跳至主要內容

案例4：智能掌纹识别机

Xianzhong Zhou2025/9/4大约 21 分钟

案例4：智能掌纹识别机

1. 项目简介

本项目基于昇腾 310B 平台，构建一个高精度的掌纹识别系统。掌纹识别作为一种 生物识别技术，具有纹理丰富、难以伪造、非接触式采集等优势，在门禁控制、 考勤管理、身份验证等领域有着广阔的应用前景。

相比传统的指纹识别，掌纹包含更多的特征信息——主线、皱纹、脊线纹理等，能够 提供更高的识别精度和更强的防伪能力。

本案例的核心创新在于将掌纹识别建模为开集验证 (open-set verification) 问题而非闭集分类问题：系统通过 GhostNet 提取掌纹的深度特征向量，使用 FAISS 进行高效的余弦相似度检索，新用户注册时无需重新训练模型，只需将其特征向量 加入索引即可。

与已有案例的关系

案例领域模型任务范式
案例1人脸打卡ArcFace + SCRFD人脸检测 + 识别
案例5电机监测EfficientNet-B0闭集故障分类
案例6小车感知ResNet18闭集场景分类
案例7智能相册ResNet50 + FAISS开集图像检索
案例4掌纹识别GhostNet + FAISS开集身份验证
案例8手势识别MobileNetV3-Small闭集手势分类

案例4 与案例7 都使用了 FAISS 进行向量检索，但有关键区别：

  • 案例7 使用 ResNet50 的通用 ImageNet 预训练特征，无需额外训练
  • 案例4 使用 GhostNet + 对比学习在掌纹数据上专门训练，学习掌纹特有的 判别特征空间
  • 案例7 做的是 1:N 相似照片检索，案例4 做的是 1:1 身份验证（含阈值判定）

2. 内容大纲

2.1. 硬件准备

本项目需要的硬件分为三个层级：

层级硬件职责要求
图像采集USB 摄像头掌纹图像采集>=5MP 分辨率，支持自动对焦
照明增强近红外 LED 阵列 (可选)增强掌纹纹理对比度850nm 波长，均匀分布
AI 计算昇腾 310B 开发者套件掌纹特征提取 + 向量检索—
结构件3D 打印外壳 (可选)手掌定位 + 环境光隔离PETG 材料

系统架构如图所示：

2.2. 软件环境

操作系统与框架

层级软件版本用途
操作系统Ubuntu20.04 / 22.04 LTS运行环境
CANNAscend Toolkit7.0+NPU 驱动与 ATC 转换工具
PythonCPython3.8 ~ 3.10应用开发语言
深度学习PyTorch + torchvision2.0+GhostNet 模型 / CPU 推理回退
图像处理OpenCV4.8+掌纹预处理、ROI 检测、摄像头
向量检索faiss-cpu1.7+FAISS 索引与相似度搜索
WebGradio4.0+仪表盘界面

环境准备

# 一键安装依赖并导出模型
bash setup.sh

setup.sh 依次完成：系统包安装 -> Python 依赖安装 -> 模型导出（如有训练好的 .pth 则导出 ONNX，如有 CANN 则继续转换为 OM）。

如果只想在开发机上导出 ONNX：

python3 prepare_models.py --onnx-only

Python 依赖说明

包用途必需？
gradioWeb 仪表盘框架是
torch + torchvisionGhostNet 模型定义、CPU 推理回退是
opencv-python掌纹预处理、ROI 检测、摄像头采集是
numpy数值计算、特征向量处理是
faiss-cpuFAISS 向量索引与检索是
PillowGradio 图像格式转换是
onnxONNX 模型校验（仅 prepare_models.py）仅转换
acl (CANN 自带)NPU 推理，随 CANN 安装仅推理

2.3. 掌纹图像预处理

掌纹 ROI（感兴趣区域）检测是整个系统的第一道关口。高质量的 ROI 提取直接影响 后续特征提取的准确性。

预处理流水线

关键技术细节

手掌分割：使用 Otsu 自适应阈值将手掌与背景分离。系统假设手掌比背景亮 （配合深色背景和 LED 照明）。如果二值化后白色像素超过 50%，则自动反转 （适应浅色背景场景）。随后通过形态学闭操作填充手掌内部孔洞，开操作去除 孤立噪点。

指谷点定位：计算手掌轮廓的凸包，通过凸性缺陷 (convexity defects) 定位 手指之间的凹陷点（指谷）。只保留深度超过 3000 像素单位的缺陷点——这有效过滤 掉手腕处的微小凹陷。缺陷点按 x 坐标从左到右排序，取最左和最右两个作为 ROI 坐标系基准。

ROI 提取：以左右两个指谷点的连线中点为参考点，向下偏移连线距离的 30% 作为 ROI 中心（从指谷移动到掌纹中心区域），ROI 边长为指谷距离的 1.2 倍。 这种几何方法在受控环境下稳定且高效，避免了复杂的机器学习定位。

CLAHE 增强：将 ROI 图像从 BGR 转换到 LAB 色彩空间，仅在亮度 L 通道上应用 CLAHE（对比度受限的自适应直方图均衡化），然后转换回 BGR。这样做在不引入 色彩伪影的前提下显著增强了掌纹纹理的对比度。

全部代码实现在 palm_preprocessor.py 的 PalmPreprocessor 类中，纯 OpenCV 实现，无需任何模型文件。

预处理失败的处理

预处理可能因以下原因失败：手掌未在画面中、光照过暗/过亮、手指未张开无法 定位指谷点、图像模糊等。PalmPreprocessor.preprocess() 在失败时返回 None 而非抛出异常，调用方可以优雅地提示用户重新采集。

2.4. GhostNet 特征提取

掌纹识别需要一个能将掌纹图像映射到判别性特征空间的模型。本案例选择 GhostNet 1.0x 作为特征提取骨干网络。

为什么选 GhostNet

对比维度GhostNet 1.0x其他候选
参数量5.2MResNet50: 25.6M, MobileNetV3-Small: 2.5M
核心创新Ghost 模块：廉价线性变换生成幻影特征图—
纹理特征提取Ghost 模块在有限计算预算下产生更丰富的特征图，适合掌纹主线/皱纹/脊线纹理ShuffleNet 通道混洗偏通用
是否已被本书使用否 — 为本书增加模型多样性MobileNetV3-Small 已被案例8 使用
torchvision 内置否 — 独立实现 (~220 行)ResNet / MobileNet 内置

GhostNet 架构

Ghost 模块原理

标准卷积同时生成所有输出通道，存在大量冗余。Ghost 模块将卷积拆分为两步：

  1. 主卷积 (Primary)：生成少量"内在"特征图 (输出通道的 1/ratio，ratio=2)
  2. 廉价卷积 (Cheap)：对每个内在特征图应用深度可分离卷积，生成"幻影" 特征图，填充剩余通道
  3. 将两部分拼接，得到完整输出
# GhostModule 核心实现 (ghostnet.py)
class GhostModule(nn.Module):
    def __init__(self, in_ch, out_ch, kernel_size=3, stride=1, ratio=2):
        primary_out = out_ch // ratio       # 一半通道
        cheap_out = out_ch - primary_out    # 另一半

        self.primary = nn.Sequential(
            nn.Conv2d(in_ch, primary_out, kernel_size, stride, ...),
            nn.BatchNorm2d(primary_out),
            nn.ReLU6(True),
        )
        self.cheap = nn.Sequential(
            nn.Conv2d(primary_out, cheap_out, kernel_size, 1,
                      groups=primary_out, ...),  # 深度可分离
            nn.BatchNorm2d(cheap_out),
        )

    def forward(self, x):
        p = self.primary(x)
        c = self.cheap(p)
        return torch.cat([p, c], dim=1)

注意廉价卷积后不加 ReLU——这是 GhostNet 论文的设计选择，保留幻影特征图 的线性特性以保持信息多样性。

SE 注意力模块

GhostNet 在部分 Bottleneck 中嵌入 SE (Squeeze-and-Excitation) 注意力模块。 SE 模块通过全局平均池化 -> 压缩 -> 扩展 -> hard-sigmoid 门控，自适应地调整 各通道的重要性权重。

为保证 ONNX opset 11 兼容性，本实现使用手动 hard-sigmoid (relu6 / 6) 而非 torch.nn.Hardsigmoid()：

def forward(self, x):
    s = F.adaptive_avg_pool2d(x, 1)
    s = F.relu6(self.conv1(s)) / 6.0  # hard-sigmoid
    s = self.conv2(s)
    return x * s

特征提取模式

GhostNet 在特征提取模式下（num_classes=None）不包含分类头，直接输出 1280 维特征向量。PalmExtractor.extract() 在得到特征向量后执行 L2 归一化：

vec = output.squeeze(0).numpy()
norm = np.linalg.norm(vec)
if norm > 0:
    vec = vec / norm

L2 归一化确保了 FAISS IndexFlatIP 的内积等价于余弦相似度，这是案例7 已验证的模式。

完整 GhostNet 实现在 ghostnet.py，包含 GhostModule、SELayer、GhostBottleneck、GhostNet 四个类以及工厂函数 ghostnet_1x()。

2.5. 对比学习训练

掌纹识别是开集验证问题——系统需要判断两张掌纹是否来自同一个人，而非将掌纹 分到某个预定义的类别。因此，本案例使用对比学习 (contrastive learning) 而非分类交叉熵来训练模型。

为什么用对比学习

方法适用场景优缺点
分类 CrossEntropy闭集——用户固定，新用户需重新训练简单，但不可扩展
对比学习 Contrastive开集——新用户无需重新训练直接学习特征空间的相似度结构
三元组 Triplet开集三元组挖掘复杂，收敛不稳定
ArcFace开集需要大规模身份标签，实现复杂

对比学习直接优化特征空间中的距离关系：同一人的掌纹特征距离近，不同人的 掌纹特征距离远。训练完成后，新用户注册时只需将其掌纹的特征向量加入 FAISS 索引，无需任何模型更新。

对比损失函数

class ContrastiveLoss(nn.Module):
    """L = y * d² + (1-y) * max(0, margin - d)²"""
    def forward(self, emb1, emb2, label):
        dist = F.pairwise_distance(emb1, emb2)
        loss_pos = label * dist.pow(2)           # 正样本：最小化距离
        loss_neg = (1 - label) * \
                   F.relu(self.margin - dist).pow(2)  # 负样本：距离至少 margin
        return (loss_pos + loss_neg).mean()
  • 正样本对（同一人）：损失为欧氏距离的平方，驱动特征向量靠近
  • 负样本对（不同人）：当距离小于 margin 时产生损失，驱动特征向量远离
  • margin 默认为 1.0：意味着负样本对的距离应至少为 1.0

数据集组织

训练数据按用户分文件夹存放：

PolyU_Palmprint/
├── 001/
│   ├── 001_1.bmp
│   ├── 001_2.bmp
│   └── ...
├── 002/
│   ├── 002_1.bmp
│   └── ...
└── ...

PalmprintPairDataset 在每次 __getitem__ 时动态生成样本对：

  • 50% 概率生成正样本对（同一用户的两张不同图像）
  • 50% 概率生成负样本对（两个不同用户的图像）

这种方式使得有效训练样本数远超原始图像数——即使只有 100 个用户、每个用户 10 张图像 (共 1000 张)，也能生成数万个训练对。

训练命令与超参数

python3 train.py --data-dir /path/to/PolyU_Palmprint
超参数默认值说明
--epochs60训练轮数
--batch-size64批次大小
--lr1e-3初始学习率
margin1.0对比损失 margin

训练使用 AdamW 优化器 + CosineAnnealingLR 学习率调度，训练/验证集按用户 （而非图像）85/15 分割以确保无数据泄漏。完整训练脚本在 train.py。

评估指标

训练过程中计算验证集上的成对准确率：对每对掌纹，若其特征向量的欧氏距离 小于 margin/2 (0.5)，则预测为同一人，与标签比较得出准确率。

训练完成后，最佳模型保存到 models/ghostnet_palmprint.pth。

推荐数据集

注意 关于预训练权重：GhostNet 不在 torchvision 中，无法使用 ImageNet 预训练权重。模型需要从头开始在掌纹数据集上训练。如果跳过了训练步骤， 模型将使用随机权重，特征提取质量会很差——请务必先训练再使用。

2.6. 模型转换与昇腾部署

步骤 1：导出 ONNX

python3 prepare_models.py --onnx-only

从 models/ghostnet_palmprint.pth 加载训练好的权重，构建 GhostNet 特征提取 模型（无分类头），固定输入形状 (1, 3, 224, 224) 导出 ONNX (opset=11)。 导出后自动进行三项验证：ONNX 模型结构校验、PyTorch vs ONNX Runtime 输出对比 （确保数值一致性）。

步骤 2：ATC 转换

# 在昇腾设备上运行
python3 prepare_models.py

等效的 atc 命令：

atc --model=models/ghostnet_palmprint.onnx \
    --framework=5 \
    --output=models/ghostnet_palmprint \
    --soc_version=Ascend310B4 \
    --input_format=NCHW \
    --input_shape=input:1,3,224,224

转换完成后得到约 20MB 的 OM 离线模型文件。

ONNX 兼容性注意事项

GhostNet 的 ONNX 导出已针对 ATC 兼容性做了两项适配：

  1. 手动 hard-sigmoid：SELayer 中使用 F.relu6(x) / 6.0 替代 nn.Hardsigmoid()，确保在 opset=11 下正确导出
  2. 固定输入形状：不使用动态轴 (dynamic_axes={})，因为 OM 模型要求 固定的输入输出尺寸

2.7. 开集验证系统

系统架构

开集验证的核心流程：

注册阶段:  掌纹图像 -> 预处理 -> GhostNet(NPU) -> 1280维向量 -> FAISS 存储
验证阶段:  掌纹图像 -> 预处理 -> GhostNet(NPU) -> FAISS 搜索 -> 阈值判定

FAISS 索引设计

使用 faiss.IndexFlatIP（内积索引）存储 L2 归一化后的 1280 维特征向量。 由于向量已归一化，内积等价于余弦相似度：

cosine_similarity(a, b) = a · b  (= faiss inner product when ||a||=||b||=1)

每个注册用户存储 3-5 个样本的特征向量（对应不同角度/位置的掌纹），验证时 检索 Top-K 个最相似向量，对用户 ID 进行多数投票，取该用户的平均相似度作为 匹配分数。

多样本注册策略

为什么每个用户需要 3-5 个样本？

样本数优点缺点
1简单快速对姿态/光照敏感，易拒真
3-5覆盖不同姿态，提高鲁棒性注册稍慢
>10极高鲁棒性注册耗时长，存储开销大

验证时，Top-5 个最相似向量中出现最多的用户 ID 即为最佳匹配。例如，若 Top-5 中有 4 个属于用户 A、1 个属于用户 B，则认定匹配用户 A，取这 4 个向量的 平均相似度作为最终分数。

用户删除

FAISS IndexFlatIP 不支持直接删除单条记录。删除用户时，系统通过 reconstruct() 方法从索引中取出保留的向量，重建一个新的 FAISS 索引。 对于边缘场景（<1000 个用户），这一 O(N) 操作耗时 <100ms，完全可以接受。

完整索引管理实现在 palm_index.py 的 PalmIndex 类中。

2.8. Web 仪表盘

三个页签：

  1. 注册掌纹：用户在摄像头前放置手掌，点击「采集掌纹」按钮 采集当前帧。采集 3 张以上样本后，点击「完成注册」将特征向量存入 FAISS 索引。界面实时显示已采集样本的缩略图和数量。

  2. 身份验证：用户将手掌放在摄像头前，点击「开始验证」。系统提取 掌纹特征后在 FAISS 索引中搜索，返回匹配结果——验证通过/失败、 最佳匹配用户、相似度分数和置信度条形图、Top-5 匹配列表、 推理耗时和后端信息。

  3. 系统管理：显示已注册用户列表（ID、姓名、样本数），支持按 用户 ID 删除。显示系统信息（后端类型、模型信息、索引状态、 特征维度）。验证阈值可通过滑块实时调节。

事件处理

注册页签的关键事件流：

[ 采集掌纹] -> capture_enroll_sample()
  ├── PalmExtractor.extract() -> 若失败显示"未检测到有效掌纹"
  ├── 将 (BGR原图, RGB缩略图) 存入 _enroll_buffer
  └── 更新状态 (已采集数 / 3)
[[OK] 完成注册] -> confirm_enrollment()
  ├── PalmIndex.enroll_multiple() -> FAISS 添加
  ├── PalmIndex.save() -> 持久化
  └── 显示注册成功信息
[ 重新采集] -> 清空缓冲区，重新开始

2.9. 用户手册

2.9.1 部署

  1. 将项目代码拷贝到昇腾 310B 设备
  2. 运行 bash setup.sh 安装 Python 依赖
  3. 训练模型：python3 train.py --data-dir /path/to/palmprint/dataset
  4. 导出模型：python3 prepare_models.py（需 CANN 环境）
  5. 连接 USB 摄像头
  6. 启动服务：python3 app.py
  7. 浏览器打开 http://<设备IP>:7860

2.9.2 使用流程

  1. 打开「注册掌纹」页签，输入用户姓名
  2. 将手掌自然张开放在摄像头前 15-20 cm 处
  3. 点击「采集掌纹」3-5 次，每次略微调整手掌角度
  4. 确认样本预览无误后，点击「完成注册」
  5. 切换到「身份验证」页签，放置手掌并点击「开始验证」
  6. 观察验证结果——通过/失败、相似度分数、Top-5 匹配
  7. 如需调整判定严格程度，在「系统管理」页签调节阈值

2.9.3 采集技巧

  • 光线：确保手掌光照均匀，避免强烈阴影。推荐使用近红外 LED 补光
  • 背景：深色、简洁的背景有助于手掌分割。避免背景中有肤色相近的物体
  • 姿态：手指自然分开（不要并拢也不要张得太开），手掌平面与摄像头平行
  • 距离：手掌距摄像头 15-20 cm，确保掌纹纹理清晰可见
  • 清洁：手掌干燥清洁，避免汗渍或污渍影响纹理质量

2.9.4 调整参数

参数默认值位置说明
VERIFICATION_THRESHOLD0.75config.py / UI 滑块验证阈值，越高越严格
TOP_K_RESULTS5config.pyFAISS 检索返回数
CONTRASTIVE_MARGIN1.0config.py / train.py对比损失 margin
CLAHE_CLIP_LIMIT2.0config.pyCLAHE 对比度限制
LAPLACIAN_BLUR_THRESHOLD100.0config.py图像锐度最低要求

2.9.5 故障排除

问题可能原因解决方法
"未检测到有效掌纹"手掌不在画面中或光照不佳调整手掌位置，确保光照均匀
验证总是失败阈值过高或注册样本质量差降低阈值，重新注册更多样本
NPU 初始化失败CANN 环境未配置source /usr/local/Ascend/ascend-toolkit/set_env.sh
特征提取结果随机模型未训练运行 train.py 训练模型
ATC 转换失败soc_version 不匹配npu-smi info 查看版本
"请重新放置手掌"预处理质量检查未通过确保手掌清晰，避免运动模糊

3. 源代码结构

case4/
├── app.py                 # Gradio 仪表盘入口
├── palm_preprocessor.py   # 掌纹 ROI 检测 + CLAHE 对比度增强
├── palm_extractor.py      # NPU/CPU 双后端 GhostNet 特征提取
├── palm_index.py          # FAISS 注册 / 验证 / 删除 / 持久化
├── ghostnet.py            # GhostNet 1.0x 独立实现
├── train.py               # 对比学习 Siamese 训练
├── prepare_models.py      # ONNX 导出 + ATC OM 转换
├── config.py              # 配置常量
├── setup.sh               # 一键环境安装
├── requirements.txt       # Python 依赖列表
├── data/
│   └── .gitkeep
├── models/                # 模型文件目录 (.pth / .onnx / .om)
└── README.md              # 快速开始指南

模块间的调用关系：

与已有案例的继承关系：

  • AscendResource / AscendModel 沿用案例7/案例8 的同一套模式
  • PalmIndex 的 FAISS IndexFlatIP + JSON 元数据模式与案例7 的 PhotoIndex 一致
  • train.py 的训练管道（AdamW + CosineAnnealing）与案例8 一致
  • prepare_models.py 的 ONNX -> ATC 流程与案例6/案例7/案例8 一致
  • config.py 的 BASE_DIR + os.path.join 结构与所有案例一致
  • app.py 的 Gradio 懒加载单例模式与所有案例一致
  • PalmPreprocessor 是本案例独有的领域专用预处理模块
  • GhostNet (ghostnet.py) 是本案例独有的模型实现（220 行独立代码）
  • 对比学习训练范式（Siamese + ContrastiveLoss）是本案例独有的训练方法

4. 效果演示

预期效果

功能预期表现备注
掌纹 ROI 检测稳定提取正方形掌纹区域受控光照 + 深色背景
特征提取 (NPU)约 8-10 ms / 张GhostNet 5.2M 参数
验证准确率 (已训练)EER < 5%，AUC > 0.97取决于训练数据量和质量
FAISS 检索 (1000 向量)< 1 msIndexFlatIP 精确搜索
端到端验证延迟预处理 ~5ms + NPU ~10ms + 检索 <1ms 约等于 16ms—
新用户注册3-5 次采集，无需重训模型开集验证的核心优势

性能指标

指标NPU (Ascend 310B)CPU (PyTorch)
掌纹 ROI 检测~5 ms~5 ms
GhostNet 特征提取8-10 ms18-25 ms
FAISS 检索 (1000 向量)<1 ms<1 ms
模型大小 (.om)~20 MBN/A

浏览器中的效果

Gradio 仪表盘在浏览器中的预期布局：

注册页签：

┌──────────────────────────────────────────────────────────────────┐
│  掌纹 智能掌纹识别机                                                │
│  GhostNet 1.0x 特征提取 + FAISS 向量检索                          │
├──────────────────────────────────────────────────────────────────┤
│  [ 注册掌纹]  [ 身份验证]  [ 系统管理]                        │
│                                                                  │
│  ┌──────────────────────┐  ┌─────────────────────────────────┐  │
│  │                      │  │ 用户姓名: [张三            ]      │  │
│  │                      │  │                                 │  │
│  │   摄像头实时预览      │  │ [ 采集掌纹]                    │  │
│  │                      │  │ [[OK] 完成注册 (>=3 张)]            │  │
│  │                      │  │ [ 重新采集]                    │  │
│  │                      │  │                                 │  │
│  │                      │  │ ###  注册中: 张三              │  │
│  │                      │  │ 已采集: 3 / 3 张                │  │
│  │                      │  │ [OK] 样本充足，点击完成注册         │  │
│  └──────────────────────┘  └─────────────────────────────────┘  │
│  [缩略图1] [缩略图2] [缩略图3]                                     │
└──────────────────────────────────────────────────────────────────┘

验证页签：

┌──────────────────────────────────────────────────────────────────┐
│  [ 注册掌纹]  [ 身份验证]  [ 系统管理]                        │
│                                                                  │
│  ┌──────────────────────┐  ┌─────────────────────────────────┐  │
│  │                      │  │                                 │  │
│  │   摄像头实时预览      │  │  ## [OK] 验证通过                   │  │
│  │                      │  │  **用户**: 张三 (a3f4c8d2)       │  │
│  │                      │  │  **相似度**: 87.3%              │  │
│  │                      │  │  ██████████████░░░░              │  │
│  └──────────────────────┘  │                                 │  │
│                            │   耗时: 15.2 ms                 │  │
│  ┌──────────────────────┐  │                                 │  │
│  │   掌纹 ROI 预览       │  │  ###  Top-5 匹配               │  │
│  │                      │  │  -> 张三: 87.3% ██████████████░░  │  │
│  │                      │  │    李四: 42.1% ██████░░░░░░░░░░  │  │
│  │                      │  │    王五: 38.5% █████░░░░░░░░░░░  │  │
│  └──────────────────────┘  │                                 │  │
│                            │   后端: NPU | 特征维度: 1280     │  │
│  [ 开始验证]              │                                 │  │
│                            └─────────────────────────────────┘  │
└──────────────────────────────────────────────────────────────────┘

如何验证系统正常工作

  1. 运行 python3 app.py，浏览器打开 http://127.0.0.1:7860
  2. 在「注册掌纹」页签，输入姓名，放置手掌，采集 3-5 张样本
  3. 点击「完成注册」，确认看到"注册成功"信息
  4. 切换到「身份验证」页签，放置同一手掌，点击「开始验证」
  5. 确认验证通过，相似度 > 80%，匹配用户正确
  6. 用另一只手掌测试验证——应显示"验证失败"（低于阈值）
  7. 在「系统管理」页签确认用户列表包含刚才注册的用户
  8. 调节阈值滑块，验证高阈值下更容易拒真、低阈值下更容易认假
  9. 在昇腾设备上，确认后端显示"NPU (Ascend 310B)"
  10. 检查 data/palm_index.faiss 和 data/palm_metadata.json 是否存在
编辑此页
最近更新
贡献者: zhouxzh,Xianzhong Zhou
周贤中 版权所有 © 2025 | 电子邮箱：zhouxzh@gdut.edu.cn
Copyright © 2026 Xianzhong Zhou