本文介紹了中科院成都所旗下卷包智慧工藝平臺在多家卷煙廠的成功應用實踐，依托?TDengine?時序數據庫和智能算法，實現了生產全鏈路實時監控、質量異常精準識別與設備狀態動態分析，大幅降低了廢品率，減少了停機時間，提升了生產效率。文章還分享了平臺在高頻數據采集、趨勢分析、異常預警等方面的技術細節，并展望了基于 TDgpt 智能體(ti)等新技術的(de)未來應(ying)用(yong)前(qian)景。

背景概述

我們的卷(juan)(juan)包智慧工藝(yi)平臺(tai)已在多(duo)家知名(ming)卷(juan)(juan)煙(yan)廠(chang)成功應用，顯著(zhu)降(jiang)低(di)了(le)(le)煙(yan)支剔除率(lv)，提(ti)升(sheng)了(le)(le)質量(liang)控(kong)制(zhi)水平。平臺(tai)通過實時監控(kong)煙(yan)絲來料(liao)、設備狀態和工藝(yi)參數，結合智能算法進行異常診斷，輔助現(xian)場技術人員高效決策，有效提(ti)升(sheng)了(le)(le)產(chan)(chan)品(pin)質量(liang)，降(jiang)低(di)了(le)(le)廢(fei)品(pin)率(lv)，減少了(le)(le)設備停機時間，提(ti)升(sheng)了(le)(le)整體生產(chan)(chan)效率(lv)。借助這一平臺(tai)，卷(juan)(juan)煙(yan)廠(chang)不(bu)僅增強了(le)(le)市(shi)場競爭力，還實現(xian)了(le)(le)成本控(kong)制(zhi)和效益提(ti)升(sheng)，全(quan)面(mian)滿(man)足了(le)(le)對(dui)生產(chan)(chan)效益和質量(liang)管控(kong)的核心(xin)需求。

平臺以高速機(ji)器視覺和(he)大數據技(ji)術為基礎，采用 Kubernetes 進行容(rong)器編排，結合(he) TDengine 時序數據庫(ku)與 PyTorch 計算(suan)框架，能夠高效(xiao)處理(li)大規(gui)模實時數據分析和(he)復雜業務邏輯，為智(zhi)慧化生產提供強有力(li)支(zhi)撐(cheng)。

時序數據庫選型

為了(le)(le)支(zhi)撐卷(juan)包智慧工藝平臺對大規模實時數據處理的高要求，我們對時序(xu)數據庫進行(xing)了(le)(le)深(shen)入選型。基于煙草工業的業務特點(dian)和痛(tong)點(dian)，平臺在(zai)時序(xu)數據庫選擇上主要考(kao)慮了(le)(le)以下幾個方面：

• 高效存儲與壓縮：能夠高效存儲海量時序數據，并具備優秀的數據壓縮能力，降低存儲成本。
• 高性能查詢：支持實時查詢和歷史數據回溯，滿足高頻率數據采集和實時監控的需求。
• 高擴展性：能夠輕松應對數據量和設備數量的快速增長，具備良好的水平擴展能力。
• 低運維成本：提供簡化的運維管理工具，降低數據庫的維護復雜度。
• 實時數據處理：支持實時數據采集和處理，確保生產過程的穩定性和快速響應。

平臺時序數據模型

在上(shang)(shang)述選型基礎上(shang)(shang)，為充分發(fa)揮 TDengine 的性能優(you)勢，平臺在數據建模(mo)上(shang)(shang)也(ye)進行了精心設計。

智慧工藝平臺數據采集頻率設定為每秒一次，系統每秒鐘需要處理接近 4 萬條數據的寫入。這(zhe)種(zhong)高頻率(lv)的(de)數據寫(xie)入要(yao)求對系統(tong)的(de)寫(xie)入性(xing)能提出了很(hen)高的(de)挑戰；同時平臺還需(xu)要(yao)支(zhi)持(chi)獲(huo)取最新數據、分析實(shi)時歷史趨勢、執行窗口(kou)計(ji)算(suan)等多樣(yang)化查詢，并保(bao)障(zhang)多個監(jian)控終端的(de)同步訪問，確保(bao)機臺與系統(tong)之間的(de)數據保(bao)持(chi)實(shi)時同步。

參考 TDengine 的數(shu)據(ju)建(jian)模最佳實(shi)踐，我們(men)采用了單列模型(xing)，按數(shu)據(ju)類型(xing)創(chuang)建(jian)超表(biao)(biao)，每個設(she)備對(dui)應一張(zhang)子表(biao)(biao)，并通過 TAG 標識數(shu)據(ju)來源(yuan)。

TDengine 的超級表特性使得設備時序數據可以高效記錄在子表中，TAG 信息則統一存儲在超表內，既有效減少了存儲空間，又大幅提升了數據檢索效率，非常契(qi)合(he)工業設備(bei)大規(gui)模數據(ju)管(guan)理的應用(yong)場景(jing)。同時，這一模型結構簡單清晰(xi)，后期(qi)的運維管(guan)理也更加便捷高效。

超表示例：
type_nchar（存儲nchar類型的超級表）
type_int（存儲int類型的超級表）
type_float（存儲float類型的超級表）
type_bool（存儲bool類型的超級表）

建表示例：
CREATE STABLE type_float (ts TIMESTAMP, v FLOAT, is_valid BOOL) TAGS (tagid NCHAR(256), tagname NCHAR(256), type_name NCHAR(256), accmachine_name NCHAR(256), submachine_name NCHAR(256), machine_model NCHAR(256), machinearea_name NCHAR(256), machinefunction_name NCHAR(256), workshop_name NCHAR(256), factory_name NCHAR(256), fullname NCHAR(256))

基于這一高效的數據模型，我(wo)們進一步在生產實(shi)際中構建了全面(mian)的實(shi)時監控體系。

時序數據庫選型

為了(le)支撐卷包智慧工(gong)藝(yi)平臺(tai)對(dui)(dui)大規模實時數據(ju)(ju)處理的(de)高要(yao)求(qiu)，我們對(dui)(dui)時序數據(ju)(ju)庫(ku)進行(xing)了(le)深入選型。基于煙草工(gong)業(ye)的(de)業(ye)務特(te)點和痛點，平臺(tai)在時序數據(ju)(ju)庫(ku)選擇上主要(yao)考慮了(le)以下(xia)幾(ji)個方(fang)面：

• 高效存儲與壓縮：能夠高效存儲海量時序數據，并具備優秀的數據壓縮能力，降低存儲成本。
• 高性能查詢：支持實時查詢和歷史數據回溯，滿足高頻率數據采集和實時監控的需求。
• 高擴展性：能夠輕松應對數據量和設備數量的快速增長，具備良好的水平擴展能力。
• 低運維成本：提供簡化的運維管理工具，降低數據庫的維護復雜度。
• 實時數據處理：支持實時數據采集和處理，確保生產過程的穩定性和快速響應。

我們對(dui)目前主(zhu)流(liu)的(de)時(shi)序(xu)數據庫(ku)進行(xing)了調研和(he)對(dui)比，包括(kuo) InfluxDB、TimescaleDB、Prometheus 和(he) TDengine。最終，綜合性(xing)能、成(cheng)本、運維(wei)等多方面考慮，TDengine 以最優(you)的(de)整體表現，成(cheng)為智慧工藝平臺的(de)時(shi)序(xu)數據庫(ku)選(xuan)型。

平臺時序數據模型

在(zai)上(shang)述選型基礎(chu)上(shang)，為充分發揮 TDengine 的性能(neng)優勢(shi)，平臺在(zai)數據建模上(shang)也進行了精心設計。

智慧工藝平(ping)臺(tai)數據采集頻率(lv)設定(ding)為每秒一次，系統(tong)每秒鐘需(xu)要(yao)處理(li)接近 4 萬(wan)條數據的寫(xie)入。這種(zhong)高(gao)頻率(lv)的數據寫(xie)入要(yao)求(qiu)對系統(tong)的寫(xie)入性(xing)能提出了很高(gao)的挑戰；同時(shi)平(ping)臺(tai)還需(xu)要(yao)支持獲取最新數據、分析實(shi)時(shi)歷史趨勢、執行(xing)窗口計(ji)算等(deng)多(duo)樣化(hua)查詢，并保障多(duo)個監(jian)控終(zhong)端的同步(bu)(bu)訪問，確(que)保機臺(tai)與系統(tong)之間的數據保持實(shi)時(shi)同步(bu)(bu)。

參(can)考 TDengine 的數據建模最(zui)佳實踐，我們采用了單列模型，按(an)數據類型創建超表(biao)，每個設(she)備(bei)對應一(yi)張子表(biao)，并(bing)通(tong)過(guo) TAG 標識數據來源。

TDengine 的(de)超級表(biao)特性使(shi)得設(she)備時序(xu)數(shu)據(ju)可以高效記錄(lu)在子(zi)表(biao)中，TAG 信息則統(tong)一(yi)存儲(chu)在超表(biao)內，既有效減(jian)少了存儲(chu)空間，又大幅提升了數(shu)據(ju)檢索效率，非常契合工業設(she)備大規模(mo)數(shu)據(ju)管理(li)的(de)應用場景。同時，這(zhe)一(yi)模(mo)型結(jie)構簡單清晰，后期(qi)的(de)運維管理(li)也更加(jia)便(bian)捷高效。

超表示例：
type_nchar（存儲nchar類型的超級表）
type_int（存儲int類型的超級表）
type_float（存儲float類型的超級表）
type_bool（存儲bool類型的超級表）

建表示例：
CREATE STABLE type_float (ts TIMESTAMP, v FLOAT, is_valid BOOL) TAGS (tagid NCHAR(256), tagname NCHAR(256), type_name NCHAR(256), accmachine_name NCHAR(256), submachine_name NCHAR(256), machine_model NCHAR(256), machinearea_name NCHAR(256), machinefunction_name NCHAR(256), workshop_name NCHAR(256), factory_name NCHAR(256), fullname NCHAR(256))

基于(yu)這一高(gao)效(xiao)的(de)數據模型，我們(men)進一步在生產(chan)實際中(zhong)構(gou)建了全(quan)面的(de)實時(shi)監控體系。

生產畫像–實時精準追蹤與分析設備運行狀態

智慧工藝平(ping)臺整合了(le)從儲絲柜、加絲機(ji)、卷煙機(ji)、包裝機(ji)直至封箱機(ji)和打碼機(ji)的全流程設備(bei)數據，確(que)保能夠實(shi)時監控生(sheng)產(chan)(chan)全鏈路的狀態。借助 TDengine 集(ji)群(qun)的高(gao)效實(shi)時數據查(cha)詢能力，我們取代了(le)傳(chuan)統依賴的中間件如 Redis，實(shi)現了(le)對設備(bei)運行狀態（包括生(sheng)產(chan)(chan)與停(ting)機(ji)）、生(sheng)產(chan)(chan)效率(lv)、損(sun)耗情況及進度等方面的精準追(zhui)蹤與分(fen)析。

這種全面(mian)的數據集成(cheng)與動態分析，不僅幫助實時發現和識別生產過程中的異(yi)常，還極(ji)大增(zeng)強了生產管理人員的決策能力(li)，真正(zheng)形成(cheng)了生產過程的動態“生產畫像”。

為滿足海量設備實時查詢的需求，我們通過配置 TDengine 的 cachemodel 參(can)數(shu)，開啟(qi)了數(shu)據(ju)(ju)庫自帶的(de)緩存特性。這樣，在(zai)大批量數(shu)據(ju)(ju)高(gao)速寫(xie)入的(de)同時，仍(reng)可實現最新數(shu)據(ju)(ju)的(de)毫秒級訪問，不再(zai)依賴 Redis，進一步簡(jian)化了系統架構，提(ti)升了整體(ti)穩定性與效率。

緩存設置：
alter database jbdb cachesize 50;
alter database jbdb cachmodel 'both';

sql: 
select tagid ,last(v) as `value` 
from jbdb.type_int 
where (  tagid like '%70601' )   
group by tagid  

在(zai)生產畫像之外，平臺也進一步(bu)應用于質(zhi)量管理場(chang)景，構(gou)建(jian)了基于數(shu)據驅動(dong)的質(zhi)量畫像體系。

質量畫像–生產期間的趨勢分析

煙(yan)支的(de)關鍵質量(liang)指標，如(ru)重量(liang)、空(kong)頭情況、吸阻、通風度及漏氣(qi)等，常常因為微小(xiao)波動而導致產品不合格，增加原輔材料的(de)損耗。以往，卷包車間主(zhu)要(yao)依賴電氣(qi)維修工的(de)經驗和主(zhu)觀(guan)判斷進行事后處理(li)，響應滯后且效率有限。

現在，借助智慧(hui)工藝平臺引入的智能分(fen)析與預警系統，卷(juan)包車間(jian)可(ke)以對煙支質量異常進行實時(shi)監(jian)控(kong)、精準識別和快速響應。系統基(ji)于 TDengine 數據庫實時(shi)獲取各關(guan)鍵參數的最新(xin)值，確保操作人員及時(shi)掌握車間(jian)質量狀況，并在指標(biao)發生顯著波動時(shi)第一時(shi)間(jian)發出預警。

同(tong)時(shi)，通過分析關鍵(jian)剔除(chu)指標(biao)在當班生(sheng)產(chan)期間的(de)趨勢，平臺能夠快速定(ding)位異(yi)常發(fa)生(sheng)的(de)時(shi)間段，極(ji)大地提升(sheng)了(le)(le)問題追溯和處理的(de)效(xiao)率。這(zhe)一技術(shu)應(ying)用不僅顯(xian)著降低了(le)(le)不合格品剔除(chu)率，減少了(le)(le)原材料浪費，還保障(zhang)了(le)(le)生(sheng)產(chan)線(xian)的(de)穩定(ding)高效(xiao)運行(xing)，幫助操作人員(yuan)從(cong)經(jing)驗依賴轉(zhuan)向科學決(jue)策，提升(sheng)了(le)(le)整體(ti)排查(cha)與(yu)應(ying)對能力。

質量趨勢分(fen)析涉及大(da)量歷(li)史數(shu)據的(de)查(cha)(cha)詢(xun)，TDengine 出色地支持了高并發復雜 SQL 查(cha)(cha)詢(xun)需求(qiu)，查(cha)(cha)詢(xun)效果(guo)顯著。在(zai)卷包機空(kong)頭指標的(de)一個(ge)月歷(li)史數(shu)據并發查(cha)(cha)詢(xun)與平(ping)均值計(ji)算場景中，TDengine 平(ping)均響應時間穩定保(bao)持在(zai) 1 秒(miao)以(yi)內，展現(xian)(xian)了毫秒(miao)級的(de)數(shu)據處(chu)理性(xing)能，性(xing)能表現(xian)(xian)令人驚(jing)艷。

Select tagId,avg(v) *1.5 as statdard 
from yjdb.type_int where ( tagId like '%xxxxx' or tagId like '%xxxxx' or  tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' or tagId like '%xxxxx' ……) 
and ts >= '2025-03-01' and ts<='2025-03-31' 
group by tagId;

在質量(liang)管理之(zhi)外(wai)，智慧工(gong)藝平臺(tai)還進一步針對設備(bei)運行狀態進行了精(jing)細化建(jian)模與異常分析。

設備畫像–設備狀態異常分析

針(zhen)對影響產品質量的(de)數十(shi)個子(zi)機(ji)關鍵(jian)傳(chuan)(chuan)感器，平臺(tai)基(ji)于(yu)歷史數據挖掘技術，為(wei)每個傳(chuan)(chuan)感器設(she)計了(le)最近一個月穩態(tai)(tai)(tai)值域的(de)計算模型，形成了(le)各傳(chuan)(chuan)感器的(de)穩態(tai)(tai)(tai)標(biao)準。通過實時(shi)計算技術，系統動態(tai)(tai)(tai)監測各傳(chuan)(chuan)感器的(de)波動趨勢和(he)異常狀態(tai)(tai)(tai)，并結合建立的(de)傳(chuan)(chuan)感器點(dian)(dian)位關聯圖，自動分析相關點(dian)(dian)位是(shi)否處于(yu)穩態(tai)(tai)(tai)范圍，是(shi)否存在單(dan)側運行、頻(pin)繁奇點(dian)(dian)等(deng)異常現象。

TDengine 數(shu)據庫提供的特(te)有狀態窗口函數(shu)計算(suan)功能(neng)，使我(wo)們能(neng)夠高效(xiao)獲(huo)取每個(ge)關鍵設(she)備(bei)參(can)數(shu)在一(yi)定(ding)時間(jian)段(duan)內的穩(wen)態變化，打破了傳(chuan)統依賴應用端(duan)處理的模式。一(yi)旦監(jian)測到參(can)數(shu)波(bo)動超出(chu)設(she)定(ding)范圍(wei)，系統即可(ke)即時預警(jing)，大幅提升了異(yi)常識(shi)別、檢(jian)查(cha)與處置(zhi)的效(xiao)率，進一(yi)步保障了產(chan)(chan)品質(zhi)量和生(sheng)產(chan)(chan)穩(wen)定(ding)性(xing)。

在具體(ti)應用(yong)中(zhong)，我們(men)利用(yong) TDengine 的(de)狀(zhuang)(zhuang)態窗(chuang)口查詢(xun)功(gong)能，對(dui)以整(zheng)數（布(bu)爾值(zhi)）或字符(fu)串(chuan)標識的(de)設(she)(she)備狀(zhuang)(zhuang)態量進行連續監控。當記錄的(de)狀(zhuang)(zhuang)態值(zhi)保持一致時，歸屬于同一個狀(zhuang)(zhuang)態窗(chuang)口，狀(zhuang)(zhuang)態值(zhi)發生(sheng)變(bian)化(hua)(hua)后窗(chuang)口關閉(bi)。借(jie)助(zhu)這一機制，運營人員(yuan)可以快(kuai)速發現(xian)設(she)(she)備運行狀(zhuang)(zhuang)態的(de)異常變(bian)化(hua)(hua)，實現(xian)實時、精(jing)準的(de)設(she)(she)備異常預警。

Create Table: 
CREATE STABLE type_bool (ts TIMESTAMP, v BOOL, is_valid BOOL) 
TAGS (tagid NCHAR(256), tagname NCHAR(256), type_name NCHAR(256), accmachine_name NCHAR(256), submachine_name NCHAR(256), machine_model NCHAR(256), machinearea_name NCHAR(256), machinefunction_name NCHAR(256), workshop_name NCHAR(256), factory_name NCHAR(256), fullname NCHAR(256))

sql:
SELECT * FROM (SELECT COUNT(*), FIRST(ts), status FROM jbdb.type_bool STATE_WINDOW(is_valid)) WHERE STATUS=0;

時序應用展望

TDengine 時序(xu)數(shu)據庫的核(he)心(xin)特性，大大降低了應(ying)用開發的復雜度(du)，在數(shu)據庫層面直接支(zhi)持了緩存(cun)、異常比對等功能(neng)，使開發人(ren)員能(neng)夠(gou)更加(jia)專注于業務實現，從(cong)而有(you)效(xiao)提(ti)升了客戶體驗與滿意(yi)度(du)。

在此基礎上，TDengine 全(quan)新(xin)推(tui)出(chu)了 TDgpt 組(zu)件，將(jiang) AI 智能體引入(ru)時(shi)(shi)(shi)(shi)序(xu)數(shu)據應用(yong)領域，提供靈活的(de)插件式算法引擎，支(zhi)持應用(yong)方自由(you)集成各(ge)類算法，提前預測(ce)時(shi)(shi)(shi)(shi)序(xu)數(shu)據趨勢，增強(qiang)異常檢測(ce)能力，進一(yi)(yi)步以低成本提升時(shi)(shi)(shi)(shi)序(xu)數(shu)據應用(yong)效率(lv)。同時(shi)(shi)(shi)(shi)，全(quan)新(xin)增強(qiang)的(de)虛擬表特性，實現了真正意義上的(de)“一(yi)(yi)設備(bei)一(yi)(yi)張表”，通過將(jiang)各(ge)類測(ce)點數(shu)據統一(yi)(yi)融(rong)合到一(yi)(yi)條時(shi)(shi)(shi)(shi)間線上，極大簡化了應用(yong)端的(de)數(shu)據拼接與處(chu)理工作。

我們(men)相信，隨著(zhu)這些(xie)新特(te)性(xing)的(de)落地，智慧工藝平臺(tai)將(jiang)在數(shu)據(ju)利用效率、智能分(fen)析能力(li)與(yu)客戶服務(wu)水平上持續(xu)躍(yue)升，讓數(shu)據(ju)更(geng)高效、更(geng)快捷、更(geng)低成本地為(wei)客戶創(chuang)造更(geng)大價值。

關于中科院成都所

中(zhong)(zhong)科(ke)院成(cheng)(cheng)都信(xin)(xin)息技(ji)術股份有限公(gong)司（證券(quan)(quan)簡稱：中(zhong)(zhong)科(ke)信(xin)(xin)息，證券(quan)(quan)代碼：300678）由(you)創立于 1958 年的(de)中(zhong)(zhong)國科(ke)學院成(cheng)(cheng)都計算機應(ying)(ying)用研(yan)究(jiu)所(suo)整體(ti)轉制而(er)來的(de)高科(ke)技(ji)企業(ye)。2017 年，公(gong)司在深(shen)交所(suo)創業(ye)板掛牌(pai)上市(shi)(shi)，成(cheng)(cheng)為(wei)(wei)國內(nei)首(shou)家(jia)整體(ti)轉制并上市(shi)(shi)的(de)中(zhong)(zhong)央直(zhi)屬(shu)科(ke)研(yan)單位。中(zhong)(zhong)科(ke)信(xin)(xin)息深(shen)耕煙(yan)草行(xing)業(ye)超過 40 余年，是國內(nei)少數(shu)能為(wei)(wei)煙(yan)草農、工(gong)、商全產(chan)業(ye)鏈(lian)提供信(xin)(xin)息化整體(ti)解(jie)決(jue)方案的(de)供應(ying)(ying)商。公(gong)司積極響應(ying)(ying)工(gong)業(ye)互(hu)聯網創新發展工(gong)程(cheng)，面向(xiang)煙(yan)草行(xing)業(ye)提供生(sheng)產(chan)數(shu)字(zi)化管理整體(ti)方案，推動(dong)邊(bian)緣融合與工(gong)業(ye)軟件云端快速開發，創新智能服(fu)務模式，助力企業(ye)實現設備互(hu)聯、產(chan)業(ye)協同(tong)和質量追溯，同(tong)時構建數(shu)據應(ying)(ying)用中(zhong)(zhong)心，推動(dong)數(shu)據應(ying)(ying)用從傳統定制化統計分(fen)析向(xiang)工(gong)業(ye)場(chang)景模型(xing)深(shen)度挖(wa)掘轉型(xing)。

關于本文作者

何啟學，男，1978 年 3 月生，中(zhong)共黨員(yuan)，正高(gao)級工程(cheng)師，碩(shuo)士生導師，現任中(zhong)國科學院(yuan)成都(dou)計算機應用(yong)研究(jiu)所(suo)導師、中(zhong)科院(yuan)成都(dou)信(xin)(xin)息(xi)(xi)技術(shu)股(gu)份有限公司工業(ye)信(xin)(xin)息(xi)(xi)化(hua)事業(ye)部(bu)副(fu)經理。深耕工業(ye)互聯網與智能(neng)制造領(ling)域 20 余年，尤其在(zai)煙草行業(ye)智能(neng)化(hua)轉型中(zhong)取(qu)得突出成就(jiu)。

研究方向：

1.工業(ye)互聯網與安全：主導工業(ye)互聯網基(ji)礎(chu)軟件平(ping)臺關鍵(jian)技術(shu)研究，構(gou)建云(yun)邊端協同的(de)智(zhi)能檢測體系（如(ru)智(zhi)能網關與云(yun)端融合平(ping)臺）

2.工(gong)業大數(shu)據分析：開發基于多尺度門(men)控膨脹卷(juan)(juan)積網絡(luo)的時間序列預測算法(fa)，應用于卷(juan)(juan)煙工(gong)藝(yi)優化(hua)與生產管(guan)理

3.工業(ye)知(zhi)識圖(tu)譜與大模型：探索行業(ye)垂直大模型在智能制(zhi)造中的應用，實現卷(juan)煙包(bao)裝缺陷智能分類等技術創新(xin)

4.智能(neng)檢(jian)測(ce)技(ji)術：構(gou)建智能(neng)在線(xian)全數無損檢(jian)測(ce)技(ji)術體系，覆蓋煙(yan)包缺陷(xian)檢(jian)測(ce)、蟲(chong)情監測(ce)預(yu)警等(deng)場景(jing)

主要榮譽：

四川(chuan)省科學技術進步獎三等獎（2022）

四川省計算機學會科學技術進(jin)步一等獎（2022）

北京產學協會產學研合(he)作創新成(cheng)果獎(jiang)三(san)等(deng)獎(jiang)（2022）