基于Camshift 方法的視覺目標(biāo)跟蹤技術(shù)綜述

摘要：視覺目標(biāo)跟蹤技術(shù)是機(jī)器視覺、模式識(shí)別等相關(guān)領(lǐng)域中重要的研究內(nèi)容之一。受限于場景的復(fù)雜度、目標(biāo)速度、目標(biāo)的遮擋程度等狀況，其相關(guān)研究具有一定的難度和挑戰(zhàn)性，而均值漂移及其相關(guān)算法是解決該類問題的重要途徑。首先介紹視覺目標(biāo)跟蹤的研究方法和原理，然后介紹Camshift方法的前身Meanshift方法的原理和算法過程，并做出相應(yīng)的分析和闡述。再介紹針對(duì)Camshift算法的相關(guān)研究和改進(jìn)方法，最后總結(jié)Camshift方法的應(yīng)用情況以及后續(xù)可能的研究方向。

關(guān)鍵詞：機(jī)器視覺；模式識(shí)別；目標(biāo)跟蹤；Meanshift；Camshift

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）17-0011-04 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

實(shí)現(xiàn)視覺目標(biāo)跟蹤可能的前置步驟包括目標(biāo)分類、物體檢測以及圖像分割。目標(biāo)分類是指根據(jù)目標(biāo)在圖像中呈現(xiàn)的特征，將不同類別的目標(biāo)加以區(qū)分的圖像處理方法。物體檢測是指在某張圖像中，檢測出目標(biāo)出現(xiàn)的位置、尺度以及其對(duì)應(yīng)的類別。相較于目標(biāo)分類，物體檢測不僅需要指出其類別，還需返回該目標(biāo)在圖像中的物理坐標(biāo)信息，其量化度得到了增強(qiáng)。而圖像分割在物體檢測的基礎(chǔ)上提出了更加精細(xì)的要求，即不僅需要指出物體在圖像中的坐標(biāo)位置信息，還要標(biāo)注出目標(biāo)在圖像中的精準(zhǔn)輪廓，其難度和復(fù)雜度進(jìn)一步提升。

上述技術(shù)在圖像處理過程中，存在一些共性化的技術(shù)難點(diǎn)，比如尺度變化、部分遮擋等[1-2]。針對(duì)物體尺度變化，一種常規(guī)的方式是采用尺度不變特征變換（SIFT） 技術(shù)[3]，通過尺度空間極值計(jì)算、關(guān)鍵點(diǎn)定位、方向和幅值計(jì)算以及關(guān)鍵點(diǎn)描述等步驟完成目標(biāo)在尺度變化時(shí)的特征匹配。針對(duì)目標(biāo)部分區(qū)域被遮擋的問題，Wang B等[4]提出了一種通過網(wǎng)絡(luò)流優(yōu)化的軌跡片段（tracklet） 關(guān)聯(lián)中的在線目標(biāo)特定度量來忽略目標(biāo)被遮擋的時(shí)段，從而連續(xù)化目標(biāo)運(yùn)動(dòng)軌跡；Fir?ouznia Marjan[5]提出了一種改進(jìn)的粒子濾波方法，通過狀態(tài)空間重構(gòu)，在有遮擋的情況下提升目標(biāo)跟蹤的精度。

在圖像中完成對(duì)目標(biāo)的檢測和標(biāo)定之后，需要對(duì)連續(xù)的圖像幀實(shí)現(xiàn)目標(biāo)搜索，其代表方法有均值漂移（Meanshift） 方法[6]。然而，目標(biāo)在視頻流中處于非靜止?fàn)顟B(tài)，這種非靜止性可能導(dǎo)致其尺度、角度、形狀等特征的改變，進(jìn)而導(dǎo)致目標(biāo)的丟失。基礎(chǔ)的Camshift方法在一定程度上規(guī)避了目標(biāo)尺度變化對(duì)跟蹤效果的影響，但在環(huán)境因素復(fù)雜的場景中，其算法效果仍然得不到有效保證。

1 Meanshift 方法

Meanshift[7-8]方法是目標(biāo)跟蹤技術(shù)中目標(biāo)搜索技術(shù)的經(jīng)典算法之一，Comaniciu等[9-10]將其成果應(yīng)用于特征分析領(lǐng)域之中，不僅如此，該方法也被廣泛應(yīng)用于圖像等相關(guān)處理之中。

1.1 基本的Meanshift 算法

Meanshift 算法過程主要如下：在一個(gè)n 維空間中，假設(shè)有m 個(gè)樣本點(diǎn)（設(shè)為p1， p2， p3……pm），其中有h個(gè)在設(shè)定的區(qū)域之內(nèi)，則在點(diǎn)px處的Meanshift向量可表示為：M（ px ） =1hΣi= 1h （ pi - px ）。

以二維坐標(biāo)點(diǎn)為例，生成隨機(jī)300個(gè)數(shù)據(jù)點(diǎn)，分別取不同坐標(biāo)為質(zhì)心，實(shí)驗(yàn)?zāi)M6 次Meanshift 算法實(shí)現(xiàn)，其迭代過程如圖1所示。

由圖1可知，在數(shù)據(jù)點(diǎn)質(zhì)心隨機(jī)的情況下，當(dāng)存在全局最優(yōu)時(shí)，經(jīng)過Meanshift算法，最后都將收斂至相同的最高密度區(qū)域。

1.2 Meanshift 算法應(yīng)用

使用Meanshift算法跟蹤標(biāo)定圖像目標(biāo)，首先根據(jù)第一幀圖像選取一個(gè)目標(biāo)窗口，即目標(biāo)物體區(qū)域的位置和尺度。然后計(jì)算該窗口內(nèi)圖像信息的直方圖分布，并與后續(xù)幀進(jìn)行相似性度量計(jì)算。最后，通過不斷迭代視頻流，尋找到新的目標(biāo)位置并更新目標(biāo)窗口位置[9]。通過構(gòu)建實(shí)際運(yùn)動(dòng)場景模擬該方法的運(yùn)行過程，圖2顯示了Meanshift方法在初始化目標(biāo)窗口后的跟蹤效果。通過抽取部分標(biāo)注圖像觀測目標(biāo)窗口的位置變化情況，可以看出目標(biāo)窗口隨著車輛的行駛其位置也隨之改變。但在目標(biāo)逐漸駛離區(qū)域時(shí)，其在整個(gè)場景中的面積占比變小，而跟蹤窗口始終保持大小不變。

由圖2可知，在場景光線較為充足的前提下，當(dāng)人工選定搜索窗口后，Meanshift方法能有效地完成對(duì)搜索框內(nèi)物體的跟蹤。然而，由于搜索窗口尺度固定，在應(yīng)對(duì)目標(biāo)移速較快時(shí)，其外在表現(xiàn)形式往往達(dá)不到預(yù)期的效果。此外，如果區(qū)域存在多個(gè)高密度區(qū)域，最終可能會(huì)收斂至局部最優(yōu)解，也將削弱其最終的標(biāo)定結(jié)果。

基于此，各專家學(xué)者對(duì)Meanshift 算法進(jìn)行了相應(yīng)的研究和改進(jìn)。針對(duì)Meanshift在距離度量上對(duì)集合數(shù)據(jù)和非線性數(shù)據(jù)的不可靠性，Qiangqiang C等[11]提出了基于鄰域顆粒運(yùn)算的顆粒向量相對(duì)距離和顆粒向量絕對(duì)距離，并在機(jī)器學(xué)習(xí)庫（UCI） 上從內(nèi)部度量和外部度量兩個(gè)方面得到了較好的聚類效果。Park Hanhoon 等[12]針對(duì)Meanshift 在每次迭代產(chǎn)生較大計(jì)算量的缺點(diǎn)，提出了一種基于網(wǎng)格的Mean?shift++的改進(jìn)方法，通過Hash降低存儲(chǔ)冗余，再通過引入alpha 加速因子來減少迭代次數(shù)，提高收斂速度，使得其比傳統(tǒng)的Meanshift++算法的平均速度提升了4 倍。Zou Yang 等[13]針對(duì)傳統(tǒng)Meanshift 算法目標(biāo)半徑固定易在物體大小或形狀變化時(shí)造成目標(biāo)丟失的問題，提出了基于相似函數(shù)值的模糊機(jī)制，大大提升了跟蹤效果。針對(duì)傳統(tǒng)Meanshift 方法在背景受到干擾或遮擋的情況下，陳薇等[14]提出了一種結(jié)合Kalman 濾波的Meanshift改進(jìn)算法，使其在復(fù)雜場景下仍能對(duì)目標(biāo)進(jìn)行有效的跟蹤。Irene Anindaputri Iswanto 等[15] 針對(duì)傳統(tǒng)Meanshift 及其衍生算法在跟蹤任務(wù)中的低效和局限性，將Kalman濾波器、粒子濾波器以及Meanshift結(jié)合起來，并提取圖像的直方圖特征和紋理特征來提高其準(zhǔn)確性，其實(shí)驗(yàn)效果較為理想。王廣龍等[16]融合五幀差分法，在目標(biāo)遮擋問題中，結(jié)合邊緣輪廓特征，從而對(duì)傳統(tǒng)的Meanshift 方法進(jìn)行了改進(jìn)。

2 Camshift 方法

2.1 Camshift 方法原理

Camshift（Continuously Adaptive Meanshift） 方法是對(duì)Meanshift方法的改進(jìn)，在繼承Meanshift復(fù)雜度低、運(yùn)算量小等優(yōu)點(diǎn)的同時(shí)，克服了Meanshift方法搜索窗口固定等不足，使實(shí)際跟蹤效果得到了顯著提升。

該方法首先將捕獲的圖像轉(zhuǎn)換為HSV空間，并以色調(diào)分量作為基礎(chǔ)，提取其概率分布直方圖，作為相似性度量的依據(jù)。然后，使用基礎(chǔ)的Meanshift方法確定質(zhì)心位置。在移動(dòng)距離閾值的判定下，調(diào)整搜索窗口的位置和大小。

圖3 展示了Camshift 方法對(duì)目標(biāo)的跟蹤過程截圖。由圖可見，隨著目標(biāo)面積占比的減小，搜索窗口的大小也隨之縮小。

2.2 Camshift 改進(jìn)算法

2.2.1 結(jié)合Kalman 濾波算法的改進(jìn)算法

Camshift方法在搜索窗口自適應(yīng)性上對(duì)Meanshift 方法進(jìn)行了優(yōu)化，但在目標(biāo)受遮擋或背景干擾等情況下，跟蹤效果仍受到較大影響。為此，通常引入Kal?man濾波方法來適應(yīng)復(fù)雜場景和光照變化，通過觀測數(shù)據(jù)輸入輸出，對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)?；谙噜弾瑘D像的連續(xù)性和平滑性，Kalman濾波能預(yù)測后續(xù)時(shí)態(tài)的狀態(tài)數(shù)據(jù)和誤差信息，從而在一定程度上緩解遮擋問題等引起的干擾。

在此基礎(chǔ)上，李建良等[17]針對(duì)傳統(tǒng)Camshift方法在目標(biāo)變速或顏色與背景接近的問題，提出了一種以目標(biāo)色度、飽和度以及邊緣幅值作為特征分量，結(jié)合Kalman濾波，并使用Bhattacharyya系數(shù)作為準(zhǔn)確度判別的量化指標(biāo)，從而實(shí)現(xiàn)復(fù)雜場景下的目標(biāo)跟蹤。Guan Weipeng等[18]提出了一種改進(jìn)的Camshift方法，通過計(jì)算目標(biāo)在幀間的像素坐標(biāo)差值來估計(jì)目標(biāo)位置，從而更加準(zhǔn)確地完成對(duì)目標(biāo)的跟蹤。Pei Lili等[19]結(jié)合Accelerated-KAZE 特征匹配和Kalman 濾波，解決了背景干擾問題，實(shí)驗(yàn)分析表明其識(shí)別的有效幀率及圖像識(shí)別速率均有顯著提升。為了提高目標(biāo)跟蹤的抗遮擋能力，Liang Shuang等[20]在球類運(yùn)動(dòng)視頻應(yīng)用中，結(jié)合Kalman濾波，從目標(biāo)檢測、識(shí)別、軌跡和球員軌跡等方面改進(jìn)方法，通過搜索窗口中確定遮擋因子并簡化計(jì)算過程，實(shí)現(xiàn)了更加穩(wěn)健的目標(biāo)跟蹤。

2.2.2 結(jié)合多特征融合的Camshift 改進(jìn)算法

傳統(tǒng)的Camshift方法主要依據(jù)HSV空間中的色調(diào)分量進(jìn)行目標(biāo)特征提取，但在背景復(fù)雜且目標(biāo)本身與周圍物體色調(diào)區(qū)分不明顯的情況下，易丟失目標(biāo)，影響最終的跟蹤效果。為了解決這一問題，通常引入如紋理、邊緣及相似度等特征與色調(diào)特征融合，綜合確定目標(biāo)。

基于特征融合的方式，黨海鑫等[21]結(jié)合紋理、邊緣特征，根據(jù)目標(biāo)物體的尺度和概率密度，提升了目標(biāo)跟蹤的抗干擾性和穩(wěn)定性，并在ROS系統(tǒng)中得到驗(yàn)證。段繼光等[22]借助FPGA技術(shù)，提出了一種基于協(xié)方差的多特征融合策略，提升了Camshift方法對(duì)微小目標(biāo)的跟蹤效果。Du Sijie等[23]提取目標(biāo)的HSV特征中的色調(diào)和飽和度雙特征，并與LBP特征直方圖相結(jié)合，提升了目標(biāo)識(shí)別的精度，實(shí)驗(yàn)驗(yàn)證其實(shí)時(shí)性優(yōu)于傳統(tǒng)目標(biāo)跟蹤算法。

2.2.3 結(jié)合深度神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法

隨著計(jì)算機(jī)硬件和算力的提升，人工智能技術(shù)在眾多領(lǐng)域得到廣泛應(yīng)用，其中深度神經(jīng)網(wǎng)絡(luò)在圖形圖像，尤其是目標(biāo)檢測和跟蹤中，相較于傳統(tǒng)計(jì)算機(jī)視覺方法在精準(zhǔn)度等方面有更好的識(shí)別效果。通過構(gòu)建相應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并引入卷積層來提取顏色、紋理、形狀等特征，結(jié)合誤差反向傳播調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，經(jīng)過若干次迭代，形成最優(yōu)解，從而實(shí)現(xiàn)目標(biāo)圖像的識(shí)別。

基于上述方式，解夢達(dá)等[26]通過提取YCbCr空間中的藍(lán)色色度分量和紅色色度分量，構(gòu)建Camshift顏色直方圖，采用支持向量機(jī)建立膚色分割模型實(shí)現(xiàn)人臉跟蹤，并使用拉依達(dá)準(zhǔn)則判定異常，提升了跟蹤準(zhǔn)確度。Li Xiaofeng等[27]提出一種基于多智能體強(qiáng)化學(xué)習(xí)的移動(dòng)機(jī)器人多模式濾波目標(biāo)跟蹤方法，通過機(jī)器人間狀態(tài)通信建立強(qiáng)化學(xué)習(xí)模型，經(jīng)過不斷訓(xùn)練更新和糾正，有效實(shí)現(xiàn)實(shí)時(shí)目標(biāo)跟蹤。Saada M等[28]設(shè)計(jì)了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的跟蹤器，通過實(shí)時(shí)濾波方法預(yù)測下一幀位置，使用YOLOv5對(duì)象檢測器評(píng)估對(duì)象檢測對(duì)跟蹤器性能的影響，并通過實(shí)驗(yàn)驗(yàn)證了其有效性。Shahbazi M等[29]基于遞歸神經(jīng)網(wǎng)絡(luò)的長短期記憶（LSTM） 結(jié)構(gòu)，利用目標(biāo)的外觀特征和運(yùn)動(dòng)方式特征，構(gòu)建新型運(yùn)動(dòng)跟蹤模型，在低分辨率、快速運(yùn)動(dòng)、部分遮擋等情況下，能夠?qū)崟r(shí)有效地跟蹤目標(biāo)。

3 結(jié)束語

Camshift方法作為視覺目標(biāo)跟蹤技術(shù)的重要算法之一，憑借其低算法復(fù)雜度和強(qiáng)自適應(yīng)性，廣泛應(yīng)用于交通運(yùn)輸、建筑、機(jī)械、船舶等實(shí)際場景中，同時(shí)也在運(yùn)動(dòng)學(xué)與體育學(xué)的教學(xué)實(shí)踐中得到了體現(xiàn)。然而，Camshift方法在目標(biāo)跟蹤過程中存在穩(wěn)定性不足的問題，特別是在特征邊界模糊的情況下，如何更有效且均衡地利用特征融合以實(shí)現(xiàn)更高精度的跟蹤，成為當(dāng)前研究和實(shí)踐中的重點(diǎn)和難點(diǎn)。

目前，隨著硬件水平的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸成為應(yīng)用于目標(biāo)跟蹤的主流技術(shù)。但其算法的實(shí)施依賴于海量數(shù)據(jù)集的支撐。因此，將Camshift方法與深度神經(jīng)網(wǎng)絡(luò)進(jìn)行更加有效的融合，一直以來都是研究的目標(biāo)。

參考文獻(xiàn)：

[1] 朱偉杰，朱洪軍，伍祥，等.基于相關(guān)濾波技術(shù)的目標(biāo)跟蹤方法綜述[J].信息工程大學(xué)學(xué)報(bào)，2019，20（6）：684-688.

[2] WU Y，LIM J，YANG M H.Online object tracking：a benchmark[C]//2013 IEEE Conference on Computer Vision and PatternRecognition.Portland，OR，USA.IEEE，2013：2411-2418.

[3] LOWE D G.Object recognition from local scale-invariant fea?tures[C]//Proceedings of the Seventh IEEE International Confer?ence on Computer Vision.Kerkyra，Greece.IEEE，1999：1150-1157.

[4] WANG B，WANG G，CHAN K L，et al.Tracklet association withonline target-specific metric learning[C]//2014 IEEE Confer?ence on Computer Vision and Pattern Recognition.Columbus，OH，USA.IEEE，2014：1234-1241.

[5] FIROUZNIA M，KOUPAEI J A，F(xiàn)AEZ K，et al.Adaptive chaoticsampling particle filter to handle occlusion and fast motion invisual object tracking[J]. Digital Signal Processing， 2023， 134：103933.

[6] 閔志方，杜虎，朱雪瓊，等.單目標(biāo)跟蹤研究綜述[J].光學(xué)與光電技術(shù)，2023，21（4）：1-14.

[7] FUKUNAGA K，HOSTETLER L.The estimation of the gradientof a density function，with applications in pattern recognition[J].IEEE Transactions on Information Theory，1975，21（1）：32-40.

[8] CHENG Y Z.Mean shift，mode seeking，and clustering[J].IEEETransactions on Pattern Analysis and Machine Intelligence，1995，17（8）：790-799.

[9] COMANICIU D，MEER P.Mean shift：a robust approach towardfeature space analysis[J].IEEE Transactions on Pattern Analy?sis and Machine Intelligence，2002，24（5）：603-619.

[10] COMANICIU D， RAMESH V， MEER P. The variable band?width mean shift and data-driven scale selection[C]//Proceed?ings Eighth IEEE International Conference on Computer Vi?sion.ICCV.Vancouver，BC，Canada.IEEE，2001：438-445.

[11] CHEN Q Q，HE L J，DIAO Y N，et al.A novel neighborhoodgranular meanshift clustering algorithm[J].Mathematics，2022，11（1）：207.

[12] PARK H.α-MeanShift++：improving MeanShift++ for imagesegmentation[J].IEEE Access，2021，9：131430-131439.

[13] ZOU Y，XIAO Z K，WANG Z. Research on improved meanshiftalgorithm based on fuzzy control principle[C]//MIPPR 2019：Pattern Recognition and Computer Vision. November 2-3，2019. Wuhan， China. SPIE， 2020： 1-6.

[14] 陳薇，袁文定，方強(qiáng)，等.基于自適應(yīng)卡爾曼濾波的Meanshift 跟蹤算法[J].制造業(yè)自動(dòng)化，2021，43（6）：16-20，48.

[15] ISWANTO I A，CHOA T W，LI B.Object tracking based onmeanshift and particle-kalman filter algorithm with multi fea?tures[J].Procedia Computer Science，2019，157：521-529.

[16] 王廣龍，田杰，朱文杰，等.RGB-D與MeanShift相結(jié)合的實(shí)時(shí)目標(biāo)跟蹤[J]. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，50（9）：2163-2170.

[17] 李建良，張婷婷，陶知非，等.基于改進(jìn)Camshift與Kalman濾波融合的領(lǐng)航車輛跟蹤算法[J]. 電子測量與儀器學(xué)報(bào)，2021，35（6）：131-139.

[18] GUAN W P，LIU Z P，WEN S S，et al.Visible light dynamic po?sitioning method using improved camshift-kalman algorithm[J].IEEE Photonics Journal，2019，11（6）：7906922.

[19] PEI L L，ZHANG H，YANG B.Improved Camshift object track?ing algorithm in occluded scenes based on AKAZE and Kal?man[J].Multimedia Tools and Applications，2022，81（2）：2145-2159.

[20] LIANG S，LI Y.Using camshift and Kalman algorithm to trajec?tory characteristic matching of basketball players[J].Complex?ity，2021，2021：4728814.

[21] 黨海鑫，高嵩，曹凱，等.多特征自適應(yīng)融合的CamShift算法與ROS 跟隨小車實(shí)現(xiàn)[J]. 科學(xué)技術(shù)與工程，2021，21（10）：4141-4147.

[22] 段繼光，周玉宏.多特征融合和深度信念網(wǎng)絡(luò)的紅外弱小目標(biāo)跟蹤方法[J].激光雜志，2023，44（7）：143-148.

[23] DU S J，XU H X，LI T P.Implementation of camshift targettracking algorithm based on hybrid filtering and multifeaturefusion[J].Journal of Sensors，2020：8846977.

[24] LECUN Y，KAVUKCUOGLU K，F(xiàn)ARABET C.Convolutionalnetworks and applications in vision[C]//Proceedings of 2010IEEE International Symposium on Circuits and Systems.Paris，F(xiàn)rance.IEEE，2010：253-256.

[25] CHHETRI S， ALSADOON A， AL-DALA’IN T， et al. Deeplearning for vision-based fall detection system：enhanced opti?cal dynamic flow[J]. Computational Intelligence， 2021， 37（1）：578-595.

[26] 解夢達(dá)，孫鵬，張志豪，等.類膚色背景下的人臉追蹤改進(jìn)算法[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（18）：205-217.

[27] LI X F， REN J， LI Y B. Multi-mode filter target trackingmethod for mobile robot using multi-agent reinforcementlearning[J]f04054d45e6a1f437e6dd44b78ed6ed86abb8c695fcb980906d9aea4f6214a89.Engineering Applications of Artificial Intelligence，2024（127）：107398.

[28] MOHAMAD S， CHRISTOS K， LI B H， et al. A multi-objecttracker using dynamic Bayesian networks and a residual neu?ral network based similarity estimator[J].Computer Vision andImage Understanding，2022（225）：1-12.

[29] SHAHBAZI M，BAYAT M H，TARVIRDIZADEH B.A motionmodel based on recurrent neural networks for visual objecttracking[J].Image and Vision Computing，2022，126：104533.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：安徽省教育廳科學(xué)研究項(xiàng)目資助： 基于深度學(xué)習(xí)的路面缺陷檢測方法研究（2023AH052699） 、多模態(tài)數(shù)據(jù)驅(qū)動(dòng)的工業(yè)互聯(lián)網(wǎng)預(yù)知性維護(hù)決策技術(shù)研究（2022AH052367） ；蕪湖市科技重點(diǎn)項(xiàng)目：工業(yè)機(jī)器視覺虛擬仿真教學(xué)裝備平臺(tái)關(guān)鍵技術(shù)研發(fā)及應(yīng)用（2022yf65） ；安徽職業(yè)與成人教育重點(diǎn)研究項(xiàng)目：基于產(chǎn)教同頻共振的工業(yè)互聯(lián)網(wǎng)專業(yè)課教學(xué)質(zhì)量提升研究（AZCJ2023028）