1.本发明涉及禽类肉质监控与检测技术领域，具体涉及一种鸡胸肉白色条纹等级判定的方法及装置。
背景技术：2.为了满足日益增长的需求，在过去的几十年里，肉鸡养殖者通过基因选择生长快速、胸肌含量高的肉鸡。肉鸡的生长速度在近50年提高了近3倍，其中鸡胸肉约占鸡胴体的20％。然而，随着家禽市场速生高产肉的肉鸡品种的推广和发展，一系列肉鸡胸肌肉疾病及品质缺陷问题相继暴露。如白色纹理鸡肉、类“pse”肉以及深度胸肌疾病和木质肉。目前，学者对木质肉致病机理，如基因表达、营养调控、动物福利等领域的研究并未揭示其产生的直接原因，调控生产及加工方式也未能阻止木质肉的发生，鸡胸肉品质问题并未能从根源上解决，因此，鸡胸肉白色条纹问题短期内会一直存在，而鸡胸肉的品质划分仍需要人工进行评定，大大提高了成本。
3.因此，为了减少人工成本，现急需对鸡胸肉品质分级进行深入的探索研究，致力于开发出一种由白色条纹个数、白色条纹面积占比、横向白色条纹面积最大值、最大白色条纹轮廓宽度等四个参数作为特征参数的鸡胸肉品质检测系统及分级方法，减少人工检测成本，实现活鸡检测鸡胸肉品质等级。
技术实现要素：4.本发明的目的在于提供一种鸡胸肉白色条纹等级判定的方法及装置，解决上述鸡胸肉品质分级过程中存在的诸多问题。
5.为解决上述问题，本发明提供如下技术方案：
6.一种鸡胸肉白色条纹等级判定系统，由硬件模块、图像特征信息提取模块及鸡胸肉品质分级模块组成，所述硬件模块、图像特征信息提取模块及鸡胸肉品质分级模块均由工控机控制；所述硬件模块包括检测模块、输送带、电动机和输送带挡板；所述检测模块由传感器、led灯和ccd工业相机组成；所述传感器安装在输送带挡板上距输送带高度50mm处，所述ccd工业相机安装在输送带的固定支架顶部中间处，由工控机控制；所述检测模块、图像特征信息提取模块和鸡胸肉品质分级模块依次电性连接；
7.图像特征信息提取模块由处理图像的工控机终端组成；ccd工业相机采集俯视鸡胸肉图像并将其传输至工控机终端，由工控机终端对原始鸡胸肉图像进行处理及特征信息提取；
8.所述鸡胸肉品质分级模块用于接收图像特征信息提取模块提取的特征信息，处理后输出鸡胸肉等级。
9.优选地，所述输送带挡板选用304食品级不锈钢材料，传感器采用低频电信号传输。
10.优选地，所述鸡胸肉品质分级模块由xg-boost分类模型构成，具体为：最开始建立
第一棵树，然后逐渐迭代，每次迭代过程中都会增加一棵树，且每次迭代过程都会对前一棵树中预测错误的数据赋予更高的权重送至当前树种进行训练，从而逐渐形成由众多决策树模型集成而来的强评估器，最后对模型进行测试验证其拟合效果。
11.优选地，所述鸡胸肉品质分级模块通过图像特征信息提取模块得到鸡胸肉俯视图像进行灰度处理并利用中值滤波进行平滑降噪，其次利用自适应阈值分割算法(otsu)进行二值化处理，并将处理后的图像进行掩膜处理得到掩膜图像，然后对掩膜图像进行直方图均衡化图像增强算法增加白条条纹与肌肉部分的灰度对比度。最后对图像增强后的图像进行二值化处理，并提取其白色条纹封闭轮廓个数、计算白色条纹面积占比、计算横向白色条纹面积最大值、计算最大白色条纹轮廓宽度等四个参数作为特征参数，将得到特征参数进行预测分级。
12.一种鸡胸肉白色条纹等级判定的方法，其具体步骤如下：
13.步骤1、传感器检测到鸡胸肉后将信息传递至工控机，由工控机控制输送带停止，并控制ccd工业相机进行俯视拍照，然后将所拍图像传递至工控机，采集到的鸡胸肉俯视图像传递至工控机终端；
14.步骤2、图像预处理：首先将采集到的图像进行灰度图像处理，为了减少图像噪声污染，利用中值滤波去除了图像背景的噪声，得到最终灰度图。然后根据背景与目前区域灰度差距较大的特征，利用自适应阈值分割算法(otsu)提取出目标区域，得到二值图像。其次逐点扫描二值图像像素，当像素为255时，将此点像素的灰度值设为与原灰度图点位置相同的灰度值；当像素为0时，将此点像素的灰度值设为0，且位置与原灰度图相同，此时输出掩膜图像；
15.步骤3、图像特征信息提取：针对图像预处理后的图像，首先提取其目标区域面积s(即非黑色背景区域面积)，然后利用其白色条纹与肌肉部分灰度对比度明显的特征，使用otsu算法进行图像分割，得到鸡胸肉白色条纹图像，并计算此时白色条纹面积(即白色像素点总数)s1，最后将s1与s的比值作为第一个特征参数即白色条纹面积占比；建立5像素
×
5像素的正方形模板，从左到右逐行扫描封闭的白色条纹轮廓，计算每个轮廓内白色像素面积(即白色像素点总数)并放入建立的列表当中，提取列表中的最大值作为第二个特征参数即横向白色条纹面积最大值；提取鸡胸肉图像中白色条纹封闭轮廓个数，将所得轮廓绘制于原图当中并将其作为第三个特征参数；绘制鸡胸肉白色条纹图像的每个封闭轮廓的外接矩形框，并计算其矩形宽度，存入列表中，提取列表的最大值作为第四个特征参数即最大白色条纹轮廓宽度；
16.步骤4、建立鸡胸肉白色条纹等级分类数据库：重复上述步骤，不断采集不同鸡胸肉品质下的特征参数，以此建立鸡胸肉白色条纹等级分类数据库，所建立的数据库，将为后续多特征集成学习模型的建立做准备；
17.步骤5、建立xg-boost多特征集成学习分类模型：将所建立的鸡胸肉白色条纹等级分类数据库中的80％的数据作为训练集，建立鸡胸肉白色条纹等级分类模型，将20％的数据作为测试集，用于测试模型的准确性；
18.步骤6、为验证模型在生产线上的实用性，将未进行人工评级的鸡胸肉放置于输送带中心，由输送带运送至ccd工业相机下时，发出相应传感器信号，由工控机终端接受后控制输送带停止，同时ccd工业相机对鸡胸肉进行图像采集，并将图像传输至工控机终端进行
图像预处理及特征信息采集，最终利用所建立的模型进行鸡胸肉等级评定。
19.优选地，步骤6中所述的鸡胸肉等级判定规则为：
20.xg-boost分类模型输出数值为0，则为正常鸡胸肉；
21.xg-boost分类模型输出数值为1，则为中度鸡胸肉；
22.xg-boost分类模型输出数值为2，则为重度鸡胸肉。
23.本发明的优点在于：
24.本发明实现了肉鸡鸡胸肉白色条纹等级检测和鉴定，减少检测鸡胸肉品质的人力、物力成本，同时也为禽肉屠宰企业减少产品损失并开发了一种新型禽肉检测技术方法，进一步实现了活鸡鸡胸肉品质等级的检测。
25.本发明硬件模块中所使用的设备型号及优势。光电传感器：采用型号hj-j18-d50n1，其内置感应芯片，检测频率响应快，抗干扰能力强，外有led工作信号灯实时判断其工作状况；ccd工业相机：采用型号snr2000-05gcp，高清工业相机，支持poe供电，2000万高像素足已完成鸡胸肉俯视图像的采集，同时具有足够的内存容量缓存高清图片并进行图片传输。led灯：采用型号gd17，可调聚光灯，高亮透镜面积宽广，使光效发挥得好，能够满足鸡胸肉大小，且灯体抗氧化，安全可靠。
26.本发明中建立的xg-boost分类模型，在光电传感器、ccd工业相机、led灯的选型基本一致时，可以直接将所得数据输入到xg-boost分类模型当中不做任何修改，就可适用于不同规模的鸡胸肉品质分级检测。
27.本发明的预测模型可根据不同的应用场景进行调整，在未来用于工业持续加工检测情况下，也可以添加其他特征参数进行预处理后再进行深度学习实现模型的建立和调整，以满足更多的禽肉品质检测需求。
28.因为掩模图像中白色条纹偏暗，肌肉部分偏亮，不利于进一步处理，使用了直方图均衡化图像增强算法，增加了白色条纹与肌肉部分的对比度，成功地将目标区域从背景中提取出来。
附图说明
29.图1xg-boost分类模型建模过程示意图。
30.图2鸡胸肉图像处理示意图：其中图2的标号说明：a为原始鸡胸肉图像；b为二值化图像；c为掩膜图像；d为图像增强图像；e为鸡胸肉白色条纹图像；f为图像轮廓提取图像。
31.图3鸡胸肉白色条纹特征参数提取分级算法
32.图4鸡胸肉品质分类系统工作流程图；
33.图5整体设备示意图：其中图2的标号说明：1为ccd工业相机、2为led灯、3为固定支座、4为光电传感器、5为鸡胸肉样品、6为电动机、7为工控机。
具体实施方式
34.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
35.实施例1：一种鸡胸肉白色条纹等级判定的方法及装置，整体工作流程图如图4所示，该方法包括硬件模块、图像特征信息提取模块及鸡胸肉品质分级模块；其中硬件模块主
要由工控机控制的图像采集装置组成，所述图像采集装置包括：ccd工业相机1、led灯2、固定支座3、光电传感器4、电动机6、工控机7。图像采集装置的连接如下：所述ccd工业相机1安装在固定支座4顶部中间位置，以便更好的俯视拍摄鸡胸肉样品5；led灯2分别安装在固定支座3的顶部左右两侧，为ccd工业相机提供充足的光源；固定支座3安装于输送带上如图5；光电传感器安装于固定支座4上距离输送带高度50mm，以便能够准确检测到鸡胸肉样品5的位置；所述图像提取装置将ccd工业相机采集的鸡胸肉样品5俯视图像传递至工控机7；所述工控机7通过接受图像特征信息提取模块传递的白色条纹封闭轮廓个数、白色条纹面积占比、横向白色条纹面积最大值、最大白色条纹轮廓宽度，实现对白色条纹四项特征参数的采集。
36.工控机7控制图像特征信息提取模块输出特征参数指标，图像特征信息提取模块由电动机6和电源提供动力，首先工控机7控制输送带输送鸡胸肉5传输至指定位置，光电传感器4感应到之后传递信号至工控机7控制输送带停止，并控制ccd工业相机1采集俯视鸡胸肉5图像将其传输至工控机7。工控机7终端对原始鸡胸肉5图像进行处理及特征信息提取，首先进行鸡胸肉5灰度处理并利用中值滤波进行平滑降噪。其次利用自适应阈值分割算法otsu进行二值化处理，并将处理后的图像进行掩膜处理得到掩膜图像。然后对掩膜图像进行直方图均衡化图像增强算法增加白条条纹与肌肉部分的灰度对比度。最后对图像增强后的图像进行二值化处理，并提取其白色条纹封闭轮廓个数、计算白色条纹面积占比、计算横向白色条纹面积最大值、计算最大白色条纹轮廓宽度等四个参数作为特征参数，再将所得的特征参数上传至鸡胸肉白色条纹品质分类模块进行品质判别。
37.所述的鸡胸肉白色条纹品质分类模块由xg-boost多特征学习分类模型组成，其建模过程的示意图如图1所示。首先从将原始数据划分为训练集、测试集，其比例为8：2，其中任何一个集合内其正常鸡胸肉、中度鸡胸肉、重度鸡胸肉的数据量比例均为7：2：1，原始数据集共1200条数据。然后根据正常、中度、重度三个等级分类开始训练xg-boost分类模型，其建模大致过程如下：最开始建立第一棵树，然后逐渐迭代，每次迭代过程中都会增加一棵树，且每次迭代过程都会对前一棵树中预测错误的数据赋予更高的权重送至当前树种进行训练，从而逐渐形成由众多决策树模型集成而来的强评估器。最后对模型进行测试验证其拟合效果。
38.xg-boost多特征学习分类模型以白色条纹面积占比、横向最大白色条纹面积、白色条纹封闭轮廓个数、最大白色条纹轮廓宽度，四个特征参数作为模型输入，鸡胸肉品质作为模型输出。为防止模型出现过拟合现象，防止计算资源浪费，设置超参数k为80，即决策树建立数目为80。为提高模型预测准确性、泛化性、运算速度，引入参数subsample设为0.8，即每棵树的训练集数据提取均为有放回的抽样，而后续新建的决策树会更倾向于前期预测错误的样本作为训练集，每次权重值w赋予为0.6。为使每棵树的建立为最优决策树，引入了梯度下降法进行迭代计算去寻找最小损失函数，其最小损失下降参数gamma设为0.3，学习率参数eta为0.2，最小叶子权重值mc为1，损失函数设为对数损失函数。为防止每棵树过度生长，设置了树深参数即max-depth为3。选用了交叉验证法，验证最佳训练集与测试集比例为8：2，并将测试准确率作为评估标准。最终结果如表1所示，当训练集与测试集为8：2时，其模型测试准确率为96.13％，达到了所需要求。
39.为了进一步突出xg-boost多特征集成学习分类模型的优势，选取了随机森林
(rf)、支持向量机(svm)、bp神经网络(bp-nn)等多特征学习分类算法进行了比较，选取了分类模型常见的auc、测试准确率、f1-score、总体精度oa、数量不一致率qd、分配不一致率ad等作为指标去评估模型性能效果，其中训练集与测试集均为8：2。各个算法预测结果如表2所示。由表2，xg-boost模型的auc和测试准确率为0.9762，96.13％，均优于其他算法，表明了建立的xg-boost模型对不同品质的鸡胸肉的预测具有明显的优势。
40.表1三种不同品质鸡胸肉在xg-boost模型的预测结果
[0041][0042]
表2不同模型的测试结果
[0043][0044]
实施例2：一种利用如上所述鸡胸肉白色条纹等级判定系统对鸡胸肉进行分级的方法，包括以下步骤：
[0045]
(1)人工评判鸡胸肉品质并进行分类：首先将样品鸡胸肉通过上述鸡胸肉白色条纹等级判定的方法及装置检测后的，再由经过专业化训练且具有一定评判经验的研究人员或工作人员对行鸡胸肉进行评级，分为正常鸡胸肉、中度鸡胸肉、重度鸡胸肉；再对其检测所得到鸡胸肉俯视图像的进行图像分析处理，
[0046]
步骤1：图像特征信息提取模块由采集图像的ccd工业相机和图像处理的工控机终端组成。ccd工业相机采集俯视鸡胸肉图像并将其传输至工控机终端，由工控机终端对原始鸡胸肉图像进行处理及特征信息提取。
[0047]
(1)图像预处理：首先将采集到的图像进行灰度图像处理，为了减少图像噪声污染，利用了中值滤波去除了图像背景的噪声,得到最终灰度图。然后根据背景与目前区域灰度差距较大的特征，利用自适应阈值分割算法(otsu)提取出目标区域，得到二值图像。其次逐点扫描二值图像像素，当像素为255时，将此点像素的灰度值设为与原灰度图点位置相同的灰度值；当像素为0时，将此点像素的灰度值设为0，且位置与原灰度图相同，此时输出掩
膜图像。最后因为掩模图像中白色条纹偏暗，肌肉部分偏亮，不利于进一步处理，使用了直方图均衡化图像增强算法，增加了白色条纹与肌肉部分的对比度。到此成功将目标区域从背景中提取出来。
[0048]
(2)图像特征信息提取：针对图像预处理后的图像，首先提取其目标区域面积s(即非黑色背景区域面积)，然后利用其白色条纹与肌肉部分灰度对比度明显的特征，使用otsu算法进行图像分割，得到鸡胸肉白色条纹图像，并计算此时白色条纹面积(即白色像素点总数)s1，最后将s1与s的比值作为第一个特征参数即白色条纹面积占比；建立5像素
×
5像素的正方形模板，从左到右逐行扫描封闭的白色条纹轮廓，计算每个轮廓内白色像素面积(即白色像素点总数)并放入建立的列表当中，提取列表中的最大值作为第二个特征参数即横向白色条纹面积最大值；提取鸡胸肉图像中白色条纹封闭轮廓个数，将所得轮廓绘制于原图当中并将其作为第三个特征参数。绘制鸡胸肉白色条纹图像的每个封闭轮廓的外接矩形框，并计算其矩形宽度，存入列表中，提取列表的最大值作为第四个特征参数即最大白色条纹轮廓宽度。
[0049]
步骤2：建立鸡胸肉白色条纹等级分类数据库。重复上述步骤，不断采集不同鸡胸肉品质下的特征参数，以此建立鸡胸肉白色条纹等级分类数据库。所建立的数据库，将为后续多特征集成学习模型的建立做准备。
[0050]
步骤3：建立xg-boost多特征集成学习分类模型。将所建立的鸡胸肉白色条纹等级分类数据库中的80％的数据作为训练集，建立鸡胸肉白色条纹等级分类模型，将20％的数据作为测试集，用于测试模型的准确性。
[0051]
步骤4：为验证模型在生产线上的实用性，将未进行人工评级的鸡胸肉放置于输送带中心，由输送带运送至ccd工业相机下时，发出相应传感器信号，由工控机终端接受后控制输送带停止，同时ccd工业相机对鸡胸肉进行图像采集，并将图像传输至工控机终端进行图像预处理及特征信息采集，最终利用所建立的模型进行鸡胸肉等级评定。
[0052]
此外，使用xg-boost多特征集成学习分类模型进行鸡胸肉等级评定，其评定规则为：
[0053]
分类器模型输出数值为0，则为正常鸡胸肉；
[0054]
分类器模型输出数值为1，则为中度鸡胸肉；
[0055]
分类器模型输出数值为2，则为重度鸡胸肉。
[0056]
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。
技术特征：1.一种鸡胸肉白色条纹等级判定系统，其特征在于：由硬件模块、图像特征信息提取模块及鸡胸肉品质分级模块组成，所述硬件模块、图像特征信息提取模块及鸡胸肉品质分级模块均由工控机控制；所述硬件模块包括检测模块、输送带、电动机和输送带挡板；所述检测模块由传感器、led灯和ccd工业相机组成；所述传感器安装在输送带挡板上距输送带高度50mm处，所述ccd工业相机安装在输送带的固定支架顶部中间处，由工控机控制；所述检测模块、图像特征信息提取模块和鸡胸肉品质分级模块依次电性连接；图像特征信息提取模块由处理图像的工控机终端组成；ccd工业相机采集俯视鸡胸肉图像并将其传输至工控机终端，由工控机终端对原始鸡胸肉图像进行处理及特征信息提取；所述鸡胸肉品质分级模块用于接收图像特征信息提取模块提取的特征信息，处理后输出鸡胸肉等级。2.根据权利要求1所述的一种鸡胸肉白色条纹等级判定系统，其特征在于：所述输送带挡板选用304食品级不锈钢材料，传感器采用低频电信号传输。3.根据权利要求1所述的一种鸡胸肉白色条纹等级判定系统，其特征在于：所述鸡胸肉品质分级模块由xg-boost分类模型构成，具体为：最开始建立第一棵树，然后逐渐迭代，每次迭代过程中都会增加一棵树，且每次迭代过程都会对前一棵树中预测错误的数据赋予更高的权重送至当前树种进行训练，从而逐渐形成由众多决策树模型集成而来的强评估器，最后对模型进行测试验证其拟合效果。4.根据权利要求1所述的一种鸡胸肉白色条纹等级判定系统，其特征在于：所述鸡胸肉品质分级模块通过图像特征信息提取模块得到鸡胸肉俯视图像进行灰度处理并利用中值滤波进行平滑降噪，其次利用自适应阈值分割算法(otsu)进行二值化处理，并将处理后的图像进行掩膜处理得到掩膜图像，然后对掩膜图像进行直方图均衡化图像增强算法增加白条条纹与肌肉部分的灰度对比度，最后对图像增强后的图像进行二值化处理，并提取其白色条纹封闭轮廓个数、计算白色条纹面积占比、计算横向白色条纹面积最大值、计算最大白色条纹轮廓宽度等四个参数作为特征参数，将得到特征参数进行预测分级。5.一种鸡胸肉白色条纹等级判定的方法，其特征在于，其具体步骤如下：步骤1、传感器检测到鸡胸肉后将信息传递至工控机，由工控机控制输送带停止，并控制ccd工业相机进行俯视拍照，然后将所拍图像传递至工控机，采集到的鸡胸肉俯视图像传递至工控机终端；步骤2、图像预处理：首先将采集到的图像进行灰度图像处理，为了减少图像噪声污染，利用中值滤波去除了图像背景的噪声，得到最终灰度图；然后根据背景与目前区域灰度差距较大的特征，利用自适应阈值分割算法(otsu)提取出目标区域，得到二值图像，其次逐点扫描二值图像像素，当像素为255时，将此点像素的灰度值设为与原灰度图点位置相同的灰度值；当像素为0时，将此点像素的灰度值设为0，且位置与原灰度图相同，此时输出掩膜图像；步骤3、图像特征信息提取：针对图像预处理后的图像，首先提取其目标区域面积s，然后利用其白色条纹与肌肉部分灰度对比度明显的特征，使用otsu算法进行图像分割，得到鸡胸肉白色条纹图像，并计算此时白色条纹面积s1，最后将s1与s的比值作为第一个特征参数即白色条纹面积占比；建立5像素
×
5像素的正方形模板，从左到右逐行扫描封闭的白色
条纹轮廓，计算每个轮廓内白色像素面积并放入建立的列表当中，提取列表中的最大值作为第二个特征参数即横向白色条纹面积最大值；提取鸡胸肉图像中白色条纹封闭轮廓个数，将所得轮廓绘制于原图当中并将其作为第三个特征参数；绘制鸡胸肉白色条纹图像的每个封闭轮廓的外接矩形框，并计算其矩形宽度，存入列表中，提取列表的最大值作为第四个特征参数即最大白色条纹轮廓宽度；所述目标区域面积s为非黑色背景区域面积，所述白色条纹面积s1为白色像素点总数，所述每个轮廓内白色像素面积为每个轮廓内白色像素点总数；步骤4、建立鸡胸肉白色条纹等级分类数据库：重复上述步骤，不断采集不同鸡胸肉品质下的特征参数，以此建立鸡胸肉白色条纹等级分类数据库，所建立的数据库，将为后续多特征集成学习模型的建立做准备；步骤5、建立xg-boost多特征集成学习分类模型：将所建立的鸡胸肉白色条纹等级分类数据库中的80％的数据作为训练集，建立鸡胸肉白色条纹等级分类模型，将20％的数据作为测试集，用于测试模型的准确性；步骤6、为验证模型在生产线上的实用性，将未进行人工评级的鸡胸肉放置于输送带中心，由输送带运送至ccd工业相机下时，发出相应传感器信号，由工控机终端接受后控制输送带停止，同时ccd工业相机对鸡胸肉进行图像采集，并将图像传输至工控机终端进行图像预处理及特征信息采集，最终利用所建立的模型进行鸡胸肉等级评定。6.根据权利要求5所述的一种鸡胸肉白色条纹等级判定的方法，其特征在于：步骤6中所述的鸡胸肉等级判定规则为：xg-boost分类模型输出数值为0，则为正常鸡胸肉；xg-boost分类模型输出数值为1，则为中度鸡胸肉；xg-boost分类模型输出数值为2，则为重度鸡胸肉。
技术总结本发明公开了一种鸡胸肉白色条纹等级判定的方法及装置，由硬件模块、图像特征信息提取模块及鸡胸肉品质分级模块组成；硬件模块包括检测模块、输送带、电动机和输送带挡板，所述检测模块包括传感器、LED灯和CCD工业相机；图像特征信息提取模块由采集图像的CCD工业相机和图像处理的工控机终端组成，CCD工业相机采集俯视鸡胸肉图像并将其传输至工控机终端，由工控机终端对原始鸡胸肉图像进行处理及特征信息提取；鸡胸肉品质分级模块主要由工控机控制的分类模型进行输出鸡胸肉等级。本发明实现了肉鸡鸡胸肉白色条纹等级检测和判定，为禽肉屠宰企业减少产品损失并开发了一种新型禽肉检测技术方法，实现了鸡胸肉品质等级的在线无损检测。损检测。损检测。
技术研发人员：孙啸 柏钰 周梦月 张续博 邓涛 张永捷
受保护的技术使用者：滁州学院
技术研发日：2022.07.19
技术公布日：2022/11/1
