强烈的身体不适(仍有意识)，如心梗、呼吸不畅等，则受试者可按下紧急情况按钮。此时系统发出警报通知调度中心的工作人员该受试者所在系统位置、所处工位号，由调度中心人员拨打急救电话；同时系统将机械臂复位并消毒清洗，打开电动门帘，清除本次核酸记录，并通过声光报警器提示等候者：有能力者前往救治。
55.同时，为了避免紧急按钮被误触，同时方便受试者在摔倒时按下，本发明将多个紧急按钮设置在该工位较低位置的不同墙面上，并在其旁边设置扶手，便于受试者遇紧急情况时按下。
56.作为一种可以实现的方式，针对可能出现的受试者有强烈身体不适，并且失去意识的情况，如脑卒中，本发明设置的人体姿态监控系统10。该人体姿态监控系统10由传感器200(设置于工位地板的压力传感器、设置于工位墙面的用于检测受试者身高的光电传感器)和工位内的监控装置300(监控摄像头)组成。在人体姿态监控系统10中设置一定的判断依据，并为3种监控手段设置不同的权重。
57.作为一种可以实现的方式，如图3所示，处理器300，还包括：
58.第一检测单元301，用于判断压力变化值和压力阈值的大小以得到第一人体姿态判断结果，并对压力阈值判断分配第一权重；
59.第二检测单元302，用于判断身高变化值和高度阈值的大小以得到第二人体姿态判断结果，并对高度阈值判断分配第二权重；
60.第三检测单元303，用于利用预训练的网络模型对人体图像数据进行异常行为状态检测，以通过状态和运动阈值判断得到第三人体姿态判断结果，并对状态和运动阈值判断分配第三权重；以及，
61.权重判断单元304，用于比较第一权重、第二权重和第三权重的和与权重阈值，根据权重比较结果判断是否触发系统响应。
62.具体地，在每一工位的地面下方分散安装有压力传感器。在检测到受试者已就位后，通过检测非就位点位处压力随时间变化值的大小来判断受试者是否晕倒。其对压力阈值判断分配的权重占比为15％。
63.具体地，利用检测身高的方法。在检测到受试者已就位后，在采样过程中，若10秒内在1m的及以上高度未检测到遮挡物即判断受试者已晕倒。其对高度阈值判断分配的权重占比为10％。
64.具体地，利用计算机视觉算法结合深度学习进行模式识别，通过监控视频中采集的图像识别受试者是否跌倒。以百分制进行打分，并输出结果。其对状态和运动阈值判断分配的权重占比为65％。
65.进一步地，若设置的三个监控手段的阈值加权总和超过60％，则触发系统响应。人体姿态监控系统10发出警报通知调度中心的人员该受试者所处机位，由工作人员通过监控二次观察，并作出下一步处理。人体姿态监控系统10清除本次核酸记录，机械臂复位并清洗消毒。同时，电动门帘打开，声光报警器提示等候者有险情发生，有能力者可前往救治。
66.作为一种可以实现的方式，第三检测单元303，还用于：对人体图像数据的一帧输入图像进行处理得到第一图像处理结果；将第一图像处理结果输入至混合高斯模型gmm以输出运动目标分类的二值化图像，并利用形态学处理和矩形框优化对二值化图像处理得到第二图像处理结果；根据第二图像处理结果中提取的状态特征和运动特征，分别进行状态阈值判断和运动阈值判断以识别站立状态和运动变化状态，并根据识别的站立状态和运动变化状态以得到人体处于运动且非站立状态的第三人体姿态判断结果；利用支持向量机对第三人体姿态判断结果进行分类以得到最终分类结果。
67.可以理解的是，本发明利用计算机视觉算法结合机器学习进行异常行为状态检测。其流程包含视觉图像采集、运动目标分离、图像预处理、特征提取与判决算法五部分。具体检测流程如图4所示。
68.具体地，首先从系统监控视频中获取一帧输入图像，再将监控提取到的图像进行处理。利用混合高斯模型(gmm)实现运动目标分离，利用形态学处理和矩形框优化对gmm输出的二值化图像进行预处理。再对图像进行状态特征和运动特征的提取。最后，判决算法用于判定受试者是否处于非正常的行为状态。状态阈值判决用于识别站立状态以排除异常情况；运动阈值判决用以排除运动变化小的情况，如正常行走；当满足前两次阈值判决时可以确定其属于运动且非站立的状态，最后使用机器学习方法对其进行分类得到最终的结果。
69.作为一种可以实现的方式，第三检测单元303，还用于：获取人体图像数据的样本；将预设的模型参数和人体图像数据的样本输入至支持向量机svm，利用预设函数进行基于模型参数优化的svm模型训练，并利用包含多种体态的基于加速度的公开数据集进行机器学习以得到训练好的网络模型；通过训练好的网络模型，利用随机森林算法提高分类准确率以得到多种运动类别的最终分类结果。
70.具体地，为保证系统的实时性，本发明使用支持向量机(svm)对摔倒进行判决。在这一阶段，系统将受试者的运动状态分为向前倾倒、向后滑倒、侧倒、坐、弯腰、蹲等类别。利用opencv提供的cvsvm类进行实现。设定参数后向svm分类器输入该参数并输入训练集，该训练集可以为上述人体图像数据的样本，使用train_auto()函数进行参数自动优化的svm模型训练。利用包含多种体态的基于加速度的公开数据集进行机器学习，并结合随机森林算法提高分类准确率。检测结果以百分制打分，其权重占比为65％。
71.进一步地，为降低系统误识别的概率，提高鲁棒性，本系统会在检测到受试者出现持续行为异常5秒后，触发相应响应。
72.作为一种可以实现的方式，本发明的预警装置，至少包括声光报警器，用于触发系统响应，响应人体姿态判断结果的预警指令以输出报警信号。
73.第二种是遇到火灾等外界突发情况，如图5所示，以火灾为例：若发生火灾时，由烟雾报警器发出警报，然后打开所有电动门帘，语音提示受试者有序离开，同时向调度中心发出警报以报告该系统所在地理位置，并语音播报提示火灾发生，请求周围群众的帮助。
74.根据本发明实施例的基于人体突发情况的人体姿态监控系统，对可能出现的多种
紧急情况进行了细致的划分，不同情况设计了较为周全的解决方案。结合相关硬件设施，部署于pcr自动采样系统中，能够有效及时的监控人体姿态，做出预警。
75.为了实现上述实施例，如图6所示，本实施例中还提供了基于人体突发情况的人体姿态监控方法，该方法包括：
76.s1,获取人体站立时非就位点位处的压力变化值和身高变化值以及监控范围内的人体图像数据；
77.s2,对压力变化值和身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果；
78.s3,对人体图像数据中的特征进行状态和运动阈值判断，以得到第三人体姿态判断结果；
79.s4,根据第一和第二人体姿态判断结果和第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。
80.进一步地，上述方法，还包括：
81.判断压力变化值和压力阈值的大小以得到所述第一人体姿态判断结果，并对压力阈值判断分配第一权重；
82.判断身高变化值和高度阈值的大小以得到第二人体姿态判断结果，并对高度阈值判断分配第二权重；
83.利用预训练的网络模型对人体图像数据进行异常行为状态检测，以通过状态和运动阈值判断得到第三人体姿态判断结果，并对状态和运动阈值判断分配第三权重；以及，
84.比较第一权重、第二权重和第三权重的和与权重阈值，根据权重比较结果判断是否触发系统响应。
85.进一步地，还包括：
86.对人体图像数据的一帧输入图像进行处理得到第一图像处理结果；
87.将第一图像处理结果输入至混合高斯模型gmm以输出运动目标分离的二值化图像，并利用形态学处理和矩形框优化对所述二值化图像处理得到第二图像处理结果；
88.根据第二图像处理结果中提取的状态特征和运动特征，分别进行状态阈值判断和运动阈值判断以识别站立状态和运动变化状态，并根据识别的站立状态和运动变化状态以得到人体处于运动且非站立状态的第三人体姿态判断结果。
89.进一步地，状态特征和运动特征包括多种运动类别；上述方法，还包括：
90.获取人体图像数据的样本；
91.将预设的模型参数和人体图像数据的样本输入至支持向量机svm，并使用预设的函数进行基于模型参数优化的svm模型训练，并利用包含多种体态的基于加速度的公开数据集进行机器学习以得到训练好的网络模型；
92.通过训练好的网络模型，以利用随机森林算法提高分类准确率以得到多种运动类别的最终分类结果。
93.根据本发明实施例的基于人体突发情况的人体姿态监控方法，对可能出现的多种紧急情况进行了细致的划分，不同情况设计了较为周全的解决方案。结合相关硬件设施，部署于pcr自动采样系统中，能够有效及时的监控人体姿态，做出预警。
94.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示
例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
95.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

技术特征：
1.一种基于人体突发情况的人体姿态监控系统，其特征在于，所述人体姿态监控系统包括：传感器、监控装置和处理器；其中，所述传感器，用于检测人体站立时非就位点位处的压力变化值和身高变化值；所述监控装置，用于采集监控范围内的人体图像数据；所述处理器，用于对所述压力变化值和所述身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果，对所述人体图像数据中的特征进行状态和运动阈值判断以得到第三人体姿态判断结果，并根据所述第一和第二人体姿态判断结果和所述第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。2.根据权利要求1所述的人体姿态监控系统，其特征在于，所述传感器，至少包括压力传感器、和光电传感器，所述监控装置，至少包括多个摄像头。3.根据权利要求1所述的人体姿态监控系统，其特征在于，所述处理器，还包括：第一检测单元，用于判断所述压力变化值和压力阈值的大小以得到所述第一人体姿态判断结果，并对所述压力阈值判断分配第一权重；第二检测单元，用于判断所述身高变化值和高度阈值的大小以得到所述第二人体姿态判断结果，并对所述高度阈值判断分配第二权重；第三检测单元，用于利用预训练的网络模型对所述人体图像数据进行异常行为状态检测，以通过状态和运动阈值判断得到第三人体姿态判断结果，并对所述状态和运动阈值判断分配第三权重；以及，权重判断单元，用于比较所述第一权重、所述第二权重和所述第三权重的和与权重阈值，根据权重比较结果判断是否触发系统响应。4.根据权利要求3所述的人体姿态监控系统，其特征在于，所述第三检测单元，还用于：对所述人体图像数据的一帧输入图像进行处理得到第一图像处理结果；将所述第一图像处理结果输入至混合高斯模型gmm以输出运动目标分类的二值化图像，并利用形态学处理和矩形框优化对所述二值化图像处理得到第二图像处理结果；根据所述第二图像处理结果中提取的状态特征和运动特征，分别进行状态阈值判断和运动阈值判断以识别站立状态和运动变化状态，并根据识别的站立状态和运动变化状态以得到人体处于运动且非站立状态的第三人体姿态判断结果；利用支持向量机对所述第三人体姿态判断结果进行分类以得到最终分类结果。5.根据权利要求4所述的人体姿态监控系统，其特征在于，所述状态特征和运动特征包括多种运动类别；所述第三检测单元，还用于：获取人体图像数据的样本；将预设的模型参数和所述人体图像数据的样本输入至支持向量机svm，利用预设函数进行基于模型参数优化的svm模型训练，并利用包含多种体态的基于加速度的公开数据集进行机器学习以得到训练好的网络模型；通过所述训练好的网络模型，利用随机森林算法提高分类准确率以得到所述多种运动类别的最终分类结果。6.根据权利要求1所述的人体姿态监控系统，其特征在于，还包括预警装置，所述预警装置，至少包括声光报警器，用于触发系统响应，响应所述人体姿态判断结果的预警指令以输出报警信号。
7.一种基于人体突发情况的人体姿态监控方法，其特征在于，包括以下步骤：获取人体站立时非就位点位处的压力变化值和身高变化值以及监控范围内的人体图像数据；对所述压力变化值和所述身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果；对所述人体图像数据中的特征进行状态和运动阈值判断，以得到第三人体姿态判断结果；根据所述第一和第二人体姿态判断结果和所述第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。8.根据权利要求7所述的人体姿态监控方法，其特征在于，所述方法，还包括：判断所述压力变化值和压力阈值的大小以得到所述第一人体姿态判断结果，并对所述压力阈值判断分配第一权重；判断所述身高变化值和高度阈值的大小以得到所述第二人体姿态判断结果，并对所述高度阈值判断分配第二权重；利用预训练的网络模型对所述人体图像数据进行异常行为状态检测，以通过状态和运动阈值判断得到所述第三人体姿态判断结果，并对所述状态和运动阈值判断分配第三权重；以及，比较所述第一权重、所述第二权重和所述第三权重的和与权重阈值，根据权重比较结果判断是否触发系统响应。9.根据权利要求8所述的人体姿态监控方法，其特征在于，所述对人体图像数据中的特征进行状态和运动阈值判断，以得到人体姿态判断结果，包括：对所述人体图像数据的一帧输入图像进行处理得到第一图像处理结果；将所述第一图像处理结果输入至混合高斯模型gmm以输出运动目标分离的二值化图像，并利用形态学处理和矩形框优化对所述二值化图像处理得到第二图像处理结果；根据所述第二图像处理结果中提取的状态特征和运动特征，分别进行状态阈值判断和运动阈值判断以识别站立状态和运动变化状态，并根据识别的站立状态和运动变化状态以得到人体处于运动且非站立状态的第三人体姿态判断结果。10.根据权利要求9所述的人体姿态监控方法，其特征在于，所述状态特征和运动特征包括多种运动类别；所述方法，还包括：利用支持向量机对所述第三人体姿态判断结果进行分类以得到最终分类结果，包括：获取人体图像数据的样本；将预设的模型参数和所述人体图像数据的样本输入至支持向量机svm，并使用预设的函数进行基于模型参数优化的svm模型训练，并利用包含多种体态的基于加速度的公开数据集进行机器学习以得到训练好的网络模型；通过所述训练好的网络模型，以利用随机森林算法提高分类准确率以得到所述多种运动类别的最终分类结果。

技术总结
本发明公开了一种基于人体突发情况的人体姿态监控系统及方法，该人体姿态监控系统包括：传感器，用于检测人体站立时非就位点位处的压力变化值和身高变化值；监控装置，用于采集监控范围内的人体图像数据；处理器，用于对压力变化值和身高变化值分别进行压力阈值判断和高度阈值判断对应得到第一和第二人体姿态判断结果，对人体图像数据中的特征进行状态和运动阈值判断以得到第三人体姿态判断结果，并根据第一和第二人体姿态判断结果和第三人体姿态判断结果对应的阈值判断的权重以判断是否触发系统响应。本发明对可能出现的不同类型的突发情况或紧急情况进行及时监控并预设对应处理手段，具有适用性强、用途多样的特点。具有适用性强、用途多样的特点。具有适用性强、用途多样的特点。


技术研发人员：罗霄 王延朋 王凡枭 陈祈冰
受保护的技术使用者：北京理工大学
技术研发日：2023.03.02
技术公布日：2023/7/21