基于雙目立視技術(shù)的開關(guān)電弧圖像處理

王靜紅 劉教民

(1.河北師范大學(xué)信息技術(shù)學(xué)院 石家莊 050016 2.河北工業(yè)大學(xué)智能電器研究所 天津 300130)

1 引言

電弧是電器產(chǎn)品使用中不可回避的一種現(xiàn)象，電弧的產(chǎn)生對電器觸頭的侵蝕嚴(yán)重，甚至?xí)龤в|頭或使觸頭熔焊，造成可靠性降低或接觸失效，縮短電器的使用壽命。對電弧燃燒過程和燃燒機(jī)理的的認(rèn)識，可以進(jìn)一步提高電器產(chǎn)品的設(shè)計水平，改進(jìn)觸頭材料的性能和滅弧裝置的結(jié)構(gòu)，提高產(chǎn)品的滅弧性能，縮短燃弧時間，提高產(chǎn)品的使用壽命和可靠性[1-4]。

本文提出通過高幀頻面陣雙CCD 照相機(jī)拍攝了低壓電器開關(guān)電弧從燃弧到滅弧整個的動態(tài)過程圖像，研究電弧的運(yùn)動圖像就可以分析電弧的運(yùn)動軌跡，可以從不同角度觀察電弧整體運(yùn)動情況[5-6]。

本文主要研究的是，在電弧圖像的高速動態(tài)采集過程中，由于采集速度高、CCD 曝光時間非常短、開關(guān)電器分?jǐn)嚯娐愤^程中存在較強(qiáng)的電磁輻射，電弧圖像信號采集與傳輸過程受多種因素影響，電弧圖像中不可避免地受到來自各個方面的噪聲影響。需要進(jìn)行圖像處理技術(shù)，把電弧圖像所具有的有用信息提取出來，比如：從電弧圖像中提取弧柱特征信息，供研究人員觀察、分析。因此，本文圖像處理主要采用了支持向量機(jī)高斯核的電弧圖像邊緣檢測技術(shù)，并實(shí)際應(yīng)用于低壓電器開關(guān)電弧圖像采集處理與可視化仿真系統(tǒng)中。

2 開關(guān)電弧圖像采集系統(tǒng)

為了提高整個測試系統(tǒng)的時間和圖像空間分辨率，在保證傳輸速率的前提下盡可能提高圖像的空間分辨率和灰度等級。該電弧圖像采集系統(tǒng)采用 64×64 像素的256 級灰度等級的CCD 器件，它的時間分辨率可達(dá)1 萬幀/s。

系統(tǒng)采用兩個波長不同的濾光片、雙面陣CCD組成，兩個CCD 器件平行放置，低壓電器滅弧室選擇封閉型，當(dāng)電氣回路被斷路器分?jǐn)鄷r，斷路器動觸頭和靜觸頭之間產(chǎn)生電弧，由實(shí)驗裝置對分?jǐn)嚯娀〉倪\(yùn)動進(jìn)行觀察。將斷路器滅弧室側(cè)面相應(yīng)于觸頭的位置打開1.5cm×2.0cm 的觀察窗。同時，為了便于在較小的低壓電器觸頭附近進(jìn)行拍攝，雙CCD前端分別采用直管纖維鏡，其直徑僅有φ 2mm（或φ 4mm），視角范圍60°。直管纖維鏡通過卡口與析光鏡相連。采用析光鏡的目的是使觀察者通過目鏡可以看到被測物體，在正式拍攝電弧前，通過目鏡觀察，調(diào)整CCD 成像焦距以得到清晰的電弧圖像。同時析光鏡不影響電弧產(chǎn)生的光通過透鏡傳給CCD 芯片，使其在CCD 上產(chǎn)生圖像。

CCD 芯片上接收電弧光信號后，將二維光學(xué)圖像信號轉(zhuǎn)變?yōu)橐痪S視頻信號，再經(jīng)高速A/D 轉(zhuǎn)換器變?yōu)閿?shù)字量信號以 RS?422 通信方式輸出。由于CCD 圖像數(shù)據(jù)輸出速率比較高。在最高速率拍攝電弧圖像時計算機(jī)總線直接傳輸數(shù)據(jù)速率跟不上CCD 發(fā)出的數(shù)據(jù)速率。為了充分發(fā)揮CCD 器件性能，設(shè)計了圖像數(shù)據(jù)高速傳輸緩存接口單元。由于每一幅面陣CCD 的電弧圖像經(jīng)A/D 轉(zhuǎn)換后所包含的數(shù)據(jù)非常大，如果每采集一幀電弧圖像便將其傳輸?shù)接嬎銠C(jī)，那么，由于數(shù)據(jù)傳輸延遲的存在，使得圖像數(shù)據(jù)在傳輸中出現(xiàn)堵塞現(xiàn)象，數(shù)據(jù)出現(xiàn)丟失，從而使得采集到的數(shù)據(jù)不完整，所以，系統(tǒng)必須將連續(xù)采集到的電弧圖像首先轉(zhuǎn)換成數(shù)字信號，然后暫存在數(shù)據(jù)存儲器件中，當(dāng)電弧熄滅，數(shù)據(jù)采集完畢后再統(tǒng)一將圖像數(shù)據(jù)傳輸?shù)接嬎銠C(jī)中進(jìn)行處理。

在整個測試電弧的過程中，保證計算機(jī)控制CCD 同步拍攝，即燃弧開始時，CCD 必須同步拍攝，否則電弧圖像信息有可能丟失，所以設(shè)計了同步觸發(fā)電路。對于不同的低壓電器觸頭電弧的拍攝可歸為兩類觸發(fā)電路，一類為被動式觸發(fā)，如小型斷路器等手動切換電器類，在手動電器觸頭分離產(chǎn)生電弧的同時，觸發(fā)計算機(jī)控制CCD 開始拍攝。另一類為主動式觸發(fā)單元，如交流接觸器、繼電器等具有電磁線圈或能進(jìn)行電動操作的電器，它是由計算機(jī)主動發(fā)出觸發(fā)信號控制電器線圈切換觸頭分離產(chǎn)生電弧，同時控制CCD 開始拍攝。這兩種拍攝的圖像幀數(shù)，可以事先通過計算機(jī)軟件進(jìn)行設(shè)置。本文研制的開關(guān)電弧動態(tài)圖像雙目立視采集系統(tǒng)結(jié)構(gòu)如圖1 所示。

圖1 開關(guān)電弧圖像雙目立視采集系統(tǒng) Fig.1 The system of switching arc on binocular stereo vision

系統(tǒng)性能指標(biāo)：

直流電源：±15V；（±5±0.5）V；空間分辨率：64×64 點(diǎn)陣；整機(jī)電流：I≤1.5A；時間分辨率：3000～10000 幀/s；整機(jī)功耗：P≤250W；灰度：δ =256 灰階；DSP 存儲器容量：1～64MB。

總之本采集系統(tǒng)具有圖像分辨率高、速度快、DSP 數(shù)據(jù)存儲容量大、DSP 高速緩沖接口單元適應(yīng)性強(qiáng)和整體性能好等特點(diǎn)。

3 電弧圖像邊緣檢測

由于在圖像的傳感過程中不可避免地會受到各種因素的干擾，而且電弧的輻射光強(qiáng)度也不穩(wěn)定，部分電弧輻射較弱，對應(yīng)到捕捉的電弧圖像上表現(xiàn)為信號不強(qiáng)，給準(zhǔn)確的檢測電弧邊緣帶來了很大的困難。所以根據(jù)電弧圖像的這些特點(diǎn)，提出了一種新的邊緣檢測算法，是基于支持向量機(jī)的一種新的邊緣檢測技術(shù)，對電弧圖像進(jìn)行圖像處理[7-8]，使之更清晰，并全面地保留電弧特征。

3.1 支持向量機(jī)（SVM）的基本理論

支持向量機(jī)（Support Vcctor Machine，SVM）是20 世紀(jì)90 年代Vapnik 基于統(tǒng)計學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險最小化原理而提出的一種新的學(xué)習(xí)算法。

SVM 的學(xué)習(xí)過程在本質(zhì)上就是一個函數(shù)逼近問題，其核函數(shù) k(x,y)的選取對應(yīng)于函數(shù)逼近中基函數(shù)的選取。常用的核函數(shù)有多項式核函數(shù)、徑向基核函數(shù)（Radial Basis Function，RBF）和Sigmoid核函數(shù)（多層感知器：又稱Sigmoid 核）等[9-10]。

其中，徑向基函數(shù)為

在實(shí)際應(yīng)用當(dāng)中，需要根據(jù)情況的不同選擇不同的核函數(shù)。由于RBF 核函數(shù)具有較好的分類效果，所用時間相對也較短，通常情況下會被首先采用。

3.2 圖像邊緣檢測模型

通過對對象進(jìn)行測量，可以得到對象的一種描述，即用測量空間中的一個點(diǎn)來代表這個對象。例如通過攝像機(jī)可以把一個物體轉(zhuǎn)換為一個二維灰度陣列。這就是所說的數(shù)字圖像。在大多數(shù)情況下，不能直接在這個測量空間中進(jìn)行分類器的設(shè)計。一方面是因為測量空間的維數(shù)很高（一個 256×256度陣列圖像相當(dāng)于256×256 維測量空間中的一個點(diǎn)），不適宜于分類器的設(shè)計。更重要的是這樣的描述并不能直接反映對象的本質(zhì)。因此，為進(jìn)行分類器設(shè)計，首先通過非線性變換將輸入空間變換到一個高維空間，然后在這個新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的。在本文中，根據(jù)采集的電弧圖像的特點(diǎn)，采用球體形式的支持向量機(jī)來進(jìn)行分類檢測[11]。

3.2.1 分類檢測模型

利用高斯核函數(shù)把樣本空間映射到核空間，在空間找到一個能夠包含所有訓(xùn)練數(shù)據(jù)的一個球體。當(dāng)判別時，如果測試樣本位于這個高維球體中，那么就認(rèn)為該點(diǎn)為邊緣點(diǎn)（正常），否則為非邊緣點(diǎn)（異常）。其基本思想是：首先通過核函數(shù)將輸入空間映射到一個高維空間，在這個高維空間構(gòu)造一個包含所有訓(xùn)練樣本點(diǎn)的球體；在球面上的樣本點(diǎn)即為SVDD 所求得的支持向量。

假設(shè)Z 為測試樣本，當(dāng)滿足如下公式時，即判斷Z 是邊緣點(diǎn)，否則為非邊緣點(diǎn)，相當(dāng)于Z 落在該球體內(nèi)部。

式中，R 是任意一個支持向量xk到球心α 的距離，且 當(dāng)輸入空間的樣本點(diǎn)不滿足球狀分布時，可以通過核技巧把輸入空間先映射到高維空間，然后在映射后的高維空間內(nèi)求解。也就是將上述公式中內(nèi)積形式都變換成核函數(shù)形式

這里選擇一個恰當(dāng)?shù)暮撕瘮?shù)是比較重要的，如果選取的核函數(shù)能夠?qū)⑤斎肟臻g正好映射成高維空間的一個球體分布，那么所求的分類器也比較吻合實(shí)際的分布情況。在系統(tǒng)中，采用高斯徑向基函數(shù)，即Gaussian RBF 核函數(shù)如式（1），徑向基函數(shù)機(jī)器采用下面的決策規(guī)則集合

利用Lagrange 函數(shù)求解最小化問題，其約束條件不變。當(dāng)引入核函數(shù)后，Lagrange 函數(shù)公式變?yōu)?/p>

約束條件不變，而決策函數(shù)變?yōu)?/p>

3.2.2 具體實(shí)現(xiàn)步驟

支持向量機(jī)優(yōu)化算法的核心思想是采用分而治之（Divide-and-Conquer）的策略，先將整個優(yōu)化問題分解為多個同樣性質(zhì)的子問題，通過循環(huán)解決子問題來求得初始問題的解。解決多類別分類的基本思想是，把多類問題劃分為多個二類分類問題，通過某種方式組合這些子分類器來實(shí)現(xiàn)多類問題的分類。本文在理論和方法的基礎(chǔ)上，構(gòu)建基于支持向量機(jī)的多類分類模型，并通過試驗，分析和研究這一方法在實(shí)際的應(yīng)用中需要重點(diǎn)加以解決的核函數(shù)以及參數(shù)選擇問題[12-13]。

SVM 算法分類的流程：

（1）輸入兩類訓(xùn)練樣本，根據(jù)這些樣本構(gòu)造出訓(xùn)練樣本矩陣和對應(yīng)的類別樣本矩陣。類別樣本矩陣中的值為樣本的分類類別，通常為1 和?1。

（3）根據(jù)公式計算b，這樣便可以得到最終的分類決策函數(shù)。

（4）輸入測試樣本，利用分類決策函數(shù)得出分類結(jié)果。如果f(x)大于零，表示該樣本屬于類別一，否則屬于類別二。

用框圖表示，SVM 分類如圖2 所示。

圖2 SVM 分類示意圖 Fig.2 SVM classification diagram

具體實(shí)現(xiàn)步驟如下：

圖像中的邊緣像素都是灰度變化較大的地方，邊界候選像素提取算法就是找到這些點(diǎn)。為此，引入一個3×3 的檢測窗口掃描圖像，考察其中心像素與其鄰域像素的灰度變化的最大值，通過設(shè)定適當(dāng)?shù)拈撝祵⒃紙D像變換為二值邊緣圖像（1，?1）。假定點(diǎn)（x，y）與其鄰域灰度變化的最大值為max，閾值為T，二值圖像相應(yīng)點(diǎn)處的值為g(x,y)，則

此方法求取邊界候選像素的優(yōu)點(diǎn)是對每一像素都考慮了其鄰域像素的灰度信息，更符合圖像的邊緣灰度變化的特點(diǎn)，因此對各類圖像都具有廣泛的適用性。經(jīng)過上述提取過程得到的邊界候選圖像包含且完全包含全部圖像的邊界信息，但同時也包含其他非邊界信息。因此，候選像素集合由邊界像素集合與非邊界像素集合組成。獲得邊界候選像素集合后，以邊界候選像素及其鄰域像素的二值輸入模式作為樣本集輸入對邊緣檢測SVM 進(jìn)行訓(xùn)練。同時，會把產(chǎn)生一些并不屬于邊緣點(diǎn)的噪聲去掉。

圖3 是邊緣檢測示意圖，也可做消除噪聲處理的結(jié)果。

圖3 邊緣檢測示意圖 Fig.3 Edge detection diagram

4 實(shí)驗結(jié)果比較和分析

本實(shí)驗采用試品為CJX1—12/22 交流接觸器，實(shí)驗電氣回路為AC 380V、感性負(fù)載，分?jǐn)嚯娏鳛?A，觸頭周圍的介質(zhì)為空氣，光路系統(tǒng)采用鹵鎢燈作為光源。試品、CCD 及其中間的區(qū)域使用遮光罩包圍，以免外部可見光對光路的影響。在第2 節(jié)介紹的硬件同步控制和圖像采集及數(shù)據(jù)暫存機(jī)制下，分?jǐn)嚯娀〔ㄩL在465nm，采樣間隔為0.37ms，拍攝電弧燃弧過程系列圖像。經(jīng)過對低壓交流接觸器進(jìn)行多次實(shí)驗，電弧從開始點(diǎn)燃、逐步增長、機(jī)械拉斷、到逐漸熄滅的完整過程可以準(zhǔn)確的記錄下來，圖4 第一列所示的圖像a、b、c 分別為在2.22ms、3.7ms、4.81ms 截取的部分分?jǐn)嚯娀〉脑紙D像。

雖然從電弧圖像中可以看出燃弧的形態(tài)，但經(jīng)過直管纖維鏡、析光鏡等透鏡的衰減以及CCD 的積分時間太短，所得的電弧圖像不夠清晰，因此需要采用數(shù)字圖像處理來改善開關(guān)電弧圖像。本文采用了支持向量機(jī)高斯核的電弧圖像邊緣檢測方法（SVM），采集的電弧圖像由于噪聲的影響，有時可能把噪聲當(dāng)邊緣點(diǎn)檢測出來了，而真正的邊緣又沒被檢測出來，引入徑向基（RBF）核函數(shù)和拉格郎日（Lagrange）函數(shù)分類，可在邊緣檢測時，降低對噪聲的敏感性，消除孤立的噪聲點(diǎn)，所以很好地解決電弧圖像噪聲干擾問題，較好地保持圖像細(xì)節(jié)。SVM 電弧圖像邊緣檢測方法是對電弧運(yùn)動圖像進(jìn)行邊緣提取，電弧運(yùn)動圖像經(jīng)過新構(gòu)造的邊緣檢測模型的處理，使圖像周圍的像素值接近于真實(shí)值，增強(qiáng)被模糊的細(xì)節(jié)，起到了保護(hù)圖像邊緣信息，而且使電弧圖像的邊緣和細(xì)節(jié)變得更加突出。

圖4 第二和第三列所示圖像為電弧圖像邊緣檢測結(jié)果，是采用三種傳統(tǒng)的邊緣檢測方法（Sobel算子法、Prewitt 算子法、拉普拉斯算子法即Laplacian 算子法）與SVM 邊緣檢測方法對開關(guān)電弧運(yùn)動圖像處理的結(jié)果。

圖4 電弧圖像邊緣檢測結(jié)果 Fig.4 The edge detection results of arc image

4.1 實(shí)驗結(jié)果分析

傳統(tǒng)的邊緣檢測方法大多是在離散條件下，基于梯度差分的邊緣檢測。常見的梯度提取法，如Sobel 算子、Prewitt 算子、Laplacian 算子。

（1）Sobel 算子為一階差分的算子，是一種將方向差分運(yùn)算與局部平均相結(jié)合的算子，是在以f (i,j )為中心的3×3 鄰域上計算x 和y 方向的偏導(dǎo)數(shù)，為了圖像處理計算方便，采用離散卷積模板來進(jìn)行邊緣檢測。

（2）傳統(tǒng)的Prewitt 算子是微分運(yùn)算為基礎(chǔ)的邊緣檢測方法，邊緣檢測過程中是先進(jìn)行領(lǐng)域平均，然后求差分。但在抗干擾和檢出復(fù)雜形狀的邊緣之間仍存在較尖銳的矛盾，這反映在平滑窗口大小的選擇上存在矛盾。

（3）Laplacian 算子是對二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子，是根據(jù)圖像在x、y 方向上的二階偏導(dǎo)數(shù)定義的。因為圖像邊緣處會有較大的灰度變化，所以圖像的一階偏導(dǎo)數(shù)在邊緣處有局部最大值或最小值，那么二階導(dǎo)數(shù)在邊緣處會通過零點(diǎn)（由正到負(fù)或由負(fù)到正）。用Laplacian 算子檢測邊緣就是估算Laplacian 算子的輸出，找出它的零點(diǎn)位置。

從圖中可以觀察到，由于Sobel 算子并不是各向同性，所以從圖4 看到的邊緣并不是完全連通的，有一定程度的斷開；發(fā)現(xiàn)一階微分處理通常會產(chǎn)生較寬的邊緣，如Prewitt 算子，一階微分處理一般對灰度階梯有較強(qiáng)的響應(yīng)，所以抗干擾性能差；二階微分對噪聲比較敏感，這是不希望的，Laplacian 算子是二階導(dǎo)數(shù)算子，則對噪聲更加敏感。顯然這些算法自身不具備保證邊緣定位精度下的強(qiáng)噪聲抑制能力，必須增加強(qiáng)噪聲平滑手段。

4.2 實(shí)驗結(jié)果比較和改進(jìn)

這些傳統(tǒng)邊緣檢測方法運(yùn)算簡單，但抗噪聲性差，微分處理對細(xì)節(jié)有較強(qiáng)的響應(yīng)，如細(xì)線和孤立點(diǎn)，有時會造成一些假輪廓或生成并不存在的邊緣點(diǎn)。

與傳統(tǒng)的邊緣檢測方法相比，支持向量機(jī)高斯核的電弧圖像邊緣檢測方法（SVM 邊緣檢測方法）計算復(fù)雜，處理的時間高于傳統(tǒng)的圖像邊緣檢測方法，這是今后需要改進(jìn)的部分；但是提取的電弧圖像深度信息準(zhǔn)確，在邊緣檢測時降低了對噪聲的敏感性，使電弧運(yùn)動圖像中弧柱的邊緣清晰可見。

實(shí)驗顯示，電弧運(yùn)動圖像邊緣提取采用圖像處理中非常有效的SVM 邊緣檢測方法，經(jīng)過大量的實(shí)驗對比對灰度漸變和噪聲較多的圖像處理得較理想。

5 結(jié)論

本文主要對邊緣檢測的方法進(jìn)行了分析比較，構(gòu)造基于支持向量機(jī)的圖像邊緣檢測模型來實(shí)現(xiàn)電弧圖像的邊緣檢測。這樣不僅消除了電弧圖像的噪聲，而且可以在保留電弧弧柱強(qiáng)特征的同時，突出顯示電弧圖像的邊緣特征，使電弧圖像的邊緣檢測后的特征更適合于圖像匹配，為電弧動態(tài)過程分析和電弧可視化模型提供比較準(zhǔn)確和可靠的分析基礎(chǔ)，取得較好的電弧圖像增強(qiáng)效果。對深入研究電弧的運(yùn)動機(jī)理提出了新的分析方法和手段。

[1] 吳翊,榮命哲,王小華,等.觸頭打開過程中低壓空氣電弧等離子體的動態(tài)分析[J].電工技術(shù)學(xué)報,2008,23(5):12-17.

Wu Yi,Rong Mingzhe,Wang Xiaohua,et al.Dynamic analysis of low-voltage air arc plasma during contact opening process[J].Transactions of China Electrotechnical Society,2008,23(5):12-17.

[2] Swierczynski B,Gonzalez J J,Teulet P,et al.Advances in low-voltage circuit breaker modeling[J].J.Phys.D:Appl.Phys.,2004,37(4):595-609.

[3] 季良,陳德桂,劉穎異,等.利用電弧動態(tài)數(shù)學(xué)模型的低壓斷路器開斷過程仿真分析[J].中國電機(jī)工程學(xué)報,2009,29(21):107-113.

Ji Liang,Chen Degui,Liu Yingyi,et al.Simulation of the interruption process of low voltage circuit breaker using dynamic mathematic arc model[J].Proceedings of the CSEE,2009,29(21):107-113.

[4] 李興文,陳德桂.低壓空氣開關(guān)電弧現(xiàn)代測試技術(shù)的研究綜述[J].低壓電器,2008,12(1):6-9.

Li Xingwen,Chen Degui.Review of the investing- ation on the modern measurement technologies of low voltage air switch arc[J].Low Voltage Apparatus,2008,12(1):6-9.

[5] 劉教民.低壓電器電弧動態(tài)圖像的采集與處理研 究[D].天津:河北工業(yè)大學(xué),1998.

[6] Liu Jiaomin,Wang Jinghong.New method for capturing arc of moving on switching apparatus[J].Journal of Zhejiang University,2007,8(3):469-474.

[7] 章毓晉.圖像處理和分析[M].北京:清華大學(xué)出版社,2006.

[8] 左飛.Visual C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2008.

[9] 張莉,周偉達(dá).核聚類算法[J].計算機(jī)學(xué)報,2002,25(6):587-590.

Zhang Li,Zhou Weida.Kernel clustering algorithm[J].Chinese Journal of Computers,2002,25(6):587-590.

[10] Liu Jiaomin,Wang Jinghong.Parameters optimize method based on genetic and simulated annealing algorithm[J].Pattern Recognition and Artificial Intelligence,2008,22(1):169-181.

[11] 普運(yùn)偉,金煒東.核模糊C 均值算法的聚類有效性的研究[J].計算機(jī)科學(xué),2007,34(2):207-210.

Pu Yunwei,Jin Weidong.On cluster validity for kernelized fuzzy C-mean algorithm[J].Computer Science,2007,34(2):207-210.

[12] 戰(zhàn)國科,夏哲雷.基于支持向量機(jī)的飛機(jī)圖像識別算法[J].現(xiàn)代電子技術(shù),2007,18(3):376-380.

Zhan Guoke,Xia Zhelei.Plane image fecognition based on support vector machine[J].Modern Electronics Technique,2007,18(3):376-380.

[13] 曹春紅,張斌.基于模糊支持向量機(jī)的醫(yī)學(xué)圖像分類技術(shù)[J].吉林大學(xué)學(xué)報,2007,37(3):630-634.

Cao Chunhong,Zhang Bin.Medical picture classifi- cation techniques with SVM[J].Journal of Jilin University,2007,37(3):630-634.