CN117079286A - 一种指针仪表的识别方法和识别系统 - Google Patents

Abstract

本发明公开了一种指针仪表的识别方法和识别系统，属于数据识别技术领域，识别方法包括：指针仪表的第一图像进行分割，获得分割图；获得与分割图相匹配的模板图像；分别获得分割图和模板图像的特征点；将分割图和模板图像的特征点进行匹配，获得特征点对；利用最小二乘法和特征点对，获得分割图和模板图像的仿射变换矩阵；根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图；基于霍夫变换，获得校准图的指针；根据指针、最小值、最大值、起止刻度和圆心位置，识别读数。基于仿射变换矩阵，对图像进行校准，防止拍摄角度倾斜对读数的影响，以提高识别的准确性；通过对仪表区域的截取和分割，解决复杂背景下的干扰问题。

Description

一种指针仪表的识别方法和识别系统

技术领域

本发明涉及数据识别技术领域，具体涉及一种指针仪表的识别方法和识别系统。

背景技术

指针仪表是一种将度量信号转换为机械位移的仪表，使用指针在刻度盘上指示测量值。指针仪表与数字仪表不同，需要对仪表盘进行观查和读数。

指针仪表检测技术是一种计算机视觉的应用，主要使用图像处理和分析的方法，自动读取指针仪表的指针位置，从而获取读数。在现代制造工业、能源行业、医疗行业等领域都起到了重要的作用，是一个充满挑战和价值的研究热点。

在现代制造工业中，尤其精密制造，监测生产设备的工作状态和环境参数是至关重要的。大量的工艺参数被转化为指针式仪表上的读数，例如压力表、温度计、电流表、转速表等等。在能源行业中，尤其是电力和石油行业，许多场景会应用大量的指针仪表。例如，转换站中的电压表、电流表、电阻表等仪表，石油钻探装置上的压力表和温度表等等。在医疗行业中，许多设备和仪器也使用了指针仪表来显示重要的生理参数，如血压计、各种监测设备、呼吸机等。

这些仪表的读数直接影响设施的安全与效率，因此能及时并精确地获取这些仪表的读数是十分重要的。指针仪表检测技术降低了人员在恶劣环境中工作的风险，提供了更高效和准确的数据读取方式。目前通常采用基于图像识别的方法读取指针仪表图像的数据。但是，这种方式仍存在一些缺陷，具体如下：计算资源限制，图像处理和分析需要大量的计算资源，尤其是当需要实时处理大量高质量图像时，设备可能不能满足处理需求；数据传输和存储，高分辨率图像数据量大，需要大量存储和传输资源，网络环境差的地方可能会导致可用数据被限制；某些应用需要实时读取和处理仪表数据，但网络延迟和计算速度限制会对此产生影响。

指针仪表检测技术是仪表自动化和机器视觉的重要应用之一，它在许多领域都有着广泛的应用需求。然而，由于图像的拍摄角度等环境因素、以及指针仪表复杂性的影响，检测准确性和效率仍然面临的挑战。

因此设计一种更高效可靠的指针仪表识别或检测技术显得尤为重要。

发明内容

针对现有技术中存在的上述技术问题，本发明提供一种指针仪表的识别方法和识别系统，通过仿射变换矩阵对图像进行校准，减少图像拍摄角度对识别结果的影响，实现高效可靠的指针仪表识别。

本发明公开了一种指针仪表的识别方法，包括以下步骤：获取指针仪表的第一图像；对所述第一图像进行分割，获得指针仪表的仪表区域的分割图；获得与所述分割图相匹配的模板图像，所述模板图像标定有最小值、最大值、起止刻度和圆心位置；分别获得分割图和模板图像的特征点；将所述分割图和模板图像的特征点进行匹配，获得特征点对；利用最小二乘法和所述特征点对，获得分割图和模板图像的仿射变换矩阵；根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图；基于霍夫变换，获得校准图的指针；根据所述指针、最小值、最大值、起止刻度和圆心位置，识别读数。

优选的，指针仪表图像截取的方法：

获得指针仪表的拍照图像或视频帧；

基于相关性，为所述拍照图像或视频帧匹配模板；

根据匹配结果，截取拍照图像或视频帧的仪表区域，获得第一图像。

优选的，指针仪表图像截取的具体方法包括：

获得第一模板集，并对所述第一模板集的模板进行预处理；

基于尺度不变特征转换的方法，提取拍照图像、以及模板的图像特征；

通过拍照图像和模板的窗口的图像特征，计算的皮尔逊相关系数；

通过皮尔逊相关系数筛选所述窗口，并根据所筛选的窗口截取第一图像。

优选的，通过预设的第一阈值和皮尔逊相关系数筛选所述窗口；

对第一模板集的模板进行预处理的方法包括：

选取模板的原始图像；

依次对所述原始图像进行灰度化、尺寸归一化和去除噪声。

优选的，通过边端截取拍照图像或视频帧的仪表区域，获得第一图像；并将第一图像上传到云端；通过云端识别所述第一图像。

优选的，对第一图像进行分割的方法包括：

基于边缘检测算子，获得第一图像的边缘图；

基于索贝尔算子，获得第一图像的像素的梯度；

将边缘图中的非零像素点沿梯度的方向画线条；

获得通过各像素点的线条的数量；

通过所述线条的数量，筛选圆心；

根据所述圆心和多个预设半径作圆，并获得所述圆内的像素点数量；

根据所述像素点数量，筛选半径；

根据所述圆心和半径，分割第一图像，获得分割图。

优选的，基于随机抽样一致性的算法，排除仿射变换矩阵的异常值；将分割图的像素点坐标与仿射变换矩阵相乘，获得分割图的像素点在模板图像中的对应位置。

优选的，对校准图进行处理的方法：采用最近邻插值法，对校准图进行插值处理；对校准图进行边界扩展、裁剪或像素填充。

优选的，获得校准图的指针的方法包括：

对校准图依次进行以下操作：灰度化、方图均衡化、图像取反、中值滤波、腐蚀、开运算、二值化和细化操作；

基于细化后的图像进行霍夫直线检测，提取直线特征；

将细化后的边缘图像转换为参数空间，并对直线特征进行累加操作，获得直线特征累加值；

在参数空间寻找累加值高于第二阈值的峰值，获得图像中与峰所述值相应的直线特征；

获取所述直线特征在图像中的位置；

对图像中的位置进行过滤和验证，排除无关线段、并确定指针的位置。

本发明还提供一种用于实现上述识别方法的指针仪表的识别系统，包括采集模块、分割模块、校准模块、指针识别模块和读数模块；

所述采集模块用于获取指针仪表的第一图像；

所述分割模块用于对所述第一图像进行分割，获得指针仪表的分割图；

所述校准模块用于：获得与所述分割图相匹配的模板图像，所述模板图像标定有最小值、最大值、起止刻度和圆心位置；分别获得分割图和模板图像的特征点；将所述分割图和模板图像的特征点进行匹配，获得特征点对；

利用最小二乘法和所述特征点对，获得分割图和模板图像的仿射变换矩阵；根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图；

所述指针识别模块用于基于霍夫变换，获得校准图的指针；

所述读数模块用于根据所述指针、最小值、最大值、起止刻度和圆心位置，识别所述分割图的读数。

与现有技术相比，本发明的有益效果为：基于仿射变换矩阵，对图像进行校准，防止拍摄角度倾斜对读数的影响，以提高识别的准确性；通过对仪表区域的截取和分割，解决复杂背景下的干扰问题。

附图说明

图1是本发明的指针仪表的识别方法流程图；

图2是截取第一图像的方法流程图；

图3是分割第一图像的方法流程图；

图4是图像校准的方法流程图；

图5是识别指针的方法流程图；

图6是本发明的识别系统的逻辑框图。

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的一部分实施例，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做出创造性劳动的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。

下面结合附图对本发明做进一步的详细描述：

一种指针仪表的识别方法，如图1所示，包括以下步骤：

步骤S1：获取指针仪表的拍照图像或视频。

步骤S2：从拍照图像或视频帧中截取仪表区域，获得第一图像。

在一个具体实施例中，步骤S1和S2中边缘端执行。边缘端具有一定的算力，可对原始采集视频流数据进行预处理，可结合模版匹配算法搜索画面中的指针仪表区域，承担部分算法推理任务，能减轻数据传输压力。边缘端将第一图像传输到云端，通过云端进一步识别；以充分利用云边协同的资源。

步骤S3：对第一图像进行分割，获得指针仪表的仪表区域的分割图。进一步减少图像的范围，还可在分割的过程中识别圆心和半径。

步骤S4：基于仿射变换矩阵，对图像进行校准，获得校准图。可以对分割图进行校准，以减少校准的数据量，但不限于此。

步骤S5：基于霍夫变换，获得校准图的指针。

步骤S6：通过指针识别校准图的读数。

步骤S3-S6在云端执行。云端平台可通过5G网络接收边缘端上传的仪表画面数据。当出现结果异常，将输出异常日志，并保留提交相应仪表图像数据。

基于仿射变换矩阵，对图像进行校准，防止拍摄角度倾斜对读数的影响，以提高识别的准确性；通过对仪表区域的截取和分割，解决复杂背景下的干扰问题。可实现对指针仪表读数的智能化、自动化检测，大幅提升了检测效率和精度。利用云边协同技术，云端处理大量数据，优化指针仪表检测的准确性，边缘设备快速响应，提高实时性。将该方法落地到实际场景中，既可以降低系统运行成本，又可以提供更优质的检测性能，直接提高了业务运行的效率和质量。

步骤S1中，可通过部署在指针仪表上的摄像头或相机拍摄指针仪表的表盘，获得拍照图像或视频，其中，视频包括视频帧。例如，在工厂等应用场景(端侧)安装摄像头设备，采集现场指针仪表画面数据，将视频流通过RTSP实时数据传输协议进行传输；边缘端的计算设备将对接入的数据进处理，获取指定RTSP流数据并完成解码。

步骤S2中，截取仪表区域的方法包括以下步骤：

步骤201：获得指针仪表的拍照图像或视频帧。

步骤202：基于相关性，为所述拍照图像或视频帧匹配模板。

步骤203：根据匹配结果，截取拍照图像或视频帧的仪表区域，获得第一图像。

模板中定义有仪表类型，以及仪表区域，因此通过匹配结果，可以根据预设的仪表区域对拍照图像或视频帧截取仪表区域，以减少下游操作的数据量，提高处理效率。

具体的，如图2，可采用以下步骤截取仪表区域：

步骤211：获得第一模板集，并对所述第一模板集的模板进行预处理。

其中，对第一模板集的模板进行预处理的方法包括：选取模板的原始图像；依次对所述原始图像进行灰度化、尺寸归一化和去除噪声。灰度化将彩色图像转换为灰度图像，降低图像的维度，去除颜色信息，保留图像的亮度信息；尺寸归一化将不同尺寸的图像调整为统一的大小，消除图像尺寸的差异，使得不同大小的图像可以进行有效的比较和匹配；去除噪声以减少图像中的干扰信息，增强图像的细节和边缘，提高图像的信噪比，提高匹配过程的准确性。

步骤212：基于尺度不变特征转换(SIFT,Scale Invariant Feature Transform)的方法，提取拍照图像或视频帧、以及模板的图像特征。

SIFT是图像处理领域中的一种局部特征描述算法，常见的特征包括灰度、纹理、边缘等，提取的特征通常用向量形式进行表示。

步骤213：通过拍照图像和模板的窗口的图像特征，计算的皮尔逊(Pearson)相关系数。

可对拍照图像和模板进行适当划分，获得窗口。Pearson相关系数用于度量窗口的图像特征与模板特征之间的线性相关程度，相关性得分越高，表示窗口与模板匹配程度越高。

步骤214：通过皮尔逊相关系数筛选所述窗口，并根据所筛选的窗口截取第一图像。

例如，通过预设的第一阈值和皮尔逊相关系数预筛选所述窗口，可通过调整第一阈值来平衡匹配准确性和鲁棒性。将画面中所有达到第一阈值标准的仪表图像截取保留，根据设置的尺寸阈值进行筛选和截取，将符合标准的第一图像传输到云端，通过云端识别所述第一图像。

如图3，步骤S3中，对第一图像进行分割的方法包括：

步骤301：基于边缘检测算子，获得第一图像的边缘图。

其中，边缘检测算子有差分算子、Roberts算子、Sobel算子、Prewitt算子、Log算子以及Canny算子。优选Canny算子，其主要有以下步骤，高斯滤波、像素梯度计算、非极大值抑制、滞后阈值处理和孤立弱边缘抑制。

步骤302：基于索贝尔(Sobel)算子，获得第一图像的像素的梯度。

Sobel算子主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。

步骤303：将边缘图中的非零像素点沿梯度的方向画线条。

步骤304：获得通过各像素点的线条的数量。可通过维护一个累加器记录数量，有一个线经过该点，累加器加1。

步骤305：通过所述线条的数量，筛选圆心。可对所有累加器进行排序和阈值操作，找到最有可能的圆心。

步骤306：根据所述圆心和多个预设半径作圆，并获得所述圆内的像素点数量。可通过另一个累加器记录像素点数量，像素点数量的变化规律可反映出表盘上的刻度环。

步骤307：根据所述像素点数量，筛选半径。筛选出的半径与下一半径的像素点数量的增幅将大幅变化，因此可以可通过像素点变化率筛选出适当的半径。

步骤308：根据所述圆心和半径，分割第一图像，获得分割图。同时排除圆形以外的像素点，可排除仪表背景的干扰，减少下游操作的数据量。

如图4，步骤S4中，对图像进行校准的方法包括以下步骤：

步骤401：获得与所述分割图相匹配的模板图像，所述模板图像标定有最小值、最大值、起止刻度和圆心位置。

选择正面的清晰仪表图像作为模板图像，要求模板图像和待校准图像的仪表类型和尺寸相同，针对不同仪表的匹配需要配置对应的模板图像。

步骤402：分别获得分割图和模板图像的特征点。

对于模板图像和待校准图像，可使用SIFT的方法来检测图像中的特征点及其特征描述子，特征描述子体现了特征点的位置、尺度、方向等信息。

步骤403：将所述分割图和模板图像的特征点进行匹配，获得特征点对。

可通过特征描述子的计算和匹配，可以找到模板图像和待校准图像中相对应的特征点对。

步骤404：利用最小二乘法和所述特征点对，获得分割图和模板图像的仿射变换矩阵。

即通过最小二乘法求解特征点对的仿射变换矩阵。可基于随机抽样一致性(RANSAC)的算法，排除仿射变换矩阵的异常值，提高变换矩阵的准确性。

步骤405：根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图。

具体的，将分割图的像素点坐标与仿射变换矩阵相乘，获得分割图的像素点在模板图像中的对应位置。

步骤406：插值处理和边界处理。由于仿射变换可能导致坐标为非整数值，为了获取模板图像中的像素值，还可以对校准图进行以下处理：采用最近邻插值法，对校准图进行插值处理；对校准图进行边界扩展、裁剪或像素填充等处理边界问题。处理后获得校准图和模板图像标定的最小值、最大值、起止刻度和圆心位置。

如图5，步骤S5中，获得校准图指针的方法包括以下步骤：

步骤501：对校准图依次进行以下操作：灰度化、方图均衡化、图像取反、中值滤波、腐蚀、开运算、二值化和细化操作。

对图像进行灰度化处理，将原图RGB三通道转换为单通道，将每个像素点的值统一成一个值，进而达到简化运算。方图均衡化把原始图像的直方图变成均匀分布的形式，增加了像素灰度值的动态范围，增强图像整体对比度，提高图像质量。图像取反将图像中的指针区域变成白色，为后续的指针检测做准备。中值滤波用于去除图像中文字和一些刻度对检测的干扰。腐蚀用于将图像黑色部分放大，进而达到去除白色点的作用，利用腐蚀操作消除刻度和表盘中的文字对指针检测造成的干扰。开运算：相当于腐蚀后再膨胀，可以用于消除一些孤立的小点、毛刺和小桥，进一步对图像效果进行优化。二值化，将整个图像变成黑白效果，只存在黑白两种颜色。细化操作：将二值图像的边界线进行细化和连续化，改善边界线的特征和形状，通过迭代细化处理，可以得到更加准确和鲁棒的指针轮廓，为后续的指针定位和识别提供更好的输入。

步骤502：基于细化后的图像进行霍夫(Hough)直线检测，提取直线特征。直线检测为现有技术，本申请中不再赘述。

步骤503：将细化后的边缘图像转换为参数空间，并对直线特征进行累加操作，获得直线特征累加值。

步骤504：在参数空间寻找累加值高于第二阈值的峰值，获得图像中与峰所述值相应的直线特征。

步骤505：获取所述直线特征在图像中的位置。可通过直线参数反变换回图像空间，获取直线特征在图像中的具体位置。

步骤506：对图像中的位置进行过滤和验证，排除无关线段、确定指针的位置，并求解指针的角度。

通过基于模板图像的仿射变换矩阵，对分割图进行校准，可防止拍摄角度倾斜对读数的影响，以提高识别的准确性。

步骤S6中，可根据指针位置、仪表刻度起止位置、仪表最大值、仪表最小值进行指针角度到读数的转换。还可以根据读数进行异常分析和异常告警，当结果异常时，如数据超出检测范围或没有反馈正常数据，则输出异常日志，保留提交相应仪表图像数据，可实时展示读数结果。

本发明还提供一种用于实现上述识别方法的识别系统，如图6所示，包括采集模块1、截取模块2、分割模块3、校准模块4、指针识别模块5和读数模块6。采集模块1用于采集指针仪表的拍照图像。截取模块1用于获取指针仪表的第一图像，具体的从指针仪表的图像中截取第一图像。分割模块2用于对所述第一图像进行分割，获得指针仪表的分割图。校准模块3用于：获得与所述分割图相匹配的模板图像，所述模板图像标定有最小值、最大值、起止刻度和圆心位置；分别获得分割图和模板图像的特征点；将所述分割图和模板图像的特征点进行匹配，获得特征点对；利用最小二乘法和所述特征点对，获得分割图和模板图像的仿射变换矩阵；根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图。指针识别模块4用于基于霍夫变换，获得校准图的指针。所述读数模块5用于根据所述指针、最小值、最大值、起止刻度和圆心位置，识别所述分割图的读数。

在一个具体的部署中，包括端层、边层和云层。端层用于采集监控视频，还用于选取待检测画面，即执行步骤S1。边层包括边端的计算设备，其部署有云边协同的边缘组件，边端用于执行步骤S2。云层包括云端，其部署有云边协同的云端组件，云端用于执行步骤S3-S6。

边缘侧设备采集数据进行预处理，完成模板匹配和图像截取任务，基于云端协同作业，云端设备进行分割、校准和检测，通过计算资源的合理调配，提高指针仪表检测任务的时效性，并进一步减少数据传输资源的损耗，降低算法场景的落地成本。实现了仪表区域的图像质量优化，为后续的指针仪表检测提供了有力的数据支持，通过灰度化、方图均衡化等图像处理技术，进一步提升后续指针仪表检测的算法效果，是一种高效的指针仪表识别方式。

可以弥补原先人工监测方式和图像处理方式的局限性。基于云边协同技术，减轻数据处理和数据传输的资源压力，解决仅依靠云端或边端实现算法推理的缺陷；同时，通过针对性的图像处理方式和高效的算法创新实现了仪表检测方法，极大丰富了可应用场景，提升实际价值。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种指针仪表的识别方法，其特征在于，包括以下步骤：

获取指针仪表的第一图像；

对所述第一图像进行分割，获得指针仪表的仪表区域的分割图；

获得与所述分割图相匹配的模板图像，所述模板图像标定有最小值、最大值、起止刻度和圆心位置；

分别获得分割图和模板图像的特征点；

将所述分割图和模板图像的特征点进行匹配，获得特征点对；

利用最小二乘法和所述特征点对，获得分割图和模板图像的仿射变换矩阵；

根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图；

基于霍夫变换，获得校准图的指针；

根据所述指针、最小值、最大值、起止刻度和圆心位置，识别读数。

2.根据权利要求1所述的识别方法，其特征在于，还包括指针仪表图像截取的方法：

获得指针仪表的拍照图像或视频帧；

基于相关性，为所述拍照图像或视频帧匹配模板；

根据匹配结果，截取拍照图像或视频帧的仪表区域，获得第一图像。

3.根据权利要求2所述的识别方法，其特征在于，指针仪表图像截取的具体方法包括：

获得第一模板集，并对所述第一模板集的模板进行预处理；

基于尺度不变特征转换的方法，提取拍照图像、以及模板的图像特征；

通过拍照图像和模板的窗口的图像特征，计算的皮尔逊相关系数；

通过皮尔逊相关系数筛选所述窗口，并根据所筛选的窗口截取第一图像。

4.根据权利要求3所述的识别方法，其特征在于，通过预设的第一阈值和皮尔逊相关系数筛选所述窗口；

对第一模板集的模板进行预处理的方法包括：

选取模板的原始图像；

依次对所述原始图像进行灰度化、尺寸归一化和去除噪声。

5.根据权利要求2所述的识别方法，其特征在于，通过边端截取拍照图像或视频帧的仪表区域，获得第一图像；并将第一图像上传到云端；

通过云端识别所述第一图像。

6.根据权利要求1所述的识别方法，其特征在于，对第一图像进行分割的方法包括：

基于边缘检测算子，获得第一图像的边缘图；

基于索贝尔算子，获得第一图像的像素的梯度；

将边缘图中的非零像素点沿梯度的方向画线条；

获得通过各像素点的线条的数量；

通过所述线条的数量，筛选圆心；

根据所述圆心和多个预设半径作圆，并获得所述圆内的像素点数量；

根据所述像素点数量，筛选半径；

根据所述圆心和半径，分割第一图像，获得分割图。

7.根据权利要求6所述的识别方法，其特征在于，

基于随机抽样一致性的算法，排除仿射变换矩阵的异常值；

将分割图的像素点坐标与仿射变换矩阵相乘，获得分割图的像素点在模板图像中的对应位置。

8.根据权利要求6所述的识别方法，其特征在于，还包括对校准图进行处理的方法：

采用最近邻插值法，对校准图进行插值处理；

对校准图进行边界扩展、裁剪或像素填充。

9.根据权利要求1所述的识别方法，其特征在于，获得校准图的指针的方法包括：

对校准图依次进行以下操作：灰度化、方图均衡化、图像取反、中值滤波、腐蚀、开运算、二值化和细化操作；

基于细化后的图像进行霍夫直线检测，提取直线特征；

将细化后的边缘图像转换为参数空间，并对直线特征进行累加操作，获得直线特征累加值；

在参数空间寻找累加值高于第二阈值的峰值，获得图像中与峰所述值相应的直线特征；

获取所述直线特征在图像中的位置；

对图像中的位置进行过滤和验证，排除无关线段、并确定指针的位置。

10.一种指针仪表的识别系统，其特征在于，用于实现如权利要求1-9任一项所述的识别方法，所述识别系统包括采集模块、分割模块、校准模块、指针识别模块和读数模块；

所述采集模块用于获取指针仪表的第一图像；

所述分割模块用于对所述第一图像进行分割，获得指针仪表的分割图；

所述校准模块用于：获得与所述分割图相匹配的模板图像，所述模板图像标定有最小值、最大值、起止刻度和圆心位置；分别获得分割图和模板图像的特征点；将所述分割图和模板图像的特征点进行匹配，获得特征点对；

利用最小二乘法和所述特征点对，获得分割图和模板图像的仿射变换矩阵；根据仿射变换矩阵计算分割图的像素点在模板图像中的对应位置，获得校准图；

所述指针识别模块用于基于霍夫变换，获得校准图的指针；

所述读数模块用于根据所述指针、最小值、最大值、起止刻度和圆心位置，识别所述分割图的读数。