一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法
【專利摘要】一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，本發(fā)明涉及向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。本發(fā)明是要解決儀表的準(zhǔn)確程度下降，儀表自身抖動(dòng)給工業(yè)帶來(lái)誤差、控制變量的施加時(shí)間長(zhǎng)以及大小的不準(zhǔn)確，現(xiàn)有方式對(duì)于不準(zhǔn)確性以及識(shí)別精確度不足的問(wèn)題，而提出的一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。該方法是通過(guò)1、區(qū)分為各個(gè)儀表子類；2、獲得訓(xùn)練樣本；3、對(duì)于訓(xùn)練樣本進(jìn)行預(yù)處理；4、獲得特征空間；5、生成訓(xùn)練模型；6、得到最優(yōu)的SVM訓(xùn)練模型；7、識(shí)別并分割測(cè)試圖像；8、判定儀表指針是否發(fā)生抖動(dòng)等步驟實(shí)現(xiàn)的。本發(fā)明應(yīng)用于儀表指針抖動(dòng)領(lǐng)域。
【專利說(shuō)明】一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。
【背景技術(shù)】
[0002]在工業(yè)生產(chǎn)過(guò)程之中，儀表的使用隨處可見(jiàn)，儀表主要是用來(lái)對(duì)于工業(yè)的各項(xiàng)參數(shù)進(jìn)行檢測(cè)、顯示、記錄或控制。儀表是用來(lái)對(duì)于工業(yè)生產(chǎn)過(guò)程進(jìn)行控制的必備儀器以及基本手段，只有時(shí)刻了解整個(gè)過(guò)程的運(yùn)行情況，并加以相應(yīng)的控制才能保證生產(chǎn)的安全、順利，并達(dá)到相應(yīng)的目標(biāo)。但是在實(shí)際工業(yè)生產(chǎn)中，儀表的準(zhǔn)確程度總是隨著使用時(shí)間的增長(zhǎng)而下降，并且儀表自身缺陷所導(dǎo)致的指針的不斷抖動(dòng)是時(shí)有發(fā)生的情況。儀表指針抖動(dòng)帶來(lái)的誤差對(duì)于一個(gè)嚴(yán)格的工業(yè)過(guò)程來(lái)說(shuō)影響是很大的，參數(shù)的不準(zhǔn)確導(dǎo)致控制變量的施加時(shí)間以及大小的不準(zhǔn)確，由此給整個(gè)生產(chǎn)過(guò)程效率，產(chǎn)量等各方面造成了很大的影響。特別是對(duì)于一些精密的生產(chǎn)技術(shù)特別是在軍工、航天等領(lǐng)域來(lái)說(shuō)，儀表指針的抖動(dòng)情況很多情況下通過(guò)肉眼是無(wú)法辨別的，由此帶來(lái)的隱患更應(yīng)該引起人們的關(guān)注。
[0003]通過(guò)人眼對(duì)于儀表指針抖動(dòng)情況進(jìn)行識(shí)別的的方式不僅具有很高的不準(zhǔn)確性，而且增加了人工成本。而本方法把數(shù)字圖像處理和機(jī)器學(xué)習(xí)的支持向量機(jī)兩種技術(shù)相結(jié)合，利用兩者優(yōu)勢(shì)對(duì)于儀表指針的抖動(dòng)情況能夠更好的識(shí)別。
[0004]通過(guò)人工和現(xiàn)有的方式對(duì)于儀表指針抖動(dòng)進(jìn)行識(shí)別精確度不足，容易忽視一些細(xì)微的抖動(dòng)，對(duì)于軍工、航天、武器制造等領(lǐng)域來(lái)說(shuō)都可能會(huì)是致命的錯(cuò)誤。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是為了解決在工業(yè)實(shí)際生產(chǎn)中，儀表的準(zhǔn)確程度總是隨著使用時(shí)間的增長(zhǎng)而下降，儀表自身缺陷所導(dǎo)致的指針的不斷抖動(dòng)給工業(yè)過(guò)程帶來(lái)誤差，通過(guò)人工和現(xiàn)有方式對(duì)于儀表指針抖動(dòng)情況進(jìn)行識(shí)別的的方式具有很高的不準(zhǔn)確性以及識(shí)別精確度不足，而提出了一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。
[0006]上述的發(fā)明目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的:
[0007]步驟一、將檢測(cè)的儀表種類區(qū)分為各個(gè)儀表子類；
[0008]步驟二、對(duì)于各個(gè)儀表子類在進(jìn)行檢測(cè)前，獲得正常情況下儀表表盤(pán)的清晰圖片作為訓(xùn)練樣本；
[0009]步驟三、將訓(xùn)練樣本進(jìn)行預(yù)處理；其中，所述預(yù)處理是指對(duì)于訓(xùn)練樣本圖像進(jìn)行縮放、利用噪聲抑制濾波器進(jìn)行去噪處理；常見(jiàn)的噪聲有椒鹽噪聲和高斯噪聲；如果是灰度圖像，則對(duì)于灰度圖像進(jìn)行二值化；
[0010]步驟四、對(duì)于預(yù)處理之后的圖像進(jìn)行特征提取，以獲得圖像的各個(gè)特征值構(gòu)成的特征空間；其中，提取的圖像特征包括指針的顏色特征、灰度特征、輪廓特征和位置特征并進(jìn)行提??；
[0011]步驟五、根據(jù)步驟四所獲得的圖像的特征空間利用SVM分類器進(jìn)行訓(xùn)練，生成訓(xùn)練集的SVM訓(xùn)練模型；
[0012]步驟六、利用改進(jìn)的網(wǎng)格搜索法選擇懲罰參數(shù)C和RBF核參數(shù)中參數(shù)r的最優(yōu)參數(shù)組合，根據(jù)這組最優(yōu)參數(shù)得到最優(yōu)的SVM訓(xùn)練模型；
[0013]步驟七、利用生成的訓(xùn)練集最優(yōu)SVM訓(xùn)練模型對(duì)測(cè)試圖像進(jìn)行識(shí)別并進(jìn)行分割；
[0014]步驟八、對(duì)于分割后的測(cè)試圖像判定儀表指針是否發(fā)生抖動(dòng)；即完成了一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。
[0015]發(fā)明效果
[0016]對(duì)于不同的生產(chǎn)環(huán)境來(lái)說(shuō)，比如:燈光，空氣，生產(chǎn)噪聲等?，F(xiàn)有的檢測(cè)方式不能很好地適應(yīng)，會(huì)影響對(duì)于儀表指針抖動(dòng)情況的檢測(cè)。SVM(Support Vector Machine,支持向量機(jī))是20世紀(jì)80年代初由Vapnik等提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的樣本學(xué)習(xí)方法，其具有出色的學(xué)習(xí)性能，在少量樣本的情況下就可以達(dá)到很高的檢測(cè)率，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原貝U，引入核函數(shù)的概念并且由此來(lái)實(shí)現(xiàn)由低維到高維空間的非線性映射，使得低維不可分的樣本映射到高維并能夠線性可分，支持向量機(jī)成功地解決了 “維數(shù)災(zāi)難”問(wèn)題，具有很好的推廣能力；本發(fā)明具有以下幾方面優(yōu)點(diǎn):
[0017]1、提高了識(shí)別率，對(duì)于數(shù)字圖像處理和機(jī)器學(xué)習(xí)的支持向量機(jī)相結(jié)合，利用兩者優(yōu)勢(shì)對(duì)于儀表指針的抖動(dòng)情況能夠更好的識(shí)別。
[0018]2、提高了實(shí)時(shí)性，兩種方法的結(jié)合對(duì)于圖像的識(shí)別耗時(shí)很短，能夠提高檢測(cè)的速度，節(jié)省檢測(cè)者在單個(gè)儀表上的耗時(shí)。
[0019]3、提聞了適應(yīng)性。
[0020]4、提高了準(zhǔn)確率，能夠有效地檢測(cè)出指針的抖動(dòng)情況，可以反饋抖動(dòng)的幅度大小，能夠使操作人員更好地了解指針的抖動(dòng)誤差。如圖2所示可以從圖片中利用SVM方法提取出幾個(gè)蘋(píng)果的圖像；同理可以從表盤(pán)中提取出指針的振動(dòng)圖像。因此本方法可以通過(guò)對(duì)于獲得樣本的處理發(fā)現(xiàn)細(xì)小的偏差。
【專利附圖】

【附圖說(shuō)明】
[0021]圖1是【具體實(shí)施方式】一提出的一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法流程圖；
[0022]圖2是【具體實(shí)施方式】一提出的利用SVM方法識(shí)別圖像示意圖；
[0023]圖3是【具體實(shí)施方式】六提出的分割后指針測(cè)試圖像邊緣上的點(diǎn)距離分割后指針測(cè)試圖像中心線的長(zhǎng)度示意圖。
【具體實(shí)施方式】
[0024]【具體實(shí)施方式】一:本實(shí)施方式的一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，具體是按照以下步驟制備的:
[0025]步驟一、將檢測(cè)的儀表種類區(qū)分為各個(gè)儀表子類；
[0026]步驟二、對(duì)于各個(gè)儀表子類在進(jìn)行檢測(cè)前，獲得正常情況下儀表表盤(pán)的清晰圖片作為訓(xùn)練樣本；
[0027]步驟三、將訓(xùn)練樣本進(jìn)行預(yù)處理；其中，所述預(yù)處理是指對(duì)于訓(xùn)練樣本圖像進(jìn)行縮放、利用噪聲抑制濾波器進(jìn)行去噪處理；如果是灰度圖像，則對(duì)于灰度圖像進(jìn)行二值化；常見(jiàn)的噪聲有椒鹽噪聲和高斯噪聲，椒鹽噪聲的特征是出現(xiàn)位置是隨機(jī)的，但噪聲的幅值是基本相同的；高斯噪聲的特征是出現(xiàn)在位置是一定的，但噪聲的幅值是隨機(jī)的；設(shè)計(jì)噪聲抑制濾波器，在盡可能保持原圖信息的基礎(chǔ)上來(lái)抑制噪聲，常見(jiàn)的去噪方式有空間域?yàn)V波和變換域?yàn)V波；
[0028]步驟四、對(duì)于預(yù)處理之后的圖像進(jìn)行特征提取并對(duì)于提取的圖像特征進(jìn)行處理，以獲得圖像的各個(gè)特征值構(gòu)成的特征空間；其中，提取的圖像特征包括指針的顏色特征、灰度特征、輪廓特征和位置特征并進(jìn)行提取；灰度特征對(duì)灰度圖像來(lái)說(shuō)，提取指針灰度圖像的灰度值；顏色特征是對(duì)于彩色圖像，獲得指針圖像像素點(diǎn)的RGB((R)紅色通道、(G)綠色通道、(B)藍(lán)色通道)三種顏色通道所對(duì)應(yīng)的強(qiáng)度值；輪廓特征是通過(guò)opencv中函數(shù)提取出指針輪廓，可以確定指針頂點(diǎn)的位置和指針的寬度；位置特征是獲得圖像的像素點(diǎn)的類別標(biāo)簽，也就是判斷各個(gè)像素點(diǎn)是否滿足表盤(pán)刻度圓弧所確定的圓心到指針頂點(diǎn)所確定的直線的連線上或相應(yīng)的閾值(即指針寬度一半)內(nèi)，像素點(diǎn)處于指針上類別標(biāo)簽為1，不滿足的點(diǎn)值為-1 ;opencv為基于(開(kāi)源)發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)；
[0029]步驟五、根據(jù)步驟四所獲得的圖像的特征空間利用SVM分類器進(jìn)行訓(xùn)練，生成訓(xùn)練集的SVM訓(xùn)練模型；
[0030]步驟六、利用改進(jìn)的網(wǎng)格搜索法選擇懲罰參數(shù)C和RBF核參數(shù)中參數(shù)r的最優(yōu)參數(shù)組合，使得SVM訓(xùn)練模型的預(yù)測(cè)準(zhǔn)確率達(dá)到最高，從而根據(jù)這組最優(yōu)參數(shù)得到最優(yōu)的SVM訓(xùn)練模型；
[0031]步驟七、對(duì)于待檢測(cè)的測(cè)試圖像進(jìn)行預(yù)處理和特征提取后，利用生成的訓(xùn)練集最優(yōu)SVM訓(xùn)練模型對(duì)測(cè)試圖像進(jìn)行識(shí)別并進(jìn)行分割；其中，所述測(cè)試圖像預(yù)處理應(yīng)與訓(xùn)練樣本的處理方式相同，特征提取只需提取顏色或灰度特征即可；
[0032]步驟八、對(duì)于分割后的測(cè)試圖像判定儀表指針是否發(fā)生抖動(dòng)，如圖1即完成了一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。
[0033]【具體實(shí)施方式】二:本實(shí)施方式與【具體實(shí)施方式】一不同的是:步驟四中對(duì)于預(yù)處理之后的圖像進(jìn)行特征提取，以獲得圖像的各個(gè)特征值構(gòu)成的特征空間的過(guò)程為:
[0034](I)提取的顏色、灰度、輪廓和位置特征值，提取輪廓特征來(lái)確定指針頂點(diǎn)的位置和指針的寬度；
[0035](2)將提取的特征值構(gòu)成的特征空間在Matlab中進(jìn)行歸一化處理；歸一化能夠使得后續(xù)數(shù)據(jù)處理方便，并且使得程序運(yùn)行時(shí)收斂加快，防止奇異樣本數(shù)據(jù)的存在所引起的網(wǎng)絡(luò)訓(xùn)練時(shí)間增加和可能引起的網(wǎng)絡(luò)無(wú)法收斂；歸一化后的特征空間即為訓(xùn)練模型。其它步驟及參數(shù)與【具體實(shí)施方式】一相同。
[0036]【具體實(shí)施方式】三:本實(shí)施方式與【具體實(shí)施方式】一或二不同的是:步驟五中根據(jù)步驟四所獲得的圖像特征空間利用SVM分類器進(jìn)行訓(xùn)練，生成訓(xùn)練集的SVM訓(xùn)練模型具體過(guò)程為:
[0037](I) SVM模型通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，亦能獲得良好統(tǒng)計(jì)規(guī)律的目的；利用訓(xùn)練數(shù)據(jù)集對(duì)SVM模型進(jìn)行訓(xùn)練的目標(biāo)是確定一個(gè)分界線對(duì)訓(xùn)練數(shù)據(jù)集中的標(biāo)簽為-1和標(biāo)簽為I的兩類訓(xùn)練樣本完全分開(kāi)，從而區(qū)分圖像中的像素點(diǎn)是不是位于儀表指針之中；分界線針對(duì)不同的維數(shù)來(lái)說(shuō)具有不同的形式，其中，在高維空間時(shí)分界線為超平面；[0038]對(duì)于給定訓(xùn)練樣本進(jìn)行分類的超平面的公式為
【權(quán)利要求】
1.一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，其特征在于:具體是按照以下步驟進(jìn)行的: 步驟一、將檢測(cè)的儀表種類區(qū)分為各個(gè)儀表子類； 步驟二、對(duì)于各個(gè)儀表子類在進(jìn)行檢測(cè)前，獲得正常情況下儀表表盤(pán)的清晰圖片作為訓(xùn)練樣本； 步驟三、將訓(xùn)練樣本進(jìn)行預(yù)處理；其中，所述預(yù)處理是指對(duì)于訓(xùn)練樣本圖像進(jìn)行縮放、利用噪聲抑制濾波器進(jìn)行去噪處理；如果是灰度圖像，則對(duì)于灰度圖像進(jìn)行二值化； 步驟四、對(duì)于預(yù)處理 之后的圖像進(jìn)行特征提取，以獲得圖像的各個(gè)特征值構(gòu)成的特征空間；其中，提取的圖像特征包括指針的顏色特征、灰度特征、輪廓特征和位置特征； 步驟五、根據(jù)步驟四所獲得的圖像的特征空間利用SVM分類器進(jìn)行訓(xùn)練，生成訓(xùn)練集的SVM訓(xùn)練模型； 步驟六、利用改進(jìn)的網(wǎng)格搜索法選擇懲罰參數(shù)C和RBF核參數(shù)中參數(shù)r的最優(yōu)參數(shù)組合，根據(jù)這組最優(yōu)參數(shù)得到最優(yōu)的SVM訓(xùn)練模型； 步驟七、利用生成的訓(xùn)練集最優(yōu)SVM訓(xùn)練模型對(duì)測(cè)試圖像進(jìn)行識(shí)別并進(jìn)行分割； 步驟八、對(duì)于分割后的測(cè)試圖像判定儀表指針是否發(fā)生抖動(dòng)；即完成了一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法。
2.根據(jù)權(quán)利要求1所述一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，其特征在于:步驟四中對(duì)于預(yù)處理之后的圖像進(jìn)行特征提取，以獲得圖像的各個(gè)特征值構(gòu)成的特征空間的過(guò)程為: (1)提取的顏色、灰度和位置特征值構(gòu)成特征空間，提取輪廓特征來(lái)確定指針頂點(diǎn)的位置和指針的寬度； (2)將提取的特征值構(gòu)成的特征空間在Matlab中進(jìn)行歸一化處理。
3.根據(jù)權(quán)利要求2所述一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，其特征在于:步驟五中根據(jù)步驟四所獲得的圖像的特征空間利用SVM分類器進(jìn)行訓(xùn)練，生成訓(xùn)練集的SVM訓(xùn)練模型具體過(guò)程為: (I)利用訓(xùn)練數(shù)據(jù)集對(duì)SVM模型進(jìn)行訓(xùn)練確定一個(gè)分界線對(duì)訓(xùn)練數(shù)據(jù)集中的標(biāo)簽為-1和標(biāo)簽為I的兩類訓(xùn)練樣本完全分開(kāi)，其中，在高維空間時(shí)分界線為超平面； 對(duì)于給定訓(xùn)練樣本進(jìn)行分類的超平面的公式為:
4.根據(jù)權(quán)利要求3所述一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，其特征在于:步驟六中利用改進(jìn)的網(wǎng)格搜索法選擇懲罰參數(shù)C和RBF核參數(shù)中參數(shù)r的最優(yōu)參數(shù)組合，根據(jù)這組最優(yōu)參數(shù)得到最優(yōu)的SVM訓(xùn)練模型過(guò)程為: (1)利用改進(jìn)的網(wǎng)格搜索算法對(duì)確定最優(yōu)超平面的懲罰參數(shù)C和SVM模型徑向基RBF核函數(shù)的核參數(shù)r進(jìn)行選擇；其中，初始網(wǎng)格搜索的范圍為2~ (-10)~2~(10)； (2)根據(jù)選定的初始搜索范圍對(duì)于懲罰參數(shù)C和核參數(shù)r進(jìn)行搜索，從起始點(diǎn)2~ (-10),2'(10)處開(kāi)始以h為指數(shù)冪的步進(jìn)遍歷所設(shè)定的范圍2~ (-10)~2~(10)中的每一個(gè)網(wǎng)格點(diǎn)，以訓(xùn)練數(shù)據(jù)集為訓(xùn)練樣本，按照交叉驗(yàn)證的方法計(jì)算訓(xùn)練樣本預(yù)測(cè)準(zhǔn)確率； (3)根據(jù)不同的懲罰參數(shù)和核參數(shù)所對(duì)應(yīng)得到預(yù)測(cè)準(zhǔn)確率，確定預(yù)測(cè)準(zhǔn)確率達(dá)到最大值時(shí)的懲罰參數(shù)C和核參數(shù)r，若出現(xiàn)不同的參數(shù)組合同時(shí)達(dá)到準(zhǔn)確率最大值，取C小的那個(gè)點(diǎn)為最終的尋優(yōu)點(diǎn)，確定為選擇對(duì)象； (4)根據(jù)(3)獲得的選擇對(duì)象再次構(gòu)建二維網(wǎng)格，按照交叉驗(yàn)證的方法計(jì)算訓(xùn)練樣本對(duì)應(yīng)二維網(wǎng)格點(diǎn)的懲罰參數(shù)C和核參數(shù)r的預(yù)測(cè)準(zhǔn)確率，確定二維網(wǎng)格中預(yù)測(cè)準(zhǔn)確率最高的懲罰參數(shù)C和核參數(shù)r組合，即最終獲得最優(yōu)的懲罰參數(shù)C和核參數(shù)r的組合；從而確定最優(yōu)的懲罰參數(shù)C和核參數(shù)r組合對(duì)應(yīng)的訓(xùn)練模型即最優(yōu)SVM訓(xùn)練模型。
5.根據(jù)權(quán)利要求4所述一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，其特征在于:步驟七中利用生成的訓(xùn)練集最優(yōu)SVM訓(xùn)練模型對(duì)測(cè)試圖像進(jìn)行識(shí)別并進(jìn)行分割的過(guò)程為: (1)對(duì)于測(cè)試圖像的不同點(diǎn)的類別標(biāo)簽進(jìn)行預(yù)測(cè)，根據(jù)訓(xùn)練模型判定測(cè)試圖像中圖像像素點(diǎn)的類別標(biāo)簽，即判定圖像像素點(diǎn)所屬的類別； (2)對(duì)于類別標(biāo)簽與訓(xùn)練樣本中與儀表指針類別標(biāo)簽一致的像素點(diǎn)進(jìn)行保留。
6.根據(jù)權(quán)利要求5所述一種儀表檢測(cè)中基于支持向量機(jī)的儀表指針抖動(dòng)的識(shí)別方法，其特征在于:步驟八中對(duì)于分割后的測(cè)試圖像判定儀表指針是否發(fā)生抖動(dòng)方法為: (1)對(duì)于根據(jù)最后獲得的分割后的測(cè)試圖像的指針寬度或者分割后指針測(cè)試圖像邊緣上的點(diǎn)距離分割后指針測(cè)試圖像中心線的長(zhǎng)度，判定儀表指針是否發(fā)生抖動(dòng)； (2)若分割后指針寬度大于初試情況下得到的正常指針的寬度或者分割后指針測(cè)試圖像邊緣上的點(diǎn)距離針?lè)指詈鬁y(cè)試圖像中心線的長(zhǎng)度大于正常指針寬度的一半就說(shuō)明出現(xiàn)抖動(dòng)。
【文檔編號(hào)】G06T7/00GK104008399SQ201410260619
【公開(kāi)日】2014年8月27日 申請(qǐng)日期:2014年6月12日 優(yōu)先權(quán)日:2014年6月12日
【發(fā)明者】尹珅, 武放, 王光, 高會(huì)軍 申請(qǐng)人:哈爾濱工業(yè)大學(xué)