基于轻量神经网络的新型星图识别方法

1.本发明涉及星图识别技术领域，具体涉及一种针对星敏感器运行过程中的核心过程——星图识别的方法，尤指一种基于轻量神经网络的新型星图识别方法。


背景技术：

2.星敏感器是目前航天器上应用最为广泛的姿态敏感器，是航天器能够稳定飞行、稳定观测以及完成其自身任务的重要前提。星敏感器以太阳系外相对位置稳定不变的天体作为姿态测量的参照，其工作原理是使用其光学系统对恒星成像，通过预处理及恒星的质心提取，计算得到恒星的图像坐标。然后利用星图识别算法将拍摄到的恒星与导航星表中的星点进行匹配，根据拍摄到的恒星的图像坐标和导航星表中的恒星的天球坐标，结合星敏感器的内外参数，就可以解算出星敏感器坐标系在天球坐标系中的姿态，进而得到航天器的姿态。星图识别的方法是星敏感器工作过程中最为重要的过程之一，星图识别的效率和鲁棒性直接影响着星敏感器获取姿态的精度和效率。
3.目前主要的星图识别方法有三角形算法、金字塔算法、栅格算法、极坐标变换算法、遗传算法、奇异值算法和神经网络算法等。传统的算法或是需要庞大的识别数据库，又或是过于依赖精确的角距测量信息，部分算法还需要选择基准星，因此，这些算法的效率和抵抗噪声干扰的能力都有待提高。基于神经网络的星图识别算法具有识别速度快、鲁棒性高的优点，成为目前星图识别研究的新方向。但这些神经网络方法普遍面临着所用的特征不够鲁棒、网络太过复杂等缺点。对于计算资源较为紧张的星敏感器来说，目前还没有特别有效的神经网络星图识别方案。


技术实现要素：

4.本发明的目的在于提供一种基于轻量神经网络的新型星图识别方法，解决了现有技术存在的无法很好地抵抗噪声干扰、识别数据库庞大、容易产生误识别等问题。本发明具有对噪声鲁棒的特点，同时有着较小的网络规模，分类效率较高，消耗资源较少，具有在轨部署的潜力。本发明通过提出一种鲁棒的导航星特征——等频分箱径向特征，作为神经网络分类的输入数据，来达到对噪声鲁棒的效果；通过构建的轻量神经网络，保证算法的运行效率高；最后使用三角形循环匹配方法，充分利用神经网络的高效匹配和三角形匹配的稳定性，可以有效提高识别率，降低误识别率。与传统的星图识别算法相比，本发明能使星图识别的过程更加准确、高效。
5.本发明的上述目的通过以下技术方案实现：
6.一种基于轻量神经网络的新型星图识别方法，构建导航星表，提取导航星表内的所有导航星的邻星；针对每个导航星周围的伴星分布，都添加不同等级的噪声，并提取导航星的等频分箱径向特征，构建训练集；搭建轻量神经网络，使用训练集训练，得到特征分类模型；在实际识别一幅星图的过程中，首先从识别区域选取导航星，构建导航星的等频分箱径向特征；然后使用三角形循环匹配的方法来验证网络的分类结果，循环提取三颗星进行
识别、验证，直到有三颗星的图像角距和星表角距都通过了匹配，即可认为成功识别了这幅星图。具体步骤如下：
7.步骤一、根据星敏感器的极限星等探测能力m，从原始星表中截取星等提取导航星表，截取的星等的值需要略大于星敏感器的极限星等探测能力；
8.步骤二、提取导航星表中的导航星的等频分箱径向特征efb-rf，首先确定特征生成域fgd的大小，fgd是以导航星为圆心，半径为r
fgd
的一个圆形区域，该圆形区域内的伴星参与导航星的efb-rf的生成；为了使识别一幅星图时能够使足够多的星生成完整的efb-rf，同时保证fgd内有足够多的邻星来生成独特的特征，将r
fgd
设置为r
fov
为星敏感器视场的最大内接圆的半径；
9.等频分箱后的fgd被分成k个面积相等的环带间隔；当fgd从s0到s
k-1
被分成k个区间后，区间的面积将满足公式(1.1)；
[0010][0011]
其中area(si)为第i个区间的面积，area(fgd)为整个fgd的面积；由式(1.1)可得第i个区间的外侧圆半径对于一颗与导航星角距为d
gn
的伴星来说，角距d
gn
与伴星所在区间号j有如下关系：
[0012][0013]
由式(1.2)可得
[0014][0015]
其中area(d
gn
)是以导航星为圆心，d
gn
为半径的圆的面积；计算导航星的fgd内的全部伴星，计算角距，得到每个伴星的所在区间；统计每个区间内的伴星数量，得到k个整数值，构成一维向量；
[0016]
步骤三、提取导航星表内的所有星点的fgd内的伴星；提取伴星的等频分箱径向特征，加入各种等级的噪声，包括伪星、位置噪声，构成训练集；
[0017]
步骤四、构建用于特征分类的轻量神经网络，使用制备好的训练集训练网络，得到特征分类模型；
[0018]
步骤五、神经网络在训练过程中会学习如何从不同噪声级别的样本中正确识别efb-rf，输出正确的分类结果；用于训练的损失函数为交叉熵损失函数，利用随机梯度下降对网络模型中的参数进行优化，使输入的交叉熵损失最小化；
[0019]
步骤六、使用三角形循环验证对神经网络的识别结果进行验证。
[0020]
步骤四所述的用于特征分类的轻量神经网络包含两个隐藏层，每个隐藏层后面都有一个批归一化层bn，用于加速收敛，提高网络泛化能力；同时给每个隐藏层都添加relu激活函数，使网络能够具备非线性映射的能力；最后在输出层的后面添加softmax激活函数，使得网络的输出归一化为概率；网络的输出是一个概率分布p
0-n
，pi表示网络识别出样本为
导航星表中序号为i的星的概率，且
[0021]
步骤六所述的使用三角形循环验证对神经网络的识别结果进行验证，具体是：
[0022]
在识别一幅星图的过程中，以图像主点为圆心，划定识别区域的半径为此时能保证区域内的星能提取到完整的efb-rf，选取区域内的星进行识别；将识别区域内的星按星等排序，按序提取未识别过的前三颗星的efb-rf，使用训练好的特征分类模型进行识别；用于三角形验证的星首先要使用分类概率阈值p
th
来剔除一部分识别结果；对于网络输出的分类概率p，有且只有当p≥p
th
时，才能被用于三角形验证；然后计算星图中这三颗星之间的星图角距
[0023]
对于两颗星x(x
x
,y
x
)和y(xy,yy)，其角距由下式表示：
[0024][0025][0026][0027]
根据识别出来的星号id
x
、idy和idz，从导航星表中提取这三个星号对应的星的天球坐标(α
x
,β
x
)、(αy,βy)和(αz,βz)，再根据公式(1.7)计算星表角距
[0028][0029]
将对应的星图角距和星表角距进行比较，检查星表角距和星图角距是否匹配；匹配的规则是两颗星的星图角距和真实角距之差小于δd，即，只有当三个对应的角距都匹配时，才认为这幅星图识别成功；否则仍需从星图中选取星点进行识别验证，直到星图识别成功；当这幅星图中的识别区域的星全部识别过一次，且此时还没成功验证，那就说明这幅星图识别失败。
[0030]
本发明的有益效果在于：
[0031]
本发明采用当下较为流行的神经网络来设计星图识别方法，隐式存储导航星的特征，通过前向推演计算特征最有可能属于的导航星的概率，可以摆脱传统星图识别中的数据库匹配的过程，能够实现高效的星图识别。
[0032]
为神经网络特别设计的等频分箱径向特征，其使用伴星数量分布来构建，能抵抗大量的伪星干扰。同时星点的位置偏移能够被限制在区间内，对特征的影响较小，使算法对位置噪声较为鲁棒。
[0033]
三角形循环匹配机制充分利用神经网络匹配速度快的特点，结合三角形匹配稳定的原理，为特征分类网络输出的结果进行验证，能极大地提高星图识别的识别率，降低误识别率。
[0034]
这种方法与传统的星图识别方法相比，具有识别速度快、识别率高、对噪声鲁棒还
有能适应大视场星敏感器的优点，为卫星的稳定运行提供了一个稳定可靠的核心算法。
附图说明
[0035]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0036]
图1为本发明的efb-rf的提取方法示意图；
[0037]
图2为本发明的噪声示意图；
[0038]
图3为本发明的轻量神经网络结构图；
[0039]
图4为本发明的三角形循环匹配验证流程图；
[0040]
图5为本发明的星敏感器工作示意图；
[0041]
图6为本发明的神经网络星图识别算法流程图。
具体实施方式
[0042]
下面将结合附图，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，都属于本发明保护的范围。为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0043]
参见图1至图6所示，本发明的基于轻量神经网络的新型星图识别方法，通过构建导航星表，提取导航星表内的所有导航星的伴星。针对每个导航星，都添加不同等级的噪声，并提取导航星的等频分箱径向特征，构建训练集。搭建轻量神经网络，使用训练集训练，得到特征分类模型。然后使用三角形循环匹配的方法来验证网络的分类结果，循环提取三颗星进行识别、验证，直到有三颗星的图像角距和星表角距都通过了匹配，即可认为成功识别了这幅星图。具体包括如下步骤：
[0044]
步骤一：根据星敏感器的极限星等探测能力m，从原始星表中截取星等提取导航星表。
[0045]
其中，关于导航星表gcat的构建，选用的原始星表是第谷2星表。截取的星等的值应该略大于星敏感器的极限星等探测能力。
[0046]
在一个具体实施例中，当星敏感器的极限星等探测能力为m时，截取的星等值为g，那么截取后的导航星表中的任意一颗星s的星等大小ms都应该小于m+c，即对于有ms＜m+c，c为一个大于零的常数，此时g＝m+c。
[0047]
步骤二：提取导航星表中的导航星的等频分箱径向特征(equal-frequency binning radial feature，efb-rf)。
[0048]
径向特征是一种将导航星周围的伴星的二维几何分布转换为一维径向分布的特征。这种特征具有旋转不变性，是较为理想的星图识别特征之一。等频分箱是一种离散化方法，目的是使划分的区间内的数据的统计数量保持一致。efb-rf是在传统径向特征的基础上，通过非均匀划分区间，使得星点落在不同区间的概率相同，从而构成了efb-rf。使用等面积划分的方式可以实现径向区间的等频划分。
[0049]
提取efb-rf首先需要确定特征生成域(feature generation domain，fgd)的大
小。fgd是以导航星为圆心的一个圆形区域，该区域内的伴星将参与导航星的efb-rf的生成。fgd是一个以导航星为圆心，半径为r
fgd
的一个圆形区域，该圆形区域内的伴星参与导航星的efb-rf的生成；。为了使识别一幅星图时能够使足够多的星生成完整的efb-rf，同时还得保证fgd内有足够多的伴星来生成独特的特征，需要将r
fgd
设置为r
fov
为星敏感器视场的最大内接圆的半径。
[0050]
图1展示了提取efb-rf的示意图。等频分箱后的fgd被分成k个面积相等的环带间隔。当fgd从s0到s
k-1
被分成k个区间后，区间的面积将满足公式(1.1)。
[0051][0052]
其中area(si)为第i个区间的面积，area(fgd)为fgd的面积。由(1.1)可得第i个区间的外侧圆半径对于一颗与导航星角距为d
gn
的星来说，角距d
gn
与伴星所在区间号j有如下关系：
[0053][0054]
由(1.2)可得
[0055][0056]
其中area(d
gn
)是以导航星为圆心，d
gn
为半径的圆的面积。计算导航星的fgd内的全部邻星，计算角距，得到每个伴星的所在区间。统计每个区间内的伴星数量，得到k个整数值，构成一维向量。
[0057]
步骤三：提取导航星表内的所有星点的fgd内的伴星。提取伴星的等频分箱径向特征，加入各种等级的噪声(伪星、位置噪声)构成训练集。图3展示了这两种噪声的示意图。
[0058]
具体的噪声生成方法如下：
[0059]
位置噪声：光学系统的畸变和星点质心提取的误差会导致星点的图像坐标产生偏移，这就是位置噪声。位置噪声训练样本生成的具体方法是向导航星的伴星的图像坐标上添加随机偏移，x坐标和y坐标添加的随机偏移都满足均值为0，标准差为σ的正态分布，即(x+p
x
,y+py),p
x
n(0,σ2)，pyn(0,σ2)。
[0060]
对于每个导航星，添加的位置噪声的标准差从0.1像素到1.6像素，共16个等级，每个等级相差0.1像素。每个等级中都有十个不同的样本，即，对于一个导航星，共有160个位置噪声样本。
[0061]
伪星：伪星的来源有系内行星、小行星、高能粒子、背景白噪声或航天器等。其成像特征与星点相似，无法通过星图预处理阶段去除。伪星对于传统星图识别算法的影响较大，为了降低伪星的影响，在构建训练集时，向导航星的fgd中添加位置随机的伪星。考虑到在现实情况中，不同噪声不会只出现一种，因此伪星的添加是在位置噪声样本的基础上进行添加的。伪星添加的数量是通过伴星的百分比来确定的。针对每个样本都随机添加0％～30％的伪星，每个伪星都是先随机产生一个方向角θu(0
°
,360
°
)，然后在产生一个随机的距
离ru(0,r
fgd
)。
[0062]
每个导航星都有160个不同等级的噪声样本，因此共160*n个样本，这些样本都带有准确的星id，构成了训练集。
[0063]
步骤四：构建用于特征分类的轻量神经网络，使用制备的训练集训练网络，得到特征分类网络。
[0064]
轻量神经网络的结构如图3所示。用于特征分类的轻量神经网络包含两个隐藏层，每个隐藏层后面都有一个批归一化层(batch normalization，bn)，用于加速收敛，提高网络泛化能力。同时给每个隐藏层都添加relu激活函数，使网络能够具备非线性映射的能力。最后在输出层的后面添加softmax激活函数，使得网络的输出归一化为概率。
[0065]
各层参数如表格1所示：
[0066]
表格1轻量分类网络各层参数
[0067][0068]
网络的输出是一个概率分布p
0-n
，pi表示网络识别出该样本为导航星表中序号为i的星的概率，且
[0069]
步骤五：在这一步中，网络将学习如何从不同噪声级别的样本中正确识别efb-rf，输出正确的分类结果。用于训练的损失函数为交叉熵损失函数，利用随机梯度下降对网络模型中的参数进行优化，使输入的交叉熵损失最小化，网络训练的超参数如表格2所示：
[0070]
表格2轻量分类网络训练参数
[0071][0072]
神经网络星图识别算法属于模式识别算法的一种，只考虑对单个导航星的识别，而且也会有误识别的情况发生。使用神经网络识别一颗星，会得到一个概率分布，采用概率最高的那个类别作为识别结果。但当最高的识别概率也很低时，就说明网络无法判定是哪颗星，此时的识别结果不够可靠。而且将单个导航星的识别结果作为一帧星图的识别结果是很不负责的，也不会有很出色的表现。因此，使用神经网络进行星图识别时必须增加验证
步骤来对识别结果加以筛选，剔除误识别。
[0073]
步骤六：使用三角形循环验证对神经网络的识别结果进行验证，这一步骤结合了传统的三角形匹配，重复利用神经网络高效的导航星匹配效率，能够快速并准确地验证识别结果，提高识别率，降低误识别率。
[0074]
图4三角形循环验证的流程示意图。在识别一幅星图的过程中，以图像主点为圆心，划定识别区域的半径为此时能保证区域内的星能提取到完整的efb-rf，选取区域内的星进行识别；将识别区域内的星按星等排序，按序提取未识别过的前三颗星的efb-rf，使用训练好的特征分类模型进行识别。用于三角形验证的星首先要使用分类概率阈值p
th
来剔除一部分识别结果；对于网络输出的分类概率p，有且只有当p≥p
th
时，才能被用于三角形验证；然后计算星图中这三颗星之间的星图角距
[0075]
对于两颗星x(x
x
,y
x
)和y(xy,yy)，其星图角距可由下式表示：
[0076][0077][0078][0079]
用于三角形验证的星首先要使用分类概率阈值p
th
来剔除一部分识别结果。对于网络输出的分类概率p，有且只有当p≥p
th
时，才能被用于三角形验证。
[0080]
然后根据识别出来的星号id
x
、idy和idz，从导航星表中提取这三个星号对应的星的天球坐标(α
x
,β
x
)、(αy,βy)和(αz,βz)，再根据(1.7)计算星表角距
[0081][0082]
将对应的星图角距和星表角距进行比较，检查星表角距和星图角距是否匹配；匹配的规则是两颗星的星图角距和真实角距之差小于δd，即，只有当三个对应的角距都匹配时，才认为这幅星图识别成功；否则仍需从星图中选取星点进行识别验证，直到星图识别成功。当这幅星图中的识别区域的星全部识别过一次，且此时还没成功验证，那就说明这幅星图识别失败。
[0083]
实施例：
[0084]
当具体实施本方法时，需要解决一些变量的选取，常数c、区间划分数量k、分类概率阈值p
th
和角距差δd。而r
fgd
和星图中的识别区域的大小与实际使用的星敏感器的光学参数有关。
[0085]
例如一个星敏感器的光学参数如表格3所示：
[0086]
表格3一种星敏感器的光学参数
[0087][0088]
此时可以设定识别区域的半径r
iden
也为10
°
。常数c可选为0.5，此时截取星表的星等值g＝6.5mv。
[0089]
分类概率阈值p
th
的选取需要适中，太小的p
th
会使剔除结果的作用降低，增加三角形验证的次数，而太大的p
th
则会丢弃很多原本正确识别的结果，在复杂噪声环境下会使可用于三角形验证的星大幅减少，增加识别时间，甚至会降低识别成功率。取p
th
＝0.5对于大多数情况来说是比较合理的选择。
[0090]
考虑到位置噪声的存在，角距差δd的选取也不能太小，否则将很难完成角距匹配。根据具体实施时的星敏感器的光学参数，将两个像素的图象距离转换为角距，并设定为角距差的值。本例中的角距差
[0091]
区间划分数量k的确定需要根据当前实施的星敏感器的光学参数来通过实验确定。区间划分数量k的大小和网络的输入层有关，会影响网络模型的复杂度，因此在保证识别率的情况下选用最小的划分数量作为完整方法的k的取值。为了确定k的大小，需要提前确定k的大致范围(10到50)，在这个范围内选取k的值，根据上述步骤构建训练集和神经网络并训练模型，对比不同的k值下，模型对较低等级噪声样本(伪星比例为5％，位置噪声为0.1像素)的识别结果。在识别结果较好的一系列k值中，选取最小的k作为完整方法的k的取值。在本实施例中，通过实验确定了k的取值为26。
[0092]
以上所述仅为本发明的优选实例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于轻量神经网络的新型星图识别方法，其特征在于：构建导航星表，提取导航星表内的所有导航星的邻星；针对每个导航星周围的伴星分布，都添加不同等级的噪声，并提取导航星的等频分箱径向特征，构建训练集；搭建轻量神经网络，使用训练集训练，得到特征分类模型；在实际识别一幅星图的过程中，首先从识别区域选取导航星，构建导航星的等频分箱径向特征；然后使用三角形循环匹配的方法来验证网络的分类结果，循环提取三颗星进行识别、验证，直到有三颗星的图像角距和星表角距都通过了匹配，即可认为成功识别了这幅星图。2.根据权利要求1所述的一种基于轻量神经网络的新型星图识别方法，其特征在于：包括如下步骤：步骤一、根据星敏感器的极限星等探测能力m，从原始星表中截取星等提取导航星表，截取的星等的值需要略大于星敏感器的极限星等探测能力；步骤二、提取导航星表中的导航星的等频分箱径向特征efb-rf，首先确定特征生成域fgd的大小，fgd是以导航星为圆心，半径为r
fgd
的一个圆形区域，该圆形区域内的伴星参与导航星的efb-rf的生成；为了使识别一幅星图时能够使足够多的星生成完整的efb-rf，同时保证fgd内有足够多的邻星来生成独特的特征，将r
fgd
设置为r
fov
为星敏感器视场的最大内接圆的半径；等频分箱后的fgd被分成k个面积相等的环带间隔；当fgd从s0到s
k-1
被分成k个区间后，区间的面积将满足公式(1.1)；其中area(s
i
)为第i个区间的面积，area(fgd)为整个fgd的面积；由式(1.1)可得第i个区间的外侧圆半径对于一颗与导航星角距为d
gn
的伴星来说，角距d
gn
与伴星所在区间号j有如下关系：由式(1.2)可得其中area(d
gn
)是以导航星为圆心，d
gn
为半径的圆的面积；计算导航星的fgd内的全部伴星，计算角距，得到每个伴星的所在区间；统计每个区间内的伴星数量，得到k个整数值，构成一维向量；步骤三、提取导航星表内的所有星点的fgd内的伴星；提取伴星的等频分箱径向特征，加入各种等级的噪声，包括伪星、位置噪声，构成训练集；步骤四、构建用于特征分类的轻量神经网络，使用制备好的训练集训练网络，得到特征分类模型；
步骤五、神经网络在训练过程中会学习如何从不同噪声级别的样本中正确识别efb-rf，输出正确的分类结果；用于训练的损失函数为交叉熵损失函数，利用随机梯度下降对网络模型中的参数进行优化，使输入的交叉熵损失最小化；步骤六、使用三角形循环验证对神经网络的识别结果进行验证。3.根据权利要求2所述的基于轻量神经网络的新型星图识别方法，其特征在于：步骤四所述的用于特征分类的轻量神经网络包含两个隐藏层，每个隐藏层后面都有一个批归一化层bn，用于加速收敛，提高网络泛化能力；同时给每个隐藏层都添加relu激活函数，使网络能够具备非线性映射的能力；最后在输出层的后面添加softmax激活函数，使得网络的输出归一化为概率；网络的输出是一个概率分布p
0-n
，p
i
表示网络识别出样本为导航星表中序号为i的星的概率，且4.根据权利要求2所述的基于轻量神经网络的新型星图识别方法，其特征在于：步骤六所述的使用三角形循环验证对神经网络的识别结果进行验证，具体是：在识别一幅星图的过程中，以图像主点为圆心，划定识别区域的半径为此时能保证区域内的星能提取到完整的efb-rf，选取区域内的星进行识别；将识别区域内的星按星等排序，按序提取未识别过的前三颗星的efb-rf，使用训练好的特征分类模型进行识别；用于三角形验证的星首先要使用分类概率阈值p
th
来剔除一部分识别结果；对于网络输出的分类概率p，有且只有当p≥p
th
时，才能被用于三角形验证；然后计算星图中这三颗星之间的星图角距对于两颗星x(x
x
,y
x
)和y(x
y
,y
y
)，其角距由下式表示：由下式表示：由下式表示：根据识别出来的星号id
x
、id
y
和id
z
，从导航星表中提取这三个星号对应的星的天球坐标(α
x
,β
x
)、(α
y
,β
y
)和(α
z
,β
z
)，再根据公式(1.7)计算星表角距)，再根据公式(1.7)计算星表角距将对应的星图角距和星表角距进行比较，检查星表角距和星图角距是否匹配；匹配的规则是两颗星的星图角距和真实角距之差小于δd，即，只有当三个对应的角距都匹配时，才认为这幅星图识别成功；否则仍需从星图中选取星点进行识别验证，直到星图识别成功；当这幅星图中的识别区域的星全部识别过一次，且此时还没成功验证，那就说明这幅星图识别失败。

技术总结
本发明涉及一种基于轻量神经网络的新型星图识别方法，属于星图识别技术领域。首先构建导航星表，提取导航星表内的所有导航星的伴星。针对每个导航星周围的伴星分布，都添加不同等级的噪声，并提取导航星的等频分箱径向特征，构建训练集。搭建轻量神经网络，使用训练集训练，得到特征分类模型。在实际识别一幅星图的过程中，首先从识别区域选取导航星，构建导航星的等频分箱径向特征。然后使用三角形循环匹配的方法来验证网络的分类结果，循环提取三颗星进行识别、验证，直到有三颗星的图像角距和星表角距都通过了匹配，即可认为成功识别了这幅星图。这幅星图。这幅星图。


技术研发人员：吴量 张凯旋 曹德坤 郝堋宇
受保护的技术使用者：长春工业大学
技术研发日：2023.03.13
技术公布日：2023/7/22