推荐星级：
- 1
- 2
- 3
- 4
- 5
基于U形卷积神经网络的震相识别与到时拾取方法研究
资料介绍
精确获取震相到时是地震定位和地震走时成像等研究的重要基础.近年来,随着地震台站的不断加密,地震台网监测到的地震数量成倍增长,发展快速、准确、适用性强的震相到时自动拾取算法是地震行业的迫切需求.本文在前人工作基础上,发展了Pg、Sg震相自动识别与到时拾取的U网络算法(Unet＿cea),使用汶川余震和首都圈地震台网记录的89344个不同震级、不同信噪比的样本进行训练和测试.研究表明,U网络能够较好地识别Pg、Sg震相类型和拾取到时,Pg、Sg震相的正确识别率分别为81%和79.1%,与人工标注到时的均方根误差分别为0.41s和0.54s.U网络在命中率、均方根误差等性能指标上均明显优于STA/LTA和峰度分析自动拾取方法.研究获得的最优模型可以为区域地震台网的自动处理提供辅助.
部分文件列表
| 文件名 | 大小 |
| 基于U形卷积神经网络的震相识别与到时拾取方法研究.pdf | 2M |
部分页面预览
（完整内容请下载后查看）第
卷 第
期
８
地
球
物
理
学 报
ꢀ
，
Ｖｏｌ．６２ Ｎｏ．８
６２
ꢀ
ꢀ
ꢀ
ꢀ
年
月
８
，
Ａｕ ．２０１９
ｇ
２０１９
ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＬ ＯＦ ＧＥＯＰＨＹＳＩＣＳ
ꢀ ꢀ ꢀ
， ，
赵明 陈石 房立华等
， （）：
６２８ ３０３４３０４２
－
，
基于 形卷积神经网络的震相识别与到时拾取方法研究 地球物理学报
．２０１９． Ｕ ．
：
／
ｄｏｉ１０．６０３８ｃ ２０１９Ｍ０４９５．
ｊｇ
，
，
，
ＺｈａｏＭ ＣｈｅｎＳ Ｆａｎ Ｌ Ｈ ｅｔａｌ．２０１９．Ｅａｒｔｈｕａｋｅ ｈａｓｅａｒｒｉｖａｌａｕｔｏ ｉｃｋｉｎ ｂａｓｅｄｏｎ Ｕｓｈａｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ
ꢀ ꢀ ꢀｐ
ｐ ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｑ
ꢀ
ꢀ
－
ｐ
ｇ
ꢀ
ꢀ
ꢀ
－
ꢀ
（
）， （）：
，
： ／
ｎｅｔｗｏｒｋ．ＣｈｉｎｅｓｅＪ．Ｇｅｏ ｈｓ．ｉｎＣｈｉｎｅｓｅ ６２８ ３０３４３０４２ｄｏｉ１０．６０３８ｃ ２０１９Ｍ０４９５．
ｊｇ
ꢀ
ꢀ
－
ｐ ｙ
基于 形卷积神经网络的震相识别与
Ｕ
到时拾取方法研究
，
２３
１
１
１
＊
，
，
，
赵明 陈石 房立华
ＤａｖｉｄＡ Ｙｕｅｎ
ꢀ ꢀ
，
中国地震局地球物理研究所 北京
１
２
３
１０００８１
ꢀ
，
美国哥伦比亚大学应用物理和应用数学系 纽约
１００２７
ꢀ
，
中国地质大学大数据学院 武汉
４３００７４
ꢀ
， ，
摘要 精确获取震相到时是地震定位和地震走时成像等研究的重要基础 近年来 随着地震台站的不断加密 地震
．
ꢀ
， 、 、
台网监测到的地震数量成倍增长 发展快速 准确 适用性强的震相到时自动拾取算法是地震行业的迫切需求 本
．
，
文在前人工作基础上 发展了
、
Ｐ Ｓ
ｇ ｇ
（
网络算法
Ｕ Ｕｎｅｔｃｅａ
＿
），
震相自动识别与到时拾取的
使用汶川余震和首都圈
、
个不同震级 不同信噪比的样本进行训练和测试 研究表明
．
，
网络能够较好地识别
Ｕ
ｇ ｇ
、
地震台网记录的
８９３４４
Ｐ Ｓ
， 、
Ｐ Ｓ
ｇ ｇ
，
与人工标注到时的均方根误差分别为
８１％ ７９．１％
震相类型和拾取到时
震相的正确识别率分别为
和
０．４１ｓ
、
网络在命中率 均方根误差等性能指标上均明显优于
／
ＳＴＡ ＬＴＡ
和
和峰度分析自动拾取方法 研究获得
．
０．５４ｓ．Ｕ
的最优模型可以为区域地震台网的自动处理提供辅助
．
； ； ；
网络 震相识别 区域地震台网 汶川余震
关键词
Ｕ
ꢀ
：
／
ｄｏｉ１０．６０３８ｃ ２０１９Ｍ０４９５
ｊｇ
，
２０１８０８１３ ２０１９０３０１
－
中图分类号
收稿日期
收修定稿
Ｐ６３１
ꢀ
－
－
－
Ｅａｒｔｈｕａｋｅ ｈａｓｅａｒｒｉｖａｌａｕｔｏ ｉｃｋｉｎ ｂａｓｅｄｏｎＵｓｈａｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ
ꢀ ꢀ ꢀ
ｐ
ꢀ
ｐ
ꢀ
ꢀ
－
ｐ
－
ꢀ
ꢀ
ｑ
ｇ
ꢀ
，
２３
１
１
１
＊
，
，
，
ＣＨＥＮＳｈｉ ＦＡＮＧＬｉＨｕａ ＤａｖｉｄＡ Ｙｕｅｎ
ꢀ ꢀ ꢀ ꢀ
ＺＨＡＯ Ｍｉｎ
ꢀ
ｇ
ꢀ
，
，
，
１Ｉｎｓｔｉｔｕｔｅｏ Ｇｅｏ ｈｓｉｃｓ ＣｈｉｎａＥａｒｔｈｕａｋｅＡｄｍｉｎｉｓｔｒａｔｉｏｎ Ｂｅｉｉｎ １０００８１ Ｃｈｉｎａ
ꢀｆ
ｐ ｙ ｊ ｇ
ꢀ
ꢀ
ｑ
ꢀ
ꢀ
，
，
，
ｌｉｅｄＰｈｓｉｃｓａｎｄＡ ｌｉｅｄ Ｍａｔｈｅｍａｔｉｃｓ ＣｏｌｕｍｂｉａＵｎｉｖｅｒｓｉｔ ＮｅｗＹｏｒｋ１００２７ ＵＳＡ
ꢀ ｙ ꢀｐｐ
２Ｄｅａｒｔｍｅｎｔｏ
Ａ
ꢀ ｐ ꢀｆ ｐｐ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
，
，
，
３Ｄｅａｒｔｍｅｎｔｏ Ｂｉ Ｄａｔａ ＣｈｉｎａＵｎｉｖｅｒｓｉｔ ｏ Ｇｅｏｓｃｉｅｎｃｅ Ｗｕｈａｎ４３００７４ Ｃｈｉｎａ
ꢀ ｐ ꢀｆ
ｙ ｆ
ꢀ ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
Ａｂｓｔｒａｃｔ Ａｃｃｕｒａｔｅｓｅｉｓｍｉｃ ｈａｓｅａｒｒｉｖａｌｔｉｍｅ ｉｃｋｉｎ ｉｓｔｈｅｂａｓｉｓｆｏｒｅａｒｔｈｕａｋｅｌｏｃａｔｉｏｎａｎｄ
ｇ ꢀ
ꢀｐ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｑ
ꢀ
ꢀ
ｓｅｉｓｍｉｃｔｒａｖｅｌｔｉｍｅｔｏｍｏｒａｈ ．Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｅｏｆｓｅｉｓｍｉｃｓｔａｔｉｏｎｓａｎｄｔｈｅｉｍ ｒｏｖｅｍｅｎｔｏｆ
ｇ ｐ ｙ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ
ꢀ
ꢀ
ꢀ
ꢀ
，
，
ｍｏｎｉｔｏｒｉｎ ｃａａｂｉｌｉｔｉｅｓ ｉｔｉｓａｎｕｒｅｎｔｎｅｅｄｔｏｄｅｖｅｌｏ ｆａｓｔ ａｃｃｕｒａｔｅａｎｄａｄａｔａｂｌｅａｌｏｒｉｔｈｍｓ．
ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ｇ
ｇ
ꢀ
ｐ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ｐ
，
（
＿ ）
Ｂａｓｅｄｏｎ ｒｅｖｉｏｕｓｗｏｒｋ ｔｈｉｓ ａｅｒｄｅｖｅｌｏｅｄａＵｓｈａｅｄｎｅｕｒａｌｎｅｔｗｏｒｋ Ｕｎｅｔｃｅａ ｆｏｒＰ ａｎｄ
ｐ ꢀꢀ ｐ ꢀ
ꢀ ꢀｐ ꢀｐｐ ꢀ ꢀｇ
ꢀ
－
ꢀ
ꢀ
，
ｈａｓｅｄｅｔｅｃｔｉｏｎａｎｄａｒｒｉｖａｌｔｉｍｅ ｉｃｋｉｎ ａｎｄｔｒａｉｎｅｄｍｏｄｅｌｏｎ８９３４４ｗａｖｅｆｏｒｍｓａｍ ｌｅｓｗｉｔｈ
ｐ
ꢀ
Ｓ
ｇｐ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀｐ ꢀ ꢀ ꢀ ꢀ
ｇ
ꢀ
ｄｉｆｆｅｒｅｎｔｍａｎｉｔｕｄｅｓａｎｄｓｉｎａｌｔｏｎｏｉｓｅｒａｔｉｏｌｅｖｅｌｓｆｒｏｍ ＷｅｎｃｈｕａｎａｆｔｅｒｓｈｏｃｋｓａｎｄｔｈｅＢｅｉｉｎ
ꢀ ｇ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｊ ｇ
ꢀ
－
－
ꢀ
ꢀ
ｃａｉｔａｌｃｉｒｃｌｅｓｅｉｓｍｉｃｎｅｔｗｏｒｋ．ＴｈｅｒｅｓｅａｒｃｈｓｈｏｗｓｔｈａｔｔｈｅＵｎｅｔｃａｎｒｅｃｏｎｉｚｅＰ ａｎｄＳ ｈａｓｅｓ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｇ ꢀｇｐ
ｐ
ꢀ
ꢀ
ꢀ
－
ｇ
ꢀ
ꢀ
，
，
ｗｉｔｈｈｉｈｃｏｒｒｅｃｔｒａｔｅ ８１％ ａｎｄ７９．１％ ｒｅｓｅｃｔｉｖｅｌ ．Ｃｏｍ ａｒｅｄｗｉｔｈ ｍａｎｕａｌ ｉｃｋｓ ｔｈｅｍｅａｎ
ꢀ ｇꢀ ꢀｐ
ꢀ
ꢀ
ｐ
ｙ
ｐ
ꢀ
ꢀ
ꢀ
，
ｓｕａｒｅｒｏｏｔｅｒｒｏｒｓｏｆＰ ａｎｄＳ ａｒｅ０．４１ｓａｎｄ０．５４ｓ ｒｅｓｅｃｔｉｖｅｌ ．ＴｈｅＵｎｅｔｉｓｓｕｅｒｉｏｒｔｏｔｈｅ
ꢀ ꢀｇ ꢀｇ ꢀ ꢀ ｐ ꢀ ꢀ
ｑ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ｙ
ꢀ －
ꢀ
（
），
国家自然科学基金
（ ， ），
中国地震局地球物理研究所基本科研业务专项
４１７７４０６７ ４１８０４０４７
基金项目 国家重点研发计划
ꢀ
２０１８ Ｙ ＦＣ１５０３４００
（
）
及中国地震局监测预报司自动编目专项资助
ＤＱＪＢ１８０１
．
，
男
，
， ，
年生 助研 主要从事地震数据自动处理方法研究
１９８４ ．Ｅ ｍａｉｌ ｍｚｈａｏ ｃｅａｉ ．ａｃ．ｃｎ
ｇｐ
：
第一作者简介 赵明
ꢀ
－
＠
－
，
男
，
， ， ，
年生 博士 研究员 主要从事地震学和地球内部结构研究
１９８１ ．Ｅ ｍａｉｌ ｆｌｈ ｃｅａｉ ．ａｃ．ｃｎ
ｇｐ
：
通讯作者 房立华
ꢀ
＊
－
＠
－
３０３５
：
赵明等 基于 形卷积神经网络的震相识别与到时拾取方法研究
Ｕ
期
８
ꢀ
／
ＳＴＡ ＬＴＡａｎｄｋｕｒｔｏｓｉｓａｎａｌｓｉｓｍｅｔｈｏｄｓｉｎ ｅｒｆｏｒｍａｎｃｅａｎｄｈａｓｈｉｈｅｒｈｉｔｒａｔｅａｎｄｌｏｗｅｒｒｏｏｔ
ꢀ ꢀｐ ꢀ ｇ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｍｅａｎｓｕａｒｅｅｒｒｏｒ．Ｔｈｅｏｔｉｍａｌｍｏｄｅｌｏｂｔａｉｎｅｄｆｒｏｍｔｈｅｓｔｕｄ ｃａｎａｓｓｉｓｔａｕｔｏｍａｔｉｃｃａｔａｌｏｉｎ
ꢀｑ ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ ｇ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｗｏｒｋｏｆｔｈｅｒｅｉｏｎａｌｓｅｉｓｍｉｃｎｅｔｗｏｒｋｓ．
ꢀ ꢀ ꢀ ｇ ꢀ ꢀ
； ； ；
Ｋｅｗｏｒｄｓ Ｕｎｅｔ Ｐｈａｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｒｅｉｏｎａｌｓｅｉｓｍｉｃｎｅｔｗｏｒｋｓ Ｗｅｎｃｈｕａｎａｆｔｅｒｓｈｏｃｋｓ
ꢀ
ꢀ
－
ꢀ
ｇ
ꢀ
ꢀ
ｙ
， ）、
卷 积 神 经 网 络
２０１９
（
ＣＮＮ
）
蒋一 然 和 宁 杰 远
（
，
Ｐｅｒｏｌｅｔａｌ．２０１８
ꢀ ꢀ
） ，
等方法 参见
（ ）
的
２０１８
等
Ｋｏｎ
引言
ｇ
０
ꢀ
，
ＣＮＮ
，
方法近两年来得到了较多应用 其
综述 其中
．
，
基于地震台网的观测数据 编制地震观测报告
强大之处在于多层结构的设计能自动学习不同层次
（ “
简称 地震编目
”），
是中国地震局地震监测工作的
： ，
的特征 较浅的卷积层能学习到一些局部特征 而较
、
核心任务之一 这些数据是地震速报 地震预警等防
．
，
深的卷积层能够学习到更加抽象的特征 从而有助
于同时提升模型分类能力和泛化能力 在地震
．ＣＮＮ
， 、
震减灾工作的重要环节 也是地震层析成像 震源机
、 ，
与噪声分类 震相分类等问题上得到了较好应用 即
制反演和地球内部结构等研究的重要基础 地震编
．
、 、
目的主要内容包括震相识别 到时拾取 振幅和周期
，
使对一些低信噪比的数据 甚至肉眼难以识别的微
、 ，
测量 初动极性标注和地震定位等工作 其中最重要
， （
震信号 也能有效甄别 如
，
；
赵明
Ｒｏｓｓｅｔａｌ．２０１８
ꢀ ꢀ
，
的环节是震相识别和到时拾取 在区域台网中 最常
．
，
）
，
然而 在震相到时拾取方面 机器学习和
２０１９ ．
，
等
、
Ｓ ．Ｐ Ｓ
ｇ ｇ ｇ
见的震相是
和
分别指来自上地壳内
深度学习方法的拾取精度有待进一步提高
．
Ｐ
ｇ
、
Ｐ Ｓ
，
波 或射线底部到达上地壳的
、
Ｐ Ｓ
，
（
等提出全卷积网络
Ｌｏｎ ＦＣＮ
ｇ
），
震源的上行
年
使得
２０１４
，
（
，
）
，
无 需 全 连 接 层 即 可 进 行 密 集 的 像 素 预 测
波 其震中距一般不超过
中国地震局
１０°
传统的震相识别和到时拾取主要有人工处理和
自动处理两种 人工识别主要依靠地震台网分析人
２０１７ ．
ＣＮＮ
（
， ）
Ｌｏｎ ｅｔａｌ． ２０１５ ．
ｇ
ꢀ
ꢀ
从 而 得 到 进 一 步 普 及
ＣＮＮ
等在
基础上提出
网络并应用
Ｕ
．
Ｒｏｎｎｅｂｅｒｅｒ
ｇ
ＦＣＮ
，
员通过浏览连续波形 识别地震 这种方法效率低
．
、
，
在医学图像分割上 取得了媲美专业医生的精准度
、 ， ，
主观性强 一致性差 尤其是遇到余震序列时 经常
（
，
Ｒｏｎｎｅｂｅｒｅｒｅｔａｌ． ２０１５ ．Ｕ
ｇ ꢀ ꢀ
）
网络的主要特点是
、
会漏掉地震 自动处理算法是根据波形在振幅 频率
．
，
不仅实现了输出层与输入层在分辨率上的一致性
，
等方面的不同特征建立特征方程 进行检测 常用方
．
还通过对称式的结构设计融合了 网络中的低
ＦＣＮ
维和高维特征 图像分割是对图像的每个像素进行
．
：
法有 利用短时平均和长时平均比值的
／
ＳＴＡ ＬＴＡ
（
， ； ， ；
Ａｌｌｅｎ １９７８ ＢａｅｒａｎｄＫｒａｄｏｌｆｅｒ １９８７ Ｗｉｔｈｅｒｓ
ꢀ
，
分类 根据像素点对应的类别概率进行定位和边缘
方法
ꢀ
，
ｅｔａｌ．１９９８
ꢀ
），
利用赤池信息准则寻找全局最小值作
，
，
、
波形
检测 与此十分类似 震相分类则是确定
Ｐ Ｓ
、
对应的起震点 我
（ ， ；
Ａｋａｉｋｅ １９７４ Ｓｌｅｅｍａｎａｎｄ
ꢀ
，
的位置 到时拾取则是寻找
为震相到时的
方法
ＡＩＣ
Ｐ Ｓ
．
，
；
，
；
刘劲松等
ＶａｎＥｃｋ １９９９ Ａｋａｚａｗａ ２００４
，
），
、
波
Ｐ Ｓ
们可以利用标注好到时及误差范围的地震
２０１３
ꢀ
（
以及利用偏度
Ｓｋｅｗｎｅｓｓ
）
（ ）
等反映数据
Ｋｕｒｔｏｓｉｓ
，
形数据作为样本训练 网络模型 使其输出波形每
Ｕ
和峰度
／
分布形态的高阶统计量的偏度 峰度方法
（
、
Ｐ Ｓ
，
起震点概率 概率最大的采
个采样点所对应的
Ｓａｒａｉｏｔｉｓ
ｇ
，
；
，
，
ｅｔａｌ． ２００２ Ｋüｅｒｋｏｃｈｅｔａｌ． ２０１０ ２０１２
ꢀ ꢀ
），
、
Ｐ Ｓ
，
到时 基于以上基本原理 本研究利
．
等
样点即为
ꢀ
ｐ
（
等 这些方法前人做过较多综述 刘翰林和吴庆举
．
，
、
Ｐ Ｓ
ｇ ｇ
用汶川地震余 震和 首都圈地 震台 网记 录的
；
李力等
２０１７
，
）
、
由于地震波形受仪器类型 环
２０１８ ．
，
到时数据建立数据集 应用 网络进行
Ｕ
、
震相
Ｐ Ｓ
ｇ ｇ
，
境噪声以及震源复杂性的影响 这些自动处理方法局
，
分类与到时拾取 并与
／
方法比
ＳＴＡ ＬＴＡ Ｋｕｒｔｏｓｉｓ
、
， ： ，
限性也很明显 主要表现在如下方面 稳定性较差 不
、 、 ，
较了震相识别正确率 拾取误差 漏检率 以及在不
；
同的参数和阈值选择对结果影响很大 灵敏度较低
，
同信噪比水平下的表现进行了对比分析
．
，
对信噪比较低的微震信号 检测效果往往难以达到预
；
期 经常混淆
、
ＰＳ
；
震相 震相到时拾取精度较低
Ｓ ．
方法与数据
１
ꢀ
，
近年来 由于机器学习和深度学习技术的快速
，
发展 国内外地震学家越来越多利用机器学习和深
形神经网络
１．１ Ｕ
ꢀ
，
度学习对地震和噪声进行分类 如随机森林
（
Ｍａ ｉ
ｇｇ
（
）
和
本研 究 在
等
Ｐｅｒｏｌ
２０１８
ＺｈｕａｎｄＢｅｒｏｚａ
ꢀ ꢀ
， ）、
支持向量机
ｅｔａｌ．２０１７
ꢀ
（
，
Ｋｏｒｔｓｔｒｍｅｔａｌ．２０１６
ꢀ ꢀ
；
（
）
的研究基础上 编写了基于 网络的震相识别
２０１９
，
Ｕ
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏20.00元 1天前
-
21ic小能手 打赏15.00元 1天前
-
21ic小能手 打赏10.00元 1天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic下载 打赏310.00元 3天前
用户：小猫做电路
-
21ic下载 打赏310.00元 3天前
用户：gsy幸运
-
21ic下载 打赏310.00元 3天前
用户：liqiang9090
-
21ic下载 打赏310.00元 3天前
用户：zhengdai
-
21ic下载 打赏160.00元 3天前
用户：w1966891335
-
21ic下载 打赏160.00元 3天前
用户：w178191520
-
21ic下载 打赏160.00元 3天前
用户：kk1957135547
-
21ic下载 打赏40.00元 3天前
用户：WK520077778
-
21ic下载 打赏40.00元 3天前
用户：sun2152
-
21ic下载 打赏30.00元 3天前
用户：xuzhen1
-
21ic下载 打赏50.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏30.00元 3天前
用户：xzxbybd
-
21ic下载 打赏40.00元 3天前
用户：z00
-
21ic下载 打赏40.00元 3天前
用户：forgot
-
21ic下载 打赏40.00元 3天前
用户：happypcb
-
21ic下载 打赏20.00元 3天前
用户：zhaoqshan
-
21ic下载 打赏5.00元 3天前
用户：17724187683
-
21ic下载 打赏5.00元 3天前
用户：zmm1818
-
21ic小能手 打赏15.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
chenruiji 打赏1.00元 3天前
资料：血糖仪原理图
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
资料：测试智能语音控制模块
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
全部评论(0)