角點(diǎn)密度特征下的粘連蘑菇定位算法①

楊永強(qiáng),葉 明,陸永華,任守綱

1(南京航空航天大學(xué) 機(jī)電學(xué)院,南京 210016)

2(南京農(nóng)業(yè)大學(xué) 信息技術(shù)學(xué)院,南京 210095)

20世紀(jì)60年代,美國(guó)率先開始了農(nóng)業(yè)作業(yè)機(jī)器人的研究.1977 年 Pamsh 和 GokSel[1]研究出了世界上第一個(gè)果實(shí)自動(dòng)識(shí)別系統(tǒng),使用黑白相機(jī)和紅色光學(xué)濾波器,從背景圖像中識(shí)別成熟的蘋果; 1987年美國(guó)的Whittaker等[2]提出了使用Hough變換來定位番茄果實(shí)的方法; 2009 年日本的 Ranjendra Peter和 Kondo Naoshi[3]研究出了一種用于草莓收獲的采摘機(jī)器人,使用了三攝像機(jī)系統(tǒng); 2010 年日本農(nóng)研機(jī)構(gòu)的 Cui Y[4]等研制出了一款針對(duì)于溫室高架草莓的采摘機(jī)器人,該機(jī)器人主要應(yīng)用于夜間采摘,采摘后果實(shí)的果柄交由人工處理.我國(guó)對(duì)智能農(nóng)業(yè)機(jī)械的研制起步較晚,中國(guó)農(nóng)業(yè)大學(xué)李偉團(tuán)隊(duì)[5]研制出了我國(guó)第一臺(tái)黃瓜采摘機(jī)器人,該機(jī)器人使用近紅外光譜識(shí)別黃瓜果實(shí),雙目視覺系統(tǒng)對(duì)目標(biāo)果實(shí)進(jìn)行空間坐標(biāo)的獲取; 2016年張麗[6]等設(shè)計(jì)了一種櫻桃采摘機(jī)器人,該機(jī)器人使用CCD攝像頭對(duì)櫻桃果實(shí)的圖像進(jìn)行采集,然后對(duì)采集的圖像進(jìn)行二值化、膨脹腐蝕等處理,從而將成熟的櫻桃與未成熟的櫻桃、枝葉等背景分離開.

對(duì)于蘑菇自動(dòng)采摘系統(tǒng)的研究,文獻(xiàn)[7]介紹了蘑菇采摘機(jī)器人的工作過程,討論了基于數(shù)字特征的蘑菇邊界搜索算法,但文獻(xiàn)未考慮蘑菇照片中光照不均、泥土、雜草和菌絲等復(fù)雜背景的處理; 文獻(xiàn)[8]以單個(gè)蘑菇為研究對(duì)象,對(duì)蘑菇邊界進(jìn)行離散傅立葉變化求蘑菇形心坐標(biāo).本文考慮實(shí)際苗床上蘑菇的采摘過程,研發(fā)了一套蘑菇自動(dòng)采摘系統(tǒng),包括硬件和軟件設(shè)計(jì),并提出了針對(duì)蘑菇圖片復(fù)雜背景處理的基于Harris角點(diǎn)的背景過濾算法以及用于粘連蘑菇分割的尺度差異下距離圖極值點(diǎn)定位算法.

1 蘑菇自動(dòng)采摘系統(tǒng)

1.1 硬件組成

蘑菇自動(dòng)采摘系統(tǒng)硬件組成如圖1所示,主要包括可移動(dòng)平臺(tái)、視覺系統(tǒng)、執(zhí)行機(jī)構(gòu)、能源系統(tǒng)以及計(jì)算機(jī).其中可移動(dòng)平臺(tái)為四輪軌道式小車,安放在在蘑菇苗床軌道上.能源系統(tǒng)為電壓 24 V、容量 100 000 mah的移動(dòng)電源,對(duì)執(zhí)行機(jī)構(gòu)、攝像機(jī)、光源以及移動(dòng)平臺(tái)供電,試驗(yàn)測(cè)得可持續(xù)工作24小時(shí); 執(zhí)行機(jī)構(gòu)由絲杠、導(dǎo)軌、機(jī)械手和步進(jìn)電機(jī)等組成,共有四個(gè)自由度,由X、Y、Z方向的移動(dòng)和繞Z軸的旋轉(zhuǎn)運(yùn)動(dòng)構(gòu)成,完成各區(qū)域蘑菇采摘操作,其中Z軸的旋轉(zhuǎn)運(yùn)動(dòng)完成蘑菇傘柄的扭轉(zhuǎn)折斷.

視覺系統(tǒng)由CCD攝像機(jī)、LED陣列光源及支架構(gòu)成,其結(jié)構(gòu)如圖2所示.攝像機(jī)固定于支架上,LED陣列光源位于攝像機(jī)一側(cè),高度略高于攝像機(jī)鏡頭,斜向下照射.攝像機(jī)使用的是由德國(guó) Allied Vision公司生產(chǎn)的 Manta G032B ASG W90.型數(shù)字?jǐn)z像機(jī).

圖2 視覺系統(tǒng)構(gòu)成

1.2 軟件設(shè)計(jì)

軟件系統(tǒng)由主控系統(tǒng)、圖像處理系統(tǒng)和PLC控制系統(tǒng)三大部分組成.主控系統(tǒng)控制PLC系統(tǒng)使攝像機(jī)運(yùn)動(dòng)至指定拍攝位置后向圖像處理系統(tǒng)發(fā)送拍照指令,圖像處理系統(tǒng)控制相機(jī)獲取圖片,經(jīng)圖像處理算法處理后向主控系統(tǒng)發(fā)送蘑菇個(gè)數(shù)、中心坐標(biāo)、機(jī)械手旋轉(zhuǎn)角度指令,由主控系統(tǒng)生成執(zhí)行機(jī)構(gòu)運(yùn)動(dòng)路徑,通過控制系統(tǒng)控制電機(jī)運(yùn)動(dòng)完成采摘操作.圖3為圖像處理系統(tǒng)算法流程圖.

2 基于 Harris角點(diǎn)的背景過濾算法

2.1 圖像特征分析

蘑菇房環(huán)境光照復(fù)雜,陰影,反射對(duì)視覺信息的提取會(huì)造成極大影響; 蘑菇苗床背景包括泥土,雜草以及菌絲等干擾因素,因此蘑菇圖片復(fù)雜背景的處理對(duì)蘑菇準(zhǔn)確定位存在必要性.圖4(a)、(b)是蘑菇房拍攝的一組蘑菇圖片.

角點(diǎn)作為圖像中亮度變化劇烈的點(diǎn)或者圖像邊緣具有曲率極大值點(diǎn)具有以下兩個(gè)重要的性質(zhì)[9]: 1) 角點(diǎn)能夠在不損失圖像重要特征的基礎(chǔ)上,極大地減少參與計(jì)算的數(shù)據(jù)量; 2) 角點(diǎn)可以決定我們所觀測(cè)到的圖像的形狀、位置和角度等,可以傳遞大部分圖像信息.我們考慮第二種意義,將角點(diǎn)運(yùn)用到復(fù)雜背景的濾除中來.圖4(c)、(d)分別為圖4(a)、(b)圖像對(duì)應(yīng)的角點(diǎn)圖,其中黑點(diǎn)為檢測(cè)的角點(diǎn),圓圈為手工標(biāo)記的蘑菇區(qū)域,從圖中可以清楚的看出,蘑菇區(qū)域角點(diǎn)數(shù)量幾乎為零,而背景區(qū)域充滿角點(diǎn).本文依據(jù)前景與背景角點(diǎn)密度差異特征對(duì)蘑菇圖像背景進(jìn)行濾除.

圖3 圖像處理系統(tǒng)流程圖

圖4 蘑菇圖片與角點(diǎn)分布圖

2.2 背景過濾算法

角點(diǎn)檢測(cè)的方法主要分為兩種: 1) 基于圖像邊緣的方法,先提取圖像信息的邊緣,然后再求角點(diǎn),例如,基于小波變換模極大的角點(diǎn)檢測(cè); 2) 基于圖像灰度的方法,例如Moravec算法和Harris算法.考慮到拍攝到的圖像前景蘑菇的灰度變化較小,而背景灰度變化劇烈,故采用基于圖像灰度的角點(diǎn)檢測(cè)算法.由于Moravec算法計(jì)算代價(jià)大、運(yùn)行慢,而Harris算法具有簡(jiǎn)單、提取角點(diǎn)均勻合理、穩(wěn)定等特點(diǎn),考慮到蘑菇自動(dòng)采摘系統(tǒng)實(shí)時(shí)性要求,選用基于圖像灰度的Harris角點(diǎn)檢測(cè)算法[10].

為了改進(jìn)檢測(cè)結(jié)果,圖像處理時(shí)添加了非極大值抑制,目的是移除彼此相鄰的 Harris 角點(diǎn).因此,最終被接受的Harris角點(diǎn)不僅需要高于給定閾值,還必須是局部極大值.

基于Harris角點(diǎn)的背景濾除算法首先定義一個(gè)如圖5(a)所示的滑動(dòng)窗口,根據(jù)角點(diǎn)密度窗口大小winsize可設(shè)置為3、5、9等奇數(shù)值,考慮滑動(dòng)窗中心點(diǎn)p(i,j),滑動(dòng)窗在上述Harris角點(diǎn)以及非極大值抑制處理后得到的角點(diǎn)圖像中掃描,掃描方式為從左到右,從上到下,步長(zhǎng)為1個(gè)像素,統(tǒng)計(jì)滑動(dòng)窗區(qū)域內(nèi)的角點(diǎn)數(shù)量當(dāng)滑動(dòng)窗內(nèi)的角點(diǎn)數(shù)Nm大于所能容忍的最大角點(diǎn)數(shù)hMax時(shí),判定該點(diǎn)p(i,j)為背景區(qū)域.算法流程圖如圖6所示.

圖5 角點(diǎn)掃描示意圖

考慮到蘑菇自動(dòng)采摘系統(tǒng)實(shí)時(shí)性要求,背景濾除算法可考慮將每次搜索步長(zhǎng)1像素改為滑動(dòng)窗口大小winsize,將考察對(duì)象由窗口中心點(diǎn)擴(kuò)大至整個(gè)窗口區(qū)域,當(dāng)窗口內(nèi)角點(diǎn)數(shù)Nm大于hMax時(shí)將整個(gè)窗口區(qū)域判定為背景,從而避免了對(duì)圖像所有像素點(diǎn)的遍歷,提高了算法的效率.對(duì)于由此引起的濾除背景后二值圖蘑菇區(qū)域存在鋸齒形邊緣的問題,根據(jù)文獻(xiàn)[11]所提出的方法,可采用菱形結(jié)構(gòu)元素對(duì)圖像進(jìn)行閉運(yùn)算操作,圓滑蘑菇邊緣.

圖6 基于Harris角點(diǎn)的背景過濾算法流程圖

本文對(duì)采集到的蘑菇圖像采用直方圖均衡化來提高圖像對(duì)比度,對(duì)均衡化后的圖像分別運(yùn)用Harris角點(diǎn)檢測(cè)算法,非極大值抑制處理得到角點(diǎn)分布圖Hmap,以及固定閾值操作得到二值圖binary; 定義滑動(dòng)窗口大小winsize=9,設(shè)定角點(diǎn)閾值hMax=1,對(duì)角點(diǎn)分布圖進(jìn)行步長(zhǎng)為winsize的滑動(dòng)搜索,搜索到背景區(qū)域后對(duì)二值圖相應(yīng)區(qū)域進(jìn)行置0操作,再經(jīng)形態(tài)學(xué)閉運(yùn)算、孔洞填充處理,得到較好的濾除背景后的二值圖像.

3 尺度差異下距離圖極值點(diǎn)定位算法

對(duì)于圖像分割而言,不僅要求能夠?qū)⒛繕?biāo)與背景區(qū)分開,同時(shí)也要求將相互粘連的不同目標(biāo)分割開來[12].蘑菇自動(dòng)采摘系統(tǒng)的開發(fā)與應(yīng)用,對(duì)于蘑菇粘連問題的處理是算法設(shè)計(jì)所必須考慮的.對(duì)于粘連物體的分割,主要方法有凹點(diǎn)匹配法和分水嶺算法.

凹點(diǎn)匹配法首先找到圖像輪廓中的所有凹點(diǎn),然后按照一定的規(guī)則進(jìn)行匹配,最后構(gòu)造分離線實(shí)現(xiàn)分割,由于蘑菇圖像粘連嚴(yán)重,濾除復(fù)雜背景后的蘑菇二值圖邊緣存在較多凹點(diǎn),使用該方法會(huì)產(chǎn)生嚴(yán)重的誤分割.基于形態(tài)學(xué)的分水嶺算法將圖像三維形象化為一地形高度圖,灰度值高的區(qū)域?yàn)樯椒?灰度值低的區(qū)域?yàn)楣鹊?分水嶺分割主要應(yīng)用于從背景中提取近乎一致的物體,由于蘑菇表面灰度一致性較好,故可選用基于標(biāo)記的分水嶺算法進(jìn)行分割處理.

文獻(xiàn)[13]提出了基于距離變換和和控制標(biāo)記的分水嶺算法,通過對(duì)二值圖進(jìn)行距離變換、形態(tài)學(xué)重建操作得到“山峰”區(qū)域,從而求取出種子點(diǎn),該方法對(duì)于尺度差異較小的粘連物體分割效果較好.由于不同蘑菇尺度差異較大,將距離變換后的灰度圖像看成是一幅地形圖,如圖7分別為粘連蘑菇的二值圖、距離變換圖以及沿直線的灰度分布圖,從中可以看出面積較大蘑菇與面積較小蘑菇的“山峰”海拔高度差H較大,運(yùn)用文獻(xiàn)[13]中形態(tài)學(xué)重構(gòu)方式無法得到小尺寸蘑菇的種子區(qū)域,從而會(huì)造成誤分割.

圖7 距離變換

為解決尺度差異造成的距離圖區(qū)域極值點(diǎn)的定位問題,本文采取迭代法搜索用于分水嶺分割的種子點(diǎn).具體操作為: 首先選擇較低的初始閾值對(duì)距離圖進(jìn)行閾值分割,獲得低海拔“山峰”并保存在標(biāo)記圖中,再逐次提高閾值,搜索較高海拔的“山峰”,直到獲得的標(biāo)記圖中像元個(gè)數(shù)不在增加,則結(jié)束迭代,從而得到用于分水嶺分割算法的標(biāo)記圖.算法流程如圖8所示.

圖8 計(jì)算種子區(qū)域流程圖

設(shè)基于Harris角點(diǎn)的背景濾除算法處理后的蘑菇二值圖像為BW,距離變換為:

其中D為距離變換圖像,dist(*)表示距離變換處理.設(shè)置初始閾值thr=T0(第一次設(shè)置為85),獲得尺寸較小的蘑菇種子點(diǎn),保存種子點(diǎn)圖像為temp(1):

其中seekSeeds(*)表示按閾值thr搜索種子點(diǎn)并保存.提高閾值thr得到尺寸較大的蘑菇種子點(diǎn),保存種子點(diǎn)圖像temp(2),重復(fù)迭代操作,得到種子點(diǎn)圖像temp(i).每次迭代操作前計(jì)算temp(i)中像元個(gè)數(shù)element(i):

其中countElement(*)表示計(jì)算temp(i)中的像元個(gè)數(shù).當(dāng)判斷成立時(shí)結(jié)束迭代,令:

即求得標(biāo)記圖像marker.迭代搜索流程圖如圖9所示.

圖9 迭代搜索流程圖

運(yùn)用迭代搜索方式計(jì)算蘑菇圖像計(jì)算種子區(qū)域,結(jié)果如圖10所示.

圖10 標(biāo)記圖提取過程

4 試驗(yàn)結(jié)果分析

試驗(yàn)?zāi)M蘑菇房種植環(huán)境,拍攝圖片進(jìn)行圖像處理并完成采摘操作.試驗(yàn)所用計(jì)算機(jī)配置為Inter(R)Core(TM) i3-4010U CPU 1.70 GHz 處理器,8 G 內(nèi)存,Windows7系統(tǒng),算法平臺(tái)為OpenCV2.4.8和Visual Studio 2013.圖像采集采取分區(qū)拍攝方式完成圖像處理,該方案要求相鄰分區(qū)拍圖有足夠的重疊區(qū),重疊區(qū)大小至少要大于二分之一最大蘑菇直徑.試驗(yàn)使用文中所述的基于Harris角點(diǎn)的背景濾除算法以及基于標(biāo)記的分水嶺分割算法處理,最后橢圓擬合蘑菇邊界、計(jì)算中心位置坐標(biāo).

4.1 背景過濾試驗(yàn)

圖11為分別采用Otsu動(dòng)態(tài)閾值分割、方向?yàn)V波器、文獻(xiàn)[14]中所采用的S分量閾值分割以及本文算法得到的背景濾除效果對(duì)比,從視覺主觀上可以判定,本文算法對(duì)復(fù)雜蘑菇圖像的背景濾除效果優(yōu)于基于灰度的Otsu動(dòng)態(tài)閾值分割、基于邊緣特征的Sobel濾波器分割以及基于飽和度的S分量閾值分割,蘑菇區(qū)域得到了更好的凸顯.

圖11 不同算法背景濾除試驗(yàn)效果對(duì)比圖

為了客觀評(píng)價(jià)本文算法的分割性能,用Photoshop軟件對(duì)蘑菇區(qū)域進(jìn)行人工分割,處理結(jié)果作為標(biāo)準(zhǔn)圖像,計(jì)算分割結(jié)果與標(biāo)準(zhǔn)圖像誤差,如圖12 所示,其中圖12(a)是人工分割結(jié)果,圖12(b)是基于Harris角點(diǎn)的分割結(jié)果,圖12(c)為背景區(qū)域誤分為前景的誤差二值圖像,即圖12(b)與圖12(a)的不重疊區(qū)域.

圖12 本文算法與人工分割方法的分割誤差

引入文獻(xiàn)[15]中所使用的錯(cuò)分率作為衡量分割效果的客觀評(píng)價(jià)標(biāo)準(zhǔn),計(jì)算公式如下:

式中,Ne表示分割誤差區(qū)域內(nèi)的總像素?cái)?shù),即誤差二值圖像白色區(qū)域像素總數(shù),Ns為圖像像素總數(shù).表1為用以上3種不同算法所得到的錯(cuò)分率對(duì)比,從表中可以看出,本文算法分割誤差遠(yuǎn)小于其他兩種算法,從而證明了本文算法對(duì)蘑菇圖像復(fù)雜背景的濾除效果較優(yōu).

表1 不同算法分割結(jié)果誤差對(duì)比

4.2 距離圖極值點(diǎn)定位試驗(yàn)

使用尺度差異下距離圖極值點(diǎn)定位算法獲得的標(biāo)記圖marker,采用基于標(biāo)記的分水嶺算法,得到粘連蘑菇分割結(jié)果如圖13所示.從紅色矩形內(nèi)分割結(jié)果可以看出,粘連蘑菇被分割開,紅色矩形框2中兩蘑菇尺度差異較大也可準(zhǔn)確分割,從而證明了尺度差異下距離圖極值點(diǎn)定位算法的有效性.

4.3 蘑菇定位采摘試驗(yàn)

角點(diǎn)特征下粘連蘑菇定位算法處理結(jié)果如圖14所示,蘑菇邊界由紅色橢圓標(biāo)記,中心點(diǎn)用藍(lán)色點(diǎn)標(biāo)記.從定位結(jié)果上可以看出,蘑菇邊緣擬合較好,中心定位準(zhǔn)確.

圖13 分水嶺分割結(jié)果

圖14 蘑菇定位試驗(yàn)結(jié)果

表2為角點(diǎn)密度特征下粘連蘑菇定位試驗(yàn)結(jié)果統(tǒng)計(jì),從表中數(shù)據(jù)中可以得出,點(diǎn)密度特征下粘連蘑菇定位算法處理誤檢率為6.55%,漏檢率為7.14%,每幅圖片處理平均耗時(shí)為711.5 ms,能夠滿足實(shí)時(shí)性要求.

表2 蘑菇定位試驗(yàn)結(jié)果

通過對(duì)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)界面和檢測(cè)結(jié)果圖像進(jìn)行對(duì)比,統(tǒng)計(jì)出表3所示的檢測(cè)失誤原因.從中可以得出,蘑菇傾倒對(duì)定位算法的準(zhǔn)確性影響最大.

表3 采摘失誤原因統(tǒng)計(jì)

5 結(jié)語

(1) 對(duì)蘑菇自動(dòng)采摘系統(tǒng)軟、硬件進(jìn)行了設(shè)計(jì),該系統(tǒng)可直接安裝于棚架式蘑菇苗床上,從而實(shí)現(xiàn)蘑菇自動(dòng)采摘操作.通過采摘試驗(yàn)驗(yàn)證了硬件系統(tǒng)設(shè)計(jì)的合理性以及圖像處理算法的穩(wěn)定性和實(shí)時(shí)性.

(2) 針對(duì)蘑菇照片復(fù)雜背景,本文提出了基于Harris角點(diǎn)的背景濾除算法,利用前景和背景角點(diǎn)密度的差異特征,實(shí)現(xiàn)了對(duì)復(fù)雜背景的有效處理; 對(duì)于粘連蘑菇的分割問題,采用迭代搜索方法解決了尺度差異下距離圖區(qū)域極值點(diǎn)定位問題,從而獲得用于分水嶺分割的標(biāo)記圖,該方法特別適用于尺度差別較大的粘連物體的分割,具有較好的魯棒性.

參考文獻(xiàn)

1王濱.獼猴桃采摘機(jī)器人目標(biāo)果實(shí)空間坐標(biāo)獲取方法的研究[碩士學(xué)位論文].楊凌: 西北農(nóng)林科技大學(xué),2016.

2Whittaker D,Miles GE,Mitchell OR,et al.Fruit location in a partially occluded image.Transactions of the ASAE,1987,30(3): 591–596.[doi: 10.13031/2013.30444]

3Rajendra P,Kondo N,Ninomiya K,et al.Machine vision algorithm for robots to harvest strawberries in tabletop culture greenhouses.Engineering in Agriculture,Environment and Food,2009,2(1): 24–30.[doi: 10.1016/S1881-8366(09)80023-2]

4Cui YJ,Nagata M,Guo F,et al.Study of strawberry fragaria ananassa harvesting robot using machine vision for strawberry grown on annual hill top (part 2): Ripeness judgment and recognition of peduncle using picking camera,and fabrication of the picking hand.Journal of the Japanese Society of Agricultural Machinery,2007,69(2): 60–68.

5紀(jì)超,馮青春,袁挺,等.溫室黃瓜采摘機(jī)器人系統(tǒng)研制及性能分析.機(jī)器人,2011,33(6): 726–730.

6張麗,郭素娜,汪小志.櫻桃采摘機(jī)器人設(shè)計(jì)—基于PLC高速并聯(lián)自動(dòng)化控制.農(nóng)機(jī)化研究,2016,(8): 199–203.

7周云山,李強(qiáng),李紅英,等.計(jì)算機(jī)視覺在蘑菇采摘機(jī)器人上的應(yīng)用.農(nóng)業(yè)工程學(xué)報(bào),1995,11(4): 27–32.

8俞高紅,趙勻,李革,等.基于機(jī)器視覺的蘑菇單體檢測(cè)定位算法及其邊界描述.農(nóng)業(yè)工程學(xué)報(bào),2005,21(6): 101–104.

9韓曉蘭.角點(diǎn)檢測(cè)研究及在醫(yī)學(xué)圖像處理中的應(yīng)用[碩士學(xué)位論文].北京: 北方工業(yè)大學(xué),2011.

10Harris C,Stephens M.A combined corner and edge detector.Proceedings of the Alvey Vision Conference.Plessey Research Roke Manor.United Kingdom.1988.147–151.

11徐蔚欽.基于分水嶺分割的粘連顆粒圖像分析技術(shù)研究[碩士學(xué)位論文].長(zhǎng)沙: 中南大學(xué),2011.

12倪志強(qiáng).基于數(shù)字圖像處理的異形纖維檢測(cè)系統(tǒng)的研究與開發(fā)[碩士學(xué)位論文].南京: 南京航空航天大學(xué),2014.

13倪志強(qiáng),葉明.基于分水嶺變換的粘連顆粒圖像分割方法.計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(6): 93–97.

14馮青春,袁挺,紀(jì)超,等.黃瓜采摘機(jī)器人遠(yuǎn)近景組合閉環(huán)定位方法.農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(2): 154–157.

15伍艷蓮,趙力,姜海燕,等.基于改進(jìn)均值漂移算法的綠色作物圖像分割方法.農(nóng)業(yè)工程學(xué)報(bào),2014,30(24): 161–167.[doi: 10.3969/j.issn.1002-6819.2014.24.019]