CN115186748A - 一种基于深度学习的硅钢性能无损检测方法 - Google Patents

Abstract

本发明提出一种基于深度学习的硅钢性能无损检测方法，包括以下步骤：将待测硅钢带每个测量点的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数作为对应测量点的微磁参数；将待测硅钢带的张力值和待测硅钢带的表面与在线微磁检测探头的直线距离作为待测硅钢带的上每个测量点的生产工艺参数；将待测硅钢带任一个测量点的微磁参数、生产工艺参数输入待测硅钢带的钢种类型对应的已经训练好的拟牛顿神经网络模型；拟牛顿神经网络模型输出该测量点的力学性能参数和磁性能参数。本发明能实现硅钢的力学性能和磁性能的在线检测。

Description

一种基于深度学习的硅钢性能无损检测方法

技术领域

本发明属于硅钢无损检测技术领域，具体涉及一种基于深度学习的硅钢性能无损检测方法。

背景技术

硅钢片是各类电机、变压器等电器的核心材料之一，主要用作各种电机、发电机和变压器的铁心，是电力、电子工业中不可缺少的软磁合金。硅钢质量的优劣，硅钢的制造技术和产品质量是衡量特殊钢生产和科技发展水平的重要标志之一。有效评价硅钢的产品质量则需要相应的检测方法和标准。冷轧硅钢的成品检测，主要包括磁性能、力学性能、磁时效和尺寸、形状及表面质量等方面。

磁性能检验标准有两种，一种是GB/T3655-2008用爱波斯坦方圈测量电工钢(带)磁性能方法，其检测过程为25cm爱波斯坦方圈由初级线圈、次级线圈和作为铁芯的试样组成它形成一个空载的变压器，试样用双塔接头方式装成一个方框，并形成长度和横截面积都相等的四束，按交流特性进行测量。要求试样宽度：b＝30mm±0.2mm；长度：l＝300mm±0.5mm，爱波斯坦方圈实验试样的条片数应为4的倍数，在同一电工钢上切取8片纵向和8片横向试样进行实验。另一种是GB/T13789-92单片电工钢(带)磁性能测量方法，其与GB/T3655-2008的主要区别就是以一个磁导计取代爱波斯坦方圈作为励磁机构，该磁导计由上下对称的两个U型磁轭组成。

目前硅钢还可采用在线连续铁损检测仪进行铁损检测，但在检测过程中要根据钢种的不同手动更改补偿系数，且其测量值也不作为合同的交付值，仅作为工艺调整的参考值。

硅钢的力学性能试验方法参照标准GB228-2002。冷轧无取向硅钢的抗拉强度和屈服强度应符合国家标准GB2521-2008中的规定。通常做法是在带钢头尾取样，然后按照试验方法标准制作拉伸样，并在试验机上按要求进行拉伸试验，得到相应的检测结果来表征一整卷的带钢力学性能。

总的来说，现有技术中硅钢的无损检测必须依靠人工和实验室操作的参与，且测量的精度和效率有待提高。

发明内容

本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于深度学习的多目标优化硅钢性能无损检测方法，将多个微磁检测参数、带钢工艺参数、带钢规格参数当作相关因子作为输入，利用拟牛顿神经网络模型处理复杂多因子输入方面的优势，将实验室测得的力学性能和磁性能作为输出，实现硅钢的力学性能和磁性能的预测。

本发明采用的技术方案是：一种基于深度学习的硅钢性能无损检测方法，包括以下步骤：

在生产过程中，通过测量获取待测带钢的张力值、待测带钢的表面与在线微磁检测探头的直线距离，以及待测带钢的厚度和钢种类型；

在生产过程中，通过在线微磁检测探头获取的待测带钢各个测量点的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数；

将待测带钢每个测量点的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数进行归一化处理，作为对应测量点的微磁参数；

将待测带钢的张力值和待测带钢的表面与在线微磁检测探头的直线距离进行归一化处理，作为待测带钢的上每个测量点的生产工艺参数；

将待测带钢任一个测量点的微磁参数和生产工艺参数输入待测带钢的钢种及厚度对应的已经训练好的拟牛顿神经网络模型；拟牛顿神经网络模型输出该测量点的力学性能参数和磁性能参数；

对该测量点的力学性能参数和磁性能参数进行反归一化处理，得到该测量点的力学性能和磁性能数据；

待测带钢上每个测量点的力学性能和磁性能数据形成该带钢的力学性能和磁性能序列。

上述技术方案中，所述力学性能数据包括屈服强度、抗拉强度、硬度和延伸率；所述磁性能数据包括铁损、磁感和导磁率。

上述技术方案中，所述拟牛顿神经网络模型的训练过程包括：

构建数据集：通过实验室试验检测不同钢种不同厚度的若干个带钢的力学性能数据和磁性能数据；通过在线微磁检测探头获取每个带钢的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数；通过测量获取每个带钢的张力值、其表面与在线微磁检测探头的直线距离；

删除数据集中异常数据，并对数据集中的数据进行归一化处理，得到每个带钢的微磁参数、生产工艺参数和规格参数以及力学性能参数和磁性能参数；

基于数据集构建训练样本集：针对各类型钢种分别对应的不同厚度的带钢分别构建训练样本集；单个训练样本信息包括作为模型输入的微磁参数和生产工艺参数，和作为训练标签的力学性能参数和磁性能参数；

采用各钢种分别对应的不同厚度的带钢的训练样本集分别训练拟牛顿神经网络模型，得到不同钢种下不同厚度的带钢对应的拟牛顿神经网络模型。

上述技术方案中，拟牛顿神经网络模型的训练过程还包括：

确定拟牛顿神经网络模型的隐含层神经元数量；

训练参数初始化，包括设定允许误差和学习率；

将训练样本集输入拟牛顿神经网络模型，采用Adam算法对训练过程优化，基于训练数据迭代更新拟牛顿神经网络模型的权重，直到拟牛顿神经网络模型收敛。

上述技术方案中，拟牛顿神经网络模型的训练过程还包括：

采用均方根误差RMSE指标来对训练好的拟牛顿神经网络模型进行性能评估，RMSE的值越小，表示模型的预测值越接近真实值，模型的精度越高，性能越好；不断调整拟牛顿神经网络模型参数直到拟牛顿神经网络模型的RMSE值达到要求。

上述技术方案中，还包括以下步骤：将拟牛顿神经网络模型输出的某个带钢的力学性能和磁性能序列与实验室测量得到的该钢带的力学性能和磁性能数据进行对比，计算对应的误差率；若误差率超过阈值，则结合已经获得的若干个带钢的微磁参数和生产工艺参数以及力学性能参数和磁性能参数，重新进行对应的拟牛顿神经网络模型的训练及优化。

上述技术方案中，还包括以下步骤：设定时间周期，在每个时间周期结束后，结合在对应的时间周期内获得的若干个带钢的微磁参数、生产工艺参数和规格参数以及力学性能参数和磁性能参数，重新进行拟牛顿神经网络模型的训练及优化。

上述技术方案中，所述带钢的力学性能和磁性能序列的输出频率为在线微磁检测探头的检测频率。

上述技术方案中，删除数据集中异常数据的过程包括：通过人为设定力学性能和磁性能的阈值，筛选出数据集中的异常值，并将其对应的训练样本数据作为异常样本进行删除。

本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于深度学习的硅钢性能无损检测方法程序，所述基于深度学习的硅钢性能无损检测方法程序被处理器执行时实现如上述技术方案所述的基于深度学习的硅钢性能无损检测方法的步骤

本发明的有益效果是：采用拟牛顿法将在线生产的带钢，利用在线的微磁检测设备检测其微磁参数，通过钢种和厚度分类进行模型计算，计算得到带钢力学性能和磁性能参数，该检测系统能实现硅钢全长在线、米级力磁性能检测，提高了检测的效率，同时也为在线工艺调整提供了手段。

本发明对不同钢种下不同的厚度的带钢进行分类，分别构建对应的拟牛顿神经网络模型，提高了带钢的检测精度。本发明通过训练拟牛顿神经网络模型挖掘硅钢带钢的微磁参数和工艺参数与其力学性能参数和磁性能参数之间存在的关系，从而硅钢的在线力学性能和磁性能的检测。本发明在构建训练样本的过程中通过实际生产线上的数据获取不同带钢的相关工艺参数，数据来源丰富且便捷；同时对数据集中的异常数据进行删除，保证模型的准确性。本发明根据拟牛顿神经网络模型实时输出的检测结果判定模型的误差率从而进一步优化模型精度。本发明基于设定时间段内输出结果重新构建训练集对模型进行优化训练，强化模型的检测精度。

附图说明

图1为本发明的流程示意图。

图2为具体实施例的硬度的测量值与实验室计算值对比示意图；

图3为具体实施例的抗拉强度的测量值与实验室计算值对比示意图；

图4为具体实施例的屈服强度的测量值与实验室计算值对比示意图；

图5为具体实施例的铁损的测量值与实验室计算值对比示意图；

图6为具体实施例的磁感的测量值与实验室计算值对比示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。

如图1所示，本发明提供如下技术方案：一种基于深度学习的硅钢性能无损检测方法，包括以下步骤：

S1：收集硅钢力学性能和磁性能预测所需数据集并进行预处理；

S2：针对采集到的微磁数据、工艺数据，采用标准的方法进行归一化处理；

S3：拟牛顿神经网络模型的建立；

S4：利用训练样本数据对拟牛顿神经网络模型进行优化；

S5：利用训练好的拟牛顿神经网络模型对待测带钢的力学性能和磁性能进行预测。

本发明通过数据采集，对数据进行预处理，形成训练样本对对应钢种及对应厚度的拟牛顿神经网络模型进行训练，当均方根误差和偏差达到目标优化值后，再将在线检测到的带钢的微磁参数和带钢的生产工艺参数输入优化后的对应类型及对应厚度的拟牛顿神经网络模型，得到正在生产的带钢的力学性能和磁性能。

所述步骤S1中，数据采集包括通过在线微磁探头测量获得的微磁参数。所述在线微磁探头科采用德国Fraunhofer公司生产的3MA探头。通过生产线上的二级系统获得带钢生产的工艺参数、带钢规格参数。通过实验室试验获得带钢的实验室力学性能和磁性能的检测结果。

具体的微磁参数包括通过探头对带钢检测得到的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数；带钢生产的工艺参数包括探头检测处带钢的张力值、探头距离带钢的高度；带钢的规格参数包括带钢的厚度、带钢的钢种分类；带钢的实验室力学性能检测结果包括屈服强度、抗拉强度、硬度和延伸率，磁性能检测结果包括铁损、磁感和导磁率。

所述步骤S1中，对数据的预处理是指对采集到的数据进行异常数据的剔除和标准化处理后得到训练样本。所述异常数据的剔除是指，将无用或缺失的数据删除，通过人为设定力学性能和磁性能的阈值，筛选出原始数据中的异常值，并将起对应的样本数据作为异常样本，即对应的微磁参数、带钢生产的工艺参数和带钢规格参数全部进行删除。

所述步骤S2中，所述标准化归一化处理是指，将原始样本数据样本的80％作为训练集，剩下的20％作为测试集，并对所有的数据进行归一化处理，具体地，针对不同的变量数据，通过如下公式：

把数据限制在[0,1]区间，其中x为原始数据，x’为标准化后的数据，x_min、x_max为原始数据的的最大数和最小数。

所述步骤S3中，拟牛顿神经网络模型的建立及参数的初值的设定包括如下具体步骤：

S31,按照不同钢种下对应的不同厚度对数据样本进行分类；同一种钢种类型下分别对应有不同的厚度，属于某种钢种类型且处于某种厚度区间的带钢数据形成一类样本集。针对不同类型的钢种采用不同的厚度区间划分方式，具体依据不同类型钢种的性质。

S32,以在线微磁检测探头检测到的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数，以及带钢的张力值和探头距离带钢的高度作为输入层神经元。

S33,以实验室检查数据屈服强度、抗拉强度、硬度和延伸率，铁损、磁感和导磁率作为输出层神经元。

S34,设定神经元激励函数f(x):隐含层激励函数为tanh(x)，输出层的激励函数为purelin(x)；

S35，利用Nguyen-Widrow算法对神经网络预测模型的权值和阈值进行初始化，最大网络迭代次数为1000。

所述步骤S4中，拟牛顿神经网络模型的训练和优化，包括基于隐含层神经元取值优化、拟牛顿算法的神经网络和预测模型。将步骤S31中形成的各类样本集分别划分为对应的训练集和测试集，并采用各类的训练集和测试集分别对拟牛顿神经网络模型训练，测试，得到优化后的不同钢种类型下不同带钢厚度对应的拟牛顿神经网络模型。

所述步骤S4中，拟牛顿神经网络模型的训练与优化具体过程为：

S41，通过经验公式

确定隐含层神经元数量，其中，N_i是输入层神经元个数，N₀是输入层神经元个数，N_s是训练集的样本数，α是自取任意值变量，通常取值范围为2-10。

S42，训练参数初始化，包括设定允许误差和学习率。

S43，将训练样本输入拟牛顿神经网络模型，采用Adam算法对训练过程优化，基于训练数据迭代更新拟牛顿网络的权重，直到模型收敛。

S44,将计算出的硅钢的力学性能和磁性能数据进行反归一化处理，具体是值：y'＝x_min+y(x_max-x_min)，其中y’为反归一化后的实际值，y是模型的输出值，x_min、x_max为模型输入数据的最大值和最小值。

所述的网络训练采用均方根误差RMSE指标来对训练好的模型进行性能评估，是指在测试集上的预测值与真实值的差平方的期望值的平方根，即：

其中，n指数据的个数，xi为真实值，pi是预测值，RMSE的值越小，表示模型的预测值越接近真实值，模型的精度越高，性能越好。

步骤S5中，硅钢的力学性能和磁性能的预测，通过生产线二级系统反馈的待测带钢的钢种类型和厚度，选定用于预测的拟牛顿神经网络模型。通过将在线微磁检测探头检测到的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数，以及生产线二级系统反馈的带钢的张力值、探头距离带钢的高度数据进行归一化处理后，输入选定好的拟牛顿神经网络模型，将拟牛顿神经网络模型的输出值进行反归一化处理后，得到正在生产的这卷硅钢长度方向上的力学性能和磁性能序列，其输出频率对应于微磁检测探头的检测频率。

本发明运行的过程中，会将实验室测得的性能数据与在线预测数据进行对比，计算对应的误差率，若误差率超过阈值，则结合最近的历史数据，重新进行模型的训练及优化，进行保证预测的准确度。

优选地，也可以固定周期，结合近期的历史数据对模型进行优化，提升模型的预测精度。

下面结合具体实施例的实验数据，进一步说明本发明。

本具体实施例提供了一种基于深度学习的多目标优化硅钢性能无损检测方法，包括以下步骤：

步骤1：收集某无取向硅钢产线连续生产的不同钢种类型的厚度为0.35mm的带钢在线微磁信号参数，带钢的张力参数，并同时收集该带钢的实验室力学性能与磁性能离线检测数据。

步骤2：微磁检测探头对每个检测点检测41组微磁参数，包括7个巴克豪森参数(最大幅值、一个励磁周期内幅值的均值、剩磁点幅值、最大幅值时矫顽磁场的磁场强度、最大幅值的25％时矫顽磁场的磁场强度、最大幅值的50％时矫顽磁场的磁场强度、最大幅值的75％时矫顽磁场的磁场强度)，11个切向磁场强度谐波分析特征参数(3、5、7次谐波的幅值及相位，3、5、7、9次谐波幅值和，变形系数，矫顽力，磁滞回线零点处的谐波幅值和电磁线圈稳态电压)，7个增量磁导率特征参数(最大幅值，一个励磁周期内幅值的均值，剩磁点幅值，分别为最大幅值、幅值的25％、幅值的50％、幅值的75％时磁导率曲线的宽度)，16个多频涡流特征参数(4个不同涡流频率下的线圈阻抗信号的实部、虚部、幅值和相位)。在线的采样带钢只设定2个检测点，分别为带钢的首尾两端的采集点。

对应的每个检测点都有实验室力学性能与磁性能数据。利用EXCEL的相关功能将41组微磁参数、带钢张力、厚度及力学和磁性能检测参数整合成一张表，并将缺失数据的样本和重复的样本剔除，异常数据使用多次测量的平均值替代，形成样本数据。

步骤3：将所有样本数据根据钢种和厚度分成若干类。采用每一类样本数据分别对拟牛顿神经网络模型进行训练。从每一类样本数据中随机选取其中80％的样本数据作为训练样本集，剩下的20％的样本数据作为测试样本集。

步骤4：将所有的样本数据按公式

进行归一化处理。

步骤5：通过经验公式

确定隐含层神经元数量，其中，N_i是输出层神经元个数，取值为1，即每个力学和磁性能分别进行训练得到。N₀是输入层神经元个数，取值为43，N_s是训练集的样本数，α取值为2。本具体实施例中，隐含层的层数为2，神经元的个数设为30。

步骤6：设定神经元激励函数f(x):隐含层激励函数为tanh(x)，输出层的激励函数为purelin(x)，利用Nguyen-Widrow算法对神经网络预测模型的权值和阈值进行初始化，最大网络迭代次数为1000，设定允许误差0.001，学习率0.01。

步骤7：将归一化后的各类训练样本集分别输入对应的拟牛顿神经网络模型，采用Adam算法对训练过程优化，基于训练数据迭代更新拟牛顿网络的权重，直到模型收敛。

采用均方根误差RMSE指标来对训练好的模型进行性能评估，是指在测试集上的预测值与真实值的差平方的期望值的平方根，即

其中，n指数据的个数，x_i为真实值，p_i是预测值，RMSE的值越小，表示模型的预测值越接近真实值，模型的精度越高，性能越好。不断调整模型参数直到模型的RMSE值达到要求。

步骤8：将训练好的各类拟牛顿神经网络模型应用到实际的生产线上，微磁检测探头垂直于带钢表面安装在距离带钢表面1mm的地方，对运行中的带钢进行微磁信号检测，将采集得到的每组41个微磁参数和在线的工艺参数(带钢张力和探头距带钢的距离)输入到运行中的带钢基于钢种类型和厚度所对应的拟牛顿神经网络模型中，将拟牛顿神经网络模型输出经过反归一化后得到该带钢某点处的力学性能和磁性能预测。

将模型出输出进行反归一化处理，具体是值：y'＝x_min+y(x_max-x_min)，其中y’为反归一化后的实际值，y是拟牛顿神经网络模型的输出值，x_min、x_max为拟牛顿神经网络模型输入数据的最大值和最小值。

结合图2-6和表1可知，本具体实施例的在线预测数据与对应的在实验室测得的性能数据近似，由此可见，本发明的测量精度较高。

表1具体实施例的测量精度对照表

步骤9：不断地将实验室测得的性能数据与在线预测数据进行对比，计算对应的误差率，若误差率超过阈值，则结合最近的历史数据，重新进行模型的训练及优化，进行保证预测的准确度。若一个月内准确度均能保证，则每个月结合近期的历史数据对模型进行优化，提升模型的预测精度。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于深度学习的硅钢性能无损检测方法，其特征在于：包括以下步骤：

在生产过程中，获取待测带钢的张力值、待测带钢的表面与在线微磁检测探头的直线距离，以及待测带钢的厚度和钢种类型；

在生产过程中，通过在线微磁检测探头获取的待测带钢各个测量点的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数；

将待测带钢每个测量点的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数进行归一化处理，作为对应测量点的微磁参数；

将待测带钢的张力值和待测带钢的表面与在线微磁检测探头的直线距离进行归一化处理，作为待测带钢的上每个测量点的生产工艺参数；

将待测带钢任一个测量点的微磁参数和生产工艺参数输入待测带钢的钢种类型及厚度对应的已经训练好的拟牛顿神经网络模型；拟牛顿神经网络模型输出该测量点的力学性能参数和磁性能参数；

对该测量点的力学性能参数和磁性能参数进行反归一化处理，得到该测量点的力学性能和磁性能数据；

待测带钢上每个测量点的力学性能和磁性能数据形成该带钢的力学性能和磁性能序列。

2.根据权利要求1所述的方法，其特征在于：所述力学性能数据包括屈服强度、抗拉强度、硬度和延伸率；所述磁性能数据包括铁损、磁感和导磁率。

3.根据权利要求2所述的方法，其特征在于：所述拟牛顿神经网络模型的训练过程包括：

构建数据集：通过实验室试验检测不同钢种不同厚度的若干个带钢的力学性能数据和磁性能数据；通过在线微磁检测探头获取每个带钢的巴克豪森参数、切向磁场强度谐波分析特征参数、增量磁导率特征参数和多频涡流特征参数；通过测量获取每个带钢在在线微磁检测探头处的张力值、其表面与在线微磁检测探头的直线距离；

删除数据集中异常数据，并对数据集中的数据进行归一化处理，得到每个带钢的微磁参数、生产工艺参数和规格参数以及力学性能参数和磁性能参数；

基于数据集构建训练样本集：针对各类型钢种分别对应的不同厚度的带钢分别构建训练样本集；单个训练样本信息包括作为模型输入的微磁参数和生产工艺参数，和作为训练标签的力学性能参数和磁性能参数；

采用各类型钢种分别对应的不同厚度的带钢的训练样本集分别训练拟牛顿神经网络模型，得到不同钢种下不同厚度的带钢对应的拟牛顿神经网络模型。

4.根据权利要求3所述的方法，其特征在于：拟牛顿神经网络模型的训练过程还包括：

确定拟牛顿神经网络模型的隐含层神经元数量；

训练参数初始化，包括设定允许误差和学习率；

将训练样本集输入拟牛顿神经网络模型，采用Adam算法对训练过程优化，基于训练数据迭代更新拟牛顿神经网络模型的权重，直到拟牛顿神经网络模型收敛。

5.根据权利要求4所述的方法，其特征在于：拟牛顿神经网络模型的训练过程还包括：

采用均方根误差RMSE指标来对训练好的拟牛顿神经网络模型进行性能评估，RMSE的值越小，表示模型的预测值越接近真实值，模型的精度越高，性能越好；不断调整拟牛顿神经网络模型参数直到拟牛顿神经网络模型的RMSE值达到要求。

6.根据权利要求1所述的方法，其特征在于：还包括以下步骤：将拟牛顿神经网络模型输出的某个带钢的力学性能和磁性能序列与实验室测量得到的该钢带的力学性能和磁性能数据进行对比，计算对应的误差率；若误差率超过阈值，则结合已经获得的若干个带钢的微磁参数和生产工艺参数以及力学性能参数和磁性能参数，重新进行对应的拟牛顿神经网络模型的训练及优化。

7.根据权利要求1所述的方法，其特征在于：还包括以下步骤：设定时间周期，在每个时间周期结束后，结合在对应的时间周期内获得的若干个带钢的微磁参数和生产工艺参数以及力学性能参数和磁性能参数，重新进行对应的拟牛顿神经网络模型的训练及优化。

8.根据权利要求1所述的方法，其特征在于：所述带钢的力学性能和磁性能序列的输出频率为在线微磁检测探头的检测频率。

9.根据权利要求3所述的方法，其特征在于：删除数据集中异常数据的过程包括：通过人为设定力学性能和磁性能的阈值，筛选出数据集中的异常值，并将其对应的训练样本数据作为异常样本进行删除。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有基于深度学习的硅钢性能无损检测方法程序，所述基于深度学习的硅钢性能无损检测方法程序被处理器执行时实现如权利要求1-9任一项所述的基于深度学习的硅钢性能无损检测方法的步骤。

Images