1.本发明属于人体跌倒检测识别技术领域，具体涉及变异粒子群算法与卷积神经网络的跌倒检测方法及系统。
背景技术：2.目前，跌倒已经成为我国65岁以上老年人因伤致死的首位原因。及时发现跌倒情况的发生并发出求助信号，不仅可以为伤者争取最佳救治时间，而且可以避免可能出现的二次伤害。因此采取行之有效的跌倒检测技术显得尤为重要。
3.从跌倒检测方法可分为基于穿戴式传感器、基于环境式和基于视频图像的检测方法。基于穿戴式传感器跌倒检测方法需要使用者长时间佩戴，可能出现佩戴不适、频繁充电、忘记佩戴等问题；基于环境式的检测方法设备造价成本高并且容易受环境中声光信号的干扰，导致误测率大；基于视频图像的检测方法不需要穿戴、价格便宜，但是其模型结构复杂、运算时间较长。基于视频图像进行跌倒检测的方法如公开号cn113435306a采用混合级联卷积跌倒检测的方法充分利用时空信息整合模块提取的信息进行检测；如公开号cn114120370a采用卷积神经网络和长短期记忆网络来提高人体跌倒检测的正确率，但是增大模型规模往往会导致模型运算时间的大量增加，不利于移植和应用。
4.因此，研究一种无需使用者穿戴，识别准确率高，可以移植性强的人体跌倒行为检测方法，具有重大的研究价值和现实意义。
技术实现要素：5.本发明的目的在于提供变异粒子群算法与卷积神经网络的跌倒检测方法及系统，在无需穿戴、低成本、无需增加模型规模的情况下，提高跌倒模型预测准确率和收敛速度，解决跌倒检测模型错报、漏报以及训练时间长等问题，以解决上述背景技术中提出现有技术中的问题。
6.为实现上述目的，本发明采用了如下技术方案：
7.变异粒子群算法与卷积神经网络的跌倒检测方法，包括以下步骤：
8.s1、建立基于卷积神经网络的跌倒检测模型，所述步骤s1包括：
9.步骤s11：获取和标注人体跌倒行为数据集；
10.步骤s12：选取和微调卷积神经网络模型；
11.s2、利用变异粒子群算法对基于卷积神经网络的跌倒检测模型的参数进行优化；
12.s3、将全局最优解对应的参数赋值给基于卷积神经网络的跌倒检测模型；
13.s4、将初始化后的卷积神经网络进行迭代训练，得到训练好卷积神经网络模型；
14.s5、验证基于变异粒子群算法与卷积神经网络的跌倒检测模型，s5步骤包括：
15.步骤s51：判断基于变异粒子群算法与卷积神经网络的跌倒检测模型是否达到指定精度，若没有达到跳转步骤s2；
16.步骤s52：保存模型。
17.优选的，所述s2的具体步骤如下：
18.步骤s21：根据卷积神经网络的损失函数确定粒子群的适应度函数；
19.步骤s22：根据卷积神经网络的拓扑结构对其权值和阈值进行编码排序；
20.步骤s23：根据编码长度确定粒子的维度，并对粒子群数量、惯性权重、学习参数和最大迭代次数进行初始化；
21.步骤s24：采用随机数粒子群的初始位置、初始速度、个体最优位置和全局最优位置、进行初始化；初始化方式如下：
22.xi＝(x
max-x
min
)*rand+x
min
23.vi＝(v
max-v
min
)*rand+v
min
24.式中:vi和xi分别为第i个粒子的速度和位置，x
max
和x
min
表示位置的最大和最小值，v
max
和v
min
表示速度的最大和最小值。
25.步骤s25：判断是否达到变异条件；若没达到跳转步骤s2.7；
26.步骤s26：用随机数对余弦相似度大于平均余弦相似度的粒子进行变异，基于余弦相似度变异策略示意图如图一所示；余弦相似度和平均余弦相似度的计算公式如下：
[0027][0028][0029]
式中:gbest为当前迭代的全局最优解，xi为第i个粒子的位置。
[0030]
步骤s27：根据上一代粒子的速度和位置更新当前迭代的粒子的速度和位置；速度和位置迭代更新公式可以描述为:
[0031][0032][0033]
式中n为初始粒子数，和分别测量第i个粒子在第k+1次迭代时的速度和位置。ω表示惯性权重，反映了前一个速度对当前速度的影响，c1和c2表示加速度因子通常用两个实数表示，r1和r2是区间(0,1)中的两个随机数。
[0034]
步骤s28：根据当前迭代的所述粒子位置得到当前迭代的适应度值；
[0035]
步骤s29：确定当前迭代个体最优位置和全局最优位置；
[0036]
步骤s210:判断当前迭代否达到最大迭代次数或达到相应精度要求；若没有达到，跳转步骤s25；若达到，输出全局最优位置。
[0037]
优选的，所述s4中，其迭代公式如下:
[0038][0039][0040]
式中α为学习速率，通常为0.01～0.001之间的常数。
[0041]
变异粒子群算法与卷积神经网络的跌倒检测系统，包括视频采集模块，中心处理模块，云服务器、用户端，还包括变异粒子群算法与卷积神经网络的跌倒检测方法，所述视
频采集模块与中心处理模块通过导线相连，所述中心处理模块云服务器通讯连接，所述云服务器和用户端通讯连接，所述视频采集模块使用网络摄像头捕捉监控区域的视频图像，并将视频图像传入中心处理模块。
[0042]
优选的，所述中心处理模块包括信息存储单元，信息处理单元，报警单元。所述信息存储单元存储相关程序、算法模型和预警信息；所述信息处理单元处理视频采集模块采集的监控区域的图像数据，并调用信息存储单元的算法模型检测跌倒信息；所述报警单元包括用户端app的信息弹框报警和外接的声光报警器。
[0043]
优选的，所述中心处理模块部署着基于变异粒子群优化的卷积神经网络算法，在接收到视频图像数据后会在中心处理模块处理跌倒信息，若有跌倒情况发生，则在本地发送求救信号并保存检测到的跌倒图像、跌倒时间等数据，同时将相关数据上传至云服务器，云服务器将数据下发至用户端，用户可以通过手机app设置求救信号灵敏度、接收及查看跌倒信息，采取相关措施赶赴现场进行救治帮扶。
[0044]
优选的，本系统运转步骤包括了数据初始化，数据采集，数据处理，数据上传，数据下发，其中，数据初始化包括本发明提出的可以设置求救信号的灵敏度方法；
[0045]
数据采集包括用户安装的多路网络摄像头实时采集监控区域的图像数据；
[0046]
数据处理包括部署在中心处理模块的基于变异粒子群优化的卷积神经网络算法模型，通过该算法模型判断接收到采集的图像信息是否存在跌倒情况发生，若为否则返回数据采集步骤，若为是则进行灵敏度阈值判断；若跌倒时间未超过预设的灵敏度阈值，则重新判断是否存在跌倒情况发生，若跌倒时间超过预设灵敏度阈值，则进入数据上传步骤；
[0047]
数据上传包括将跌倒图像和跌倒时间等相关信息上传至云服务器，其中，保存在本地的跌倒图像信息用于算法模型的迭代升级；
[0048]
数据下发包括将存储在云服务器端的跌倒图像信息后台推送至用户端，用户可以通过手机app对跌倒信息进行查收，对跌倒信息进行二次确认，排除偶然触发等小概率事件。
[0049]
本发明的技术效果和优点：本发明提出的变异粒子群算法与卷积神经网络的跌倒检测方法及系统，与现有技术相比，具有以下优点：
[0050]
1、首先，本发明采用粒子群算法对卷积神经网络的参数进行优化，与其他混合模型相比，本模型不需要额外增加模型的规模，在提高跌倒检测正确率的同时保证了模型的运算速度，与传统卷积神经网络模型相比本模型具有更好的寻优能力，提升了模型的收敛速度和跌倒检测的正确率；其次，本发明采用一种粒子群变异机制，利用余弦相似度评价粒子的聚集程度，让聚集度较大的粒子发生变异，解决了标准粒子群算法容易早熟收敛的问题，提升了粒子群的种群多样性和全局搜索能力。最后，本文提出了基于视频图像的跌倒检测实时求救系统的实现方法，通过视频采集装置将采集到的视频流传入控制中心，在控制中心利用基于变异粒子群优化的卷积神经网络进行跌倒检测，若检测到跌倒，在本地发出求救信号并将检测到的跌倒图像、跌倒时间等相关数据送入云服务器，云服务器将数据传达给手机app，安保人员可以通过手机app查看跌倒情况采取合适的手段赶往现场进行救治帮扶。
[0051]
2、本方法在不增加卷积神经网络模型规模的情况写提高了跌倒行为识别的准确率和模型的收敛速度，并且提出了基于视频图像的跌倒检测实时求助系统实现方法，能够
有效帮助伤者及时得到救助。
附图说明
[0052]
图1为本发明的基于余弦相似度变异策略示意图；
[0053]
图2为本发明的卷积神经网络识别模块的框架图；
[0054]
图3为本发明的基于变异粒子群算法优化的卷积神经网络的算法流程图；
[0055]
图4为本发明的基于变异粒子群的卷积神经网络的跌倒求助系统结构示意图。
具体实施方式
[0056]
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。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
[0057]
本发明提供了如图1-4所示的变异粒子群算法与卷积神经网络的跌倒检测方法，包括以下步骤：
[0058]
s1、建立基于卷积神经网络的跌倒检测模型，步骤s1包括：
[0059]
步骤s11：获取和标注人体跌倒行为数据集；
[0060]
步骤s12：选取和微调卷积神经网络模型；
[0061]
s2、利用变异粒子群算法对基于卷积神经网络的跌倒检测模型的参数进行优化；
[0062]
s3、将全局最优解对应的参数赋值给基于卷积神经网络的跌倒检测模型；
[0063]
s4、将初始化后的卷积神经网络进行迭代训练，得到训练好卷积神经网络模型；
[0064]
s5、验证基于变异粒子群算法与卷积神经网络的跌倒检测模型，s5步骤包括：
[0065]
步骤s51：判断基于变异粒子群算法与卷积神经网络的跌倒检测模型是否达到指定精度，若没有达到跳转步骤s2；
[0066]
步骤s52：保存模型。
[0067]
s2的具体步骤如下：
[0068]
步骤s21：根据卷积神经网络的损失函数确定粒子群的适应度函数；
[0069]
步骤s22：根据卷积神经网络的拓扑结构对其权值和阈值进行编码排序；
[0070]
步骤s23：根据编码长度确定粒子的维度，并对粒子群数量、惯性权重、学习参数和最大迭代次数进行初始化；
[0071]
步骤s24：采用随机数粒子群的初始位置、初始速度、个体最优位置和全局最优位置、进行初始化；初始化方式如下：
[0072]
xi＝(x
max-x
min
)*rand+x
min
[0073]
vi＝(v
max-v
min
)*rand+v
min
[0074]
式中:vi和xi分别为第i个粒子的速度和位置，x
max
和x
min
表示位置的最大和最小值，v
max
和v
min
表示速度的最大和最小值。
[0075]
步骤s25：判断是否达到变异条件；若没达到跳转步骤s2.7；
[0076]
步骤s26：用随机数对余弦相似度大于平均余弦相似度的粒子进行变异，基于余弦
相似度变异策略示意图如图一所示；余弦相似度和平均余弦相似度的计算公式如下：
[0077][0078][0079]
式中:gbest为当前迭代的全局最优解，xi为第i个粒子的位置。
[0080]
步骤s27：根据上一代粒子的速度和位置更新当前迭代的粒子的速度和位置；速度和位置迭代更新公式可以描述为:
[0081][0082][0083]
式中n为初始粒子数，和分别测量第i个粒子在第k+1次迭代时的速度和位置。ω表示惯性权重，反映了前一个速度对当前速度的影响，c1和c2表示加速度因子通常用两个实数表示，r1和r2是区间(0,1)中的两个随机数。
[0084]
步骤s28：根据当前迭代的粒子位置得到当前迭代的适应度值；
[0085]
步骤s29：确定当前迭代个体最优位置和全局最优位置；
[0086]
步骤s210:判断当前迭代否达到最大迭代次数或达到相应精度要求；若没有达到，跳转步骤s25；若达到，输出全局最优位置。
[0087]
s4中，其迭代公式如下:
[0088][0089][0090]
式中α为学习速率，通常为0.01～0.001之间的常数。
[0091]
变异粒子群算法与卷积神经网络的跌倒检测系统，包括视频采集模块，中心处理模块，云服务器、用户端，还包括变异粒子群算法与卷积神经网络的跌倒检测方法，视频采集模块与中心处理模块通过导线相连，中心处理模块云服务器通讯连接，云服务器和用户端通讯连接，视频采集模块使用网络摄像头捕捉监控区域的视频图像，并将视频图像传入中心处理模块。
[0092]
中心处理模块包括信息存储单元，信息处理单元，报警单元。信息存储单元存储相关程序、算法模型和预警信息；信息处理单元处理视频采集模块采集的监控区域的图像数据，并调用信息存储单元的算法模型检测跌倒信息；报警单元包括用户端app的信息弹框报警和外接的声光报警器。
[0093]
中心处理模块部署着基于变异粒子群优化的卷积神经网络算法，在接收到视频图像数据后会在中心处理模块处理跌倒信息，若有跌倒情况发生，则在本地发送求救信号并保存检测到的跌倒图像、跌倒时间等数据，同时将相关数据上传至云服务器，云服务器将数据下发至用户端，用户可以通过手机app设置求救信号灵敏度、接收及查看跌倒信息，采取相关措施赶赴现场进行救治帮扶。
[0094]
本系统运转步骤包括了数据初始化，数据采集，数据处理，数据上传，数据下发，其
中，数据初始化包括本发明提出的可以设置求救信号的灵敏度方法；数据采集包括用户安装的多路网络摄像头实时采集监控区域的图像数据；数据处理包括部署在中心处理模块的基于变异粒子群优化的卷积神经网络算法模型，通过该算法模型判断接收到采集的图像信息是否存在跌倒情况发生，若为否则返回数据采集步骤，若为是则进行灵敏度阈值判断；若跌倒时间未超过预设的灵敏度阈值，则重新判断是否存在跌倒情况发生，若跌倒时间超过预设灵敏度阈值，则进入数据上传步骤；数据上传包括将跌倒图像和跌倒时间等相关信息上传至云服务器，其中，保存在本地的跌倒图像信息用于算法模型的迭代升级；数据下发包括将存储在云服务器端的跌倒图像信息后台推送至用户端，用户可以通过手机app对跌倒信息进行查收，对跌倒信息进行二次确认，排除偶然触发等小概率事件。
[0095]
实施例：
[0096]
变异粒子群算法与卷积神经网络的跌倒检测方法，具体包括以下步骤：
[0097]
步骤s1：获取和标注人体跌倒行为数据集
[0098]
利用网络爬虫和跌倒实验拍摄收集了跌倒图片数据总数7782张，剔除部分不可用数据，有效数据个数7713张，然后将跌倒数据集按照9：1的比例进行划分，分为训练集和测试集。
[0099]
步骤s2：如图二所示，建立基于卷积神经网络的跌倒检测模型
[0100]
基于卷积神经网络的跌倒检测模型包括两部分：提取模块和识别模块。其中，提取模块采用vgg19用于对人体跌倒检测行为数据集归一化处理得到特征图，然后利用openpose模型对所述特征图提取人体关节点信息；识别模块采用卷积神经网络，本发明设置的卷积神经网络结构包含三个卷积层，卷积核大小分别为5
×
5、3
×
3、3
×
3，卷积过滤器数量分别为32，64，64，步长为1，图像填充使用same，激活函数使用relu；三个池化层，均使用最大池化层，池化层的内核大小为2
×
2，滤波器数量分别为32，64，64；退出层概率参数设为0.5。
[0101]
步骤s3：确定并求解粒子群算法的适应度函数，利用粒子群算法优化神经网络的权值和阈值利用变异粒子群算法对跌倒检测模型的参数进行优化。
[0102]
将卷积神经网络模型的损失函数作为变异粒子群算法的适应度评价函数，将步骤s2识别模块的卷积神经网络的参数数量作为粒子的维度，粒子的个数设置为100，粒子的位置范围为[-0.02,0.02]，粒子的速度范围为[-0.005,0.005]，初始位置和速度在位置和速度范围内随机生成。粒子群变异几率随着迭代次数从50％线性递减到10％。迭代终止条件为精度达到要求或迭代达到最大迭代次数。优化算法流程图如图三所示。
[0103]
步骤s4将全局最优解对应的参数赋值给基于卷积神经网络的跌倒检测模型后进行迭代训练，得到训练好卷积神经网络模型。
[0104]
将变异粒子群算法输出的全局最优解作为识别模块卷积神经网络的模型的初始参数然后采用随机梯度下降算法进行进一步迭代训练得到跌倒检测模型。训练阶段设置训练迭代次数为100次，学习率设置为0.001，根据测试集的检测结果选取正确率最高的模型作为最终的输出模型。
[0105]
步骤s5：将基于变异粒子群算法和卷积神经网络的跌倒检测模型移植到跌倒求助系统，系统结构图如图四所示。
[0106]
数据采集：视频监控系统的网络摄像头对视频流进行采集。
[0107]
数据处理：在嵌入式设备上将采集到的视频流进行分析检测，若检测到跌倒，再进行灵敏度阈值判断；若跌倒时间未超过预设的灵敏度阈值，则重新判断是否存在跌倒情况发生，若跌倒时间超过预设灵敏度阈值则立刻在声光报警器发出求助信号并在用户端app上发出信息弹框。
[0108]
数据上传与下发：嵌入式设备将跌倒图像、跌倒时间等信息传输到云服务器端进行保存，云服务器再将数据推送至用户终端app。
[0109]
用户终端：安保人员在手机上接收到跌倒的具体时间与情况，采取相应的措施及时的采取求助措施。
[0110]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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.变异粒子群算法与卷积神经网络的跌倒检测方法，包括以下步骤，其特征在于：s1、建立基于卷积神经网络的跌倒检测模型，所述步骤s1包括：步骤s11：获取和标注人体跌倒行为数据集；步骤s12：选取和微调卷积神经网络模型；s2、利用变异粒子群算法对基于卷积神经网络的跌倒检测模型的参数进行优化；s3、将全局最优解对应的参数赋值给基于卷积神经网络的跌倒检测模型；s4、将初始化后的卷积神经网络进行迭代训练，得到训练好卷积神经网络模型；s5、验证基于变异粒子群算法与卷积神经网络的跌倒检测模型，s5步骤包括：步骤s51：判断基于变异粒子群算法与卷积神经网络的跌倒检测模型是否达到指定精度，若没有达到跳转步骤s2；步骤s52：保存模型。2.根据权利要求1所述的变异粒子群算法与卷积神经网络的跌倒检测方法，其特征在于：所述s2的具体步骤如下：步骤s21：根据卷积神经网络的损失函数确定粒子群的适应度函数；步骤s22：根据卷积神经网络的拓扑结构对其权值和阈值进行编码排序；步骤s23：根据编码长度确定粒子的维度，并对粒子群数量、惯性权重、学习参数和最大迭代次数进行初始化；步骤s24：采用随机数粒子群的初始位置、初始速度、个体最优位置和全局最优位置、进行初始化；初始化方式如下：x
i
＝(x
max-x
min
)*rand+x
min
v
i
＝(v
max-v
min
)*rand+v
min
式中:v
i
和x
i
分别为第i个粒子的速度和位置，x
max
和x
min
表示位置的最大和最小值，v
max
和v
min
表示速度的最大和最小值。步骤s25：判断是否达到变异条件；若没达到跳转步骤s2.7；步骤s26：用随机数对余弦相似度大于平均余弦相似度的粒子进行变异，基于余弦相似度变异策略示意图如图一所示；余弦相似度和平均余弦相似度的计算公式如下：意图如图一所示；余弦相似度和平均余弦相似度的计算公式如下：式中:gbest为当前迭代的全局最优解，x
i
为第i个粒子的位置。步骤s27：根据上一代粒子的速度和位置更新当前迭代的粒子的速度和位置；速度和位置迭代更新公式可以描述为:为:式中n为初始粒子数，和分别测量第i个粒子在第k+1次迭代时的速度和位置。ω表示惯性权重，反映了前一个速度对当前速度的影响，c1和c2表示加速度因子通常用两个实数表示，r1和r2是区间(0,1)中的两个随机数。
步骤s28：根据当前迭代的所述粒子位置得到当前迭代的适应度值；步骤s29：确定当前迭代个体最优位置和全局最优位置；步骤s210:判断当前迭代否达到最大迭代次数或达到相应精度要求；若没有达到，跳转步骤s25；若达到，输出全局最优位置。3.根据权利要求1所述的变异粒子群算法与卷积神经网络的跌倒检测方法，其特征在于：所述s4中，其迭代公式如下:于：所述s4中，其迭代公式如下:式中α为学习速率，通常为0.01～0.001之间的常数。4.变异粒子群算法与卷积神经网络的跌倒检测系统，包括视频采集模块，中心处理模块，云服务器、用户端，还包括变异粒子群算法与卷积神经网络的跌倒检测方法，其特征在于：所述视频采集模块与中心处理模块通过导线相连，所述中心处理模块云服务器通讯连接，所述云服务器和用户端通讯连接，所述视频采集模块使用网络摄像头捕捉监控区域的视频图像，并将视频图像传入中心处理模块。5.根据权利要求1所述的变异粒子群算法与卷积神经网络的跌倒检测系统，其特征在于：所述中心处理模块包括信息存储单元，信息处理单元，报警单元。所述信息存储单元存储相关程序、算法模型和预警信息；所述信息处理单元处理视频采集模块采集的监控区域的图像数据，并调用信息存储单元的算法模型检测跌倒信息；所述报警单元包括用户端app的信息弹框报警和外接的声光报警器。6.根据权利要求1所述的变异粒子群算法与卷积神经网络的跌倒检测系统，其特征在于：所述中心处理模块部署着基于变异粒子群优化的卷积神经网络算法，在接收到视频图像数据后会在中心处理模块处理跌倒信息，若有跌倒情况发生，则在本地发送求救信号并保存检测到的跌倒图像、跌倒时间等数据，同时将相关数据上传至云服务器，云服务器将数据下发至用户端，用户可以通过手机app设置求救信号灵敏度、接收及查看跌倒信息，采取相关措施赶赴现场进行救治帮扶。7.根据权利要求1所述的变异粒子群算法与卷积神经网络的跌倒检测系统，其特征在于：本系统运转步骤包括了数据初始化，数据采集，数据处理，数据上传，数据下发，其中，数据初始化包括本发明提出的可以设置求救信号的灵敏度方法；数据采集包括用户安装的多路网络摄像头实时采集监控区域的图像数据；数据处理包括部署在中心处理模块的基于变异粒子群优化的卷积神经网络算法模型，通过该算法模型判断接收到采集的图像信息是否存在跌倒情况发生，若为否则返回数据采集步骤，若为是则进行灵敏度阈值判断；若跌倒时间未超过预设的灵敏度阈值，则重新判断是否存在跌倒情况发生，若跌倒时间超过预设灵敏度阈值，则进入数据上传步骤；数据上传包括将跌倒图像和跌倒时间等相关信息上传至云服务器，其中，保存在本地的跌倒图像信息用于算法模型的迭代升级；数据下发包括将存储在云服务器端的跌倒图像信息后台推送至用户端，用户可以通过手机app对跌倒信息进行查收，对跌倒信息进行二次确认，排除偶然触发等小概率事件。
技术总结本发明公开了变异粒子群算法与卷积神经网络的跌倒检测方法及系统，包括视频采集模块，中心处理模块，云服务器、用户端，还包括变异粒子群算法与卷积神经网络的跌倒检测方法，所述视频采集模块与中心处理模块通过导线相连，所述中心处理模块云服务器通讯连接，所述云服务器和用户端通讯连接，所述视频采集模块使用网络摄像头捕捉监控区域的视频图像，并将视频图像传入中心处理模块。本发明在无需穿戴、低成本、无需增加模型规模的情况下，提高跌倒模型预测准确率和收敛速度，解决跌倒检测模型错报、漏报以及训练时间长等问题。漏报以及训练时间长等问题。漏报以及训练时间长等问题。
技术研发人员：熊爱民 周超维 肖捷 赖靖豪
受保护的技术使用者：清远华云智控科技有限公司
技术研发日：2022.07.04
技术公布日：2022/11/1
