基于多模態圖像信息的變電設備紅外分割方法

張志超，左雷鵬，鄒 捷，趙耀民，宋楊凡

基于多模態圖像信息的變電設備紅外分割方法

張志超1，左雷鵬1，鄒 捷1，趙耀民1，宋楊凡2

（1. 國網保定供電公司，河北 保定 071000；2. 華北電力大學 動力工程系，河北 保定 071000）

無人機拍攝下的紅外圖像中變電設備的分割精度直接影響著熱故障診斷的結果，針對復雜紅外背景下變電設備分割精度低的問題，提出了一種融合可見光和紅外圖像的多模態路徑聚合網絡（Multimodal Path Aggregation Network, MPAN）。首先提取并融合兩種模態圖像的特征，考慮到兩種模態圖像的特征空間存在差異，提出了自適應特征融合模塊（Adaptive Feature Fuse Module, AFFM），以充分融合兩種模態特征；對具有多尺度特征的主干網絡增加自底向上的金字塔網絡，并對橫向連接的路徑增強模塊引入自注意力機制；最后使用dice系數優化掩膜損失函數。實驗結果表明，多模態圖像的融合能夠增強分割性能，且驗證了提出各模塊的有效性，該模型能夠顯著提高紅外圖像中變電設備實例分割的準確率。

實例分割；變電設備；紅外圖像；可見光圖像；自適應特征融合模塊；自注意力機制；dice系數

0 引言

變電站中的變電設備在長期運行過程中，可能會產生各種內生缺陷[1]。在變電站中，紅外熱成像技術作為變電設備最常見的狀態監測方法之一，常用于監測變電設備溫度的異常升高以及由于過熱而導致的故障[2]。由于，變電設備發生嚴重故障時通常伴隨著溫度的急劇上升，因此快速、準確地監測此類熱現象極為重要。為了最大限度地減少在變電站現場對變電設備進行熱故障監測所花費的時間，通常是對于獲取的變電設備紅外圖像進行離線分析，但是這種方法對于即將發生的故障會存在發現不及時，甚至被完全錯過的問題。雖然目前無人機被用于采集變電站現場的實時紅外圖像，但是對于變電設備實現現場在線診斷仍未能實現，使得工作人員的絕大部分時間都花在基于經驗的目標篩選、案例比較和人工診斷，效率低下。

近幾年隨著人工智能技術的快速發展，利用智能算法對變電設備進行在線診斷成為可能[3-5]。但是在利用紅外設備對變電設備進行熱成像時，存在背景溫度信息復雜的情況，因此可以考慮先從紅外熱圖中對目標設備進行識別并提取輪廓，之后利用目標的溫度信息實現故障診斷。所以對目標設備提取的準確性直接影響著故障診斷的結果。

為了準確地提取出紅外圖像中的變電設備，眾多的研究學者做出了大量貢獻。王小芳等人利用線性譜聚類（Linear Spectral Clustering Algorithm, LSC）算法對紅外圖像進行超像素分割，并結合Otsu算法與MSRM超像素算法，實現紅外圖像中電力設備的提取[6]。王曉飛等人針對電力設備紅外圖像，設計了一種引入高斯模型的空間分布信息的IFCM算法，并利用局部空間分布信息與直覺模糊距離解決邊緣模糊和圖像強度不均勻的問題[7]。馮振新等人提出了一種局部區域Mediodshift聚類算法，實現了電力設備紅外圖像中熱故障區域的提取[8]。然而在真實的紅外場景中，變電設備的尺寸不一并且缺少紋理性信息，這些傳統圖像處理技術的魯棒性較差，對于紅外圖像中的目標區域識別性能較差。

近幾年，基于卷積神經網絡（Convolutional Neural Network, CNN）及其擴展框架的計算機視覺技術取得了重大進展。這種基于深度特征提取技術的現代圖像處理技術，相比于傳統方法具有更高的準確性。劉云鵬等人構建多尺度特征融合的全卷積神經網絡，實現了紅外圖像中劣化絕緣子片的分割提取[9]。吳克河等人提出了基于Mask R-CNN的電力設備紅外圖像分割方法，并引入遷移學習的機制解決訓練樣本少的問題[10]。李文璞等人基于改進的R3Det模型對瓷套進行檢測，以減少復雜背景的干擾，并通過三相檢測框檢測同類設備，計算同類設備的溫差最終基于溫差閾值法對電壓致熱型設備進行缺陷診斷[11]。

以上工作分別從不同的方向實現了紅外圖像中目標的提取，但僅僅針對紅外圖像中變電設備的特征進行提取，而紅外圖像經常出現細節模糊、噪聲大、視覺效果差等問題，丟失了設備在可見光圖像中豐富的紋理細節信息。圖1為對同一場景拍攝得到的可見光圖像和紅外圖像，直觀地展示了可見光圖像和紅外圖像的優缺點：可見光圖像清晰地顯示了行人等目標的紋理，但是在房屋內的人由于光線陰暗無法在圖像中顯示。紅外圖像中灰度值較高處顯示了房屋內的人，但是樹枝、自行車和行人等細節特征丟失嚴重。

圖1 同一場景拍攝的可見光圖像與紅外圖像

針對可見光圖像與紅外圖像中的多模態圖像信息沒有充分利用的問題，我們提出了多模態路徑聚合網絡，首先在網絡輸入端引入多模態圖像信息，并通過自適應特征融合模塊融合兩種不同模態的信息；然后對獲得的多尺度特征構建橫向連接、自下而上的特征金字塔，以獲得高階特征圖中的語義信息與低階特征圖中的紋理信息，在橫向連接的路徑增強結構中引入注意力機制，以保留特征豐富的語義信息并抑制噪聲；最后通過dice系數優化網絡掩碼部分的損失函數，使網絡關注邊界信息，提高分割變電設備掩碼的準確度。

1 方法與模型

YOLACT（You Only Look at Coefficients）[12]是一種具有代表性的單階段實例分割算法，具有較快的速度和精度，并能應用于實時圖像處理過程。該模型通過兩個并行的分支來完成實例分割任務：第一個分支通過Protonet產生一系列獨立于單一實例原型掩膜；第二個分支在檢測分支上添加額外的head預測mask系數，以用于編碼一個實例在原型mask空間的表示，最后將經過非極大值抑制（Non-Maximum Suppression，NMS）得到每個實例。對NMS處理結果和Protonet的輸出進行線性組合運算，得到最終的檢測結果。文中工作基于YOLACT，主干網絡采用ResNet，并對其主干網絡部分的結構進行改進，提出了MPAN模型，其總體架構如圖2所示。

1.1 多模態特征自適應融合

由于不同模態數據的差異性，在輸入端直接加權合并多模態數據的所有通道信息，網絡模型表現并不好，有的甚至不如單模態信息作為輸入的網絡[13]。因此我們提出了自適應特征融合模塊，保留紅外圖像的輻射特征和可見光圖像的紋理特征，以增強模型對于變電設備實例分割任務的精度，自適應特征融合模塊（Adaptive Feature Fuse Module, AFFM）如圖3所示。

首先，對可見光圖像和紅外圖像的特征圖進行求和操作，然后通過元素乘法、通道級聯和卷積多種操作以獲得如下互補特征。

式中：Cat代表級聯；?代表元素乘法；Conv1×1代表1×1卷積；V和I分別代表可見光圖像和紅外圖像的多尺度特征。

對于互補特征F，我們使用殘差模塊獲得更深層次的語義信息。

式中：CBR卷積模塊包括3×3卷積，批歸一化層（Batch Normalization, BN）和修正線性單元（Rectified Linear Unit, ReLU）。

我們使用空洞空間金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）[14]，以擴大特征的感受野，并提取具有代表性的全局上下文特征，然后使用3×3卷積提取融合特征，具體公式如下：

式中：分別由擴張率為6,12,18,24的擴張卷積對特征進行操作獲取。自適應特征融合模塊能夠對不同模態的特征進行優勢互補，融合特征Fn, n＝1,2,3,4,5對于后續實例分割任務更加準確。

1.2 基于注意力機制的特征金字塔特征提取網絡

卷積神經網絡在進行特征提取時，低階特征更關注紋理信息，而高階特征則包含更多的語義信息。特征金字塔網絡（Feature Pyramid Networks, FPN）通過構造具有金字塔分層結構的深度卷積網絡，形成多尺度特征金字塔[15]，能夠解決高低階特征圖中語義與紋理信息間的矛盾，實現不同尺度特征間的有效融合。然而傳統的FPN結構僅通過簡單的加權方式對金字塔網絡進行融合，這種操作不能很好地整合特征圖之間的非線性關系[16]。因此為了在進行端到端的學習時更有效地提取變電設備的特征，我們將注意力機制引入到橫向連接的路徑增強模塊中，使得特征在向前傳播時能夠保留其豐富的語義信息并抑制噪聲，提高檢測精度，如圖2。注意力機制由通道自注意力機制與空間自注意力機制組成，其結構如圖4所示。

圖4中，輸入特征∈R××W分別通過通道自注意力以及空間自注意力，并進行融合得到輸出特征∈R××W。通道自注意力能夠提取不同通道層之間隱含的關系特征，這些關系特征與場景中的深度語義信息密切相關。而空間自注意力通過對上下文信息進行編碼，增強局部特征的表示能力。

其中輸入特征∈R××W在通過通道自注意力機制時，首先調整其維度為R×(H×W)，并與其轉置進行矩陣乘法，再通過Softmax運算得到權重張量∈R×，其運算過程如下：

式中：P表示第個通道與第個通道的關系。

式中：為可學習的權重參數。在網絡訓練前，進行隨機初始化，隨著網絡的學習，對參數進行迭代更新。

空間自注意力機制的操作類似于通道自注意力機制。我們在算法1中給出了整個注意力機制的偽代碼。

算法1：注意力機制

輸入：輸入特征圖?R×H×W；

輸出：輸出特征圖?R×H×W。

1）調整的維度為1?(H×W)×C；調整的維度為2?R×(H×W)；

2）將1與2進行矩陣乘法，并通過Softmax操作得到權重?R×C；

3）將權重與2進行矩陣乘法運算，并乘以可學習的超參數后與相加，得到通道自注意力機制的輸出特征CA?R×H×W；

圖4 AFFM結構圖

7）將權重與4進行矩陣乘法運算，并乘以可學習的超參數后與3相加得到特征；

8）將特征通過多通道卷積層，得到空間自注意力機制的輸出SA?R×H×W；

9）將特征CA與特征SA逐元素相加進行特征融合，得到最終的輸出。

1.3 損失函數優化

YOLACT的損失函數主要由3部分組成，其損失函數為：

YOLACT＝class＋box＋mask(7)

式中：class為分類損失函數；box為預測框損失函數；mask為掩膜損失函數。掩膜損失函數mask由二元交叉熵進行計算，對應的損失函數公式為：

對目標分割的精度決定了后續故障診斷的準確性，而我們對網絡進行端到端的訓練時，往往忽略了目標的邊緣信息，但是邊緣信息對于實例分割非常重要，邊緣信息能夠很好地表征實例。原始YOLACT的掩膜損失分支在預測時忽略了邊界信息，實驗中會出現邊緣檢測不準確的現象，從而影響掩碼的準確度[17]，因此我們引入dice系數，增強網絡對邊界信息的敏感性，對掩碼部分的損失函數進行優化，將二值交叉熵與dice系數之和作為新的掩膜損失函數，公式如下：

mask_dice＝mask＋dice(9)

式中：為準確率；為召回率；為準確率和召回率之間的平衡系數，其中取值為1，表示準確率和召回率同等重要。

2 實驗結果及分析

2.1 數據集及數據增強

文中模型所使用的紅外圖像數據集來源于北方某市供電局在巡檢時通過FLIR紅外熱成像儀拍攝的圖像，該數據集包含絕緣子、套管和電流互感器3類變電設備，共3096張紅外圖像，且該紅外圖像數據集具有對應的可見光圖像。在模型訓練時，訓練集和驗證集的劃分比例為4:1。該數據集均通過labelme標注工具進行標注，3類變電設備的紅外圖像及可見光圖像如圖5所示，變電設備的數量如表1所示。

圖5 變電設備可見光圖像（上）及紅外圖像（下）

表1 變電設備名稱及數量

由于文中采用的數據集規模較小，深度神經網絡在訓練過程中易出現過擬合現象，因此我們通過數據增強算法以增強網絡的泛化性能。文中所采用的數據增強方法如下：

1）隨機翻轉，對原始圖像以50%的概率在水平方向進行隨機翻轉。

2）顏色抖動，將原始圖像的亮度、飽和度以及對比度進行隨機變化。

3）隨機旋轉，對原始圖像進行隨機旋轉，旋轉的角度為－10°～＋10°。

2.2 評價指標

為了全面客觀地評價改進算法的有效性，我們通過平均精度均值（Mean Average Precision, mAP）以及平均召回率均值（Mean Average Recall, mAR）對其性能進行評估。mAP和mAR分別是由不同交并比（Intersection Over Union, IOU）下的平均精度（Average Precision, AP）和平均召回率（Average Recall, AR）取均值得到，而AP和AR由精確率（Precision, P）和召回率（Recall, R）的PR曲線計算得出。Precision和Recall的計算公式如下：

式中：TP表示期望為正樣本，實際識別也為正樣本；FP表示期望為正樣本，實際識別為負樣本；FN表示期望為負樣本，實際識別為正樣本。

2.3 實驗步驟與結果

2.3.1 網絡訓練

文中實驗的模型通過Pytorch深度學習框架搭建，并使用顯存為11GB的GTX1080Ti顯卡對模型進行訓練，使用SGD優化器來優化端到端的MPAN，其中初始的學習率為0.001，權重衰減參數和分別設置為0.9和0.999，batch size設為2，訓練周期一共60個epoch，每隔10個epoch就將學習率衰減為原來的10%。

2.3.2 不同算法實驗對比

為驗證文中方法對變電設備實例分割的有效性，將文中方法與現階段先進的實例分割方法在相同數據集上進行實驗對比，進行對比的方法包括Mask R-CNN、PANet、YOLACT，同時文中還在不同主干網絡下進行對比，以驗證文中方法具有的泛化性。同時為驗證多模態圖像作為輸入的優越性，實驗設置輸入單光源圖像進行對比：僅輸入可見光圖像（MPAN-RGB）或紅外圖像（MPAN-INFRARED）。mAP和mAR作為實驗的評價指標，其中mAP和mAR的值越大，說明算法的分割效果越好。

實驗結果如表2所示，從表2中可以看出，提出的方法相比于其他實例分割方法的mAP和mAR具有顯著提升，且mAP和mAR最高分別達到了65.89%和67.76%。在表2中，基于ResNet-101主干網絡的MPAN算法比基于ResNet-101主干網絡的YOLACT基線算法的mAP和mAR提高了3.57%和3.85%，證明了改進算法的有效性。同時，基于ResNet-101主干網絡的MPAN方法優于MPAN-RGB和MPAN-INFRARED，證明了應用多模態信息融合作為輸入對于變電設備實例分割任務的重要性。

為了更加直觀地展示我們提出算法的有效性，圖6展示了YOLACT算法和MPAN算法對于紅外圖像中變電設備的分割效果對比。由圖6可以看出，YOLACT算法對于目標的識別存在錯檢，而MPAN算法能夠準確地檢測出圖中的變電設備，并且擁有較高的置信度，MPAN算法對于邊緣信息能夠更好地保留，說明了我們算法改進的有效性。

表2 不同算法的mAP和mAR指標對比

2.3.3 算法消融實驗

為了進一步分析提出的網絡模型中改進策略的有效性，對改進策略提高網絡模型性能的效果進行消融實驗。當不采用ADDM時，即兩種模態信息進行直接加權融合；當不采用Attention時，即橫向連接的特征直接進行加權融合；當不采用mask_dice時，掩膜損失函數即為原始二值交叉熵損失函數。

從表3中可以看出，對網絡添加不同策略后mAP和mAR均有所提升。添加ADDM后，mAP和mAR提高了2.15%和1.88，說明ADDM能夠有效地將兩種不同模態特征進行自適應融合；添加Attention模塊后mAP和mAR提高了1.75%和1.62%，Attention模塊引入橫向連接的路徑增強模塊時，通過通道自注意力機制和空間自注意力機制能夠加強特征的語義信息，并有效抑制冗余噪聲；對掩模損失函數進行優化后，mAP和mAR指標也均有所提升，說明dice系數的引入能夠加強模型對邊界信息的關注程度。當應用所有改進策略時，mAP和mAR最高為65.89%和67.76%，說明了我們提出的方法的有效性。

2.3.4 數據增強實驗

為驗證文中所采用的數據增強方法在變電設備分割任務的有效性，對MPAN模型進行消融實驗。從表4中可以看出，當使用3種數據增強方法時，mAP和mAR均取得最優值，分別為65.89%和67.76%，相比于不使用數據增強方法分別提升了1.21%和1.39%，證明了數據增強方法能夠增強數據的多樣性，提升模型對分割任務的性能。在表4中，當僅使用顏色抖動方法時，模型的性能相較于基準模型有所下降，其原因是紅外圖像在經過顏色抖動后，圖像中原有目標的特征信息有所改變，甚至消失，會影響模型對于目標特征的學習，進而導致精度下降。

表3 改進策略消融分析定量比較結果

表4 數據增強消融分析定量比較結果

3 結論

針對紅外圖像中變電設備的檢測存在精度低，并且沒有充分引用多模態圖像信息的問題，提出了多模態路徑聚合網絡。經過理論和實驗驗證，得出以下結論：

1）在網絡輸入端通過自適應特征融合模塊融合兩種不同模態的信息，以獲取不同模態信息的優勢特征。

2）對于融合得到的多尺度特征，通過構建橫向連接的自底向上的特征金字塔，并在路徑增強模塊增加注意力機制，提高網絡對特征的提取能力，使其同時具有深層的語義信息和低層的紋理信息。

3）對掩膜損失分支的損失函數添加dice系數進行優化，增強網絡對邊緣信息的敏感性，使得邊緣分割更加精細。

[1] 李莉, 熊煒, 陸冬梅, 等. 輸變電設施可靠性評估中設備故障率預測方法研究[J]. 電測與儀表, 2015, 52(3): 37-41. LI Li, XIONG Wei, LU Dongmei, et al. Study on the prediction method for failure rate in the reliability evaluation of power transmission and transformation facility[J]., 2015, 52(3): 37-41.

[2] 裴少通, 劉云鵬, 陳同凡, 等. 基于BOA-SVM的劣化絕緣子紅外圖譜診斷方法[J].電測與儀表, 2018, 55(24): 11-16. PEI Shaotong, LIU Yunpeng, CHEN Tongfan, et al. Infrared spectrum diagnosis method of deteriorated insulators based on BOA-SVM[J]., 2018, 55(24): 11-16.

[3] 陳鐵, 呂長欽, 張欣, 等. 基于KPCA-WPA-SVM的變壓器故障診斷模型[J]. 電測與儀表, 2021, 58(4): 158-164. CHEN Tie, LYU Changqin, ZHANG Xin, et al. Transformer fault diagnosis model based on KPCA-WPA-SVM[J]., 2021, 58(4): 158-164.

[4] Furse C M, Kafal M, Razzaghi R, et al. Fault diagnosis for electrical systems and power networks: A review[J]., 2020, 21(2): 888-906.

[5] Ferreira V H, Zanghi R, Fortes M Z, et al. A survey on intelligent system application to fault diagnosis in electric power system transmission lines[J]., 2016, 136: 135-153.

[6] 王小芳, 毛華敏. 一種復雜背景下的電力設備紅外圖像分割方法[J]. 紅外技術, 2019, 41(12): 1111-1116. WANG Xiaofang, MAO Huamin. Infrared image segmentation method for power equipment in complex background[J]., 2019, 41(12): 1111-1116.

[7] 王曉飛, 胡凡奎, 黃碩. 基于分布信息直覺模糊c均值聚類的紅外圖像分割算法[J].通信學報, 2020, 41(5): 120-129. WANG Xiaofei, HU Fankui, HUANG Shuo. Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering[J]., 2020, 41(5): 120-129.

[8] 馮振新, 許曉路, 周東國, 等. 基于局部區域聚類的電力設備故障區域提取方法[J]. 電測與儀表, 2020, 57(8): 45-50. FENG Zhenxin, XU Xiaolu, Zhou Dongguo, et al. Extraction method of power device fault region based on local clustering algorithm[J]., 2020, 57(8): 45-50.

[9] 劉云鵬, 張喆, 裴少通, 等. 基于深度學習的紅外圖像中劣化絕緣子片的分割方法[J]. 電測與儀表, 2022, 59(9): 63-68, 118. Doi: 10.19753/j.issn1001-1390.2022.09.009. LIU Yunpeng, ZHANG Zhe, PEI Shaotong, et al. Faulty insulator segmentation method in infrared image based on deep learning[J]., 2022, 59(9): 63-68, 118. Doi: 10.19753/j.issn1001-1390.2022.09.009.

[10] 吳克河, 王敏鑒, 李淵博. 基于Mask R-CNN的電力設備紅外圖像分割技術研究[J].計算機與數字工程, 2020, 48(2): 417-422. WU Kehe, WANG Minjian, LI Yuanbo. Research on infrared image segmentation technology of power equipment based on Mask R-CNN[J]., 2020, 48(2): 417-422.

[11] 李文璞, 毛穎科, 廖逍, 等. 基于旋轉目標檢測的變電設備紅外圖像電壓致熱型缺陷智能診斷方法[J].高電壓技術, 2021, 47(9): 3246-3253. LI Wenpu, MAO Yingke, LIAO Xiao，et al. Intelligent diagnosis method of infrared image for substation equipment voltage type thermal defects based on rotating target detection[J]., 2021, 47(9): 3246-3253.

[12] BOLYA D, ZHOU C, XIAO F, et al. YOLACT: real-time instance segmentation[J/OL]., 2019, https://arxiv.org/abs/1904.02689 2019: 1904-2689.

[13] 田樂, 王歡. 引入獨立融合分支的雙模態語義分割網絡[J]. 計算機工程, 2022, 48(8): 240-248, 257. Doi: 10.19678/j.issn.1000-3428.0062066. TIAN Le, WANG Huan. Dual-modal semantical segmentation network by involving independent fusion branch[J]., 2022, 48(8): 240-248, 257. Doi: 10.19678/j.issn.1000-3428.0062066.

[14] CHEN L C, Papandreou G, Kokkinos I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]., 2018, 40(4): 834-848

[15] LIN T, DOLLáR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]//(CVPR), 2017: 936-944, Doi: 10.1109/CVPR. 2017.106.

[16] 胡志偉, 楊華, 婁甜田. 采用雙重注意力特征金字塔網絡檢測群養生豬[J].農業工程學報, 2021, 37(5): 166-174. HU Zhiwei, YANG Hua, LOU Tiantian. Instance detection of group breeding pigs using a pyramid network with dual attention feature[J]., 2021, 37(5): 166-174.

[17] CHENG B, Girshick R, Dollár P, et al. Boundary IoU: improving object-centric image segmentation evaluation[J/OL]., 2021: 2103-16562. https://arxiv.org/abs/2103. 16562.

Segmentation Method of Substation Equipment Infrared Image Based on Multimodal Image Information

ZHANG Zhichao1，ZUO Leipeng1，ZOU Jie1，ZHAO Yaomin1，SONG Yangfan2

(1. StateGrid Baoding Electric Power Supply Company, Baoding 071000, China; 2. Department of Power Engineering, North China Electric Power University, Baoding 071000, China)

The segmentation accuracy of substation equipment in infrared images captured by a UAV directly affects the results of thermal fault diagnosis. We proposed a multimodal path aggregation network (MPAN) that fuses visible and infrared images to address the problem of low segmentation accuracy of substation equipment in complex infrared backgrounds. First, we extracted and fused the features of two modal images, and considering the differences in the feature space of the two modal images, we proposed the adaptive feature fuse module (AFFM) to fuse the two modal features fully. We added a bottom-up pyramid network to the backbone with multi-scale features and a laterally connected path enhancement. Finally, we used dice coefficients to optimize the mask loss function. The experimental results showed that the fusion of multimodal images can enhance the segmentation performance and verify the effectiveness of the proposed modules, which can significantly improve the accuracy of the segmentation of substation equipment instances in infrared images.

instance segmentation, substation equipment, infrared image, visible image, adaptive feature fusion module, self-attention mechanism, dice coefficient

TP391.4

A

1001-8891(2023)11-1198-09

2022-03-23；

2022-06-11.

張志超（1982-），男，高級工程師，主要研究方向為變電檢修。E-mail: bd_zzc@163.com。

國網河北省電力有限公司科技項目資助（kj2019-027）。