基于綜合衛星遙感的典型鐵路設施提取方法研究

袁慕策 姚京川 簡國輝 郭繼亮 解志峰

（1 中國鐵道科學研究院集團有限公司鐵道建筑研究所，北京 100081）

（2 中國鐵道科學研究院集團有限公司高速鐵路軌道系統全國重點實驗室，北京 100081）

（3 鐵科檢測有限公司，北京 100081）

0 引言

中國鐵路運行里程逐年增長，截至2023 年11 月30 日，鐵路運營總里程達到15.55×104km，其中高鐵運營里程達到4.37×104km。由于運行時速高，高速鐵路對基礎設施性能及狀態要求極高，大范圍的鐵路基礎設施形位變化是表征鐵路基礎設施運營狀態的重要參數。鐵路設施種類多且呈長大線狀分布，其形變監測要求持續周期長、精度高。目前鐵路設施形變監測主要利用全站儀、物位計、移動檢測車等進行監測，觀測方法多為局部觀測且連續性差，作業需要申請天窗點，傳統的地面測量方法難以滿足線路級別的鐵路設施形變監測要求。

近年，中國衛星遙感技術取得了重大進展，衛星星座不斷完善，遙感影像質量、空間分辨率也不斷提升，重訪周期縮短。遙感觀測具有大范圍、周期性、可溯源等優勢，被廣泛應用于鐵路工程地質監測[1]、生態環境監測[2]、外部環境監測[3]、地質災害監測[4]、鐵路區域[5]及設施形變監測等定量化觀測領域[6]。尤其在橋梁形變觀測領域，高分辨率InSAR 結果應用于橋梁形變評估的關鍵在于如何確定微波散射點與實際鐵路設施的對應關系[7-8]。

應用InSAR 技術對鐵路設施形變監測結果只包含鐵路設施形變信息，不包含鐵路設施類別、位置等信息，無法進一步對鐵路設施形變進行定量化評估，利用目標檢測技術對鐵路設施進行提取，能夠為鐵路設施的形變定量化評估提供類別與位置等參考信息。光學遙感影像空間分辨率高，光譜信息更加豐富[9]，鐵路基礎設施大部分為標準化結構件，在光學影像中具有特定的紋理特征與光譜特征。光學遙感的劣勢在于為被動式遙感，成像質量受天氣、地表覆蓋等影響。SAR 遙感為主動式遙感，不受云雨天氣的限制并且穿透性強[10]。綜合鐵路設施在光學遙感影像中特定的幾何結構與背景等特征，以及在SAR 影像強度圖中的特異性散射和散射差異進行提取。本文綜合鐵路設施在光學影像與SAR 影像中的特征，對接觸網立柱進行提取，提高鐵路設施提取的準確率，為InSAR 技術設施形變監測的定量化評估提供參考。

1 基于單一遙感影像源的典型鐵路設施提取技術

1.1 基于光學影像的典型鐵路設施提取技術

基于光學影像的鐵路設施自動提取技術主要是對光學遙感影像中的鐵路設施進行自動化檢測，給出鐵路設施的類別、位置等信息。本文以接觸網立柱為例進行自動提取，由于接觸網立柱尺寸較小，背景復雜，對其輪廓的精確提取造成干擾，因此對接觸網立柱的自動提取研究工作主要是將其以最小范圍圈定，用矩形包圍框或中心點表示，這即是計算機視覺領域中的目標檢測問題?；谏疃葘W習的目標檢測算法不依賴于人工設計特征提取因子，因此本文選取基于深度學習的目標檢測算法對光學影像中的接觸網立柱進行提取。

基于深度學習的目標檢測算法分為單階段目標檢測和雙階段階段目標檢測。單階段目標檢測算法的特點是僅需將遙感影像送入網絡一次就可以預測出目標的類別與位置，速度相對較快，但精度稍遜，代表算法有YOLO 系列[11]與SSD[12]等；雙階段目標檢測要先生成預選框，然后進行細粒度的物體檢測，速度較慢但精度較高，代表算法有RCNN 系列算法[13-15]等?？紤]到要檢測的目標是接觸網立柱，屬于小尺度目標，因此采用包含多尺度特征融合與池化精度更高的Mask R-CNN 作為目標檢測算法。

Mask R-CNN 是通過Faster R-CNN 網絡結構改進而來，區域生成網絡（Region Proposal Network，RPN）與Faster R-CNN 相同，其在Faster R-CNN 的基礎上，增加了第三個分支，輸出每個ROI 的Mask掩膜，用于對目標的分割。Mask R-CNN 的損失函數L為

式中Lcls為分類損失函數；Lbox為目標檢測損失函數；Lmask為分割損失函數。

Mask R-CNN 將Faster R-CNN 的ROI pooling改為ROI Align，使得目標的范圍與輪廓更精確。Mask R-CNN 的整體架構如圖1 所示。

1.2 基于SAR 影像的典型鐵路設施提取技術

基于SAR 影像的鐵路設施提取技術主要是根據不同地物微波散射特性的不同來完成特定鐵路設施目標的提取工作。SAR 可以穿透云層、雨雪以及夜晚等復雜環境，并且對于不同地物具有不同的散射特性，在目標檢測和識別方面具有獨特的優勢。通過對SAR 影像中鐵路設施進行檢測與識別，最終達到對特定鐵路目標的定位和識別。基于SAR 影像的目標檢測與識別流程主要包括：1）數據準備。獲取SAR 圖像數據，并進行預處理操作，如去噪、輻射校正、幾何校正等，以提高圖像質量和一致性。2）目標識別。首先是進行特征提取，對于檢測到的目標，進一步提取詳細的特征描述信息，如形狀、尺寸、紋理、角點、極化信息等，這些特征信息有助于進一步區分和識別不同類型的目標；然后應用適當的目標分類算法對目標進行識別，如支持向量機（Support Vector Machine, SVM）、卷積神經網絡（Convolutional Neural Networks, CNN）等。利用這些算法通過學習和訓練可以識別不同的目標類別。3）結果評估。采用準確率、召回率等指標或現場驗證的方式對檢測和識別結果進行評估，以驗證算法的性能和效果。

2 基于多源遙感影像鐵路設施提取技術

2.1 光學影像與SAR 影像融合技術

光學遙感影像空間分辨率高，影像中鐵路設施具有豐富紋理以及光譜等信息，但是光學遙感為被動式遙感，成像質量受天氣、地表覆蓋等影響，從而造成部分目標檢測精度低或無法檢測；SAR 影像為主動式遙感，具有一定的穿透能力，且對鐵路設施具有特異性散射的特征，若融合光學影像與SAR 影像，則能夠保留鐵路設施在兩類影像中的特征，提高鐵路設施提取的準確率。

鐵路場景下的影像融合是對觀測區域內的多幅遙感影像進行融合，形成滿足鐵路觀測任務需求的單幅遙感影像。遙感影像融合可分為像元級融合、特征級融合及決策級融合。像元級融合是從像元層級對光學影像與SAR 影像融合，可以保持鐵路設施的散射特征，同時保留更高的空間分辨率及高精度的位置信息。特征級融合是對預處理和特征提取后的邊緣、形狀、紋理等進行融合處理，相較于像元級融合，對原始圖像的利用率較低。決策級融合是對提取到的目標進行融合處理，需要設定準則與決策對有價值的復合數據（圖像特征數據和輔助信息）的可信度進行綜合評估，需要強大的外部知識庫來進行決策評估。因此采用保留更多細節信息的像元級的融合方法對光學影像與SAR 影像進行融合。像元級的光學與SAR 影像融合方法包括：基于成分替換的圖像融合、基于多尺度變換的圖像融合以及基于PCNN 模型的圖像融合[16]。

基于多尺度變換的圖像融合是對圖像進行多級、多尺度分解，中間數據較多，計算過程和處理難度要明顯高于基于成分替換的圖像融合方法，但是能夠提供空間域與頻率域定位，同時融合影像會保留源圖像的近似信息和細節信息，如目標地物與周邊地物的紋理特征與梯度信息等。

多尺度變換主要有金字塔分解、小波分解等，離散小波變換是小波變換的一種，具有良好的時頻特性，被廣泛應用于圖像融合。

2.1.1 二維圖像DWT 變換

離散小波變換（Discraete Wavelet Transform，DWT）是一種典型的基于多尺度變換的圖像融合方法。DWT 變換將二維圖像進行多層級分解（見圖2），每一層級的分解，都可以獲得一個低頻子圖像（LL）與3 個方向（水平HL、垂直LH、對角線HH）的高頻子圖像，經過N次分解后，源圖像被分解為1 個低頻子圖像和3N個高頻子圖像。

圖2 二維圖像小波分解Fig.2 The discrete wavelet decomposition of 2D image

二維圖像的DWT 分解與重構方法根據一維小波分解與重構方法轉化而來。分別設置一維縱向低通濾波器Hc與高通濾波器Gc，橫向低通濾波器Hr與高通濾波器Gr，則按照Mallat 算法，在二維圖像分解尺度為j時，低頻圖像和高頻圖像的分解公式如下：

式中Cj為第j-1 級分解后圖像的低頻圖像；Dj1，Dj2，Dj3分別為第j-1 級分解后的垂直方向、水平方向和對角線方向上的高頻圖像。根據Mallat 算法，二維圖像DWT 重構方式可表示為

式中Hr?和G?r分別為Hr和Gr的共軛轉置矩陣；Hc?和G?c分別為Hc和Gc的共軛轉置矩陣。

2.1.2 基于DWT 變換的影像融合

選擇“北京三號”A 衛星影像與TerraSAR-X 影像作為源圖像進行融合處理。主要過程包括：1）數據預處理。對待融合的光學影像與SAR 影像進行預處理，使得兩幅影像具有相同的投影系統、地理范圍等。2）DWT 分解。對預處理得到的光學遙感影像與SAR 影像分別進行3 級分解，得到光學遙感影像與SAR 影像的低頻部分與高頻部分。3）低頻和高頻部分融合。選擇特定的融合方法與策略，分別對SAR影像與光學影像的低頻部分與高頻部分融合。4）DWT 重構。將光學影像低頻部分與SAR 影像的低頻部分采用局部能量最大規則進行融合，得到融合圖像的低頻部分，將光學影像高頻部分與SAR 影像高頻部分采用局部方差最大規則進行融合，再將低頻部分與高頻部分通過式（3）進行DWT 重構，獲得最終的融合影像。

上述過程中，低頻部分和高頻部分的融合分兩個步驟進行：

1）影像低頻部分能量計算。SAR 影像和光學影像的p行q列處低頻部分的局部能量ESAR(p,q)、E光(p,q)的計算公式分別為：

式中 ω (m,n) 為權重系數矩陣在滑動窗口區域 (m,n) 處的權重值；C0,SAR(p+m,q+n) 和C0,光(p+m,q+n)分別為SAR 和光學影像DWT 分解后的低頻圖像在 (p+m,q+n)處的像元值。根據局部能量最大原則，則融合后的低頻子影像在 (p,q) 處的像元值C0,F(p,q)為：

式中C0,SAR(p,q)和C0,光分別為SAR 和光學影像DWT 分解后的低頻圖像在 (p,q)處的像元值。

2）高頻部分包含光學影像與SAR 影像原始圖像的形狀、邊緣、角點等信息，采用局部方差最大規則進行融合。SAR 影像和光學影像原始圖像的方差計算公式分別為：

式中Djk,SAR(p+m,q+n) 和Djk,光(p+m,q+n)分別為SAR 影像和光學影像第j層DWT 高頻分解的圖像，其中k=1, 2, 3 分別對應高頻圖像水平、垂直、對角線三個方向； σjk,SAR(p,q) 和 σjk,光(p,q)分別為Djk,SAR(p,q) 和Djk,光(p,q) 在以 (p,q)為中心的窗口區域內的局部方差；jk,SAR(p,q) 和jk,光(p,q)分別為Djk,SAR(p,q)和Djk,光(p,q) 在以 (p,q)為中心的窗口區域內的像元值均值。

融合后第j級分解的高頻圖像在 (p,q) 處的像元值Djk,F(p,q)為：

2.2 多源遙感影像典型鐵路設施提取技術

融合影像的鐵路設施提取算法及流程與1.2 節中提到的SAR 影像鐵路設施提取過程類似，首先計算鐵路設施在融合影像中的特征，再利用分類器對特征進行分類，從而完成鐵路設施的提取。

本文采用DWT 對光學影像與SAR 影像進行融合，DWT 將光學影像與SAR 影像進行低頻與高頻分解，保留圖像中的低頻與高頻信息。高頻信息代表圖像變化劇烈的部分，如物體的邊緣、角點等。由于接觸網立柱尺寸較小，通常在SAR 影像表現為一個或幾個像元，因此采用角點檢測與SVM[17]方法對接觸網立柱進行提取。

角點檢測算法主要包括基于灰度圖像的角點檢測、基于二值圖像的角點檢測和基于輪廓曲線的角點檢測這3 類方法。利用接觸網立柱與周圍地物的梯度差異進行角點檢測一般采用Harris 角點檢測算法，該算法是典型的基于灰度圖像梯度的角點檢測算法，對二維平移、少量的光照及視角的變化具有魯棒性。

2.2.1 Harris 算子

Harris 算子[18]是Harris 和Stephenes 提出的特征點提取算子，應用微分方程和像元的自相關函數來檢測圖像中存在的角點。圖像中，若某點的像元值與周圍像元值差異較大時，被判定為角點。在檢測過程中，向x方向與y方向移動檢測窗口，在這兩個方向分別產生u和v的像元值變化量，對應產生的灰度值變化的自相關函數E(u,v)可描述為：

式中 φ (x,y) 為權重系數矩陣在滑動窗口區域 (x,y) 處的權重值；I(x+u,y+v)與I(x,y) 分別代表檢測窗口移動前后的像元值。

用泰勒公式展開并簡化后，形成自相關矩陣，其特征值為自相關函數的一階曲率，用于計算角點響應值，自相關矩陣M為

式中Ix、Iy分別為圖像在水平、垂直方向的偏導函數。

則角點響應函數R的數學定義為

式中k是設置的經驗參數； λ1與 λ2為自相關矩陣的特征值，特征值反映了像元之間的變化程度。通過設置角點響應閾值T，若R≥T，則判定該像元點為角點。

2.2.2 SVM

SVM 是一種用于二分類學習的監督分類算法，通過尋找兩類目標間隔最大的分割超平面完成目標的二分類。該分類方法在一組類別已知的數據集中，通過特征向量與標簽值訓練分類器，獲得目標分類的參數與邊界，從而更好地對測試數據進行分類。

線性二分類是對特征向量χ的線性組合。存在一組線性變化參數(w,b)（其中w為線性映射向量，b為平移參數），使得其線性變化值與標簽值符號一致，若χ的線性組合值大于0，其值取1，若小于0，其值取-1，用數學形式可表示為

式中t為向量χ的線性組合值的符號值。

當目標向量線性可分時，需要訓練獲得一組參數(w,b)，使得數據線性變化之后的值與標簽值乘積k(χ)>0，即：

當目標向量線性不可分時，無法找到超平面將數據集分開，需要利用核函數對目標向量進行高維空間變化，使得目標向量在高維空間線性可分。

3 試驗與分析

3.1 試驗區域

選取某鐵路作為試驗區域，該鐵路位于華北平原，于2020 年12 月27 日全線運營，全長106 km，設6 座車站，運營速度按250 km/h 與350 km/h 分段設計。試驗區域內有接觸網立柱約950 根，常用接觸網立柱尺寸如表1 所示。根據《鐵路電力牽引供電設計規范》（TB10009—2016）要求，接觸網線距軌面的最高高度不應大于6 500 mm[19]，接觸網立柱的整體高度通常在7.5 m 以上，在分辨率為3.5 m×3.5 m的SAR 影像中，表現為一個或幾個像元；在分辨率為0.5 m×0.5 m 的光學影像中，其包圍框大于3 像元×3 像元。

表1 常用接觸網立柱尺寸Tab.1 Common dimensions of overhead contact line pillars

3.2 試驗數據

選取2022 年4 月“北京三號”A 衛星光學影像、TerraSAR-X 影像強度圖像以及兩者的融合影像作為試驗數據，對鐵路接觸網立柱進行提取。

“北京三號”A 衛星和TerraSAR-X 光學影像的參數如表2 所示，影像如圖3 所示。

表2 “北京三號”A 衛星和TerraSAR-X 衛星參數Tab.2 Beijing 3A satellite and TerraSAR-X satellite parameters

圖3 試驗區域的光學遙感影像和SAR 影像Fig.3 Optical remote sensing image and SAR image of the experimental area

3.3 目標提取試驗

在試驗區域內開展基于光學影像、SAR 影像以及融合影像的接觸網立柱提取試驗，獲得接觸網立柱的類別與位置信息，該區域內有接觸網立柱約950 根，考慮工程實際需求，通過現場驗證的方式，對提取結果進行分析，為鐵路設施InSAR 形變定量化評估提供參考。

（1）光學遙感影像接觸網立柱提取

1）數據準備。首先進行緩沖區分析，建立鐵路線路2 000 m 緩沖區，利用緩沖區對光學遙感影像進行裁剪；然后進行數據集制備，將“北京三號”A 衛星R，G，B 三個波段的遙感影像裁剪為256×256 大小，橫向重疊度與縱向重疊度為25%，對影像中的接觸網立柱進行標注，并按照7∶2∶1 劃分訓練集、驗證集與測試集。數據集影像與標簽如圖4 所示。

圖4 數據集影像與標簽Fig.4 Dataset images and labels

2）模型訓練與測試。首先用特征提取網絡處理原始圖像，得到特征圖像，同時將特征提取網絡輸出的特征輸入到RPN 網絡中，得到相應的錨框。得到錨框和特征圖后，采用ROI Align 算法，將每個錨框對應的特征圖歸一為相同尺寸。在得到每個錨框的特征圖之后，將該特征圖輸入到全連接層中，再分別經過回歸層和分類層得到Box Regression，也就是錨框位置矯正和分類，從而獲得該錨框中目標劃歸為每一類的概率。鐵路線路接觸網立柱樣本較少，訓練過程中模型權重不易收斂，所以采用了遷移學習的策略，將其他線路的接觸網立柱樣本[20]訓練權重作為初始權重，利用試驗區域內的接觸網立柱樣本進行訓練微調，直至模型權重收斂；對數據集中的所有接觸網立柱進行提取測試，得到試驗區域的接觸網立柱提取結果。

3）提取結果后處理。將所有接觸網立柱提取結果賦予投影并進行拼接，得到試驗區域內接觸網立柱的提取結果。對于影像重疊區域內的提取結果，若兩個識別框交疊度大于60%，則認定為一個接觸網立柱。

（2）SAR 影像接觸網立柱提取

1）數據準備。首先進行數據預處理，對SAR 影像進行輻射校正與幾何校正，得到SAR 影像的強度圖像；然后進行重投影與緩沖區分析，將SAR 影像投影到與光學影像相同的坐標系，并利用2 000 m 的緩沖區對SAR 影像進行裁剪。

2）特征提取。SAR 影像空間分辨率較低，接觸網立柱在影像中只占據一個或幾個像元，現有算法難以對其輪廓及范圍進行檢測，利用接觸網立柱與周圍地物的梯度差異，通過Harris 算子對整個影像進行角點檢測，同時利用線路的位置及范圍對線路中的角點進行篩選檢測，從而獲得鐵路線路在SAR 影像中的角點特征。

3）接觸網立柱提取。構建影像中接觸網立柱的角點數據集，按7∶3 的比例將數據集劃分為訓練集、測試集，其中訓練集數據用于對支持向量機進行分類訓練，測試集用于對支持向量機的分類性能進行測試。測試直至支持向量機收斂，此時得到SAR 影像中接觸網立柱角點的分類邊界，即獲取式（13）中的線性變化參數(w,b)，利用該組參數對試驗區域內的接觸網立柱進行提取。

（3）光學影像與SAR 影像融合影像接觸網立柱提取

1）數據準備。光學遙感影像與SAR 影像融合需將光學遙感影像與SAR 影像進行裁剪與重投影，使待融合影像具有相同的投影系統與地理范圍。以光學遙感影像為基準，將兩幅影像進行幾何精校正，在校正過程中，對鐵路區域進行配準點加密，使得鐵路設施在兩幅影像中具有良好的空間對應關系。

2）光學影像與SAR 影像融合。對光學遙感影像與SAR 影像利用DWT 算法進行三級分解，得到光學影像與SAR 影像的低頻部分與高頻部分；然后根據局部能量最大原則，利用式（6），對光學影像與SAR 影像的低頻部分進行融合，從而得到融合影像的低頻部分；再根據局部方差最大原則，利用式（9）將光學影像與SAR 影像的高頻部分融合，從而得到融合圖像的高頻部分；最后對融合圖像的低頻部分與高頻部分進行DWT 重構，獲得試驗區域內光SAR 融合影像。

3）特征提取。融合影像空間分辨率高，同時具有對鐵路設施的特異性散射特征，接觸網立柱特征明顯。與SAR 影像接觸網立柱提取的方法相同，首先利用Harris 算子對融合影像中的角點進行檢測，然后，利用線路的位置及范圍對影像中的角點進行篩選，從而獲得鐵路線路在光SAR 融合影像中的角點特征。

4）接觸網立柱提取。融合影像的接觸網立柱提取與SAR 影像相同，首先構建接觸網立柱的角點數據集，并對數據集按7∶3 進行劃分，得到訓練集與測試集，然后分別利用訓練集和測試集對支持向量機進行訓練和分類性能測試，直至支持向量機收斂，得到光SAR 融合影像中接觸網立柱角點的分類邊界，最后利用分類邊界對接觸網立柱的角點盡心提取。

3.4 試驗結果分析

選取3 個典型驗證區域，主要包括路基區域、橋梁區域以及多橋梁跨穿區域，對提取結果進行現場驗證，光學影像、SAR 影像以及光SAR 融合影像在驗證區域內的提取結果如表3 所示。

表3 不同影像在驗證區域內提取結果Tab.3 Extracting results from different images within the validation area

現場驗證區域為包含路基、橋梁以及多橋梁跨穿等典型背景環境的鐵路區域，在驗證區域內有接觸網立柱120 根。其中光學影像中有107 根接觸網立柱被正確提取，準確率可達到89.17%，在區域背景不復雜的橋梁以及路基部分的接觸網立柱檢測結果較好；SAR 影像中有100 根接觸網立柱被正確提取，準確率可達到83.33%，在南北向或近南北向鐵路的接觸網立柱檢測結果較好，主要與線路方向、衛星觀測角度以及角點檢測算法的梯度計算方向有關；光SAR 融合影像中有111 根接觸網立柱被正確提取，準確率達到92.50%，融合后的影像綜合了光學影像的高分辨率特征及SAR 影像對鐵路設施的散射特征，在該區域內檢測結果精度較高，同時根據線路以及接觸網在影像中的位置可以看出，光SAR 融合影像較SAR 影像的接觸網立柱位置更準確。不同影像針對不同背景環境的提取結果如圖5 所示。

圖5 某鐵路光學影像、SAR 影像、光SAR 融合影像的接觸網立柱提取結果Fig.5 The extraction results of a railway optical image, SAR image and the optical SAR fusion image catenary column

4 結論

本文針對InSAR 在鐵路設施沉降定量化評估工作中對鐵路設施類別與位置信息的需求，利用深度學習的方法對光學遙感影像解譯，利用角點檢測結合支持向量機分類的方法對SAR 影像及光SAR 融合影像進行解譯，得到鐵路設施的類別及位置信息；再選取某鐵路試驗區域，以鐵路設施中的接觸網立柱為目標進行提取與現場驗證。3 個典型區域中120 根接觸網立柱的現場驗證結果表明：

1）光學遙感影像的接觸網立柱提取準確率為89.17%，SAR 影像的接觸網立柱提取準確率為83.33%，光SAR 融合影像的接觸網立柱提取準確率為92.50%。

2）光SAR 融合影像綜合光學遙感影像的高分辨率特征及SAR 影像對鐵路設施的特異性散射特征，可以提高鐵路設施提取的準確率，同時可對SAR 影像提取的鐵路設施位置結果進行校正。

3）在實際工程應用中，可以對光學遙感影像提取結果與光SAR 融合影像的提取結果進行決策級融合，提高鐵路設施的提取準確率，同時為鐵路設施InSAR 定量化評估提供類別與位置等參考信息，提高設施監測的準確度。

4）光學遙感和SAR 遙感由于成像性能的差異，本身采用像元級配準融合并不適應于所有鐵路設施提取，后續應根據鐵路設施自身特性與成像特征，選取適當的方法進行提取。

對于鐵路設施沉降定量化評估，漏檢與錯檢會導致設施定量化評估不準確，影響列車行車安全，應進一步分析不同鐵路設施在融合影像中的特征，設計針對不同設施的提取算法、參數以及提取結果應用策略，提高鐵路設施提取的準確率與魯棒性。

致謝 感謝國家遙感數據與應用服務平臺對本工作提供的支持！