基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)。所述方法包括：a，采集訓(xùn)練樣本圖像和類別，建立訓(xùn)練樣本集；b，設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層，所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)，所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接，所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值；c，根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；步驟d，利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。從輸入層到輸出層所需計(jì)算量與輸入樣本的次數(shù)成正比，即計(jì)算量是線性增長，大大減小，提高了識(shí)別效率。
【專利說明】基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像識(shí)別領(lǐng)域，特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)。
【背景技術(shù)】
[0002]無監(jiān)督學(xué)習(xí)方法是一種機(jī)器學(xué)習(xí)方式，其被廣泛的應(yīng)用于多個(gè)研究領(lǐng)域，例如數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、人工智能等。例如，K-mean等聚類方法,能夠讓計(jì)算機(jī)自動(dòng)尋找出有規(guī)律的數(shù)據(jù)而去除無規(guī)律的噪聲數(shù)據(jù)。該K-mean聚類方法也可應(yīng)用于圖像領(lǐng)域，對(duì)圖像進(jìn)行分類識(shí)別，然而該K-mean聚類方法學(xué)習(xí)的計(jì)算量與輸入樣本的次數(shù)η的平方成正比，即計(jì)算量是η2增長的，因而導(dǎo)致識(shí)別效率低下。

【發(fā)明內(nèi)容】

[0003]基于此，有必要針對(duì)現(xiàn)有技術(shù)中圖像識(shí)別效率低下的問題，提供一種能提高識(shí)別效率的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法。
[0004]此外，還有必要提供一種能提高識(shí)別效率的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)。
[0005]一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，包括:
[0006]步驟a，采集訓(xùn)練樣本圖像和類別，并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集；
[0007]步驟b，設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層，所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)，所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接，所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值，所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接；
[0008]步驟C，根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練；
[0009]步驟d，利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
[0010]一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，包括:
[0011]樣本采集模塊，用于采集訓(xùn)練樣本圖像和類別，并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集；
[0012]初始化模塊，用于設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層，所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)，所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接，所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值，所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接；
[0013]訓(xùn)練模塊，用于根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練；
[0014]分類模塊，用于利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
[0015]上述基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)，建立的神經(jīng)網(wǎng)絡(luò)中輸入層的輸入樣本按類別順序輸入，且從輸入層到輸出層所需計(jì)算量與輸入樣本的次數(shù)成正比，即計(jì)算量是線性增長，相比于傳統(tǒng)的K均值聚類法的計(jì)算量，大大減小，提高了識(shí)別效率。
[0016]此外，因長期權(quán)值是緩慢改變的，對(duì)噪聲有較好的抵抗能力，短期權(quán)值能夠快速學(xué)習(xí)識(shí)別，故采用長期權(quán)值和短期權(quán)值機(jī)制，能夠具有更強(qiáng)的抗噪聲能力，且識(shí)別效率高；且該神經(jīng)網(wǎng)絡(luò)具有良好的可擴(kuò)展性，可以構(gòu)建成多層神經(jīng)網(wǎng)絡(luò)系統(tǒng)，從而獲得更強(qiáng)的學(xué)習(xí)能力；通過測試樣本進(jìn)行對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，在未達(dá)到分類精確度時(shí)，再調(diào)整權(quán)值和參數(shù)重新訓(xùn)練，可提高神經(jīng)網(wǎng)絡(luò)的識(shí)別精確度。
【專利附圖】

【附圖說明】
[0017]圖1為一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法的流程圖；
[0018]圖2為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；
[0019]圖3為根據(jù)該訓(xùn)練樣本集對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的流程圖；
[0020]圖4為另一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法的流程圖；
[0021]圖5為一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的結(jié)構(gòu)框圖；
[0022]圖6為圖5中訓(xùn)練模塊的內(nèi)部結(jié)構(gòu)示意圖；
[0023]圖7為另一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的結(jié)構(gòu)框圖；
[0024]圖8a為原始圖像；
[0025]圖8b為加入了聞斯噪聲后的圖像；
[0026]圖8c為權(quán)值的初始狀態(tài)；
[0027]圖8d為正權(quán)值的訓(xùn)練結(jié)果；
[0028]圖8e為負(fù)權(quán)值的訓(xùn)練結(jié)果。
【具體實(shí)施方式】
[0029]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0030]如圖1所示，為一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法的流程圖。一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，包括:
[0031]步驟102，采集訓(xùn)練樣本圖像和類別，并將該訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集 。
[0032]具體的，首先采集訓(xùn)練樣本圖像且分不同的類別，每類別的圖像的樣本數(shù)相同，例如采集的圖像共有10類，第一類圖像的樣本數(shù)為1000，則其它9類圖像的樣本數(shù)也為1000。然后將訓(xùn)練樣本按照類別順序建立訓(xùn)練樣本集，即輸入樣本的順序?yàn)榈谝活悎D像樣本、第二類圖像樣本、第三類圖像樣本、……、第十類圖像樣本、第一類圖像樣本。
[0033]步驟104，設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，該神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層，該中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)，該中間變量層的各節(jié)點(diǎn)分別與該輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接，該可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值，該輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與該中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接。
[0034]本實(shí)施例中，預(yù)先建立的神經(jīng)網(wǎng)絡(luò)的輸入層的輸入數(shù)據(jù)的維度大小與圖像像素大小相同，如輸入的圖像為100X100像素大小的圖像，則神經(jīng)網(wǎng)絡(luò)的輸入層的輸入數(shù)據(jù)的維度大小為100X100。還需設(shè)置希望通過神經(jīng)網(wǎng)絡(luò)得到的類別數(shù)，如10類。
[0035]神經(jīng)網(wǎng)絡(luò)的參數(shù)包括用于調(diào)節(jié)長期權(quán)值和短期權(quán)值對(duì)輸出神經(jīng)元的影響比例的變量σ、隱藏變量的變化步長δ、權(quán)值的變化步長P、神經(jīng)元非線性函數(shù)的變化曲率a、偏移量s和隨訓(xùn)練次數(shù)變化的變量b，需要對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置初始值。本實(shí)施例中，σ 一般設(shè)置在0.1至0.3之間；δ —般設(shè)置在0.5至3之間；ρ設(shè)置在O至I之間，且不為O ;a設(shè)置在30至100之間；b的初始值設(shè)置為0.5 ；s設(shè)置為0.05至0.15之間。在其他實(shí)施例中，這些參數(shù)可為其他值。此外，a分為a+和a_，且a+和a_初始值相等；b分為b+和b_，且b+和b_初始值相等；P分為P +和P _，且P +和P _初始值相等。
[0036]如圖2所示為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。圖2中神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層。輸入層的輸入數(shù)據(jù)可為任意維度，圖2中&、&、&和\為4個(gè)輸入神經(jīng)元節(jié)點(diǎn)；中間變量層的節(jié)點(diǎn)Yi+和Y1-為第一個(gè)輸出神經(jīng)元的中間變量節(jié)點(diǎn)，Y1+為第一個(gè)輸出神經(jīng)元的興奮型變量節(jié)點(diǎn)、Y1-為第一個(gè)輸出神經(jīng)元的抑制型變量節(jié)點(diǎn)；輸出層的節(jié)點(diǎn)Y1是第一個(gè)輸出神經(jīng)元，是第一個(gè)輸出神經(jīng)元的興奮型變量和抑制型變量綜合作用的結(jié)果；同樣Yn是第η個(gè)輸出神經(jīng)元；輸出神經(jīng)元即為類別的輸出。中間變量層的各節(jié)點(diǎn)(如Yn+)分別與X1至X4通過可變權(quán)值相連，輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)Yn分別與中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)Yn+和抑制型變量節(jié)點(diǎn)Yn-相連接。
[0037]步驟106，根據(jù)該訓(xùn)練樣本集對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練。
[0038]如圖3所示，該步驟106包括:
[0039]步驟302，輸出神經(jīng)元反應(yīng)得到輸出響應(yīng)，對(duì)該輸出響應(yīng)進(jìn)行競爭得到響應(yīng)最強(qiáng)的輸出神經(jīng)元作為獲勝神經(jīng)元。
[0040]該步驟302中所需的輸入變量X、中間變量Υ±和輸出響應(yīng)Y之間的關(guān)系公式如下:
[0041]
【權(quán)利要求】
1.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，包括: 步驟a，采集訓(xùn)練樣本圖像和類別，并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集; 步驟b，設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層，所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)，所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接，所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值，所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接； 步驟C，根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練； 步驟d，利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，其特征在于，在步驟c之后，步驟d之前,還包括: 步驟e，獲取測試圖像和分類精確度閾值，將所述測試圖像輸入所述神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類，判斷得到的分類精確度是否小于等于所述分類精確度閾值，若是，則執(zhí)行步驟d，若否，則重新設(shè)定所述神經(jīng)網(wǎng)絡(luò)參數(shù)的值進(jìn)行訓(xùn)練。
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，其特征在于，所述參數(shù)包括用于調(diào)節(jié)長期權(quán)值和短期權(quán)值對(duì)輸出神經(jīng)元的影響比例的變量σ、隱藏變量的變化步長δ、權(quán)值的變化步長P、神經(jīng)元非線性函數(shù)的變化曲率a、偏移量s和隨訓(xùn)練次數(shù)變化的變量bo.
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，其特征在于，所述步驟c包括: 步驟Cl，輸出神經(jīng)元反應(yīng)得到輸出響應(yīng)，對(duì)所述輸出響應(yīng)進(jìn)行競爭得到響應(yīng)最強(qiáng)的輸出神經(jīng)元作為獲勝神經(jīng)元； 步驟c2，根據(jù)所述獲勝神經(jīng)元按照預(yù)先設(shè)置的權(quán)值改變規(guī)則調(diào)整權(quán)值和參數(shù)值，再根據(jù)所述調(diào)整后的權(quán)值和參數(shù)值進(jìn)行訓(xùn)練，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練。
5.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，其特征在于，所述步驟Cl中所需的輸入變量X、中間變量￥±和輸出響應(yīng)Y之間的關(guān)系公式如下:
6.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法，其特征在于，所述步驟c2中權(quán)值改變規(guī)則公式如下:

7.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，其特征在于，包括: 樣本采集模塊，用于采集訓(xùn)練樣本圖像和類別，并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集； 初始化模塊，用于設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層，所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)，所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接，所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值，所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接； 訓(xùn)練模塊，用于根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練； 分類模塊，用于利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
8.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，其特征在于，所述系統(tǒng)還包括: 測試模塊，用于獲取測試圖像和分類精確度閾值，將所述測試圖像輸入所述神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類，判斷得到的分類精確度是否小于等于所述分類精確度閾值，若是，則執(zhí)行所述分類模塊，若否，則由所述訓(xùn)練模塊重新設(shè)定所述神經(jīng)網(wǎng)絡(luò)參數(shù)的值進(jìn)行訓(xùn)練。
9.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，其特征在于，所述參數(shù)包括用于調(diào)節(jié)長期權(quán)值和短期權(quán)值對(duì)輸出神經(jīng)元的影響比例的變量σ、隱藏變量的變化步長δ、權(quán)值的變化步長P、神經(jīng)元非線性函數(shù)的變化曲率a、偏移量s和隨訓(xùn)練次數(shù)變化的變量bo
10.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，其特征在于，所述訓(xùn)練模塊包括: 獲勝子模塊，用于輸出神經(jīng)元反應(yīng)得到輸出響應(yīng)，對(duì)所述輸出響應(yīng)進(jìn)行競爭得到響應(yīng)最強(qiáng)的輸出神經(jīng)元作為獲勝神經(jīng)元； 調(diào)整子模塊，根據(jù)所述獲勝神經(jīng)元按照預(yù)先設(shè)置的權(quán)值改變規(guī)則調(diào)整權(quán)值和參數(shù)值； 再由所述獲勝子模塊根據(jù)所述調(diào)整后的權(quán)值和參數(shù)值進(jìn)行訓(xùn)練，循環(huán)執(zhí)行獲勝子模塊和調(diào)整子模塊，直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練。
11.根據(jù)權(quán)利要求10所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，其特征在于，所述獲勝子模塊執(zhí)行時(shí)所需的輸入變量X、中間變量￥±和輸出響應(yīng)Y之間的關(guān)系公式如下:
12.根據(jù)權(quán)利要求10所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)，其特征在于，所述權(quán)值改變規(guī)則公式如下:
【文檔編號(hào)】G06N3/02GK103473558SQ201310398873
【公開日】2013年12月25日 申請(qǐng)日期:2013年9月4日 優(yōu)先權(quán)日:2013年9月4日
【發(fā)明者】翁凱劍, 梁國遠(yuǎn), 吳新宇, 徐揚(yáng)生 申請(qǐng)人:深圳先進(jìn)技術(shù)研究院