基于多源信息融合及改进cnn网络的手势识别方法
技术领域
1.本发明涉及人机交互技术领域，特别涉及一种基于多源信息融合及改进cnn网络的手势识别方法。
背景技术：2.电网设备虚拟信息人机交互系统是建立在三维可视化基础上，采用三级构架模式，之城采用开放数据结构，通过组件式二次开发，结合专业三维引擎构建的人机交互系统。在电网设备虚拟信息人机交互系统中，用户可以通过手势执行对于远程设备的控制。
3.相关技术当中，用户可以在人机交互系统的界面展示指定的手势或动作，人机交互系统中包括摄像头，在用户执行指定的动作后，摄像头将会对于用户动作进行记录，在将与动作相关的视频被上传到云端或用于执行数据处理功能的计算机设备中后，相关的计算机设备将会调取系统内的视频比对程序，以确定用户的手势是否至触发对应的功能，在手势会触发对应功能后，人机交互系统将会根据手势执行功能的执行。
4.然而，相关技术中存在比对程序不够准确、视频信息特征提取不够全面等问题，将导致人机交互系统的对于用户手势的识别准确率较低。
技术实现要素：5.本发明关于一种基于多源信息融合及改进cnn网络的手势识别方法，能够提高人机交互系统对于用户手势进行识别的准确率。该方法包括：获取待测手势视频，待测手势视频为视频采集设备获取的视频，视频采集设备为与电网设备虚拟信息人机交互系统对应的设备；对待测手势视频进行关键帧图片提取，得到至少两个连续的关键帧图片，关键帧图片中包括与待测手势对应的图像内容；将关键帧图片逐帧输入手势识别模型，输出静态手势识别图像以及图像灰度值，静态手势识别图像中包括二值化处理后的指尖图像、指节图像以及腕关节图像，手势识别模型为基于改进cnn网络的人工智能模型；将静态手势识别图像进行相邻帧比对，得到动态手势判定结果。
6.在一种可能的实现方式中，将相邻帧的静态手势识别图像进行相邻帧比对，得到动态手势判定结果，包括：将相邻两帧静态手势识别图像中，前一帧静态手势识别图像作为基准图像；将后一帧静态手势识别图像与前一帧静态手势识别图像进行比对，得到相邻帧手势判定结果；汇总相邻帧手势判定结果，得到动态手势判定结果。
7.在一种可能的实现方式中，将后一帧静态手势识别图像与前一帧静态手势识别图像进行比对，得到相邻帧手势判定结果，包括：将后一帧静态手势识别图像与前一帧静态手势识别图像中二值化处理后的指尖
图像进行比对，得到指尖移动结果；将后一帧静态手势识别图像与前一帧静态手势识别图像中二值化处理后的指节图像的进行比对，得到指节移动结果；将后一帧静态手势识别图像与前一帧静态手势识别图像中二值化处理后的腕关节图像进行比对，得到手部旋转结果；将指尖移动结果、指节移动结果以及手部旋转结果进行汇总判定，得到相邻帧手势判定结果。
8.在一种可能的实现方式中，将后一帧静态手势识别图像与前一帧静态手势识别图像进行比对，得到相邻帧手势判定结果，还包括：将后一帧静态手势识别图像对应的图像灰度值与前一帧静态手势识别图像对应的图像灰度值进行对比，得到灰度值比对结果；响应于灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值小于前一帧静态手势识别图像对应的图像灰度值，确定用户手部在相邻帧指示的时间间隔中产生远离手势视频采集平面的移动；响应于灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值与前一帧静态手势识别图像对应的图像灰度值相等，确定用户手部在相邻帧指示的时间间隔中未产生相对于手势视频采集平面的移动；响应于灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值大于前一帧静态手势识别图像对应的图像灰度值，确定用户手部在相邻帧指示的时间间隔中产生靠近手势视频采集平面的移动。
9.在一种可能的实现方式中，该方法还包括：获取样本视频数据集以及样本雷达数据集，样本视频数据集以及样本雷达数据集对应标注有样本静态手势识别图像；通过样本视频数据集以及样本雷达数据集构建手势识别模型。
10.在一种可能的实现方式中，通过样本视频数据集以及样本雷达数据集构建手势识别模型，包括：将样本视频数据集以及样本雷达数据集进行数据融合，得到融合数据集；通过特征提取模型对于融合数据集进行数据提取，得到融合特征；基于融合特征构建手势识别模型。
11.在一种可能的实现方式中，特征提取模型为具有针对多源异构信息的网络结构的神经网络模型，通过特征提取模型对于融合数据集进行数据提取，得到融合特征，包括：通过特征提取模型对融合数据集中进行针对样本雷达数据集的第一特征的特征提取，以及针对样本视频数据集的第二特征的特征提取，得到第一特征以及第二特征；对第一特征以及第二特征进行特征融合，得到融合特征。
12.在一种可能的实现方式中，基于融合特征构建手势识别模型，包括：选取基础卷积神经网络cnn模型；对基础cnn模型进行迁移；通过样本视频数据集、样本雷达数据集以及融合特征，对基础cnn模型进行训练，得到手势识别模型。
13.在一种可能的实现方式中，对基础cnn模型进行迁移之后，还包括：利用支持向量机svm分类器更改迁移后的基础cnn模型中的softmax分类层。
14.本发明提供的技术方案带来的有益效果至少包括：在手势识别的过程中，当获取了用户展现的手势之后，与电网设备虚拟信息人机交互系统对应的视频采集设备将会对于手势信息进行获取，并在获取后进行关键帧图片的抽取与前后关键帧的比对识别，最终使得计算机设备实现对于用户手势的识别。在识别过程中，通过关键帧提取以及神经网络模型的方式，实现高精度、快速反应的针对电力巡检的虚拟信息人机交互实现方案。
附图说明
15.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
16.图1示出了本发明一个示例性实施例提供的一种基于多源信息融合及改进cnn网络的手势识别方法的流程示意图。
17.图2示出了本发明一个示例性实施例提供的另一种基于多源信息融合及改进cnn网络的手势识别方法的流程示意图。
18.图3示出了本发明一个示例性实施例提供的一种手势识别模型构建的过程示意图。
19.图4示出了本发明一个示例性实施例提供的一种融合数据集生成过程的示意图。
20.图5示出了本发明一个示例性实施例提供的一种融合特征生成过程的示意图。
具体实施方式
21.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
22.首先，对于本发明中涉及的名词进行解释：电网设备虚拟信息人机交互系统，是一种专用于实现电网系统内设备远程控制的交互系统。通过电网设备虚拟信息人机交互系统，工作人员可以实现对于电网系统内诸如变压器、配电柜等的电网设备的远程控制。在一个示例中，电网设备虚拟信息人机交互系统包括多个电网设备、与多个电网设备相互连接的中控计算机设备、服务器以及工作人员侧终端。其中，工作人员侧终端用于采集工作人员的指令，以生成控制信号，控制信号被发送至计算机设备中进行处理，并同步在服务器中存储控制信号。在计算机设备对于控制信号进行处理后，即会将控制信号发送至电网设备当中，以使电网信号执行对应的指令，进而通过系统，实现工作人员对于电网设备的远程、精确控制。
23.在上述系统的使用过程中，工作人员可以通过按压控件，输入详细指令信息等方式发送控制信号。此外，工作人员侧终端中可以配置摄像头，工作人员面向摄像头进行手势指令的展示，计算机设备即可对于该手势指令进行识别，以生成控制信号，发送至电网设备中。本发明即提供了一种进行手势识别的解决途径。
24.图1示出了本发明一个示例性实施例提供的一种基于多源信息融合及改进cnn网络的手势识别方法的流程示意图，以该方法应用于计算机设备中为例进行说明，该方法包括：步骤101，获取待测手势视频。
25.在本发明实施例中，待测手势视频即为在电网设备虚拟信息人机交互系统中，摄像设备提取到的工作人员视频。对应该情况，待测手势视频为视频采集设备获取的视频，所述视频采集设备为与电网设备虚拟信息人机交互系统对应的设备。
26.步骤102，对待测手势视频进行关键帧图片提取，得到至少两个连续的关键帧图片。
27.在本发明实施例中，关键帧图片中包括与待测手势对应的图像内容。计算机设备在接收到待测手势视频后，将会从视频中进行关键帧图片提取，该关键帧图片提取可以是直接将视频剪切为图片，并进行图片提取的过程，也可以是对于视频进行初步剪切，后进行图片选取的过程，本发明对于关键帧图片的提取过程不做限定。
28.步骤103，将关键帧图片逐帧输入手势识别模型，输出静态手势识别图像以及图像灰度值。
29.在本发明实施例中，在得到关键帧图片后，关键帧图片将被输入识别模型中，并得到对应的静态手势识别图像和灰度值。其中，静态手势识别图像中包括二值化处理后的指尖图像、指节图像以及腕关节图像，手势识别模型为基于改进卷积神经cnn网络的人工智能模型。
30.步骤104，将静态手势识别图像进行相邻帧比对，得到动态手势判定结果。
31.在得到与多个关键帧相对应的静态手势识别图像以及图像灰度值后，计算机设备即对于手势图像内多个帧之间的相邻帧进行比对，以得到动态手势的判定结果。可选地，该相邻帧识别为针对所有图像的相邻帧识别，也可以是针对部分图像的相邻帧识别，在得到对应的结果之后，相邻帧比对识别过程即停止。本发明对于相邻帧比对的过程不做限定。
32.在得到动态手势判定结果后，计算机设备将会根据动态手势判定结果生成控制指令，该控制指令用于对电网设备虚拟信息人机交互系统中的设备进行直接控制或简介控制，同时该指令也会被传输至服务器当中，进行备份。
33.综上所述，本发明实施例提供的方法，在手势识别的过程中，当获取了用户展现的手势之后，与电网设备虚拟信息人机交互系统对应的视频采集设备将会对于手势信息进行获取，并在获取后进行关键帧图片的抽取与前后关键帧的比对识别，最终使得计算机设备实现对于用户手势的识别。在识别过程中，通过关键帧提取以及神经网络模型的方式，实现高精度、快速反应的针对电力巡检的虚拟信息人机交互实现方案。
34.接下来，对于手势识别过程进行详细说明。图2示出了本发明一个示例性实施例提供的另一种基于多源信息融合及改进cnn网络的手势识别方法的流程示意图，以该方法应用于计算机设备中为例，该方法包括：步骤201，获取待测手势视频。
35.该过程与步骤101所示的过程相同，在此不做赘述。
36.步骤202，对待测手势视频进行关键帧图片提取。
37.在过程与步骤102所示的过程相同，在此不作赘述。
38.步骤203，将关键帧图片逐帧输入手势识别模型，输出静态手势识别图像以及图像灰度值。
39.该过程与步骤103所示的过程相同，在此不作赘述。
40.步骤204，将相邻两帧静态手势识别图像中，前一帧静态手势识别图像作为基准图像。
41.步骤204及后续步骤为进行相邻图像比对识别，以得到动态手势判定结果的过程。在该过程中，。需要说明的是，本发明实施例中的相邻两针步骤205，将后一帧静态手势识别图像对应的图像灰度值与前一帧静态手势识别图像对应的图像灰度值进行对比，得到灰度值比对结果。
42.该过程即为将手势识别模型输出的图像灰度值结果进行直接比对的过程。可选地，可以直接基于数值比较结果，判定灰度值的大小。
43.步骤206，响应于灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值小于前一帧静态手势识别图像对应的图像灰度值，确定用户手部在相邻帧指示的时间间隔中产生远离手势视频采集平面的移动。
44.步骤207，响应于灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值与前一帧静态手势识别图像对应的图像灰度值相等，确定用户手部在相邻帧指示的时间间隔中未产生相对于手势视频采集平面的移动。
45.步骤208，响应于灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值大于前一帧静态手势识别图像对应的图像灰度值，确定用户手部在相邻帧指示的时间间隔中产生靠近手势视频采集平面的移动。
46.步骤206至步骤208对应了灰度值变化表征的具体含义。当灰度值变高时，指示用户手部靠近摄像头，当灰度值变低时，指示用户手部远离摄像头。当灰度值不变，或偏差值在一定范围内时，即指示用户手部在平面上未发生运动，仅可能发生手部的部分诸如水平挥动或水平摆动的运动。
47.步骤209，将后一帧静态手势识别图像与前一帧静态手势识别图像中二值化处理后的指尖图像进行比对，得到指尖移动结果。
48.步骤210，将后一帧静态手势识别图像与前一帧静态手势识别图像中二值化处理后的指节图像的进行比对，得到指节移动结果。
49.步骤211，将后一帧静态手势识别图像与前一帧静态手势识别图像中二值化处理后的腕关节图像进行比对，得到手部旋转结果。
50.步骤209至步骤211为在手势识别模型识别出指尖图像、指节图像以及腕关节图像后，对于前后帧的上述图像进行比对，以确定各部分移动结果的过程。示意性地，在步骤209中，指节移动结果包括指尖左右移动或指尖上下移动；在步骤210中，指节移动包括指节弯曲移动或指节伸直移动；在步骤211中，手部旋转结构包括手部顺时针旋转以及手部逆时针旋转。
51.可选地，由于摄像头因素以及用户站姿，用户手势因素，静态手势识别图像中存在无法识别完整手部的可能性，则此时，计算机设备根据自身可以获取到的信息，执行步骤209至步骤211中的至少一种判断。
52.步骤212，将指尖移动结果、指节移动结果以及手部旋转结果进行汇总判定，得到
相邻帧手势判定结果。
53.该过程即为针对每一个出现的相邻帧，对于上述判定结果的汇总。根据可选地，该判定结果可以实现为对于手部整体动作的判断，也可以实现为对于手部各个分动作的判断。本发明对于相邻帧手势判定结果的具体形式不做限定。
54.可选地，在一些动作的判定当中，还需要结合步骤206至步骤208所示的灰度值判断结果，以确定具体的相邻帧手势判定结果。
55.步骤213，汇总相邻帧手势判定结果，得到动态手势判定结果。
56.该过程即为对于过程中所有出现的相邻帧手势的汇总判定过程，经过该汇总过程，即可得到动态手势判定结果。
57.综上所述，本发明实施例提供的方法，在手势识别的过程中，当获取了用户展现的手势之后，与电网设备虚拟信息人机交互系统对应的视频采集设备将会对于手势信息进行获取，并在获取后进行关键帧图片的抽取与前后关键帧的比对识别，最终使得计算机设备实现对于用户手势的识别。在识别过程中，通过关键帧提取以及神经网络模型的方式，实现高精度、快速反应的针对电力巡检的虚拟信息人机交互实现方案。
58.在手势判定的过程中，从图片中进行了多维度的信息提取，将用户的手部动作进行了空间距离以及平面动作上的划分判定，进一步提高了对于手势识别的准确率。
59.图3示出了本发明一个示例性实施例提供的一种手势识别模型构建的过程示意图，以该过程应用于计算机设备中为例进行说明，该方法包括：步骤301，获取样本视频数据集以及样本雷达数据集，样本视频数据集以及样本雷达数据集对应标注有样本静态手势识别图像，并将样本视频数据集以及样本雷达数据集进行数据融合，得到融合数据集。
60.在本发明实施例中，样本视频数据集以及样本雷达数据集对应标注有样本静态手势识别图像。在一个示例中，样本视频数据集以及样本雷达数据集是对应一个用户的手势视频，通过摄像头以及采用雷达成像技术，获取的视频合集以及点云数据合集。
61.在获取不同数据集后，如图4所示，对于样本视频数据集401以及样本雷达数据集402进行数据集融合，即可得到融合数据集403。
62.需要说明的是，本发明实施例所述的手势识别模型的构建过程可以在获取待测手势视频的获取之前得到，也可以在待测手势视频的获取时候，建立模型的过程中得到。
63.步骤302，通过特征提取模型对融合数据集中进行针对样本雷达数据集的第一特征的特征提取，以及针对样本视频数据集的第二特征的特征提取，得到第一特征以及第二特征。
64.步骤303，对第一特征以及第二特征进行特征融合，得到融合特征。
65.步骤302至步骤303所示的过程是针对单一卷积神经网络无法实现对两组异构数据的高效特征提取提出的，在本发明实施例中，构建了一种专门针对多源异构信息的网络结构，该网络结构由两条并行的深度卷积网络组成的并行网络结构，两支路分别提取一种数据集所含特征。如图5所示，在分别提取第一特征510以及第二特征520后，将第一特征510以及第二特征520进行组合，即得到融合特征530。
66.步骤304，选取基础卷积神经网络（convolutional neural networks, cnn）模型。
67.该过程即为构建基础模型的过程。在本发明实施例中，选取cnn模型作为基础模
型。
68.步骤305，对基础cnn模型进行迁移。
69.步骤306，利用支持向量机（support vector machine, svm）分类器更改迁移后的基础cnn模型中的softmax分类层。
70.步骤305至步骤306所述的过程即为对于模型的迁移和改建过程。在本发明实施例中，利用迁移学习中模型迁移理论的cnn网络改进算法。在本发明实施例中，首先选择在图像识别、目标分类任务中表现优异的深度卷积神经网络，如vgg16网络，作为图像特征提取网络，其次用大规模、多分类的自然图片数据集imagenet对cnn网络进行训练，使cnn网络各层参数均收敛稳定，然后再取网络的前部结构及参数作为手势数据的特征提取器,取神经网络的后层分类网络结构及参数作为分类器；其中特征提取器参数进行冻结，不再进行更新，分类器种网络参数用研究人员制造的手势数据集进行微调训练。
71.步骤307，通过样本视频数据集、样本雷达数据集以及融合特征，对基础cnn模型进行训练，得到手势识别模型。
72.该过程即为对于调整后的模型进行训练，并最终构建手势模型的过程。
73.综上所述，本发明实施例提供的方法，在手势识别的过程中，当获取了用户展现的手势之后，与电网设备虚拟信息人机交互系统对应的视频采集设备将会对于手势信息进行获取，并在获取后进行关键帧图片的抽取与前后关键帧的比对识别，最终使得计算机设备实现对于用户手势的识别。在识别过程中，通过关键帧提取以及神经网络模型的方式，实现高精度、快速反应的针对电力巡检的虚拟信息人机交互实现方案。
74.本发明实施例提供的过程，充分利用现有传感器数据，建立并行深度卷积网络分别提取异构数据中的特征信息，通过多源信息融合获取手势数据的更全面表达；然后分别利用迁移学习和svm模型对cnn网络进行优化，实现利用更少数据即可训练完成的高精度、高稳定性的识别网络模型，提高模型的手势识别能力；最后基于高分辨率的手势识别网络，设计手势运动判定模块，判定手势运动。
75.上述仅为本发明的可选实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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：1.一种基于多源信息融合及改进cnn网络的手势识别方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：获取待测手势视频，所述待测手势视频为视频采集设备获取的视频，所述视频采集设备为与电网设备虚拟信息人机交互系统对应的设备；对所述待测手势视频进行关键帧图片提取，得到至少两个连续的关键帧图片，所述关键帧图片中包括与待测手势对应的图像内容；将所述关键帧图片逐帧输入手势识别模型，输出静态手势识别图像以及图像灰度值，所述静态手势识别图像中包括二值化处理后的指尖图像、指节图像以及腕关节图像，所述手势识别模型为基于改进卷积神经cnn网络的人工智能模型；将静态手势识别图像进行相邻帧比对，得到动态手势判定结果。2.根据权利要求1所述的方法，其特征在于，所述将相邻帧的静态手势识别图像进行相邻帧比对，得到动态手势判定结果，包括：将相邻两帧静态手势识别图像中，前一帧静态手势识别图像作为基准图像；将后一帧静态手势识别图像与所述前一帧静态手势识别图像进行比对，得到相邻帧手势判定结果；汇总所述相邻帧手势判定结果，得到所述动态手势判定结果。3.根据权利要求2所述的方法，其特征在于，所述将后一帧静态手势识别图像与所述前一帧静态手势识别图像进行比对，得到相邻帧手势判定结果，包括：将后一帧静态手势识别图像与所述前一帧静态手势识别图像中二值化处理后的所述指尖图像进行比对，得到指尖移动结果；将后一帧静态手势识别图像与所述前一帧静态手势识别图像中二值化处理后的所述指节图像的进行比对，得到指节移动结果；将后一帧静态手势识别图像与所述前一帧静态手势识别图像中二值化处理后的所述腕关节图像进行比对，得到手部旋转结果；将所述指尖移动结果、所述指节移动结果以及所述手部旋转结果进行汇总判定，得到所述相邻帧手势判定结果。4.根据权利要求3所述的方法，其特征在于，所述将后一帧静态手势识别图像与所述前一帧静态手势识别图像进行比对，得到相邻帧手势判定结果，还包括：将后一帧静态手势识别图像对应的图像灰度值与前一帧静态手势识别图像对应的图像灰度值进行对比，得到灰度值比对结果；响应于所述灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值小于前一帧静态手势识别图像对应的图像灰度值，确定用户手部在相邻帧指示的时间间隔中产生远离手势视频采集平面的移动；响应于所述灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值与前一帧静态手势识别图像对应的图像灰度值相等，确定用户手部在相邻帧指示的时间间隔中未产生相对于手势视频采集平面的移动；响应于所述灰度值比对结果指示后一帧静态手势识别图像对应的图像灰度值大于前一帧静态手势识别图像对应的图像灰度值，确定用户手部在相邻帧指示的时间间隔中产生靠近手势视频采集平面的移动。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取样本视频数据集以及样本雷达数据集，所述样本视频数据集以及所述样本雷达数据集对应标注有样本静态手势识别图像；通过所述样本视频数据集以及所述样本雷达数据集构建所述手势识别模型。6.根据权利要求5所述的方法，其特征在于，所述通过所述样本视频数据集以及所述样本雷达数据集构建所述手势识别模型，包括：将所述样本视频数据集以及所述样本雷达数据集进行数据融合，得到融合数据集；通过特征提取模型对于所述融合数据集进行数据提取，得到融合特征；基于所述融合特征构建所述手势识别模型。7.根据权利要求6所述的方法，其特征在于，所述特征提取模型为具有针对多源异构信息的网络结构的神经网络模型，所述通过特征提取模型对于所述融合数据集进行数据提取，得到融合特征，包括：通过特征提取模型对所述融合数据集中进行针对所述样本雷达数据集的第一特征的特征提取，以及针对所述样本视频数据集的第二特征的特征提取，得到第一特征以及第二特征；对所述第一特征以及所述第二特征进行特征融合，得到所述融合特征。8.根据权利要求6所述的方法，其特征在于，所述基于所述融合特征构建所述手势识别模型，包括：选取基础cnn模型；对所述基础cnn模型进行迁移；通过所述样本视频数据集、所述样本雷达数据集以及所述融合特征，对所述基础cnn模型进行训练，得到所述手势识别模型。9.根据权利要求8所述的方法，其特征在于，所述对所述基础cnn模型进行迁移之后，还包括：利用支持向量机svm分类器更改迁移后的所述基础cnn模型中的softmax分类层。
技术总结本发明关于一种基于多源信息融合及改进CNN网络的手势识别方法，涉及人机交互技术领域，该方法包括：获取待测手势视频；对待测手势视频进行关键帧图片提取，得到至少两个连续的关键帧图片；将关键帧图片逐帧输入手势识别模型，输出静态手势识别图像以及图像灰度值，手势识别模型为基于改进卷积神经CNN网络的人工智能模型；将静态手势识别图像进行相邻帧比对，得到动态手势判定结果。在手势识别的过程中，在获取后进行关键帧图片的抽取与前后关键帧的比对识别，最终使得计算机设备实现对于用户手势的识别。在识别过程中，通过关键帧提取以及神经网络模型的方式，实现高精度、快速反应的针对电力巡检的虚拟信息人机交互实现方案。案。案。
技术研发人员：吴刚 孙冬 徐强 闵捷 蔡宜君
受保护的技术使用者：国网江苏省电力有限公司无锡供电分公司
技术研发日：2022.07.22
技术公布日：2022/11/1
