一种6D位姿估计数据集制作方法、装置、终端及介质与流程

一种6d位姿估计数据集制作方法、装置、终端及介质
技术领域
1.本技术涉及大数据技术领域，尤其涉及一种6d位姿估计数据集制作方法、装置、终端及介质。


背景技术：

2.随着机器人和增强现实的广泛应用，人们开始关注如何与环境中的物体进行交互，而6d位姿估计是其关键技术之一，即估计物体的3d位置和3d姿态，旨在支撑对物体的精细操作。因此，如何制作用于6d位姿估计的数据集成为该技术的第一步。目前，现有的数据集制作方法存在采集流程繁琐，人工标注困难等局限性，使得6d位姿估计数据集制作存在制作效率低的技术问题。


技术实现要素：

3.本技术提供了一种6d位姿估计数据集制作方法、装置、终端及介质，用于解决现有技术6d位姿估计数据集制作存在制作效率低的技术问题。
4.本技术第一方面提供了一种6d位姿估计数据集制作方法，包括：
5.获取目标物体的三维模型数据；
6.基于blender搭建三维空间，并结合随机生成的模型加载参数，在所述三维空间中加载所述三维模型数据，得到三维模型，其中所述模型加载参数包括：材质参数、点光源配置参数；
7.基于所述blender集成的物理引擎，模拟所述三维模型的自由落体过程，并在所述自由落体过程中，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数；
8.基于所述三维模型、位姿标注信息与背景图像进行图像合成，得到所述目标物体的合成数据样本，以便利用得到的合成数据样本进行汇总，形成所述目标物体的6d位姿估计数据集，其中，所述位姿标注信息为基于所述位姿参数生成的。
9.优选地，所述三维模型数据的获取过程具体包括：
10.通过三维扫描仪扫描的方式，获取目标物体的三维点云数据；
11.对所述三维点云数据进行坐标对齐处理，得到所述目标物体的三维模型数据。
12.优选地，还包括：
13.获取所述目标物体的视频图像数据；
14.基于所述视频图像数据，提取所述目标物体的真实位姿信息，并基于所述真实位姿信息与所述视频图像数据生成真实数据样本，以便将所述真实数据样本添加到所述目标物体的6d位姿估计数据集。
15.优选地，所述基于所述视频图像数据，提取所述目标物体的真实位姿信息具体包括：
16.获取所述目标物体的视频序列，所述视频序列为通过rgb-d相机拍摄得到的，且所
述视频序列中的帧图像均包含有所述目标物体以及多个aruco标识；
17.生成并记录第一齐次变换矩阵，其中所述第一齐次变换矩阵为各个所述帧图像中aruco标识与所述rgb-d相机间的齐次变换矩阵；
18.基于所述视频序列的帧图像进行三维数据重建，得到相机采集场景的三维点云数据；
19.基于所述相机采集场景的三维点云数据，通过ppf三维点云匹配算法，得到第二齐次变换矩阵，其中，所述第二齐次变换矩阵具体为aruco标识与所述目标物体间的齐次变换矩阵；
20.将所述第一齐次变换矩阵与所述第二齐次变换矩阵相乘，得到所述目标物体的真实位姿信息。
21.优选地，所述基于所述视频图像数据，提取所述目标物体的真实位姿信息具体包括：
22.获取所述目标物体的图像数据，并从所述图像数据中筛选出多个所述目标物体的特征点；
23.根据所述图像数据中的特征点，匹配所述三维模型中相同部位的特征点；
24.基于所述图像数据以及所述三维模型中相互匹配的特征点，结合pnp算法的运算，得到所述目标物体的真实位姿信息。
25.优选地，在所述自由落体过程中，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数具体包括：
26.在所述自由落体过程中，通过球面采样处理方式，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数。
27.优选地，所述点光源配置参数具体包括：光照位置、光照强度以及光照颜色。
28.本技术第二方面提供了一种6d位姿估计数据集制作装置，包括：
29.三维模型数据获取单元，用于获取目标物体的三维模型数据；
30.三维模型数据加载单元，用于基于blender搭建三维空间，并结合随机生成的模型加载参数，在所述三维空间中加载所述三维模型数据，得到三维模型，其中所述模型加载参数包括：材质参数、点光源配置参数；
31.位姿参数获取单元，用于基于所述blender集成的物理引擎，模拟所述三维模型的自由落体过程，并在所述自由落体过程中，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数；
32.数据样本生成单元，用于基于所述三维模型、位姿标注信息与背景图像进行图像合成，得到所述目标物体的合成数据样本，以便利用得到的合成数据样本进行汇总，形成所述目标物体的6d位姿估计数据集，其中，所述位姿标注信息为基于所述位姿参数生成的。
33.本技术第三方面提供了一种6d位姿估计数据集制作终端，包括：存储器和处理器；
34.所述存储器用于存储程序代码，所述程序代码与如本技术第一方面提供的一种6d位姿估计数据集制作方法相对应；
35.所述处理器用于执行所述程序代码。
36.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有与如本技术第一方面提供的一种6d位姿估计数据集制作方法相对应的程序代码。
37.从以上技术方案可以看出，本技术实施例具有以下优点：
38.本技术提供的方案通过目标物体的三维模型数据，基于blender搭建三维空间，在三维空间中加载三维模型数据，得到三维模型，基于blender集成的物理引擎，模拟三维模型的自由落体过程，并在自由落体过程中，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数，保证目标物体外观材质、光照条件、物体6d位姿等参数的多样性，再基于三维模型、位姿标注信息与背景图像进行图像合成，得到目标物体的合成数据样本，以便利用得到的合成数据样本汇总成该目标物体的6d位姿估计数据集，解决了现有技术6d位姿估计数据集制作存在制作效率低的技术问题。
附图说明
39.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
40.图1为本技术提供的一种6d位姿估计数据集制作方法的一个实施例的流程示意图。
41.图2为本技术提供的一种6d位姿估计数据集制作方法的另一个实施例的流程示意图。
42.图3为本技术提供的一种6d位姿估计数据集制作装置的一个实施例的结构示意图。
具体实施方式
43.本技术实施例提供了一种6d位姿估计数据集制作方法、装置、终端及介质，用于解决现有技术6d位姿估计数据集制作存在制作效率低的技术问题。
44.为使得本技术的发明目的、特征、优点能够更加的明显和易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，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它实施例，都属于本技术保护的范围。
45.请参阅图1，本技术第一个实施例提供的一种6d位姿估计数据集制作方法，包括：
46.步骤101、获取目标物体的三维模型数据。
47.步骤102、基于blender搭建三维空间，并结合随机生成的模型加载参数，在三维空间中加载三维模型数据，得到三维模型。其中模型加载参数包括：材质参数、点光源配置参数。
48.更具体地，点光源配置参数具体包括：光照位置、光照强度以及光照颜色。
49.步骤103、基于blender集成的物理引擎，模拟三维模型的自由落体过程，并在自由落体过程中，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数。
50.步骤104、基于三维模型、位姿标注信息与背景图像进行图像合成，得到目标物体
的合成数据样本，以便利用得到的合成数据样本进行汇总，形成目标物体的6d位姿估计数据集，其中，位姿标注信息为基于位姿参数生成的。
51.需要说明的是，按照本实施例提供的方案，首先获取目标物体的三维模型数据。
52.在blender中搭建一个立方体空间，并在该立方体空间中加载获取到的三维模型数据，结合随机生成的模型加载参数，在立方体表面上，使用照片级的材质进行随机分配，并设置随机的点光源发出光照，以模拟现实中环境光，将目标对象置于地平面上方，使用blender集成的物理引擎，使其自由掉落，保证6d位姿的随机性。然后在自由落体过程中，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数，得到的位姿参数可用于生成位姿标注信息。
53.设置一组图片库，在blender中按照上述采样点加载三维模型，并随机选取一张图片作为背景图片。
54.基于三维模型、位姿标注信息与背景图像进行图像合成，得到目标物体的合成数据样本，与传统的数据集制作方法相比，本实施例提供的方案通过重复执行以上的方法步骤，即可在更短时间内获得大量与目标物体相关的6d位姿估计数据样本，获得到足够数量的数据样本后，即可将得到的合成数据样本进行汇总，形成目标物体的6d位姿估计数据集，用于目标物体的6d位姿估计模型训练。
55.以上内容便是本技术提供的一种6d位姿估计数据集制作方法的第一个实施例的详细说明，下面为本技术在上述第一个实施例的内容基础上，提供的一种6d位姿估计数据集制作方法的第二个实施例的详细说明。
56.请参阅图2，本技术第二个实施例提供的一种6d位姿估计数据集制作方法具体包括：
57.进一步地，第一个实施例中提及的三维模型数据，其获取过程具体可以包括：
58.步骤1001、通过三维扫描仪扫描的方式，获取目标物体的三维点云数据；
59.步骤1002、对三维点云数据进行坐标对齐处理，得到目标物体的三维模型数据。
60.需要说明的是，为了获得目标物体的三维模型，本实施例使用高精度扫描仪从多个不同视角点扫描目标物体。首先，为每个扫描的视角点重建原始网格；其次，手动删除网格中不必要的部分，同时从模型中删除异常值，然后将它们对齐；之后，进行网格结构的全局优化，包括修补模型中的小孔并平滑网格；接下来，将高分辨率纹理反向投影至生成的三维模型上；最后，使用meshlab对模型进行居中和坐标轴对齐，并计算表面法线作为入射面法线的加权总和，最终得到目标物体的三维模型数据。
61.进一步地，还可以包括：
62.步骤201、获取目标物体的视频图像数据；
63.步骤202、基于视频图像数据，提取目标物体的真实位姿信息，并基于真实位姿信息与视频图像数据生成真实数据样本，以便将真实数据样本添加到目标物体的6d位姿估计数据集。
64.需要说明的是，在第一个实施例所提供的步骤基础上，本实施例还提供了获取目标物体的真实数据样本的步骤，该真实数据样本包含有基于目标物体的实物图像计算的真实位姿信息，可以通过将真实数据样本与第一个实施例提及的合成数据样本一起进行汇总，形成目标物体的6d位姿估计数据集。
65.进一步地，步骤202中基于视频图像数据，提取目标物体的真实位姿信息具体包括：
66.获取目标物体的视频序列，视频序列为通过rgb-d相机拍摄得到的，且视频序列中的帧图像均包含有目标物体以及多个aruco标识；
67.生成并记录第一齐次变换矩阵，其中第一齐次变换矩阵为各个帧图像中aruco标识与rgb-d相机间的齐次变换矩阵；
68.基于视频序列的帧图像进行三维数据重建，得到相机采集场景的三维点云数据；
69.基于相机采集场景的三维点云数据，通过ppf三维点云匹配算法，得到第二齐次变换矩阵，其中，第二齐次变换矩阵具体为aruco标识与目标物体间的齐次变换矩阵；
70.将第一齐次变换矩阵与第二齐次变换矩阵相乘，得到目标物体的真实位姿信息。
71.需要说明的是，首先对rgb-d相机进行内参标定，同时在目标对象周围放置aruco标识。然后使用rgb-d相机对其周围进行采集，需要注意的是保证有足够数量的aruco标识在相机的视野中，获得视频序列。对于视频序列，过滤掉识别aruco标识数量低于阈值的帧，并保存相机与每帧aruco标识之间的齐次变换矩阵即第一齐次变换矩阵。使用处理后的rgb-d视频序列进行三维重建，获得采集场景的稠密三维点云。通过ppf三维点云匹配算法，将三维模型与场景三维点云匹配，获得aruco标识与目标对象间的齐次变换矩阵即第二齐次变换矩阵。由于aruco标识与目标对象之间的空间位置固定不动，因此每帧与目标对象之间的齐次转换，即6d姿态可以表示为
72.又或者，步骤202中基于视频图像数据，提取目标物体的真实位姿信息具体包括：
73.获取目标物体的图像数据，并从图像数据中筛选出多个目标物体的特征点；
74.根据图像数据中的特征点，匹配三维模型中相同部位的特征点；
75.基于图像数据以及三维模型中相互匹配的特征点，结合pnp算法的运算，得到目标物体的真实位姿信息。
76.需要说明的是，由于ppf算法不能保证三维点云间的准确匹配，因此可以选取特征明显的单帧图像，在图像与三维模型之间选取6个以上相互匹配的关键点，通过pnp算法获得相机与目标物体间的6d位姿。
77.进一步地，在自由落体过程中，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数具体包括：
78.在自由落体过程中，通过球面采样处理方式，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数。
79.需要说明的是，为了保证合成数据的鲁棒性，需要一组背景域随机化的合成数据。首先需要对目标模型进行球面采样。基于目标物体的三维模型，其模型中最远的两个点作为球面的直径。假设球面的半径为r，需取n个采样点，则第n个点的坐标为(xn,yn,zn)有以下公式给出：
80.zn＝(2n-1)/n-1
[0081][0082]
[0083][0084]
以上内容为本技术提供的一种6d位姿估计数据集制作方法的第二个实施例的详细说明，下面为本技术提供的一种6d位姿估计数据集制作装置的一个实施例的详细说明。
[0085]
请参阅图3，本技术第三个实施例提供了一种6d位姿估计数据集制作装置，包括：
[0086]
三维模型数据获取单元301，用于获取目标物体的三维模型数据；
[0087]
三维模型数据加载单元302，用于基于blender搭建三维空间，并结合随机生成的模型加载参数，在三维空间中加载三维模型数据，得到三维模型，其中模型加载参数包括：材质参数、点光源配置参数；
[0088]
位姿参数获取单元303，用于基于blender集成的物理引擎，模拟三维模型的自由落体过程，并在自由落体过程中，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数；
[0089]
数据样本生成单元304，用于基于三维模型、位姿标注信息与背景图像进行图像合成，得到目标物体的合成数据样本，以便利用得到的合成数据样本进行汇总，形成目标物体的6d位姿估计数据集，其中，位姿标注信息为基于位姿参数生成的。
[0090]
此外，本技术还提供了一种6d位姿估计数据集制作终端以及一种计算机可读存储介质的实施例说明，具体如下：
[0091]
本技术第四个实施例提供了一种6d位姿估计数据集制作终端，包括：存储器和处理器；
[0092]
存储器用于存储程序代码，程序代码与如本技术第一个实施例或第二个实施例提供的一种6d位姿估计数据集制作方法相对应；
[0093]
处理器用于执行程序代码，以实现本技术第一个实施例或第二个实施例提供的一种6d位姿估计数据集制作方法。
[0094]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0095]
在本技术所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0096]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0097]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的
部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0098]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0099]
同时，本技术第五个实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有与如本技术第一个实施例或第二个实施例的提供的一种6d位姿估计数据集制作方法相对应的程序代码。
[0100]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0101]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种6d位姿估计数据集制作方法，其特征在于，包括：获取目标物体的三维模型数据；基于blender搭建三维空间，并结合随机生成的模型加载参数，在所述三维空间中加载所述三维模型数据，得到三维模型，其中所述模型加载参数包括：材质参数、点光源配置参数；基于所述blender集成的物理引擎，模拟所述三维模型的自由落体过程，并在所述自由落体过程中，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数；基于所述三维模型、位姿标注信息与背景图像进行图像合成，得到所述目标物体的合成数据样本，以便利用得到的合成数据样本进行汇总，形成所述目标物体的6d位姿估计数据集，其中，所述位姿标注信息为基于所述位姿参数生成的。2.根据权利要求1所述的一种6d位姿估计数据集制作方法，其特征在于，所述三维模型数据的获取过程具体包括：通过三维扫描仪扫描的方式，获取目标物体的三维点云数据；对所述三维点云数据进行坐标对齐处理，得到所述目标物体的三维模型数据。3.根据权利要求1所述的一种6d位姿估计数据集制作方法，其特征在于，还包括：获取所述目标物体的视频图像数据；基于所述视频图像数据，提取所述目标物体的真实位姿信息，并基于所述真实位姿信息与所述视频图像数据生成真实数据样本，以便将所述真实数据样本添加到所述目标物体的6d位姿估计数据集。4.根据权利要求3所述的一种6d位姿估计数据集制作方法，其特征在于，所述基于所述视频图像数据，提取所述目标物体的真实位姿信息具体包括：获取所述目标物体的视频序列，所述视频序列为通过rgb-d相机拍摄得到的，且所述视频序列中的帧图像均包含有所述目标物体以及多个aruco标识；生成并记录第一齐次变换矩阵，其中所述第一齐次变换矩阵为各个所述帧图像中aruco标识与所述rgb-d相机间的齐次变换矩阵；基于所述视频序列的帧图像进行三维数据重建，得到相机采集场景的三维点云数据；基于所述相机采集场景的三维点云数据，通过ppf三维点云匹配算法，得到第二齐次变换矩阵，其中，所述第二齐次变换矩阵具体为aruco标识与所述目标物体间的齐次变换矩阵；将所述第一齐次变换矩阵与所述第二齐次变换矩阵相乘，得到所述目标物体的真实位姿信息。5.根据权利要求3所述的一种6d位姿估计数据集制作方法，其特征在于，所述基于所述视频图像数据，提取所述目标物体的真实位姿信息具体包括：获取所述目标物体的图像数据，并从所述图像数据中筛选出多个所述目标物体的特征点；根据所述图像数据中的特征点，匹配所述三维模型中相同部位的特征点；基于所述图像数据以及所述三维模型中相互匹配的特征点，结合pnp算法的运算，得到所述目标物体的真实位姿信息。
6.根据权利要求1所述的一种6d位姿估计数据集制作方法，其特征在于，在所述自由落体过程中，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数具体包括：在所述自由落体过程中，通过球面采样处理方式，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数。7.根据权利要求1所述的一种6d位姿估计数据集制作方法，其特征在于，所述点光源配置参数具体包括：光照位置、光照强度以及光照颜色。8.一种6d位姿估计数据集制作装置，其特征在于，包括：三维模型数据获取单元，用于获取目标物体的三维模型数据；三维模型数据加载单元，用于基于blender搭建三维空间，并结合随机生成的模型加载参数，在所述三维空间中加载所述三维模型数据，得到三维模型，其中所述模型加载参数包括：材质参数、点光源配置参数；位姿参数获取单元，用于基于所述blender集成的物理引擎，模拟所述三维模型的自由落体过程，并在所述自由落体过程中，对所述三维模型中的采样点进行采样，以基于得到的所述采样点的坐标信息，确定所述三维模型的位姿参数；数据样本生成单元，用于基于所述三维模型、位姿标注信息与背景图像进行图像合成，得到所述目标物体的合成数据样本，以便利用得到的合成数据样本进行汇总，形成所述目标物体的6d位姿估计数据集，其中，所述位姿标注信息为基于所述位姿参数生成的。9.一种6d位姿估计数据集制作终端，其特征在于，包括：存储器和处理器；所述存储器用于存储程序代码，所述程序代码与如权利要求1至7任意一项所述的一种6d位姿估计数据集制作方法相对应；所述处理器用于执行所述程序代码。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有与如权利要求1至7任意一项所述的一种6d位姿估计数据集制作方法相对应的程序代码。

技术总结
本申请公开了一种6D位姿估计数据集制作方法、装置、终端及介质，本申请提供的方案通过目标物体的三维模型数据，基于Blender搭建三维空间，在三维空间中加载三维模型数据，得到三维模型，基于Blender集成的物理引擎，模拟三维模型的自由落体过程，并在自由落体过程中，对三维模型中的采样点进行采样，以基于得到的采样点的坐标信息，确定三维模型的位姿参数，保证目标物体外观材质、光照条件、物体6D位姿等参数的多样性，再基于三维模型、位姿标注信息与背景图像进行图像合成，得到目标物体的合成数据样本，以便利用得到的合成数据样本汇总成该目标物体的6D位姿估计数据集，解决了现有技术6D位姿估计数据集制作存在制作效率低的技术问题。技术问题。技术问题。


技术研发人员：张晓晔 吴勇 郑培文 陈禹明 王杨 杨英仪 雷霆
受保护的技术使用者：南方电网电力科技股份有限公司
技术研发日：2021.12.03
技术公布日：2022/3/8