城軌列車受電弓滑板磨耗檢測技術研究

陳葉健,姚小文,張 永,邢宗義

(南京理工大學自動化學院,南京 210094)

城軌列車受電弓滑板磨耗檢測技術研究

陳葉健,姚小文,張 永,邢宗義

(南京理工大學自動化學院,南京 210094)

為實現城軌列車受電弓滑板磨耗的在線非接觸式檢測,對城軌列車受電弓滑板磨耗檢測技術進行研究。提出一種基于圖像處理的受電弓滑板磨耗檢測方法,其步驟為：首先,對采集系統(tǒng)采集到的原始圖像進行圖像濾波,濾除原始圖像中的混合噪聲；然后,采用基于直方圖凹度分析的自適應Canny邊緣檢測方法對濾波后的圖像進行邊緣檢測,檢測出圖像內受電弓滑板邊緣；最后,通過相機標定和曲線融合獲得實際的受電弓滑板磨耗曲線,以判斷受電弓滑板磨耗是否超限。試驗結果表明：該方法能有效地檢測出原始圖像中的受電弓滑板磨耗曲線,能有效地實現城軌列車受電弓滑板磨耗的在線非接觸式檢測。

城軌列車；受電弓滑板；圖像濾波；自適應Canny邊緣檢測；相機標定

城軌交通系統(tǒng)中，受電弓是城軌列車和接觸線的電連接設備，其滑板的狀態(tài)好壞對城軌列車的供電有直接的影響。在列車運行過程中，其滑板與接觸線摩擦產生磨耗，降低了滑板的使用壽命，過度磨耗將造成列車停運，對列車安全運行造成極大的影響[1]。因此，受電弓滑板磨耗的在線實時檢測對于保障城軌列車的安全運營具有重大的實際意義。

孫豐暉等[2-4]在檢測區(qū)域正上方安裝超聲波傳感器，利用超聲波原理設計了一套受電弓滑板磨耗在線檢測裝置；岳安志等[5]基于主動形狀模型(Active Shape Model)提出了一種受電弓滑板磨耗在線檢測方法；北京的天佐天佑公司基于激光測距及圖像處理技術設計和開發(fā)了一種受電弓滑板磨耗在線檢測系統(tǒng)[6]；Aydin I[7]提出了一種自動定位受電弓檢測區(qū)域并去除圖像質量受天氣等因素影響，同時采用螢火蟲算法檢測滑板故障的新診斷方法；Judek S等[8]提出了一種基于3D掃描受電弓表面的滑板磨耗及其故障在線檢測算法。

本文提出一種受電弓滑板磨耗檢測算法，通過基于直方圖凹度分析的自適應Canny邊緣檢測算法獲取受電弓滑板邊緣圖像，根據相機的內部參數和外部參數求取受電弓滑板實際的磨耗剩余值，進一步實現受電弓滑板磨耗曲線的繪制。該方法能有效地獲得受電弓滑板磨耗曲線，為判斷受電弓滑板磨耗是否超限提供依據。

1 圖像處理技術簡介

圖像是獲取和交換信息的主要來源，數字圖像處理技術具有再現性好，處理精度高，靈活性高等優(yōu)點，因此其應用到人類生活和工作的方方面面，如航天航空技術、通信工程等。本文將圖像處理技術應用到鐵路安全運輸方面[9]。在檢測現場安裝4臺基于CCD感光芯片的工業(yè)相機，每2臺拍攝列車車頂上受電弓的一個滑板。工業(yè)相機拍攝到的滑板圖像經千兆以太網傳輸到圖像處理系統(tǒng)，圖像經過圖像處理系統(tǒng)中的濾波、邊緣檢測、相機標定等圖像處理技術來檢測受電弓滑板的磨耗。

圖像在采集、傳輸和接受的過程中會不可避免地受到外部環(huán)境的干擾，這導致圖像中存在大量的噪聲[9]。而圖像處理中的邊緣檢測算法主要是基于圖像灰度的導數算法。導數對噪聲比較敏感，噪聲與邊緣檢測的結果直接相關，因此需要采用濾波器濾除噪聲來改善圖像的質量，從而提高邊緣檢測的準確性。圖像濾波的目的在于保全圖像邊緣信息的同時，最大程度地降低噪聲，但是降低噪聲和增強邊緣是邊緣檢測中的一個矛盾問題，是邊緣檢測過程中的一個難點，實際應用中需根據實際問題對兩者進行折中。

圖1 階躍邊緣

圖像邊緣指的是圖像局部灰度值發(fā)生突變或者灰度值變化比較劇烈的區(qū)域，是圖像分析的重要特征，主要存在于目標與目標、目標與背景、區(qū)域與區(qū)域之間[10-11]。根據圖像邊緣的幅度，將邊緣分為階躍邊緣和屋脊邊緣兩種，如圖1(a)、圖2(a)所示，階躍邊緣兩側的灰度值有明顯的變化，而屋脊邊緣位于灰度值極大值點處。為更清晰地判斷圖像邊緣的準確位置，分別求取階躍邊緣和屋脊邊緣的一階、二階導數，如圖1(b)、圖1(c)，圖2(b)、圖2(c)所示。邊緣檢測的目的就是采用相關數字圖像處理技術,將圖像中的灰度變化劇烈的像素點檢測出來，并獲得其在圖像中具體位置。

圖2 屋脊邊緣

2 受電弓滑板磨耗檢測算法

受電弓和接觸導線按“之”字形布局構成1對摩擦副，接觸導線和受電弓運行方向之間(軌道中心線)的夾角為1.2/50 rad[12]，夾角很小，可認為受電弓滑板上表面在寬度方向上的磨耗是相同的，所以，可以用受電弓滑板的上下邊緣來對整個受電弓滑板的磨耗進行分析。但是在受電弓運行過程中，接觸網與滑板之間經常產生打火、拉弧等現象，導致滑板托架變黑。另外，雨水也會影響滑板下邊緣的提取。因此，滑板下邊緣的提取變得越發(fā)困難。為提高系統(tǒng)的檢測精度，本文檢測滑板上邊緣和托架下邊緣之間的距離，將該距離值減去滑板托架的厚度得到滑板的剩余磨耗值。

本文檢測受電弓滑板磨耗主要利用2臺CCD相機拍攝的半弓圖像進行分析，采用數字圖像處理技術，提取受電弓滑板上邊緣與托架下邊緣；通過相機標定計算滑板上邊緣和托架下邊緣之間的距離，減去托架厚度獲取半弓滑板剩余磨耗曲線；將2條半弓滑板磨耗曲線進行曲線融合，從而得到整個滑板的剩余磨耗曲線，受電弓滑板磨耗檢測流程如圖3所示。

圖3受電弓滑板磨耗檢測流程

2.1 圖像濾波

受電弓滑板磨耗檢測中，由于受外界環(huán)境的影響，采集到的原始圖像往往包含大量噪聲。而原始圖像中大量噪聲的存在會嚴重影響邊緣提取，不利于對受電弓滑板磨耗的分析，因此對含噪聲的原始圖像進行圖像濾波是非常有必要的，也為進一步提高分析受電弓滑板磨耗的準確度奠定了基礎。

由于相機采集到的原始圖像存在大量的混合噪聲，主要是脈沖和高斯噪聲。本文提出一種濾除混合噪聲的濾波算法，首先采用中值濾波算法對脈沖噪聲進行抑制，再采用均值濾波算法對高斯噪聲進行抑制，2種濾波算法遞進濾除受電弓圖像中的混合噪聲[13]。

圖像濾波后，通常采用均方差(MSE)和峰值信噪比(PSNR)[14]來對圖像濾波算法的性能進行客觀評價。均方差(MSE)是一個原始圖像與濾波后圖像之間的均方誤差的工程術語，峰值信噪比(PSNR)是一個表示信號最大可能功率和影響他的表示精度的破壞性噪聲功率的比值的工程術語，由此可知，均方差(MSE)越小，峰值信噪比(PSNR)越大，濾波效果越好。均方差(MSE)的定義為

式中，I(i，j)為原始圖像；K(i，j)為濾波后圖像。

峰值信噪比(PSNR)的定義為

式中，MAX表示圖像點顏色的最大數值。

2.2 自適應Canny邊緣檢測

自適應Canny邊緣檢測算法提出一種通過對圖像梯度直方圖的凹度分析自動實現高低閾值設置的邊緣檢測算法。自適應Canny邊緣檢測算法的具體步驟如下。

(1)梯度計算

在圖像濾波后的圖像中像素點及其8鄰域內采用3×3卷積模塊計算該點的梯度。圖像像素點(i，j)在水平垂直方向上的定義為

fx(i，j)=f(i+1，j-1)+2f(i+1，j)+

f(i+1，j+1)-f(i-1，j-1)-2f(i-1，j)-

fy(i，j)=f(i-1，j+1)+2f(i，j+1)+

f(i+1，j+1)-f(i-1，j-1)-2f(i，j-1)-

梯度幅值M(i，j)定義為

梯度方向定義為

梯度幅值M(i，j)反映了圖像像素點(i，j)的邊緣強度，θ(i，j)為圖像上像素點(i，j)的法向矢量，與邊緣的方向垂直。

(2)非極大值抑制

非極大值抑制只保留局部梯度極大值點，抑制非極大值點，具體算法如下。

①將梯度的方向角θ(i，j)的變化范圍減少到4個扇區(qū)之一，如圖4所示，這4個扇區(qū)的編號為0到3。對于點(i，j)，根據其梯度方向確定所在的扇區(qū)ξ(i，j)。

②采用尺寸大小為3×3的窗口作用于梯度幅值圖的所有點，在以點(i，j)為中心的8鄰域內，鄰域內任一像素點必然位于4個扇區(qū)之一，根據點的梯度方向確定其所在扇區(qū)，選取該扇區(qū)相鄰的兩個點與點(i，j)進行梯度幅值比較，若點(i，j)的梯度幅值大于這2個點的梯度幅值，則點(i，j)可能是邊緣點，相對應M(i，j)中的值保持不變。反之，點(i，j)不是邊緣像素點，相對應M(i，j)中的值置零。

③對圖像所有像素點進行以上處理，獲得單像素寬度的梯度幅值特征圖。

圖4 梯度方向的扇區(qū)劃分

(3)基于直方圖凹度分析的高低閾值選取

將直方圖凹度分析運用到高低閾值的選取當中，對梯度幅值直方圖進行凹度分析來選取高低閾值，高低閾值選取具體過程如下。

①求取受電弓圖像的256級梯度幅值直方圖h(i)，提取直方圖h(i)的非零起點[istart，h(istart)]和非零終點[iend，h(iend)]。

②根據式(8)計算直方圖中梯度幅值從istart和iend的斜率。

其中，s(i)為斜率；i為梯度幅值。

③提取斜率s(i)的最大值及對應的梯度幅值ipeak，[ipeak，h(ipeak)]是梯度直方圖的一個凸點，若ipeak

(4)邊緣點判斷

邊緣點的判斷方法為：根據梯度幅值特征圖像進行判斷，若點的梯度幅值大于Th，則認為該點是邊緣點；若點的梯度幅值小于Tl，則該點不是邊緣點；若點的梯度幅值在Tl和Th之間，則該點可能為邊緣點，需進一步判斷，根據該點左右的鄰接點的梯度幅值進行判斷，若存在梯度幅值大于Th的點，則認為該點是邊緣點，否則該點不是邊緣點。

(5)邊緣連接

對于經過非極大值抑制處理后的圖像N(i，j)，經過高、低閾值檢測分別得到邊緣圖像Th(i，j)和Tl(i，j)。圖像Th(i，j)是經過高閾值處理得到的圖像；Tl(i，j)是經過低閾值檢測得到的圖像。根據邊緣的連通性，以圖像Th(i，j)為基礎，在圖像Tl(i，j)中搜索可能存在的邊緣點用于邊緣連接，得到最終的邊緣圖像。邊緣連接算法具體過程如下。

①遍歷邊緣圖像Th(i，j)，當檢測到一個非零點P時，對以P為出發(fā)點的輪廓線進行跟蹤，一直檢測到該輪廓線的終點Q。

②在圖像Tl(i，j)中找到與Th(i，j)中的Q點坐標位置相對應的Q′點，在以Q′點為中心的8個鄰域內檢測非零點R′(有連通關系的點)，然后在圖像Th(i，j)中設置與點R′對應的點R。

③同理，繼續(xù)在圖像Th(i，j)中搜索跟蹤以R點為出發(fā)點的輪廓線。重復以上步驟，循環(huán)進行，直到在圖像Th(i，j)和Tl(i，j)中找不到可以與此輪廓相連接的點。這樣，就完成了包含點P的輪廓線連接。然后跟蹤Th(i，j)中的每一條輪廓線，直到在圖像Th(i，j)中找不到新的輪廓線為止。

本文采用客觀評價指標來評價邊緣檢測算法，其中客觀評價指標主要包含重構相似度(MSSIM)和連續(xù)性指標(CIdx)，將二者的加權和值作為邊緣檢測的最終客觀評價指標EIdx[15]，如式(9)所示。EIdx值越大，則表明圖像邊緣的檢測效果越好，算法的檢測性能越好。

式中，ω1、ω2分別為重構相似度、連續(xù)性指標的權重，且ω1+ω2=1。

2.3 相機標定

通過自適應Canny邊緣檢測獲得邊緣圖像后，需要根據相機標定獲得的相機內部參數和外部參數將受電弓滑板上邊緣與托架下邊緣之間的距離值轉化為現實世界坐標系下的距離值，減去托架厚度獲得受電弓滑板磨耗曲線。由于張正友標定法具有很好的魯棒性，而且其對標定板的要求不高，具有很強的使用性，所以本文選用張正友標定法進行相機標定。

相機標定過程：在相機的視野范圍內放置黑白棋盤格標定板，通過移動標定板采集并存儲多張不同姿態(tài)的標定板圖像，然后計算并提取標定板上的角點亞像素坐標，最后利用相關開源軟件計算相機的內部參數(相機焦距f、圖像中心點(u0，v0)、像元尺寸dx和dy、畸變系數δx(x，y)、δy(x，y)等)和外部參數(旋轉矩陣R和平移向量T)。

根據張正友標定法得到的相機的內部參數和外部參數可確定世界坐標系到攝像機坐標系之間的轉換關系，從而得到三維物理空間點Q在世界坐標系中的坐標與其成像點q在圖像像素坐標中的坐標之間的變換關系，此變換關系如式(10)所示。

2.4 曲線融合

本文采用2組相機分別采集受電弓左右半弓的圖像，所以要想獲得全弓滑板的磨耗剩余厚度曲線，需將兩組相機采集到的半弓剩余磨耗曲線進行數據融合，令左半弓剩余磨耗曲線所在坐標系為ol-xlyl，右半弓剩余磨耗曲線所在坐標系為or-xryr，根據滑板的特征將這兩個坐標系進行融合，融合后的坐標系為o-xy。

將左右半弓滑板磨耗數據點根據式(11)進行數據融合處理，將坐標系ol-xlyl與or-xryr的滑板磨耗數據融合到坐標系o-xy中，從而得到完整的滑板剩余磨耗輪廓曲線。

式中,(x，y)為融合坐標系上的點，融合坐標系o-xy的坐標原點與左半弓坐標系ol-xlyl的坐標原點重合，所以，左半弓數據相對于融合坐標系坐標原點的偏移量為零，右半弓坐標系or-xryr的坐標原點相對于坐標系o-xy的坐標原點在x軸、y軸的偏移量分別為Δx、Δy。

根據滑板特征對Δx和Δy進行取值，具體過程如下：

(1)將相機標定后的左半弓滑板的長度Ll作為Δx的初始值Δxs，Δxs=Ll，因為左右半弓相機選型時，考慮到裕量，滑板中心區(qū)域都能被左右半弓相機都能拍攝到，所以此時Δx的取值設定為初始值，而不一定是最終取值；

(2)根據左右滑板支撐架下邊緣是同一條邊緣的原則，確定Δy的初始值，Δys=0，由于邊緣檢測的影響，滑板支撐架下邊緣存在一定的誤差，無法達到理想的重合，所以，此時Δy的取值不一定是最終取值；

(3)左右半弓相機選型時，考慮到裕量，所以滑板中心區(qū)域，左右半弓相機都能拍攝到，所以可以根據這一特征對Δx與Δy的取值進行進一步的優(yōu)化，對左右半弓滑板剩余磨耗曲線選取相同大小重合區(qū)域的輪廓曲線，分別記為linel、liner，首先，對齊曲線linel和liner，求取兩條曲線差值的平方和esum，然后不斷調整兩條曲線在x、y軸方向的間距dΔx、dΔy，esum取值越小表示融合的滑板剩余磨耗輪廓曲線越接近滑板的真實輪廓線，所以提取esum最小時，dΔx與dΔy的取值，從而得到Δx與Δy的最終值。

Δx=Δxs-dΔx

3 試驗與分析

本文提出了優(yōu)于傳統(tǒng)Canny算法的自適應Canny邊緣檢測算法，然后將其運用到受電弓滑板磨耗檢測方法中，對受電弓圖像進行處理，以驗證本文提出的受電弓滑板磨耗檢測技術的有效性。

3.1 自適應Canny邊緣檢測分析

圖5 邊緣檢測圖像

基于Matlab平臺對比分析本文采用的自適應Canny邊緣檢測算法和傳統(tǒng)Canny檢測算法的檢測性能。因邊緣檢測效果與被測物體的結構相關，所以本文采用檢測系統(tǒng)采集到的原始圖像中的左、右半弓圖像作為邊緣檢測性能分析的基準圖像，如圖5(a)、圖5(b)所示。分別采用濾波后的受電弓左半弓和右半弓的圖像對傳統(tǒng)Canny檢測算法和本文所提算法的邊緣檢測性能進行比較分析。圖5(c)、圖5(d)分別為受電弓左半弓、右半弓圖像采用傳統(tǒng)Canny邊緣算法檢測結果圖，圖5(e)、圖5(f)分別為受電弓左半弓、右半弓圖像采用本文所提邊緣算法檢測結果圖。

分別對傳統(tǒng)Canny算法邊緣檢測和本文提出的自適應Canny邊緣檢測進行客觀指標計算，結果如表1所示。

表1 邊緣檢測客觀指標計算

由表1可知，本文所采用的邊緣算法的左、右半弓邊緣圖像的MSSIM值分別為0.812、0.792，CIdx值分別為0.736、0.720，EIdx值分別為0.782、0.763；傳統(tǒng)Canny邊緣算法左、右半弓邊緣圖像的MSSIM值分別為0.709、0.721，CIdx值分別為0.718、0.693，EIdx值分別為0.712、0.710。本文所采用的邊緣算法左、右半弓邊緣圖像的MSSIM、CIdx及EIdx都比傳統(tǒng)Canny邊緣檢測算法要大，表明本文所采用邊緣檢測算法的性能優(yōu)于傳統(tǒng)Canny邊緣算法。

3.2 受電弓滑板磨耗檢測算法實現

采用4臺CCD高清相機對前后兩個滑板進行拍攝，4臺相機兩兩一組，在列車運行方向對稱安裝，以一定的俯角拍攝左右半弓滑板圖像?；逖a光燈安裝在軌道兩側，以一定的仰角對受電弓進行補光，使拍攝的受電弓圖像滑板側面較亮，滑板上表面及背景較暗，突出滑板上、下邊緣。實際拍攝的圖像如圖6(a)和圖6(b)所示。對受電弓圖像進行濾波，首先采用中值濾波算法濾除脈沖噪聲，再采用均值濾波算法濾除高斯噪聲，以達到濾除受電弓圖像中混合噪聲的目的。濾波后圖像如圖6(c)和圖6(d)所示。對濾波后的受電弓圖像進行邊緣檢測，邊緣提取結果如圖6(e)和圖6(f)所示。

圖6 受電弓滑板邊緣檢測過程

基于受電弓邊緣輪廓線，對滑板及滑板托架進行定位，經過相機標定得到左右半弓滑板及其托架的厚度曲線，根據滑板磨耗的定義，減去滑板托架厚度得到滑板剩余磨耗曲線，如圖7(a)、圖7(b)所示。

圖7 半弓滑板剩余磨耗量曲線

采用曲線融合算法對左、右半弓滑板進行曲線融合處理，得到融合曲線。為便于分析觀察，將滑板下邊緣作為坐標系橫軸，如圖8所示。

圖8 受電弓滑板剩余磨耗曲線

對滑板剩余磨耗曲線進行統(tǒng)計，得到滑板最小剩余量，從而得到滑板的最大磨耗量。如圖8所示，滑板最小剩余量為14.78 mm，滑板厚度出廠值為20 mm，則滑板的最大磨耗量為5.22 mm。

4 結論

隨著城軌列車普遍應用及行車速度的提升，給列車的行車安全性提出了巨大考驗，城軌列車通過受電弓滑板與接觸網接觸得到的電能運行，為防止滑板磨耗超限而引發(fā)事故，必須對滑板剩余磨耗量進行檢測。本文對受電弓滑板磨耗檢測技術進行研究，提出了一種受電弓滑板磨耗檢測方法，通過對采集系統(tǒng)采集到的原始圖像進行圖像濾波減少因電磁干擾產生的混合噪聲；通過自適應Canny邊緣檢測算法檢測出滑板的邊緣；通過相機標定和曲線融合算法實現受電弓滑板剩余磨耗曲線的繪制。檢測結果顯示本文提出的受電弓滑板檢測技術能有效地繪制出受電弓滑板磨耗曲線，驗證了本文方法的有效性，在現場實際應用中具有重大意義。

[1] 王鑫.受電弓/接觸網系統(tǒng)電弧放電機理研究[D].成都：西南交通大學，2011.

[2] 孫豐暉，王伯銘.雙滑板受電弓磨耗的超聲波檢測方法[J].機電產品開發(fā)與創(chuàng)新，2011(3):129-131.

[3] 孫豐暉.受電弓滑板磨耗檢測系統(tǒng)的設計及調試[D].成都：西南交通大學，2011.

[4] 賈成芬，王伯銘，孫豐暉.基于OpenGL的受電弓磨耗檢測系統(tǒng)圖像化設計[J].機械工程與自動化，2010(6):21-22，25.

[5] 岳安志，趙忠明，汪承義.基于主動形狀模型的受電弓自動檢測方法[A].中國體視學學會.第十三屆中國體視學與圖像分析學術會議論文集[C].中國體視學學會，2013.

[6] 付學榮，劉思洋，劉寧，等.一種基于激光測距的受電弓狀態(tài)檢測系統(tǒng)[J].中國電子商務，2012(9):39-40.

[7] I Aydin. A new approach based on firefly algorithm for vision-based railway overhead inspection system[J]. Measurement， 2015， 74:43-55.

[8] S Judek， Jarzebowicz L. Algorithm for automatic wear estimation of railway contact strips based on 3D scanning results[C]∥International Conference and Exposition on Electrical and Power Engineering. IEEE，2014:724-729.

[9] 馬莉，王澤勇，高曉蓉，王黎，楊凱.LV2600型受電弓滑板剩余磨耗量檢測[J].鐵道機車車輛，2010(3):93-97.

[10] 常娜.圖像處理中的邊緣檢測算法研究綜述[J].中國科技信息，2011(4):130-131，149.

[11] 胡文錦.圖像邊緣檢測方法研究[D].北京：北京交通大學，2009.

[12] 崔占濤.受電弓滑板外部狀態(tài)圖像檢測[D].成都：西南交通大學，2005.

[13] 吳德剛，趙利平.一種去除圖像混合噪聲的濾波算法[J].自動化儀表，2012(9):11-13.

[14] 汪芳莉，顧桂梅.基于曲波變換的接觸網磨耗圖像增強研究[J].鐵道標準設計，2014，58(2):112-116.

[15] 磨少清.邊緣檢測及其評價方法的研究[D].天津：天津大學，2011.

Research on Abrasion Detection of Pantograph Slipper of Urban Rail Train

CHEN Ye-jian, YAO Xiao-wen, ZHANG Yong, XING Zong-yi

(School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China)

In order to realize online non-contact detection of the abrasion of the pantograph slipper of the urban rail train, abrasion detection technologies are studied. In this paper, an abrasion detection method based on image processing is proposed. The steps involved are as follows: firstly, the mixed noise of the original image from the acquisition system is removed by image filtering; then the edge of the pantograph slipper in the image is detected by the adaptive canny edge detection based on histogram concavity analysis after image filtering; and finally, the abrasion curve of the pantograph slipper is obtained by camera calibration and curve blending to judge whether the abrasion of the pantograph slipper is transfinite. The results of the experiment show that the proposed method is effective to detect the pantograph slipper abrasion curve in the original image and realize online non-contact detection of the abrasion of the pantograph slipper of the urban rail train.

Urban rail train; Pantograph slipper; Image filtering; Adaptive canny edge detection; Camera calibration

1004-2954(2018)01-0127-06

2017-03-02；

2017-04-25

國家重點研發(fā)計劃項目(2016YFB1200402)

陳葉健(1992—)，男，碩士研究生，E-mail：m18761685230@163.com。

U226.5

A

10.13238/j.issn.1004-2954.201703020004