一种非限制场景下的实时车牌检测识别系统

1.本发明涉及智能交通图像检测技术领域，更具体的说是涉及一种非限制场景下的实时车牌检测识别系统。


背景技术：

2.车牌是机动车的一个重要的身份标识，对其的精准识别具有较高的应用价值，并成为最近的研究热点。车牌检测识别(lpdr)技术己经被广泛应用于车辆身份认证、智能收费、车辆密度统计、门禁管理、智能驾驶、交通管控和交通场景理解等方面。
3.车牌检测识别方法大致可分为传统方法(非深度学习方法)和深度学习方法。传统方法大多采用手工选取特征来定位车牌的位置,然后用形态学的方法将车牌中的字符分离出来对单个字符进行识别，但是这种方法准确率不高，尤其在复杂场景下对车牌检测识别精度较差。深度学习方法一般情况下分两个步骤，即两个网络：检测网络与识别网络，检测网络用于定位图片中的车牌位置，识别网络用于识别车牌图片中的字符序列。
4.尽管lpdr研究取得了很多进展，但是大部分现有算法仅在光照、拍摄距离和拍摄角度等相对固定的受限场景中识别效果较好，尤其是自然场景中的车牌识别容易受到各种外部条件的限制。这些复杂情况包括：1)拍摄距离，拍摄的距离不同会导致车牌在图片中的宽高、比例不同；2)倾斜角度，因摄像头拍摄角度问题，引起拍摄的车牌图片都存在不同程度的倾斜；3)光照强度，车牌所处环境光照强度很强引起的车牌过度曝光或者光照强度很弱引起的画面黑暗；4)天气情况，获取车牌图片时天气情况较差，在雨天雪天或者大雾天气，增加了车牌图片的噪声；5)图片模糊，拍摄的时候因为镜头抖动或者获取图片的时候车子运行速度过快引起字符模糊；6)字符残缺，因为车牌上有污渍或者车牌被遮挡导致的个别字符部分残缺。这些限制使得精确的车牌识别变得困难。
5.因此提出一种非限制场景下的实时车牌检测识别系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。


技术实现要素：

6.有鉴于此，本发明提供了一种非限制场景下的实时车牌检测识别系统，车牌图片不需要辅助校正手段就可以进行精准识别，在车牌倾斜、光照条件恶劣、字符模糊等自然场景下都表现出良好的性能。
7.为了实现上述目的，本发明提供如下技术方案：
8.一种非限制场景下的实时车牌检测识别系统，主要包括：基于yolov5车牌检测网络与pdlpr车牌识别网络；
9.基于yolov5车牌检测网络接受输入的整车图片，定位图片中的车牌位置，然后输出仅包含车牌信息的车牌图片；pdlpr车牌识别网络以车牌图片为输入，把车牌图片经过特征提取、编码器编码和解码器解码操作后得到车牌字符序列。
10.可选的，pdlpr车牌识别网络包括3个模块：
11.依次连接的改进的全局特征提取器igfe、编码器encoder、并行解码器parallel decoder。
12.可选的，pdlpr车牌识别网络进行识别的具体内容如下：
13.先将输入的车牌图片进行预处理，再把预处理完的图片输入到改进的全局特征提取器igfe进行特征提取，预处理完的图片被转化为512*6*18的特征向量；在encoder部分，位置编码器先把从igfe部分得到的特征图进行位置编码，将得到的精确的位置编码与图像特征向量相加，再使用多头注意力机制把嵌入了位置编码的图像特征图进行编码；在并行解码器部分，训练时将真实车牌序列右移一位，然后加上对应的位置编码，再使用多头注意力机制multi-head attention把编码器输入的特征向量进行解码，预测每个字符的下一个位置的字符。
14.可选的，改进的全局特征提取器igfe包括1个focusstructure模块、2个convdownsampling模块和4个resblock模块。
15.可选的，focusstructure模块用于：
16.在输入的图片中每隔一个像素取一个值，一张图片就被均等分成四张特征图，然后将这4张特征图沿通道方向进行连接操作，则一张原本只有3通道的图片变成了一张12通道且宽高均为原来一半的特征图，最后将得到的特征图再经过卷积操作，完成二倍下采样操作。
17.可选的，编码器包括残差连接的3个单元，每个单元包含4个子模块:cnn block1，multi-head attention，cnn block2和add&norm。
18.可选的，并行解码器包括3个完全相同的解码单元，每个单元包含4个子模块:multi-head attention，masked multi-head attention，feed-forward network和add&norm。
19.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种非限制场景下的实时车牌检测识别系统，具有以下有益效果：
20.(1)本发明提出一个yolov5-pdlpr实时车牌检测识别算法，在车牌检测模块使用当前目标检测效率较高的yolov5算法，在车牌识别模块使用本发明提出的pdlpr车牌识别算法，该方法包含一个能够提取全局特征信息的特征提取器，相比传统的特征提取方式，此方法能够提取丰富的语义信息；
21.(2)同时充分发挥多头注意力的优势，训练数据不需要逐个标注车牌中单个字符位置，车牌图片不需要辅助校正手段就可以进行精准识别，在车牌倾斜、光照条件恶劣、字符模糊等自然场景下都表现出良好的性能。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
23.图1为本发明提供的车牌检测与识别网络整体框架图；
24.图2为本发明提供的车牌识别网络整体框架图；
25.图3为本发明提供的igfe网络结构图；
26.图4为本发明提供的focusstructure切片过程示意图；
27.图5为本发明提供的leakyrelu和relu；
28.图6为本发明提供的encoder网络结构图；
29.图7为本发明提供的decoder网络结构图
30.图8为本发明的部分车牌检测识别结果示意图；
31.图9为本发明的车牌识别热力图。
具体实施方式
32.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。
33.参照图1所示，本发明公开了一种非限制场景下的实时车牌检测识别系统，主要包括：基于yolov5车牌检测网络与pdlpr车牌识别网络；
34.基于yolov5车牌检测网络接受输入的整车图片，定位图片中的车牌位置，然后输出仅包含车牌信息的车牌图片；pdlpr车牌识别网络以车牌图片为输入，把车牌图片经过特征提取、编码器编码和并行解码器解码操作后得到车牌字符序列。
35.进一步的，pdlpr车牌识别网络包括3个模块：
36.改进的全局特征提取器(igfe)、编码器(encoder)、并行解码器(parallel decoder)。
37.进一步的，pdlpr车牌识别网络进行识别的具体步骤如下：
38.先将输入的车牌图片进行预处理，将图像的大小调整为48
×
144，再把预处理完的图片输入到igfe进行特征提取，图片被转化为512*6*18的特征向量；在encoder部分，位置编码器先把从igfe部分得到的特征图进行位置编码，将得到的精确的位置编码与图像特征向量相加，再使用多头注意力机制把嵌入了位置编码的图像特征图进行编码；在并行解码器部分，训练时将真实车牌序列右移一位，然后加上对应的位置编码，再使用多头注意力机制把编码器输入的特征向量进行解码，预测每个字符的下一个位置的字符。
39.具体的，并行解码器在测试的时候最开始输入一个特殊字符《start》作为开始解码的标志，然后依次预测下一个位置的字符。
40.更进一步的，改进的全局特征提取器包括1个focusstructure模块、2个convdownsampling模块和4个resblock模块；在网络开头部分加入focus结构。
41.进一步的，focusstructure模块中的具体步骤如下：
42.在输入的图片中每隔一个像素取一个值，一张图片就被均等分成四张特征图，然后将这4张特征图沿通道方向进行连接操作，于是一张原本只有3通道的图片变成了一张12通道且宽高均为原来一半的特征图，最后将得到的特征图再经过卷积操作，完成二倍下采样操作。
43.进一步的，编码器包括残差连接的3个单元，每个单元包含4个子模块:cnn block1，multi-head attention，cnn block2和add&norm。
44.更进一步的，并行解码器包括3个完全相同的解码单元，每个单元包含4个子模块:multi-head attention，masked multi-head attention，feed-forward network和add&norm。
45.参照图2所示，该模型主要分为3个模块：改进的全局特征提取器(improved global feature extrator,igfe)、编码器(encoder)、并行解码器(parallel decoder)。先将输入的车牌图片进行预处理，将图像的大小调整为48
×
144，再把预处理完的图片输入到igfe进行特征提取，图片被转化为512*6*18的特征向量。在encoder部分，位置编码器先把从igfe部分得到的特征图进行位置编码，将得到的精确的位置编码(positional encoding)与图像特征向量相加，再使用多头注意力机制(multi-head attention)把嵌入了位置编码的图像特征图进行编码。在并行解码器部分，训练时将真实车牌序列右移(shifted right)一位，然后加上对应的位置编码，再使用多头注意力机制把编码器输入的特征向量进行解码，预测每个字符的下一个位置的字符。并行解码器在测试的时候最开始输入一个特殊字符《start》作为开始解码的标志，然后依次预测下一个位置的字符。
46.本发明设计出一个改进的全局特征提取器(igfe)，在网络开头部分加入focus结构，实现特征图下采样的功能，同时保证特征信息不会发生丢失；在其他需要进行下采样操作的部分也用stride为2的卷积操作来替代池化操作，保证网络提取到特征的完整性，完整的特征信息可以使后续的车牌字符识别更加精确，提高车牌识别的精度。igfe模块的结构如图3所示，由1个focusstructure模块、2个convdownsampling模块和4个resblock模块组成。
47.a)focusstructure模块
48.focusstructure模块结构如图3中下部所示，用来对图片进行切片操作，其操作过程如图4所示，在输入的图片中每隔一个像素取一个值，这样一张图片就被均等分成四张特征图，然后将这4张特征图沿通道方向进行连接(concat)操作，于是一张原本只有3通道的图片变成了一张12通道且宽高均为原来一半的特征图，最后将得到的特征图再经过卷积操作，完成二倍下采样操作。与其他方式的下采样操作相比，focusstructure没有特征信息丢失，确保后续提取的语义信息更加完整、丰富。
49.b)resblock模块
50.每个resblock模块结构如图3中部所示，由2个残差连接的cnn编码器(cnn block)模块组成，残差连接可以避免网络在正向推理过程中引起的梯度消失和梯度爆炸。
51.cnn编码器模块中提取特征的卷积层我们使用conv2d并设置stride＝1，kernelsize＝3进行特征提取，然后将提取的特征依次通过batchnormalization层和激活函数层，用于提取图像的视觉特征。
52.激活函数使用图5(a)所示的leakyrelu而不是图5(b)所示的relu，因为relu函数的输入为负数时，输出总是为0，其导数也为0，这样容易造成”神经元死亡”(deadneuron)，也就是神经元不再进行学习，参数不再变化。leakyrelu针对输入为负数的情况，赋予了其较小的斜率取值，避免神经元死亡现象发生。
53.c)convdownsampling模块
54.本发明的下采样模块的结构与cnn block相同，但是在conv2d中设置stride为2进行下采样，使用卷积操作代替池化操作进行下采样，在下采样的过程中可以更多的保留特
征信息，从而提高车牌识别的精度。
55.参照图6所示，本发明的encoder编码器结构包括残差连接的3个单元，每个单元包含4个子模块:cnn block1，multi-head attention，cnn block2和add&norm，此处cnn block1、cnn block2结构相同，参数不同，参数在下文介绍。
56.首先，使用图6下部的cnn block1增加计算多头注意力之前特征向量维度，这样做可以在计算多头注意力的过程中提取更丰富的特征信息，此处设置stride＝1，kernelsize＝1，padding＝1，输出的维度为1024。
57.然后使用多头注意力对输入序列编码。此处采用并行处理的方式计算每个子空间上的注意力，再把不同空间的计算结果在列方向上连接起来，然后再做一次线性变换就得到最终的编码结果，这样做可以在多方面、多空间上关注特征之间的注意力。多头注意力mha(q,k,v)的计算如公式(1)所示：
[0058][0059]
公式(1)中q、k、v∈rn×d，，n＝width*height＝108，d＝1024，n＝width*height＝108，d＝1024，表示第i个子空间的注意力计算结果；表示第i个子空间的注意力计算结果；分别是将投影到q、k、v第i个子空间的投影矩阵；wo是计算头部(head)线性变换的矩阵；width和height分别是cnn block1输出的特征向量的宽和高；d的取值与cnn block1输出的特征向量的维度相等；h是多头注意力中的head数目，意味着从h个空间去关注特征(经过实验对比，h＝8时车牌识别精度最高，实验结果见ablation)。公式(1)中q、k、v的计算如公式(2)所示：
[0060][0061]
公式(2)中x∈rn×d，wq、wk、wv∈rd×d，xm∈r1×d。x是cnnblock1输出的特征向量，wq、wk、wv分别是三个不同的可训练权重，在训练最开始时通过随机初始化得到，然后在训练过程中通过梯度下降来更新，最终获得一个合适的权重来拟合真值。
[0062]
公式(1)中的每个的计算方式如公式(3)所示：
[0063][0064]
公式(3)中使用softmax函数是为了获得特征位置上的概率分布，引入是为了避免当与的点积过大，而导致softmax值趋于0。
[0065]
在计算完多头注意力后再用图6中部的cnn block2，将特征向量维度还原，保证编码器单元的前后输入输出维度一致，此处设置stride＝1，kernelsize＝1，padding＝1，输
出的维度为512。
[0066]
add&norm模块是把计算多头注意力前后的特征向量通过残差网络连接起来，再进行层归一化(layernormalization)操作，层归一化操作可以一定程度上防止模型的过拟合，以及加快模型的收敛速度。
[0067]
本发明在解码器部分利用了并行解码器。并行解码器和编码器网络中使用的多头注意力机制，通过多个注意力头(head)来计算输入到网络中的特征向量之间的相关性，使特征向量和车牌字符逐一匹配，达到定位车牌图片中的字符位置的效果，所以提供的训练数据集只需要提供车牌序列，不需要逐个标注字符位置。并行解码器网络结构如图7所示，由3个完全相同的解码单元组成，每个单元包含4个子模块:multi-head attention，masked multi-head attention，feed-forward network和add&norm。
[0068]
图7下部的masked multi-head attention的作用是防止模型关注后续序列信息，保证训练的并行性。具体做法是使用一个上三角部分元素都是-∞的矩阵和输入的特征向量相加，再把相加后的矩阵进行softmax操作，这样原来的特征向量矩阵就变成一个下三角特征向量矩阵。然后对经过掩蔽处理的特征矩阵计算multi-headattention，掩蔽操作能够限制每个时间步长的注意区域，保证每个位置的预测，只依赖该位置之前的已知输出。由于掩蔽的多头注意机制，整个训练过程只需要一次正向计算。而rnn模型在计算时，只有当t时刻运算结束了，t+1时刻才能继续往下计算。所以maskedmulti-headattention使得本发明所提出的模型的训练速度比使用rnn、lstm的模型快得多。
[0069]
然后把maskedmulti-headattention的输出通过一次add&norm模块，进行归一化操作，防止模型的过拟合，以及加快模型的收敛速度。
[0070]
encoder的输出特征向量在解码之前需要通过cnnblock3、cnn block4调整维度为512*18，减小特征向量的大小，进而减少解码器的计算量。然后把add&norm模块的输出作为q，把encoder的输出结果作为k、v输入到multi-headattention中，multi-headattention的计算过程与3.2中的相同。此处的k、v包含了车牌图片的特征信息，q包含了车牌标签的语义信息，使用多头注意力计算每个图片特征与标签文字特征的相关度，相关度越高则表示图片中对应位置区域是某个字符的概率越大。这部分的cnn block3设置卷积层的参数为stride＝3，kernelsize＝(2,1)，padding＝1，输出的维度为512；cnnblock4设置卷积层的参数为stride＝3，kernelsize＝1，padding＝(0,1)，输出的维度为512。
[0071]
图7中部的multi-head attention的计算过程与3.2中的相同，把add&norm模块的输出作为q，把encoder的输出结果作为k、v输入到multi-headattention中。此处的k、v包含了车牌图片的特征信息，q包含了车牌标签的语义信息，使用多头注意力计算每个图片特征与标签文字特征的相关度，相关度越高则表示图片中对应位置区域是某个字符的概率越大。
[0072]
把multi-head attention的输出特征再通过一次add&norm模块后输入到图7上部feed-forward network模块，它由两个线性变换构成，在第一个线性变换之后紧跟relu激活函数,再输入到第二个线性变换，feed-forward network的定义如公式(4)所示：ffn(x)＝max(0,xw1+b1)w2+b2(4)
[0073]
其中，w1∈rd×d以及w2∈rd×d为权重，b1∈rd以及b2∈rd为偏置。为了方便各层之间的残差连接，模型中所有的子层，都固定输出的维度为d＝512。
[0074]
最后将feed-forward network模块的输出结果再通过一次add&norm模块，加快模型的收敛速度。在ccpd数据集上，本发明所用车牌检测算法与其它检测算法的对比实验结果如表1所示。
[0075]
表1
[0076][0077]
从表1中可以看出，yolov5算法在整个ccpd测试集上的平均准确率高于所有对比算法，并且在ccpd-db、ccpd-fn、ccpd-rotate、ccpd-tilt和ccpd-weather上与准确率次高的算法相比分别提高了6.1％，8.9％，3.5％，4.2％和17.6％；检测速度达218.3fps，比对比算法中速度最快的rpnet提高155.3％，可以看出yolov5检测效率最高。
[0078]
在ccpd数据集上，本发明所提出的框架yolov5-pdlpr与其它检测与识别算法的对比结果如表2所示。
[0079]
表2
[0080][0081][0082]
从表2可以看出，本发明所提算法在整个ccpd测试集上的平均准确率为99.4％,高于所有对比算法，在ccpd测试集的子数据集ccpd-base、ccpd-db、ccpd-fn、ccpd-weather和ccpd-challenge上的测试准确率分别为99.9％、99.5％、99.5％、99.4％、94.1％，均高于所
有对比算法；在ccpd测试集的子数据集ccpd-rotate和ccpd-tilt上使用本发明提出方法进行识别得到的结果比fan提出的使用合成数据训练得到的结果低0.1％和0.3％，因为他们使用合成数据进行训练，使得他们的模型可以学习到更多的特征。但是在fan提出的没使用合成数据训练的识别结果中，本发明提出的算法的识别结果优于他们的算法。在运行速度的比较上，本发明所提算法是最快的，达到159.8fps，比次好的算法提高了87.1％，这是因为pdlpr模型在解码器部分模型采用并行推理的方式提高效率，并且在车牌检测任务完成后没有进行额外的校正操作节约识别时间。在该数据集上的实验结果表明我们的车牌识别模型在复杂场景下具有鲁棒性和高效的特点，是一种能够满足道路监控要求的实时识别框架。
[0083]
部分车牌检测识别结果对比如图8所示，其中zhang等的方法未使用车牌检测网络定位车牌位置，直接输入真实车牌图片进行识别，xu等的方法和本发明提出的方法都使用车牌定位网络的结果进行识别。图6中第一行gt表示车牌的真实序列，每个车牌图片下方的pred表示预测的车牌序列，pred中红色字体表示该字符未被正确识别，黑色字体表示该字符被正确识别。从图8可以看出，在光照强度、车牌倾斜、车牌模糊的情况下有些字符被zhang等的方法和xu等的方法错误识别，而我们的方能够准确定位正确识别，这表明我们提出的算法在复杂场景下表现更好。
[0084]
将一些字符的热力图与原图进行叠加，可以让我们观察到网络关注的字符的位置。如图9所示，总共有6列，每列展示不同倾斜情况的车牌识别热力图，每列第一行表示不同车牌的原始图像，第二行开始依次为每个字符的注意力字符效果图。每列从上往下，若车牌中的某个字符颜色越深，则表明网络更关注该位置的字符特征，然后网络提取这些特征进行识别。例如，在车牌“皖a0e912”中第二行中“皖”字符颜色较深，表示网络更关心“皖”位置的特征。第三行中“a”字符的颜色较深表示网络更加关注“a”字符位置上的特征。同理，网络能够定位车牌上所有字符位置上的特征，从而准确识别车牌中的字符。
[0085]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0086]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种非限制场景下的实时车牌检测识别系统，其特征在于，主要包括：基于yolov5车牌检测网络与pdlpr车牌识别网络；基于yolov5车牌检测网络接受输入的整车图片，定位图片中的车牌位置，然后输出仅包含车牌信息的车牌图片；pdlpr车牌识别网络以车牌图片为输入，把车牌图片经过特征提取、编码器编码和并行解码器解码操作后得到车牌字符序列。2.根据权利要求1所述的一种非限制场景下的实时车牌检测识别系统，其特征在于，pdlpr车牌识别网络包括3个模块：依次连接的改进的全局特征提取器igfe、编码器encoder、并行解码器paralleldecoder。3.根据权利要求2所述的一种非限制场景下的实时车牌检测识别系统，其特征在于，pdlpr车牌识别网络进行识别的具体内容如下：先将输入的车牌图片进行预处理，再把预处理完的图片输入到改进的全局特征提取器igfe进行特征提取，预处理完的图片被转化为512*6*18的特征向量；在encoder部分，位置编码器先把从igfe部分得到的特征图进行位置编码，将得到的精确的位置编码与图像特征向量相加，再使用多头注意力机制把嵌入了位置编码的图像特征图进行编码；在并行解码器部分，训练时将真实车牌序列右移一位，然后加上对应的位置编码，再使用多头注意力机制multi-headattention把编码器输入的特征向量进行解码，预测每个字符的下一个位置的字符。4.根据权利要求2所述的一种非限制场景下的实时车牌检测识别系统，其特征在于，改进的全局特征提取器igfe包括1个focusstructure模块、2个convdownsampling模块和4个resblock模块。5.根据权利要求4所述的一种非限制场景下的实时车牌检测识别系统，其特征在于，focusstructure模块用于：在输入的图片中每隔一个像素取一个值，一张图片就被均等分成四张特征图，然后将这4张特征图沿通道方向进行连接操作，则一张原本只有3通道的图片变成了一张12通道且宽高均为原来一半的特征图，最后将得到的特征图再经过卷积操作，完成二倍下采样操作。6.根据权利要求2所述的一种非限制场景下的实时车牌检测识别系统，其特征在于，编码器包括残差连接的3个单元，每个单元包含4个子模块:cnn block1，multi-headattention，cnnblock2和add&norm。7.根据权利要求2所述的一种非限制场景下的实时车牌检测识别系统，其特征在于，并行解码器包括3个完全相同的解码单元，每个单元包含4个子模块:multi-headattention，maskedmulti-headattention，feed-forwardnetwork和add&norm。

技术总结
本发明公开了一种非限制场景下的实时车牌检测识别系统，应用于智能交通图像检测技术领域，其中包括：基于YOLOv5车牌检测网络与PDLPR车牌识别网络。在车牌检测模块使用当前目标检测效率较高的YOLOv5算法，在车牌识别模块使用本发明提出的PDLPR车牌识别算法，该方法包含一个能够提取全局特征信息的特征提取器，相比传统的特征提取方式，此方法能够提取丰富的语义信息；同时充分发挥多头注意力的优势，训练数据不需要逐个标注车牌中单个字符位置，车牌图片不需要辅助校正手段就可以进行精准识别，在车牌倾斜、光照条件恶劣、字符模糊等自然场景下都表现出良好的性能。自然场景下都表现出良好的性能。自然场景下都表现出良好的性能。


技术研发人员：铁治欣 洪顺贺 陶灵兵 林永兴
受保护的技术使用者：浙江理工大学
技术研发日：2023.05.15
技术公布日：2023/8/9