基于三維卷積神經(jīng)網(wǎng)絡(luò)的湖泊提取算法

徐姍姍　顏超　高琳明

摘要：針對現(xiàn)有分析湖泊幾何信息算法的二維圖像湖泊輪廓提取精度低的問題，提出了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的湖泊提取算法。首先，基于平整度信息從激光掃描點云中定位出候選湖泊并對輸入的候選區(qū)域點云進行體素化組織，作為神經(jīng)網(wǎng)絡(luò)的輸入;同時，通過深度學習技術(shù)，從候選區(qū)域中過濾非湖泊區(qū)域;然后，基于方向鏈碼算法從點云中提取湖泊的邊緣并分析其幾何形狀信息。實驗結(jié)果表明，所提算法在提取激光掃描點云中的湖泊精度可達到96.34%，與當前在二維圖像中的湖泊提取算法相比，可對目標湖泊形狀信息進行計算與分析，從而為湖泊監(jiān)測與管理提供方便。

關(guān)鍵詞：激光掃描數(shù)據(jù);三維卷積神經(jīng)網(wǎng)絡(luò);湖泊提取;鏈碼;邊界描述

中圖分類號： TP391.4;P343.3文獻標志碼：A

Lake extraction algorithm based on three-dimensional convolutional neural network

XU Shanshan1*， YAN Chao2， GAO Linming1

（1. College of Information Science and Technology， Nanjing Forestry University， Nanjing Jiangsu 210037， China;

2. College of Meteorology and Oceanography， National University of Defense Technology， Nanjing Jiangsu 211101， China）

Abstract： Aiming at the low accuracy of lake contour extraction from two-dimensional images of the existing algorithms for analyzing the geometric information of lakes， a lake extraction algorithm based on three-dimensional convolutional neural network was proposed. Firstly， based on the flatness information， the candidate lakes were located from the laser scanning point clouds， and the candidate points were organized as voxels to be an input of the neural network. Meanwhile， the non-lake areas were filtered from candidate areas by the deep learning technique. Then， based on the chain-code algorithm， contours of lakes were extracted from point clouds and their geometry information was analyzed. The experimental results show that， the accuracy of the proposed algorithm in extracting lakes from laser scanning point clouds is 96.34%， and compared with the existing extraction algorithm for two-dimensional images， the proposed algorithm can calculate and analyze the shape information of lakes， which provides convenience for lake monitoring and management.

Key words： laser scanning data; three-dimensional convolutional neural network; lake extraction; chain-code; contour description

0引言

湖泊資源與人類生產(chǎn)和生活息息相關(guān)，在維系流域的生態(tài)平衡和減輕災害等方面發(fā)揮著重大作用[1]。實時準確地檢測湖泊的水面面積變化規(guī)律和演化趨勢是了解湖泊變化規(guī)律的重要手段。當下提取湖泊的方法多種多樣：李景剛等[1]通過對波段進行分析，設(shè)置閾值來提取湖泊，該方法需要較多的人工設(shè)置參數(shù)過程。殷亞秋等[2]通過對高分辨率遙感影像進行分析，采用一種面向?qū)ο蟮姆椒▽λw進行分割提取;然后，考慮各種地物的光譜特征、空間形狀、紋理、上下文關(guān)系等，該方法基于參數(shù)因子對提取的水體進行分類。相較于傳統(tǒng)方法，該方法具有更高的精度，能有效地區(qū)分水體和陰影并抑制了椒鹽現(xiàn)象;然而，該方法需要較多的背景知識，并且參數(shù)對場景依賴較強。駱劍承等[3]通過對多源遙感數(shù)據(jù)進行分析，采用“全局局部”分布迭代的策略對高原湖泊進行分類，其優(yōu)點在于不需要進行任何樣本采集和參數(shù)輸入等人工干預操作，自動地提取出目標水域;然而，該方法對于局部細節(jié)特征較難把握，因此對細小的河流難以處理。此外，還有基于自適應閾值的湖泊分割算法研究，如：文獻[4-5]中，通過討論湖泊在二維圖像中的特征來確定最優(yōu)的湖泊分割閾值。雖然上述研究都能有效地提取出湖泊，然而并沒有給出方法對湖泊的幾何信息進行分析。

近年來，激光掃描數(shù)據(jù)已日趨成熟，它憑借掃描空間精度高、采集周期短，能有效提供物體的三維（three-Dimensional， 3D）信息，從而解決遙感圖像中的數(shù)據(jù)遮擋問題[6]。本文提出了一個新的三維卷積神經(jīng)網(wǎng)絡(luò)從激光掃描數(shù)據(jù)中提取目標物體，該網(wǎng)絡(luò)無需投影等操作，可以直接從點云中進行特征學習，對物體進行分類。本文提出了基于三維卷積神經(jīng)網(wǎng)絡(luò)的湖泊提取算法，主要工作如下：

1）針對激光掃描點云數(shù)據(jù)，提出了一個三維卷積神經(jīng)網(wǎng)絡(luò)，來對三維物體進行檢測識別;

2）設(shè)計一種鏈碼算法來計算湖泊的幾何信息，包括長度、寬度、長寬比和面積。

1相關(guān)研究

深度學習技術(shù)在物體檢測、分割與識別上有著廣泛的應用。在基于激光掃描數(shù)據(jù)的深度信息挖掘上，Zhou等[7]提出了一個VoxelNet來避免手工特征提取的過程;雖然VoxelNet能直接應用在激光掃描數(shù)據(jù)中來提取形狀特征，但算法檢測和定位的精度在復雜形狀物體中明顯下降，因此并不適用于復雜形狀的湖泊。Uy等[8]提出了一個PointNetVLAD來完成端到端的全局特征提取，實驗驗證表明所提出的損失函數(shù)不依賴于輸入數(shù)據(jù)的順序;但它存在遮擋區(qū)域精度過低的問題。

由于點云自身性質(zhì)，如不均勻性、無組織性和大規(guī)模性，需要將數(shù)據(jù)先轉(zhuǎn)換到3D網(wǎng)格中來組織點云。Qi等[9]設(shè)計的PointNet可以處理輸入點云的無序性;但PointNet無法捕獲物體局部結(jié)構(gòu)信息，從而導致在精細識別上效果較差，這一問題在Qi等[10]后續(xù)的研究中得到改善。Wang等[11]基于提出的相似矩陣來為每個點進行分類預測，分類結(jié)果只依賴于單個簡單的網(wǎng)絡(luò)結(jié)構(gòu);但處理復雜場景分割時，所需的相似矩陣存儲量過大。Shen等[12]通過將點集的內(nèi)核定義為一組可學習的3D點來響應鄰域數(shù)據(jù)，然后通過遞歸利用局部高維特征結(jié)構(gòu)來改進PointNet的網(wǎng)絡(luò)結(jié)構(gòu)，所提出的圖模型采樣成功捕獲了局部特征;但學習核的寬度需要由用戶事先設(shè)定，并且在每個局部區(qū)域存在冗余計算，執(zhí)行效率低下。Landrieu等[13]提出了一個用于分割大規(guī)模點云的深度學習框架，提供了對象部分之間的上下文關(guān)系，從而提高了準確性;但是該網(wǎng)絡(luò)并非端到端，因此，在分類識別過程中，需要添加手動特征提取過程。由于現(xiàn)有的點云分割方法不能模擬元素間的依賴性，Huang等[14]提出了一個RSNet來有效地模擬局部鏈接關(guān)系，在采樣層中，無序點的特征可以被投影到有序的特征向量序列上，從而可以進行端到端的學習算法，減少了學習時間和存儲容量;然而，該網(wǎng)絡(luò)并不是端到端網(wǎng)絡(luò)結(jié)構(gòu)，仍然需要在學習之前進行特征提取。Huang等[15]提出了一個卷積神經(jīng)網(wǎng)絡(luò)來識別城市交通場景中常見的剛性物體，但是在研究中未見其對水體的分類識別精度。

2基于3D卷積神經(jīng)網(wǎng)絡(luò)的湖泊檢測

2.1網(wǎng)絡(luò)輸入的預處理

預處理步驟包含三個過程：候選湖泊區(qū)域定位、點云的體素化組織以及樣本數(shù)據(jù)的擴充。

在候選湖泊區(qū)域提取中，本文認為點云中面積最大的平面即為候選湖泊區(qū)域。由先驗知識可得，水體受到重力影響，水面區(qū)域趨于水平。此時，湖泊檢測問題轉(zhuǎn)化為激光掃描點云中平面提取問題。點云中平面擬合的相關(guān)研究多種多樣[16]，由于水體區(qū)域的法向量已知為（0，0，1），本文采用隨機采樣一致性（RANdom SAmple Consensus， RANSAC）算法[17]對點云中平面進行擬合。RANSAC的目的是從一組包含“局外點”的觀測數(shù)據(jù)集中，估計出構(gòu)造的數(shù)學模型的參數(shù)。RANSAC的優(yōu)點是算法的魯棒性較強;其缺點是計算的迭代次數(shù)沒有明確上限，僅僅是有概率地計算出目標模型，而概率與算法所需的迭代次數(shù)成正比。本文模型所需的法向量已確定，大幅降低了算法所需的迭代次數(shù)。

提取完候選湖泊區(qū)域后，將這些區(qū)域按照距離劃分為塊狀1cm×1cm×1cm區(qū)域。注意，這里每個體素的值為1或者0，1表示該體素內(nèi)有點，0表示該體素為空。同時，這里深度網(wǎng)絡(luò)的輸入樣本要求具有相同尺寸，本文采用線性插值算法，將輸入?yún)^(qū)域歸一化為相同的尺寸。

2.2網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

構(gòu)造的深度學習網(wǎng)絡(luò)中包含輸入層、卷積層、抽樣層、全連接層和輸出層。網(wǎng)絡(luò)中采樣層和卷積層交替出現(xiàn)，最后通過全連接網(wǎng)絡(luò)輸出識別結(jié)果，設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在卷積層和抽樣層中有若干個特征圖（Feature Maps），每個特征圖都與其前一層特征圖相連接，每層的特征圖個數(shù)記作Ll，其中下標l為層標，而特征圖個數(shù)由用戶設(shè)置。卷積層中，前一層的特征圖與一個可學習的核進行卷積，卷積的結(jié)果經(jīng)過激活函數(shù)后，輸出這一層的神經(jīng)元并構(gòu)成該層特征圖。卷積層的計算公式定義如式（1）所示：

Xi， j， kl=Bl+∑fi=0∑fj=0∑fk=0wi， j， klXi， j， kl-1（1）

其中： l表示第幾層，wl為該層的卷積核，每個特征圖可以有不同的卷積核，尺寸為f×f×f，每一層有唯一的偏移Bl。卷積層主要的任務是使得特征具有位移不變性。若想得到l層上特征圖中某個神經(jīng)元Xi， j， kl，需要借助于卷積核對其前一層Xi， j， kl-1附近神經(jīng)元進行卷積操作。抽樣層較為簡單，其主要作用是降低網(wǎng)絡(luò)的空間分辨率，通常采樣方法有Max-Pooling、Min-Pooling以及Ave-Pooling，分別表示采樣結(jié)果取最大值、最小值和平均值。在全連接層，采用常規(guī)的Softmax函數(shù)[18]輸出網(wǎng)絡(luò)結(jié)果。值得注意的是，在每個卷積層后，都需要采用線性整流函數(shù)，又稱為修正線性單元（Rectified Linear Unit， ReLU）[19]來增強網(wǎng)絡(luò)抗噪能力，計算式如（2）所示：

F（X）ReLu=X+=max（0， X）（2）

假設(shè)輸入樣本尺寸是44×44×44，各層樣本處理后的大小如圖1上方所示，函數(shù)MaxPooling（f， f， f）和Conv（f， f， f）中參數(shù)分別表示采樣核和卷積核的尺寸。最后網(wǎng)絡(luò)的輸出結(jié)果為湖泊或者其他區(qū)域。綜上，三維卷積神經(jīng)網(wǎng)絡(luò)包含輸入層、采樣層、卷積層、全連接層和輸出層。輸入樣本從第一層（輸入層）輸入到網(wǎng)絡(luò)，間隔地通過采樣層和卷積層進行特征提取后，通過一個全連接層輸出結(jié)果到輸出層。本文采用3次卷積和采樣操作來完成網(wǎng)絡(luò)的構(gòu)建。雖然添加更多的采樣和卷積層可以對更復雜特征進行表達，然而會大幅增加算法復雜度和學習時間。

在湖泊檢測上，不同方法的結(jié)果對比如表3所示。由表3可知：基于遙感圖像的湖泊提取精度較低，如文獻[1]方法、文獻[2]方法和文獻[3]方法;同時，采用本文提出的3D卷積神經(jīng)網(wǎng)絡(luò)比當下三維卷積神經(jīng)網(wǎng)絡(luò)[10]精度有所提高。

表3中，文獻[1-3]方法是用來提取水體。文獻[1]中的數(shù)據(jù)是地表反射率，檢測對象是內(nèi)陸湖泊;文獻[2]中的數(shù)據(jù)是分辨率為2.5m的衛(wèi)星圖像，檢測對象是湖泊和河流;文獻[3]中數(shù)據(jù)是多源遙感數(shù)據(jù)（影像和波段），檢測對象是高原湖泊。文獻[10]方法與文獻[15]方法是使用深度學習技術(shù)，在三維點云中對物體進行識別。文獻[10]的研究中，數(shù)據(jù)主要是紅綠藍深度信息（Red-Green-Blue-Depth， RGB-D）點云，類別有7類，主要是室內(nèi)場景，包括：墻、地板、椅子、辦公桌、床、門和餐桌。文獻[15]的研究中，數(shù)據(jù)是機載雷達點云，場景是城市環(huán)境，類別共有7類，包括：平面、樹、建筑、車、桿、電線和其他。雖然每個實驗數(shù)據(jù)不同，但是通過本文的精度評估可以看出，本文提出的湖泊識別算法的精度能滿足三維物體識別要求。接著，基于提出的鏈碼方法，在檢測的湖泊區(qū)域獲得各個邊界提取結(jié)果，如圖7所示。其中：圖7（a）中湖泊Barker大小為2158m×1209m，共23萬點;圖7（b）中湖泊Eleanor大小為4807m×3199m，共205萬點;圖7（c）中湖泊Cherry大小為6465m×2745m，共222萬點;圖7（d）中湖泊Henry Hagg大小為12362m×11597m，共107萬點;圖7（e）中湖泊Bull Run大小為9436m×7570m，共129萬點;圖7（f）中湖泊Lost大小為5912m×4870m，共14萬點。由圖7可以看出，本文算法可以有效地提取出各個湖泊的邊界，并能準確地描繪出湖泊中復雜的凹凸區(qū)域，接下來將對提取精度進行分析。

根據(jù)鏈碼計算出的湖泊形狀信息如表4所示。表4中，基于鏈碼計算的方法與上述點云中提取形狀分析方法不同，鏈碼計算的長度是指水平方向上最長的兩點間距離，寬度是指豎直方向上最長的兩點間距離;而圖7描述的長度是指目標物體水平方向的跨度，寬度是指豎直方向的跨度，采用的方式是用一個外接矩形來粗略地描述物體大致情況。在計算面積時，本文采用鏈碼方式，從而精確地描述湖泊面積。

方法數(shù)據(jù)正確率/%文獻[1]方法地表反射率數(shù)據(jù)89.84文獻[2]方法高分遙感影像89.84文獻[3]方法多光譜遙感信息87.93文獻[10]方法CAD模型生成點云91.90文獻[15]方法機載和車載掃描數(shù)據(jù)93.00本文方法機載激光掃描數(shù)據(jù)96.34

以表1中湖泊的面積為參考，進行回歸分析，結(jié)果如圖8所示，表明本文算法能夠準確提取點云中湖泊并計算其面積。

5 結(jié)語

本文提出了一個三維卷積神經(jīng)網(wǎng)絡(luò)來識別湖泊區(qū)域，并設(shè)計一個鏈碼提取算法來分析機載激光掃描數(shù)據(jù)中的湖泊。實驗結(jié)果表明，三維點云中物體的形狀特征可以通過提出的卷積神經(jīng)網(wǎng)絡(luò)來學習，本文提出的3D卷積神經(jīng)網(wǎng)絡(luò)能有效地過濾非湖泊區(qū)域，精度達到96.34%。此外，通過八方向的鏈碼能精確地描述湖泊邊界。湖泊的長度、寬度和面積均可以通過鏈碼計算，最后基于線性擬合精確地計算出湖泊的面積。

下一步工作是對機載激光掃描點云中的其他水體進行提取分析，如溪流、運河、河口和海港等，通過提取其輪廓，對其變化進行檢測。

參考文獻 （References）

[1]李景剛，李紀人，黃詩峰，等.Terra/MODIS時間序列數(shù)據(jù)在湖泊水域面積動態(tài)監(jiān)測中的應用研究——以洞庭湖地區(qū)為例[J].自然資源學報，2009，24（5）：923-933.（LI J G， LI J R， HUANG S F， et al. Application of Terra/MODIS time series data in dynamic monitoring of lake water area variations — a case study in Dongting Lake region， China [J]. Journal of Natural Resources， 2009， 24（5）： 923-933.）

[2]殷亞秋，李家國，余濤，等.基于高分辨率遙感影像的面向?qū)ο笏w提取方法研究[J].測繪通報，2015（1）：81-85.（YIN Y Q， LI J G， YU T， et al. The study of object-oriented water body extraction method based on high resolution RS image [J]. Bulletin of Surveying and Mapping， 2015（1）： 81-85.）

[3]駱劍承，盛永偉，沈占鋒，等.分步迭代的多光譜遙感水體信息高精度自動提取[J].遙感學報，2009，13（4）：604-615.（LUO J C， SHENG Y W， SHEN Z F， et al. Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism [J]. Journal of Remote Sensing， 2009， 13（4）： 604-615.）

[4]王碧晴，王珂，廖偉逸.遙感圖像分割下的青藏高原湖泊提取[J].遙感信息，2018，33（1）：117-122.（WANG B Q， WANG K， LIAO W Y. Extraction of Qinghai-Tibet plateau lake based on remote sensing image segmentation [J]. Remote Sensing Information， 2018， 33（1）： 117-122）

[5]朱小強，丁建麗，夏楠，等.一種穩(wěn)定閾值的湖泊水體信息提取方法[J].資源科學，2019，41（4）：790-802.（ZHU X Q， DING J L， XIA N， et al. Temperature vegetation water index： a novel stabilized threshold method for lake surface water mapping [J]. Resources Science， 2019， 41（4）： 790-802.）

[6]夏少波，王成，習曉環(huán)，等.ICESat-2機載試驗點云濾波及植被高度反演[J].遙感學報，2014，18（6）：1199-1207.（XIA S B， WANG C， XI X H， et al. Point cloud filtering and tree height estimation using airborne experiment data of ICESat-2 [J]. Journal of Remote Sensing， 2014，18（6）： 1199-1207.）

[7]ZHOU Y， TUZEL O. Voxelnet： end-to-end learning for point cloud based 3D object detection [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway：? IEEE， 2018： 4490-4499.

[8]UY M A， LEE G H. PointNetVLAD： deep point cloud based retrieval for large-scale place recognition [C]// Proceedings of the 2018 IEEE /CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4470-4479.

[9]QI C R， SU H， MO K， et al. PointNet： deep learning on point sets for 3D classification and segmentation [C]// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 77-85.

[10]QI C R， YI L， SU H， et al. PointNet++： deep hierarchical feature learning on point sets in a metric space [C]// Proceedings of the 2017 International Conference on Neural Information Processing Systems. New York： Curran Associates Inc.， 2017： 5099-5108

[11]WANG W， YU R， HUANG Q， et al. SGPN： similarity group proposal network for 3D point cloud instance segmentation [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 2569-2578.

[12]SHEN Y， FENG C， YANG Y， et al. Mining point cloud local structures by kernel correlation and graph pooling [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4548-4557.

[13]LANDRIEU L， SIMONOVSKY M. Large-scale point cloud semantic segmentation with superpoint graphs [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4558-4567.

[14]HUANG Q， WANG W， NEUMANN U. Recurrent slice networks for 3D segmentation of point clouds [C]// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 2626-2635.

[15]HUANG J， YOU S. Point cloud labeling using 3D convolutional neural network [C]// Proceedings of the 3rd International Conference on Pattern Recognition. Piscataway： IEEE， 2016： 2670-2675.

[16]袁慶，樓立志，陳瑋嫻.基于加權(quán)總體最小二乘的平面點云擬合方法[J].測繪通報，2011（3）：1-3.（YUAN Q， LOU L Z， CHEN W X. Applying weighted total least-squares to the plane point cloud fitting of terrestrial laser scanning [J]. Bulletin of Surveying and Mapping， 2011（3）： 1-3.）

[17]SCHNABEL R， WAHL R， KLEIN R. Efficient RANSAC for point-cloud shape detection [J]. Computer Graphics Forum， 2007， 26（2）： 214-226.

[18]WHITESON S， STONE P. Evolutionary function approximation for reinforcement learning [J]. Journal of Machine Learning Research， 2006， 7： 877-917

[19]NAIR V， HINTON G E. Rectified linear units improve restricted Boltzmann machines [C]// Proceedings of the 27th International Conference on Machine Learning. Madison： Omnipress， 2010： 807-814.

[20]KASS M， WITKIN A， TERZOPOULOS D. Snakes： active contour models [J]. International Journal of Computer Vision， 1988， 1（4）： 321-331.

[21]OSHER S， FEDKIW R P. Level set methods： an overview and some recent results [J]. Journal of Computational Physics， 2001， 169（2）： 463-502.

[22]FREEMAN H. On the encoding of arbitrary geometric configurations [J]. IRE Transactions on Electronic Computers， 1961， EC-10（2）： 260-268.

[23]陸應騏，童韜.鏈碼和在邊界形狀分析中的應用[J].中國圖象圖形學報，2002，7（12）：1323-1328.（LU Y Q， TONG T. The application of chain code sum in the edge form analysis [J]. Journal of Image and Graphics， 2002， 7（12）： 1323-1328.）

[24]梁欣廉，張繼賢，李海濤，等.激光雷達數(shù)據(jù)特點[J].遙感信息，2005（3）：71-76.（LIANG X L， ZHANG J X， LI H T， et al. The characteristics of LIDAR data [J]. Remote Sensing Information， 2005（3）： 71-76.）

[25]VEDALDI A， KAREL L. MatConvNet： convolutional neural networks for Matlab [C]// Proceedings of the 23rd ACM International Conference on Multimedia. New York： ACM， 2015： 689-692.

This work is partially supported by the National Key R&D Program of China （2016YFD0600101）， the National Natural Science Foundation of China （31770591）.

XU Shanshan， born in 1988， Ph. D. candidate， experimentalist. Her research interests include mathematical statistics， neural network， point cloud processing.

YAN Chao， born in 1983， Ph. D. candidate， associate professor. His research interests include mathematical statistics.

GAO Linming， born in 1978， M. S.， lecturer. Her research interests include image and graphics.

收稿日期：2019-04-29;修回日期：2019-06-26;錄用日期：2019-07-24?；痦椖浚簢易匀豢茖W基金資助項目（61671339）。

作者簡介：劉亞龍（1994—），男，江蘇蘇州人，碩士研究生，CCF會員，主要研究方向：深度學習、醫(yī)學圖像分割; 李潔（1972—），女，陜西西安人，教授，博士，主要研究方向：圖像處理、智慧交通; 王穎（1981—），女，陜西西安人，副教授，博士，CCF會員，主要研究方向：影像處理與分析、模式識別; 仵賽飛（1995—），男，河南省周口人，碩士研究生，主要研究方向：機器學習、計算機視覺; 鄒佩（1993—），女，湖北孝感人，碩士研究生，主要研究方向：影像處理與分析。文章編號：1001-9081（2019）12-3456-06DOI：10.11772/j.issn.1001-9081.2019049101