一种基与改进blazepose-lstm的船员跌倒检测方法及装置
技术领域
1.本发明涉及航船舶安全技术领域，具体涉及一种基与改进blazepose-lstm的船员跌倒检测方法，该方法能够用于海上在航船舶船员的跌倒检测。
背景技术：2.船员跌倒会导致扭伤、擦伤等轻伤，某些特殊作业状态如果发生跌倒还会导致严重的系列性事故，例如骨折、脑出血等，影响在航船舶的航行状态、增加船员家庭的经济负担以及影响船员的生存质量。为了减轻船员跌倒造成的伤害与后果，准确检测在航船舶船员跌倒并及时救治跌倒船员变得越来越重要。目前基于视觉传感器的船员跌倒检测方法中，常用的跌倒检测算法主要分为两种：一种是阈值法，阈值法多是提取可以表征人体运动信息的人体特征，再辅以统计学方法进行预处理，之后与提前设置好的阈值进行比较，其中阈值更多的依赖所提取的运动信息；另一种是机器学习算法，该方法是将船员跌倒行为转换为一个多分类的问题，即对跌倒行为以及其他相似行为进行分类。
3.但是，上述两种跌倒检测方法都非常依赖提取出的被检测人员的特征，具有主观随意性，因此很容易造成特征选取的偏差，不能很好的表征船员的运动状态。
技术实现要素：4.发明目的：本发明旨在针对现有跌倒检测算法准确性较差的缺陷，提出一种基与改进blazepose-lstm的船员跌倒检测方法，
5.技术方案：为实现上述目的，本发明第一方面提出一种基与改进blazepose-lstm 的船员跌倒检测方法，包括步骤：
6.s1、获取包含人体各种姿态的视频图像；
7.s2、依次对所述视频图像的每个图像帧进行头部检测，直至提取出第一个人体头部边框，再根据维特鲁威人体学说中头部与身体的比例，计算出人体边界框和臀部中心点坐标；
8.s3、采用所述人体边界框处理下一图像帧，并计算相邻图像帧间人体臀部中心点坐标的变化作为偏移矢量，表达式为：
9.θ＝arctan([y
t-(y
t-1
+0.5
×fw
)]/[x
t-(x
t-1
+0.5
×fh
)])
[0010][0011]
其中，θ为所述偏移矢量的角度，l为所述偏移矢量的长度，(x
t-1
,y
t-1
)表示前一个图像帧的人体臀部中心点坐标，(x
t
,y
t
)表示后一个图像帧的人体臀部中心点坐标，fw为头部边界框的宽，fh为头部边界框的高；
[0012]
采用所述偏移矢量更新所述人体边界框：
[0013]bx
＝b
x
+l
×
cosθ
[0014]by
＝by+l
×
sinθ
[0015]
其中，b
x
、by为所述人体边界框中心点的横、纵坐标；
[0016]
s4、将通过所述人体边界框提取的人体图像和臀部中心点坐标输入blazepose网络模型，通过所述blazepose网络模型中的关键点提取网络提取人体关键点；若所述 blazepose网络无法输出人体关键点，则重新对当前图像帧进行人体头部边框提取和人体边界框提取；否则，对所述blazepose网络模型输出的人体关键点添加对应的姿态标签，作为训练样本；
[0017]
s5、搭建lstm模型；通过所述训练样本训练所述lstm模型；
[0018]
s6、将待检测的船员姿态图像输入所述lstm模型，得到检测结果。
[0019]
作为本发明第一方面的一种可选实施方式，所述人体边框信息的计算公式为：
[0020]bx
＝f
x
+0.5
×fw-4
×fh
[0021]by
＝fy[0022]bw
＝8
×fh
[0023]bh
＝8
×fh
[0024]
其中，f
x
，fy为所述头部边界框中心点的横、纵坐标，fw为所述头部边界框的宽，fh为所述头部边界框的高；b
x
、by为所述人体边界框中心点的横、纵坐标，bw为人体边界框的宽，bh为人体边界框的高。
[0025]
作为本发明第一方面的一种可选实施方式，所述姿态标签对应的姿态包括：行走、站立、坐以及跌倒。
[0026]
作为本发明第一方面的一种可选实施方式，所述lstm模型的训练步骤包括：
[0027]
1)首先将输入门输入的信息通过sigmoid函数进行标准化处理，将所得的视频信息像素值约束在(-1,1)之间；再通过tanh函数对神经网络输入层进行激活处理，用来更新当前的状态，公式如下：
[0028]it
＝σ(u
iht-1
+wix
t
)
[0029]gt
＝tanh(ugh
t-1
+wgx
t
)
[0030]jt
＝g
t
⊙it
[0031]ct
＝j
t
+k
t
[0032]
其中：x
t
为视频帧输入像素值，σ为图像帧间方差，h
t-1
为上一帧的视频图像输出像素值，ui为隐藏层输入网络系数矩阵；ug为输入候选信息权重矩阵，i
t
为经过标准化处理过的输出，wi为输入门系数矩阵，g
t
候选输入信息，wg为输入层候选信息权重矩阵， j
t
为输入门的输出信息，k
t
为更新后的单元状态；
[0033]
2)接下来将输入门的输出信息传递到遗忘门，遗忘门会将视频帧选择性的储存下来，将行为识别中判定为跌倒的系列帧图像进行存储，并根据跌倒的状态过程保存完整的跌倒过程；遗忘门公式如下：
[0034]ft
＝σ(u
tht-1
+wfx
t
)
[0035]kt
＝c
t-1
⊙ft
[0036]
其中，f
t
为通过遗忘门输出处理后的输出视频信息，wf为遗忘门输入系数矩阵，u
t
为遗忘门网络系数矩阵c
t-1
为上一图像帧的输出细信息；
[0037]
3)将遗忘门处理后的信息传递至输出门，输出门将对所得的图像信息进行归一化处理，在进行跌倒分类以及其他动作分类；输出门计算公式如下：
[0038]ot
＝σ(u
oht-1
+wox
t
)
[0039]ht
＝tanh(c
t
)
⊙ot
[0040]
至此，根据输出门输出的视频图像信息h
t
可知当前图像帧中是否发生了跌倒。
[0041]
本发明第二方面提出一种存储介质，所述存储介质为计算机存储介质，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行所述的基于改进blazepose-lstm的船员跌倒检测方法。
[0042]
本发明的第三方面提出一种基于改进blazepose-lstm的船员跌倒检测装置，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器用于执行所述计算机程序，以实现所述的基与改进blazepose-lstm的船员跌倒检测方法。
[0043]
有益效果：本发明使用blazepose人体关键点信息提取网络检测人体边界框并获得人体特征信息，通过添加偏移矢量方法来更新blazepose网络模型中的刚性特征检测器所提取的人体边界框，解决网络内置的刚性特征检测器重复启用的问题，之后输入 lstm神经网络分类,从而判断船员是否发生跌倒。本发明能够提高船员跌倒检测算法的检测准确度以及实时性，满足低算力且实时检测的效果，保证实用性及强泛化能力。
附图说明
[0044]
图1是本发明实施例涉及的基于改进blazepose-lstm的船员跌倒检测方法的流程图；
[0045]
图2是本发明实施例涉及的基于改进blazepose-lstm的船员跌倒检测方法中原始刚性特征检测器的重启判别条件；
[0046]
图3是本发明实施例涉及的基于改进blazepose-lstm的船员跌倒检测方法中使用偏移矢量更行刚性特征检测器的获取的人体边界框；
[0047]
图4是本发明实施涉及的基于改进blazepose-lstm的船员跌倒检测方法在实际在航船舶上的实验情况；
[0048]
图5是为一幅带有人体目标的rgb图像；
[0049]
图6为ssd人体检测得到的人体边框；
[0050]
图7为裁剪后的图像。
具体实施方式
[0051]
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。
[0052]
应当理解的是，在技术上可行的情况下，以下针对不同实施例所列举的技术特征可以相互组合，从而形成本发明范围内的另外的实施例。此外，本发明所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
[0053]
本发明旨在提出一种具有高准确性的船员跌倒检测方法及装置，它是一种通过视觉传感器获取的视频图像进行自动提取人体关键点信息，分析其内部数据关联特征，实现从rgb相机图像处理到船员跌倒检测的技术。该方案主要分为三个部分：首先通过 blazepose人体关键点信息提取网络提取人体关键点信息；然后以偏移矢量优化刚性特征
检测器模块；最后利用长短期记忆神经网络进行船员跌倒判别。
[0054]
图1示出了本实施例涉及的基于改进blazepose-lstm的船员跌倒检测方法的流程图，该流程包括以下步骤：
[0055]
步骤一、人体关键点信息提取
[0056]
blazepose所使用的是在网络中内置一个人体检测器，根据谷歌为了推出blazepose 而发表的论文以及mediapipe官网的信息可知，blazepose内置的人体检测器使用ssd 训练的模型。
[0057]
blazepose的内置人体检测器受到blazeface的启发，利用训练好的ssd人体检测模型，对图像中的人体进行检测，其优点正是由于其为一阶段检测算法，可以快速的回归得到图像中的人体所在位置，使得网络运行速度更快，但是由于边界的不稳定，容易使得之后的人体裁剪变得不完整。
[0058]
请参考图5，图5是一幅带有人体目标的rgb图像。将这幅图像输入blazepose模型后，blazepose模型中的人体检测器会获取图像中的人体所在位置，提取人体边框，如图6所示，然后将边框内的内容裁剪出来，如图7所示。
[0059]
成功提取人体边框后，接下来会将裁剪出的图像输入到blazepose的人体关键点检测模块，进行32各关键点的检测。而这一步中，能否进行关键点检测主要看是否能从裁剪出的图像中提取到臀部中心点。若没有提取到臀部中心点，则整个网络将无法进行 32个关键点检测。由此可以看出，现有的blazepose模型很依赖人体检测器对人体检测的完整性。而实际操作中，难免存在人体相对于镜头的位置为非正面的情况，这种情况，通常是无法检测到臀部中心点的，所以网络很容易将imgcrop判定为无人体或者 ssd的误检测，然后直接进行下一帧的处理。这样很容易失去关键的信息而导致接下来视觉任务的错判。
[0060]
为克服上述技术问题，本实施例采用了不同的设计方法，具体内容如下：
[0061]
在blazepose的介绍中提到，开发者使用维特鲁威人体学说作为进行人体关键点的检测的理论基础。基于此，我们考虑到人体的检测效果依赖于人体中自由度较小的部位如头部的影响，因此我们进一步使用维特鲁威人体学说，采用检测人体中更容易检测到的头部来作为获得整个人体边界框的前引。
[0062]
在视觉任务中，由于人的头部很少会有遮挡、自遮挡的情况，包括人脸部的特征更加明显，检测人的头部一直都比检测整个人体更加简单。因此，我们借以维特鲁威人体学说中提到的八头身理论，我们首先检测提取头部边框(f
x
，fy，fw，fh)，然后按照头部与身体的比例，计算得到人体的边界框：
[0063]bx
＝f
x
+0.5
×fw-4
×fh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0064]by
＝fyꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0065]bw
＝8
×fh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0066]bh
＝8
×fh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0067]
其中，f
x
，fy为头部边界框中心点的横、纵坐标，fw为头部边界框的宽，fh为头部边界框的高；b
x
、by为计算出的人体边界框中心点的横、纵坐标，bw为人体边界框的宽， bh为人体边界框的高。
[0068]
在成功确定第一个人体边界框之后，就采用第一个人体边界框处理后续的图像帧，同时采用偏移矢量来更新这个人体边界框。
[0069]
步骤二、计算相邻图像帧间臀部坐标的变化矢量，在本实施例中，将这个变化矢量定义为偏移矢量。采用偏移矢量来更新人体边界框信息，避免由于检测目标运动过快导致当前的人体边界框失去目标信息，保证船员始终在人体边界框内。具体步骤为：
[0070]
1)记录前一个图像帧中人体的臀部中心点坐标(x
t-1
,y
t-1
)；
[0071]
2)保证前后图像帧参考坐标系一致，记录后一个图像帧中人体臀部中心点坐标 (x
t
,y
t
)；
[0072]
3)根据前后两个图像帧的人体臀部中心点坐标计算偏移矢量，公式如下：
[0073]
θ＝arctan([y
t-(y
t-1
+0.5
×fw
)]/[x
t-(x
t-1
+0.5
×fh
)])
[0074][0075]
其中，θ为偏移矢量的角度，l为偏移矢量的长度，(x
t-1
,y
t-1
)表示前一个图像帧的人体臀部中心点坐标，(x
t
,y
t
)表示后一个图像帧的人体臀部中心点坐标。
[0076]
采用所述偏移矢量更新所述人体边界框：
[0077]bx
＝b
x
+l
×
cosθ
[0078]by
＝by+l
×
sinθ
[0079]
其中，b
x
、by为所述人体边界框中心点的横、纵坐标。
[0080]
4)在确定人体边界框后，采用blazepose网络的关键点提取部分提取人体边界框中图像的32个关键点。需要注意的是，根据blazepose网络的关键点提取机制，若此时人体边界框中的人体图像不完整，则blazepose网络无法输出关键点，当发生这中情况，就说明当前的人体边界框失去了目标，需要重新确定人体边界框，即重新对当前图像帧进行人体头部边框提取和人体边界框提取。若blazepose网络成功输出人体关键点，则对所述blazepose网络模型输出的人体关键点添加对应的姿态标签，作为训练样本。
[0081]
步骤三：使用长短期记忆神经网络(long short term memory neural network： lstm)进行判断人员是否发生跌倒行为。
[0082]
通过blazepose对rgb相机获取的视频进行人体关键点提取之后，我们对每一帧图像所获取的关键点信息进行整理标注，分为四类：行走、站立、坐以及跌倒(根据船上作业人员的实际情况)，之后输入lstm网络进行训练。
[0083]
所使用的lstm模块包括输入门、记忆门和输出门。首先将输入门输入的信息通过sigmoid函数进行标准化处理，将所得的视频信息像素值约束在(-1,1)之间，以便于之后的计算与分析；之后再通过tanh函数对神经网络输入层进行激活处理，用来更新当前的状态，减少误差。其公式如下：
[0084]it
＝σ(u
iht-1
+wix
t
)
[0085]gt
＝tanh(ugh
t-1
+wgx
t
)
[0086]jt
＝g
t
⊙it
[0087]ct
＝j
t
+k
t
[0088]
其中：x
t
为视频帧输入像素值，σ为图像帧间方差，h
t-1
为上一帧的视频图像输出像素值，ui为隐藏层输入网络系数矩阵；ug为输入候选信息权重矩阵，i
t
为经过标准化处理过的输出，wi为输入门系数矩阵，g
t
候选输入信息，wg为输入层候选信息权重矩阵，j
t
为输入门的输出信息，k
t
为更新后的单元状态；
[0089]
接下来将输入门的输出信息传递到遗忘门，遗忘门会将视频帧选择性的储存下来，将行为识别中判定为跌倒的系列帧图像进行存储，并根据跌倒的状态过程保存完整的跌倒过程。用于进一步的计算分析，其公式如下：
[0090]ft
＝σ(u
tht-1
+wfx
t
)
[0091]kt
＝c
t-1
⊙ft
[0092]
其中f
t
为通过遗忘门输出处理后的输出视频信息，wf为遗忘门输入系数矩阵，u
t
为遗忘门网络系数矩阵c
t-1
为上一图像帧的输出细信息。
[0093]
接着将遗忘门处理后的信息传递至输出门，输出门将对所得的图像信息进行归一化处理，在进行跌倒分类以及其他动作分类。其公式如下：
[0094]ot
＝σ(u
oht-1
+wox
t
)
[0095]ht
＝tanh(c
t
)
⊙ot
[0096]
至此，根据输出门输出的视频图像信息h
t
可知当前图像帧中是否发生了跌倒。
[0097]
为验证本实施例的技术效果，我们还进行了模拟实验。
[0098]
请参考图2至图4。图2为原始blazepose网络的部分帧图像识别信息，图中方框为某一时刻人体检测器检测的边界框，对此我们对原图进行渲染以方便查看，其中可以看出从第20帧开始，运动对象渐渐离开当前位置，此时网络已经重启了人体检测以获得新的人体边界框，其中重启以及检测的时间过程中，网络输出的关键点信息为重启前的信息，直到新的人体被检出再进行关键点检测。
[0099]
图3为采用本实施例提出的方法获取的人体边界框，如图3所示，在运动对象未发生剧烈运动的情况下，人体边界框经过偏移矢量的更新，可以基本保证人体的臀部中心位于边界框横向中央，代表置换的边界框提取及更新方案是有效的。图4为获取人体边界框后，进行关键点提取的结果。
[0100]
此外，本发明还公开了一种基于改进blazepose-lstm的船员跌倒检测装置，其特征在于，所述基于改进blazepose-lstm的船员跌倒检测方法包括处理器、以及通过通信总线与处理器连接的存储器；其中，
[0101]
所述存储器，用于存储计算机程序；
[0102]
所述处理器，用于执行计算机程序时，以实现如权利要求1所述基于改进blazepose-lstm的船员跌倒检测方法步骤。
[0103]
以及公开了一种存储介质，所述存储介质为计算机存储介质，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行所述的基于改进blazepose-lstm的船员跌倒检测方法步骤。
[0104]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0105]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
技术特征：1.基与改进blazepose-lstm的船员跌倒检测方法，其特征在于，包括步骤：s1、获取包含人体各种姿态的视频图像；s2、依次对所述视频图像的每个图像帧进行头部检测，直至提取出第一个人体头部边框，再根据维特鲁威人体学说中头部与身体的比例，计算出人体边界框和臀部中心点坐标；s3、采用所述人体边界框处理下一图像帧，并计算相邻图像帧间人体臀部中心点坐标的变化作为偏移矢量，表达式为：θ＝arctan([y
t-(y
t1
+0.5
×
f
w
)]/[x
t-(x
t1
+0.5
×
f
h
)])其中，θ为所述偏移矢量的角度，l为所述偏移矢量的长度，(x
t-1
,y
t-1
)表示前一个图像帧的人体臀部中心点坐标，(x
t
,y
t
)表示后一个图像帧的人体臀部中心点坐标，f
w
为头部边界框的宽，f
h
为头部边界框的高；采用所述偏移矢量更新所述人体边界框：b
x
＝b
x
+l
×
cosθb
y
＝b
y
+l
×
sinθ其中，b
x
、b
y
为所述人体边界框中心点的横、纵坐标；s4、将通过所述人体边界框提取的人体图像和臀部中心点坐标输入blazepose网络模型，通过所述blazepose网络模型中的关键点提取网络提取人体关键点；若所述blazepose网络无法输出人体关键点，则重新对当前图像帧进行人体头部边框提取和人体边界框提取；否则，对所述blazepose网络模型输出的人体关键点添加对应的姿态标签，作为训练样本；s5、搭建lstm模型；通过所述训练样本训练所述lstm模型；s6、将待检测的船员姿态图像输入所述lstm模型，得到检测结果。2.根据权利要求1所述的船员跌倒检测方法，其特征在于，所述人体边框信息的计算公式为：b
x
＝f
x
+0.5
×
f
w-4
×
f
h
b
y
＝f
y
b
w
＝8
×
f
h
b
h
＝8
×
f
h
其中，f
x
，f
y
为所述头部边界框中心点的横、纵坐标，f
w
为所述头部边界框的宽，f
h
为所述头部边界框的高；b
x
、b
y
为所述人体边界框中心点的横、纵坐标，b
w
为人体边界框的宽，b
h
为人体边界框的高。3.根据权利要求2所述的船员跌倒检测方法，其特征在于，所述姿态标签对应的姿态包括：行走、站立、坐以及跌倒。4.根据权利要求3所述的船员跌倒检测方法，其特征在于，所述lstm模型的训练步骤包括：1)首先将输入门输入的信息通过sigmoid函数进行标准化处理，将所得的视频信息像素值约束在(-1,1)之间；再通过tanh函数对神经网络输入层进行激活处理，用来更新当前的状态，公式如下：
i
t
＝σ(u
i
h
t-1
+w
i
x
t
)g
t
＝tanh(u
g
h
t-1
+w
g
x
t
)j
t
＝g
t
⊙
i
t
c
t
＝j
t
+k
t
其中：x
t
为视频帧输入像素值，σ为图像帧间方差，h
t-1
为上一帧的视频图像输出像素值，u
i
为隐藏层输入网络系数矩阵；u
g
为输入候选信息权重矩阵，i
t
为经过标准化处理过的输出，w
i
为输入门系数矩阵，g
t
候选输入信息，w
g
为输入层候选信息权重矩阵，j
y
为输入门的输出信息，k
t
为更新后的单元状态；2)接下来将输入门的输出信息传递到遗忘门，遗忘门会将视频帧选择性的储存下来，将行为识别中判定为跌倒的系列帧图像进行存储，并根据跌倒的状态过程保存完整的跌倒过程；遗忘门公式如下：f
t
＝σ(u
t
h
t-1
+w
f
x
t
)k
t
＝c
t-1
⊙
f
t
其中，f
t
为通过遗忘门输出处理后的输出视频信息，w
f
为遗忘门输入系数矩阵，u
t
为遗忘门网络系数矩阵c
t-1
为上一图像帧的输出细信息；3)将遗忘门处理后的信息传递至输出门，输出门将对所得的图像信息进行归一化处理，在进行跌倒分类以及其他动作分类；输出门计算公式如下：o
t
＝σ(u
o
h
t-1
+w
o
x
t
)h
t
＝tanh(c
t
)
⊙
o
t
至此，根据输出门输出的视频图像信息h
t
可知当前图像帧中是否发生了跌倒。5.一种存储介质，其特征在于，所述存储介质为计算机存储介质，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行权利要求1至4任意一项所述的基于改进blazepose-lstm的船员跌倒检测方法。6.基于改进blazepose-lstm的船员跌倒检测装置，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器用于执行所述计算机程序，以实现所述权利要求1至4任意一项所述的基与改进blazepose-lstm的船员跌倒检测方法。
技术总结本发明提出一种基与改进Blazepose-LSTM的船员跌倒检测方法及装置。所述检测方法通过Blazepose人体关键点信息提取网络提取人体关键点信息，以偏移矢量优化其中的刚性特征检测器模块，并利用长短期记忆神经网络进行船员跌倒判别。旨在对视觉传感器获取的视频图像进行自动提取人体关键点信息，分析其内部数据关联特征，实现从RGB相机图像处理到船员跌倒检测过程，提高船员跌倒检测算法的检测准确度以及实时性，满足低算力且实时检测的效果，保证实用性及强泛化能力。用性及强泛化能力。用性及强泛化能力。
技术研发人员：刘卫 刘旭 胡媛 施杰 赵建森 谢宗轩 王胜正
受保护的技术使用者：上海海事大学
技术研发日：2022.07.14
技术公布日：2022/11/1
