CN109740721B

CN109740721B - 麦穗计数方法及装置

Info

Publication number: CN109740721B
Application number: CN201811555424.9A
Authority: CN
Inventors: 张领先; 陈运强; 杜克明; 马浚诚; 李云霞; 孙忠富; 郑飞翔
Original assignee: China Agricultural University; Institute of Environment and Sustainable Development in Agriculturem of CAAS
Current assignee: China Agricultural University; Institute of Environment and Sustainable Development in Agriculturem of CAAS
Priority date: 2018-12-19
Filing date: 2018-12-19
Publication date: 2021-06-29
Anticipated expiration: 2038-12-19
Also published as: CN109740721A

Abstract

本发明实施例提供一种麦穗计数方法及装置，属于深度学习技术领域。该方法包括：将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。由于可自动计算麦穗数量，从而自动化程度高且识别效率高，能够有效减少人工干预带来的主观影响，降低检测过程的应用成本和复杂程度，可有效提高麦穗检测的准确性和实时性，也为设小麦产量预测的相关研究提供了可靠且准确的数据基础。

Description

麦穗计数方法及装置

技术领域

本发明实施例涉及深度学习技术领域，尤其涉及一种麦穗计数方法及装置。

背景技术

产量预测是小麦生产管理的重要环节之一，单位面积穗数是表征小麦产量的常用指标之一。因此，快速、准确的识别麦穗并检测单位面积穗数，对估产有着重要意义。传统的人工计数方法不仅耗时耗力，而且主观性较高，缺乏统一的麦穗计数标准。因此，现在急需一种有效的麦穗计数方法以对冬小麦的产量进行预测。

计算机视觉是目前麦穗识别和检测计数的主要技术手段，采用小麦RGB图像，获取麦穗的颜色、纹理和形状特征，通过机器学习方法建立麦穗识别分类器，从而实现麦穗识别和检测计数。虽然这些方法取得了一定的效果，但需要人为设置图像特征，且不同生长阶段的小麦麦穗有不同的特征，成熟期的麦穗颜色与小麦植株颜色差异不大，难以单纯利用颜色特征来识别麦穗。这些方法对大田环境下光照不均匀和复杂背景等噪声的鲁棒性不足，难以拓展应用。

卷积神经网络是具有自学习能力的无监督学习方法，被认为是目前图像识别最有效的途径之一。卷积神经网络已在农业领域取得了广泛的应用，它在图像识别中的明显优势为我们提供了一种思路。同时研究发现，非极大值抑制在边缘检测、目标检测等很多计算机视觉任务中都有广泛应用。因此，将非极大值抑制的方法与训练有效的网络模型相结合，研究基于卷积神经网络的麦穗检测方法可提高麦穗识别与检测计数的准确率，以期为小麦产量预测提供支撑。

发明内容

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的智能家具的麦穗计数方法及装置。

根据本发明实施例的第一方面，提供了一种麦穗计数方法，包括：

将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；

若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。

本发明实施例提供的方法，通过将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的。若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。由于可自动计算麦穗数量，从而自动化程度高且识别效率高，能够有效减少人工干预带来的主观影响，降低检测过程的应用成本和复杂程度，可有效提高麦穗检测的准确性和实时性，也为设小麦产量预测的相关研究提供了可靠且准确的数据基础。

根据本发明实施例的第二方面，提供了一种麦穗计数装置，包括：

输出模块，用于将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；

确定模块，用于当标签为麦穗图像时，则基于非极大抑制算法确定图像中的麦穗数量。

根据本发明实施例的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与处理器通信连接的至少一个存储器，其中：

存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的麦穗计数方法。

根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的麦穗计数方法。

应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种麦穗计数方法的流程示意图；

图2为本发明实施例提供的一种图像识别模型的结构示意图；

图3为本发明实施例提供的一种麦穗计数装置的结构示意图；

图4为本发明实施例提供的一种电子设备的框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

卷积神经网络是具有自学习能力的无监督学习方法，被认为是目前图像识别最有效的途径之一。卷积神经网络已在农业领域取得了广泛的应用，它在图像识别中具有明显优势。同时研究发现，非极大值抑制在边缘检测、目标检测等很多计算机视觉任务中都有广泛应用。因此，将非极大值抑制的方法与训练有效的网络模型相结合，研究基于卷积神经网络的麦穗检测方法可提高麦穗识别与检测计数的准确率，以期为小麦产量预测提供支撑。

基于上述说明，本发明实施例提供了一种麦穗计数方法。该方法可应用在农作物植株计数上，除了用于麦穗计数，还可以用于稻穗计数等，本发明实施例对此不作具体限定。参见图1，该方法包括：

101、将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的。

其中，拍摄得到的图像以及样本标签图像可以为相同尺寸，如64×64像素，本发明实施例对此不作具体限定。另外，拍摄得到的图像以及样本标签图像可以具体为RGB颜色空间图像。RGB是由红色通道(R)、绿色通道(G)、蓝色通道(B)组成的。具体地，最亮的红色+最亮的绿色+最亮的蓝色＝白色；最暗的红色+最暗的绿色+最暗的蓝色＝黑色；而在最亮和最暗之间，相同明暗度的红色+相同明暗度的绿色+相同明暗度的蓝色＝灰色。在RGB的任意一个通道内，白和黑表示这个颜色的明暗度。所以，有白色或者灰白色的地方，R、G、B三个通道都不可能是黑色的。因为，有必要通过R、G、B三个通道来构成这些颜色。

由于麦田环境下拍摄到的图像，其内容可能会有多种，如拍摄到杂草、阴影、麦穗等等。图像的标签可以用来表示图像的具体内容类型，通过图像识别模型，可确定拍摄得到的图像的标签，从而确定该图像是否为麦穗图像，并以此为基础对为麦穗的图像进行麦穗数量计数。

102、若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。

其中，非极大抑制算法在计算机视觉应用中具有广泛的应用，如：边缘检测、目标检测等。采用非极大抑制算法实现麦穗计数，能够有效抑制低概率麦穗检测窗口，消除邻域内多余的交叉检测窗口，找到最佳的麦穗检测位置，实现麦穗准确计数。

基于上述实施例的内容，作为一种可选实施例，将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签之前，还包括：获取麦田环境下各种标签对应的样本标签图像，基于样本标签图像及样本标签图像对应的标签对初始模型进行训练，得到图像识别模型。

其中，初始模型可以使用深度神经网络模型，也可以使用卷积神经网络，本发明实施例对此不作具体限定。基于上述实施例的内容，作为一种可选实施例，本发明实施例不对获取麦田环境下各种标签的样本标签图像的方式作具体限定，包括但不限于：获取麦田环境下采集到的样本图像，从所有样本图像中筛选出各种标签对应的样本标签图像，并对各种标签对应的样本标签图像进行归一化处理。

具体地，在获取到麦田环境下采集到的样本图像，可先剔除掉质量较低的图像，并从剩余样本图像中筛选出各种标签对应的样本标签图像，需要说明的是，“各种标签”指的是预先设定需要的各种标签，如麦穗、叶片、阴影这三类标签。当然，还可以不限于上述三种标签，本发明实施例对此不作具体限定。在获取到的样本标签图像后，可对各种标签对应的样本标签图像进行归一化处理，也即将样本标签图像调整为相同的颜色空间，相同的尺寸大小，如64×64像素，本发明实施例对此不作具体限定。需要说明的是，样本标签图像的尺寸越大，则计算成本越高。

对于神经网络模型而言，用于网络模型训练的数据集越大，网络模型的识别效果就越好。基于上述实施例的内容，作为一种可选实施例，在基于样本标签图像及样本标签图像对应的标签对初始模型进行训练，得到图像识别模型之前，还可以对样本标签图像进行扩充。本发明实施例不对扩充样本标签图像的方式作具体限定，包括但不限于：基于预设方式，对各种标签对应的样本标签图像进行扩充，预设方式为以下三种方式中的至少任意一种，以下三种方式分别为色彩抖动、水平垂直方向翻转及水平垂直方向旋转。

具体地，可对样本标签图像进行色彩抖动、水平和垂直方向的翻转，以90°、180°、270°进行旋转等方式进行数据增强，从而对样本进行扩充。需要说明的是，这里扩充样本标签图像主要是为了提高后续网络模型的识别效果。在网络模型训练过程中，前面获取到的以及本步骤中扩充得到的样本标签图像均可以作为训练用的训练集，训练集按照功能可分为三个部分，分别为训练集、验证集及测试集。而对数据集进行划分时应当按照合适的比例进行划分，确保每类数据集中各类标签图像的数据量相对平衡。

基于上述实施例的内容，作为一种可选实施例，图像识别模型至少包括1个输入层、5个卷积层、4个池化层、6个稀疏激活函数层、4个批规范化层、2个全连接层、3个Dropout层以及1个输出层。其中，上述各层之间的连接关系可参考图2。

具体地，卷积层中卷积核大小可以均为3×3，所有卷积层中卷积核的个数可以均为128个。每经过一次卷积操作，网络会有效的提取图像中的特征，生成128个特征图。池化层采用2×2的卷积核进行最大池化，实现特征图的降采样，卷积核步长设置为2，即每次移动2个像素。经过4个池化层可以大大降低网络结构中的权重参数，减小计算成本。最后一个池化层之后是2个全连接层，全连接层将所有特征图矢量化，用一维向量表示整个图像的特征。在全连接层的前后分别增加了dropout层，将神经网络单元按照一定的概率暂时从网络中丢弃，从而防止过拟合现象，提高模型识别准确率。最后在输出层中，采用Softmax函数将特征向量划分为麦穗、叶片和阴影3类。

其中，卷积操作输出特征图的大小可用于下式表示：

Wⁱ⁺¹＝(Wⁱ-F+2P)/S+1

在上式中，Wⁱ表示输入的图像尺寸，F表示卷积核的大小，P和S表示分别代表填充像素和步长。对于一个卷积操作来说，其输入输出关系可用下式表示：

l表示层索引，i表示输入特征图索引，k表示输出特征图索引，

表示以第l-1层上第i个特征图作为输入。

表示第l层上第k个特征图的输出。W表示卷积权重张量，b表示偏置参数，f(·)表示激活函数。

池化层将接收到的结果进行尺寸减小处理，具体可参考如下公式：

其中，down(·)为降采样函数，F为降采样滤波器大小，S是降采样步长。

基于上述实施例的内容，作为一种可选实施例，图像上设置有多个用于麦穗检测的窗口；相应地，本发明实施例不对基于非极大抑制算法确定图像中的麦穗数量，包括但不限于：对多个用于麦穗检测的窗口进行筛选，确定筛选后的窗口中麦穗数量，并作为图像中的麦穗数量。

其中，可通过滑动的方式在图像设置多个用于麦穗检测的窗口，如步长16像素，每次16×16的尺寸大小的窗口进行滑动。由于这些窗口中有些窗口重叠内容较多，有些窗口包含麦穗很少，从而需要对窗口筛选。基于上述实施例的内容，作为一种可选实施例，关于对多个用于麦穗检测的窗口进行筛选的方式，本发明实施例对此不作具体限定，包括但不限于：将多个用于麦穗检测的窗口作为窗口集合，并获取窗口集合中每一窗口内包含麦穗的置信度分数；从所有置信度分数中选取最大的置信度分数，将最大的置信度分数对应的窗口作为目标窗口，逐一遍历窗口集合中除目标窗口之外的每一窗口，若存在窗口满足预设条件，则从窗口集合中剔除目标窗口，并从所有满足预设条件的窗口中选取置信度分数最大的窗口作为新的目标窗口，重复上述遍历过程，直至窗口集合中不存在窗口满足预设条件，预设条件为与目标窗口之间的重叠面积比率大于预设阈值；将窗口集合中剩下的窗口作为筛选后的窗口。

其中，置信度分数的取值范围为0至1。重叠面积比率有如下定义：

在上述定义式中，A、B分别表示邻域内两个不同的麦穗检测窗口。由此计算出本发明实施例中可能的IOU阈值(完全重叠的不计在内)分别有0.0625，0.125，0.1875，0.25，0.375，0.5，0.5625和0.75共8个值。将这8个数值与不同的置信度分数p形成多组不同的试验组，以确定适用于该系统麦穗检测计数的最佳的参数组合。可以理解的，置信度分数设置的越大，计数结果的数量将变小。相反的，IOU设置的越大，计数结果的数量将变大。

基于上述实施例的内容，本发明实施例提供了一种麦穗计数装置，该装置用于执行上述方法实施例中提供的麦穗计数方法。参见图3，该装置包括：输出模块301及确定模块302；其中，

输出模块301，用于将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；

确定模块302，用于当标签为麦穗图像时，则基于非极大抑制算法确定图像中的麦穗数量。

基于上述实施例的内容，作为一种可选实施例，该装置还包括：

获取模块，用于获取麦田环境下各种标签对应的样本标签图像；

训练模块，用于基于样本标签图像及样本标签图像对应的标签对初始模型进行训练，得到图像识别模型。

基于上述实施例的内容，作为一种可选实施例，获取模块，用于获取麦田环境下采集到的样本图像，从所有样本图像中筛选出各种标签对应的样本标签图像，并对各种标签对应的样本标签图像进行归一化处理。

扩充模块，用于基于预设方式，对各种标签对应的样本标签图像进行扩充，预设方式为以下三种方式中的至少任意一种，以下三种方式分别为色彩抖动、水平垂直方向翻转及水平垂直方向旋转。

基于上述实施例的内容，作为一种可选实施例，图像识别模型至少包括1个输入层、5个卷积层、4个池化层、6个稀疏激活函数层、4个批规范化层、2个全连接层、3个Dropout层以及1个输出层。

基于上述实施例的内容，作为一种可选实施例，图像上设置有多个用于麦穗检测的窗口；相应地，确定模块302，包括：

筛选单元，用于对多个用于麦穗检测的窗口进行筛选；

确定单元，用于确定筛选后的窗口中麦穗数量，并作为图像中的麦穗数量。

基于上述实施例的内容，作为一种可选实施例，筛选单元，用于将多个用于麦穗检测的窗口作为窗口集合，并获取窗口集合中每一窗口内包含麦穗的置信度分数；从所有置信度分数中选取最大的置信度分数，将最大的置信度分数对应的窗口作为目标窗口，逐一遍历窗口集合中除目标窗口之外的每一窗口，若存在窗口满足预设条件，则从窗口集合中剔除目标窗口，并从所有满足预设条件的窗口中选取置信度分数最大的窗口作为新的目标窗口，重复上述遍历过程，直至窗口集合中不存在窗口满足预设条件，预设条件为与目标窗口之间的重叠面积比率大于预设阈值；将窗口集合中剩下的窗口作为筛选后的窗口。

本发明实施例提供的装置，通过将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的。若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。由于可自动计算麦穗数量，从而自动化程度高且识别效率高，能够有效减少人工干预带来的主观影响，降低检测过程的应用成本和复杂程度，可有效提高麦穗检测的准确性和实时性，也为设小麦产量预测的相关研究提供了可靠且准确的数据基础。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。

此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签，图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；若标签为麦穗图像，则基于非极大抑制算法确定图像中的麦穗数量。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种麦穗计数方法，其特征在于，包括：

将麦田环境下拍摄到的图像输入至图像识别模型，输出所述图像的标签，所述标签至少包括：麦穗、叶片以及阴影，所述图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；

若所述标签为麦穗图像，则基于非极大抑制算法确定所述图像中的麦穗数量；

所述图像上设置有多个用于麦穗检测的窗口；相应地，所述基于非极大抑制算法确定所述图像中的麦穗数量，包括：

对所述多个用于麦穗检测的窗口进行筛选，确定筛选后的窗口中麦穗数量，并作为所述图像中的麦穗数量；

所述对所述多个用于麦穗检测的窗口进行筛选，包括：

将所述多个用于麦穗检测的窗口作为窗口集合，并获取所述窗口集合中每一窗口内包含麦穗的置信度分数；

从所有置信度分数中选取最大的置信度分数，将最大的置信度分数对应的窗口作为目标窗口，逐一遍历所述窗口集合中除所述目标窗口之外的每一窗口，若存在窗口满足预设条件，则从所述窗口集合中剔除所述目标窗口，并从所有满足预设条件的窗口中选取置信度分数最大的窗口作为新的目标窗口，重复上述遍历过程，直至所述窗口集合中不存在窗口满足所述预设条件，所述预设条件为与所述目标窗口之间的重叠面积比率大于预设阈值；

所述重叠面积比率基于如下公式进行定义：

其中，A、B分别表示邻域内两个不同的麦穗检测窗口；

将所述窗口集合中剩下的窗口作为筛选后的窗口；

所述将麦田环境下拍摄到的图像输入至图像识别模型，输出所述图像的标签之前，还包括：获取麦田环境下各种标签对应的样本标签图像，基于所述样本标签图像及所述样本标签图像对应的标签对初始模型进行训练，得到所述图像识别模型；所述获取麦田环境下各种标签的样本标签图像，包括：获取麦田环境下采集到的样本图像，从所有样本图像中筛选出各种标签对应的样本标签图像，并对各种标签对应的样本标签图像进行归一化处理。

2.根据权利要求1所述的方法，其特征在于，所述基于所述样本标签图像及所述样本标签图像对应的标签对初始模型进行训练，得到所述图像识别模型之前，还包括：

基于预设方式，对各种标签对应的样本标签图像进行扩充，所述预设方式为以下三种方式中的至少任意一种，所述以下三种方式分别为色彩抖动、水平垂直方向翻转及水平垂直方向旋转。

3.根据权利要求1所述的方法，其特征在于，所述图像识别模型至少包括1个输入层、5个卷积层、4个池化层、6个稀疏激活函数层、4个批规范化层、2个全连接层、3个Dropout层以及1个输出层。

4.一种麦穗计数装置，其特征在于，包括：

输出模块，用于将麦田环境下拍摄到的图像输入至图像识别模型，输出所述图像的标签，所述标签至少包括：麦穗、叶片以及阴影，所述图像识别模型是基于样本标签图像以及样本标签图像对应的标签训练得到的；

确定模块，用于当所述标签为麦穗图像时，则基于非极大抑制算法确定所述图像中的麦穗数量；所述图像上设置有多个用于麦穗检测的窗口；相应地，所述基于非极大抑制算法确定所述图像中的麦穗数量，包括：

所述对所述多个用于麦穗检测的窗口进行筛选，包括：

所述重叠面积比率基于如下公式进行定义：

其中，A、B分别表示邻域内两个不同的麦穗检测窗口；

将所述窗口集合中剩下的窗口作为筛选后的窗口；

5.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。

6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至3任一所述的方法。