基于可分離殘差卷積與語(yǔ)義補(bǔ)償?shù)腢?Net 壩面裂縫分割

龐 杰，張 華，3，馮春成，3，李林靜

（1.特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川綿陽(yáng) 621000；2.西南科技大學(xué)信息工程學(xué)院，四川綿陽(yáng) 621000；3.清華四川能源互聯(lián)網(wǎng)研究院，成都 610213）

0 概述

水利樞紐是修建于河道中多類水工建筑物的綜合體，其具有防洪、供水、發(fā)電和航運(yùn)等功能，在保障與促進(jìn)社會(huì)經(jīng)濟(jì)發(fā)展中起到重要作用［1-2］。受工程建設(shè)水平和所在地的地質(zhì)、水文以及氣象等因素影響，水利樞紐中混凝土壩面易形成裂縫、脫落等缺陷［3］。通常采用缺陷檢測(cè)技術(shù)分析壩面缺陷，在此基礎(chǔ)上對(duì)水利樞紐進(jìn)行維護(hù)，以確保其處于良好的工作狀態(tài)。因此，壩面缺陷檢測(cè)對(duì)潰壩防范和防震減災(zāi)具有重要意義［4］。

目前水利樞紐的壩面缺陷檢測(cè)以人工巡檢為主，存在耗時(shí)長(zhǎng)、危險(xiǎn)性大和成本高等問(wèn)題。隨著人工智能技術(shù)的不斷發(fā)展，自動(dòng)化水平較高的巡檢設(shè)備及安全評(píng)估系統(tǒng)［5］成為未來(lái)水利樞紐維護(hù)系統(tǒng)發(fā)展的必然趨勢(shì)。近年來(lái)，隨著以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為代表的深度學(xué)習(xí)技術(shù)的迅速發(fā)展，基于計(jì)算機(jī)視覺(jué)的分類、檢測(cè)和分割方法應(yīng)用日益廣泛［6］。針對(duì)建筑物表面缺陷檢測(cè)，文獻(xiàn)［7］提出一種基于深度卷積網(wǎng)絡(luò)的道路裂縫分類方法，對(duì)分辨率為99 像素×99 像素的彩色圖像進(jìn)行準(zhǔn)確分類。文獻(xiàn)［8］使用基于Faster-RCNN 的缺陷檢測(cè)方法，實(shí)現(xiàn)對(duì)混凝土裂縫、鋼筋腐蝕面以及螺栓腐蝕面的分層檢測(cè)與分類。文獻(xiàn)［9］利用全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）在彩色圖像上分割出裂縫缺陷，獲得精確的裂縫路徑和形態(tài)信息。與傳統(tǒng)分割算法相比，卷積神經(jīng)網(wǎng)絡(luò)能自動(dòng)提取與任務(wù)相關(guān)的魯棒特征，實(shí)現(xiàn)端到端的自動(dòng)缺陷檢測(cè)。

水利樞紐的混凝土壩面由于長(zhǎng)期被水沖刷滲蝕，其圖像數(shù)據(jù)存在嚴(yán)重的亮度不均衡、相似干擾噪聲大、背景復(fù)雜以及裂縫前景與背景在像素?cái)?shù)量上不均衡等問(wèn)題，造成壩面裂縫分割較困難。由于U-Net［10］網(wǎng)絡(luò)具有的對(duì)稱式編解碼結(jié)構(gòu)可融合卷積網(wǎng)絡(luò)低維和高維特征，保證輸入和輸出分辨率一致，具有較高分割精度，因此本文將U-Net 網(wǎng)絡(luò)應(yīng)用于水利樞紐的混凝土壩面裂縫圖像分割，并根據(jù)壩面圖像特點(diǎn)對(duì)其進(jìn)行改進(jìn)，提出一種基于可分離殘差卷積和語(yǔ)義補(bǔ)償?shù)牧芽p分割方法。在U-Net 網(wǎng)絡(luò)的編碼端構(gòu)建大尺寸卷積核的可分離殘差模塊增大特征層感受野，在解碼端設(shè)計(jì)語(yǔ)義補(bǔ)償模塊彌補(bǔ)不同層級(jí)特征的語(yǔ)義差異，使用焦點(diǎn)損失作為類間損失，增大裂縫前景的損失權(quán)重并提高對(duì)困難樣本的注意力，同時(shí)增加中心損失縮小類內(nèi)特征間距，以提高網(wǎng)絡(luò)對(duì)像素的分類準(zhǔn)確度。

1 壩面裂縫分割方法

本文提出的壩面裂縫分割方法在U-Net 網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改進(jìn)，改進(jìn)后的U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。該網(wǎng)絡(luò)由全卷積網(wǎng)絡(luò)構(gòu)建的編碼和解碼兩部分組成。編碼部分利用1 個(gè)傳統(tǒng)的初始卷積模塊和4 個(gè)可分離殘差卷積模塊逐級(jí)對(duì)前一層輸出進(jìn)行卷積處理，每個(gè)卷積模塊由多個(gè)卷積（Conv）層組成，每個(gè)卷積層包含卷積核、批歸一化（Batch Normalization，BN）層及ReLU 激活函數(shù)，通過(guò)最大值池化生成5 層不同尺度的語(yǔ)義特征。解碼部分先利用語(yǔ)義補(bǔ)償模塊對(duì)每層特征進(jìn)行補(bǔ)償，再逐級(jí)與反卷積擴(kuò)大尺寸后的輸出特征進(jìn)行拼接，并通過(guò)傳統(tǒng)卷積模塊得到后續(xù)輸出，最終利用Sigmoid 函數(shù)得到與輸入圖像分辨率一致的像素級(jí)裂縫類別概率圖。

圖1 改進(jìn)U-Net 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of improved U-Net network

1.1 可分離殘差卷積模塊

增加特征提取骨干網(wǎng)絡(luò)層數(shù)、設(shè)置適當(dāng)大小感受野的卷積核以及減少網(wǎng)絡(luò)參數(shù)量與復(fù)雜度，在不降低網(wǎng)絡(luò)效率的同時(shí)可更有效地提取特征［11］。本文基于空間可分離卷積［12］思想，在編碼端設(shè)計(jì)一種感受野大小為7×7 的可分離殘差卷積模塊替換傳統(tǒng)2 層3×3 卷積核的卷積模塊，在擴(kuò)大感受野的同時(shí)減少計(jì)算量，如圖2 所示。利用殘差結(jié)構(gòu)［13］將卷積前底層邊緣特征與卷積后高層語(yǔ)義特征相結(jié)合，可降低卷積層中零填充操作引入的邊緣噪聲干擾。

圖2 傳統(tǒng)卷積模塊和可分離殘差卷積模塊結(jié)構(gòu)Fig.2 Structures of traditional convolutional module and separable residual convolutional module

在圖2 中，輸出卷積核通道數(shù)為N，輸入特征通道數(shù)為N/2，可分離殘差卷積模塊與傳統(tǒng)卷積模塊的感受野相同。每個(gè)卷積層參數(shù)量的計(jì)算公式為：

其中，kw和kh為卷積核尺寸。傳統(tǒng)卷積模塊和可分離殘差卷積模塊結(jié)構(gòu)的參數(shù)量分別為3N+13.5N2、4N+8N2，U-Net 網(wǎng)絡(luò)原有的2 層卷積模塊參數(shù)量為2N+9N2。由此可見(jiàn)，可分離殘差卷積模塊參數(shù)量更少，其具有更多卷積和激活等非線性操作，能賦予編碼端特征提取網(wǎng)絡(luò)更好的非線性能力。

1.2 語(yǔ)義補(bǔ)償模塊

U-Net 網(wǎng)絡(luò)在解碼過(guò)程中可實(shí)現(xiàn)多尺度特征相互融合，并將深層語(yǔ)義特征與淺層細(xì)節(jié)特征相結(jié)合。然而不同尺度的特征在經(jīng)過(guò)多次卷積池化操作后，會(huì)有一定語(yǔ)義與細(xì)節(jié)特征差異，且層級(jí)差異較大的特征層之間特征差異更大，若直接進(jìn)行特征拼接則會(huì)限制最終的分割結(jié)果［14］。因此，本文設(shè)計(jì)一種語(yǔ)義補(bǔ)償卷積模塊分別對(duì)不同尺度特征進(jìn)行補(bǔ)償，如圖3 所示。

圖3 語(yǔ)義補(bǔ)償卷積模塊結(jié)構(gòu)Fig.3 Structure of semantic compensation convolutional module

語(yǔ)義補(bǔ)償卷積模塊是由一定數(shù)量的3×3 卷積層及一個(gè)1×1 卷積層組成的殘差結(jié)構(gòu)，各層步長(zhǎng)均為1。其中，3×3 卷積層為語(yǔ)義特征補(bǔ)償單元，1×1 卷積層為邊界特征保留單元，可分層級(jí)補(bǔ)償語(yǔ)義特征并防止邊界特征丟失。使用補(bǔ)償單元與保留單元提取高層特征，并在解碼過(guò)程中逐層增加補(bǔ)償單元，將上述特征在拼接特征層經(jīng)過(guò)語(yǔ)義補(bǔ)償與保留邊界特征后進(jìn)行線性疊加，再與前序特征拼接融合。

1.3 混合損失函數(shù)

語(yǔ)義分割網(wǎng)絡(luò)通常使用交叉熵等類間函數(shù)計(jì)算輸出與標(biāo)簽之間每個(gè)像素的差異，并以所有像素差異的平均值作為訓(xùn)練模型的目標(biāo)損失函數(shù)。

在水工建筑物壩面裂縫圖像分割的二分類任務(wù)中，裂縫前景與背景圖像的像素?cái)?shù)量嚴(yán)重不均衡導(dǎo)致背景損失占比較大，模型在訓(xùn)練過(guò)程中會(huì)更注重背景識(shí)別，從而降低對(duì)裂縫的識(shí)別性能。此外，壩面裂縫圖像背景中存在大量與裂縫相似的復(fù)雜干擾噪聲，在模型訓(xùn)練過(guò)程中會(huì)產(chǎn)生較多困難樣本，例如將裂縫識(shí)別為背景或?qū)⒈尘白R(shí)別為裂縫等。針對(duì)該問(wèn)題，本文使用焦點(diǎn)損失函數(shù)［15］和中心損失函數(shù)［16］分別作為類間損失函數(shù)和類內(nèi)損失函數(shù)，使模型學(xué)習(xí)到更緊湊和中心化的輸出概率特征值。將混合損失函數(shù)定義為：

其中，Lf(P，Y)為焦點(diǎn)損失函數(shù)，Lc(P，Y)為中心損失函數(shù)，P和Y分別為訓(xùn)練圖像通過(guò)分割網(wǎng)絡(luò)輸出的概率特征圖和真實(shí)標(biāo)簽，λ為中心損失的權(quán)重，在本文中λ設(shè)置為1。

1.3.1 焦點(diǎn)損失

在原有交叉熵?fù)p失的基礎(chǔ)上增加兩個(gè)調(diào)節(jié)參數(shù)α和β，將其作為壩面裂縫分割的焦點(diǎn)損失函數(shù)，相關(guān)定義如下：

其中，m為所有像素的個(gè)數(shù)，y為第i個(gè)像素的標(biāo)簽信息。

假設(shè)1 為裂縫、0 為背景，則標(biāo)簽為裂縫(y=1)而識(shí)別為背景(p＜0.5)或者標(biāo)簽為背景(y=0)而識(shí)別為裂縫(p≥0.5)的像素為困難樣本，標(biāo)簽和識(shí)別結(jié)果全為裂縫或者全為背景的像素為簡(jiǎn)單樣本。(1-p)β及pβ分別為裂縫和背景兩類像素的困難樣本權(quán)重，本文增大困難像素樣本權(quán)重并減小簡(jiǎn)單像素樣本權(quán)重，設(shè)置β=2［15］。1-α與α分別為背景及裂縫的像素占比，通過(guò)賦予不同類型像素的損失權(quán)重來(lái)平衡兩類像素?cái)?shù)量，并根據(jù)計(jì)算得到的裂縫及背景像素?cái)?shù)量比例，設(shè)置α=0.01。

1.3.2 中心損失

由于訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)的分布不一致，僅使用類間損失函數(shù)作為訓(xùn)練目標(biāo)函數(shù)，盡管可實(shí)現(xiàn)測(cè)試集輸出的特征類間可分，但同類樣本輸出的特征分布是離散的，仍存在誤判的困難像素樣本。因此，本文在以焦點(diǎn)損失為類間損失的基礎(chǔ)上增加中心損失作為類內(nèi)損失，從而得到更緊湊的輸出特征，中心損失函數(shù)定義如下：

其中，mc是標(biāo)簽為裂縫的像素?cái)?shù)量，m-mc是標(biāo)簽為背景的像素?cái)?shù)量，cc是標(biāo)簽為裂縫的像素所得預(yù)測(cè)概率的均值中心，cg是標(biāo)簽為背景的像素所得預(yù)測(cè)概率的均值中心。每批次訓(xùn)練迭代均需重新計(jì)算上述兩個(gè)均值中心。

2 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證上述壩面裂縫分割方法的有效性，本文進(jìn)行一系列消融實(shí)驗(yàn)分別評(píng)估可分離殘差卷積模塊、語(yǔ)義補(bǔ)償卷積模塊以及混合損失函數(shù)的性能，再與主流的圖像分割方法進(jìn)行對(duì)比分析。

2.1 實(shí)驗(yàn)數(shù)據(jù)集

由于目前無(wú)公開(kāi)的水工建筑物壩面裂縫圖像數(shù)據(jù)集，本文利用清華四川能源互聯(lián)網(wǎng)研究院提供的中國(guó)西南部某大型水電站壩面圖像數(shù)據(jù)自制水工建筑物壩面裂縫圖像數(shù)據(jù)集。該數(shù)據(jù)集含有1 000 張圖像，每張圖像分辨率為608 像素×608 像素，所有裂縫像素區(qū)域均由人工標(biāo)注完成。從該數(shù)據(jù)集中隨機(jī)抽取200 張圖像作為測(cè)試集，其余800 張圖像作為訓(xùn)練集。

2.2 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)采用Intel i7-7700K CPU@4.20 GHz 處理器，NVDIA GTX TITAN XP 25GB GPU，16 GB內(nèi)存，Ubuntu 16.04 操作系統(tǒng)，Python 3.6 編程語(yǔ)言，Pytorch 1.3 和CUDA 10.0 深度學(xué)習(xí)框架。在訓(xùn)練過(guò)程中采用Adam 梯度下降法，優(yōu)化器的學(xué)習(xí)率設(shè)置為0.000 1，批處理大小為4，取測(cè)試集平均損失值最小的模型作為最終模型。在訓(xùn)練和測(cè)試過(guò)程中，將概率值不小于0.5 的像素識(shí)別為裂縫前景，其他像素為背景。

2.3 訓(xùn)練圖像的預(yù)處理

針對(duì)壩面圖像的亮度不均衡、對(duì)比度差異明顯以及背景干擾噪聲復(fù)雜等特點(diǎn)，本文在模型訓(xùn)練過(guò)程中使用水平翻轉(zhuǎn)、亮度及對(duì)比度隨機(jī)調(diào)整、幾何形變3 種方法隨機(jī)組合對(duì)每批訓(xùn)練圖像及標(biāo)簽進(jìn)行預(yù)處理，每種方法獨(dú)立進(jìn)行，使用概率均為0.5。上述方法可在不增大數(shù)據(jù)集規(guī)模的同時(shí)增加訓(xùn)練集的多樣性，從而提升分割模型的泛化能力。

2.3.1 亮度及對(duì)比度隨機(jī)調(diào)整

使用灰度平均值u及均方差σ描述圖像X的亮度及對(duì)比度，其表達(dá)式如下：

其中，xi為第i個(gè)像素的灰度值，m為像素?cái)?shù)量。

為保證調(diào)整后圖像與原圖像具有較顯著的差異性，生成變換系數(shù)η，其表達(dá)式如下：

為增強(qiáng)調(diào)整后圖像的隨機(jī)性，將255η與2η作為正態(tài)分布曲線的平均值與標(biāo)準(zhǔn)差，生成服從該分布的亮度值及對(duì)比度值2ησ。調(diào)整后的圖像表示為：

其中，ε為一個(gè)極小值常數(shù)。服從正態(tài)分布的參數(shù)可使調(diào)整后圖像的數(shù)據(jù)分布具有一定隨機(jī)性，且與原圖像差異較大。

2.3.2 幾何形變

基于裂縫區(qū)域的不規(guī)則性，使用幾何三角函數(shù)對(duì)所訓(xùn)練圖像中每個(gè)像素的位置進(jìn)行變換，可達(dá)到形變效果。幾何形變方式定義為：

其中，h、、w和分別為形變前后的坐標(biāo)位置。

3 種預(yù)處理方法的效果示例如圖4 所示。圖4（a）以網(wǎng)格圖的形式描述了幾何形變的預(yù)處理過(guò)程，圖4（b）為原始數(shù)據(jù)圖像經(jīng)過(guò)水平翻轉(zhuǎn)、隨機(jī)亮度及對(duì)比度調(diào)整、幾何形變3 種預(yù)處理前后的圖像，圖4（c）為原始數(shù)據(jù)圖像對(duì)應(yīng)的標(biāo)簽圖像同樣經(jīng)過(guò)3 種預(yù)處理前后的圖像。

圖4 預(yù)處理前后的效果圖Fig.4 Effect images before and after preprocessing

2.4 評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)分別采用準(zhǔn)確率（PA）、召回率（Rc）、F1值和交并比（Intersection over Union，IoU）評(píng)價(jià)不同方法的裂縫分割性能［17］，其中F1 值與IoU 為語(yǔ)義分割實(shí)驗(yàn)中綜合度量指標(biāo)。上述指標(biāo)分別定義如下：

其中，TP 為正確預(yù)測(cè)為裂縫的像素個(gè)數(shù)，F(xiàn)P 為錯(cuò)誤預(yù)測(cè)背景為裂縫的像素個(gè)數(shù)，F(xiàn)N 為錯(cuò)誤預(yù)測(cè)裂縫為背景的像素個(gè)數(shù)。

2.5 訓(xùn)練過(guò)程分析

圖5 為本文提出的壩面裂縫分割模型（以下稱為本文模型）在訓(xùn)練過(guò)程中訓(xùn)練損失值與驗(yàn)證損失值的變化情況?？梢钥闯?，本文模型在訓(xùn)練過(guò)程中的損失值迅速衰減，并在迭代80 輪后趨于收斂。由此可知，該模型未出現(xiàn)過(guò)擬合現(xiàn)象，具有良好的泛化性能。

圖5 本文模型在訓(xùn)練過(guò)程中的損失衰減曲線Fig.5 Loss attenuation curve of the proposed model in the training process

2.6 消融實(shí)驗(yàn)

在U-Net 網(wǎng)絡(luò)基礎(chǔ)上，逐個(gè)添加可分離殘差卷積模塊、語(yǔ)義補(bǔ)償卷積模塊、焦點(diǎn)損失函數(shù)及中心損失函數(shù)，將本文方法與上述方法的裂縫分割性能進(jìn)行對(duì)比，結(jié)果如表1 所示?？梢钥闯觯疚姆椒ㄡ槍?duì)壩面圖像提出的一系列措施均能提高裂縫分割性能，本文方法的F1 值及IoU 較U-Net 網(wǎng)絡(luò)分別提高1.32 個(gè)百分點(diǎn)和1.54 個(gè)百分點(diǎn)。

表1 不同方法的裂縫分割性能對(duì)比結(jié)果Table 1 Crack segmentation performance comparison results of different methods %

本文進(jìn)一步對(duì)類內(nèi)中心損失函數(shù)的有效性進(jìn)行評(píng)估，圖6 為表1 中實(shí)驗(yàn)4 和實(shí)驗(yàn)5 訓(xùn)練所得模型對(duì)相同測(cè)試圖像輸出概率值的分布密度曲線?？梢钥闯?，僅使用焦點(diǎn)損失函數(shù)的網(wǎng)絡(luò)輸出概率值分布較離散，且具有更多的像素輸出概率值分布在0.5 左右，仍有較多的困難像素樣本，而增加中心損失函數(shù)的網(wǎng)絡(luò)輸出概率值分布更集中，聚集于0.75 左右的極點(diǎn)兩側(cè)，處于0.5 左右的困難像素樣本數(shù)量明顯減少。由上述結(jié)果可知，中心損失函數(shù)不能有效增大類間的差異性，且降低了裂縫像素輸出概率值的中心平均值。結(jié)合表1 的分析結(jié)果可知，焦點(diǎn)損失函數(shù)+中心損失函數(shù)較焦點(diǎn)損失函數(shù)的F1 值及IoU 分別增加0.44 個(gè)百分點(diǎn)和0.52 個(gè)百分點(diǎn)，表明中心損失函數(shù)能有效縮小類內(nèi)像素輸出概率特征值的差異，提升對(duì)困難像素樣本的識(shí)別性能。

圖6 不同模型的輸出概率值分布密度曲線Fig.6 Output probability value distribution density curves of different models

由上述實(shí)驗(yàn)結(jié)果可知，改進(jìn)前U-Net 的各項(xiàng)評(píng)價(jià)指標(biāo)均低于改進(jìn)的各個(gè)裂縫分割方法。其中，綜合指標(biāo)F1 值及IoU 隨著改進(jìn)措施的增加而提升，說(shuō)明本文提出的各項(xiàng)改進(jìn)措施能有效提升裂縫分割性能。

2.7 與其他網(wǎng)絡(luò)的對(duì)比

將本文方法與改進(jìn)前U-Net 方法以及SegNet［18］、FCN-8S［19］及DeepLab V3［20］3 種經(jīng)典裂縫分割方法進(jìn)行對(duì)比。其中，SegNet 利用末級(jí)單層特征層進(jìn)行圖像分割，F(xiàn)CN-8S 基于跳接結(jié)構(gòu)將末端3 層特征融合后進(jìn)行圖像分割，DeepLab V3 使用空洞卷積及空間金字塔池化模塊進(jìn)行圖像分割。上述方法的部分裂縫分割效果與評(píng)價(jià)指標(biāo)結(jié)果分別如圖7 和表2 所示?？梢钥闯?，SegNet 和FCN-8S 的裂縫分割效果較差，DeepLab V3及U-Net的裂縫分割效果稍好且U-Net優(yōu)于DeepLab V3，本文方法的裂縫分割效果最佳。本文以U-Net 為基礎(chǔ)網(wǎng)絡(luò)，通過(guò)一系列改進(jìn)措施有效提升了對(duì)包含細(xì)小裂縫區(qū)域的困難樣本的識(shí)別性能，本文方法對(duì)壩面裂縫的分割效果較其他方法更優(yōu)。

圖7 不同方法的部分裂縫分割效果圖Fig.7 Partial effect images of crack segmentation with different methods

表2 不同方法的裂縫分割指標(biāo)結(jié)果Table 2 Crack segmentation index results of different methods %

3 結(jié)束語(yǔ)

針對(duì)壩面圖像在復(fù)雜環(huán)境下存在的像素不均衡、干擾噪聲大等問(wèn)題，本文基于改進(jìn)U-Net 提出一種壩面裂縫分割方法。在U-Net 網(wǎng)絡(luò)編碼端使用可分離殘差卷積模塊增大感受野，在解碼端增加語(yǔ)義特征補(bǔ)償模塊改善特征融合效果，將焦點(diǎn)損失函數(shù)及中心損失函數(shù)作為目標(biāo)函數(shù)提高對(duì)裂縫前景像素與困難樣本像素的注意力，采用幾何形變以及圖像亮度和對(duì)比度隨機(jī)變換的方法對(duì)訓(xùn)練的圖像進(jìn)行預(yù)處理。實(shí)驗(yàn)結(jié)果表明，本文方法較改進(jìn)前U-Net的F1 值和交并比分別提高1.32 個(gè)百分點(diǎn)及1.54 個(gè)百分點(diǎn)，分割效果較SegNet、FCN-8S 等傳統(tǒng)方法更優(yōu)。后續(xù)將精簡(jiǎn)分割模型減少參數(shù)量，進(jìn)一步提高該方法的檢測(cè)實(shí)時(shí)性。