基于視頻圖像的森林火災報警系統(tǒng)設計與實現(xiàn)

摘 "要：結合聲光圖技術，針對傳統(tǒng)森林火災報警器系統(tǒng)延遲、智能化程度低、防抖性能差等問題，提出基于視頻的森林火災報警系統(tǒng)。通過介紹該系統(tǒng)的工作原理，并與傳統(tǒng)森林火災警報器進行對比分析。研究表明，基于視頻的森林火災報警系統(tǒng)具有目前我國森林火災報警系統(tǒng)中智能化程度高、響應靈敏、報警精確度高、穩(wěn)定性強和可靠性高等特點，是目前我國森林火災報警系統(tǒng)的一大特點，主要表現(xiàn)在報警系統(tǒng)的現(xiàn)實意義積極，應用前景遠大。

關鍵詞：森林火災；火災報警系統(tǒng)；遠程監(jiān)控；衛(wèi)星遙感；風險監(jiān)測

中圖分類號：TP391.41 文獻標志碼：A " " " " "文章編號：2095-2945（2024）20-0025-07

Abstract： Using acousto-optic map technology， aiming at the problems of traditional forest fire alarm system， such as delay， low intelligence and poor anti-shaking performance， a forest fire alarm system based on video is proposed. The working principle of the system is introduced and compared with the traditional forest fire alarm. The research shows that the forest fire alarm system based on video has the characteristics of high intelligence， sensitive response， high alarm accuracy， strong stability and high reliability in the forest fire alarm system in our country at present. It is a major feature of the forest fire alarm system in our country at present， which is mainly manifested in the positive practical significance of the alarm system and broad application prospects.

Keywords： forest fire; fire alarm system; remote monitoring; satellite remote sensing; risk monitoring

森林火災是世界上發(fā)生次數(shù)最多、處置難度最大、危害最嚴重、突發(fā)性強、破壞性大和危險性高的自然災害之一，不僅對生態(tài)環(huán)境造成破壞，還會對人類社會產生深遠影響。

隨著信息技術的發(fā)展，我國森林防火監(jiān)測預警系統(tǒng)的核心已經(jīng)從護林員和巡邏員為主的人類防御系統(tǒng)轉向以衛(wèi)星遙感、視頻監(jiān)控（包括鐵塔、無人機、直升機上的視頻監(jiān)控）和火災風險監(jiān)測等為主，森林防火監(jiān)測預警體系已成為我國森林防火監(jiān)測預警體系的核心。對護林員的瞭望（現(xiàn)在大部分地區(qū)已經(jīng)實現(xiàn)了24小時全天候觀察，而不是人員站崗的視頻監(jiān)控設備）輔之以巡護員現(xiàn)場驗證的天地一體化技防系統(tǒng)[1]。其中，衛(wèi)星遙感主要用于火災發(fā)生前的熱點監(jiān)測等大尺度觀測，以及發(fā)生森林火災后的過火面積測定等。

檢測森林火險主要有以下方法。①遙感技術：利用衛(wèi)星或飛機上攜帶的遙感設備，對森林地區(qū)進行溫度、煙塵、火情、火險探測等遙感影像的獲取。②地面監(jiān)測站：在重點林區(qū)建立地面監(jiān)測站，通過溫度、濕度、風速、風向及煙霧等參數(shù)在內的傳感器、照相機等設備，對森林環(huán)境進行實時監(jiān)控，對有無火源通過視頻監(jiān)控。③無人機巡查：利用無人機搭載的高清攝像頭和紅外線傳感器，對重點林區(qū)進行巡查，發(fā)現(xiàn)異常情況及時報警。④人工巡查：安排人員進入林區(qū)進行巡查，觀察是否有火災隱患，發(fā)現(xiàn)異常情況及時上報。

監(jiān)測設備的探測重點通常是對重點林區(qū)的氣象進行探測，如重點林區(qū)的溫度、濕度、風速和風向等。森林火災的發(fā)生和延展，可能會受到這些氣象因素的影響。例如，高溫和干燥的氣象條件會增加森林火災的風險，而大風會加速火災的傳播。因此，對這些氣象要素的監(jiān)測和分析，對森林火災的預測和預防，都起到重要的作用。

1 "森林火災的特征分析

通過對實時圖像處理，森林火災報警系統(tǒng)判斷是否發(fā)生森林火災。不管是前期產生的滾滾濃煙，還是火苗的直接燃燒，鏡頭都能捕捉到它們在森林里燃起大火時的身影。導致森林產生火焰、煙霧的原因有2個。

一是由于氣候環(huán)境的濕度低，即空氣干燥導致環(huán)境溫度高。相對濕度指空氣中水汽壓與相同溫度下飽和水汽壓的百分比，空氣越干燥相對濕度值越小，直接影響森林可燃物的干濕情況，尤其是燃燒時相對濕度小的水分蒸發(fā)快，燃燒起來的可能性更大；氣溫越高，水分蒸發(fā)的可能性就越大；枯枝敗葉及林內細小可燃物太干也易引發(fā)林火[2]。

二是大量易燃物堆積在森林中，喬木、灌木、草類、青苔、地衣、枯枝落葉、腐殖質和泥炭等林中一切有機物質都屬于可燃性物質。其中，燃燒有火焰的可燃物，也叫明火，可將燃燒的氣體揮發(fā)出來，從而產生火焰。

視頻智能識別系統(tǒng)是利用計算機視覺，實時采集視頻攝像數(shù)據(jù)，運用大數(shù)據(jù)分析，第一時間自動識別出火情（煙霧及火焰），定位火災點并報警。在森林的方圓幾公里安裝警報器，當森林火災燃起時，具體火災位置就會被監(jiān)測到，且火災圖像會被自動采集（前端圖像采集系統(tǒng)），視頻中獲取的圖像也是通過計算機來處理的，并且自動輸送到警報器監(jiān)控部（圖像數(shù)據(jù)傳輸系統(tǒng)），來判斷周邊形式。

2 "森林火災特征檢測方法

2.1 "基于視頻的火焰檢測

火災與干擾視頻是通過攝像機或網(wǎng)絡下載獲得的，是為了便于后續(xù)處理而對視頻格式進行調整，并在幀緩存中保存圖像序列的。通過圖像濾波處理、形態(tài)學處理等對已獲取的火焰視頻圖像進行預處理，達到抑制噪聲干擾的目的。利用火焰顏色建模、特征提取、圖像分割和形態(tài)學處理等方法，對預處理后的圖像進行了疑似火焰區(qū)域的提取[3]。研究有效的目標探測和目標追蹤算法，實現(xiàn)視頻火焰探測追蹤，根據(jù)被分割的疑似火焰區(qū)域，來提取分析火焰目標靜動態(tài)特征。

2.2 "基于視頻的煙霧監(jiān)測

基于視頻的煙感檢測算法主要可分為預處理選取煙霧候選區(qū)域、特征提取和判別分析3個部分。

2.2.1 "預處理選取煙霧候選區(qū)域

通過使用自適應的混合高斯模型算法提取運動目標，并結合色彩特征和紋理特征篩選算法提取得到煙霧的候選區(qū)域[4]，通過混合高斯模型算法（Hybrid Gauss Models）提取運動目標。

2.2.2 "特征的提取

將選取的煙霧區(qū)域進行色彩分布分析，并經(jīng)過不斷測試收集，總結出分析煙霧圖像色彩變化規(guī)律是煙霧一般為白、青、灰、黑色，其R、G、B 3個分量值大致相等， 且正好能分布在RGB色彩立方體的對角線上。將煙霧圖像的色彩規(guī)律進行分析，將圖片從RCB色彩空間轉換成HSV色彩空間[5]。并以此設計本文煙霧色判斷條件，對運動偵測得出的區(qū)域進行色彩分析，對不具備煙霧色特征的運動物體進行形態(tài)學處理并對運動偵測及色彩分析后的區(qū)域進行連通性分析，從而在視頻中得出煙霧區(qū)[6]，可以進一步排除該區(qū)域。

2.2.3 "判別分析

在煙霧疑似區(qū)尋找煙霧的3個動態(tài)特征，對提取到的特征向量進行判別分類，從而以支持向量機（SVM）和閾值判別法作為判別分類算法，檢測煙霧是否出現(xiàn)[7]。

3 "森林火災報警系統(tǒng)的實現(xiàn)

3.1 "系統(tǒng)平臺組成

通過云臺USB攝像頭檢測到森林中有火苗，并傳送到3399pro處理器，3399pro處理器具有強大的計算能力，通過3399pro計算檢測煙霧，利用傳感元件接收火災中發(fā)生的物理現(xiàn)象（熱釋電探測器），將其轉換成易于處理的物理信號，并連接網(wǎng)絡，將處理結果轉換成電信號由路由器發(fā)送到軟件pc端，軟件設備的揚聲器發(fā)聲報警，即通知工作人員有火災發(fā)生。報警系統(tǒng)平臺的組成圖如圖1所示。

3.2 "火焰檢測及仿真

3.2.1 "火焰圖像識別算法

將當前采集到的視頻圖像與前一張圖像進行差分操作，判斷其是否有火焰在實驗現(xiàn)場發(fā)生。如遇圣火情形，應對所處地區(qū)進行判斷；不然的話，就得繼續(xù)等待，根據(jù)下一幅圖的過程來進行判斷。如圖2所示為算法流程的圣火圖像識別。

疑似火焰圖像預處理：因為實驗現(xiàn)場的環(huán)境比較復雜，噪點也比較多，所以首先要將采集到的視頻圖像進行降噪處理。疑似圣火區(qū)域提取：按照圖像分割計算的方法，劃出疑似圣火區(qū)域并提取疑似圣火區(qū)域的特征圖片，為下一步提取圣火特征而作準備；圖3為連線抽取圣火疑似區(qū)域特征圖片，得出火焰動態(tài)特征。該環(huán)節(jié)負責所抽取的3類特征，使之能夠歸類[8]。

通過支持向量化來完成火焰識別算法的優(yōu)化，同時結合火焰的幾何特征和動態(tài)特征，用幾種色彩模型的類比來完成對火焰色彩特征的有效提取，最終選擇YCbCr色彩空間模型。

3.2.2 "火焰顏色特征提取

因為火焰的靜態(tài)特征最顯著的特征是色彩，所以在視頻畫面中主要使用色彩程度的相關信息，從而提取出火焰的色彩特征，這是圣火識別過程的關鍵所在。

所采用的顏色模型為YCbCr炫彩版。在YCbCr色彩模型中，它與RGB機型的區(qū)別在于，它本身有一種成分表示顏色的明暗以及2種成分表示顏色的色差，但它們之間呈現(xiàn)的是一種線性的關系[7]。人體視覺系統(tǒng)相比色彩的濃淡更能夠靈敏地感知到亮度信息，這就是其比RGB更能彰顯這款色彩機型的地方。

使用RGB色彩空間模型有一個缺點是要依賴于照明度，即如果要改變一副圖像的照明度，在使用火焰像素點的分類準則時，RGB色彩模型的辨識效果會變得差一些，而且也不可能將一個點的像素值分解成能夠模擬火焰顏色的色度，然而卻無法將其強制用色度進行模擬。因此，RGB色彩機型需要向色彩空間機型轉變。

RGB色彩空間轉YCbCr色彩空間除了可以移植RGB色彩模型的標準外，還實現(xiàn)了標準化，且YCbCr色彩空間模型滿足需求，利用YCbCr色彩空間構造出一般的亮度模型，用來區(qū)分火焰的像素點[9]。

。（1）

對于給定的圖像，可以用YCbCr色彩空間模型表示，則3種成分的平均數(shù)可定義為[10]

， （2）

式中：（xi，yi）表示像素點的坐標值；K表示圖片的像素點總數(shù)。

RGB色彩模型既要滿足R2G2B的火焰定義又要滿足R2RME，在轉換成YCbCr色彩空間模型后，RGB 色彩模型有以下形式[11]

Y（x，y）gt;Cb（x，y） ， （3）

Cr（x，y）gt;Cb（x，y） ， （4）

式中：Y（x，y），Cb（x，y），Cr（x，y）分別代表光度分量、艷色度分量、色胞度分量，分別在坐標值為（x，y）的地方。

由圖4可知，RGB彩圖與R、G、B 3種顏色經(jīng)過 Y、Cb、Cr 3種方式處理的圖像，可以很容易地觀測到火焰區(qū)域，從而驗證方程的效力。

除了式（3）和式（4）2個準則外，由于火焰區(qū)域一般是所在觀測區(qū)內最明亮的部分，且YME（Y方式處理的火焰曲率）、CbME（Cb方式處理的火焰曲率）、CrME（Cr方式處理的火焰曲率）的平均值是經(jīng)過Y、Cb和Cr 3種方式處理后的圖像。

影像中火焰區(qū)域的Y值普遍大于CbME，Cb值總體小于CbME，Cr值總體大于CrME。這一規(guī)律已被多次實驗成功驗證，故可定義為圖中火焰區(qū)域（火焰區(qū)）。

圖4為Y、Cb、Cr 3個通道，能夠看到很多細節(jié)。按照這個圖像可以去定義，在火焰像素點區(qū)域，Cb聲道和Cr聲道有著顯著的區(qū)別，Cb聲道明顯呈現(xiàn)“黑色”，而Cr聲道則明顯呈現(xiàn)“白色”。

F（x，y）=1，|Cb（x，y）-Cbmean（x，y）gt;gt;τ0， " 其他 。 （6）

通過由1 000多個圖像組成的圖像集合，把圖像集按照圖像的閾值進行分割，并在ROC曲線創(chuàng)建中均采用了式（2）—式（6）。如圖5所示的R值，其中每個點包含了3個值。比如ROC曲線中的b點，對應 90，準確率0.7，錯識率0.1。

由圖5可知，高準確率也對應著高誤差率。因此，只需將辨識火焰的準確率超過90%，而誤差率低于 40%，則R=40就會被選中。

在滅火過程中選取1 000幅圖像，這些采集到的圖像照明度高、范圍廣，對這些圖像集中的火焰區(qū)域進行手動分割，并創(chuàng)建了16 309 070個像素點的直方圖在Cb-Cr色度的平面上。

圖6為火焰像素在Cb-Cr平面范圍內的分布情況。火焰像素區(qū)域可以通過fu（Cr），fI（Cr）和fd（Cr）3個多項式在Cb-Cr平面上表示[12]

fu（Cr）=2.6×10-10Cr7+3.3×107Cr6-1.7×104Cr5+5.16×

10-2Cr4-9.10×Cr3+9.6×102Cr2-5.6×104+1.40×106，

fI（Cr）=-6.77×108Cr5+5.50×10-5Cr4-1.76×10-2Cr3+

2.78Cr2-2.15×102Cr3+6.62×103，

fd（Cr）=1.81×104Cr4-1.02×10-1Cr3+2.17×10Cr2+

2.78Cr2-2.05×103Cr+7.29×104 。

通過定義火焰區(qū)域的識別準則后[11]，用3個多項式來標出火焰區(qū)域、邊界受曲線限制的區(qū)域。

式中：FCbCr（x，y）表示一個像素點，且坐標值為（x，y），判斷其是否落在限制區(qū)域內。說明落在禁區(qū)之內的是1，落在禁區(qū)之外的是0。

3.3 煙霧檢測及仿真

3.3.1 視頻移動方向偵測法

在自然界中，無論是燃燒還是爆炸產生的煙霧，煙霧的運動方向都是向上漂浮的，即使有風也是向左上或向右上移動，所以可以通過利用煙霧運動方向規(guī)律和其他目標運動方向上的區(qū)別，可較好地將煙霧、云層與霧區(qū)分開。目前較流行的運動方向檢測方法大都使用光流法與運動塊檢測方法，由于本文需實時檢測，而光流法運算量過大，所以本文采取運算量較小的運動塊檢測方法。

為了利用煙霧向上運動的特性，而在短時間內，煙霧的形態(tài)并沒有較大變化，故可通過相鄰幀計算出差值的大小。如圖6所示，設 IT（X，Y）為第t幀九宮格中心的視頻塊，所以在第t+1幀可能會有1～8個運動方向，記IT+1（X+1，Y），IT+1（X，Y+1），IT+1（X+1，Y-1），IT+1（X-1，Y），IT+1（X-1，Y-1）。Y-1、IT+1（X、Y-1）、IT+1（X+1、Y-1）分別是位于中心視頻塊1至8號的8鄰域視頻塊中的T+1幀視頻。通過公式（9）可求出第1到8號視頻塊和中心視頻塊的差異[13]。

式中：E表示差異數(shù)量，w、h分別表示寬、高，i、j表示圖像的坐標（i，j）處的像素值，t為第t幀。檢測流程如下。

1）將圖像灰度化，得到灰度圖G（x，y），如式（10）所示。

G（x，y）=0.299×R（x，y）+0.587×G（x，y）+0.114×B（x，y） 。 （10）

2）接著計算第t+1幀，8鄰域圖像在候選區(qū)域G（x，y）的差值E1—E8。

3）隨后再選擇E1—E8的中值，取最小鄰域為G（x，y）的運動方向，若運動的方向范圍在2—3和3—4之間，則判斷該區(qū)域向上運動，然后將其送入分類網(wǎng)絡，判斷是否為煙霧。

3.3.2 煙霧圖像預處理理論基礎

拍攝設備都會因為場景、亮度、噪點、光線的不同而影響煙霧的偵測效果，圖7為原高清畫面，經(jīng)過椒鹽噪點處理后的畫面如圖8所示，經(jīng)過高斯噪點處理后的畫面如圖9所示。椒鹽噪音的特點在于噪點的像素深度幾乎是固定的，而且位置（point position）是隨機的。高斯噪音一般是感應器的噪音[14]，因為燈光不好、溫度太高，通過合適的預處理方法，減少視頻中的干擾信息，增強目標煙霧，可提高煙霧的檢出率。

1）均值濾波。均值濾波是一種計算復雜程度較低但能較好地消除椒鹽噪音，稱為線性濾波法。均值濾鏡是通過均值濾鏡模版對圖片進行完整的瀏覽，計算出模版范圍內的Pixel均值并對模版覆蓋位置的中心值進行替換，從而實現(xiàn)濾除雜訊的目的。由于椒鹽噪點幾乎獨立，所以采用此方法將像素點、周圍點的均值去替換原像素點，可較好去除椒鹽噪聲，然而并未考慮像素點間的過渡關系，故容易丟失部分細節(jié)信息。以5為半徑的均值濾波模板 M5 為例，見式（11）。

式中：Im表示經(jīng)過均值濾波后得到的圖像，I表示原圖像，h和w分別表示模板的高度和寬度，x和y分別表示當前滑動模板的偏移量，相對于原圖像的原點而言，分別表示模板的偏移量。

2）高斯濾波。在消除高斯雜訊方面，高斯濾波法或線性濾波法更為擅長。高斯濾波法是通過采用濾波器模板對圖像的所有像素點加權平均，濾波器模板中的每個權重皆滿足高斯分布。通過對圖像進行高斯模糊，然后沿著圖像的x和y方向以卷積的方式滑動高斯濾波，卷積和重合像素進行卷積，再將模板中心像素值替換為卷積值，并以I表示原灰度圖，Gσ為濾波器模板，Iσ為濾波后的圖像，如式（13）所示

式中：Iσ表示高斯濾波后的圖像，I為原圖像，Gσ為HighScream模版，h和w分別為Model版的 High和Width，x和y表示當前滑動窗口在原圖原點的偏移量。

3）HSV色彩空間轉換。HSV（HUE、SATURATION、VALUE），不同于RGB紅、綠、藍）三原色，HSV 色彩模型更接近于人類對色彩的感知方式RGB是加法原色模型，以三原色組合的方式，呈現(xiàn)不同的顏色，而HSV是以顏色、深淺、明暗3種方式計算出顏色信息[15]。由于RGB通道并不能很好地反映目標的具體色彩信息，因此HSV空間相對于RGB空間而言，更能直觀地表現(xiàn)出色彩的明暗、色調和鮮艷程度，更有利于突出目標煙霧的特征表現(xiàn)，以下對HSV錐形機型進行說明，HSV錐形機型的特點如下：①圓錐頂部的旋轉角度代表色調H。色相取值范圍為0～360°，0°表示紅色，順時針方向從0°開始轉動，120°表示綠色，240°表示藍色。②錐體頂端的圓半徑表示S的飽和度。飽和度取值范圍為0～1，圓心位置值為0，邊緣位置值為1。每一種顏色都代表了飽和度反應顏色和光譜色接近程度的一種譜色分別與白色混合而成的色彩。飽和度越大，說明這個顏色的光譜色比例就越大，顏色越鮮艷。飽和度為0時，表示這個顏色譜色的比例為0%，也就是黑白兩色；在飽和度為1的情況下，這個顏色譜色在標志中所占的比重為100%。③錐高代表明度V。明度的取值范圍也是0～1。明度代表這個顏色的明暗程度，當顏色明度為0時，該顏色明度最低，為黑色；當顏色明度為1時，此顏色明度較高，若飽和度為0則為白色。

計算機中，圖像采用RGB格式存儲與顯示，像素值分別代表三原色分量。從RGB色彩空間向HSV色彩空間轉變的途徑有

3.4 "報警方式

以聲、光圖結合的方式報警，首先利用百度地圖，在發(fā)生火災時會精準定位并顯示在桌面上，在管理中心合理位置安置揚聲器（發(fā)出警報聲），發(fā)出警報聲后，聲控燈在警報時閃爍紅燈，無警報時閃爍綠燈。最后短信推送火災情況給相關負責人員。

信號傳輸采用有線網(wǎng)絡+無線網(wǎng)絡相結合的方式進行傳輸，對前端基站的報警信息進行監(jiān)控，遠程控制、輸出顯示等工作，后臺數(shù)據(jù)分析系統(tǒng)的前端視頻監(jiān)控圖像全部在后端監(jiān)控管理中心完成。

熱釋電攝像機采集的圖像信號處理與傳輸采用一體化的高度集成設計，集成360°全方位重載變速云臺、高性能紅外熱成像模塊及可見光攝像機模塊、內置熱成像及可見光聯(lián)動控制模塊、智能視頻分析、數(shù)據(jù)采集及網(wǎng)管系統(tǒng)。

4 "結束語

一場大火將給森林帶來毀滅性的破壞，這是制約林業(yè)經(jīng)濟發(fā)展的一個重要因素。預防森林火災的發(fā)生和蔓延，可以使人民生命財產得到保護，降低損失。基于視頻圖像的森林火災報警系統(tǒng)，能夠很好地解決傳統(tǒng)森林火警系統(tǒng)的疑難問題，能夠及時準確地提供火情發(fā)生的時間、地點、火情大小等信息，能夠大大地縮短發(fā)現(xiàn)火情到開始救援的時間，為森林火災的及時救援贏得極其寶貴的時間。

參考文獻：

[1] 閆德民，李慶閣.我國森林火災監(jiān)測體系現(xiàn)狀及展望[J].森林防火，2017（3）：27-30，54.

[2] 黃紅.貴州省森林火災特征分析[J].貴州氣象，2009，33（S1）：62-64.

[3] 劉芳.面向視頻的火焰檢測與跟蹤算法研究[D].南昌：南昌航空大學，2018.

[4] 何大超，婁小平，唐輝.基于動態(tài)特性的實時視頻煙霧檢測[J].計算機應用與軟件，2014，31（2）：201-204.

[5] 曹燦燦，龔聲蓉，周立凡，等.基于HSV色彩空間特征的視頻煙霧檢測[J].電腦技術與開發(fā)，2022，32（5）：171-175.

[6] 王娜.基于視頻的火災煙霧探測算法研究[D].西安：西安理工大學，2023.

[7] 房世超.基于視頻的煙霧檢測[D].北京：中國地質大學（北京），２０１７．

[8] 劉培江，董輝，宋子剛，等.基于視頻圖像處理技術的火焰識別算法[J].熱能動力工程，2021，36（3）：64-67.

[9] ALLISON J T，DEYUE Y. Training peripheral vision to read：Reducing crowding through an adaptive training method[J].Vision Research， 2020，171：84-94.

[10] FRANCESCO R. EGO-CH：Dataset and fundamental tasks for visitors behavioral understanding using egocentric vision[J].Pattern Recognition Letters，2020，131：150-157.

[11] AUDREY T. Rapid scene categorization：From coarse peripher

al vision to fine central vision[J].VisionResearch，2020，170：60-72.

[12] MARWAN A H，NAJEED A K. Investigation and classificat

ion of MRI brain tumors using feature extractiontechnique[J].Journal of Medical and Biological Engineering，2020，40（1）：307-317.

[13] 曹燦燦.視頻煙霧檢測方法及其在森林火災預警中的應用研究[D].大慶：東北石油大學，2022.

[14] HORN B K， SCHUNCK B G. Determining optical flow[J].Artificial intelligence， 1981，17（1-3）：185-203.

[15] 張建明，黃繼風.基于視頻的實時煙霧檢測算法[J].計算機應用與軟件，2016，33（12）：248-252.