專利名稱：一種可用于強噪聲環境的語音增強方法及裝置的制作方法
技術領域：
本發明涉及信號處理領域，特別是一種可用于強噪聲環境的語音增強方法及裝置。
背景技術：
語音是人類交流最自然的手段，但在語音通信、語音識別等實際應用中，往往存在著各種各樣的環境噪聲。當這些環境噪聲較強時，會嚴重影響語音通信的質量和識別的正確率。例如在工廠、集會等嘈雜環境中，不但語音通信的音質、可懂度會顯著變差，語音識別器的識別率也會急劇下降。語音增強是一種常用的減少環境噪聲影響、提高語音通信質量的方法，也可以用于識別前語音的預處理，以提高語音識別器的識別率。目前語音增強方法主要包括兩類，一類是基于單麥克風的語音增強方法，包括譜減法、維納濾波、MMSE、卡爾曼濾波、小波變換等，這類方法利用單麥克風接收語音信號，通過時域、頻域、小波變換域等濾波和處理來抑制噪聲，提高語音的質量；另一類是基于麥克風陣列的語音增強方法，這類方法將陣列信號處理技術應用到語音增強中，利用多個麥克風接收到的語音信號里包含的空間相位信息對輸入語音進行空間濾波，形成具有指向性的空間波束，對指定方向上的語音信號進行增強，同時抑制其他方向上的干擾，可提供比傳統語音增強方法更好的噪聲抑制效果。現有的語音增強技術能在一定程度上提高帶噪語音的質量，但由于這些技術均基于麥克風等空氣傳導的語音傳感器，在接收信號中，環境噪聲直接疊加在語音信號上，因此隨著環境噪聲的增強，其性能不可避免地下降，特別在強噪聲環境下，現有的語音增強技術仍很難取得好的效果O為了能適應強噪聲環境下的語音通信，一些語音通信系統采用了非空氣傳導的語音傳感器，如喉部送話器和骨傳導語音傳感器等。這些語音傳感器在使用時緊貼使用者的喉部、顎骨等部位，使用者說話時聲帶振動帶動傳感器中的簧片發生形變，將簧片的振動轉化為電信號即可得到語音信號。由于空氣中傳導的聲波無法使這類語音傳感器的簧片發生形變，因此這類語音傳感器不受聲學噪聲的影響，具有很強的抗干擾能力，常用于坦克、工廠等強噪聲環境中的語音通信和語音識別。但由于非空氣傳導語音傳感器檢測到的語音信號在傳播信道的特性上與說話時聲道的特性有較大的不同，因此與麥克風等空氣傳導語音傳感器接收到的語音相比自然度差，聽起來并不舒適。
發明內容
針對現有基于空氣傳導語音傳感器的語音增強技術在強噪聲環境中效果不佳和非空氣傳導語音傳感器音質差等不足，本發明提供了一種可用于強噪聲環境的語音增強方法，該方法將空氣傳導語音傳感器和非空氣傳導語音傳感器相結合，首先建立空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型，在增強時利用非空氣傳導語音傳感器檢測語音來準確估計聲學噪聲模型，并據此對聯合模型的參數進行修正，然后利用修正后的聯合模型對輸入的空氣傳導語音傳感器檢測語音進行增強。由于同時利用了空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音來恢復語音信號，因此與現有技術相比，本發明提供的方法能在強噪聲環境中輸出音質更好的語音信號。本發明還提供了實現上述語音增強方法的裝置。本發明抗噪聲能力強、語音質量好、使用方便，可以廣泛用于各種強噪聲環境下的語音通信、記錄、識別等場合。本發明提供的可用于強噪聲環境的語音增強方法，具體包含以下步驟:步驟1:建立干凈環境下空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型；步驟2:根據非空氣傳導語音傳感器檢測的語音信號，估計當前接收的空氣傳導語音傳感器檢測語音信號的噪聲模型；步驟3:利用步驟2得到的噪聲模型對聯合模型的參數進行修正；步驟4:用修正前和修正后的聯合模型對空氣傳導語音傳感器檢測語音信號進行增強，并輸出增強后的語音信號。進一步的，上述步驟I中空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型，為空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合概率模型或它們之間的映射關系。進一步的，上述步驟I中聯合模型的建立，包含以下步驟:步驟1.1:采集同步、干凈的空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音數據作為訓練數據；步驟1.2:對步驟1.1中采集的空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音數據進行分幀，提取每幀語音的聲道參數和激勵參數；步驟1.3:利用空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的聲道參數和激勵參數分別訓練聲道參數和激勵參數的聯合模型。上述步驟2中當前接收的空氣傳導語音傳感器檢測語音信號的噪聲模型估計，包含以下步驟:步驟2.1:同步采集空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音；步驟2.2:利用非空氣傳導語音傳感器檢測的語音數據進行語音的端點檢測；步驟2.3:依據步驟2.2檢測的語音端點，提取空氣傳導語音傳感器檢測語音中的純噪聲段；步驟2.4:利用步驟2.3中得到的空氣傳導語音傳感器檢測語音中的純噪聲段數據，估計噪聲的統計模型。上述步驟3中，根據空氣傳導語音傳感器檢測語音信號的噪聲模型和步驟I中訓練得到的聲道參數聯合模型，采用模型補償技術對聲道參數聯合模型的參數進行修正。上述步驟4中的空氣傳導語音傳感器檢測語音信號增強，具體包含以下步驟:步驟4.1:利用修正前和修正后的聲道參數聯合模型，以及當前空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的聲道參數，按選定的優化準則估計干凈的空氣傳導語音傳感器檢測語音聲道參數；步驟4.2:求出當前非空氣傳導語音傳感器檢測語音的激勵參數；
步驟4.3:利用空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音激勵參數的聯合模型，將非空氣傳導語音傳感器檢測語音的激勵參數映射為空氣傳導語音傳感器檢測語音的激勵參數，并重構空氣傳導語音傳感器檢測語音的激勵；步驟4.4:利用步驟4.3得到的空氣傳導語音傳感器檢測語音的激勵和步驟4.1得到的空氣傳導語音傳感器檢測語音聲道參數，合成增強后的語音。進一步優選的，上述步驟4.1中的優化準則為最小均方誤差準則。上述方法中，空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音聯合模型的參數，在聲學噪聲小于預設門限時采用模型自適應技術進行調整。
本發明提供的可用于強噪聲環境的語音增強裝置，包括空氣傳導語音傳感器、非空氣傳導語音傳感器、多路數據采集模塊、噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊、聯合模型訓練和自適應模塊，其中空氣傳導語音傳感器、非空氣傳導語音傳感器、噪聲模型估計模塊、語音增強模塊分別與多路數據采集模塊連接，噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊順次連接，聯合模型訓練和自適應模塊與多路數據采集模塊和聯合模型修正模塊連接。空氣傳導語音傳感器和非空氣傳導語音傳感器分別用于采集空氣傳導和非空氣傳導的語音信號，多路數據采集模塊用于采集接收空氣傳導語音傳感器和非空氣傳導語音傳感器的輸出信號，噪聲模型估計模塊用于估計當前空氣傳導語音傳感器檢測語音的噪聲模型，聯合模型修正模塊用于根據當前的噪聲模型對聯合模型的參數進行修正，語音增強模塊根據修正前和修正后的聯合模型對空氣傳導語音傳感器檢測語音進行增強，聯合模型訓練和自適應模塊用于訓練聯合模型，并對模型參數進行在線的自適應調難
iF.0與現有技術相比，本發明有以下主要優點:(I)與基于空氣傳導語音傳感器的語音增強方法相比，抗噪聲的能力更強。本發明將空氣傳導語音傳感器與非空去傳導傳感器相結合，而空氣中傳導的聲波不會對非空氣傳導的傳感器產生影響，因而具有很強的抗噪聲能力，在強噪聲環境中仍能得到較清晰的語
曰 (2)與基于非空氣傳導語音傳感器的語音增強方法相比，語音質量更好。本發明在語音增強時利用了非空氣傳導語音和空氣傳導語音之間的映射關系來重建干凈語音，因此與基于非空氣傳導語音傳感器的語音增強方法相比具有更好的自然度。(3)體積小，使用方便。與基于麥克風陣列的語音增強等方法相比，本發明只需使用一個空氣傳導語音傳感器和一個非空氣傳導語音傳感器，可以按人頭部的構造設計成緊湊的耳機，體積更小，使用更方便。
圖1為本發明實施例提供的語音增強裝置系統結構圖；圖2為本發明實施例提供的語音增強方法流程圖；圖3為本發明實施例提供的語音增強方法中建立語音聯合模型的流程圖；圖4為本發明實施例提供的語音增強方法中建立噪聲模型的流程圖；圖5為本發明實施例提供的語音增強方法中對空氣傳導語音傳感器檢測語音進行增強的流程圖。
具體實施例方式下面結合附圖和實施例對本發明的具體實施步驟作進一步說明，但本發明的實施和保護范圍不限于此。本發明實施例提供的語音增強裝置的系統結構圖如圖1所示，由空氣傳導語音傳感器、非空氣傳導語音傳感器、多路數據采集模塊、噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊、聯合模型訓練和自適應模塊共同構成，其中空氣傳導語音傳感器、非空氣傳導語音傳感器、噪聲模型估計模塊、語音增強模塊分別與多路數據采集模塊連接，噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊順次連接，聯合模型訓練和自適應模塊與多路數據采集模塊和聯合模型修正模塊連接。空氣傳導語音傳感器和非空氣傳導語音傳感器分別用于采集空氣傳導和非空氣傳導的語音信號，上述實施例中，空氣傳導語音傳感器采用麥克風實現，非空氣傳導語音傳感器采用喉部送話器實現；多路數據采集模塊用于采集接收空氣傳導語音傳感器和非空氣傳導語音傳感器的輸出信號，上述實施例中，多路數據采集模塊采用多路數據采集芯片來實現；噪聲模型估計模塊用于估計當前空氣傳導語音傳感器檢測語音的噪聲模型，聯合模型修正模塊用于根據當前的噪聲模型對聯合模型中對應于空氣傳導語音的參數進行修正，語音增強模塊根據修正前和修正后的聯合模型對空氣傳導語音傳感器檢測語音進行增強，聯合模型訓練和自適應模塊用于訓練聯合模型，并對模型參數進行在線的自適應調整，上述實施例中，噪聲模型估計模塊，聯合模型修正模塊，語音增強模塊，聯合模型訓練和自適應模塊在DSP芯片中實現。上述實施例中，語音增強方法如圖2所示，采用如下步驟來實現:步驟1:建立干凈環境下空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型，其流程如圖3所示，具體可分為以下步驟:步驟1.1:采集同步、干凈的空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音數據作為訓練數據。上述實施例中，在安靜的環境下通過多路數據采集芯片同步采集麥克風和喉部送話器收集的語音數據作為聯合模型的訓練數據。步驟1.2:對步驟1.1中采集的空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音數據進行分幀，提取每幀語音的聲道參數和激勵參數。上述實施例中，將空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音按IOms的間隔進行分幀，對于聲道參數，采用線性預測分析法提取一幀空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的線性預測系數(即LPC系數)。將原始語音通過LPC分析濾波器，得到預測殘差的幅度譜即為所需的激勵參數。步驟1.3:利用空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的聲道參數和激勵參數分別訓練聲道參數聯合模型和激勵參數聯合模型。空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音參數的聯合模型可以采用聯合概率模型或它們之間的映射關系來表示，上述實施例中，使用高斯模型來對空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的聲道參數和激勵參數進行建模，具體方法如下:對于聲道參數的聯合模型訓練，首先將同一時刻空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的LPC參數轉換為線性預測倒譜系數(即LPCC系數)，將兩者合并為一個聯合矢量，記為C=[ClT，c2T]T，其中C1為空氣傳導語音傳感器檢測語音的LPCC系數，C2為非空氣傳導語音傳感器檢測語音的LPCC系數，然后使用J個高斯模型來擬合這個聯合矢量的概率分布。令λ ^表示第j個高斯模型，則其模型參數包括高斯函數的均值、方差和該高斯模型的先驗概率。高斯模型的參數有多種成熟的訓練方法，上述實施例中，采用以下步驟來訓練J個高斯模型的參數:步驟1.3.1:將所有訓練用的聯合矢量分成J個群，每個群使用一個高斯模型來擬合其概率分布，求出該群中所有聯合矢量的均值和方差作為高斯函數的均值和方差，該群中包含的聯合矢量的個數與所有訓練用的聯合矢量個數之比為該高斯模型的先驗概率。步驟1.3.2:根據上一步所得的高斯模型參數對所有訓練用的聯合矢量重新劃分所屬的群，其原則是如果某一聯合矢量c屬于群j，則有P(c I λ P >P(c| Ai), i Φ j。步驟1.3.3:如果迭代次數達到預設值，則當前的高斯模型參數即為訓練好的高斯模型參數。否則，按步驟1.3.2的分群結果重新計算所有高斯模型的均值、方差和先驗概率，并轉步驟1.3.2。對于激勵參數的聯合概率模型訓練，將同一時刻空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的激勵的幅度譜合并為一個聯合矢量，記為s=[SlT, s2T]T，其中S1為空氣傳導語音傳感器檢測語音激勵的幅度譜，S2為非空氣傳導語音傳感器檢測語音激勵的幅度譜。使用K個高斯模型來擬合該聯合矢量的概率分布，采用與聲道參數相同的訓練方法，可以得到激勵參數的K個高斯模型的參數。步驟2:根據非空氣傳導語音傳感器檢測的語音信號，估計當前接收的空氣傳導語音傳感器檢測語音信號的噪聲模型，其流程如圖4所示，具體步驟如下:步驟2.1:同步采集空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音。上述實施例中，通過數據采集芯片同時采集的麥克風語音信號和喉部送話器語音信號，并送入噪聲模型估計 模塊進行噪聲模型的估計；步驟2.2:利用非空氣傳導語音傳感器檢測的語音數據進行語音的端點檢測。由于非空氣傳導語音傳感器檢測的語音信號不受聲學環境噪聲的影響，因此可以在有聲學噪聲的環境下準確地檢測出語音的端點。語音端點檢測有多種方法，上述實施例中，采用經典的基于能量和過零率的方法對喉部送話器檢測到的語音進行端點檢測；步驟2.3:依據步驟2.2檢測的語音端點，提取空氣傳導語音傳感器檢測語音中的純噪聲段。由于空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音同步采集，因此兩者語音的端點在時間上是一致，依據步驟2.2檢測的語音端點可以檢測出空氣傳導語音傳感器檢測語音的無話音段，即純噪聲信號。步驟2.4:利用步驟2.3中得到的空氣傳導語音傳感器檢測語音中的純噪聲段數據，估計噪聲的統計模型。上述實施例中，僅對噪聲的聲道參數進行建模，建模模型采用單高斯函數，提取若干幀純噪聲信號的聲道參數并計算其均值和方差，即可得到噪聲聲道參數的高斯模型。步驟3:利用步驟2得到的噪聲模型對聯合模型的參數進行修正，使其與當前的使用環境匹配。上述步驟在聯合模型修正模塊完成，根據空氣傳導語音傳感器檢測語音信號的噪聲模型和步驟I中訓練得到的聲道參數聯合模型，采用模型補償技術對聲道參數聯合模型的參數進行修正，使其與當前的使用環境匹配。上述實施例中，非空氣傳導傳感器檢測語音被認為未受到聲學噪聲的影響，因此非空氣傳導傳感器檢測語音中的噪聲設置為O，模型補償中所用到的噪聲參數均按此設置提取。此外，聲道參數聯合模型中的高斯模型先驗概率保持不變，激勵參數的聯合模型不進行修正。模型補償技術在語音識別中已得到廣泛的應用，對于聲道參數，上述實施例中采用了一種適用于線性預測系數(LPCC)的模型補償技術來對GMM中的高斯模型參數進行修正(見參考文獻:Ivandro Sanches.Noise-Compensated Hidden Markov Models.1EEETRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 2000,8 (5):533_540)，具體方法如下:(I)均值的補償令Cs表示線性倒譜域中高斯模型的均值，則其修正按以下步驟來進行:步驟3.1A:用式(1)將Cs從LPCC域變換到LPC域
權利要求
1.一種可用于強噪聲環境的語音增強方法，其特征在于包括如下步驟: 步驟1:建立干凈環境下空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型； 步驟2:根據非空氣傳導語音傳感器檢測的語音信號，估計當前接收的空氣傳導語音傳感器檢測語音信號的噪聲模型； 步驟3:利用步驟2得到的噪聲模型對所述聯合模型的參數進行修正； 步驟4:用修正前和修正后的聯合模型對空氣傳導語音傳感器檢測語音信號進行增強，并輸出增強后的語音信號。
2.根據權利要求1所述的可用于強噪聲環境的語音增強方法，其特征在于，上述步驟I中空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型，為空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合概率模型或它們之間的映射關系。
3.根據權利要求1所述的可用于強噪聲環境的語音增強方法，其特征在于，述步驟I中所述聯合模型的建立，包含以下步驟: 步驟1.1:采集同步、干凈的空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音數據作為訓練數據； 步驟1.2:對步驟1.1中采集的空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音數據進行分幀，提取每幀語音的聲道參數和激勵參數； 步驟1.3:利用空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的聲道參數和激勵參數分別訓練聲道參數和激勵參數的聯合模型。
4.根據權利要求1所述的可用于強噪聲環境的語音增強方法，其特征在于，步驟2中所述估計當前接收的空氣傳導語音傳感器檢測語音信號的噪聲模型，包含以下步驟: 步驟2.1:同步采集空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語曰； 步驟2.2:利用非空氣傳導語音傳感器檢測的語音數據進行語音的端點檢測； 步驟2.3:依據步驟2.2檢測的語音端點，提取空氣傳導語音傳感器檢測語音中的純噪聲段； 步驟2.4:利用步驟2.3中得到的空氣傳導語音傳感器檢測語音中的純噪聲段數據，估計噪聲的統計模型。
5.根據權利要求1所述的可用于強噪聲環境的語音增強方法，其特征在于，步驟3中，根據空氣傳導語音傳感器檢測語音信號的噪聲模型和步驟I中訓練得到的聲道參數聯合模型，采用模型補償技術對聲道參數聯合模型的參數進行修正。
6.根據權利要求1所述的可用于強噪聲環境的語音增強方法，其特征在于，步驟4中，空氣傳導語音傳感器檢測語音信號的增強具體包含以下步驟: 步驟4.1:利用修正前和修正后的聲道參數聯合模型，以及當前空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音中提取的聲道參數，按選定的優化準則估計干凈的空氣傳導語音傳感器檢測語音聲道參數； 步驟4.2:求出當前非空氣傳導語音傳感器檢測語音的激勵參數； 步驟4.3:利用空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音激勵參數的聯合模型，將非空氣傳導語音傳感器檢測語音的激勵參數映射為空氣傳導語音傳感器檢測語音的激勵參數，并重構空氣傳導語音傳感器檢測語音的激勵； 步驟4.4:利用步驟4.3得到的空氣傳導語音傳感器檢測語音的激勵和步驟4.1得到的空氣傳導語音傳感器檢測語音聲道參數，合成增強后的語音。
7.根據權利要求6所述的可用于強噪聲環境的語音增強方法，其特征在于，步驟4.1中所述的優化準則為最小均方誤差準則。
8.根據權利要求1所述的可用于強噪聲環境的語音增強方法，其特征在于，上述方法中，空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音聯合模型的參數，在聲學噪聲小于預設門限時采用模型自適應技術進行調整。
9.實現權利要求1所述可用于強噪聲環境的語音增強方法的裝置，其特征在于包括空氣傳導語音傳感器、非空氣傳導語音傳感器、多路數據采集模塊、噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊、聯合模型訓練和自適應模塊，其中空氣傳導語音傳感器、非空氣傳導語音傳感器、噪聲模型估計模塊、語音增強模塊分別與多路數據采集模塊連接，噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊順次連接，聯合模型訓練和自適應模塊與多路數據采集模塊和聯合模型修正模塊連接；其中，空氣傳導語音傳感器和非空氣傳導語音傳感器分別用于采集空氣傳導和非空氣傳導的語音信號，多路數據采集模塊用于采集接收空氣傳導語音傳感器和非空氣傳導語音傳感器的輸出信號，噪聲模型估計模塊用于估計當前空氣傳導語音傳感器檢測語音的噪聲模型，聯合模型修正模塊用于根據當前的噪聲模型對聯合模型的參數進行修正，語音增強模塊根據修正前和修正后的聯合模型對空氣傳導語音傳感器檢測語音進行增強，聯合模型訓練和自適應模塊用于訓練聯合模型，并對模型參數進行在線的自適應調整。`
全文摘要
本發明公開一種可用于強噪聲環境的語音增強方法及裝置，所述方法包括建立干凈環境下空氣傳導語音傳感器檢測語音和非空氣傳導語音傳感器檢測語音的聯合模型；根據非空氣傳導語音傳感器檢測的語音信號，估計當前接收的空氣傳導語音傳感器檢測語音信號的噪聲模型；利用得到的噪聲模型對所述聯合模型的參數進行修正；用修正前和修正后的聯合模型對空氣傳導語音傳感器檢測語音信號進行增強，并輸出增強后的語音信號。所述裝置包括包括空氣傳導語音傳感器、非空氣傳導語音傳感器、多路數據采集模塊、噪聲模型估計模塊、聯合模型修正模塊、語音增強模塊、聯合模型訓練和自適應模塊。本發明與現有技術相比，具有抗噪聲能力更強，語音質量更好等優點。
文檔編號G10L21/0216GK103208291SQ20131007528
公開日2013年7月17日 申請日期2013年3月8日 優先權日2013年3月8日
發明者張軍, 朱穎莉, 寧更新, 馮義志, 余華, 韋崗 申請人:華南理工大學